Pronóstico de insolvencia empresarial en Colombia a través de indicadores financieros

Diego Andrés Correa Mejía, Mauricio Lopera-Castaño

DOI: https://doi.org/10.32997/2463-0470-vol.27-num.2-2019-2639

Resumen

La insolvencia empresarial afecta tanto a las empresas que entran en este proceso como a sus proveedores de bienes y servicios. Esta investigación hace uso de indicadores financieros para pronosticar la insolvencia empresarial con un año de anticipación. El estudio fue aplicado a 2.988 empresas que reportaron información financiera a la Superintendencia de Sociedades (Colombia) durante el año 2017, de las cuales 127 entraron en proceso de insolvencia en 2018. El pronóstico considera indicadores financieros de liquidez, rentabilidad y endeudamiento, y contrasta los resultados de la regresión logística con el algoritmo boosting. Se concluye que los indicadores financieros permiten pronosticar la insolvencia empresarial, sin embargo se debe recurrir a metodologías no tradicionales como el algoritmo boosting que consideren la asimetría de la información.


Palabras clave

Insolvencia empresarial; indicadores financieros; análisis financiero; algoritmo boosting; regresión logística;

Texto completo:

PDF

Referencias

Altman, E. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance, 23(4), 589–609.

Amendola, A., Giordano, F., Parrella, M., y Restaino, M. (2017). Variable selection in high-dimensional regression: a nonparametric procedure for business failure prediction. Applied Stochastic Models in Business and Industry, 33(4), 355–368. https://doi.org/10.1002/asmb.2240

Barboza, F. , Kimura, H., y 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

Beaver, W. (1966). Financial Ratios As Predictors of Failure. Journal of Accounting Research, 4(1966), 71–111. DOI: https://doi.org/10.2307/2490171

Ben, S. (2017). Bankruptcy prediction using Partial Least Squares Logistic Regression. Journal of Retailing and Consumer Services, 36(November 2016), 197–202. https://doi.org/10.1016/j.jretconser.2017.02.005

Bredart, X., Vella, V., y Bonello, J. (2018). Machine Learning Models for Predicting Financial Distress. Journal of Research in Economics, 2(2), 174–185. https://doi.org/10.24954/JORE.2018.22

Calabrese, R., y Osmetti, S. A. (2013). Modelling small and medium enterprise loan defaults as rare events: The generalized extreme value regression model. Journal of Applied Statistics, 40(6), 1172–1188. https://doi.org/10.1080/02664763.2013.784894

Calabrese, R., y Osmetti, S. A. (2015). Improving forecast of binary rare events data: A gam-based approach. Journal of Forecasting, 34(3), 230–239. https://doi.org/10.1002/for.2335

Correa-garcía, J. A. (2005). De la partida doble al análisis financiero. Contaduría Universidad de Antioquia, (46), 169–194.

Correa-garcía, J. A., Gómez, S., y Londoño, F. (2018). Indicadores financieros y su eficiencia en la explicación de la generación de valor en el sector cooperativo. Rev.fac.cienc.econ., XXVI(2), 129–144.

Correa, D., Laura, M., Camila, R., y Alejandra, Y. (2018). Los indicadores de costos: una herramienta para gestionar la generación de valor en las empresas industriales colombianas. Estudios Gerenciales, 34(147), 190–199. https://doi.org/10.18046/j.estger.2018.147.2643

Correa, J., Pulgarín, A., Muñoz, L., y Álvarez, M. (2010). Marco normativo y antecedentes de la revelación contable en Colombia. Contaduría Universidad de Antioquia, (56), 269–292.

Cultrera, L., y Brédart, X. (2016). Bankruptcy prediction: The case of Belgian SMEs. Review of Accounting and Finance, 15(1), 101–119. https://doi.org/10.1108/RAF-06-2014-0059

Dinca, G., Baba, M. C., Dinca, M. S., Dauti, B., y Deari, F. (2017). Insolvency risk prediction using the logit and logistic models: Some evidences from Romania. Economic Computation and Economic Cybernetics Studies and Research, 51(4), 139–157.

Eling, M., y Jia, R. (2018). Business failure, efficiency, and volatility: Evidence from the European insurance industry. International Review of Financial Analysis, 59, 58–76. https://doi.org/10.1016/j.irfa.2018.07.007

Gupta, J., Gregoriou, A., y Ebrahimi, T. (2018). Empirical comparison of hazard models in predicting SMEs failure. Quantitative Finance, 18(3), 437–466. https://doi.org/10.1080/14697688.2017.1307514

Hastie, T., Tibshirani, R., Friedman, J. (2017). The Elements of Statistical Learning. Data Mining, Inference, and Prediction, Standford, California.

Hebous, S., y De Mooij, R. (2018). Curbing Corporate Debt Bias: Do Limitations to Interest Deductibility Work? Journal of Banking y Finance, 1–11. https://doi.org/10.1016/j.jbankfin.2018.07.013

Jabeur, S. Ben, y Fahmi, Y. (2018). Forecasting financial distress for French firms: a comparative study. Empirical Economics, 54(3), 1173–1186. https://doi.org/10.1007/s00181-017-1246-1

Jayasekera, R. (2018). Prediction of company failure: Past, present and promising directions for the future. International Review of Financial Analysis, 55, 196–208. https://doi.org/10.1016/j.irfa.2017.08.009

Jones, S., Johnstone, D., y Wilson, R. (2017). Predicting Corporate Bankruptcy: An Evaluation of Alternative Statistical Frameworks. Journal of Business Finance and Accounting, 44(1–2), 3–34. https://doi.org/10.1111/jbfa.12218

Jovanovik, D., Todorovic, M., y Grbic, M. (2017). Financial Indicators as Predictors of Illiquidity. Romanian Journal of Economic Forecasting, 20(1), 128–149.

Kovacova, M., y Kliestik, T. (2017). Logit and Probit application for the prediction of bankruptcy in Slovak companies. Equilibrium-Quarterly Journal of Economics and Economic Policy, 12(4), 775–791. https://doi.org/10.24136/eq.v12i4.40

Le, T., Son, L. H., Vo, M. T., Lee, M. Y., y Baik, S. W. (2018). A cluster-based boosting algorithm for bankruptcy prediction in a highly imbalanced dataset. Symmetry, 10(7), 1–12. https://doi.org/10.3390/sym10070250

Ley 1116. (2006). Diario Oficial No. 46.494 de 27 de diciembre de 2006, Colombia, diciembre 27 de 2006.

Lyandres, E., y Zhdanov, A. (2013). Investment opportunities and bankruptcy prediction. Journal of Financial Markets, 16(3), 439–476. https://doi.org/10.1016/j.finmar.2012.10.003

Nyitrai, T., y Virág, M. (2018). The effects of handling outliers on the performance of bankruptcy prediction models. Socio-Economic Planning Sciences, 1–9. https://doi.org/10.1016/0304-3762(82)90059-1

Pérez, J., Lopera, M., y Vásquez, F. (2017). Estimación de la probabilidad de riesgo de quiebra en las empresas colombianas a partir de un modelo para eventos raros. Cuadernos de Administración, 30(54), 7–38. https://doi.org/10.11144/Javeriana.cao30-54.eprqe

Rodríguez, J. (2007). Nuevo régimen de insolvencia. Bogotá, Colombia: Universidad Externado de Colombia.

Romero, F., Melgarejo, Z., y Vera, M. (2015). Fracaso empresarial de las pequeñas y medianas empresas (pymes) en Colombia. Suma de Negocios, 6(13), 29–41. https://doi.org/10.1016/j.sumneg.2015.08.003

Tian, S. , y Yu, Y. (2017). Financial ratios and bankruptcy predictions: An international evidence. International Review of Economics and Finance, 51, 510–526. https://doi.org/10.1016/j.iref.2017.07.025

Upegui, A. y Londoño, Á. (2011). Comentarios al régimen de insolvencia empresarial. Bogotá, Colombia: Legis Editores.

Vélez, L. (2011). ¿Qué tan bueno es el sistema de insolvencia empresarial colombiano? Revista Supersociedades, 2, 5-6.

Wang, G., Ma, J., y Yang, S. (2014). An improved boosting based on feature selection for corporate bankruptcy prediction. Expert Systems with Applications, 41(5), 2353–2361. https://doi.org/10.1016/j.eswa.2013.09.033

Wilches, R. (2008). Vacíos e inconsistencias estructurales del nuevo régimen de insolvencia empresarial colombiano. Identificación y propuestas de solución. Vniversitas, (117), 197–218.

Wilches, R. (2009). La insolvencia transfronteriza en el derecho colombiano. Revista de Derecho, (32), 162–198.

Yazdanfar, D., y Öhman, P. (2015). Debt financing and firm performance: an empirical study based on Swedish data. The Journal of Risk Finance, 16(1), 102–118. https://doi.org/10.1108/JRF-06-2014-0085


Enlaces refback

  • No hay ningún enlace refback.