Pronóstico de insolvencia empresarial en Colombia a través de indicadores financieros.
Forecast of business insolvency in Colombia through financial indicators.
Barra lateral del artículo
PDF
FLIP
Esta obra está bajo una Licencia Creative Commons ATTRIBUTION 4.0 INTERNATIONAL CC BY 4.0
Contenido principal del artículo
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:
Descargas
Detalles del artículo
Referencias (VER)
Altman, E. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance, 23(4), 589-609. https://doi.org/10.1111/j.1540-6261.1968.tb00843.x
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. 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. https://doi.org/10.18359/rfce.3859
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