Cómo citar
Resumen
En este artículo se identifican los factores determinantes de la quiebra empresarial para las empresas ecuatorianas. Se construye una base de datos a partir de la información contable de las empresas ecuatorianas que reportan a la Superintendencia de Compañías, Valores y Seguros. Se procede a dividir las empresas en dos grupos: sanas y fracasadas asignando el valor de cero (0) para las empresas sanas y uno (1) para las empresas fracasadas, de tal forma, que la variable dependiente está determinada por una variable dicotómica. Utilizando un modelo logístico se aplica a 80 empresas con y sin dificultades financieras durante el período 2011-2015, empleando ratios financieros. Las variables consideradas que afectan la probabilidad de quiebra empresarial de las firmas ecuatorianas, son la liquidez, la rentabilidad económica (ROA), la rentabilidad financiera (ROE), el apalancamiento y la carga financiera. Se determinó que los indicadores financieros que influyen significativamente sobre la probabilidad de dificultades financieras son: la liquidez corriente (LIQ), el retorno sobre activos (ROA) y el coeficiente de solvencia (apalancamiento financiero); carga financiera y ROE no son estadísticamente significativos en este estudio.
Citas
Aguiar, I. y Ruiz, M. V. (2015). Causes and resolution of bankruptcy: The efficiency of the law. The Spanish Review of Financial Economics, 13, 71-80.
Altman E. (1968). Financial Ratios, discriminant analysis and prediction for corporate bankruptcy. The Journal of Finance, 23(4), 589-609.
Beaver, W. H. (1966). Financial Ratios as predictors of failure. Journal of Accounting Research, Supplement 4, 113-122.
Bell, T. B., Ribar, G. S. & Verchio, J. (1990). Neural Nets Versus Logistic Regression: A Comparison of Each Model”™s Ability to Predict Commercial Bank Failures. Auditing Symposium on Auditing Problems, 29-53.
Branch, B. y Khizer, A. (2016), Bankruptcy practice in India. International Review of Financial Analysis, 47, 1-6.
De Llano, P., Piñeiro, C., y Rodríguez, M. (2016). Predicción del fracaso empresarial: Una contribución a la síntesis de una teoría mediante el análisis comparativo de distintas técnicas de predicción. Estudios de economía, 43(2), 163-198.
García-Marí, J. H., Sánchez-Vidal, J., y Tomaseti-Solano, E. (2016). Fracaso empresarial y efectos contagio: Un análisis espacial para España. El Trimestre Económico, 83(2), 429-449.
Giner, B. y Gill de Albornoz, B. (2013). Predicción del fracaso empresarial en los sectores de construcción e inmobiliario: Modelos generales versus específicos. Universia Business Review, 3(39), 118-131.
Graveline, J. & Kokalari, M. (2008). Credit risk. Working Paper. The Research Foundation of CFA Institute.
Grupo Enroke. (2017) ¿Qué son las PYMES? (online) Disponible en: http://www.grupoenroke.com/index.php/proyecto-pymes/46-queson-las-%20pymes (acceso 12/9/2017).
Jiménez, L., y Mauro, E. (2015). Modelo de predictibilidad de quiebra en las pymes colombianas del sector comercio. Revista Dinero.
JurgaitytÄ—, N.; PaÅ¡keviÄius, A. (2015). Reasons for bankruptcy of natural persons in Lithuania. Ekonomika, 94 (2), 144-160.
Kutner, M. H.; Nachtsheim, C. J.; Neter, J. (2004). Applied Linear Regression Models. McGraw-Hill Irwin.
López, F. J. y Pastor, I. (2015). “Bankruptcy visualization and prediction using neural networks: A study of U.S. commercial banks”. Expert Systems with Applications 42, 2857–2869.
McKee, T. E. (1990). Evaluation of Enterprise Continuity Status Via Neural Networks. Abstracts of the Thirteenth Annual Congress of the European Accounting Association, 72.
Paradi, J. C., Asmild, M. y Simak, P. C. (2004). Using DEA and Worst Practice DEA in Credit Risk Evaluation. Journal of Productivity Analysis, 21(2), 153-165.
Park, C. S. y Han, I. (2002). A Case-Based Reasoning with the Feature Weights Derived by Analytic Hierarchy Process for Bankruptcy Prediction. Expert Systems with Applications, 23(3), 255-264.
Peña, M. (2013). “La importancia del análisis de la trayectoria empresarial bajo dos dimensiones: posición económica y financiera en las empresas ecuatorianas”. Revista Retos, 5, 96-104.
Real Academia Española: Diccionario de la lengua española, Ed. Espasa Calpe, 23 ª Edición, Madrid, 2014.
Rybárová, D., Braurová, M. y JantoÅová, L. (2016). Analysis of the construction industry in the Slovak. Procedia-Social and Behavioral Sciences, 230, 298-306.
Romero, F. (2013). Variables financieras determinantes del fracaso empresarial para la pequeña y mediana empresa en Colombia: análisis bajo modelo Logit. Pensamiento & Gestión, (34), 235-277.
Sartori, F., Mazzucchelli, A., y Di Gregorio, A. (2016). Bankruptcy Forecasting Using Case-Based Reasoning: the creperie Approach. Expert Systems with Applications, 64, 400-411.
Shuai, J. J. y Li, H. L. (2005). Using rough set and worst practice DEA in business failure prediction. In: Rough sets, fuzzy sets, data mining, and granular computing. Springer Berlin Heidelberg, 503-510.
Tascón, M. T. y Castaño, F. J. (2012). Variables y modelos para la identificación y predicción del fracaso empresarial: revisión de la investigación empírica reciente. Revista de Contabilidad-Spanish Accounting Review, 15(1), 7-58.
The World Bank (2013). Foro Mundial de Jueces- País Ecuador
Tinoco, M. H., y Wilson, N. (2013). Financial distress and bankruptcy prediction among listed companies using accounting, market and macroeconomic variables. International Review of Financial Analysis, 30, 394-419.
Vera-Colina, M. A.; Melgarejo-Molina, Z. A. y Mora-Riapira, E. H. (2014). Acceso a la financiación en Pymes colombianas: una mirada desde sus indicadores financieros. Innovar, 24(53), 149-160.
Villanueva, J., García-Benau, M. A. y Zorio, A. (2014). Análisis de los grupos cotizados españoles mediante técnicas fuzzy. Revista Electrónica de Comunicaciones y Trabajos de Asepuma, Rect@, 15(2), 125-138.