Revista de Métodos Cuantitativos para la

Economía y la Empresa
E-ISSN: 1886-516X
[email protected]
Universidad Pablo de Olavide
España

García-Gallego, Ana; Mures-Quintana, María-Jesús

La muestra de empresas en los modelos de predicción del fracaso: influencia en los resultados de
clasificación
Revista de Métodos Cuantitativos para la Economía y la Empresa, vol. 15, junio, 2013, pp. 133-150
Universidad Pablo de Olavide
Sevilla, España

Disponible en: http://www.redalyc.org/articulo.oa?id=233127547008

Cómo citar el artículo

Número completo
Sistema de Información Científica
Más información del artículo Red de Revistas Científicas de América Latina, el Caribe, España y Portugal
Página de la revista en redalyc.org Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
 ==111
== REVISTA DE ,MÉTODOS CUANTITATIVOS PARA

e , v , , , .111 111 -
- LA ECONOMIA y LA EMPRESA (15). Páginas 133-150.
Junio de 2013. ISSN: 1886-516X. D.L: SE-2927-06.
URL: http://www.upo.es/RevMetCuant/art.php?id=73

La muestra de empresas
en los modelos de predicción del fracaso:
influencia en los resultados de clasificación
GARCÍA-GALLEGO, ANA
Departamento de Economía y Estadística, Universidad de León (España)
Correo electronlCO: [email protected]

MURES-QUINTANA, MARÍA-JESÚS
Departamento de Economía y Estadística, Universidad de León (España)
Correo electrónico: rnj.rnures©unileon.es

RESUMEN
El objetivo de este artículo es la obtención de sendos modelos de predicción
del fracaso empresarial en una muestra emparejada y otra aleatoria de
pequeñas y medianas empresas con domicilio en Castilla y León (España),
a fin de determinar si el poder predictivo de los modelos elaborados está
afectado por el método utilizado para seleccionar la muestra objeto de cada
estudio. Para ello, consideramos como variables independientes un con-
junto de ratios financieros, que reducimos a partir de la aplicación previa
de un análisis de componentes principales. Mediante regresión logística,
identificamos los factores que mejor predicen el fracaso en ambas muestras,
observándose diferencias no solo en las variables significativas, sino también
en los resultados de clasificación, lo que confirma la influencia del método
de muestreo en los modelos

Palabras clave: fracaso empresarial; ratios financieros; muestreo; regresión

logística; predicción.
Clasificación JEL: C35; C53; C83; G33.
MSC2010: 62D05; 62H25; 62J12; 91G50.

Articulo reCibido el 16 de diCiembre de 2012 y aceptado el 21 de mayo de 2013.

133
 The Sample of Firms
in Business Failure Prediction Models:
Infl uence on Classification Results

ABSTRACT

This paper focuses on the development of both failure prediction models on

a paired sample and a random sample of small and medium-sized firms with
head offices located in the region of Castilla y León (Spain), in order to prove
if the predictive power of the developed models is affected by the method
used to derive the sample aim of each study. To estimate both models, we
consider a set of financial ratios as independent variables in each one, which
is first reduced by the application of a principal components analysis. Next,
a logistic regression analysis is applied to identify those variables that best
explain and predict failure in the two samples, where differences in the sig-
nificant variables and the c1assification results are observed, which confirms
the infiuence of the sampling method on the business failure prediction re-
Sii.l.tS:

Keywords: business failure; financial ratios; sampling; logistic regression;

predlctlon.
J EL c1assification: C35; C53; C83; G33.
MSC2010: 62D05; 62H25; 62J12; 91G50.
1. INTRODUCCIÓN

La elaboración de modelos de predicción del fracaso empresarial constituye un importante campo de

investigación dentro de la literatura contable y financiera, que ha pasado a ser de máxima actualidad
en los últimos tiempos, debido a la importante crisis económica y financiera que afecta a muchos
países en Europa y el resto del mundo. El origen de esta línea de investigación se sitúa en los trabajos
de Beaver (1966) y Altman (1968), que se consideran como pioneros en este campo (Altman, 1984).
Partiendo de ambos estudios como base, un gran número de investigadores han desarrollado sus
propios modelos, utilizando un amplio conjunto de ratios financieros como variables independientes
en modelos estadísticos obtenidos aplicando una variedad de métodos, con el fin de predecir el fracaso
empresarial. Beaver (1966) desarrolló su estudio desde un punto de vista univariante lo que, a pesar de
su importancia como punto de partida de esta línea de investigación, presenta el inconveniente de no
tener en cuenta las posibles relaciones entre variables. Por este motivo, Altman (1968) complementó
su trabajo, mediante la aplicación de análisis multivariante, en concreto, del análisis discriminante.
Esta metodología ha sido utilizada en una considerable relación de estudios publicados durante la
década de los setenta y ochenta del s. XX, no solo en los Estados Unidos (Deakin, 1972; Edmister, 1972;
Blum, 1975; Elam, 1975), sino también en otros países en Europa. Fue precisamente a finales de los
setenta y principios de los ochenta cuando la investigación sobre fracaso empresarial comenzó en el
Reino Unido, que fue el primer país europeo en desarrollar esta línea y cuyo máximo exponente es
Taffler (1982). Otros países donde se desarrolló una importante corriente de investigación en la década de
los ochenta y a principios de los noventa son España (Laffarga et al., 1985) y Finlandia (Laitinen, 1991).
A pesar de su extensa utilización, el análisis discriminante presenta algunos inconvenientes
relativos a las hipótesis exigidas para su aplicación, por lo que la investigación sobre fracaso
empresarial evolucionó hacia otras técnicas estadísticas menos exigentes (Jones, 1987; Hossari, 2007).
Así, en los ochenta Ohlson (1980) y Zmjiewski (1984) fueron los pioneros en la aplicación del análisis
logit y probit, respectivamente, en la predicción del fracaso empresarial. No obstante, la utilización de
estos modelos de probabilidad condicional no se limitó a trabajos estadounidenses, sino que los
estudios fueron ampliados por investigadores británicos (Peel et al., 1986), fineses (Laitinen y
Laitinen, 1998) y españoles (Pina, 1989), como había ocurrido con la aplicación del análisis
discriminante. Junto a estos países, Grecia, a principios de la década de los noventa, asistió al
nacimiento de una importante escuela de investigación sobre fracaso empresarial (Theodossiou, 1991).
Durante los noventa y la primera década del siglo XXI, los métodos estadísticos, en especial el análisis
discriminante y la regresión logística, han continuado aplicándose en la predicción del fracaso
empresarial (Dimitras et al., 1996; Balcaen y Ooghe, 2006). Sin embargo, debido a los avances en la
informática, se han introducido en este campo nuevas técnicas procedentes de la inteligencia artificial,
como las redes neuronales (Odom y Sharda, 1992) y la metodología rough set (Slowinski y
Zopounidis, 1995). Además, como estas técnicas carecen de una base estadística, también se ha

135
desarrollado una línea de investigación que compara dichas metodologías con los métodos estadísticos
tradicionales (Cybinski, 2001) en cuanto a su capacidad para predecir el fracaso empresarial (Altman
et al., 1994; Dimitras et al., 1999; Charitou et al., 2004).
Al mismo tiempo que se ha producido una evolución en la metodología estadística utilizada
para estimar los diferentes modelos sobre fracaso empresarial, también se ha observado una tendencia
similar en cuanto a las variables explicativas del fracaso. Así, los primeros modelos utilizaban solo
información contable en forma de ratios financieros correspondientes a un cierto número de años
(Keasey y Watson, 1991; Dimitras et al., 1996; Balcaen y Ooghe, 2006). Sin embargo, debido a que el
fracaso es un proceso continuo, algunos investigadores incluyeron entre las variables explicativas del
fracaso medidas de estabilidad o variación en el tiempo de los ratios financieros (Keasey y Watson,
1991; Dimitras et al., 1996), entre los que podemos citar a Blum (1974) o Betts y Belhoul (1987). Por
otro lado, además de los ratios financieros, que son variables propias de la empresa, también es
necesario incluir en los modelos factores que reflejan las condiciones macroeconómicas en que las
empresas desarrollan su actividad (Keasey y Watson, 1991; Dimitras et al., 1996; Cybinski, 2001),
aunque son relativamente pocos los estudios que han incorporado información sobre el entorno
externo (Cybinski, 2001), como el de Laitinen y Laitinen (1998). A este respecto, Trujillo-Ponce et al.
(2013) señalan que la información contable y la basada en el mercado son complementarias en cuanto
a la explicación del riesgo de crédito. Respecto a la predicción del fracaso empresarial, Altman (1968)
consideró en su modelo datos de mercado mediante la inclusión del valor de mercado de las acciones.
En el mismo sentido, Mures-Quintana y García-Gallego (2012) indican que la información externa a la
empresa contribuye a mejorar la capacidad predictiva de los modelos de fracaso empresarial sobre los
que incluyen solo ratios financieros.
Un rasgo común a la mayoría de estudios previos es la utilización de una muestra emparejada
formada por el mismo número de empresas fracasadas y no fracasadas (Keasey y Watson, 1991;
O’Leary, 1998; Laffarga y Mora, 1998; Balcaen y Ooghe, 2006; Gómez et al., 2008). No obstante,
este tipo de muestra tiene el inconveniente de no ser representativa de la población de la que es
seleccionada, puesto que este método de muestreo no respeta las verdaderas proporciones
poblacionales en la muestra, en la que el grupo de empresas fracasadas está sobredimensionado
(Dietrich, 1984). Por este motivo, los buenos resultados de clasificación obtenidos por tales modelos
han sido objeto de ciertas críticas (Palepu, 1986; Keasey y Watson, 1991; Balcaen y Ooghe, 2006).
Con este trabajo se pretende comprobar si el poder predictivo de los modelos desarrollados
con carácter previo es debido al tipo de muestra que han utilizado. Para ello, seleccionamos una
muestra emparejada y otra aleatoria de empresas de pequeño y mediano tamaño con domicilio social
en la Comunidad Autónoma de Castilla y León (España) con las que desarrollamos sendos modelos
logísticos, a fin de identificar las variables que mejor explican y predicen el fracaso empresarial en las
dos muestras. Para alcanzar nuestro objetivo, el presente trabajo se organiza del siguiente modo: en el
siguiente epígrafe se realiza una descripción del diseño muestral realizado, lo que exige la previa

136
definición de lo que se entiende por fracaso empresarial. En el tercer apartado hacemos referencia a los
ratios financieros que contribuyen a explicar y predecir, en su caso, el evento de interés, así como a la
selección de las variables más importantes mediante la aplicación de un Análisis de Componentes
Principales (ACP). La sección cuatro incluye la presentación e interpretación de los resultados de la
predicción en ambas muestras. El trabajo finaliza con las principales conclusiones extraídas.

2. MUESTRA DE EMPRESAS
El primer paso en la elaboración de un modelo de predicción del fracaso empresarial es la selección de
la muestra de empresas objeto del estudio. Puesto que el principal objetivo de estos modelos es
determinar las variables que mejor discriminan entre empresas fracasadas y no fracasadas, es necesario
incluir ambos grupos de empresas en la muestra elegida. Por tanto, la primera decisión a tomar es
respecto a lo que se entiende por fracaso empresarial. Una vez decidido el criterio considerado como
subrogado del fracaso empresarial, es posible identificar las empresas fracasadas y no fracasadas en la
población, al objeto de seleccionar algunas para formar parte de cada uno de los dos tipos de muestra
considerados, según el diseño muestral que describimos a continuación.

2.1 Definición de fracaso empresarial

Una de las dificultades que se plantean al elaborar modelos de predicción del fracaso empresarial es
dar una definición de lo que se entiende por una situación de fracaso. Esto es así en la medida en que
el fracaso empresarial incluye una variedad de estados con una influencia negativa en la actividad de
las empresas que pueden llevar a su desaparición final (Calvo-Flores y García, 2002). Por otro lado,
también hay una diversidad de agentes implicados en una empresa, tales como inversores, acreedores,
clientes, empleados, gestores o auditores, para los que son asimismo diferentes las consecuencias de la
desaparición de la empresa.
Todos los grupos mencionados son potenciales usuarios de un modelo predictivo del fracaso
empresarial y, debido a que éste puede tener diferentes efectos sobre ellos, también buscan una
aplicación distinta cuando utilizan el modelo para predecir el fracaso de una empresa (Keasey y
Watson, 1991). Por tanto, el acontecimiento utilizado como definición de fracaso también debería ser
distinto, atendiendo al objetivo del modelo respectivo y, por tanto, del investigador (Mora, 1995). De
hecho, una revisión de la literatura previa en este campo, comenzando con los trabajos mencionados
en el epígrafe introductorio, pone de manifiesto la utilización de diferentes definiciones de fracaso
empresarial, según su objetivo:
 La declaración formal de quiebra de una empresa o cualquier otro procedimiento legal,
atendiendo a la legislación vigente en cada país (Altman, 1968; Taffler, 1982; Laffarga et al.,
1985; Ohlson, 1980; Zmijewski, 1984; Peel et al., 1986; Pina, 1989; Theodossiou, 1991;
Odom & Sharda, 1992; Dimitras et al., 1994; Charitou et al., 2004).
 Fracaso en sentido de insolvencia, entendida como la incapacidad de la empresa para atender a
sus obligaciones a su vencimiento (Edmister, 1972; Laitinen, 1991).

137
  Una combinación de diferentes situaciones, además de las dos anteriores (Altman et al., 1994;
Laitinen y Laitinen, 1998), tales como el descubierto bancario y la falta de pago a accionistas
preferentes (Beaver, 1966; Deakin, 1972) o un acuerdo explícito con acreedores para reducir
deudas (Blum, 1974; Elam, 1975).
Como puede observarse, la mayoría de modelos previos ha utilizado una definición jurídica de
fracaso, bien quiebra o liquidación o cualesquiera otros conceptos aparecidos en las diferentes
legislaciones concursales. Aunque cada una de las definiciones señaladas pueden presentar ciertos
inconvenientes, ya que dependen de los intereses del usuario del modelo, la quiebra como subrogado
del fracaso empresarial tiene la ventaja de que es un acontecimiento legal sumamente visible que
puede, por consiguiente, ser fechado de forma objetiva (Keasey y Watson, 1991). En el mismo sentido,
Gómez et al. (2008: 91) señalan que se trata de “un hecho incuestionable y evita la dificultad de
establecer un indicador del riesgo de insolvencia aplicable a la generalidad de las empresas”. Por otro
lado, la mayoría de modelos desarrollados contiene como variables independientes para predecir el
fracaso un conjunto de ratios financieros, por lo que esta definición jurídica evitaría los problemas
planteados por el hecho de que tanto las variables predictoras como el fenómeno que tratan de predecir
estarían basados en los mismos estados financieros si se utilizara, como definición de fracaso, un
criterio más económico como el nivel de ingresos o posición de liquidez (Jones, 1987; Mora, 1994).
Por todas las razones indicadas, en nuestro estudio también consideramos una definición legal
de fracaso, como la declaración formal de uno de los tres procedimientos concursales que recoge la
legislación española: suspensión de pagos, quiebra y concurso de acreedores.

2.2 Diseño muestral

Como ya hemos mencionado, el método de muestreo más utilizado ha sido el de seleccionar la
muestra de empresas fracasadas y, a continuación, elegir el mismo número de empresas no fracasadas,
mediante su emparejamiento con las empresas fracasadas según sector económico y tamaño. Este tipo
de muestra, que Zmijewski (1984) denomina basada en el estado (state-based sample), presenta la
ventaja de asegurar un número suficientemente grande de empresas fracasadas en la muestra, ya que
hay una baja tasa de empresas que fracasan en la economía en general, en comparación con las
empresas no fracasadas. Este hecho podría implicar que una muestra seleccionada de forma aleatoria
incluyera un número muy pequeño de empresas fracasadas y una gran mayoría de empresas sanas, con
el consiguiente escaso contenido informativo de dicha muestra a efectos de estimación del modelo
(Palepu, 1986; Alfaro et al., 2008). Sin embargo, una de las críticas vertidas sobre este método de
muestreo no aleatorio es, precisamente, que no respeta las proporciones poblacionales en la muestra,
ya que el grupo de empresas fracasadas está “sobremuestreado” (Dietrich, 1984). Además, los
métodos estadísticos clásicos que utilizan los modelos de predicción del fracaso están basados en el
supuesto de un diseño muestral aleatorio (Mora, 1994; Balcaen y Ooghe, 2006). Por consiguiente, las
estimaciones de los parámetros son inconsistentes y sesgadas (Dietrich, 1984), lo que lleva a una

138
sobrestimación de la capacidad del modelo para predecir (Palepu, 1986), puesto que la tasa de error de
clasificación para las empresas fracasadas está subestimada (Balcaen y Ooghe, 2006). Por este motivo,
la muestra de empresas, al menos en una situación ideal, debería seleccionarse de forma aleatoria
(Mora, 1994; Laffarga y Mora, 1998; Gómez et al., 2008). Asimismo, la aplicación de métodos de
inferencia estadística exige que la muestra elegida sea representativa de la población de la que se
extrae. Para asegurar la representatividad de la muestra no solo es preciso aplicar un procedimiento de
muestreo aleatorio, sino que también es importante determinar el tamaño muestral adecuado (Pulido,
1992; Scheaffer et al., 2007). Cuando las estimaciones se realizan a partir de una muestra, en lugar de
la población, se comete un error llamado de muestreo o de estimación. A este respecto, puede
obtenerse el tamaño necesario para que las estimaciones que se realicen a partir de la muestra tengan
un error máximo (Pulido, 1992), teniendo en cuenta también el tamaño de la población y el nivel de
confianza fijado (Rodríguez Osuna, 1991).
Teniendo en cuenta las consideraciones anteriores y con el objetivo de comprobar
empíricamente si el ratio entre empresas fracasadas y no fracasadas en la muestra tiene impacto en la
capacidad predictiva de los modelos de predicción del fracaso empresarial, como indica O’Leary
(1998), estimamos sendos modelos predictivos en dos muestras de empresas obtenidas mediante la
aplicación de un muestreo aleatorio y por emparejamiento. Para seleccionar la muestra de empresas
objeto de nuestro estudio aplicamos un procedimiento que podríamos denominar “mixto”: mientras
que seleccionamos la totalidad de empresas fracasadas, a fin de asegurar un número suficiente de este
tipo de empresas en la muestra, en el caso de las empresas no fracasadas o sanas aplicamos un
muestreo aleatorio, determinando asimismo su tamaño en proporción al tamaño de la población total
de estas empresas, según el procedimiento que describimos a continuación. Como hemos señalado,
tomamos como ámbito geográfico del estudio la Comunidad Autónoma de Castilla y León (España),
utilizando para la recogida de información la base de batos SABI (Sistema de Análisis de Balances
Ibéricos), elaborada por la empresa INFORMA D&B en colaboración con Bureau Van Dijk. A este
respecto, es preciso indicar que en esta base de datos se incluyen aquellas empresas que depositan sus
cuentas en el Registro Mercantil y en ningún caso se consideran empresarios individuales. Por tanto,
las empresas que, según la normativa específica, no están obligadas a presentar sus cuentas en un
registro público no estarán incluidas en la base de datos, en especial aquéllas que se encuentran en una
situación próxima al fracaso que, por consiguiente, no querrán hacer pública si no existe la obligación
de registrar sus cuentas, con las limitaciones que esta situación puede provocar respecto a la población
de empresas incluidas en la base de datos utilizada como fuente de información.
El primer paso en la selección de la muestra consistió, precisamente, en la identificación de la
población total de empresas en la base, para lo cual se fijó, como requisito previo, la disponibilidad en
la misma de estados financieros para tres ejercicios consecutivos. En concreto, para las empresas
fracasadas, se consideraron los inmediatamente anteriores a la fecha del fracaso, que es el estado en
que se encuentran este grupo de empresas. En cuanto a las empresas sanas, por razones de coherencia

139
temporal, consideramos los tres ejercicios más recientes (Betts y Belhoul, 1987; Mar-Molinero y
Ezzamel, 1991), por coincidir con los últimos anteriores a la situación en que se encuentra la empresa,
en este caso en funcionamiento o situación activa. Dada la demora que se produce desde la
finalización de un ejercicio contable hasta que se realiza la presentación y publicación de las cuentas
anuales correspondientes a ese ejercicio y con el fin de no trabajar con un periodo que incluyera
ejercicios anteriores y posteriores a la crisis financiera, lo que podría distorsionar los resultados,
fijamos como criterio temporal del estudio los ejercicios anteriores al año 2007. De este modo,
consideramos como ejercicios económicos para las empresas sanas los cerrados a 31 de diciembre de
2004, 2005 y 2006, que coincidían también para la mayoría de empresas fracasadas, aunque en el caso de
algunas el periodo analizado correspondía a ejercicios cerrados con anterioridad, que eran los últimos
que habían sido publicados, ya que es práctica común de las empresas con problemas financieros que
no presenten sus cuentas en los registros oficiales a medida que ven acercarse el fracaso.
Teniendo en cuenta los criterios señalados, la población total de empresas en la base de datos
resultó en 41.584 compañías. Considerando la definición legal de fracaso empresarial, 59 del total de
empresas aparecían en la base de datos como quebradas, en suspensión de pagos o en estado de
concurso. Todas fueron seleccionadas para formar el grupo de empresas fracasadas en ambas
muestras, dado la baja tasa de fracaso en la población (un 0,14%), a fin de asegurar un número
suficiente de empresas fracasadas en relación con las sanas (Gómez et al., 2008) y de superar, por
tanto, el inconveniente señalado por Palepu (1986) respecto al contenido informativo de la muestra
objeto de estudio. En el mismo sentido, Keasey y Watson (1991) señalan la idoneidad de utilizar un
procedimiento aleatorio cuando se trata de seleccionar la muestra control de empresas sanas, propuesta
que también recogen Gómez et al. (2008).
Para formar la muestra aleatoria de empresas no fracasadas, partimos de la población de este
tipo de empresas en la base de datos, que resultó en 41.525 compañías. Para determinar el tamaño
muestral correspondiente a este grupo, aplicamos la fórmula adecuada teniendo en cuenta el número
de individuos en la población, N, y el error máximo que se desea cometer, :

/
1 /

siendo p la proporción poblacional que presenta el fenómeno en estudio y q la complementaria y

siendo / el valor crítico de la distribución normal estándar a un nivel de significación igual a , que
con carácter habitual suele tomarse igual al 5%, lo que lleva a un valor crítico de la distribución
normal estándar de 1,96. Por otro lado, dado que, por lo general, se desconoce el valor de p, suele
fijarse el supuesto de que las proporciones poblacionales son iguales, es decir, p=q=0,5, lo que implica
la determinación de un tamaño muestral conservador, por lo que la fórmula anterior se reduce a la
siguiente:

1 1

140
 Tabla 1. Muestra aleatoria de empresas
EMPRESAS EMPRESAS
SECTOR
FRACASADAS NO FRACASADAS
Código
Actividad Número Porcentaje Número Porcentaje
CNAE–93
Agricultura 01 5 8,5 14 3,55
14 2 3,4 4 1
15 6 10 16 4
17 1 1,7 1 0,25
18 1 1,7 3 0,75
20 2 3,4 8 2
Industria

22 1 1,7 5 1,25
24 2 3,4 2 0,5
26 2 3,4 5 1,25
28 1 1,7 9 2,3
30 1 1,7 1 0,25
34 1 1,7 1 0,25
36 2 3,4 4 1
Construcción 45 12 20,3 85 21,5
50 1 1,7 24 6,1
51 4 6,8 50 12,6
52 7 11,9 40 10,1
Servicios

55 1 1,7 28 7,1
63 1 1,7 6 1,5
70 2 3,4 48 12,1
74 2 3,4 30 7,6
80 1 1,7 5 1,25
85 1 1,7 7 1,8
Total 59 100 396 100
Fuente: elaboración propia

Para un error máximo de estimación del 5% y considerando la población de 41.525 empresas

sanas, el tamaño muestral resultante aplicando dicha fórmula fue de 396 empresas. Con el fin de tener
en cuenta las características y peculiaridades de los diferentes sectores económicos identificados en la
población, según el código establecido por la Clasificación Nacional de Actividades Económicas
(CNAE-93), estas compañías fueron seleccionadas dentro de los mismos sectores en que operaban las
empresas fracasadas previamente identificadas, atendiendo al tamaño poblacional en cada sector,
mediante la aplicación de un muestreo estratificado aleatorio (Bell, 1997). Un resumen de la muestra
aleatoria de empresas seleccionada para nuestro estudio se recoge en la Tabla 1.
Por último, para obtener la muestra por emparejamiento, cada una de las empresas fracasadas
fue emparejada con una empresa sana seleccionada al azar entre las elegidas para la muestra aleatoria
dentro de cada sector, resultando una muestra total de 108 compañías, la mitad perteneciente a cada grupo.

3. VARIABLES EXPLICATIVAS DEL FRACASO EMPRESARIAL

Para obtener un modelo de predicción del fracaso empresarial, es necesario considerar un conjunto de
variables que expliquen tal evento y, por consiguiente, contribuyan a predecir el posible fracaso de una
empresa. El fracaso empresarial, obviamente, depende en mayor medida de la actividad que
desarrollan las empresas, que a su vez aparece reflejada en la información publicada en sus respectivos

141
estados financieros. Una forma más fácil de tratar toda la información contenida en dichos estados
consiste en calcular ratios financieros que relacionan diferentes partidas contables (Laffarga y Mora,
1998), por lo que la mayoría de modelos han incluido como variables independientes para predecir el
fracaso una variedad de ratios financieros que describen la actividad desarrollada por las empresas. Tal
como señalan Trujillo-Ponce et al. (2013), las variables contables siguen jugando un papel más
importante que otras variables de mercado. Sin embargo, debido a la ausencia de una teoría sobre
fracaso empresarial (Scott, 1981; Jones, 1987; Balcaen y Ooghe, 2006; Gómez et al., 2008; Labatut et
al., 2009), la selección de ratios financieros por parte de los investigadores ha sido eminentemente
empírica, lo que ha supuesto un amplio listado de ratios potencialmente explicativos del fracaso
empresarial (Gómez et al., 2008; Labatut et al., 2009). Por este motivo y a fin de reducir su número,
antes de estimar los modelos predictivos en las dos muestras seleccionadas, aplicamos un Análisis de
Componentes Principales (ACP) sobre el listado inicial de ratios, con el que tratamos de seleccionar
aquellos con mayor poder explicativo respecto al fenómeno en estudio.

3.1 Ratios financieros

Partiendo del hecho de que la información extraída de los estados financieros refleja la actividad de la
empresa y que dicha información es el principal factor que influye en su posible fracaso en el futuro,
las variables independientes incluidas en los modelos de predicción desarrollados han consistido en
ratios financieros que miden diferentes aspectos de la actividad empresarial. Como hemos indicado, si
bien la elección de ratios debería basarse en una teoría económica de las relaciones entre el proceso de
fracaso y las variables potencialmente explicativas, la selección ha sido básicamente empírica. Es
decir, los investigadores han elegido los ratios para sus respectivos estudios sobre la base de su
popularidad en la literatura y su frecuencia y nivel de significación en los estudios previos sobre
fracaso empresarial, en la línea iniciada por Beaver (1966). En el mismo sentido (Laffarga y Pina,
1995; Alfaro et al., 2008), para la selección de los ratios financieros a incluir en nuestro estudio hemos
considerado aquellos ratios que han sido utilizados (y además resultaron significativos) en varios de
los modelos desarrollados con anterioridad, con especial consideración a los de Beaver (1966) y
Altman (1968). De este modo, reducimos en cierta medida el amplio listado de potenciales ratios
financieros a considerar. Un último criterio tenido en consideración para la selección final de ratios ha
sido la disponibilidad de información para las empresas de la muestra (Alfaro et al., 2008), puesto que
los ratios se calculan para el periodo de tres años que comprende el estudio. En concreto, la
información correspondiente a los ratios financieros se recogió para el periodo de tres ejercicios
anteriores al momento del fracaso, en el caso de las empresas fracasadas, y los tres últimos ejercicios
de actividad a la fecha de la recogida de información, para las empresas sanas.
El listado final está compuesto por 27 ratios financieros, clasificados en los tradicionales
grupos de liquidez, rentabilidad, endeudamiento y solvencia, rotación y actividad, recursos generados
y estructura, tal como se puede observar en la Tabla 2, donde aparece la codificación utilizada para los

142
diferentes ratios, junto con su respectiva definición. A su vez, hemos añadido una columna con la
influencia de cada ratio en el fenómeno del fracaso empresarial, indicando el signo esperado del
coeficiente estimado para cada variable significativa en los modelos obtenidos mediante regresión
logística, que es la metodología aplicada en el trabajo.

Tabla 2. Ratios financieros utilizados como variables independientes

Signo
Grupo Etiqueta Definición
esperado
RCI Ratio de circulante o liquidez general: Activo circulante / Pasivo circulante –
PAC Prueba ácida: (Activo circulante  Existencias) / Pasivo circulante –
Liquidez LIQ Liquidez inmediata: Disponible (Tesorería) / Pasivo circulante –
CCA Capital circulante: Capital circulante / Activo total –
CCFO Capital circulante: Capital circulante / Fondos propios –
ROA Rentabilidad económica: Resultado del ejercicio / Activo total +/–
ROE Rentabilidad financiera: Resultado del ejercicio / Fondos propios +/–
Rentabilidad Rentabilidad sobre fondos de accionistas: Resultado antes de impuestos /
REAC +/–
Fondos propios
ROAII Rentabilidad económica: Resultado antes de impuestos / Activo total +/–
REP Nivel de endeudamiento: Pasivo exigible / Activo total +
Endeudamiento y solvencia

RECP Endeudamiento a corto plazo: Pasivo circulante / Activo total +

RELP Endeudamiento a largo plazo: Pasivo fijo / Activo total +
NPA Autonomía financiera (solvencia): Fondos propios / Activo total –
FPPC Fondos propios / Pasivo circulante –
Cobertura de inmovilizado o equilibrio: (Fondos propios + Pasivo fijo) /
EQUI –
Activo fijo
CCF Cobertura de cargas financieras: Resultado de explotación / Gastos financieros +
Cobertura de cargas financieras: Gastos financieros / Importe neto cifra
GFV +
de ventas
RAC Rotación de activo: Importe neto de la cifra de ventas (INCV) / Activo total –
Rotación y Var(INCV) Crecimiento de la cifra de ventas: INCVt / INCVt–1 –
actividad CCV Capital circulante / Importe neto de la cifra de ventas –
PPAG Rotación de activo circulante: Activo circulante / Ingresos de explotación +
CFAT Recursos generados sobre estructura económica: Cash-flow / Activo total –
Recursos CFDT Capacidad de devolución de la deuda: Cash-flow / Pasivo exigible –
generados Capacidad de devolución de la deuda a corto plazo: Cash-flow / Pasivo
CFPC –
circulante
AC Activo circulante / Activo total +
Estructura AF Activo fijo / Activo total –
TES Tesorería / Activo total –
Fuente: elaboración propia

3.2 Selección de variables: Análisis de Componentes Principales (ACP)

Una última etapa con respecto a la selección de las variables a incluir en los modelos predictivos
consiste en la aplicación de un ACP, cuyo objetivo es la reducción del amplio listado de ratios
financieros a un número más reducido de factores con un alto poder explicativo del fracaso
empresarial. Con ello se consigue, además, evitar la redundancia de la información utilizada en los
modelos, así como los problemas de multicolinealidad que pueden presentarse (Lizarraga, 2002).
En cada una de las dos muestras, el ACP se aplicó sobre los 27 ratios iniciales, referidos al
último año del periodo en estudio. Una vez comprobado el cumplimiento de las hipótesis del ACP, el
procedimiento se desarrolló en varios pasos, en los que aquellos ratios poco correlacionados con los

143
factores extraídos se fueron eliminando de manera sucesiva. Además, con el fin de incrementar el
porcentaje de varianza explicada por los factores, los ratios que contienen información redundante
también fueron eliminados del análisis. Todo el procedimiento se realizó con el software estadístico
SPAD 6.0.
En ambas muestras, seis factores fueron finalmente retenidos. En la muestra aleatoria, los seis
factores explican el 85,02% de la información original proporcionada por los 27 ratios financieros,
mientras que en la emparejada, el porcentaje de varianza explicada es del 73,36%. De los 27 ratios
financieros, 15 ratios en la muestra aleatoria y 20 en la emparejada están fuertemente correlacionados
con los factores extraídos. Estas correlaciones entre factores y ratios financieros nos permiten dar una
descripción a los diferentes factores, tal como se muestra en la Tabla 3.

Tabla 3. Factores extraídos por el ACP y ratios que los caracterizan

MUESTRA
Aleatoria Emparejada
Liquidez (RCI LIQ PAC)
Estructura de pasivo (NPA CFAT RECP)
Rentabilidad económica (ROA)
Cash-Flow (CFDT CFPC)
Posición de circulante (AC)
Rotación (GFV CCV) Fondos propios (ROE CCFO)
Capital circulante (CCA CCV CCFO)
Fuente: elaboración propia

Varios factores son comunes a ambas muestras. Se trata de los factores que describen aspectos
como liquidez, estructura del pasivo, rentabilidad económica, cash-flow y posición de circulante de las
empresas en cada muestra. Sin embargo, también se observan algunas diferencias. En la muestra
aleatoria, identificamos un factor específico que describe la rotación, en cuanto que se correlaciona
con los ratios de gastos financieros (GFV) y capital circulante (CCV) sobre ventas. En la muestra
emparejada, se extraen dos factores importantes que miden aspectos relacionados con fondos propios y
capital circulante, como indican los ratios correlacionados con dichos factores.

4. RESULTADOS DE LA PREDICCIÓN
Con el fin de predecir el fracaso empresarial de las empresas en las dos muestras seleccionadas,
aplicamos el análisis de regresión logística, puesto que se trata de uno de los métodos estadísticos más
utilizados en este campo y presenta la ventaja de ser menos exigente respecto a las hipótesis requeridas
para su aplicación, como ocurre con el análisis discriminante (Keasey y Watson, 1991). En concreto,
se evita el problema relativo a las propiedades distributivas de las variables predictoras (Hossari,
2007), cuyo efecto puede evaluarse de forma individual a través de los coeficientes estimados
(Zavgren, 1983). Por otro lado, permite obtener la probabilidad de ocurrencia de un suceso, cuya
interpretación es más intuitiva que la puntuación resultante del análisis discriminante (Hossari, 2007).

144
 Para estimar los modelos, consideramos como variables independientes para entrar en los
mismos los ratios correlacionados con los seis factores extraídos por el ACP. Además, para evitar el
inconveniente de estimar un modelo para cada uno de los tres ejercicios del periodo en estudio,
decidimos incluir las variables medidas en los tres años. En este caso, utilizamos el software
estadístico SPSS 19 para obtener los diferentes modelos. Los resultados obtenidos para la muestra
aleatoria se muestran en la Tabla 4. Considerando el test de razón de verosimilitud, utilizado para la
selección de variables, ocho ratios financieros entraron en el modelo, aunque el estadístico de Wald
correspondiente a ROA no es significativo. Las otras variables significativas son la proporción de
activo circulante (AC) y de capital circulante (CCA) sobre activo total y el porcentaje de cash-flow
sobre deuda total (CFDT), referidos al último año previo al fracaso, junto con dos ratios obtenidos dos
años antes: la proporción de fondos propios (NPA_1) y de cash-flow (CFAT_1) sobre activo total. El
modelo se completa con el ratio de liquidez medido el primer (LIQ) y el tercer (LIQ_2) ejercicios
anteriores al momento del fracaso.

Tabla 4. Modelo de regresión logística (muestra aleatoria)

Intervalo de confianza para
Test de odds ratio (95%)
Variable Coeficiente p-valor Odds ratio
Wald
Inferior Superior
LIQ_2 –5,162 7,403 0,007 0,006 0,000 0,236
ROA 0,003 0,476 0,490 1,003 0,995 1,010
LIQ –5,658 5,302 0,021 0,003 0,000 0,431
AC 0,093 14,131 0,000 1,097 1,045 1,152
NPA_1 0,029 7,963 0,005 1,029 1,009 1,050
CCA –10,380 17,209 0,000 0,000 0,000 0,004
CFAT_1 –8,830 8,473 0,004 0,000 0,000 0,056
CFDT –7,995 12,668 0,000 0,000 0,000 0,028
Constante –1,065 2,783 0,095 0,345 – –
Fuente: elaboración propia

Como puede observarse, las variables que han resultado significativas en el modelo estimado
sobre la muestra aleatoria de empresas miden fundamentalmente diferentes aspectos de liquidez y
circulante, así como la capacidad de la empresa para generar recursos de forma interna. Además, todas
las variables, excepto AC y NPA_1, tienen una influencia positiva sobre el fracaso empresarial, ya que
las odds ratio correspondientes a estas variables son inferiores a uno, lo que significa que un
incremento en el valor de cada variable implica una reducción en la odds ratio de la probabilidad de
fracaso. Si comparamos estos resultados con la influencia que a priori se esperaba de cada uno de los
ratios financieros sobre el fenómeno del fracaso empresarial que se muestra en la Tabla 2, se observa
que hay una divergencia en el signo del coeficiente asociado a NPA_1. Puesto que el ratio mide la
proporción de fondos propios sobre activo total, se espera que cuanto mayor sea este ratio, menor será
la probabilidad de fracaso, al disponer de mayores recursos propios con los que responder a las
deudas. Sin embargo, en este caso la odds ratio correspondiente a esta variable es mayor que uno,
indicando una mayor probabilidad de fracaso, lo que podría explicarse por el hecho de que los

145
recursos propios obtenidos de los accionistas en un determinado ejercicio tienen que devolverse en el
siguiente en forma de dividendos, influyendo negativamente en la probabilidad de que la empresa fracase.
Por su parte, en la muestra emparejada el número de variables que entran en el modelo
estimado es seis, por resultar significativas en la explicación y predicción del fracaso empresarial,
como indica el p-valor asociado a cada ratio financiero que se muestra en la Tabla 5. No obstante, la
rotación de gastos financieros sobre ventas (GFV) es sólo significativa a un nivel del 10%. De hecho,
el intervalo de confianza obtenido para la odds ratio a un nivel del 95% incluye el valor nulo igual a
uno, que indica que la variable en cuestión no tiene influencia en la probabilidad de fracaso.

Tabla 5. Modelo de regresión logística (muestra emparejada)

Intervalo de confianza para
Test de odds ratio (95%)
Variable Coeficiente p-valor Odds ratio
Wald
Inferior Superior
NPA –0,042 5,117 0,024 0,959 0,925 0,994
TES_2 –15,915 8,729 0,003 0,000 0,000 0,005
CCFO –0,223 6,190 0,013 0,800 0,671 0,954
ROE –0,011 7,274 0,007 0,989 0,981 0,997
CFDT_1 –12,082 5,128 0,024 0,000 0,000 0,197
GFV 0,157 3,499 0,061 1,170 0,993 1,379
Constante 3,377 10,997 0,001 29,280 – –
Fuente: elaboración propia

El resto de variables son la proporción de fondos propios sobre activo total (NPA), el
porcentaje de capital circulante sobre fondos propios (CCFO) y la rentabilidad financiera (ROE),
medidos el último año anterior al fracaso, además de la proporción de cash-flow sobre deuda total
(CFDT_1) el segundo ejercicio previo y el ratio de disponible sobre activo total (TES_2) referido al
tercer año anterior al momento del fracaso. Aunque estas dos variables son significativas en el modelo,
puede observarse que algunos aspectos relacionados con los fondos propios son importantes en esta
muestra a efectos de evitar el fracaso. En todo caso, para todas las variables incluidas en el modelo las
odds ratio (y los intervalos de confianza estimados para cada ratio financiero) son inferiores a uno, lo que
muestra su influencia positiva en el fenómeno del fracaso empresarial, tal como se esperaba a priori.
Teniendo en cuenta los ratios significativos en los dos modelos logísticos estimados, cada
empresa, en las dos muestras consideradas, fue clasificada en uno de los dos grupos de empresas
atendiendo a su probabilidad de fracaso. Los resultados de clasificación obtenidos se muestran en la
Tabla 6.
Tabla 6. Resultados de clasificación
Muestra
Empresas
Aleatoria Emparejada
Fracasadas 43,48% 91,11%
No fracasadas 99,59% 75%
Total 90,69% 83,95%
Fuente: elaboración propia

146
 El porcentaje total de clasificación correcta es similar en ambas muestras, aunque ligeramente
superior en la muestra aleatoria, puesto que casi el 91% de las empresas en esta muestra son
correctamente clasificadas, frente al 84% de empresas en la muestra emparejada. Por consiguiente,
podemos indicar que la diferente composición de empresas pertenecientes a cada grupo en las dos
muestras no tiene una gran influencia en la tasa total de aciertos. Sin embargo, podemos observar
ciertas diferencias en cuanto a la clasificación dentro de cada grupo. Por un lado, el porcentaje de
clasificación correcta para el grupo de empresas no fracasadas, cuando se considera una empresa
emparejada, ha descendido, aunque continúa siendo bastante alto. Por otro lado, el porcentaje
correspondiente a las empresas fracasadas en esta muestra se ha duplicado respecto al alcanzado en la muestra
aleatoria. Esta gran mejora en la tasa de aciertos para el grupo de empresas fracasadas se debe al incremento en
la proporción de este tipo de empresas en la muestra (50%), que implica que sea más fácil obtener una mejor
clasificación para este grupo que en la muestra aleatoria, en la que solo hay un 13% de empresas fracasadas.
En conclusión, teniendo en cuenta los resultados obtenidos en las dos muestras, puede deducirse que la
utilización de una muestra elegida mediante emparejamiento, en comparación con una muestra seleccionada
aleatoriamente, tiende a sobrestimar la capacidad predictiva de los modelos sobre fracaso empresarial.

5. CONCLUSIONES
Desde los trabajos pioneros de Beaver y Altman, diferentes métodos estadísticos, como el análisis de
regresión logística, han mostrado su capacidad para predecir el fracaso empresarial en muestras de
empresas correspondientes a diferentes periodos y países. Sin embargo, algunos de los estudios
publicados, que han utilizado una muestral emparejada de empresas fracasadas y no fracasadas para
obtener los respectivos modelos, han suscitado ciertas críticas por el hecho de basar sus resultados de
clasificación en una muestra que no es representativa de la población de la que es extraída, lo que
puede provocar resultados no válidos. En un intento por comprobar empíricamente este hecho y con
una finalidad comparativa, elegimos una muestra aleatoria y otra emparejada de empresas
pertenecientes al sector de pequeñas y medianas empresas con domicilio en la Comunidad Autónoma
de Castilla y León (España), sobre las que estimamos sendos modelos de predicción del fracaso
empresarial utilizando como variables independientes un conjunto de ratios financieros.
Con carácter previo a la estimación de los modelos mediante regresión logística, aplicamos un
análisis de componentes principales, para reducir el número de ratios financieros potencialmente
susceptibles de ser incluidos como variables independientes en cada modelo. En las dos muestras se
extrajeron seis factores, algunos de los cuales eran comunes a ambas, como los que describen aspectos
relacionados con liquidez, estructura de pasivo, rentabilidad económica, cash-flow y circulante.
Además, se obtuvieron factores específicos para cada muestra: uno de rotación, en la muestra
aleatoria, y dos relativos a fondos propios y capital circulante, en la emparejada.
Los ratios financieros correlacionados con los factores retenidos en cada muestra se
consideraron como variables independientes a incluir en los modelos logísticos, observándose algunas

147
diferencias. En la muestra aleatoria, los aspectos más importantes de cara a evitar el fracaso de una
empresa son la liquidez y la generación de recursos internos, rasgos que también resultan
significativos en la muestra emparejada, si bien en ésta también juegan un papel importante aspectos
relacionados con los fondos propios.
Además de las diferencias en las variables que definen los modelos predictivos y teniendo en cuenta el
objetivo de este trabajo, las diferencias más destacadas se observan respecto a los resultados de clasificación.
Como se había supuesto, la composición de la muestra tiene influencia en el porcentaje de empresas
correctamente clasificadas en cada una. La tasa de aciertos para las empresas fracasadas es más alta
cuando se utiliza una muestra emparejada, puesto que se incrementa la proporción de este grupo de
empresas en la muestra, mientras que el porcentaje de clasificación correcta correspondiente a las
empresas no fracasadas, si bien se ha reducido ligeramente, sigue siendo bastante alto.

REFERENCIAS
Alfaro, E., Gámez, M. y García, N. (2008) "Linear discriminant analysis versus adaboost for failure
forecasting". Revista Española de Financiación y Contabilidad, XXXVII (137), pp. 13–32.
Altman, E.I. (1968) "Financial Ratios, Discriminant Analysis and the Prediction of Corporate
Bankruptcy". The Journal of Finance, XXIII (4), pp. 589–609.
Altman, E.I. (1984) "The success of business failure models: An international survey". Journal of
Banking & Finance, 8, pp. 171–198.
Altman, E.I., Marco, G. y Varetto, F. (1994) "Corporate distress diagnosis: Comparisons using linear
discriminant analysis and neural networks (the Italian experience)". Journal of Banking &
Finance, 18, pp. 505–529.
Balcaen, S. y Ooghe, H. (2006) "35 years of studies on business failure: an overview of the classical statistical
methodologies and their related problems". The British Accounting Review, 38 (1), pp. 63–93.
Beaver, W.H. (1966) "Financial Ratios as Predictors of Failure". Journal of Accounting Research,
Supplement to Vol. 4: Empirical Research in Accounting: Selected Studies, pp. 71–111.
Bell, T.B. (1997) "Neural Nets or the Logit Model? A Comparison of Each Model's Ability to Predict
Commercial Bank Failures", Intelligent Systems in Accounting, Finance and Management, 6,
pp. 249-264.
Betts, J. y Belhoul, D. (1987) "The effectiveness of incorporating stability measures in company
failure models", Journal of Business Finance & Accounting, 14 (3), pp. 323-333.
Blum, M. (1974) "Failing Company Discriminant Analysis". Journal of Accounting Research, Spring, pp. 1–25.
Calvo-Flores, A. y García, D. (2002) "Relación entre la posición económica y financiera de la empresa
y los estados de fracaso empresarial". Doldán, F. y Rodríguez, M. (Coords.) La Gestión del
Riesgo de Crédito. Métodos y Modelos de Predicción de la Insolvencia Empresarial. Madrid:
Ed. AECA Monografías, pp. 47–71.
Charitou, A., Neophytou, E. y Charalambous, C. (2004) "Predicting Corporate Failure: Empirical
Evidence for the UK". European Accounting Review, 13 (3), pp. 465–497.
Cybinski, P. (2001) "Description, Explanation, Prediction –the Evolution of Bankruptcy Studies?".
Managerial Finance, 27 (4), pp. 29–44.

148
Deakin, E.B. (1972) "A Discriminant Analysis of Predictors of Business Failure". Journal of
Accounting Research, Spring, pp. 161–179.
Dietrich. J.R. (1984) "Discussion of Methodological Issues Related to the Estimation of Financial
Distress Prediction Models". Journal of Accounting Review, 22, Studies on Current
Econometric Issues in Accounting Research, pp. 83–86.
Dimitras, A.I., Slowinski, R., Susmaga, R. y Zopounidis, C. (1999) "Business failure prediction using
rough sets". European Journal of Operational Research, 114 (2), pp. 263–280.
Dimitras, A.I., Zanakis, S.H. y Zopounidis, C. (1996) "A survey of business failures with an emphasis
on prediction methods and industrial applications". European Journal of Operational
Research, 90 (3), pp. 487–513.
Edmister, R.O. (1972) "An empirical test of financial ratio analysis for small business failure
prediction". Journal of Financial and Quantitative Analysis, 7, pp. 1477–1493.
Elam, R. (1975) "The Effect of Lease Data on the Predictive Ability of Financial Ratios". The
Accounting Review, 50 (1), pp. 25–43.
Gómez, M.E., de la Torre, J.M. y Román, I. (2008) "Análisis de sensibilidad temporal en los modelos
de predicción de insolvencia: una aplicación a las PYMES industriales". Revista Española de
Financiación y Contabilidad, XXXVII (137), pp. 85–111.
Hossari, G. (2007) "Benchmarking New Statistical Techniques in Ratio-Based Modelling of Corporate
Collapse", International Review of Business Research Papers, 3 (3), pp. 141–161.
Jones, F.L. (1987) "Current Techniques in Bankruptcy Prediction". Journal of Accounting Literature,
6, pp. 131–164.
Keasey, K. y Watson, R. (1991) "Financial Distress Prediction Models: A Review of Their
Usefulness". British Journal of Management, 2 (2), pp. 89–102.
Labatut, G., Pozuelo, J. y Veres, E.J. (2009) "Modelización temporal de los ratios contables en la
detección del fracaso empresarial de la PYME española". Revista Española de Financiación y
Contabilidad, XXXVIII (143), pp. 423–447.
Laffarga, J., Martín, J.L. y Vázquez, M.J. (1985) "El análisis de la solvencia en las instituciones
bancarias: Propuesta de una metodología y aplicaciones a la Banca española". ESIC–
MARKET, 48, pp. 51–73.
Laffarga, J. y Mora, A. (1998) "Los modelos de predicción de la insolvencia empresarial: un análisis
crítico". Calvo-Flores, A. y García, D. (Coords.) El riesgo financiero de la empresa. Madrid:
Ed. AECA Monografías, pp. 11–58.
Laffarga, J. y Pina, V. (1995) "La utilidad del análisis multivariante para evaluar la gestión continuada
de empresas". Revista Española de Financiación y Contabilidad, XXIV (84), pp. 727–748.
Laitinen, E.K. (1991) "Financial ratios and different failure processes". Journal of Business, Finance
& Accounting, 18 (5), pp. 649–673.
Laitinen, E.K. y Laitinen, T. (1998) "Misclassification in bankruptcy prediction in Finland: human information
processing approach". Accounting, Auditing & Accountability Journal, 11 (2), pp. 216–244.
Lizarraga, F. (2002) "La utilidad de los modelos de predicción de fracaso en la empresa española a lo
largo de la última década". Doldán, F. y Rodríguez, M. (Coords.) La Gestión del Riesgo de
Crédito. Métodos y Modelos de Predicción de la Insolvencia Empresarial. Madrid: Ed. AECA
Monografías, pp. 219–252.

149
Mar-Molinero, C. y Ezzamel, M. (1991) "Multidimensional Scaling Applied to Corporate Failure",
Omega, 19 (4), pp. 259-274.
Mora, A. (1994) "Limitaciones metodológicas de los trabajos empíricos sobre la predicción del fracaso
empresarial". Revista Española de Financiación y Contabilidad, XXIII (80), pp. 709–732.
Mora, A. (1995) "Utilidad de los modelos de predicción de la crisis empresarial". Revista Española de
Financiación y Contabilidad, XXIV (83), pp. 281–300.
Mures-Quintana, M.J. y García-Gallego, A. (2012) “On the non-financial information’s significance in
the business failure models: A Spanish case study”. International Journal of Organizational
Analysis, 20 (4), pp. 423–434.
O’Leary, D.E. (1998) "Using Neural Networks to Predict Corporate Failure". International Journal of
Intelligent Systems in Accounting, Finance & Management, 7, pp. 187–197.
Odom, M.D. y Sharda, R. (1992) "A Neural Network Model for Bankruptcy Prediction". Trippi, R. R.
& Turban, E. (Eds.) Neural Networks in Finance and Investing. Using Artificial Intelligence to
Improve Real–World Performance. Cambridge: Probus Publishing Company, pp. 177–185.
Ohlson, J.A. (1980) "Financial Ratios and the Probabilistic Prediction of Bankruptcy". Journal of
Accounting Research, 18 (1), pp. 109–131.
Palepu, K.G. (1986) "Predicting takeover targets. A Methodological and Empirical Analysis". Journal
of Accounting and Economics, 8, pp. 3–35.
Peel, M.J., Peel, D.A. y Pope, P.F. (1986). "Predicting Corporate Failure – Some Results for the UK
Corporate Sector". Omega, 14 (1), pp. 5–12.
Pina, V. (1989) "La información contable en la predicción de la crisis bancaria 1977-1985". Revista
Española de Financiación y Contabilidad, XVIII (58), pp. 309–338.
Pulido, A. (1992) Estadística y técnicas de investigación social, 9ª edición. Madrid: Pirámide, D.L.
Rodríguez Osuna, J. (1991) Métodos de muestreo. Madrid: Centro de Investigaciones Sociológicas.
Scheaffer, R.L., Mendenhall, W. y Ott, R.L. (2007) Elementos de muestreo, 6ª edición. Madrid:
International Thomson Editores Spain Paraninfo.
Scott, E. (1981) "The Probability of Bankruptcy. A Comparison of Empirical Predictions and
Theoretical Models". Journal of Banking & Finance, 5, pp. 317–344.
Slowinski, R. y Zopounidis, C. (1995) "Application of the rough set approach to evaluation of
bankruptcy risk". Cited in Zopounidis, C. & Dimitras, A. I. (1998). Multicriteria Decision Aid
Methods for the Prediction of Business Failure. Dordrecht: Kluwer Academic Publishers.
Taffler, R.J. (1982) "Forecasting Company Failure in the UK using Discriminant Analysis and
Financial Ratio Data". Journal of the Royal Statistical Society, Series A, 145 (3), pp. 342–358.
Theodossiou, P.T. (1991) "Alternative models for assessing the financial condition of business in
Greece". Journal of Business, Finance & Accounting, 18 (5), pp. 697–720.
Trujillo-Ponce, A., Samaniego-Medina, R. y Cardone-Riportella, C. (2013) “Examining what best
explains corporate credit risk: accounting-based versus market-based models”. Journal of
Business Economics and Management, iFirst: pp. 1–24.
Zavgren, C.V. (1983) "The prediction of corporate failure: The state of the art". Journal of Accounting
Literature, 2, pp. 1–35.
Zmijewski, M.E. (1984) "Methodological Issues Related to the Estimation of Financial Distress
Prediction Models". Journal of Accounting Research, 22, pp. 59–82.

150