Probabilidad de quiebra empresarial en el sector de construcción del Ecuador: Periodo 2011 – 2020
En las decisiones empresariales se debe determinar cuáles son las variables que explican la probabilidad de su quiebra para en una segunda etapa realizar predicciones sobre las mismas. El objetivo del presente trabajo de investigación es determinar la probabilidad de quiebra de las empresas del sect...
- Autores:
-
Orellana Osorio, Iván Felipe
Pinos Luzuriaga, Luis Gabriel
Reyes Clavijo, Marco Antonio
Cevallos Rodríguez, Estefanía del Rocío
Tonon Ordóñez, Luis Bernardo
- Tipo de recurso:
- Article of journal
- Fecha de publicación:
- 2023
- Institución:
- Corporación Universidad de la Costa
- Repositorio:
- REDICUC - Repositorio CUC
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.cuc.edu.co:11323/11981
- Acceso en línea:
- https://hdl.handle.net/11323/11981
https://doi.org/10.17981/econcuc.44.2.2023.Econ.2
- Palabra clave:
- Quiebra
Construcción
Regresión logística
Probi
Capacidad predictiva
Bankruptcy
Construction
Logistic regression
Probi
Predictive capacity
- Rights
- openAccess
- License
- Marco Reyes Clavijo, Iván Orellana, Luis Pinos, Estefanía Cevallos, Luis Tonon - 2023
| id |
RCUC2_7709c14ba7f9c544052122fa5158ecd7 |
|---|---|
| oai_identifier_str |
oai:repositorio.cuc.edu.co:11323/11981 |
| network_acronym_str |
RCUC2 |
| network_name_str |
REDICUC - Repositorio CUC |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Probabilidad de quiebra empresarial en el sector de construcción del Ecuador: Periodo 2011 – 2020 |
| dc.title.translated.eng.fl_str_mv |
Probability of business bankruptcy in theconstruction sector of Ecuador: Period 2011 – 2020 |
| title |
Probabilidad de quiebra empresarial en el sector de construcción del Ecuador: Periodo 2011 – 2020 |
| spellingShingle |
Probabilidad de quiebra empresarial en el sector de construcción del Ecuador: Periodo 2011 – 2020 Quiebra Construcción Regresión logística Probi Capacidad predictiva Bankruptcy Construction Logistic regression Probi Predictive capacity |
| title_short |
Probabilidad de quiebra empresarial en el sector de construcción del Ecuador: Periodo 2011 – 2020 |
| title_full |
Probabilidad de quiebra empresarial en el sector de construcción del Ecuador: Periodo 2011 – 2020 |
| title_fullStr |
Probabilidad de quiebra empresarial en el sector de construcción del Ecuador: Periodo 2011 – 2020 |
| title_full_unstemmed |
Probabilidad de quiebra empresarial en el sector de construcción del Ecuador: Periodo 2011 – 2020 |
| title_sort |
Probabilidad de quiebra empresarial en el sector de construcción del Ecuador: Periodo 2011 – 2020 |
| dc.creator.fl_str_mv |
Orellana Osorio, Iván Felipe Pinos Luzuriaga, Luis Gabriel Reyes Clavijo, Marco Antonio Cevallos Rodríguez, Estefanía del Rocío Tonon Ordóñez, Luis Bernardo |
| dc.contributor.author.spa.fl_str_mv |
Orellana Osorio, Iván Felipe Pinos Luzuriaga, Luis Gabriel Reyes Clavijo, Marco Antonio Cevallos Rodríguez, Estefanía del Rocío Tonon Ordóñez, Luis Bernardo |
| dc.subject.spa.fl_str_mv |
Quiebra Construcción Regresión logística Probi Capacidad predictiva |
| topic |
Quiebra Construcción Regresión logística Probi Capacidad predictiva Bankruptcy Construction Logistic regression Probi Predictive capacity |
| dc.subject.eng.fl_str_mv |
Bankruptcy Construction Logistic regression Probi Predictive capacity |
| description |
En las decisiones empresariales se debe determinar cuáles son las variables que explican la probabilidad de su quiebra para en una segunda etapa realizar predicciones sobre las mismas. El objetivo del presente trabajo de investigación es determinar la probabilidad de quiebra de las empresas del sector de la construcción del Ecuador. Para lograr el cometido, se aplicaron el modelo de regresión logística y el modelo Probit, que son modelos de elección discreta binaria. Entre los hallazgos importantes se puede decir que las variables que explican la probabilidad de quiebra empresarial en este sector son el tamaño de la empresa, el nivel de endeudamiento, la liquidez, la rentabilidad y el ingreso neto. Además, se verificó la capacidad predictiva del modelo bajo diferentes métricas como la sensibilidad, la especificidad y posteriormente la curva ROC. En general el modelo Probit da una mejor capacidad predictiva. |
| publishDate |
2023 |
| dc.date.accessioned.none.fl_str_mv |
2023-07-01 00:00:00 2024-04-09T20:10:22Z |
| dc.date.available.none.fl_str_mv |
2023-07-01 00:00:00 2024-04-09T20:10:22Z |
| dc.date.issued.none.fl_str_mv |
2023-07-01 |
| dc.type.spa.fl_str_mv |
Artículo de revista |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_6501 http://purl.org/coar/resource_type/c_2df8fbb1 |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/article |
| dc.type.local.eng.fl_str_mv |
Journal article |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/ART |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.coarversion.spa.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| format |
http://purl.org/coar/resource_type/c_6501 |
| status_str |
publishedVersion |
| dc.identifier.issn.none.fl_str_mv |
0120-3932 |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/11323/11981 |
| dc.identifier.url.none.fl_str_mv |
https://doi.org/10.17981/econcuc.44.2.2023.Econ.2 |
| dc.identifier.doi.none.fl_str_mv |
10.17981/econcuc.44.2.2023.Econ.2 |
| dc.identifier.eissn.none.fl_str_mv |
2382-3860 |
| identifier_str_mv |
0120-3932 10.17981/econcuc.44.2.2023.Econ.2 2382-3860 |
| url |
https://hdl.handle.net/11323/11981 https://doi.org/10.17981/econcuc.44.2.2023.Econ.2 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.ispartofjournal.spa.fl_str_mv |
Económicas CUC |
| dc.relation.references.spa.fl_str_mv |
Ahn, B. S., Cho, S. S. & Kim, C. Y. (2000). Integrated methodology of rough set theory and artificial neural network for business failure prediction. Expert Systems with Applications, 18(2), 65–74. https://doi.org/10.1016/S0957-4174(99)00053-6 Altman, E. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The Journal of Finance, 23(4), 589–609. https://doi.org/10.2307/2978933 Altman, E., Haldeman, R. & Narayanan, P. (1977). ZETATM analysis A new model to identify bankruptcy risk of corporations. Journal of Banking and Finance, 1(1), 29–54. https://doi.org/10.1016/0378-4266(77)90017-6 Ariza Dau, M., Acosta Rueda, K. y Altamar, L. (2016). Aplicación de los Modelos de Respuesta Binaria a los Determinantes de la Demanda de Postgrado en Colombia. Escenarios, 14(1), 7–18. https://doi.org/10.15665/esc.v14i1.874 Beaver, W. (1966). Financial Ratios as Predictors of Failure. Journal of Accounting Research, 4, 71–111. https://doi.org/10.2307/2490171 Bermeo, D. y Armijos, J. (2021). Predicción de quiebra bajo el modelo Z2 Altman en empresas de construcción de edificios residenciales de la provincia del Azuay. Revista Economía, 33, 48–63. https://doi.org/10.25097/rep.n33.2021.03 Bermúdez, N. y Bravo, A. (2019). Modelo Predictivo de los Determinantes del Cierre Empresarial de las MIPYMES en el Ecuador Período 2007-2016. X - Pedientes Económicos, 3(5), 78–93. Disponible en https://ojs.supercias.gob.ec/index.php/X-pedientes_Economicos/article/view/32 Bravo, F. y Pinto, C. (2008). Modelos predictivos de la probabilidad de insolvencia en microempresas chilenas. Contaduría Universidad de Antioquia, (53), 13–52. https://doi.org/10.17533/udea.rc.2175 Cortes, M., Saavedra, M. & Palacios, P. (2021). Análisis del fracaso de las MiPyME franquiciantes en México. Un crecimiento cuestionable del sector. Revista Perspectiva Empresarial, 7(2), 36–52. https://doi.org/10.16967/23898186.651 Cruz, S., Gavira, N. & García, R. (2017). Eficiencia de los modelos Poisson y Logístico en la asignación de probabilidades de incumplimiento a empresas mineras mexicanas. Revista Mexicana de Economía y Finanzas, 12(1), 1–21. http://dx.doi.org/10.21919/remef.v12i1.9 Cueva, D. F., Cortes, S., Tapia, R., Tabi, W., Torres, J., Maza, C., Uyaguari, K. y González, M. (2017, junio). Fragilidad Financiera de las Empresas - Estimación de un Modelo probabilístico LOGIT y PROBIT: Caso Ecuatoriano. Conferencia presentada en la XII Conferencia Ibérica de Sistemas y Tecnologías de la Información, CISTI, Lisbon, Portugal. https://doi.org/10.23919/CISTI.2017.7975927 Deakin, E. (1972). Research Reports A Discriminant Analysis of Predictors of Business Failure. Journal of Accountin Research, 10(1), 167–179. https://doi.org/10.2307/2490225 Dupleix, M. (2021). La teoría efectual y el fracaso empresarial. Innovar, 31(81), 139–154. https://doi.org/10.15446/innovar.v31n81.95581 FitzPatrick, P. (1932). Average Ratios of Twenty Representative Industrial Failures *. The Certified Public Account, 13–18. Gujarati, D. y Porter, D. (2010). Econometría (5 ed.). México, D.F.: McGraw-Hill. Kliestik, T., Misankova, M., Valaskova, K. & Svabova, L. (2018). Bankruptcy Prevention: New Effort to Reflect on Legal and Social Changes. Science and Engineering Ethics, 24(2), 791–803. https://doi.org/10.1007/s11948-017-9912-4 Krishnasami, J. (2012). Financial Risk: Impact on Debt-Equity Mix. SCMS Journal of Indian Management, 9(1), 43–59. Available from https://www.scms.edu.in/uploads/journal/January%20-%20March%202012.pdf Kücher, A., Mayr, S., Mitter, C., Duller, C. & Feldbauer-Durstmüller, B. (2020). Firm age dynamics and causes of corporate bankruptcy: age dependent explanations for business failure. Review of Managerial Science, 14(3), 633–661. https://doi.org/10.1007/s11846-018-0303-2 Lennox, C. (1999). Identifying failing companies: A reevaluation of the Logit, Probit and DA approaches. Journal of Economics and Business, 51(4), 347–364. https://doi.org/10.1016/s0148-6195(99)00009-0 Lin, T.-H. (2009). A cross model study of corporate financial distress prediction in Taiwan: Multiple discriminant analysis, Logit, Probit and neural networks models. Neurocomputing, 72(16–18), 3507–3516. https://doi.org/10.1016/j.neucom.2009.02.018 Martínez, H., Cazallo, A., Meñaca, I. y Uribe, C. (2020). Desempeño financiero de las empresas minoristas de alimentos y bebidas en Barranquilla - Colombia. Revista de Ciencias Sociales, 26(1), 144–158. https://doi.org/10.31876/rcs.v26i1.31316 Mittal, S. & Lavina. (2018). The Determinants of Financial Distress in Indian real estate and Construction industry. Gurukul Business Review, 14(2), 6–11. Available: https://gurukulbusinessreview.in/past-issues/ Navarrete, G. (2022). Organizaciones inteligentes y su incipiente incursión en la esfera turística. Una aproximación al estado del conocimiento. Telos Revista de Estudios Interdisciplinarios en Ciencias Sociales, 24(1), 100–122. https://doi.org/10.36390/telos241.07 Ogachi, D., Ndege, R., Gaturu, P. & Zoltan, Z. (2020). Corporate Bankruptcy Prediction Model, a Special Focus on Listed Companies in Kenya. Journal of Risk and Financial Management, 13(3), 1–14. https://doi.org/10.3390/jrfm13030047 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 Pérez, G., González, C. y Lopera, C. (2013). Modelos de predicción de la fragilidad empresarial: aplicación al caso colombiano para el año 2011. Perfil de Coyuntura Económica, (22), 205–228. Disponible en https://revistas.udea.edu.co/index.php/coyuntura/article/view/20539 Rodríguez, C., Maté, M. y López, F. (2020). La proximidad geográfica en el contagio del fracaso empresarial en la pyme: Una aplicación empírica con el modelo Probit espacial. Estudios de Economía Aplicada, 34(3), 629–648. https://doi.org/10.25115/eae.v34i3.3063 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. Disponible en https://rcientificas.uninorte.edu.co/index.php/pensamiento/article/view/5647 Romero, F., Melgarejo, Z. & Vera-Colina, 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 Singh, B. P. & Mishra, A. K. (2016). Re-estimation and comparisons of alternative accounting based bankruptcy prediction models for Indian companies. Financial Innovation, 2(1), 1–28. https://doi.org/10.1186/s40854-016-0026-9 Solomon, D. C. & Muntean, M. (2012). Assessment of Financial Risk in Firm’s Profitability Analysis. Economy Transdisciplinarity Cognition, 15(2), 58–67. Available from https://www.ugb.ro/etc/etc2012no2/11_Solomon,_Muntean_final.pdf Spekman, R. E. & Davis, E. W. (2004). Risky business: Expanding the discussion on risk and the extended enterprise. International Journal of Physical Distribution and Logistics Management, 34(5), 414–433. https://doi.org/10.1108/09600030410545454 Supercias. (2020). Portal de información. Superintendencia de compañías valores y seguros. Disponible en https://appscvsmovil.supercias.gob.ec/portalInformacion/sector_societario.zul Svabova, L., Michalkova, L., Durica, M. & Nica, E. (2020). Business failure prediction for Slovak small and medium-sized companies. Sustainability (Switzerland), 12(11), 1–14. https://doi.org/10.3390/su12114572 Támara, A. y Villegas, G. (2021). Influencia del entorno financiero, el entorno macroeconómico, la estructura organizacional y la transparencia en la quiebra empresarial. Contaduria y Administracion, 66(2), 1–23. https://doi.org/10.22201/fca.24488410e.2021.2618 Wu, W. W. (2010). Beyond business failure prediction. Expert Systems with Applications, 37(3), 2371–2376. https://doi.org/10.1016/j.eswa.2009.07.056 Zambrano, F., Sánchez, M. y Correa, S. (2021). Análisis de rentabilidad, endeudamiento y liquidez de microempresas en Ecuador. Retos, 11(22), 235–249. https://doi.org/10.17163/ret.n22.2021.03 Zmijweski, 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 |
| dc.relation.citationendpage.none.fl_str_mv |
32 |
| dc.relation.citationstartpage.none.fl_str_mv |
9 |
| dc.relation.citationissue.spa.fl_str_mv |
2 |
| dc.relation.citationvolume.spa.fl_str_mv |
44 |
| dc.relation.bitstream.none.fl_str_mv |
https://revistascientificas.cuc.edu.co/economicascuc/article/download/4306/4886 https://revistascientificas.cuc.edu.co/economicascuc/article/download/4306/5147 https://revistascientificas.cuc.edu.co/economicascuc/article/download/4306/5148 https://revistascientificas.cuc.edu.co/economicascuc/article/download/4306/5149 |
| dc.relation.citationedition.spa.fl_str_mv |
Núm. 2 , Año 2023 : Julio - Diciembre, 2023 |
| dc.rights.spa.fl_str_mv |
Marco Reyes Clavijo, Iván Orellana, Luis Pinos, Estefanía Cevallos, Luis Tonon - 2023 |
| dc.rights.uri.spa.fl_str_mv |
https://creativecommons.org/licenses/by-nc-nd/4.0 |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Marco Reyes Clavijo, Iván Orellana, Luis Pinos, Estefanía Cevallos, Luis Tonon - 2023 https://creativecommons.org/licenses/by-nc-nd/4.0 http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf text/html text/xml application/epub+zip |
| dc.publisher.spa.fl_str_mv |
Universidad de la Costa |
| dc.source.spa.fl_str_mv |
https://revistascientificas.cuc.edu.co/economicascuc/article/view/4306 |
| institution |
Corporación Universidad de la Costa |
| bitstream.url.fl_str_mv |
https://repositorio.cuc.edu.co/bitstream/11323/11981/1/ORE.xml |
| bitstream.checksum.fl_str_mv |
6bd2c44a5e889a97e8ea92bf8ec0966a |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 |
| repository.name.fl_str_mv |
Repositorio Universidad de La Costa |
| repository.mail.fl_str_mv |
repdigital@cuc.edu.co |
| _version_ |
1808400094005821440 |
| spelling |
Orellana Osorio, Iván Felipe6afc77328725375af2a3dd4f6d160b5a300Pinos Luzuriaga, Luis Gabriel001f0b0ff281f4d70480f9f500b1f86d500Reyes Clavijo, Marco Antonio9702e5275f93d7bde6a3b77e8368e232300Cevallos Rodríguez, Estefanía del Rocío85b315ef93a7a118b3951de04f34cadd300Tonon Ordóñez, Luis Bernardodc43bd86e0ae5ad81969c2daae1ee3ce5002023-07-01 00:00:002024-04-09T20:10:22Z2023-07-01 00:00:002024-04-09T20:10:22Z2023-07-010120-3932https://hdl.handle.net/11323/11981https://doi.org/10.17981/econcuc.44.2.2023.Econ.210.17981/econcuc.44.2.2023.Econ.22382-3860En las decisiones empresariales se debe determinar cuáles son las variables que explican la probabilidad de su quiebra para en una segunda etapa realizar predicciones sobre las mismas. El objetivo del presente trabajo de investigación es determinar la probabilidad de quiebra de las empresas del sector de la construcción del Ecuador. Para lograr el cometido, se aplicaron el modelo de regresión logística y el modelo Probit, que son modelos de elección discreta binaria. Entre los hallazgos importantes se puede decir que las variables que explican la probabilidad de quiebra empresarial en este sector son el tamaño de la empresa, el nivel de endeudamiento, la liquidez, la rentabilidad y el ingreso neto. Además, se verificó la capacidad predictiva del modelo bajo diferentes métricas como la sensibilidad, la especificidad y posteriormente la curva ROC. En general el modelo Probit da una mejor capacidad predictiva. In business decisions, it is necessary to determine which are the variables that explain the probability of bankruptcy in order to make predictions about them in a second stage. The objective of this research work is to determine the probability of failure of companies in the construction sector in Ecuador. In order to achieve the goal, the logistic regression model and the Probit model were applied, which are binary discrete choice models. Among the important findings, it can be said that the variables that explain the probability of business bankruptcy in the sector are the size of the company, the level of indebtedness, liquidity, profitability and net income. In addition, the predictive capacity of the model was verified under different metrics such as sensitivity, specificity and later the ROC curve. In general, the Probit model gives a better predictive capacity of the model.application/pdftext/htmltext/xmlapplication/epub+zipspaUniversidad de la CostaMarco Reyes Clavijo, Iván Orellana, Luis Pinos, Estefanía Cevallos, Luis Tonon - 2023https://creativecommons.org/licenses/by-nc-nd/4.0info:eu-repo/semantics/openAccessEsta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.http://purl.org/coar/access_right/c_abf2https://revistascientificas.cuc.edu.co/economicascuc/article/view/4306QuiebraConstrucciónRegresión logísticaProbiCapacidad predictivaBankruptcyConstructionLogistic regressionProbiPredictive capacityProbabilidad de quiebra empresarial en el sector de construcción del Ecuador: Periodo 2011 – 2020Probability of business bankruptcy in theconstruction sector of Ecuador: Period 2011 – 2020Artículo de revistahttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1Textinfo:eu-repo/semantics/articleJournal articlehttp://purl.org/redcol/resource_type/ARTinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/version/c_970fb48d4fbd8a85Económicas CUCAhn, B. S., Cho, S. S. & Kim, C. Y. (2000). Integrated methodology of rough set theory and artificial neural network for business failure prediction. Expert Systems with Applications, 18(2), 65–74. https://doi.org/10.1016/S0957-4174(99)00053-6Altman, E. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The Journal of Finance, 23(4), 589–609. https://doi.org/10.2307/2978933Altman, E., Haldeman, R. & Narayanan, P. (1977). ZETATM analysis A new model to identify bankruptcy risk of corporations. Journal of Banking and Finance, 1(1), 29–54. https://doi.org/10.1016/0378-4266(77)90017-6Ariza Dau, M., Acosta Rueda, K. y Altamar, L. (2016). Aplicación de los Modelos de Respuesta Binaria a los Determinantes de la Demanda de Postgrado en Colombia. Escenarios, 14(1), 7–18. https://doi.org/10.15665/esc.v14i1.874Beaver, W. (1966). Financial Ratios as Predictors of Failure. Journal of Accounting Research, 4, 71–111. https://doi.org/10.2307/2490171Bermeo, D. y Armijos, J. (2021). Predicción de quiebra bajo el modelo Z2 Altman en empresas de construcción de edificios residenciales de la provincia del Azuay. Revista Economía, 33, 48–63. https://doi.org/10.25097/rep.n33.2021.03Bermúdez, N. y Bravo, A. (2019). Modelo Predictivo de los Determinantes del Cierre Empresarial de las MIPYMES en el Ecuador Período 2007-2016. X - Pedientes Económicos, 3(5), 78–93. Disponible en https://ojs.supercias.gob.ec/index.php/X-pedientes_Economicos/article/view/32Bravo, F. y Pinto, C. (2008). Modelos predictivos de la probabilidad de insolvencia en microempresas chilenas. Contaduría Universidad de Antioquia, (53), 13–52. https://doi.org/10.17533/udea.rc.2175Cortes, M., Saavedra, M. & Palacios, P. (2021). Análisis del fracaso de las MiPyME franquiciantes en México. Un crecimiento cuestionable del sector. Revista Perspectiva Empresarial, 7(2), 36–52. https://doi.org/10.16967/23898186.651Cruz, S., Gavira, N. & García, R. (2017). Eficiencia de los modelos Poisson y Logístico en la asignación de probabilidades de incumplimiento a empresas mineras mexicanas. Revista Mexicana de Economía y Finanzas, 12(1), 1–21. http://dx.doi.org/10.21919/remef.v12i1.9Cueva, D. F., Cortes, S., Tapia, R., Tabi, W., Torres, J., Maza, C., Uyaguari, K. y González, M. (2017, junio). Fragilidad Financiera de las Empresas - Estimación de un Modelo probabilístico LOGIT y PROBIT: Caso Ecuatoriano. Conferencia presentada en la XII Conferencia Ibérica de Sistemas y Tecnologías de la Información, CISTI, Lisbon, Portugal. https://doi.org/10.23919/CISTI.2017.7975927Deakin, E. (1972). Research Reports A Discriminant Analysis of Predictors of Business Failure. Journal of Accountin Research, 10(1), 167–179. https://doi.org/10.2307/2490225Dupleix, M. (2021). La teoría efectual y el fracaso empresarial. Innovar, 31(81), 139–154. https://doi.org/10.15446/innovar.v31n81.95581FitzPatrick, P. (1932). Average Ratios of Twenty Representative Industrial Failures *. The Certified Public Account, 13–18.Gujarati, D. y Porter, D. (2010). Econometría (5 ed.). México, D.F.: McGraw-Hill.Kliestik, T., Misankova, M., Valaskova, K. & Svabova, L. (2018). Bankruptcy Prevention: New Effort to Reflect on Legal and Social Changes. Science and Engineering Ethics, 24(2), 791–803. https://doi.org/10.1007/s11948-017-9912-4Krishnasami, J. (2012). Financial Risk: Impact on Debt-Equity Mix. SCMS Journal of Indian Management, 9(1), 43–59. Available from https://www.scms.edu.in/uploads/journal/January%20-%20March%202012.pdfKücher, A., Mayr, S., Mitter, C., Duller, C. & Feldbauer-Durstmüller, B. (2020). Firm age dynamics and causes of corporate bankruptcy: age dependent explanations for business failure. Review of Managerial Science, 14(3), 633–661. https://doi.org/10.1007/s11846-018-0303-2Lennox, C. (1999). Identifying failing companies: A reevaluation of the Logit, Probit and DA approaches. Journal of Economics and Business, 51(4), 347–364. https://doi.org/10.1016/s0148-6195(99)00009-0Lin, T.-H. (2009). A cross model study of corporate financial distress prediction in Taiwan: Multiple discriminant analysis, Logit, Probit and neural networks models. Neurocomputing, 72(16–18), 3507–3516. https://doi.org/10.1016/j.neucom.2009.02.018Martínez, H., Cazallo, A., Meñaca, I. y Uribe, C. (2020). Desempeño financiero de las empresas minoristas de alimentos y bebidas en Barranquilla - Colombia. Revista de Ciencias Sociales, 26(1), 144–158. https://doi.org/10.31876/rcs.v26i1.31316Mittal, S. & Lavina. (2018). The Determinants of Financial Distress in Indian real estate and Construction industry. Gurukul Business Review, 14(2), 6–11. Available: https://gurukulbusinessreview.in/past-issues/Navarrete, G. (2022). Organizaciones inteligentes y su incipiente incursión en la esfera turística. Una aproximación al estado del conocimiento. Telos Revista de Estudios Interdisciplinarios en Ciencias Sociales, 24(1), 100–122. https://doi.org/10.36390/telos241.07Ogachi, D., Ndege, R., Gaturu, P. & Zoltan, Z. (2020). Corporate Bankruptcy Prediction Model, a Special Focus on Listed Companies in Kenya. Journal of Risk and Financial Management, 13(3), 1–14. https://doi.org/10.3390/jrfm13030047Ohlson, J. A. (1980). Financial Ratios and the Probabilistic Prediction of Bankruptcy. Journal of Accounting Research, 18(1), 109–131. https://doi.org/10.2307/2490395Pérez, G., González, C. y Lopera, C. (2013). Modelos de predicción de la fragilidad empresarial: aplicación al caso colombiano para el año 2011. Perfil de Coyuntura Económica, (22), 205–228. Disponible en https://revistas.udea.edu.co/index.php/coyuntura/article/view/20539Rodríguez, C., Maté, M. y López, F. (2020). La proximidad geográfica en el contagio del fracaso empresarial en la pyme: Una aplicación empírica con el modelo Probit espacial. Estudios de Economía Aplicada, 34(3), 629–648. https://doi.org/10.25115/eae.v34i3.3063Romero, 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. Disponible en https://rcientificas.uninorte.edu.co/index.php/pensamiento/article/view/5647Romero, F., Melgarejo, Z. & Vera-Colina, 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.2015.08.003Singh, B. P. & Mishra, A. K. (2016). Re-estimation and comparisons of alternative accounting based bankruptcy prediction models for Indian companies. Financial Innovation, 2(1), 1–28. https://doi.org/10.1186/s40854-016-0026-9Solomon, D. C. & Muntean, M. (2012). Assessment of Financial Risk in Firm’s Profitability Analysis. Economy Transdisciplinarity Cognition, 15(2), 58–67. Available from https://www.ugb.ro/etc/etc2012no2/11_Solomon,_Muntean_final.pdfSpekman, R. E. & Davis, E. W. (2004). Risky business: Expanding the discussion on risk and the extended enterprise. International Journal of Physical Distribution and Logistics Management, 34(5), 414–433. https://doi.org/10.1108/09600030410545454Supercias. (2020). Portal de información. Superintendencia de compañías valores y seguros. Disponible en https://appscvsmovil.supercias.gob.ec/portalInformacion/sector_societario.zulSvabova, L., Michalkova, L., Durica, M. & Nica, E. (2020). Business failure prediction for Slovak small and medium-sized companies. Sustainability (Switzerland), 12(11), 1–14. https://doi.org/10.3390/su12114572Támara, A. y Villegas, G. (2021). Influencia del entorno financiero, el entorno macroeconómico, la estructura organizacional y la transparencia en la quiebra empresarial. Contaduria y Administracion, 66(2), 1–23. https://doi.org/10.22201/fca.24488410e.2021.2618Wu, W. W. (2010). Beyond business failure prediction. Expert Systems with Applications, 37(3), 2371–2376. https://doi.org/10.1016/j.eswa.2009.07.056Zambrano, F., Sánchez, M. y Correa, S. (2021). Análisis de rentabilidad, endeudamiento y liquidez de microempresas en Ecuador. Retos, 11(22), 235–249. https://doi.org/10.17163/ret.n22.2021.03Zmijweski, M. E. (1984). Methodological Issues Related to the Estimation of Financial Distress Prediction Models. Journal of Accounting Research, 22, 59–82. https://doi.org/10.2307/2490859329244https://revistascientificas.cuc.edu.co/economicascuc/article/download/4306/4886https://revistascientificas.cuc.edu.co/economicascuc/article/download/4306/5147https://revistascientificas.cuc.edu.co/economicascuc/article/download/4306/5148https://revistascientificas.cuc.edu.co/economicascuc/article/download/4306/5149Núm. 2 , Año 2023 : Julio - Diciembre, 2023OREORE.xmltext/xml2852https://repositorio.cuc.edu.co/bitstream/11323/11981/1/ORE.xml6bd2c44a5e889a97e8ea92bf8ec0966aMD51open access11323/11981oai:repositorio.cuc.edu.co:11323/119812024-04-09 15:10:23.057An error occurred on the license name.|||https://creativecommons.org/licenses/by-nc-nd/4.0metadata only accessRepositorio Universidad de La Costarepdigital@cuc.edu.co |