Mostrar el registro sencillo del ítem

dc.contributor.authorCorrea Mejía, Diego Andrés
dc.contributor.authorLopera-Castaño, Mauricio
dc.date.accessioned2020-07-05T04:44:30Z
dc.date.available2020-07-05T04:44:30Z
dc.date.issued2019
dc.identifier.citationCorrea, D., y Lopera, M. (2019). Pronóstico de insolvencia empresarial en Colombia a través de indicadores financieros. Panorama Económico, 27(2), 510-526. https://doi.org/10.32997/2463-0470-vol.27-num.2-2019-2639es
dc.identifier.issn0122-8900
dc.identifier.urihttps://hdl.handle.net/11227/10214
dc.descriptionVol. 27, No. 2 (2019)
dc.description.abstractLa 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.es
dc.description.abstractBusiness insolvency affects both companies that enter this process and their suppliers of goods and services. This research uses financial indicators to forecast business insolvency one year in advance.The study was applied to 2,988 companies that reported financial information to the Superintendency of Companies (Colombia) during 2017, of which 127 went into insolvency in 2018. The forecast considers financial indicators of liquidity, profitability and indebtedness, and contrasts the results of the logistic regression with the boosting algorithm. It is concluded that financial indicators allow predicting business insolvency. However, non-traditional methodologies such as the boosting algorithm that consider the information asymmetry should be used.
dc.format.mimetypeapplication/pdf
dc.language.isospaes
dc.publisherUniversidad de Cartagenaes
dc.relation.ispartofjournalPanorama Económico
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/es
dc.sourcehttps://revistas.unicartagena.edu.co/index.php/panoramaeconomico/article/view/2639spa
dc.subjectInsolvencia empresariales
dc.subjectindicadores financieroses
dc.subjectanálisis financieroes
dc.subjectalgoritmo boostinges
dc.subjectregresión logísticaes
dc.subjectInsolvencyes
dc.subjectfinancial indicatorses
dc.subjectfinancial analysises
dc.subjectboosting algorithmes
dc.subjectlogistic regressiones
dc.titlePronóstico de insolvencia empresarial en Colombia a través de indicadores financieroses
dc.typeArtículo de revistaspa
dcterms.referencesAltman, E. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance, 23(4), 589–609.
dcterms.referencesAmendola, 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
dcterms.referencesBarboza, 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
dcterms.referencesBeaver, W. (1966). Financial Ratios As Predictors of Failure. Journal of Accounting Research, 4(1966), 71–111. DOI: https://doi.org/10.2307/2490171
dcterms.referencesBen, 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
dcterms.referencesBredart, 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
dcterms.referencesCalabrese, 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
dcterms.referencesCalabrese, 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
dcterms.referencesCorrea-garcía, J. A. (2005). De la partida doble al análisis financiero. Contaduría Universidad de Antioquia, (46), 169–194.
dcterms.referencesCorrea-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.
dcterms.referencesCorrea, 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
dcterms.referencesCorrea, 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.
dcterms.referencesCultrera, 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
dcterms.referencesDinca, 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.
dcterms.referencesEling, 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
dcterms.referencesGupta, 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
dcterms.referencesHastie, T., Tibshirani, R., Friedman, J. (2017). The Elements of Statistical Learning. Data Mining, Inference, and Prediction, Standford, California.
dcterms.referencesHebous, 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
dcterms.referencesJabeur, 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
dcterms.referencesJayasekera, 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
dcterms.referencesJones, 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
dcterms.referencesJovanovik, D., Todorovic, M., y Grbic, M. (2017). Financial Indicators as Predictors of Illiquidity. Romanian Journal of Economic Forecasting, 20(1), 128–149.
dcterms.referencesKovacova, 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
dcterms.referencesLe, 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
dcterms.referencesLey 1116. (2006). Diario Oficial No. 46.494 de 27 de diciembre de 2006, Colombia, diciembre 27 de 2006.
dcterms.referencesLyandres, 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
dcterms.referencesNyitrai, 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
dcterms.referencesPérez, 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
dcterms.referencesRodríguez, J. (2007). Nuevo régimen de insolvencia. Bogotá, Colombia: Universidad Externado de Colombia.
dcterms.referencesRomero, 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
dcterms.referencesTian, 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
dcterms.referencesUpegui, A. y Londoño, Á. (2011). Comentarios al régimen de insolvencia empresarial. Bogotá, Colombia: Legis Editores.
dcterms.referencesVélez, L. (2011). ¿Qué tan bueno es el sistema de insolvencia empresarial colombiano? Revista Supersociedades, 2, 5-6.
dcterms.referencesWang, 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
dcterms.referencesWilches, R. (2008). Vacíos e inconsistencias estructurales del nuevo régimen de insolvencia empresarial colombiano. Identificación y propuestas de solución. Vniversitas, (117), 197–218.
dcterms.referencesWilches, R. (2009). La insolvencia transfronteriza en el derecho colombiano. Revista de Derecho, (32), 162–198.
dcterms.referencesYazdanfar, 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
dc.rights.accessopenAccesses
dc.identifier.doi10.32997/2463-0470-vol.27-num.2-2019-2639es
dc.type.versioninfo:eu-repo/semantics/publishedVersionspa
dc.type.coarversionhttp://purl.org/coar/version/c_970fb48d4fbd8a85spa
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2spa
dc.identifier.eissn2463-0470
dc.identifier.urlhttps://doi.org/10.32997/2463-0470-vol.27-num.2-2019-2639es
dc.relation.citationendpage526
dc.relation.citationissue2
dc.relation.citationstartpage510
dc.relation.citationvolume27
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.type.coarhttp://purl.org/coar/resource_type/c_6501spa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/articlespa
dc.type.localJournal articleeng


Ficheros en el ítem

Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

https://creativecommons.org/licenses/by-nc-nd/4.0/
Excepto si se señala otra cosa, la licencia del ítem se describe como https://creativecommons.org/licenses/by-nc-nd/4.0/