¿Qué indicadores económico-financieros podrían condicionar la decisión del experto independiente sobre la supervivencia de una empresa en su fase preconcursal?Evidencia empírica en España

  1. María Jesús Segovia-Vargas
  2. María del Mar Camacho-Miñano
Revista:
Cuadernos de Contabilidad

ISSN: 0123-1472

Año de publicación: 2012

Volumen: 13

Número: 32

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Otras publicaciones en: Cuadernos de Contabilidad

Resumen

Según las más recientes estadísticas disponibles, los acreedores de empresas con problemas financieros en España recuperan la mitad de la deuda pendiente y solo el 10% de las empresas insolventes sobrevive. La reciente reforma de la Ley Concursal estableció una fase preconcursal cuya finalidad es que las empresas se reorganicen sin la presión de una declaración de concurso obligatorio. Para ello, se requiere un informe de un experto independiente. El objetivo de este artículo es conocer qué indicadores empresariales podrían ayudar a la decisión de ese experto. Con metodologías de inteligencia artificial, hemos obtenido que el sector, el tamaño, pertenecer a un grupo y la rentabilidad económica determinarán el futuro de la empresa.

Referencias bibliográficas

  • Albert, Rocío, Cabrillo, Francisco. (2004). Un análisis económico de la reforma concursal española.. Revista Valenciana de Economía y Hacienda. 113-136
  • Alonso, Matilde, Furio, Elies. (2010). La economía española. Del crecimiento a la crisis pasando por la burbuja inmobiliaria.
  • Altman, Edward I.. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy.. The Journal of Finance. 23. 589-609
  • Altman, Edward I.. (2000). Predicting financial distress of companies:: revisiting the Z-score and ZETA models..
  • Aybar-Arias, Cristina, Casino-Martínez, Alejandro, López-Gracia, José. (2006). La reestructuración financiera de las pymes en crisis. Endogeneidad en la elección entre la vía privada y la vía concursal.. Investigaciones Económicas. 30. 137-162
  • Banegas, Regino, Manzaneque, Montserrat, Rojas, José Antonio. (2005). Importancia de la previsión en los casos de Procesos de Insolvencia. Aportación de la Ley Concursal 22/2003.. Universidad de Castilla-La Mancha..
  • Beaver, William H.. (1966). Financial ratios as predictors of failure.. Journal of Accounting Research. 71-111
  • Bhimani, Alnoor, Gulamhussen, Mohamed Azzim, Lopes, Samuel da Rocha. (2010). Accounting and non-accounting determinants of default:: an analysis of privately-held firms.. Journal of Accounting and Public Policy. 29. 517-532
  • Chava, Sudheer, Jarrow, Robert A.. (2004). Bankruptcy prediction with industry effects.. Review of Finance. 8. 537-569
  • Chen, Jing, Chollete, Lorán, Ray, Rina. (2010). Financial distress and idiosyncratic volatility:: an empirical investigation. Journal of Financial Markets. 13. 249-267
  • (2010). Anuario de Estadística Concursal..
  • Díaz-Martínez, Zuleyka, Sanchís-Arellano, Alicia, Segovia-Vargas, María Jesús. (2009). Emerging topics in macroeconomics. Nova Science Publishers. New York.
  • Dimitras, Augustinos I., Zanakis, Stelios H., Zopounidis, Constantin. (1996). A survey of business failures with an emphasis on prediction methods and industrial applications.. European Journal of Operational Research. 90. 487-513
  • (2009). Real Decreto-Ley 3 de 2009, de 27 de marzo, de medidas urgentes en materia tributaria, financiera y concursal ante la evolución de la situación económica.. Boletín Oficial del Estado, BOE. 30367-30385
  • Fernández del Pozo, Luis. (2010). El régimen jurídico preconcursal de los acuerdos de refinanciación (d.ad.4°LC). Propuesta de reforma legislativa.: Cuadernos de Derecho Registral.. Colegio de Registradores de la Propiedad, Fundación Registral.. Madrid.
  • Ferrando-Bolado, Máximo, Blanco-Ramos, Francisco. (1998). La previsión del fracaso empresarial en la Comunidad Valenciana:: aplicación de los modelos discriminante y logit (1).. Revista Española de Financiación y Contabilidad. 27. 499-540
  • Frank, Eibe, Witten, Ian H.. (1998). Proceedings of the Fifteenth International Conference on Machine Learning, ICML. Morgan Kaufmann.. MadisonWisconsinSan Francisco.
  • Franks, Julian R., Sussman, Oren. (2005). Financial distress and bank restructuring of small to medium size UK companies.. Review of Finance. 65-96
  • González-Méndez, Víctor Manuel, González-Rodríguez, Francisco. (2000). Procedimientos de resolución de insolvencia financiera en España:: costes de insolvencia y transferencias de riqueza.. Investigaciones Económicas. 24. 357-384
  • Hernández-Arranz, Mariano. (2009). Fase pre-concursal (art. 5.3 LC):: los acreedores también podrían beneficiarse en algunos casos..
  • Hillegeist, Stephen A., Keating, Elizabeth K., Cram, Donald P., Lundstedt, Kyle G.. (2004). Assessing the probability of bankruptcy.. Review of Accounting Studies. 9. 5-34
  • Jones, Stewart, Hensher, David A.. (2004). Predicting firm financial distress:: a mixed logit model.. The Accounting Review. 79. 1011-1038
  • Kumar, P. Ravi, Ravi, Vadlamani. (2007). Bankruptcy prediction in banks and firms via statistical and intelligent techniques - A review.. European Journal of Operation Research. 180. 1-28
  • Laitinen, Erkki K.. (2008). Data system for assessing probability of failure in SME reorganization.. Industrial Management and Data Systems. 108. 849-866
  • Laitinen, Erkki K.. (2011). Assessing viability of Finnish reorganization and bankruptcy firms.. European Journal of Law and Economics. 156-198
  • La Porta, Rafael, López de Silanes, Florencio, Shleifer, Andrei, Vishny, Robert W.. (1998). Law and finance.. Journal of Political Economy. 106. 1113-1155
  • Ley concursal:.
  • López-Gutiérrez, Carlos, García-Olalla, Myriam, Torre-Olmo, Begoña. (2009). The influence of bankruptcy law on equity value of financially distressed firms:: an European comparative analysis.. International Review of Law and Economics. 29. 229-243
  • McKee, Thomas E., Lensberg, Terje. (2002). Genetic programming and rough sets:: an hybrid approach to bankruptcy classification.. European Journal of Operational Research. 436-451
  • Mora, Araceli. (1994). Los modelos de predicción del fracaso empresarial:: una aplicación empírica del logit.. Revista Española de Financiación y Contabilidad. 203-233
  • Nwogugu, Michael. (2007). Decision-making, risk and corporate governance:: a critique of methodological issues in bankruptcy/recovery prediction models.. Applied Mathematics and Computation. 178-196
  • O'Leary, Daniel E.. (1998). Using neural networks to predict corporate failure.. International Journal of Intelligent Systems in Accounting, Finance and Management. 187-197
  • Pawlak, Zdzislaw. (1991). Rough Sets. Theoretical aspects of reasoning about data.. Kluwer Academic Publishers.. DordrechtBostonLondon.
  • Pawlak, Zdzislaw. (2002). Rough sets and intelligent data analysis.. Information Sciences. 147. 1-12
  • Pawlak, Zdzislaw, Skowron, Andrzej. (2007). Rudiments of rough sets.. Information Sciences. 177. 3-27
  • Pindado, Julio, Rodrigues, Luis, Torre, Chabela de la. (2008). How do insolvency codes affect a firm's investment?. International Review of Law and Economics. 28. 227-238
  • Pompe, Paul P. M., Bilderbeek, Jan. (2005). The prediction of bankruptcy of small- and medium-sized industrial firms.. Journal of Business Venturing. 20. 847-868
  • Routledge, James, Gadenne, David. (2000). An exploratory study of the company reorganization decision in voluntary administration.. Pacific Accounting Review. 16. 31-56
  • Sáez-Santurtún Prieto, Jorge. (2010). Efectos de la legislación concursal en la crisis empresarial:: luces y sombras.. Anales de la Academia Matritense del Notariado. 327-354
  • Sanchís-Arellano, Alicia, Gil-Fana, José Antonio, Heras-Martínez, Antonio. (2003). El análisis discriminante en la previsión de la insolvencia en las empresas de seguros de no vida.. Revista Española de Financiación y Contabilidad. 32. 183-234
  • Sanchís-Arellano, Alicia, Segovia-Vargas, María Jesús, Gil-Fana, José Antonio, Heras-Martínez, Antonio, Vilar-Zanón, José L.. (2007). Rough Sets and the role of the monetary policy in financial stability (macroeconomic problem) and the prediction of insolvency in insurance sector (microeconomic problem).. European Journal of Operational Research. 181. 1554-1573
  • Serrano-Cinca, Carlos, Martín del Brío, Bonifacio. (1993). Predicción de la quiebra bancaria mediante el empleo de redes neuronales artificiales. Revista Española de Financiación y Contabilidad. 22. 153-176
  • Shumway, Tyler. (2001). Forecasting bankruptcy more accurately:: a simple hazard model.. The Journal of Business. 74. 101-124
  • Thorburn, Karin S.. (2000). Bankruptcy auctions: costs, debt recovery, and firm survival.. Journal of Financial Economics. 58. 337-368
  • Witten, Ian H., Frank, Eibe. (2005). Data mining: practical machine learning tools and techniques.. 2. Morgan Kaufmann.. San Francisco.
  • Wu, Wei-Wen. (2010). Beyond business failure prediction.. Expert Systems with Applications. 37. 2371-2376
  • Xu, Ming, Zhang, Chu. (2009). Bankruptcy prediction: the case of Japanese listed companies.. Review of Accounting Studies. 14. 534-558
  • Balcaen, Sofie, Ooghe, Hubert. (2006). 35 years of studies on business failure: an overview of the classic statistical methodologies and their related problems.. The British Accounting Review. 38. 63-93
  • Devijver, Pierre A., Kittler, Josef. (1982). Pattern recognition: a statistical approach.. Prentice-Hall.. London.
  • (2005). Cross-Validation Explained. Graz, Austria: Institute for Genomics and Bioinformatics. Graz University of Technology..
  • Refaeilzadeh, Payam, Tang, Lei, Lui, Huan. K-fold Cross-Validation.. Arizona State University.. Phoenix.
  • Fuente:.
Fuente de los datos: Dialnet