Acceso usuarios
Cândido Peres, Mário A. Guerreiro Antão
La recurrente crisis mundial cada vez más devastadora vuelve a poner de actualidad la búsqueda de las causas de la destrucción de empresas, cuestión encarnada en el concepto de "quiebra", y en particular en su predicción y anticipación. A pesar de las características de la “quiebra” empresarial son diferentes, independientemente de la geografía o sector, su predicción comparte dificultades y limitaciones similares. En este artículo se presenta una revisión de las aplicaciones del análisis discriminante multivariante en el ámbito de la predicción de la quiebra empresarial. Se analizan 123 funciones o modelos discriminantes, revisados o desarrollados por losinvestigadores entre 1968 y 2014, para múltiples horizontes temporales, países y sectores de actividad. Se identifican las características que tienen en común y sus principalesrestricciones, así como las medidas adoptadas por los autores para garantizar las mejores condiciones para la estabilidad y eficacia de los modelos. Este artículo sugiere algunas oportunidades de mejora en el rendimiento de los modelos discriminantes, de acuerdo con los datos usados y su tratamiento.
The ongoing and increasingly devastating global financial crisis makesit ever more crucial to understand the causes of business failure, epitomized in the concept of “bankruptcy”, with a particular emphasis on its prediction and anticipation. Although one “bankruptcy” event may differ significantly from another, and not just in terms of differences relating to geography or activity sectors, there tend to be some common difficulties and limitations in its prediction. This article presents a review of the applications of multivariate discriminant analysisto the prediction of business “bankruptcy”. We collected 123 functions or discriminant models, developed or revised by researchers between 1968 and 2014, for varioustime horizons, countries and sectors. We aim to identify the procedures and common features of these analyses, the main constraintsthey faced and the measures taken by the authors to ensure optimum conditions for the stability and effectiveness of the models. This article thus suggests opportunities for improving the performance of discriminant models, in terms of the data used and its treatmen
