Predicción de la insolvencia en microempresas mediante análisis logit y redes neuronales artificiales

Resumen

Esta tesis doctoral estudia los modelos de predicción de la insolvencia empresarial desarrollados específicamente para las microempresas más pequeñas (micro-entities). Para el desarrollo de estos modelos, se han utilizado predictores financieros, no financieros y macroeconómicos con la finalidad de analizar la influencia de cada uno de estos factores en la predicción de la insolvencia de las microempresas más pequeñas. Para la construcción de estos modelos se han empleado dos técnicas estadísticas, una paramétrica (la regresión logística binaria) y otra no paramétrica (las redes neuronales artificiales tipo perceptrón multicapas), al objeto de comparar la capacidad predictiva de ambas, y se ha utilizado una gran base de datos de micro-entities del Reino Unido. Los resultados obtenidos ponen de manifiesto que los modelos de predicción de la insolvencia empresarial pueden ser aplicados de forma fructífera a las microempresas más pequeñas. Además, encontramos que la combinación de variables financieras, no financieras y macroeconómicas producen los modelos con mejor capacidad predictiva. Finalmente, se evidencia que las redes neuronales artificiales producen modelos con mayor poder predictivo que el tradicional análisis de regresión logística. Estos hallazgos tienen especial relevancia y utilidad para todos los stakeholders de las microempresas más pequeñas ya que les permiten actuar consecuentemente, previniendo y/o tomando decisiones con mayor grado de certeza. Esta utilidad adquiere una especial significación en el caso de accionistas y acreedores debido a que la insolvencia de las empresas con las que interactúan puede causarles grandes pérdidas económicas.