Validez de la información financiera en los procesos de insolvencia. Un estudio de la pequeña empresa española

Referencias bibliográficas

• Alfaro, E., Gámez, M., García, N., 2008. Linear discriminant analysis versus adaboost for failure forecasting. Revista Española de Financiación y Contabilidad XXXVII (137), 13-32.
• Altman E.I. Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. Journal of Finance 1968, 23(4):589-609.
• Altman E.I. Corporate Financial Distress and Bankruptcy 1993, John Wiley & Sons Inc, New York (USA). 2nd ed.
• Altman, E., Haldeman, R.G., Narayanan, P., 1977. ZETATM analysis: A new model to identify bankruptcy risk of corporations. Journal of Banking and Finance 1 (1), 29-54.
• Altman E.I., Sabato G. Modeling Credit Risk for SMEs: Evidence form the US Market. Abacus 2006, 19(6):716-723.
• Balcaen S., Ooghe H. 35 years of studies on business failure: an overview of the classic statistical methodologies and their related problems. The British Accounting Review 2006, 38:63-93.
• Bauer E., Kohavi R. An empirical comparison of voting classification algorithms: Bagging, boosting, and variants. Machine Learning 1999, 36:105-142.
• Beaver W.H. Financial ratios as predictors of failure. Journal of Accounting Research, Vol. 4, Empirical Research in Accounting: Selected Studies 1966, 71-111.
• Calvo-Flores, A., García, D., Madrid, A., 2007. Tamaño, antigüedad y fracaso empresarial. Working Paper n.°1. Grupo Interuniversitario de Investigación. Análisis Estratégico para el Desarrollo de la Pyme.
• Casey, C., Bartczak, N., 1985. Using operating cash-flow data to predict financial distress: Some extensions. Journal of Accounting Research 23 (1), 384-401.
• Charalambous, C., Charitou, A., Kaorou, F. 2000. Comparative analysis of artificial neural network models: application in bankruptcy prediction. Annals of Operation Research 99 (4), 403-425.
• De la Torre, J.M., Gómez, M.E., 2005. Análisis de la sensibilidad temporal en los modelos de predicción de insolvencia: Una aplicación a las pymes industriales. Comunicación presentada al XIII Congreso de A.E.C.A. (Armonización y Gobierno de la Diversidad). Oviedo, 22-24 de septiembre.
• Deakin, E.B., 1972. A discriminant analysis of predictors of business failure. Journal of Accounting Research 10 (1), 167-179.
• Demyansk Y., Hassan I. Financial Crises and Bank Failures: A Review of Prediction Methods. Omega 2010, 38(5):315-324.
• Edmister, R., 1972. An empirical test of financial ratio analysis for small business failure prediction. Journal of Financial and Quantitative Analysis 7 (2), 1.477-1.493.
• Eisenbeis R.A. Pitfalls in the application of discriminant analysis in business, finance and economics. The Journal of Finance 1977, 32(3):875-900.
• Ferrando, M., Blanco, F., 1998. La previsión del fracaso empresarial en la Comunidad Valenciana: aplicación de los modelos discriminante y logit. Revista Española de Financiación y Contabilidad 27 (95), 499-540.
• Fitzpatrick P.J. A Comparison of ratios of successful industrial enterprises with those of failed firms. Certified Public Accountant 1932, 12:598-605. 656-662 y 727-731.
• Foreman R.D. A logistic analysis of bankruptcy within the US local telecommunications industry. Journal of Economics and Business 2003, 55:135-166.
• Friedman, J., Hastie, T., Tibshirani, R., 2000. Additive logistic regression: a statistical view of boosting. Annals of Statistics 38 (2), 337-407.
• Frydman, H., Altman, E.I., Kao, D.L., 1985. Introducing recursive partitioning for financial classification: The case of financial distress. Journal of Finance 40 (1), 269-291.
• Gallego A.M., Gómez J.C., Yañez L. Modelos de predicción de quiebras en empresas no financieras. Actualidad Financiera 1997, (5):3-14.
• García J.M., García B., Neophytou E. Earning quality in expost failed firms. Accounting and Business Research 2009, 39(2):119-138.
• Gómez M.E., De la Torre J.M., Roman I. Análisis de sensibilidad temporal en los modelos de predicción de insolvencia: una aplicación a las PYMES industriales. Revista Española de Financiación y Contabilidad 2008, 37(137):85-111.
• Gujarati D.N. Basic Econometrics 2003, McGraw-Hill Inc.
• Jiménez S., Abad M.C., Arquero J.L. El Fracaso Empresarial. Características y Tipos 2007, AECA, Madrid.
• Keasey, K., McGuinnes, P., Short, H., 1990. Multilogit approach to predicting corporate failure: Further analysis and the issue of signal consistency. Omega 18 (1), 85-94.
• Kohonen T. Self-organized formation of topologically correct feature maps. Biological Cybernetics 1982, 43(1):59-69.
• Labatut G., Pozuelo J., Veres E. Modelización temporal de los ratios contables en la detección del fracaso empresarial de la PYME española. Revista Española de Financiación y Contabilidad 2009, 38(143):199-225.
• Laffarga J., Martín J., Vazquez J. El análisis de la solvencia en las instituciones bancarias: propuesta de una metodología y aplicaciones a la banca española. Esic Market 1985, 48:51-83.
• Laffarga, J., Mora, A., 2002. La predicción del fracaso empresarial. El estado de la cuestión en España. En: Roldán Tié, F., Rodríguez López, M. (Coords.), La gestión del riesgo de crédito. AECA Monografías. AECA, Madrid, pp. 25-46.
• Laitinen T., Kankaanpää M. Comparative analysis of failure prediction methods: the Finnish case. The European Accounting Review 1999, 8(1):67-92.
• Lennox, C., 1999. Identifying failing companies: A re-evaluation of the logit, probit and DA approaches. Journal of Economics and Business 51 (4), 347-364.
• Ley Concursal 22/2003, de 9 de Julio de 2003.
• Lizarraga Dallo F. Utilidad de la información contable en el proceso de fracaso: Análisis del sector industrial de la mediana empresa española. Revista Española de Financiación y Contabilidad 1997, 26(93):871-915.
• Lo, A.W., 1986. Logit versus discriminant analysis: A specification test and application to corporate bankruptcies. Journal of Econometrics 31 (2), 151-178.
• López Gracia J., Gandia Cabedo J.L., Molina Llopis R. La suspensión de pagos en las pymes: una aproximación empírica. Revista Española de Financiación y Contabilidad 1998, 27(94):71-97.
• Manzaneque M., Banegas R., García Pérez D.E., Lema D. Diferentes procesos de fracaso empresarial. Un análisis dinámico a través de la aplicación de técnicas estadísticas clúster. Revista Europea de Dirección y Economía de la Empresa 2010, 19(3):67-88.
• Manzaneque, M., García Pérez de Lema, D., Anton, M., 2011. La predicción de la insolvencia empresarial y el ciclo económico. VIII Workshop de Investigación Empírica en Contabilidad Financiera, Sevilla 23-25 de marzo.
• Marais, M., Patell, J., Wolfson, M., 1984. The experimental design of classification models: An application of recursive partitioning and bootstrapping to commercial bank loan classifications. Journal of Accounting Research 22(Suppl.), 87-114.
• Martin, D., 1977. Early warning of bank failure: A logit regression approach. Journal of Banking and Finance 1 (3), 249-276.
• McKee, T., 2000. Developing a bankruptcy prediction model via rough sets theory. International Journal of Intelligent Systems in Accounting, Finance and Management 9, 159-173.
• Minguez Conde, J.L. 2006. " Factores explicativos de la insolvencia empresarial: una aplicación a la pequeña y mediana empresa constructora". Comunicación presentada a las VI Jornadas sobre Predicción de Insolvencia Empresarial. Carmona (Sevilla), 9 y 10 de noviembre.
• Ohlson, J.A., 1980. Financial ratios and the probabilistic prediction of bankruptcy. Journal of Accounting Research 18 (1), 109-131.
• Platt, H.D., Platt, M.B., 1991. A note in the use of industry-relative ratios in bankruptcy prediction. Journal of Banking and Finance 15 (6), 1.183-1194.
• Pontier D., Natoli E., Xin-Gui L., Mei-Rong H., Gang L., Genter A., et al. A Survey of business failures with an emphasis on prediction methods and industrial applications. European Journal of Operational Research 1996, 90(3):487-513.
• Pozuelo J., Labatut G., Veres E. Análisis descriptivo de los procesos de fracaso empresarial en microempresas mediante técnicas multivariantes. Revista Europea de Dirección y Economía de la Empresa 2010, 19(3):47-66.
• Premachandra I.M., Bhabra G.S., Sueyoshi T. DEA as a tool for bankruptcy assessment: A comparative study with logistic regression technique. European Journal of Operational Research 2009, 193(2):412-424.
• Quinlan J.R. Boosting, bagging, and c4.5. Proceedings AAAI-96 Fourteenth National Conference on Artificial Intelligence 1996, AAAI Press, Menlo Park, CA.
• Rahminian, E., Singh, S., Thammachote, T., Virmani, R., 2000. Bankrupcty prediction by neural networks. En: Trippi, R.R., Turban, E., (Eds.), Neural networks in finance and iinvesting. Irwin, Homewood, ILL., pp. 175-332.
• Ravi Kumar, P., RAVI, V., 2007. Bankruptcy prediction in banks and firms via statistical and intelligent techniques - A review. European Journal of Operational Research 180(1), 1-28.
• Rodríguez Acebes M.C. La predicción de las crisis empresariales: Modelos para el sector de seguros 1990, Universidad de Valladolid. Departamento de publicaciones, Valladolid.
• Rodríguez López, M., 2001. Predicción del fracaso empresarial en compañías no financieras. Consideración de técnicas de análisis multivariante de corte paramétrico. Actualidad Financiera 6 (6), 27-42.
• Rodríguez López, M., 2004. Análisis de sensibilidad del modelo de redes neuronales artificiales para la predicción de la insolvencia empresarial. Una métrica para superar la solución de «Caja Negra». Comunicación presentada a las V Jornadas sobre la Predicción de la Insolvencia Empresarial. La gestión del riesgo financiero y la Nueva Ley Concursal. Universidad de Oviedo-AECA, 18 y 19 de noviembre.
• Rodríguez-Vilariño Pastor M.L. Utilidad del análisis de ratios para la predicción de la insolvencia empresarial (I) (II) y (III). Actualidad Financiera 1994, (34, 35 y 36):C699-C724. C725-C750 y C751-C773.
• Rubio M. Análisis del fracaso empresarial en Andalucía. Especial referencia a la edad de la empresa. Cuadernos de Ciencias Económicas y Empresariales 2008, (54):35-56.
• Schapire, R.E., 2002. The boosting approach to machine learning an overview. En: Workshop on nonlinear estimation and classification. MSRI.
• Serrano Cinca, C., Martín del Brío, B., 1993. Predicción de la quiebra bancaria mediante el empleo de redes neuronales artificiales. Revista Española de Financiación y Contabilidad 22 (74), 153-176.
• Sinkey, J.F., 1975. A multivariate statistical analysis of the characteristics of problem bank. The Journal of Finance 30 (1), 21-36.
• Taffler, R., 1983. The assessment of company solvency and performance using a statistical model: A comparative UK based study. Accounting and Business Research 13 (52), 295-307.
• Tam, K.Y., Kiang, M., 2000. Predicting bank failures: a neural network approach. En: Trippi, R.R., Turban, E., (Eds.), Neural networks in finance and investing. Irwin, Homewood, ILL., pp. 267-301.
• Tascón M.T., Castaño F.J. Predicción del fracaso empresarial: Una revisión. Comunicación presentada al XV Congreso AECA. Valladolid 2009, 23-25 septiembre.
• Wilson, R.L., Sharda, R., 2000. Bankrupcty prediction using neural networks. En: Trippi, R.R., Turban, E., (Eds.), Neural networks in finance and investing. Irwin, Homewood, ILL., pp. 367-394.
• Winakor C.H., Smith R.F. Changes in Financial Structures of Unsuccessful Industrial Companies. Bulletin n° 51. Bureau of Economic Research 1935, University of Illinois Press.
• Zmijewski M. Methodological issues related to the estimation of financial distress prediction models. Journal of Accounting Research 1984, 22(Supplement):59-86.
• Zopounidis C., Doumpos M. Multicriteria classification and sorting methods: A literature review. European Journal of Operational Research 2002, 138(2):229-246.