La predicción del fracaso empresarial de las cooperativas españolas. Aplicación del Algoritmo Extreme Gradient Boosting

  1. Romero Martínez, Mariano 1
  2. Carmona Ibáñez, Pedro 1
  3. Pozuelo Campillo, Jose 1
  1. 1 Departamento de Contabilidad. Facultad de Economía. Universitat de València.
Revista:
CIRIEC - España. Revista de economía pública, social y cooperativa

ISSN: 0213-8093

Año de publicación: 2021

Número: 101

Páginas: 255-288

Tipo: Artículo

DOI: 10.7203/CIRIEC-E.101.15572 DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: CIRIEC - España. Revista de economía pública, social y cooperativa

Resumen

El objetivo del estudio realizado es mostrar la utilidad de la metodología Extreme Gradient Boosting (XGBoost), basada en el aprendizaje automático, en la predicción del fracaso empresarial, particularmente en el ámbito de las empresas cooperativas. Para ello, se ha estimado un modelo a partir de una muestra de cooperativas pertenecientes a diversos sectores, que ha permitido identificar que estas empresas presentan una menor propensión al fracaso cuando alcanzan mayores índices de solvencia y rentabilidad y menor endeudamiento. De acuerdo con los resultados, el modelo estimado XGBoost obtiene una capacidad predictiva del 100% en la muestra de entrenamiento y de un 86% en una muestra de comprobación independiente. Asimismo, se destaca la facilidad de la interpretación de los resultados alcanzados, siendo posible determinar el signo y el efecto de cada variable sobre la predicción final de todas y cada una de las observaciones. Este trabajo aporta a la literatura del fracaso empresarial del sector cooperativo la constatación de la utilidad de una nueva metodología (XGBoost), que proporciona un elevado nivel de aciertos y una sencilla interpretabilidad de los resultados.

Referencias bibliográficas

  • ALFARO, E., GARCÍA, N., GÁMEZ, M. & ELIZONDO, D. (2008): “Bankruptcy Forecasting: An Empirical Comparison of AdaBoost and Neural Networks”, Decision Support Systems, 45(1), 110- 122. DOI: 10.1016/j.dss.2007.12.002.
  • ALFARO CORTÉS, E., GÁMEZ MARTÍNEZ, M. & GARCÍA RUBIO, N. (2008): “Linear discriminant analysis versus AdaBoost for failure forecasting”, Revista Española de Financiación y Contabilidad, 37(137), 13-32. DOI: 10.1080/02102412.2008.10779637.
  • BACK, P. (2005): “Explaining financial difficulties based on previous payment behavior, management background variables and financial ratios”, European Accounting Review, 14(4), 839- 868. DOI: 10.1080/09638180500141339.
  • BELL, T.B., RIBAR, G.S. & VERCHIO, J. (17-18 de mayo de 1990): “Neural Nets Versus Logistic Regression: A Comparison of Each Model’s Ability to Predict Commercial Bank Failures” [Comunicación en congreso], En: Srivastava, R.P., Proceedings of the 1990 Deloitte & Touche/University of Kansas Symposium in Auditing Problems, 29-53. Auditing Symposium X. Universidad de Kansas, Lawrence.
  • BORITZ, J.E. & KENNEDY, D.B. (1995): “Effectiveness of Neuronal Network Types for prediction of Business Failure”, Experts Systems with Applications, 9(4), 503-512. DOI: 10.1016/0957- 4174(95)00020-8.
  • BRETOS, I., DÍAZ-FONCEA, M., MARCUELLO, C. & MARCUELLO, C. (2018): “Cooperativas, capital social y emprendimiento: Una perspectiva teórica”, REVESCO, Revista de Estudios Cooperativos, 128, 76-98. DOI: 10.5209/REVE.59775.
  • CALVO-FLORES, A., GARCÍA, D. & MADRID, A. (18-20 de octubre de 2006). Tamaño, Antigüedad y Fracaso Empresarial [Comunicación en congreso]. V Workshop de Investigación Empírica en Contabilidad Financiera, Universidad Autónoma de Madrid, Madrid.
  • CARMONA, P., CLIMENT F. & MOMPARLER A. (2019): “Predicting bank failure in the U.S. banking sector: An extreme gradient boosting approach”, Internacional Review of Economic and Finance, 61, 304-323. DOI: 10.1016/j.iref.2018.03.008.
  • CARRERAS ROIG, L. (2011): “Consideraciones en torno al posible carácter mercantil de las sociedades cooperativas y acerca de las limitaciones a la realización de operaciones con terceros no socios de estas entidades”, REVESCO, Revista de Estudios Cooperativos, 106, 55-73. DOI: 10.5209/rev_REVE.2011.v106.37378.
  • CHAMBERS, M. & DINSMORE, T.W. (2015): Advanced Analytics Methodologies: Driving Business Value with Analytics, Pearson Education, Londres.
  • CHAUDHURI, A. & GHOSH, S.K. (2017): Bankruptcy Prediction through Soft Computing based Deep Learning Technique, Springer Singapore, Singapur. https://doi.org/10.1007/978-981-10-6683-2.
  • CHEN, T. & GUESTRIN, C. (2016): “XGBoost. A Scalable Tree Boosting System”. En: ACM SIGKDD & ACM SIGMOD (2016), KDD ‘16: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785-794. Association for Computing Machinery, Nueva York. DOI: 10.1145/2939672.2939785.
  • CHEN, T., HE, T., BENESTY, M., KHOTILOVICH, V., TANG, Y, CHO, H., CHEN, K. et al. (2019): XGBoost: eXtreme Gradient Boosting. R package version 0.82.1, 785-794. Recuperado el 30 de junio de 2019. https://CRAN.R-project.org/package=xgboost.
  • CLIMENT F., MOMPARLER A. & CARMONA P. (2019): “Anticipating bank distress in the Eurozone: An extreme gradient boosting approach”, Journal of Business Research, 101, 885-896. DOI: 10.1016/j.jbusres.2018.11.015.
  • DÍAZ MARTÍNEZ, Z., FERNÁNDEZ MENÉNDEZ, J. & SEGOVIA VARGAS, M.J. (2004): Sistemas de inducción de reglas y árboles de decisión aplicados a la predicción de insolvencias en empresas aseguradoras (Documentos de Trabajo de la Facultad de Ciencias Económicas y Empresariales, 9), Universidad Complutense de Madrid, Madrid. http://eprints.ucm.es/6833/.
  • DIÉGUEZ SOTO, J., TRUJILLO ARANDA, F. & CISNEROS, A.J. (9 y 10 de noviembre de 2006): “Modelos de predicción de la insolvencia empresarial: la incorporación de ratios a partir de un marco teórico”. En: Carrasco, A., Riesgos, regulación bancaria y derecho concursal. VI Jornadas sobre Predicción del Insolvencia Empresarial. Carmona, España.
  • DIETRICH, J., ARCELUS, F.J. & SRINIVASAN, G. (2005): “Predicting financial failure: some empirical evidence from New Brunswick agricultural co-ops”, Annals of Public and Cooperative Economics, 76, 179-194. DOI: 10.1111/j.1370-4788.2005.00275.x.
  • ELITH, J., LEATHWICK, J.R. & HASTIE, T. (2008): “A working guide to boosted regression trees”, Journal of Animal Ecography, 77, 802-813. https://doi.org/10.1111/j.1365- 2656.2008.01390.x.
  • FLETCHER, D. & GOSS, E. (1993): “Application Forecasting with Neural Networks: An Application Using Bankruptcy Data”, Information and Management, 24, 159-167. DOI: 10.1016/0378- 7206(93)90064-Z.
  • FOSTER, D. (2017a): NEW R package that makes XGBoost interpretable. Recuperado el 30 de junio de 2019, https://medium.com/applied-data-science/new-r-package-the-xgboost-explainer-51dd7d1aa211.
  • FOSTER, D. (2017b): xgboostExplainer: XGBoost Model Explainer. R package version 0.1. Recuperado el 30 de junio de 2019. https://github.com/AppliedDataSciencePartners/xgboostExplainer.
  • FRIEDMAN, J.H. (2001): “Greedy function approximation: A gradient boosting machine”, The Annals of Statistics, 29(5), 1189-1232, http://www.jstor.org/stable/2699986.
  • FRIEDMAN, J.H. (2002): “Stochastic gradient boosting”, Computational Statistics and Data Analysis, 38(4), 367-378. DOI: 10.1016/S0167-9473(01)00065-2.
  • HONJO, Y. (2000): “Business failure of new software firms”, Applied Economic Letters, 7(9), 575-579. DOI: 10.1080/13504850050059032.
  • ITURRIOZ, J. (2010): “Los procesos concursales en situación de crisis: características de su aplicación a las sociedades cooperativas”, REVESCO, Revista de Estudios Cooperativos, 100, 134- 159, https://www.redalyc.org/articulo.oa?id=36712366005.
  • ITURRIOZ J. & MARTÍN, S. (2013): “El tamaño como elemento determinante de la insolvencia en las sociedades cooperativas: estudio a partir de los procesos concursales”, REVESCO, Revista de Estudios Cooperativos, 111, 90-107, http://hdl.handle.net/10637/8311.
  • JAMES, G., WITTEN, D., HASTIE, T. & TIBSHIRANI, R. (2017): An Introduction to Statistical Learning, Springer, Cham.
  • JAYANTHI, J., KAUR, G. & SURESH, K. (2017): “Financial forecasting using decision tree (reptree y c4.5) and neural networks (k*) for handling the missing values”, ICTAC Journal on soft computing, 7(3), 1473-1477. DOI: 10.21917/ijsc.2017.0204.
  • JUSTE, J.J., GÓMEZ, J.M. & FERNÁNDEZ, J.E. (2011): “Economía social y desarrollo local/rural. Un análisis de sus sinergias”, Estudios de Economía Aplicada, 29(1), 189-222, https://www.redalyc.org/articulo.oa?id=301/30120835007.
  • KIM, M.J. & KANG, D.K. (2010): “Ensemble with Neural Networks for Bankruptcy Prediction”, Expert System with Applications, 37(4), 3373-3379. DOI: 10.1016/j.eswa.2009.10.012.
  • KIM, M.J., KANG, D.K. & KIM, H.B. (2015): “Geometric Mean Based Boosting Algorithm with Over-Sampling to Resolve Data Imbalance Problem for Bankruptcy Prediction”, Expert Systems with Applications, 42(3), 1074-1082. DOI: 10.1016/j.eswa.2014.08.025.
  • KIM, S.Y. & UPNEJA, A. (2014): “Predicting Restaurant Financial Distrees Using Decisión Tree and AdaBoosted Decision Tree Models”, Economic Modelling, 36, 354-362. DOI: 10.1016/j.econmod.2013.10.005.
  • KUHN, M. & JOHNSON, K. (2013): Applied predictive modeling, Springer, Cham.
  • KUHN, M. et al. (2019): Caret: Classification and Regression Training. R package version 6.0-82. Recuperado el 30 de junio de 2019. https://cran.rproject.org/web/packages/caret/index.html.
  • LABATUT, G., POZUELO, J. & VERES, E. (2009): “Modelización temporal de los ratios contables en la detección del fracaso empresarial de la PYME española”, Revista Española de Financiación y Contabilidad, 38(143), 423-447. https://doi.org/10.1080/02102412.2009.10779672.
  • LÓPEZ, F.J. & PASTOR, I. (2015): “Bankruptcy visualization and prediction using neural netwoks: A study of U.S. comercial banks”, Experts Systems with Aplications, 42(6), 2857-2869. DOI: 10.1016/j.eswa.2014.11.025.
  • MARÍ, S., MARÍN, M. SEGUÍ, E. & MICHAEL-ZAMORANO, M. (2014): “Análisis cualitativo de los determinantes en la predicción del fracaso empresarial en cooperativas agroalimentarias”, ITEA-Información Técnica Económica Agraria, 110, 300-320. DOI: 10.12706/itea.2014.019.
  • MARTÍN, S., LEJARRIAGA, G. & ITURRIOZ, J. (2007): “La naturaleza del capital social como aspecto diferenciador entre las sociedades cooperativas y las sociedades laborales”, CIRIEC-España, Revista de economía pública, social y cooperativa, 58, 59-82. https://www.redalyc.org/articulo.oa?id=17405803.
  • MASA, C.I, ITURRIOZ, J. & MARTÍN, S. (2016): “Aspectos determinantes del fracaso empresarial: efecto de la proyección social de las cooperativas frente a otras formas jurídicas”, CIRIEC-España, Revista Española de Economía Pública, Social y Cooperativa, 88, 93-125. https://www.redalyc.org/articulo.oa?id=17449696004.
  • MATEOS, A., MARÍN, M.M., MARÍ, S. & SEGUÍ, E. (2011): “Los modelos de predicción del fracaso empresarial y su aplicabilidad en cooperativas agrarias”, CIRIEC-España, Revista de Economía Pública, Social y Cooperativa, 70, 179-208. https://www.redalyc.org/articulo.oa?id=17418829007.
  • MOMPARLER, A., CARMONA, P. & CLIMENT, F.J. (2016): “La predicción del fracaso bancario con la metodología Boosting Classification Tree”, Revista Española de Financiación y Contabilidad, 45(1), 63-91. DOI: 10.1080/02102412.2015.1118903.
  • ODOM, M.D. & SHARDA, R. (17-21 de junio de 1990): “A neural network model for bankruptcy prediction” [Comunicación en congreso], 1990 IJCNN International Joint Conference on Neural Networks 2, San Diego, EE.UU, 163-168. DOI: 10.1109/IJCNN.1990.137710.
  • POPESCU, M.E., ANDREICA, M. & POPESCU, I.P. (2-4 de noviembre de 2017): “Decision support solution to business failure prediction”, Proceedings of the International Management Conference, 11(1), 99-106. 11th International Management Conference. Faculty of Management, Academy of Economic Studies, Bucarest, Rumania.
  • POZUELO, J., CARMONA, P. & MARTÍNEZ, J. (2012): “Las sociedades cooperativas y las empresas capitalistas en la Comunidad Valenciana: Análisis comparado de su estructura económica y financiera”, CIRIEC-España, Revista Española de Economía Pública, Social y Cooperativa, 74, 117-147. https://www.redalyc.org/articulo.oa?id=17423124005.
  • POZUELO, J., LABATUT, G. & VERES, E. (2010): “Análisis descriptivo de los procesos de fracaso empresarial en microempresas mediante técnicas multivariantes”, Revista Europea de Dirección y Economía de la Empresa, 19(3), 47-66.
  • POZUELO, J., MARTÍNEZ, J. & CARMONA, P. (2012): “Estudio de la insolvencia empresarial en las cooperativas mediante técnicas multivariantes”, Estudios de Economía Aplicada, 3, 1-23. https://www.redalyc.org/articulo.oa?id=30125274015.
  • POZUELO, J., MARTÍNEZ, J. & CARMONA, P. (2018): “Análisis de la utilidad del algoritmo Gradient Boosting Machine (GBM) en la predicción del fracaso empresarial”, Spanish Journal of Finance and Accounting / Revista Española de Financiación y Contabilidad, 47(4), 507-532. DOI: 10.1080/02102412.2018.1442039.
  • R CORE TEAM (2019): R: A language and environment for statistical computing. R Foundation for Statistical Computing. Recuperado el 30 de junio de 2019. http://www.R-project.org/.
  • 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. DOI: 10.1016/j.ejor.2006.08.043.
  • Real Decreto Legislativo 1/2020 de 2020, por el que se aprueba el texto refundido de la Ley Concursal. 5 de mayo de 2020. BOE-A-2020-4859.
  • Reglamento (UE) 651/2014 de la Comisión, por el que se declaran determinadas categorías de ayudas compatibles con el mercado interior en aplicación de los artículos 107 y 108 del Tratado. 17 de junio de 2014. Diario oficial de la Unión Europea, de 26 de junio de 2014.
  • ROMERO, F. (2013): “Alcances y limitaciones de los modelos de capacidad predictiva en el análisis del fracaso empresarial”, AD-minister, 23, 45-70. https://www.redalyc.org/articulo.oa?id=322329207004.
  • SUN, J., LI, H., HUANG, Q.-H. & HE, K.Y. (2014): Predicting financial distress and corporate failure: A review from the state-of-the-art definitions, modeling, sampling, and featuring approaches. Knowledge-Based Systems, 57, 41-56. DOI: 10.1016/j.knosys.2013.12.006.
  • TAM, K.Y. (1991): “Neural Network Models and the Prediction of Bank Bankruptcy”, Omega, 19(5), 429-445. DOI: 10.1016/0305-0483(91)90060-7.
  • TAM, K.Y. & KIANG, M.Y. (1992): “Managerial Applications of Neural Networks: The Case of Bank Failure Predictions”, Management Science, 38(7), 926-947. DOI: 10.1287/mnsc.38.7.926.
  • TASCÓN, M.T. & CASTAÑO, F.J. (2012): “Variables y Modelos para la Identificación y Predicción del Fracaso Empresarial: Revisión de la Investigación Empírica Reciente”, Revista de Contabilidad, 15(1), 7-58. DOI: 10.1016/S1138-4891(12)70037-7.
  • TSENG, F.M. & HU, Y.C. (2010): “Comparing for bankruptcy prediction models: Logit, quadratic interval logit, neural and fuzzy neural networks”, Experts Systems with Aplications, 37(3), 1846-1853. DOI: 10.1016/j.eswa.2009.07.081.
  • TURETSKY, H.F. & McEWEN, R.A. (2001): “An Empirical Investigation of Firm Longevity: A Model of the Ex Ante Predictors of Financial Distress”, Review of Quantitative Finance and Accounting, 16(4), 323-343. DOI: 10.1023/A:1011291425075.
  • VARGAS VASSEROT, C. (2010): “El derecho de reembolso del socio en caso de baja y el concurso de las sociedades cooperativas”, CIRIEC-España, Revista de Economía Pública, Social y Cooperativa, 21, 37-58.
  • WANG, G., MA, J. & YANG, S. (2014): “An Improved Boosting Based on Feature Selection for Corporate Bankruptcy Prediction”, Expert Systems with Applications, 41(5), 2353-2361. DOI: 10.1016/j.eswa.2013.09.033.
  • WILSON, G.I. & SHARDA, R. (1994): “Bankruptcy prediction using neural network”, Decision support systems, 11(5), 545-557. DOI: 10.1016/0167-9236(94)90024-8.
  • XGBOOST.READTHEDOCS.IO (2019): XGBoost Parameters xgboost 1.0.0. Recuperado el 30 de junio de 2019. https://xgboost.readthedocs.io/en/latest/parameter.html.
  • ZHANG, G.P., HU, M.Y., PATUWO, B.E. & INDRO, D.C. (1999): “Artificial Neural Networks in Bankruptcy Prediction: General Framework and Cross-Validation Analysis”, European Journal of Operational Research, 116(1), 16-32. DOI: 10.1016/S0377-2217(98)00051-4.
  • ZIEBA, M., TOMCZAK, S.K. & TOMCZAK, J.M. (2016): “Ensemble Boosted Trees with Synthetic Features Generation in Application to Bankruptcy Prediction”, Expert Systems with Applications, 58, 93-101. DOI: 10.1016/j.eswa.2016.04.001.
Fuente de los datos: Dialnet