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

Authors

  • Mariano Romero Martínez Departamento de Contabilidad. Facultad de Economía. Universitat de València.
  • Pedro Carmona Ibáñez Departamento de Contabilidad. Facultad de Economía. Universitat de València.
  • Jose Pozuelo Campillo Departamento de Contabilidad. Facultad de Economía. Universitat de València.

DOI:

https://doi.org/10.7203/CIRIEC-E.101.15572

Abstract

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.

Downloads

Download data is not yet available.

Published

2021-03-31

How to Cite

Romero Martínez, M., Carmona Ibáñez, P., & Pozuelo Campillo, J. (2021). La predicción del fracaso empresarial de las cooperativas españolas. Aplicación del Algoritmo Extreme Gradient Boosting. Ciriec-España, Revista De economía Pública, Social Y Cooperativa, (101), 255–288. https://doi.org/10.7203/CIRIEC-E.101.15572
Metrics
Views/Downloads
  • Abstract
    891
  • PDF (Español)
    673

Issue

Section

Artículos

Metrics