Variables y Modelos Para La Identificación y Predicción Del Fracaso Empresarial: Revisión de La Investigación Empírica Reciente
Notice bibliographique
Résumé
Este trabajo analiza la evolución en el tiempo de los estudios sobre fracaso empresarial. Con carácter general, partimos de la revisión crítica realizada en la literatura previa, y aportamos un análisis de la evidencia empírica adicional, con especial atención a la obtenida durante la última década. Pero además, para subsanar algunas deficiencias detectadas en las revisiones anteriores, nos ocupamos de tres aspectos, que pueden considerarse la principal contribución de este trabajo: primero, analizamos la evolución en las últimas décadas del concepto de fracaso empresarial o fallido, detectando cierta evolución desde la identificación hacia la predicción; segundo, analizamos las variables empleadas en los modelos, aportando un estudio de los rasgos empresariales que se representan con las variables (frente al tradicional análisis de frecuencia de las propias variables individuales), siendo los resultados más acordes con los planteamientos y desarrollos teóricos clásicos sobre el fracaso empresarial; y, finalmente, destacamos los puntos fuertes y débiles de las metodologías que, por su reciente aparición, no habían sido analizadas o muy poco por revisiones anteriores: las técnicas de inteligencia artificial y el análisis envolvente de datos (DEA). Adicionalmente, integramos en la revisión el numeroso grupo de trabajos empíricos publicados en España sobre la cuestión, y que no aparecían en ninguna de las revisiones previas analizadas. This work analyzes the evolution of business failure literature. In it, we consider previous critical revisions, contributing with the analysis of additional empirical evidence, paying special attention to the last decade. In order to make up for some deficiencies detected in previous revisions, we deal with three aspects that can be considered the main contribution of this work. First, we analyze the business failure concept during the last decades, detecting, from identification to prediction, certain evolution. Second, we analyze the variables used in the different models, adding –to the traditional frequency analysis of the individual variables– a study of the business features proxied by the variables, obtaining rankings more in line with the classical theoretical approaches and developments on business failure. Finally, we illustrate the salient strengths and weaknesses of the recently, and scarcely analyzed methodologies, such as artificial intelligence techniques and data envelopment analyses (DEA). In addition, we incorporate a large group of empirical works on this matter published in Spain, missing in the previous revision works examined.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,029 | 0,100 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,014 | 0,011 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».