The Good, the Bad, and the Bankrupt: A Super-Efficiency DEA and LASSO Approach Predicting Corporate Failure
Notice bibliographique
Résumé
Corporate failure prediction remains a major topic in the literature. Numerous methodologies have been established for its assessment, while data envelopment analysis (DEA) has received particular attention. This study contributes to the literature, establishing a new approach in the construction process of prediction models based on the combination of logistic LASSO and an advanced version of data envelopment analysis (DEA). We adopt the modified slacks-based super-efficiency measure (modified super-SBM-DEA), following the “Worst practice frontier” approach, and focus on the selection process of predictive variables, implementing the logistic LASSO regression. A balanced sample with one-to-one matching between forty-five firms that filed for reorganization under U.S. bankruptcy law during the period 2014–2020 and forty-five non-failed firms of a similar size from the U.S. energy economic sector has been used for the empirical analysis. The proposed methodology offers superior results in terms of corporate failure prediction accuracy. For the dynamic assessment of failure, Malmquist DEA has been implemented during the five fiscal years prior to the event of failure, offering insights into financial distress before the event of a default. The model outperforms alternatives by achieving higher overall prediction accuracy (85.6%), the better identification of failed firms (91.1%), and the improved classification of non-failed firms (80%). Compared to prior DEA-based models, it demonstrates superior predictive performance with lower Type I and Type II errors and higher sensitivity as well as specificity. These results highlight the model’s effectiveness as a reliable early warning tool for bankruptcy prediction.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».