Por favor, use este identificador para citar o enlazar este ítem:
http://repository.icesi.edu.co/biblioteca_digital/handle/10906/85240
Registro completo de metadatos
Campo DC | Valor | Lengua/Idioma |
---|---|---|
dc.contributor.author | Prado, José Willer do | spa |
dc.contributor.author | Melo Carvalho, Francisval de | spa |
dc.contributor.author | Carvalho de Benedicto, Gideon | spa |
dc.contributor.author | Ribeiro Lima, André Luis | spa |
dc.coverage.spatial | Cali de Lat: 03 24 00 N degrees minutes Lat: 3.4000 decimal degrees Long: 076 30 00 W degrees minutes Long: -76.5000 decimal degrees. | spa |
dc.date.accessioned | 2020-01-21T21:01:41Z | - |
dc.date.available | 2020-01-21T21:01:41Z | - |
dc.date.issued | 2019-10-01 | - |
dc.identifier.issn | 0123-5923 | - |
dc.identifier.uri | http://repository.icesi.edu.co/biblioteca_digital/handle/10906/85240 | - |
dc.description | El objetivo del presente artículo es identificar cuáles son los indicadores económicos-financieros que mejor distinguen a las empresas brasileras de capital abierto por medio de concesión de crédito y evaluar cuáles de las técnicas utilizadas son las más precisas para prever la bancarrota de las empresas. Los métodos utilizados para prever la insolvencia fueron análisis discriminante, regresión logística y redes neuronales. La muestra fue compuesta por 121 empresas de diversos sectores, siendo 70 solventes y 51 insolventes. Los análisis utilizaron 35 indicadores económicos-financieros. Los indicadores económicos-financieros más relevantes fueron: necesidad de capital de trabajo sobre utilidad líquida, termómetro de liquidez, retorno sobre el patrimonio líquido, margen de beneficio, ratio de endeudamiento y patrimonio líquido sobre los activos. El modelo de redes neuronales presentó una mayor precisión y fue corroborada por la Curvas Características Operativas del Receptor (curva ROC). | spa |
dc.description.abstract | The aims of the present article are to identify the economic-financial indicators that best characterize Brazilian public companies through credit-granting analysis and to assess the most accurate techniques used to forecast business bankruptcy. Discriminant analysis, logistic regression and neural networks were the most used methods to predict insolvency. The sample comprised 121 companies from different sectors, 70 of them solvent and 51 insolvent. The conducted analyses were based on 35 economic-financial indicators. Need of working capital for net income, liquidity thermometer, return on equity, net margin, debt breakdown and equity on assets were the most relevant economic-financial indicators. Neural networks recorded the best accuracy and the Receiver Operating Characteristic Curves (ROC curve) corroborated this outcome. | spa |
dc.format.extent | 13 páginas | spa |
dc.format.medium | Digital | spa |
dc.language.iso | eng | spa |
dc.publisher | Universidad Icesi | spa |
dc.relation.ispartof | Estudios gerenciales Vol. 35, No. 153 - 2019 | - |
dc.rights | EL AUTOR, expresa que la obra objeto de la presente autorización es original y la elaboró sin quebrantar ni suplantar los derechos de autor de terceros, y de tal forma, la obra es de su exclusiva autoría y tiene la titularidad sobre éste. PARÁGRAFO: en caso de queja o acción por parte de un tercero referente a los derechos de autor sobre el artículo, folleto o libro en cuestión, EL AUTOR, asumirá la responsabilidad total, y saldrá en defensa de los derechos aquí autorizados; para todos los efectos, la Universidad Icesi actúa como un tercero de buena fe. Esta autorización, permite a la Universidad Icesi, de forma indefinida, para que en los términos establecidos en la Ley 23 de 1982, la Ley 44 de 1993, leyes y jurisprudencia vigente al respecto, haga publicación de este con fines educativos. Toda persona que consulte ya sea la biblioteca o en medio electrónico podrá copiar apartes del texto citando siempre la fuentes, es decir el título del trabajo y el autor. | - |
dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | - |
dc.subject | Riesgo de crédito | spa |
dc.subject | Brasil | spa |
dc.subject | Bancarrota | spa |
dc.subject | Indicadores financieros | spa |
dc.title | Analysis of credit risk faced by public companies in Brazil: an approach based on discri - minant analysis, logistic regression and artificial neural netw | spa |
dc.title.alternative | Análisis del riesgo de crédito que enfrentan las empresas de capital abierto en Brasil: un enfoque utilizando análisis discriminante regresión logística y redes neuronales artificiales | spa |
dc.type | info:eu-repo/semantics/article | spa |
dc.audience | Comunidad Universidad Icesi - Investigadores | spa |
dc.publisher.faculty | Facultad de Ciencias Administrativas y Económicas | spa |
dc.rights.accessrights | info:eu-repo/semantics/openAccess | spa |
dc.publisher.program | Administración de Empresas | spa |
dc.publisher.department | Departamento de Gestión Organizacional | spa |
dc.creator.email | jwprado@gmail.com | spa |
dc.citation.volume | 35 | spa |
dc.citation.issue | 153 | spa |
dc.citation.spage | 347 | spa |
dc.citation.epage | 360 | spa |
dc.identifier.doi | https://doi.org/10.18046/j.estger.2019.153.3151 | - |
dc.rights.license | Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) | - |
dc.publisher.place | Santiago de Cali | spa |
dc.type.coar | http://purl.org/coar/resource_type/c_2df8fbb1 | - |
dc.type.local | Artículo | spa |
dc.identifier.instname | instname: Universidad Icesi | - |
dc.identifier.reponame | reponame: Biblioteca Digital | - |
dc.identifier.repourl | repourl: https://repository.icesi.edu.co/ | - |
dc.rights.coar | http://purl.org/coar/access_right/c_abf2 | - |
dc.type.version | info:eu-repo/semantics/publishedVersion | spa |
dc.type.coarversion | http://purl.org/coar/version/c_970fb48d4fbd8a85 | - |
Aparece en las colecciones: | Estudios gerenciales Vol. 35 No. 153 |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
documento.html | 303 B | HTML | Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons