En lugar de analizar individualmente la relación entre ratios financieros y el fracaso empresarial, este estudio constituye un nuevo enfoque, examinando las complejas condiciones antecedentes de tales variables relacionadas con el fracaso. En otras palabras, este estudio identifica combinaciones de antecedentes simples (es decir, condiciones antecedentes complejas de variables financieras) que conducen a la quiebra o no de la empresa turística española.

3. DATOS Y METODOLOGÍA

3.1. Selección de la muestra

Para el proceso de selección de la muestra de empresas se ha utilizado la base de datos financiera “Sistema de Análisis de Balances Ibéricos”, que incluye datos de más de 2,9 millones de empresas españolas y 900.000 portuguesas (SABI, 2023).

Con el fin de analizar un grupo de empresas homogéneo se ha optado por restringir el estudio a empresas españolas categorizadas como pymes según el Reglamento (UE) nº 651/2014 de la Comisión, de 17 de junio de 2014 (Comisión Europea, 2014) y pertenecientes a un único sector (turístico), para lo cual se ha tenido en cuenta el sistema de Clasificación Nacional de Actividades Económicas (CNAE) desarrollado por el INE a nivel de dos dígitos. En concreto, se han seleccionado las pymes incluidas en los códigos 55 (Servicios de alojamiento), 56 (Servicios de comidas y bebidas) y 79 (Actividades de agencias de viajes, operadores turísticos, servicios de reservas y actividades relacionadas con los mismos).

Para el proceso de obtención de los datos se han seleccionado la totalidad de empresas fracasadas durante el año 2022, optando por una definición de fracaso que permitiese distinguir con claridad las empresas sanas de las que no lo son. Para ello, se ha considerado como fracaso a la situación jurídica de concurso de acreedores (de acuerdo a lo expuesto anteriormente), de modo que una empresa se considerará fracasada si ha presentado o iniciado un expediente concursal y no fracasada en caso contrario. Para obtener la muestra correcta de empresas fracasadas, se han descartado aquellas de las que no se disponía de datos contables completos del año 2022 (datos actualizados en SABI con fecha mayo de 2023). La muestra final así obtenida consta de un total de 24 pymes fracasadas.

Dado que la aplicación de la metodología fsQCA trata de obtener las combinaciones que conducen a un resultado (fracaso) frente al contrario (empresa sana), se han escogido, con los mismos criterios, otras 24 pymes activas en el año 2022 para completar la muestra. Con el objetivo de obtener resultados consistentes, se ha recurrido a la técnica del emparejamiento, asociando cada una de las empresas fracasadas con una activa de las mismas características, elegida aleatoriamente entre aquellas de tamaño similar, medido en términos de volumen de activos (Momparler et al., 2020; Pozuelo Campillo et al., 2023). De esta forma, cada pyme fracasada lleva aparejada una pyme activa.

Por tanto, la muestra final se compone de un total de 48 empresas, la mitad fracasadas y la otra mitad activas. En la Tabla 2 se resumen los criterios de búsqueda de empresas introducidos en la base de datos SABI.

3.2. Descripción de variables

La elección de las variables a considerar en el estudio se ha realizado en los siguientes términos:

a. Variable resultado

En el modelo se ha considerado como variable “dependiente” (resultado a explicar) el fracaso empresarial, definido como la situación legal que presenta una empresa de encontrarse en concurso de acreedores. Esta variable se califica como dicotómica o binaria, ya que tomará el valor 1 para las empresas fracasadas (en concurso de acreedores) y 0 para las empresas activas o sanas.

b. Variables explicativas: condiciones o antecedentes

Uno de los aspectos más importantes en el desarrollo de los modelos de predicción de fracaso empresarial es decidir qué variables independientes se consideran en el estudio. Para este tipo de modelos, los ratios económico-financieros fundamentan el proceso de predicción y son utilizados en la mayoría de los estudios, construyéndose a partir de los estados financieros de las empresas (Álvarez-Ferrer & Campa-Planas, 2020; Bustos-Contell et al., 2021; Noguera Venero, 2023).

Debido a la alta correlación entre las diferentes partidas de los estados financieros, es fundamental que el número de ratios sea mínimo, seleccionando uno para cada dimensión empresarial a considerar (Beaver et al., 2005, 2008). Específicamente, la selección de las dimensiones se ha fundamentado en la revisión de investigaciones previas y la aceptación generalizada de las mismas, obteniendo las siguientes: rentabilidad, endeudamiento, actividad, rotación y liquidez. Adicionalmente, se ha incluido la variable “tamaño de la empresa” como variable de control (Gracia et al., 1998; Ohlson, 1980).

Sin embargo, cada una de las cinco dimensiones propuestas puede ser medida a partir de ratios muy diversos, habiendo considerado inicialmente las descritas en la Tabla 3. Para llevar a cabo el proceso de selección del ratio que explica cada variable se ha tenido en consideración la disponibilidad de la información contable en la base de datos SABI, la importancia de cada ratio en la literatura económica y el análisis de correlación entre las variables. Para evaluar este último aspecto se ha utilizado la matriz de correlación de Pearson, con el objetivo de verificar que no existiesen correlaciones fuertes entre las mismas.

En base a estas premisas, las variables utilizadas para identificar las relaciones causales que conducen al resultado del fracaso empresarial son las que se muestran en la Tabla 4, en la que se explicita la relación que tiene cada variable independiente con el resultado de acuerdo con la literatura económica (Masa Lorenzo et al., 2016), así como el intervalo que comprende los valores de cada una.

En la Figura 2 se representa, mediante un correlograma elaborado en RStudio, las correlaciones entre las condiciones antecedentes seleccionadas, pudiéndose observar que los valores de estas correlaciones son muy bajos, por lo que la selección de las mismas puede considerarse adecuada.

FIGURA 2. CORRELOGRAMA DE CONDICIONES ANTECEDENTES INCLUIDAS EN EL ANÁLISIS

Fuente: Elaboración propia.

De acuerdo con lo anterior, el modelo propuesto para este estudio queda establecido en los siguientes términos:

FRACASO=f (RENTAB5, ENDEUD3, ACTIV1, ROT1, LIQ1, SOLV, TAMAÑO)

Todos los ratios han sido calculados en la propia base de datos SABI a partir del balance de situación y la cuenta de pérdidas y ganancias de cada empresa disponible en dicha plataforma.

3.3. Metodología

El Análisis Cualitativo Comparativo o Qualitative Comparative Analysis (QCA) es una técnica de análisis de datos asimétricos propuesta por Ragin (1987) que permite identificar las condiciones individualmente necesarias y las configuraciones causales suficientes para la presencia o ausencia de un resultado en casos similares. En otras palabras, esta herramienta es utilizada para precisar qué combinación de condiciones de entre las estudiadas están asociadas a la presencia de un resultado específico.

Esta metodología no utiliza un lenguaje basado en variables dependientes e independientes, sino en resultados y condiciones, respectivamente. Es precisamente la interacción entre dichas condiciones, lo que se denomina configuraciones, la que ocasiona el resultado objeto de estudio, y no el impacto aislado de las mismas.

De esta forma, esta metodología trata de evitar alguna de las deficiencias que supone la aplicación de técnicas tradicionales de análisis cuantitativo, en particular la Regresión Lineal Múltiple (RLM), enfocadas únicamente en estudiar los efectos netos de cada variable independiente sobre la dependiente. Las diferencias más destacadas entre ambos enfoques pueden consultarse en Pappas y Woodside (2021, p. 14).

Asimismo, QCA busca superar las dificultades de la generalización de los datos, la tendencia descriptiva y particularista en relación al fenómeno estudiado y la falta de un enfoque sistemático y de replicabilidad en el tratamiento de los datos (Rosati & Chazarreta, 2017). En su operativa, se basa en la lógica booleana formulada por George Boole (1854), considerando verdadero o falso si cumple la condición del modelo (1 o 0), de forma que es posible transformar los valores en conjuntos para construir una matriz de datos, donde cada fila corresponde a una configuración (combinación de condiciones), mostrando en la tabla de verdad o truth table todos los casos posibles.

El desarrollo de la metodología QCA ha dado lugar a diferentes variantes, siendo la metodología fuzzy-set QCA (fsQCA) la versión más utilizada entre las variantes QCA, ya que realiza un análisis de casos más refinado, proporcionando una visión más profunda y rica de los datos disponibles (Schneider & Wagemann, 2012). Esta metodología integra la teoría de conjuntos borrosos y la lógica difusa planteados por Zadeh (1965) con los principios de la lógica booleana (Boole, 1854) en los que se basa QCA. Su uso ha experimentado un notable desarrollo en los últimos años, extendiendo su aplicación a diferentes áreas. En el ámbito de las ciencias sociales (Greckhamer et al., 2018; Pappas & Woodside, 2021) el interés de la aplicación fsQCA puede entenderse desde una doble perspectiva: por un lado, porque a diferencia de las técnicas estadísticas tradicionales, permite extraer conclusiones de los casos particulares y, por otro, porque facilita la incorporación de valoraciones imprecisas (variables subjetivas o de difícil medida exacta), obteniéndose en muchos casos relaciones no simétricas; es decir, pueden detectarse causas y consecuencias sin que necesariamente se estén produciendo relaciones de equivalencia (sino solo condiciones necesarias o suficientes).

Frente a otras técnicas, la aplicación de fsQCA posibilita analizar conjuntamente variables de diferentes tipos (aunque se requieren transformaciones), permite incorporar características cuantitativas continuas junto con otras discretas o cualitativas/categóricas, no precisa suponer independencia entre las variables explicativas, tampoco supone la existencia de relaciones causa-efecto (pues se considera una lógica asimétrica) y no exige asumir linealidad u otra relación a priori entre las variables explicativas y las explicadas, consiguiendo significatividad con pocas observaciones. Esto permite superar varias de las limitaciones que presentaban los análisis anteriores y se obtiene un enfoque más profundo y realista de los datos. A diferencia de los métodos tradicionales en los que se trabaja con probabilidades, en fsQCA los datos se transforman en grados de pertenencia al conjunto, ya que “una puntuación de pertenencia difusa otorga un valor de verdad, no una probabilidad, a una declaración” (Ragin, 2008), detectando la presencia de una condición o su opuesto, que sería la negación o ausencia de la misma.

El primer paso en el análisis fsQCA requiere la calibración de datos, que establece los tres puntos de corte que definen el nivel de pertenencia (grado de verdad) al conjunto difuso de cada caso (completamente dentro, intermedio, completamente fuera). El siguiente paso es crear la “tabla de verdad”, que vincula las condiciones causales (variables “independientes”) con el resultado (variable “dependiente”). La tabla de verdad calcula todas las configuraciones (o combinaciones) posibles que pueden ocurrir, proporcionando 2^k filas, donde k representa el número de predictores de resultados y cada fila representa cada combinación posible. Para cada una de las 2^k filas se calcula el número de casos que soportan dicha configuración (frecuencia), así como la consistencia de cada una, que es el grado en que esa configuración es un subconjunto del resultado. Ambos valores deben considerarse para establecer umbrales mínimos en el análisis, que permitan eliminar aquellas combinaciones que no están presentes en los datos y, por tanto, no se consideran combinaciones causales empíricamente relevantes. La consistencia implica evaluar el grado en que la evidencia empírica es consistente con la relación teórica establecida. La medida de consistencia (consistency), basada en membresía difusa o puntajes de membresía, se calcula de acuerdo con la siguiente ecuación:

$$Consistency\left(X_i\le Y_i\right)=\frac{\sum \left(\min \left(X_i,Y_i\right)\right)}{\sum X_i} (1)$$

donde Xi es la puntuación de membresía en una combinación de condiciones siendo Yi la puntuación de membresía en el resultado. Una vez establecidos los umbrales mínimos de frecuencia y consistencia, se eliminan del análisis los casos que no los cumplan.

El procedimiento continúa con la obtención de las soluciones o caminos que conducen al resultado, para lo que hemos utilizado el software específico fsQCA 4.0 desarrollado por Ragin y Davey (2022), si bien es posible implementarlo en Stata o en R. Dicho análisis estándar genera tres soluciones: compleja, parsimoniosa e intermedia. La solución compleja incluye todas las combinaciones posibles de condiciones cuando se aplican operaciones lógicas tradicionales. La solución parsimoniosa se basa en supuestos simplificadores y sólo incluye las condiciones más importantes (“condiciones centrales”). La solución intermedia utiliza sólo un subconjunto de estos supuestos simplificadores y, por tanto, es la solución que mejor explica el resultado.

Además, fsQCA proporciona tanto la consistencia de la solución (como se muestra en la Ecuación 1) como la cobertura general de la solución (coverage), es decir, describe en qué medida la configuración puede explicar el resultado de interés y se calcula:

$$Coverage\left(X_i\le Y_i\right)=\frac{\sum \left(\min \left(X_i,Y_i\right)\right)}{\sum Y_i} (2)$$

4. RESULTADOS

4.1. Análisis de casos contrarios

Al examinar las principales relaciones entre dos variables, normalmente solo se analiza si una variable afecta positiva o negativamente a otra variable, lo que significa que la mayoría de los casos en una muestra verifican esta relación. Sin embargo, es probable que exista la relación opuesta para algunos de los casos de la muestra. De ahí que varios autores propongan, como paso previo al enfoque fsQCA, un análisis de casos contrarios (Pappas & Woodside, 2021; Woodside, 2014) para conocer cuántos casos de la muestra no se explican por los efectos principales y, por tanto, no se incluirían en el resultado de un enfoque típico basado en la varianza (p. ej., análisis de correlación o regresión).

Este análisis implica, por tanto, para todas las variables, analizar en ambos sentidos la existencia de casos contrarios que indican puntuaciones altas para condiciones antecedentes que conducen a puntuaciones bajas para condiciones de resultado, y viceversa (Woodside, 2014). En nuestro caso, se pretende identificar la existencia de casos que no soportan el efecto principal, debido a que muestran una relación simétrica entre la variable “dependiente” o resultado (“FRACASO”) y las condiciones antecedentes (variables “independientes”).

Para realizar el análisis de casos contrarios se ha utilizado el programa SPSS, en base al planteamiento propuesto por Pappas y Woodside (2021), siendo los resultados obtenidos los mostrados en la Tabla 5 para cada una de las seis variables en relación a la variable resultado.

TABLA 5. ANÁLISIS DE CASOS CONTRARIOS

Fuente: Elaboración propia.

Así, por ejemplo, si se analiza la relación entre la variable ENDEUD. 3 y el resultado “FRACASO”, la esquina superior izquierda e inferior derecha de la tabla reflejan los casos explicados por los efectos principales (se supone que, a mayor endeudamiento, mayor probabilidad de fracaso tiene una empresa), mientras que los casos presentes en la esquina inferior izquierda y superior derecha no están explicados por los efectos principales, y son el conjunto de casos contrarios existentes en la muestra. Observamos que existe un 29,17% de casos contrarios, la mitad presentan un endeudamiento bajo o muy bajo (percentiles 1 y 2) para empresas fracasadas (columna 1) y la otra mitad con endeudamiento alto o muy alto (percentiles 4 y 5) para no fracasadas (columna 0). Esto implica que casi el 30% del total de las 48 empresas que componen la muestra no siguen la relación simétrica asumida para este par de variables.

Para el resto de las variables se obtienen resultados similares, lo que supone que un elevado porcentaje de casos en la muestra no podrían ser explicados por un análisis de regresión convencional, lo que respalda la necesidad de implementar un análisis configuracional (como el fsQCA) para poder explicar las relaciones entre las variables que están separadas del efecto principal.

4.2. Tratamiento de datos: calibración

Si bien se pueden emplear todo tipo de datos en el estudio, tanto para las condiciones antecedentes como para la variable resultado, es preciso determinar el grado de pertenencia de cada caso a cada clase, para lo cual los valores de las variables se transforman en conjuntos borrosos, a través del proceso mencionado denominado “calibración”.

Para proceder a la calibración, se puede seguir el método directo o el indirecto, siendo el primero el más utilizado por su rigurosidad y facilidad para realizar comparaciones. De acuerdo con este procedimiento se deben establecer los tres puntos de corte que definirán el nivel de pertenencia de cada caso al conjunto borroso: completamente dentro, intermedio o completamente fuera. Si bien dependiendo de la distribución de la muestra se pueden establecer diferentes umbrales (Pappas et al., 2017), genéricamente se suelen emplear los percentiles 95-50-5, de forma que se calcula el 95%, 50% y 5% de cada condición y se usan esos valores como los tres puntos de corte (Ragin, 2008). Esto significa que el 5% de las medidas se sitúan fuera del conjunto y el 95% están completamente dentro.

En nuestro caso, como todas las variables se obtuvieron en la misma escala, se eligió una calibración directa utilizando como umbrales los percentiles 95 (miembro pleno), 50 (punto de cruce) y 5 (no miembro pleno) siendo además los más representativos en base a la literatura al respecto (Woodside, 2013).

En el proceso de calibración pueden surgir casos con puntuaciones exactas de 0,5 que pueden eliminarse del análisis por su ambigüedad, puesto que no es posible determinar si se incluyen o no dentro del conjunto. No obstante, siguiendo a Fiss (2011), se ha agregado una constante de 0,001 a todas las condiciones por debajo de la puntuación total de 1 tras la calibración, con el objetivo de superar esta limitación. Los datos calibrados se presentan en la Tabla 6.

4.3. Análisis de condiciones necesarias

Si bien el análisis correlacional realizado puede permitir obviar este proceso, también se ha analizado la posibilidad de que alguna de las variables considerada pudiera ser una condición necesaria para obtener el resultado. Una condición es necesaria para un resultado específico si está siempre presente cuando dicho resultado ocurre, es decir, que sin ella no es posible alcanzar el resultado en cuestión. Por tanto, estará presente en todas las configuraciones causales que explican el resultado, por lo que es recomendable comprobar dicha condición.

En nuestro caso, el resultado de este análisis (Tabla 7) permite corroborar que todas las condiciones tienen un valor de consistencia inferior a 0,9, por lo que no parece que pudieran ser condiciones necesarias (Ragin, 2008). De igual forma, para el umbral estándar de 0,90 los resultados no muestran que alguna condición destaque por encima del resto y pudiera ser considerada cuasi-necesaria (Schneider & Wagemann, 2010). Paralelamente, si se analizan los valores de cobertura, éstos son todos superiores a 0,25, por lo que todas las variables se consideran aceptables para el presente modelo.

Como se puede observar en la tabla anterior, el análisis de condiciones necesarias se ha realizado tanto para la condición antecedente como para su negación (representada con el símbolo ~ delante).

4.4. Análisis de suficiencia

Con las variables calibradas se construyó la mencionada tabla de verdad o truth table, señalando la variable “FRACASO” como resultado (outcome) y las variables RENTAB. 5, ENDEUD. 3, ACTIV. 1, ROT. 1, LIQ. 1, SOLV. y TAMAÑO como condiciones causales. En dicha tabla, todas las posibles combinaciones van acompañadas de los indicadores frecuencia y consistencia, que permiten reducirla, por un lado, eliminando las combinaciones que no se encuentran en los datos empíricos (que tienen frecuencia cero) y, por otro, eliminando las combinaciones que, aunque presentes en los datos, no se consideran significativas o empíricamente relevantes.

El umbral de frecuencia está relacionado directamente con el tamaño de la muestra, de forma que, en nuestro caso, al tratarse de una muestra inferior a 50 casos, se ha fijado en 1 (Fiss, 2011; Ragin, 2008), eliminando todas las combinaciones con una frecuencia inferior a la seleccionada.

Por su parte, la consistencia o coherencia bruta (“raw consistency”) trata de evaluar el grado en que la evidencia empírica es consistente con la relación teórica establecida o, lo que es lo mismo, hasta qué grado es coherente la hipótesis planteada en el análisis. Nuevamente es preciso establecer un umbral de consistencia, siendo el valor mínimo establecido 0,75 (Rihoux & Ragin, 2009), aunque en función del tamaño de la muestra y del número de variables antecedentes, se recomienda que sea mayor a 0,8 (Greckhamer et al., 2013). En nuestro caso, al tratarse de una muestra reducida, si bien es deseable un umbral mayor, se consideró un mínimo de 0,6.

Además, con el objetivo de obtener resultados de utilidad, se han establecido una serie de condiciones causales específicas para la obtención de la solución intermedia. En concreto, y de acuerdo con la literatura económica, las variables RENTAB. 5, ACTIV. 1, ROT. 1, LIQ. 1 y SOLV. han de estar ausentes en el modelo para que una empresa fracase. Por el contrario, la variable ENDEUD. 3 debería estar presente. Para la variable TAMAÑO no se ha establecido ningún tipo de condición específica, pues se desea observar si existen diferencias entre las condiciones que afectan a pymes grandes y pequeñas, por lo que actuará como una variable diferencial.

Como se ha comentado, el análisis estándar propone tres soluciones (compleja, parsimoniosa e intermedia), habiendo optado por esta última, ya que la solución compleja es demasiado restrictiva (asume que la ausencia de casos reales supone ausencia de resultado), mientras que la parsimoniosa opta por la maximización (asume éxito en ausencia de casos reales), presentando únicamente las condiciones más importantes (“condiciones centrales”). Por su parte, la intermedia permite asumir que ciertas configuraciones causales no recogidas por los casos reales determinan el éxito (Liu et al., 2017; Ragin, 2008; Ragin & Rihoux, 2004), siendo en consecuencia la solución más explicativa, si bien pueden estudiarse el resto de soluciones para una mejor comprensión.

Así, las denominadas “condiciones centrales” son aquellas que aparecen en la solución parsimoniosa y en la intermedia, y las condiciones que únicamente aparecen en la solución intermedia, porque se eliminan de la parsimoniosa, se denominan “condiciones periféricas” (Fiss, 2011). En concreto, la Tabla 8 muestra el conjunto de combinaciones proporcionadas por esta solución (intermediate solution), que incluyen tanto las condiciones centrales como las condiciones periféricas, bajo la notación propuesta por Fiss (2011), donde la presencia de una condición se representa mediante un círculo negro (●) y la ausencia o negación de una condición con un círculo blanco tachado (⊗). Los espacios en blanco se refieren a condiciones que no importan (“do not care”), lo que significa que una condición específica no se considera dentro de una solución. Con relación al tamaño, los círculos grandes representan las condiciones centrales o núcleos (con una fuerte relación causal con el resultado), mientras que los pequeños muestran las condiciones periféricas (que indican una relación más débil).

Como se puede observar, se obtiene más de una solución, entendida como una combinación de configuraciones que permite lograr el resultado, pudiendo existir diferentes rutas o soluciones para conseguirlo, siguiendo el principio de equifinalidad (Woodside, 2014) y corroborando la idea inicial de que no existe una única combinación de variables que permita explicar el resultado (FRACASO).

Para cada solución o configuración se obtiene un valor de consistencia (mencionado anteriormente) y dos de cobertura: “raw coverage” o cobertura bruta y “unique coverage” o cobertura única. La cobertura bruta indica qué parte del resultado se explica por esa configuración o solución determinada y la cobertura única representa la parte del resultado que es explicado exclusivamente por esa configuración (Ragin, 2008).

Finalmente, para el conjunto de configuraciones propuestas se obtiene también la consistencia y la cobertura general. Esta última describe hasta qué punto las configuraciones son capaces de explicar el resultado de interés, por lo que puede ser comparable con el R-cuadrado calculado en los métodos de regresión (Woodside, 2013). Según Ragin (2008), para que una solución se considere informativa o válida, la consistencia deberá situarse por encima de 0,74 y la cobertura entre 0,25 y 0,65.

5. DISCUSIÓN

La aplicación del análisis cualitativo comparativo de conjuntos borrosos (fsQCA) para las empresas del sector turístico español nos ha permitido obtener varias combinaciones de condiciones que permiten explicar el fracaso empresarial en este sector. En concreto, la solución obtenida muestra que el nivel de cobertura general se sitúa en 0,35, lo que indica que el 35% de las pymes españolas del sector turismo que fracasaron en el año 2022 están cubiertas por la solución o, lo que es lo mismo, que la solución explica algo más de un 1/3 del total de los casos. Por otra parte, el nivel de consistencia general es de 0,74, es decir, el 74% de las empresas fracasadas en el año 2022 se encuentran en alguna de las configuraciones causales o soluciones.

Centrando la atención en cada una de las soluciones por separado, cabe destacar en primer lugar el papel que juega la condición “tamaño”, que en trabajos anteriores se postula como un predictor confiable y que desempeña un papel fundamental en el caso de una empresa de turismo y hostelería concreta (Goh et al., 2022), frente a otros cuyos resultados no muestran un consenso al respecto en el caso empresas del sector hotelero español en particular (Gémar et al., 2016, 2019). Las soluciones obtenidas en nuestro caso, efectivamente muestran diferentes caminos en función del tamaño, de forma que en la solución 1 el tamaño debe estar ausente, mientras que en la solución 2 esta condición debe estar presente. Esto permite diferenciar el análisis de las soluciones en base a dicha variable. Así, la solución 1 explica qué variables influyen para que una pyme de pequeño tamaño fracase. Concretamente, si una empresa presenta un elevado grado de endeudamiento acompañado de bajos de niveles de rentabilidad, actividad, rotación y solvencia, estará expuesta a declararse en concurso de acreedores y, por tanto, fracasar.

De la misma forma, la solución 2 muestra que las variables que ocasionan el fracaso de una pyme de mayor tamaño son, por un lado, la presencia de un alto endeudamiento y, por otro, bajos niveles de rentabilidad, actividad, liquidez y solvencia. Esta solución refleja la combinación con mayor cobertura y consistencia.

La importancia de los indicadores financieros en ambos casos, está en consonancia con la literatura al respecto en empresas del sector en general (Goh et al., 2022), aunque difiere de otros trabajos que, en la industria hotelera española, encuentran que la estructura financiera no es significativa (Gémar et al., 2016).

Sin embargo, si se comparan ambas soluciones, la diferencia fundamental entre ellas es la existencia de una relación de sustitución entre la rotación y la liquidez. Mientras que para las pymes de pequeño tamaño la rotación es una condición central, para las pymes de mayor tamaño la rotación no influye y, en su defecto, pasa a presentarse como una condición central la liquidez. A este respecto, estudios en este sector muestran la liquidez como un indicador de carácter general para el riesgo de quiebra (Wieprow & Gawlik, 2021), sin diferenciar el efecto conjunto con el tamaño de la entidad. Sin embargo, en el caso de la industria hotelera española no se encuentra esta relación (Gémar et al., 2016) que sí se recoge para el sector en otros países (Riono Putri & Ichsanuddin Nur, 2023; Süer, 2022) aunque considerando su relación con la rentabilidad.

Por otro lado, la aplicación de la metodología fsQCA en otros sectores recoge resultados similares con relación a la falta de rentabilidad como condición central en empresas del sector agroindustrial (Boratyńska & Grzegorzewska, 2018), no encontrando relación con el tamaño, pero sí con la falta de liquidez en la industria alimentaria (Boratyńska, 2016).

En resumen, las variables más condicionantes que conducen al fracaso a una empresa en el ámbito estudiado son, por un lado, la presencia de un alto endeudamiento y, por otro, la existencia de bajos niveles de actividad y solvencia, así como de rotación (en el caso de pymes de pequeño tamaño) y liquidez (para las pymes de mayor tamaño). En cuanto a la rentabilidad, solo se presenta como condición central para este último caso.

6. CONCLUSIONES

Uno de los principales problemas de la literatura empírica sobre el fracaso empresarial radica en que los resultados no pueden generalizarse fácilmente, ya que la significación de las variables pertinentes tiende a ser específica de la muestra seleccionada. Mediante la utilización de la metodología fsQCA se solventa esta limitación, ya que este análisis aporta resultados más amplios, extrapolables y generalizables en otros campos, gracias a la combinación de variables cualitativas y comparativas en un mismo estudio.

Este trabajo ha permitido conocer la mejor combinación de factores que explican el fracaso empresarial de las pymes españolas del sector turístico, entendiendo por fracaso la situación jurídica de una empresa de encontrarse en concurso de acreedores, mediante el análisis de combinaciones de seis variables económico-financieras seleccionadas por su relevancia en investigaciones previas, además de considerar el tamaño como variable diferencial.

Mediante la aplicación del análisis cualitativo comparativo de conjuntos borrosos (fsQCA), se ha analizado una muestra de 48 pymes con datos para el año 2022, la mitad en una situación de concurso de acreedores y la otra mitad activas, y pertenecientes al sector turístico español.

La implementación de la metodología fsQCA, bajo un enfoque inductivo, ha posibilitado la formulación de una serie de proposiciones basadas en los resultados alcanzados:

Proposición 1: La presencia de bajas tasas de rentabilidad, actividad, rotación, liquidez y solvencia, así como un elevado nivel de endeudamiento, no explican el fracaso empresarial para la totalidad de los casos; por lo que no existe una relación de simetría.

Esta primera proposición, que confirma el principio de asimetría, ha sido corroborada a partir del análisis de casos contrarios, que nos ha permitido verificar que existen casos que no pueden ser explicados por los efectos principales y que, por tanto, presentan una relación opuesta entre cada variable y el resultado (fracaso) para algunos de los casos de la muestra. Este hecho confirma la necesidad de realizar un análisis configuracional como el propuesto en este trabajo.

A su vez, con el análisis de condiciones necesarias hemos podido observar que ninguna variable es imprescindible para la obtención del resultado, sino que depende de cómo se combine con otras, en consonancia con lo postulado por el principio de complejidad, lo que nos permite proponer:

Proposición 2: La presencia de bajas tasas de rentabilidad, actividad, rotación, liquidez o solvencia de forma individual, así como un elevado nivel de endeudamiento por sí solo, no es suficiente para que una empresa fracase.

Los resultados obtenidos permiten concluir también que no existe una única combinación de variables que, utilizadas conjuntamente, desemboquen en el fracaso de una empresa del sector turístico español, de acuerdo con el principio de equifinalidad. La obtención de varias soluciones permite asumir:

Proposición 3: No existe una única combinación de ratios financieros que lleven al fracaso de empresas turísticas españolas.

Asimismo, las soluciones alcanzadas en el caso de estudio posibilitan dividir la muestra en base a la variable diferencial “tamaño”, distinguiendo entre pymes de pequeño tamaño y de gran tamaño. Este hecho ha facilitado inferir lo siguiente:

Proposición 4: Existe una relación de sustitución entre el ratio de liquidez y de rotación para pymes de pequeño tamaño y de gran tamaño, respectivamente.

Siguiendo con lo expuesto anteriormente, el análisis de los resultados facilita concluir que la totalidad de los ratios analizados presentan fuertes relaciones causales (son condiciones centrales) con el resultado en las dos soluciones, lo que brinda a las empresas la oportunidad de centrar su atención en los seis indicadores económico-financieros mostrados en el estudio. A partir de lo anterior, se establece:

Proposición 5: Cinco de los ratios financieros (actividad, rotación, liquidez, solvencia y endeudamiento) son indicadores cruciales para que una pyme fracase, tanto de pequeño como de gran tamaño; mientras que la rentabilidad únicamente lo es para las de gran tamaño.

La realización de este trabajo sugiere continuar investigando en materia de predicción del fracaso empresarial, pudiéndose encontrar nuevas líneas de investigación a raíz de los hallazgos aquí obtenidos, que pudieran ser generalizados. Nuestro trabajo contribuye a la literatura previa relacionada con el fracaso empresarial al abordar el problema desde una metodología configuracional. Además, el análisis en un sector clave para la economía española, puede servir de guía para el desarrollo de políticas encaminadas a diseñar ayudas a las empresas turísticas en la mejora de los indicadores financieros que se han puesto de manifiesto, con el fin de evitar el fracaso, especialmente en periodos de crisis. Los hallazgos del estudio también pueden ser de utilidad para el desarrollo de políticas a seguir por los gestores de las pymes turísticas en el seguimiento de aquellos indicadores sobre los que ha de prestar más atención, con el fin de garantizar la supervivencia de sus negocios. En concreto, los resultados sugieren la importancia de controlar el endeudamiento, la actividad y la solvencia con independencia del tamaño de la empresa, mientras que la rotación es clave en empresas pequeñas siendo la liquidez el indicador a controlar en las de gran tamaño.

No obstante lo anterior, este trabajo no está exento de limitaciones derivadas, principalmente, de la ausencia de una teoría firme sobre el fracaso empresarial que pudiera servir como fundamento para el análisis llevado a cabo. A pesar del abundante número de trabajos empíricos y teóricos existentes acerca de este tema, no se ha conseguido llegar a un consenso sobre lo que realmente se entiende por fracaso empresarial. Además, tampoco existe un modelo universalmente aceptado de variables económico-financieras que relacione el comportamiento económico de las empresas con el fracaso de las mismas. Otra circunstancia que ha condicionado la implementación del análisis y la obtención de los resultados ha sido la reducida muestra de empresas analizadas.

En futuras investigaciones, se podría considerar la inclusión de ratios económico-financieros adicionales y variables no financieras para observar su efecto, así como ampliar el alcance del estudio a diferentes sectores económicos, con el propósito de realizar comparaciones y determinar si se obtienen resultados similares en otros ámbitos empresariales. Además, dado que la metodología fsQCA se basa en el principio de asimetría causal, el estudio podría completarse analizando la combinación de condiciones (configuraciones) que explican el resultado de que una empresa sobreviva (no fracase). Asimismo, convendría ampliar el análisis al momento previo al Covid-19, con el fin de comprobar si se producen diferencias en las condiciones financieras antecedentes que predicen el fracaso, lo que no ha sido posible en este trabajo debido a la no disponibilidad de datos.

FINANCIACIÓN

Esta investigación no ha recibido financiación externa.

CONTRIBUCIÓN DE LOS AUTORES

Conceptualización, C. M-C. y N. R-D.; Metodología, C. M-C., N. R-D. y M. T-H.; Obtención de datos, M. T-H.; Análisis de datos, C. M-C., N. R-D. y M. T-H.; Redacción – Preparación del borrador original, C. M-C., N. R-D. y M. T-H.; Redacción – Revisión y edición, C. M-C. y N. R-D.; Supervisión, C. M-C. y N. R-D.

REFERENCIAS BIBLIOGRÁFICAS

Alaminos, D., del Castillo, A., & Fernández, M. Á. (2018). Correction: A Global Model for Bankruptcy Prediction. PLOS ONE, 13(11), e0208476. https://doi.org/10.1371/journal.pone.0208476

Alcalde, R., de Armiño, C., & García, S. (2022). Analysis of the Economic Sustainability of the Supply Chain Sector by Applying the Altman Z-Score Predictor. Sustainability, 14(2). https://doi.org/10.3390/su14020851

Altman, E. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The Journal of Finance, 23(4), 589–609. https://doi.org/10.1111/j.1540-6261.1968.tb00843.x

Altman, E., Iwanicz-Drozdowska, M., Laitinen, E. K., & Suvas, A. (2017). Financial Distress Prediction in an International Context: A Review and Empirical Analysis of Altman’s Z-Score Model. Journal of International Financial Management & Accounting, 28(2), 131–171. https://doi.org/10.1111/jifm.12053

Altman, E., Marco, G., & Varetto, F. (1994). Corporate distress diagnosis: Comparisons using linear discriminant analysis and neural networks (the Italian experience). Journal of Banking & Finance, 18(3), 505–529. https://doi.org/10.1016/0378-4266(94)90007-8

Álvarez-Ferrer, A., & Campa-Planas, F. (2020). La predicción del fracaso empresarial en el sector hotelero. Cuadernos de Turismo, 45, 33–59. https://doi.org/10.6018/turismo.426031

Barboza, F., Kimura, H., & Altman, E. (2017). Machine learning models and bankruptcy prediction. Expert Systems with Applications, 83, 405–417. https://doi.org/10.1016/j.eswa.2017.04.006

Bărbuță-Mișu, N., & Madaleno, M. (2020). Assessment of Bankruptcy Risk of Large Companies: European Countries Evolution Analysis. Journal of Risk and Financial Management, 13(3), 58. https://doi.org/10.3390/jrfm13030058

Beaver, W. H. (1966). Financial Ratios as Predictors of Failure. Journal of Accounting Research, 4, 71–111. https://doi.org/10.2307/2490171

Beaver, W. H. (1968). Alternative Accounting Measures as Predictors of Failure. The Accounting Review, 43(1), 113–122. http://www.jstor.org/stable/244122

Beaver, W. H., McNichols, M. F., & Correia, M. (2008). Have Changes in Financial Reporting Attributes Impaired Informativeness? Evidence from the Ability of Financial Ratios to Predict Bankruptcy. SSRN Electronic Journal. https://doi.org/10.2139/SSRN.1340752

Beaver, W. H., McNichols, M. F., & Rhie, J.-W. (2005). Have Financial Statements Become Less Informative? Evidence from the Ability of Financial Ratios to Predict Bankruptcy. Review of Accounting Studies, 10(1), 93–122. https://doi.org/10.1007/s11142-004-6341-9

Behr, A., & Weinblat, J. (2017). Default Patterns in Seven EU Countries: A Random Forest Approach. International Journal of the Economics of Business, 24(2), 181–222. https://doi.org/10.1080/13571516.2016.1252532

Bell, T., Ribar, G., & Verichio, J. (1990). Neural nets versus logistic regression: A comparison of each model’s ability to predict commercial bank failures. Proceedings of the University of Kansas Symposium on Auditing Problems, 29–53. https://egrove.olemiss.edu/dl_proceedings/82

Bernate Valbuena, M. T., & Gómez Meneses, F. E. (2021). Predicción de la quiebra en las empresas. Una revisión de literatura. Revista Activos, 19(1), 112–142. https://doi.org/10.15332/25005278.6684

Blum, M. (1974). Failing Company Discriminant Analysis. Journal of Accounting Research, 12(1), 1–25. https://doi.org/10.2307/2490525

Boole, G. (1854). An investigation of the laws of thought: on which are founded the mathematical theories of logic and probabilities (Vol. 2). Walton and Maberly.

Boratyńska, K. (2016). FsQCA in corporate bankruptcy research. An innovative approach in food industry. Journal of Business Research, 69(11), 5529–5533. https://doi.org/10.1016/J.JBUSRES.2016.04.166

Boratyńska, K., & Grzegorzewska, E. (2018). Bankruptcy prediction in the agribusiness sector: Lessons from quantitative and qualitative approaches. Journal of Business Research, 89, 175–181. https://doi.org/10.1016/J.JBUSRES.2018.01.028

Bustos-Contell, E., Climent-Serrano, S., & Labatut-Serer, G. (2021). A fuzzy-set Qualitative Comparative Analysis model to predict bank bailouts: a study of the Spanish financial system. Economic Research-Ekonomska Istraživanja, 34(1), 2555–2571. https://doi.org/10.1080/1331677X.2020.1833746

Campbell, P. T., Mahmud, E., & Marshall, J. J. (2015). Interoperator and intraoperator (in)accuracy of stent selection based on visual estimation. Catheterization and Cardiovascular Interventions, 86(7), 1177–1183. https://doi.org/10.1002/ccd.25780

Comisión Europea. (2014). Reglamento (UE) n° 651/2014 de la Comisión, de 17 de junio de 2014, por el que se declaran determinadas categorías de ayudas compatibles con el mercado interior en aplicación de los artículos 107 y 108 del Tratado. Diario Oficial de La Unión Europea, 187, 26 de junio, 1–78. https://www.boe.es/doue/2014/187/L00001-00078.pdf

Cultrera, L., & Jonathan, B. (2017). Exploring Corporate Bankruptcy in Belgian Private Firms. International Journal of Economics and Finance, 9(3), 108. https://doi.org/10.5539/ijef.v9n3p108

Deakin, E. B. (1972). A Discriminant Analysis of Predictors of Business Failure. Journal of Accounting Research, 10(1), 167–179. https://doi.org/10.2307/2490225

Deakin, E. B. (1976). Distributions of Financial Accounting Ratios: Some Empirical Evidence. The Accounting Review, 51(1), 90–96. http://www.jstor.org/stable/245375

Del Castillo García, A. (2021). Modelos de Predicción de Insolvencia: Un Análisis de Variables No Financieras y de Selección Muestral [Tesis Doctoral, Universidad de Málaga]. https://hdl.handle.net/10630/23193

Díaz-Casero, J. C., Fernández-Portillo, A., Sánchez-Escobedo, M. C., & Hernández-Mogollón, R. (2014). Estructura intelectual del fracaso empresarial. FAEDPYME International Review, 5(3), 43–55. https://doi.org/10.15558/fir.v3i5.57

du Jardin, P. (2015). Bankruptcy prediction using terminal failure processes. European Journal of Operational Research, 242(1), 286–303. https://doi.org/10.1016/j.ejor.2014.09.059

Edmister, R. O. (1972). An Empirical Test of Financial Ratio Analysis for Small Business Failure Prediction. The Journal of Financial and Quantitative Analysis, 7(2), 1477–1493. https://doi.org/10.2307/2329929

Elam, R. (1975). The Effect of Lease Data on the Predictive Ability of Financial Ratios. The Accounting Review, 50(1), 25–43. http://www.jstor.org/stable/244661

Exceltur. (2023). Valoración turística empresarial del IT de 2023, perspectivas para el IIT de 2023 y cierre de año. https://www.exceltur.org/wp-content/uploads/2023/04/Informe-Perspectivas-Balance-Itr-2023.pdf

Federo, R., & Saz-Carranza, A. (2018). A configurational analysis of board involvement in intergovernmental organizations. Corporate Governance: An International Review, 26(6), 414–428. https://doi.org/10.1111/corg.12241

Fernández Portillo, A., Díaz Casero, J. C., Sánchez Escobedo, M. C., & Hernández Mogollón, R. (2019). Conocimiento certificado del fracaso empresarial: un análisis bibliométrico del periodo 1965-2012. Revista Espacios, 40(16), 18. https://www.revistaespacios.com/a19v40n16/a19v40n16p18.pdf

Fiss, P. C. (2007). A Set-Theoretic Approach to Organizational Configurations. The Academy of Management Review, 32(4), 1180–1198. http://www.jstor.org/stable/20159362

Fiss, P. C. (2011). Building better causal theories: A fuzzy set approach to typologies in organizational research. Academy of Management Journal, 54(2), 393–420. https://doi.org/10.5465/amj.2011.60263120

Fitzpatrick, P. J. (1932). A comparison of ratios of successful industrial enterprises with those of failed companies. The Certified Public Accountant, 6, 727–731.

Frecka, T. J., & Hopwood, W. S. (1983). The Effects of Outliers on the Cross-Sectional Distributional Properties of Financial Ratios. The Accounting Review, 1, 115–128.

Frydman, H., Altman, E. I., & Kao, D.-L. (1985). Introducing Recursive Partitioning for Financial Classification: The Case of Financial Distress. The Journal of Finance, 40(1), 269–291. https://doi.org/10.2307/2328060

García Ayuso, M. (1995). La necesidad de llevar a cabo un replanteamiento de la investigación en materia de análisis de la información financiera. Análisis Financiero, 66, 36–61.

Gémar, G., Moniche, L., & Morales, A. J. (2016). Survival analysis of the Spanish hotel industry. Tourism Management, 54, 428–438. https://doi.org/10.1016/j.tourman.2015.12.012

Gémar, G., Soler, I. P., & Guzman-Parra, V. F. (2019). Predicting bankruptcy in resort hotels: a survival analysis. International Journal of Contemporary Hospitality Management, 31(4), 1546–1566. https://doi.org/10.1108/IJCHM-10-2017-0640

Goh, E., Mat Roni, S., & Bannigidadmath, D. (2022). Thomas Cook(ed): using Altman’s z -score analysis to examine predictors of financial bankruptcy in tourism and hospitality businesses. Asia Pacific Journal of Marketing and Logistics, 34(3), 475–487. https://doi.org/10.1108/APJML-02-2021-0126

Gómez García, S. L., & Leyva Ferreiro, G. (2019). Utilidad de los modelos de predicción de fracaso y su aplicabilidad en las cooperativas. Cofin Habana, 13(1). https://revistas.uh.cu/cofinhab/article/view/833

Gracia, J. L., Cabedo, J. L. G., & Llopis, R. M. (1998). La suspensión de pagos en las pymes: una aproximación empírica. Revista Española de Financiación y Contabilidad, 27(94), 71–97. http://www.jstor.org/stable/42781285

Greckhamer, T., Furnari, S., Fiss, P. C., & Aguilera, R. V. (2018). Studying configurations with qualitative comparative analysis: Best practices in strategy and organization research. Strategic Organization, 16(4), 482–495. https://doi.org/10.1177/1476127018786487

Greckhamer, T., Misangyi, V., & Fiss, P. (2013). The two QCAs: From a small-N to a large-N set-theoretic approach. Configurational Theory and Methods in Organizational Research, 38, 49–75. https://doi.org/10.1108/S0733-558X(2013)0000038007

Grosu, V., Chelba, A., Melega, A., Botez, D., & Socoliuc, M. (2023). Bibliometric analysis of the literature on evaluation models of the bankruptcy risk. Strategic Management, 00, 42–42. https://doi.org/10.5937/StraMan2200035G

Hacibedel, B., & Qu, R. (2022). Understanding and Predicting Systemic Corporate Distress: A Machine-learning Approach (WP/22/153).

Haxhi, I., & Aguilera, R. V. (2017). An Institutional Configurational Approach to Cross-National Diversity in Corporate Governance. Journal of Management Studies, 54(3), 261–303. https://doi.org/10.1111/joms.12247

Inam, F., Inam, A., Mian, M. A., Sheikh, A. A., & Awan, H. M. (2019). Forecasting Bankruptcy for organizational sustainability in Pakistan. Journal of Economic and Administrative Sciences, 35(3), 183–201. https://doi.org/10.1108/JEAS-05-2018-0063

INE. (2023). Aportación del turismo al PIB de la economía española. Instituto Nacional de Estadística. https://www.ine.es/jaxi/Tabla.htm?path=/t35/p011/rev19/serie/l0/&file=03001.px&L=0

Informa D&B. (2021). Evolución de los concursos desde 1997 hasta 2020. https://cdn.informa.es/sites/5c1a2fd74c7cb3612da076ea/content_entry5c5021510fa1c000c25b51f0/6141a52e9a9e3d6f241924a0/files/HistoricoConcursosINFORMA2021_V2.pdf?1631692079

Informa D&B. (2023). Concursos y disoluciones. Diciembre 2022. https://cdn.informa.es/sites/5c1a2fd74c7cb3612da076ea/content_entry5c5021510fa1c000c25b51f0/63bd489dcdd6f900f4a84fac/files/Concursos_diso_122022_v1.pdf?1673349277

Jánica, F., Hernández-Fernández, L., Escobar Castillo, A., & Velandia Pacheco, G. (2023). Factores que explican, median y moderan el fracaso empresarial: Revisión de publicaciones indexadas en Scopus (2015-2022). Revista de Ciencias Sociales, XXIX(2), 73–95. https://doi.org/10.31876/rcs.v29i2.39963

Jefatura del Estado. (2020). Real Decreto-ley 16/2020, de 28 de abril, de medidas procesales y organizativas para hacer frente al COVID-19 en el ámbito de la Administración de Justicia. Boletín Oficial Del Estado, 119, 29 de abril, 1–26. https://www.boe.es/buscar/pdf/2020/BOE-A-2020-4705-consolidado.pdf

Keasey, K., & Watson, R. (1991). Financial Distress Prediction Models: A Review of Their Usefulness1. British Journal of Management, 2(2), 89–102. https://doi.org/10.1111/j.1467-8551.1991.tb00019.x

Kessioui, S., Doumpos, M., & Zopounidis, C. (2023). A Bibliometric Overview of the State-of-the-Art in Bankruptcy Prediction Methods and Applications. In Governance and Financial Performance (pp. 123–153). World Scientific. https://doi.org/10.1142/9789811260506_0006

Kuizinienė, D., Krilavičius, T., Damaševičius, R., & Maskeliūnas, R. (2022). Systematic Review of Financial Distress Identification using Artificial Intelligence Methods. Applied Artificial Intelligence, 36(1), 2138124. https://doi.org/10.1080/08839514.2022.2138124

Laffarga Briones, J., Martín Marín, J. L., & Vázquez Cueto, M. J. (1987). Predicción de la crisis bancaria en España: comparación entre el análisis logit y el análisis discriminante. Cuadernos de Ciencias Económicas y Empresariales, 18, 49–57. https://idus.us.es/bitstream/handle/11441/78703/Predicci%C3%B3n%20de%20la%20crisis%20bancaria%20en%20Espa%C3%B1a.pdf?sequence=1

Laguillo Díaz, G. (2015). Predicción de insolvencia en los sectores económicos: un análisis comparativo [Tesis Doctoral, Universidad de Málaga]. http://hdl.handle.net/10630/11753

Laitinen, E. K. (1991). Financial ratios and different failure processes. Journal of Business Finance & Accounting, 18(5), 649–673. https://doi.org/10.1111/j.1468-5957.1991.tb00231.x

Laitinen, E. K., Camacho-Miñano, M.-M., & Muñoz-Izquierdo, N. (2023). A review of the limitations of financial failure prediction research. Revista de Contabilidad - Spanish Accounting Review, 26(2), 255–273. https://doi.org/10.6018/RCSAR.453041

Lens.org. (n.d.). The Lens - Free & Open Patent and Scholarly Search. Https://Lens.Org/.

Lincoln, M. (1984). An empirical study of the usefulness of accounting ratios to describe levels of insolvency risk. Journal of Banking & Finance, 8(2), 321–340. https://doi.org/10.1016/0378-4266(84)90011-6

Liu, Y., Mezei, J., Kostakos, V., & Li, H. (2017). Applying configurational analysis to IS behavioural research: a methodological alternative for modelling combinatorial complexities. Information Systems Journal, 27(1), 59–89. https://doi.org/10.1111/ISJ.12094

Marais, M. L., Patell, J. M., & Wolfson, M. A. (1984). The Experimental Design of Classification Models: An Application of Recursive Partitioning and Bootstrapping to Commercial Bank Loan Classifications. Journal of Accounting Research, 22, 87–114. https://doi.org/10.2307/2490861

Martin, D. (1977). Early warning of bank failure: A logit regression approach. Journal of Banking & Finance, 1(3), 249–276. https://doi.org/10.1016/0378-4266(77)90022-X

Martínez Sabater, R. (2021). Impacto del turismo sobre el PIB, el empleo y la balanza de pagos española. 2007-2020 [Trabajo de Fin de Grado, Universidad de Zaragoza]. https://zaguan.unizar.es/record/117900

Masa Lorenzo, C. I., Iturrioz del Campo, L. J., & Martín López, S. (2016). Aspectos determinantes del fracaso empresarial: efecto de la proyección social de las sociedades cooperativas frente a otras formas jurídicas. Revista de Economía Pública, Social y Cooperativa, 88, 93–125. https://doi.org/10.7203/ciriec-e.88.8826

McDonald, B., & Morris, M. H. (1984). The statistical validity of the ratio method in financial analysis: An empirical examination. Journal of Business Finance & Accounting, 11(1), 89–97. https://doi.org/10.1111/j.1468-5957.1984.tb00059.x

Mendoza Mendoza, A. A. (2009). Predicción de riesgo de quiebra para PYMES en el departamento del Atlántico utilizando análisis discriminante y análisis envolvente de datos (DEA). http://hdl.handle.net/10584/9001

Mensah, Y. M. (1984). An Examination of the Stationarity of Multivariate Bankruptcy Prediction Models: A Methodological Study. Journal of Accounting Research, 22(1), 380–395. https://doi.org/10.2307/2490719

Miao, L., Im, J., So, K. K. F., & Cao, Y. (2022). Post-pandemic and post-traumatic tourism behavior. Annals of Tourism Research, 95, 103410. https://doi.org/10.1016/j.annals.2022.103410

Ministerio de Industria, C. y T. (2023). Cifras PYME. https://ipyme.org/Publicaciones/Cifras%20PYME/CifrasPYME-mayo2023.pdf

Momparler, A., Carmona, P., & Climent, F. (2020). Revisiting bank failure in the United States: A fuzzy-set analysis. Economic Research-Ekonomska Istraživanja, 33(1), 3017–3033. https://doi.org/10.1080/1331677X.2019.1689838

Mora Garcia, A. M., Castillo Valdivieso, P. A., Merelo Guervós, J. J., Alfaro Cid, E., Esparcia-Alcázar, A. I., & Sharman, K. (2008). Discovering Causes of Financial Distress by Combining Evolutionary Algorithms and Artificial Neural Networks. Proceedings of the 10th Annual Conference on Genetic and Evolutionary Computation, 1243–1250. https://doi.org/10.1145/1389095.1389337

Noguera Venero, J. (2023). Big Data en el análisis económico-financiero de la empresa: propuestas empíricas en la predicción del fracaso. [Tesis Doctoral, Universidad Politécnica de Cartagena]. https://repositorio.upct.es/handle/10317/12276

Ohlson, J. A. (1980). Financial Ratios and the Probabilistic Prediction of Bankruptcy. Journal of Accounting Research, 18(1), 109–131. https://doi.org/10.2307/2490395

Pappas, I. O., Giannakos, M. N., Jaccheri, L., & Sampson, D. G. (2017). Assessing Student Behavior in Computer Science Education with an FsQCA Approach: The Role of Gains and Barriers. ACM Trans. Comput. Educ., 17(2). https://doi.org/10.1145/3036399

Pappas, I. O., & Woodside, A. G. (2021). Fuzzy-set Qualitative Comparative Analysis (fsQCA): Guidelines for research practice in Information Systems and marketing. International Journal of Information Management, 58, 102310. https://doi.org/10.1016/j.ijinfomgt.2021.102310

Paradi, J. C., Asmild, M., & Simak, P. C. (2004). Using DEA and Worst Practice DEA in Credit Risk Evaluation. Journal of Productivity Analysis, 21(2), 153–165. http://www.jstor.org/stable/41770152

Peel, M. J., Peel, D. A., & Pope, P. F. (1986). Predicting corporate failure — Some results for the UK corporate sector. Omega, 14(1), 5–12. https://doi.org/10.1016/0305-0483(86)90003-4

Pereira, J. M., Basto, M., Díaz Gómez, F., & Barbas Albuquerque, E. (2010). Los modelos de predicción del fracaso empresarial. Propuesta de un ranking. XIV Encuentro AECA. Innovación y Responsabilidad: Desafíos y Soluciones.

Plescaci, D. (2023). A Bibliometric Analysis of the Bankruptcy Risk Research Within Economic Entities. CECCAR Business Review, 3(12), 2–12. https://doi.org/10.37945/cbr.2022.12.01

Poretti, C., & Heo, C. Y. (2022). COVID-19 and firm value drivers in the tourism industry. Annals of Tourism Research, 95, 103433. https://doi.org/10.1016/j.annals.2022.103433

Postigo-Jiménez, M. V., Díaz Casero, J. C., & Hernández Mogollón, R. (2008). Revisión de la literatura en fracaso empresarial: aproximación bibliométrica. Estableciendo Puentes En Una Economía Global, 1, 102.

Pozuelo Campillo, J., Romero Martínez, M., & Carmona Ibáñez, P. (2023). Utility of fuzzy set Qualitative Comparative Analysis (fsQCA) methodology to identify causal relations conducting to cooperative failure. Revista de Economía Pública, Social y Cooperativa, 0(107), 197–225. https://doi.org/10.7203/ciriec-e.107.21888

Ragin, C. C. (1987). The Comparative Method: Moving Beyond Qualitative and Quantitative Strategies. University of California Press.

Ragin, C. C. (2008). Redesigning Social Inquiry: Fuzzy Sets and Beyond. In Bibliovault OAI Repository, the University of Chicago Press. University of Chicago Press. https://doi.org/10.7208/chicago/9780226702797.001.0001

Ragin, C. C., & Davey, S. (2022). Fuzzy-set/Qualitative comparative analysis 4.0. In Department of Sociology, University of California. http://www.socsci.uci.edu/∼cragin/fsQCA/software.shtml

Ragin, C. C., & Rihoux, B. (2004). Qualitative comparative analysis (QCA): State of the art and prospects. APSA Annual Meeting, 2(2), 3–13. http://hdl.handle.net/2078.1/81919

Raki, A., Nayer, D., Nazifi, A., Alexander, M., & Seyfi, S. (2021). Tourism recovery strategies during major crises: The role of proactivity. Annals of Tourism Research, 90, 103144. https://doi.org/10.1016/j.annals.2021.103144

Rihoux, B., & Ragin, C. C. (2009). Configurational comparative methods: Qualitative Comparative Analysis (QCA and related techniques). Sage Publications.

Riono Putri, D., & Ichsanuddin Nur, D. (2023). Financial Distress Analysis with Firm Size as a Moderating Variable in the Restaurant, Hotel, and Tourism Sub-Sector Companies on the Stock Exchange of Indonesia. Journal of Economics, Finance and Management Studies, 06(08). https://doi.org/10.47191/jefms/v6-i8-45

Rosati, G., & Chazarreta, A. (2017). El Qualitative Comparative Analysis (QCA) como herramienta analítica. Dos aplicaciones para el análisis de entrevistas. Revista Latinoamericana de Metodología de Las Ciencias Sociales, 7(1). https://doi.org/10.24215/18537863e018

SABI. (2023). Sistema de Análisis de Balances Ibéricos. https://www.informa.es/riesgo-empresarial/sabi

Scherger, V., Terceño, A., & Vigier, H. (2018). Revisión crítica de los modelos de predicción de fracaso empresarial. 21, 153–180.

Schneider, C. Q., & Wagemann, C. (2010). Standards of Good Practice in Qualitative Comparative Analysis (QCA) and Fuzzy-Sets. Comparative Sociology, 9(3), 397–418. https://doi.org/10.1163/156913210X12493538729793

Schneider, C. Q., & Wagemann, C. (2012). Set-theoretic methods for the social sciences: A guide to qualitative comparative analysis. Cambridge University Press.

Succurro, M. (2017). Financial Bankruptcy across European Countries. International Journal of Economics and Finance, 9(7), 132. https://doi.org/10.5539/ijef.v9n7p132

Succurro, M., & Mannarino, L. (2014). The Impact of Financial Structure on Firms’ Probability of Bankruptcy: A Comparison across Western Europe Convergence Regions. Eers. Estudios Económicos Regionales y Sectoriales, 14(1), 81–94.

Süer, S. (2022). Liquidity and Profitability in Turkish Tourism Corporations. Journal of Humanities and Tourism Research, 12(2), 317–331. https://dergipark.org.tr/en/pub/johut/issue/71540/1148997

Taffler, R. J. (1982). Forecasting Company Failure in the UK Using Discriminant Analysis and Financial Ratio Data. Journal of the Royal Statistical Society. Series A (General), 145(3), 342–358. https://doi.org/10.2307/2981867

Tian, S., & Yu, Y. (2017). Financial ratios and bankruptcy predictions: An international evidence. International Review of Economics & Finance, 51, 510–526. https://doi.org/10.1016/j.iref.2017.07.025

Troutt, M. D., Rai, A., & Zhang, A. (1996). The potential use of DEA for credit applicant acceptance systems. Computers & Operations Research, 23(4), 405–408. https://doi.org/10.1016/0305-0548(95)00048-8

Vega Falcón, V., Sánchez, F., & Fernández, A. (2020). Impacto de la COVID-19 en el turismo mundial. Revista Universidad y Sociedad, 12(S1), 207–216.

Veganzones, D., Séverin, E., & Chlibi, S. (2023). Influence of earnings management on forecasting corporate failure. International Journal of Forecasting, 39(1), 123–143. https://doi.org/10.1016/J.IJFORECAST.2021.09.006

Wieprow, J., & Gawlik, A. (2021). The Use of Discriminant Analysis to Assess the Risk of Bankruptcy of Enterprises in Crisis Conditions Using the Example of the Tourism Sector in Poland. Risks, 9(4), 78. https://doi.org/10.3390/risks9040078

Woodside, A. G. (2012). Proposing a new logic for data analysis in marketing and consumer behavior: case study research of large-N survey data for estimating algorithms that accurately profile X (extremely high-use) consumers. Journal of Global Scholars of Marketing Science, 22(4), 277–289. https://doi.org/10.1080/21639159.2012.717369

Woodside, A. G. (2013). Moving beyond multiple regression analysis to algorithms: Calling for a paradigm shift from symmetric to asymmetric thinking in data analysis and crafting theory. Journal of Business Research, 66, 463–472. https://doi.org/10.1016/j.jbusres.2012.12.021

Woodside, A. G. (2014). Embrace perform model: Complexity theory, contrarian case analysis, and multiple realities. Journal of Business Research, 67(12), 2495–2503. https://doi.org/10.1016/j.jbusres.2014.07.006

Yeh, S.-S. (2021). Tourism recovery strategy against COVID-19 pandemic. Tourism Recreation Research, 46(2), 188–194. https://doi.org/10.1080/02508281.2020.1805933

Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8(3), 338–353. https://doi.org/10.1016/S0019-9958(65)90241-X

Zelenkov, Y., & Volodarskiy, N. (2021). Bankruptcy prediction on the base of the unbalanced data using multi-objective selection of classifiers. Expert Systems with Applications, 185, 115559. https://doi.org/10.1016/j.eswa.2021.115559

Zhang, H., Qiu, R. T. R., Wen, L., Song, H., & Liu, C. (2023). Has COVID-19 changed tourist destination choice? Annals of Tourism Research, 103, 103680. https://doi.org/10.1016/j.annals.2023.103680

Zmijewski, M. E. (1984). Methodological Issues Related to the Estimation of Financial Distress Prediction Models. Journal of Accounting Research, 22, 59. https://doi.org/10.2307/2490859

_______________________________

^* Autora de correspondencia: nieves.remo@unileon.es

¹ ORCID: https://orcid.org/0000-0002-6884-2023

² ORCID: https://orcid.org/0000-0001-9881-2151

³ Datos actualizados con fecha 31 de mayo de 2023.

⁴ El Reglamento (UE) nº 651/2014 de la Comisión, de 17 de junio de 2014, define a una microempresa como aquella con menos de diez trabajadores cuyo volumen anual de negocio no supere los dos millones de euros.