El entorno actual en el que operan las empresas se caracteriza por presentar un elevado grado de incertidumbre. En un mundo cada vez más globalizado y dinámico, las empresas se enfrentan a desafíos constantes y a cambios rápidos que pueden afectar a su estabilidad y el éxito a largo plazo. Un ejemplo de ello es la pandemia mundial del Covid-19 originada en el año 2020, la cual generó enormes dificultades financieras en muchos sectores de la economía, desencadenando una crisis económica sin precedentes. Esta crisis dejó un rastro de destrucción empresarial y llevó a la desaparición de innumerables empresas que, por su naturaleza o su situación económica, no pudieron hacer frente a sus dificultades financieras. En este contexto de incertidumbre, surge la necesidad de identificar indicadores que permitan anticipar las situaciones de quiebra empresarial a fin de adoptar medidas que mitiguen sus efectos.

En el año 2020, con el objetivo de paliar las consecuencias económicas del Covid-19, se estableció una moratoria concursal mediante el Decreto-ley 16/2020, de 28 de abril (Jefatura del Estado, 2020). Esta ley suspendió la obligación de los deudores de solicitar el concurso de acreedores hasta el 31 de diciembre de 2020, extendiéndose posteriormente la moratoria hasta el 31 de diciembre de 2021 (Informa D&B, 2021). A pesar de lo anterior, se ha observado un aumento en el número de empresas concursadas, pasando de 4.376 en 2020 a 5.862 en 2021, aunque este incremento pudo ser moderado por dichas medidas. Sin embargo, las cifras se dispararon en 2022, alcanzándose un total de 7.272 concursos al cierre del año (Informa D&B, 2023).

El tejido empresarial español está formado, casi en su totalidad, por pequeñas y medianas empresas. En total, existen 2.930.969 empresas registradas como “pymes” en España³, representando un 99,82% del total (Ministerio de Industria, 2023), lo que evidencia su relevancia tanto en la estructura laboral como económica del país. Por su vulnerabilidad, este tipo de empresas son las que más han sufrido las consecuencias económicas del Covid-19, de forma que, del total de concursos de acreedores originados en 2022, el 86,25% correspondieron a microempresas⁴.

El sector que acapara un mayor porcentaje de pymes es el sector servicios, con un 73,54% del total (Ministerio de Industria, 2023). Este sector, y más concretamente el turismo, es el motor de la economía española y destaca por su gran aportación al PIB. En el 2019, año previo a la pandemia, el sector turístico contribuyó en un 12,6% al PIB español, alcanzando su nivel más elevado registrado hasta la fecha (INE, 2023).

Pero la importancia del turismo no solo se evidencia por su contribución al PIB, sino también por los efectos positivos que tiene en la generación de empleo y en la aportación de divisas a la balanza de pagos, así como por su papel impulsor hacia otras actividades (Martínez Sabater, 2021). La paralización total de la actividad económica a nivel nacional como resultado de la crisis derivada del Covid-19 tuvo un impacto significativo en el turismo, llegando a ser el sector más castigado por la pandemia. Su aportación al PIB cayó drásticamente en el año 2020 hasta el 5,8% (INE, 2023) y la hostelería y restauración española vieron reducida su facturación en un 69,7% en el año 2020, según datos de Exceltur (2023). La importancia del sector turístico en la economía española y el fuerte declive consecuencia de la pandemia justifica el interés en conocer los factores determinantes del fracaso empresarial focalizado en este sector.

A este respecto, si bien el análisis del fracaso empresarial en general ha sido objeto de especial atención en la investigación financiera durante las últimas décadas (Zelenkov & Volodarskiy, 2021), sigue siendo una tarea desafiante debido a los muchos factores que deben tenerse en cuenta en su análisis (Veganzones et al., 2023). Numerosos trabajos han tratado de dar respuesta al respecto mediante la aplicación de una amplia variedad de modelos basados en múltiples metodologías (Laguillo Díaz, 2015). La mayoría de ellos, ha analizado la quiebra empresarial desde un punto de vista macroeconómico (Alaminos et al., 2018; Behr & Weinblat, 2017; Cultrera & Jonathan, 2017; Hacibedel & Qu, 2022; Succurro, 2017; Tian & Yu, 2017) y sobre una muestra de empresas grandes cotizadas (Kuizinienė et al., 2022), mientras que el análisis a nivel de microeconómico está menos explorado (Succurro & Mannarino, 2014).

Por otra parte, diversos académicos apuntan que los modelos de predicción del riesgo de insolvencia, con independencia de la metodología en la que se sustenten, pueden ser mejorados si se desarrollan modelos sectoriales (Lincoln, 1984; McDonald & Morris, 1984; Mensah, 1984). Estos autores llegaron a la conclusión de que los modelos globales (obtenidos para una muestra heterogénea de empresas) tienen menor capacidad predictiva que los modelos sectoriales, elaborados para un único sector económico (Laguillo Díaz, 2015). En consecuencia, se establece la necesidad de estudios sectoriales que aborden esta problemática, teniendo en consideración las particularidades del sector que se analice.

Adicionalmente, los trabajos a nivel microeconómico han tratado de analizar los efectos netos de determinados datos financieros sobre la probabilidad de quiebra. Sin embargo, el fracaso empresarial es un fenómeno complejo de relaciones entre factores (Mora Garcia et al., 2008) donde el efecto combinado de los mismos es más relevante que cada uno a nivel particular. De ahí que nuestro artículo plantee, como una alternativa novedosa a los métodos tradicionales, el análisis cualitativo comparativo de conjuntos difusos (fuzzy set Qualitative Comparative Analysis, fsQCA) propuesto por Ragin (1987), en consonancia con Pozuelo Campillo que afirma que “dada la novedad y bondad de la metodología (fsQCA) se considera interesante seguir aplicándola en estudios de fracaso empresarial en pymes, en general y por sectores de actividad, tanto a nivel nacional como europeo” (2023, p. 201). Este enfoque, sustentado en la teoría de conjuntos borrosos, difiere de los métodos tradicionales en el sentido de que no desagrega de forma independiente las observaciones, sino que agrupa los casos de la muestra como combinaciones causales o configuraciones. Además, el objetivo no es evaluar la distancia a la quiebra de las empresas de este sector, sino conocer las combinaciones de factores o condiciones antecedentes (ratios financieros) que permiten explicar la quiebra de esas empresas (el resultado), arrojando luz sobre el fracaso empresarial en el sector turístico español. De esta forma, nuestro trabajo puede contribuir a la literatura al detectar qué combinaciones de indicadores financieros pudieran ser predictores del fracaso empresarial en el sector analizado, frente a metodologías tradicionales que evidencian únicamente la relación de un indicador financiero concreto con relación a la situación de quiebra. Además, al obtener resultados más amplios, con un doble enfoque (cualitativo y cuantitativo), y no un resultado único, los hallazgos también pueden permitir diferenciar qué indicadores financieros pueden ser necesarios y suficientes para causar la situación de fracaso empresarial, permitiendo a los empresarios del sector incidir en el control de los mismos.

A este respecto, mencionar que en este trabajo se sigue un método inductivo, en consonancia con la literatura que utiliza esta metodología (Campbell et al., 2015; Federo & Saz-Carranza, 2018; Haxhi & Aguilera, 2017), lo que permitirá desarrollar proposiciones a partir de los hallazgos de la investigación.

Este trabajo se estructura como sigue. En primer lugar, se realiza una conceptualización teórica fundamentada en una breve revisión bibliográfica que aborda la comprensión del concepto de fracaso empresarial para, a continuación, llevar a cabo un análisis de los principales métodos de predicción, abarcando su evolución desde sus primeras aplicaciones. El tercer apartado se centra en describir las características de la muestra y la metodología aplicada. En la sección 4 se presentan los resultados empíricos. Finalmente, se expondrá la discusión surgida como resultado de la investigación, las principales conclusiones, así como las limitaciones de la propuesta presentada.

Aunque no existe una concepción única e inequívoca de lo que se entiende por fracaso empresarial, por lo general se tiene en consideración que el fracaso de una organización se produce en el momento en que se vean incumplidos unos objetivos previamente establecidos. En la práctica, este concepto se asocia comúnmente con la desaparición, si bien, antes de llegar a este hecho, la empresa ya habría sufrido un proceso de deterioro paulatino, como el impago de un pasivo, la acumulación de pérdidas, la interrupción del pago de dividendos, etc. (Beaver, 1966).

Una revisión de la literatura evidencia que, en sus primeras etapas de desarrollo, existen varias definiciones de fracaso empresarial, siendo las más utilizadas las siguientes:

Por tanto, si bien existe una variedad de situaciones negativas que entran dentro del concepto de fracaso empresarial, la mayoría de los autores hacen referencia a conceptos jurídicos, como quiebra o liquidación, al tener la ventaja de ser un acontecimiento objetivo que puede fecharse (Keasey & Watson, 1991), y que además está definido por la ley.

Trabajos más recientes han llevado a cabo análisis bibliométricos con el objetivo de estudiar la evolución del concepto de fracaso empresarial en diferentes periodos de tiempo (Bernate Valbuena & Gómez Meneses, 2021; Díaz-Casero et al., 2014; Fernández Portillo et al., 2019; Kuizinienė et al., 2022; Plescaci, 2023; Postigo-Jiménez et al., 2008).

La necesidad de evaluar los riesgos que puede suponer una situación de quiebra y posterior desaparición de la empresa ha supuesto la proliferación de métodos que permitan prever estas situaciones adversas, razón por la cual múltiples autores han abordado este tema, obteniendo resultados heterogéneos (Bernate Valbuena & Gómez Meneses, 2021; Jánica et al., 2023).

La evaluación del riesgo de quiebra es especialmente importante para los inversores a la hora de seleccionar la mejor entidad para invertir, pero también para los directivos de las empresas en el proceso de toma de decisiones de inversión, financiación, o política (Bărbuță-Mișu y Madaleno, 2020). Inversores y acreedores muestran interés en la predicción de la quiebra empresarial debido al riesgo potencial de sufrir pérdidas económicas importantes (Inam et al., 2019). Del mismo modo, estos modelos de predicción también son herramientas de interés para los asesores financieros, agencias de calificación e incluso empresas en dificultades (Altman et al., 2017).

Los trabajos en este campo comienzan a principios del siglo XX mediante la utilización de ratios financieros para realizar comparaciones entre empresas solventes e insolventes, con el fin de detectar cuáles eran las características económicas y financieras que presentaban las empresas no viables (Fitzpatrick, 1932). En la década de los sesenta surgen los modelos estadísticos de predicción de quiebras, los cuales permitieron disgregar las empresas en función de su probabilidad de quiebra o fracaso (Scherger et al., 2018).

William Beaver (1966) propuso el análisis discriminante univariante (Discriminat Analysis) como método de predicción de quiebra empresarial y trató de identificar un único ratio capaz de discriminar empresas por sí solo. Con su trabajo, concluyó que el mejor indicador para medir la insolvencia de las empresas es el ratio cash flow/deuda total por su gran valor predictivo, logrando tener una exactitud en la predicción de hasta el 87%. Una de las críticas más generalizadas del empleo de modelos univariantes es el hecho de que los ratios pueden presentar resultados contradictorios según el indicador que se utilice, pues la información financiera abarca un conjunto de variables (Gómez García & Leyva Ferreiro, 2019). Para obtener una evaluación correcta, se requiere de un análisis que considere múltiples aspectos financieros de la empresa, considerándola como un conjunto integrado. En investigaciones posteriores, Beaver (1968) recomendó el desarrollo de nuevos modelos que utilizaran dos o más índices para incrementar la capacidad predictiva, lo que dio paso a la utilización de técnicas estadísticas multivariantes para la predicción de la insolvencia empresarial.

El análisis discriminante múltiple (Multiple Discriminant Analysis, MDA) es una de las técnicas más empleadas para predecir el fracaso empresarial y tiene como objetivo obtener una función que permita clasificar a los individuos de una muestra en categorías definidas a priori, a partir de un conjunto de variables independientes. La ventaja que plantea es que variables que podían resultar insignificantes en un análisis univariante pueden aportar información significativa en este tipo de modelos, al combinar unas variables con otras (Beaver, 1968). Basándose en este análisis, Altman (1968) estimó 22 ratios clasificados en cinco categorías (liquidez, rentabilidad, endeudamiento, solvencia y productividad), formando una función discriminante denominada “Z-Score”. Este modelo, denominado Modelo Z-Score de Altman, es uno de los más utilizados por los investigadores (Alcalde et al., 2022) y, para muchos de ellos, es considerado como el mejor modelo de predicción de quiebra al conseguir una exactitud en la predicción del 95% (Scherger et al., 2018). Altman fue capaz de predecir el 72% de las quiebras con dos años de antelación, con un porcentaje de falsos negativos del 6% (Altman, 1968). A partir de entonces, surgieron modelos con mejoras en la clasificación de los ratios (Blum, 1974; Deakin, 1972; Edmister, 1972).

Una de las críticas más destacables de este análisis, considerada como una restricción metodológica, es que las variables independientes debían seguir una distribución normal. Estudios posteriores evidenciaban que la mayoría de los ratios utilizados se alejaban de una distribución de este tipo (Deakin, 1976; Frecka y Hopwood, 1983; García-Ayuso, 1995), lo que propició la aparición de nuevas corrientes de estudios basados en modelos de probabilidad condicional (Probit) (Zmijewski, 1984) y regresión logística (modelos Logit) (Martin, 1977), destacando el indicador “O-Score” de Ohlson (1980). En estos modelos, la variable dependiente es de tipo binaria o dicotómica y toma valores en el intervalo [0,1], de forma que muestra la probabilidad de pertenencia a un grupo prefijado de empresas (en quiebra o no). Los coeficientes de las variables independientes miden la importancia relativa de los factores seleccionados para explicar la probabilidad de fracaso.

A partir de la década de los 90, se incorporaron técnicas de inteligencia artificial al análisis de la quiebra empresarial, destacando las redes neuronales y técnicas de inducción de reglas y árboles de decisión. Esta técnica implica el desarrollo de un software capaz de generar conocimiento mediante el análisis de los ratios financieros, utilizando ese conocimiento generado para hacer predicciones sobre la situación financiera de una empresa. Bell et al. (1990) fueron pioneros en el desarrollo de trabajos a partir de este método.

No obstante, existen otras metodologías de menor relevancia para predecir la quiebra empresarial, como el algoritmo de participación recursiva (Recursive Partitioning Analysis, RPA) (Frydman et al., 1985; Marais et al., 1984) o el análisis envolvente de datos (Data Envelopment Analysis, DEA) (Mendoza Mendoza, 2009; Paradi et al., 2004; Troutt et al., 1996).

De acuerdo con lo anterior, se puede inferir que existen multitud de técnicas válidas para predecir el fracaso empresarial y, en las últimas décadas, ha sido uno de los temas más relevantes de la literatura financiera (Figura 1). Sin embargo, se ha constatado que la capacidad predictiva de los mismos está disminuyendo como consecuencia de la complejidad creciente del entorno empresarial (Del Castillo García, 2021).

De ahí que trabajos recientes en esta materia se centren en la combinación de diferentes metodologías, con el objetivo de intentar obtener resultados más concluyentes (Barboza et al., 2017; du Jardin, 2015; Noguera Venero, 2023). Asimismo, numerosos autores han llevado a cabo revisiones bibliométricas para comparar y evaluar los diferentes métodos de predicción de quiebra empresarial (Grosu et al., 2023; Kessioui et al., 2023; Pereira et al., 2010), así como para detectar las limitaciones de los diferentes modelos (Laitinen et al., 2023).

A modo de resumen, y sin ánimo de ser exhaustivos, en la Tabla 1 se resumen los métodos de predicción de fracaso empresarial más utilizados con los trabajos más relevantes en cada caso.

Un ejemplo reciente de cómo factores exógenos inesperados pueden afectar a cualquier modelo de predicción ha sido el Covid-19, pasando a ser el tema central para la comunidad científica internacional, no solo desde la perspectiva epidemiológica, sino desde una extensa escala de campos, entre los que se encuentra su impacto en el turismo. De hecho, se produjo una fuerte reducción de los flujos turísticos, sobre todo, en el tráfico aéreo de pasajeros y la actividad hotelera (Vega Falcón et al., 2020). Desde ese momento, numerosos trabajos se han centrado en analizar la recuperación del sector turístico, la mayoría desde la perspectiva del comportamiento del consumidor. Así, por ejemplo, encontramos trabajos que buscan recuperar el bienestar del consumidor desde un punto de vista tanto reactivo (Raki et al., 2021) como proactivo (Yeh, 2021); otros como Miao et al., (2022) analizan el impacto en el turismo desde el prisma postraumático sufrido por las personas como consecuencia del Covid-19, o en el cambio de elección del destino turístico (Zhang et al., 2023). Otros, como Poretti & Heo (2022) se centran en el impacto de la pandemia sobre el valor de la empresa turística. Sin embargo, hasta la fecha, no encontramos ningún trabajo que analice la quiebra del sector a raíz del Covid-19.

Respecto a los determinantes de la quiebra empresarial, la literatura ha identificado un amplio conjunto de variables, siendo las más populares los ratios económico-financieros (Álvarez-Ferrer & Campa-Planas, 2020; Bustos-Contell et al., 2021; Noguera Venero, 2023). Ahora bien, el análisis de la quiebra de una empresa también debe considerar la interrelación entre factores y no solo el efecto de uno en particular (Mora Garcia et al., 2008). En este sentido, la teoría de la complejidad, permite una comprensión más profunda de las relaciones entre las condiciones de los antecedentes causales (ratios financieros) y el resultado (quiebra de la empresa turística), que son más complejas que simplemente la causa-efecto individual. La metodología de análisis cualitativo comparativo de conjuntos difusos (fuzzy set qualitative comparative analysis, fsQCA) se fundamenta en los principios de la teoría de la complejidad (Woodside, 2012) entre ellos, los siguientes:

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.

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.

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:

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:

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:

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:

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:

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.

Esta investigación no ha recibido financiación externa.

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.