¿Siguen siendo vigentes los modelos clásicos de predicción de quiebra? Evidencia en empresas mexicanas que cotizan en bolsa

Autores/as

  • Beatriz Sauza Avila Universidad Autónoma del Estado de Hidalgo. Escuela Superior de Ciudad Sahagún https://orcid.org/0000-0002-7919-6792
  • José M. Cruz Domínguez TecNM | Instituto Tecnológico Superior de Oriente del Estado de Hidalgo | Apan-Hidalgo | México https://orcid.org/0000-0003-2215-0694
  • Claudia B. Lechuga Canto Universidad Autónoma del Estado de Hidalgo | Escuela Superior de Ciudad Sahagún | Ciudad Sahagún-Hidalgo | México https://orcid.org/0000-0003-3081-2379
  • Suly S. Pérez Castañeda Universidad Autónoma del Estado de Hidalgo | Escuela Superior de Ciudad Sahagún | Ciudad Sahagún-Hidalgo | México https://orcid.org/0000-0002-3763-9233
  • Dorie Cruz Ramírez Universidad Autónoma del Estado de Hidalgo | Escuela Superior de Ciudad Sahagún | Ciudad Sahagún-Hidalgo | México https://orcid.org/0000-0002-7853-7655
  • Mónica Jiménez Gutiérrez TecNM | Instituto Tecnológico Superior de Oriente del Estado de Hidalgo | Apan-Hidalgo | México https://orcid.org/0009-0007-4762-2295

DOI:

https://doi.org/10.29057/escs.v13i26.17239

Palabras clave:

Predicción de quiebra, Altman Z-Score, Springate, Zmijewski

Resumen

La predicción de quiebra empresarial continúa siendo un tema central en las finanzas corporativas debido a su utilidad para anticipar procesos de deterioro financiero y respaldar la toma de decisiones de inversionistas, acreedores y directivos. El objetivo de esta investigación fue analizar la vigencia de los modelos clásicos de predicción de quiebra mediante la comparación de los modelos Altman Z-Score, Springate y Zmijewski en empresas del subsector de suministros y servicios comerciales con cotización en el mercado mexicano durante el periodo 2021–2025. El estudio se desarrolló bajo un enfoque cuantitativo, no experimental y de alcance descriptivo-comparativo. La muestra quedó integrada por seis empresas seleccionadas por conveniencia con base en la disponibilidad de información financiera pública: 3M Company, ACCELSABB, Accenture plc, Ecolab Inc., Elis Services SA y Promotora Ambiental, S.A.B. de C.V. Los resultados muestran que los modelos clásicos conservan utilidad para identificar distintos niveles de vulnerabilidad financiera, aunque presentan divergencias metodológicas en empresas con riesgo intermedio o trayectorias de recuperación parcial. Mientras que en algunos casos los tres modelos coinciden en señalar estabilidad o deterioro severo, en otros se observan diferencias atribuibles a la sensibilidad específica de cada metodología frente a variables de liquidez, rentabilidad, apalancamiento y eficiencia operativa. Se concluye que los modelos clásicos siguen siendo vigentes como herramientas de alerta temprana, especialmente cuando se utilizan de manera complementaria y contextualizada. El estudio aporta evidencia empírica comparativa sobre la utilidad contemporánea de estos modelos en un contexto aplicado del mercado mexicano.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Altman, E. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. Journal of Finance, 23(4), 589–609.

Barbullushi, E., Kastrati, A., & Kinka, A. (2025). Insolvency pattern trends in Albanian enterprises: An in-depth investigation. WSEAS Transactions on Business and Economics, 22, 845–859. https://doi.org/10.37394/23207.2025.22.74

Bayramli, R. (2025). Financial failure prediction models [Maliyyə uğursuzluğunu proqnozlaşdırma modelləri]. Scientific Work, 19(11), 69–75. https://doi.org/10.36719/2663-4619/123/69-75

Croquet, M., Cultrera, L., Laroutis, D., Pozniak, L., & Vermeylen, G. (2024). Exploring the role of global value chain position in economic models for bankruptcy forecasting. Econometrics, 12(4), Article 31. https://doi.org/10.3390/econometrics12040031

de Abreu Gomes, A. Z., Lopes, C., & da Silva, R. F. P. B. (2024). Advancements in bankruptcy prediction models and bibliometric analysis. Proceedings of the European Conference on Research Methods in Business and Management Studies, 23(1), 82–91. https://doi.org/10.34190/ecrm.23.1.2428

Dhamo, Z., Gjeçi, A., Zibri, A., & Prendi, X. (2025). Business distress prediction in Albania: An analysis of classification methods. Journal of Risk and Financial Management, 18(3), Article 118. https://doi.org/10.3390/jrfm18030118

Dieperink, H., Adriaanse, J., & Dechesne, M. (2025). Predicting viability of small businesses on the edge of failure. Journal of Small Business Management, 63(5), 2422–2454. https://doi.org/10.1080/00472778.2024.2435506

Durana, P., Poliak, M., Kovalova, E., & Blazek, R. (2025). Prediction models reloaded: Advanced insights for SMEs in the Bucharest Nine countries. Oeconomia Copernicana, 16(2), 689–760. https://doi.org/10.24136/oc.3764

Elhoseny, M., Alhashmi, S. M., Deif, M. A., Boujlil, R., & Metawa, N. (2025). Hybrid deep learning for bankruptcy prediction: An optimized LSTM model with harmony search algorithm. Journal of Intelligent Systems, 34(1), Article 20250058. https://doi.org/10.1515/jisys-2025-0058

Gabrielli, G., Melioli, A., & Bertini, F. (2026). Corporate financial distress prediction: A machine learning approach in the era of big data. Journal of Accounting and Organizational Change, 22(7), 31–65. https://doi.org/10.1108/JAOC-05-2025-0166

Gajdosikova, D., & Michulek, J. (2025). Artificial intelligence models for bankruptcy prediction in agriculture: Comparing the performance of artificial neural networks and decision trees. Agriculture, 15(10), Article 1077. https://doi.org/10.3390/agriculture15101077

Gajdosikova, D., Valaskova, K., & Kliestik, T. (2025). Predicting bankruptcy and ensuring f inancial sustainability: A focus on Visegrad economies. Journal of International Studies, 18(3), 122–143. https://doi.org/10.14254/2071-8330.2025/18-3/7

Investing.com. (2025). Investing.com. https://www.investing.com/

Jayawardana, J., Wijeratne, P., Vrcelj, Z., & Sandanayake, M. (2025). Artificial intelligence for predicting insolvency in the construction industry—A systematic review and empirical feature derivation. Buildings, 15(17), Article 2988. https://doi.org/10.3390/buildings15172988

Kapounek, S., Hanousek, J., & Bílý, F. (2022). Predictive ability of Altman Z-score of European private companies Predikční schopnost Altmanova Z-skóre evropských soukromých společností. Politická ekonomie, 70(3), 265–287. https://doi.org/10.18267/j.polek.1353

Labosova, V., Duricova, L., & Durana, P. (2025). One model fits all? Evaluating bankruptcy prediction across different economic periods. Economies, 13(12), Article 361. https://doi.org/10.3390/economies13120361

Marsenne, M., Ismail, T., Taqi, M., & Hanifah, I. A. (2024). Financial distress predictions with Altman, Springate, Zmijewski, Taffler and Grover models. Decision Science Letters, 13(1), 181–190. https://doi.org/10.5267/j.dsl.2023.10.002

Michalkova, L., & Ponisciakova, O. (2025). Bankruptcy prediction, financial distress and corporate life cycle: Case study of Central European enterprises. Administrative Sciences, 15(2), Article 63. https://doi.org/10.3390/admsci15020063

Muniappan, M., & Paruvachi Subramanian, N. D. (2025). A majority voting mechanism-based ensemble learning approach for financial distress prediction in Indian automobile industry. Journal of Risk and Financial Management, 18(4), 197. https://doi.org/10.3390/jrfm18040197

Musa, H., Musová, Z., & Rech, F. (2025). Is it possible to build a stable ex-ante bankruptcy prediction model for Visegrad Group companies? A multi-year approach. Journal of International Studies, 18(2), 159–176. https://doi.org/10.14254/2071-8330.2025/18-2/9

Rahayu, D. S., Husodo, Z. A., Pidanic, J., Li, X., & Suhartanto, H. (2025). A technique to predict bankruptcy using ultimate ownership network as key indicators. International Journal of Technology, 16(1), 275–288. https://doi.org/10.14716/ijtech.v16i1.7516

Romero Martínez, M., Carmona Ibáñez, P., & Martínez Vargas, J. (2025). Predicting business failure with the XGBoost algorithm: The role of environmental risk. Sustainability, 17(11), Article 4948. https://doi.org/10.3390/su17114948

Saleem, U., Noreen, U., Shafique, A., & Danila, N. (2025). Downside risk applied to bankruptcy predicting models. Cogent Economics & Finance, 13(1), Article 2560023. https://doi.org/10.1080/23322039.2025.2560023

Samara, K., & Shinde, A. (2025). Bankruptcy prediction using machine learning and data preprocessing techniques. Analytics, 4(3), Article 22. https://doi.org/10.3390/analytics4030022

Singh, G., & Mahajan, R. (2024). Predictive analytics: A review of bankruptcy prediction models. International Journal for Multidisciplinary Research (IJFMR), 6(4), 1–8. https://www.ijfmr.com/papers/2024/4/24838.pdf

Tanaka, K., Higashide, T., Kinkyo, T., & Hamori, S. (2025). A multi-stage financial distress early warning system: Analyzing corporate insolvency with random forest. Journal of Risk and Financial Management, 18(4), Article 195. https://doi.org/10.3390/jrfm18040195

Wang, C., Gong, P., Li, J., & Wang, Z. (2025). Corporate financial distress prediction with multiperiod annual report data: A fusion deep neural network model. PLOS One, 20(9), e0333064. https://doi.org/10.1371/journal.pone.0333064

Descargas

Publicado

2026-07-05

Cómo citar

Sauza Avila, B., Cruz Domínguez, J. M., Lechuga Canto, C. B., Pérez Castañeda, S. S., Cruz Ramírez, D., & Jiménez Gutiérrez, M. (2026). ¿Siguen siendo vigentes los modelos clásicos de predicción de quiebra? Evidencia en empresas mexicanas que cotizan en bolsa. Ingenio Y Conciencia Boletín Científico De La Escuela Superior Ciudad Sahagún, 13(26), 95–108. https://doi.org/10.29057/escs.v13i26.17239