¿Siguen siendo vigentes los modelos clásicos de predicción de quiebra? Evidencia en empresas mexicanas que cotizan en bolsa
DOI:
https://doi.org/10.29057/escs.v13i26.17239Palabras clave:
Predicción de quiebra, Altman Z-Score, Springate, ZmijewskiResumen
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
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
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Beatriz Sauza Avila, José M. Cruz Domínguez, Claudia B. Lechuga Canto, Suly S. Pérez Castañeda, Dorie Cruz Ramírez, Mónica Jiménez Gutiérrez

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.









