Diagnosis de quiebra hotelera y destino turístico

  1. Ruben Lado Sestayo 1
  2. Milagros Vivel Bua 2
  1. 1 Universidad de La Coruña, España
  2. 2 Universidad de Santiago de Compostela, España
Revista:
Lurralde: Investigación y espacio

ISSN: 0211-5891

Ano de publicación: 2018

Número: 41

Páxinas: 149-174

Tipo: Artigo

DIALNET GOOGLE SCHOLAR lock_openAcceso aberto editor

Outras publicacións en: Lurralde: Investigación y espacio

Resumo

This paper analyzes the importance of the tourist destination when bankruptcy is analyzed in the hotel sector. In particular, we study the bankruptcy in the Galician hotel sector during the period 2005-2011. The results confirm the importance of the characteristics of the tourist destination where the hotel is located, in particular, the occupancy rate and the level of seasonality, in addition to the internal characteristics of the hotel. Specifically, the location can represent up to 20% of the bankruptcy rate of Galician hotels.

Referencias bibliográficas

  • Altman, E.I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. En: The Journal of Finance, 4, 589-609.
  • Altman, E.I., Haldeman, R., Narayanan, P. (1977). Zeta analysis: a new model to identify bankruptcy risk of corporations. En: Journal of Banking and Finance, 6, 29-54.
  • Arquero, J.L., Abad, M.C., Jiménez, S.M. (2009). Procesos de fracaso empresarial en PYMES: identificación y contrastación empírica. En: Revista Internacional de la Pequeña y Mediana Empresa, 2, 64-77.
  • Baltar S., Fernández, S., Vivel M., Neira, I. (2012). Supervivencia de las empresas innovadoras españolas. En: Revista gallega de economía, 2, 107-132.
  • Beaver, W.H. (1966). Financial ratios as predictors of failure. En: Journal of Accounting Research, 4, 71-111.
  • Bell, T.B., Ribar, G.S., Verchio, J. (1990). “Neural nets versus logistic regression: a comparison of each model’s ability to predict commercial bank failures”, en Auditing Symposium on Auditing Problems. Mississippi, Universidad de Mississippi (Estados Unidos), 29-53.
  • Blum, M. (1974). Failing company discriminant analysis. En: Journal of Accounting Research, 1, 1-25.
  • Campillo J.P., Labatut G., Veres E. (2013). Validez de la información financiera en los procesos de insolvencia. Un estudio de la pequeña empresa española. En: Cuadernos de economía y dirección de la empresa, 1, 29-40.
  • Castaño, F. (2013). “Variables y modelos para la evaluación del fracaso empresarial. Propuesta de una metodología de fronteras basada en percentiles”. Tesis doctoral de la Universidad de León.
  • Cho, M. (1994). “Predicting business failure in the hospitality industry: an application of logit model”. Tesis doctoral de la Virginia Polytechnic Institute and State University.
  • Deakin, E. (1976). On the nature of the distribution of financial accounting ratios: some empirical evidence. En: The Accounting Review, 1, 90-97.
  • Edmister, R.O. (1972). An empirical test of financial ratio analysis for small business failure prediction. En: Journal of Financial and Quantitative Analysis, 2, 1477-1493.
  • Elam, R. (1975). The effect of lease data on the predictive ability of financial ratios. En: The Accounting Review, 1, 25-43.
  • Fitzpatrick, P.J. (1932). Comparison of ratios of successful of industrial enterprises with those of failed firm. En: Certified Public Accountant, 10, 589–605.
  • Gabás, F. (1990). Técnicas actuales de análisis contable, evaluación de la solvencia empresarial. Madrid, Instituto de Contabilidad y Auditoría de Cuentas Ministerio de Economía y Hacienda.
  • Gallego, A., Gómez, M.E. (2002). Análisis integrado de la absorción y quiebra empresarial mediante la estimación de un modelo multilogit. En: Revista Española Financiación y Contabilidad, 1, 111-144.
  • Jones, F.L. (1987). Current techniques in bankruptcy prediction. En: Journal of Accounting Literature, 6, 131-164.
  • Kuo, Y.C. (2007). “The data envelopment models for the application of two-group discriminant analysis”. Tesis Doctoral de la Universidad Central Nacional.
  • Laffarga J., Martín, J.L., Vázquez, M.J. (1991). La predicción de la quiebra bancaria: el caso español. En: Revista Española de Financiación y Contabilidad, 66, 151-163.
  • Laitinen, T., Kankaanpää, M. (1999). Comparative analysis of failure prediction methods: The Finnish case. En: European Accounting Review, 1, 67-92.
  • Lizarraga, F. (1997). Utilidad de la información contable en el proceso de fracaso: análisis del sector industrial de la mediana empresa. En: Revista Española de Financiación y Contabilidad, 93, 871-915.
  • Martin, D. (1977). Early warning of bank failure: A logit regression approach. En: Journal of Banking & Finance, 3, 249-276.
  • Mateos, A., Marín, M., Marí, S., Seguí, E. (2011). Los modelos de predicción del fracaso empresarial y su aplicabilidad en cooperativas agrarias. En: Revista de Economía Pública, Social y Cooperativa, 1, 179-208.
  • Mckee, T.E. (2000). Developing a bankruptcy prediction model via rough sets theory. En: International Journal of Intelligent Systems in Accounting, Finance and Management, 3, 159-173.
  • Odom, M.D., Sharda, R. (1992). “A neural network model for bankruptcy prediction” en Neural networks in finance and investing. Chicago, Probus Publishing, 163-168.
  • Ohlson, J.A. (1980). Financial ratios and the probabilistic prediction of bankruptcy. En: Journal of Accounting Research, 1, 109-131.
  • Paradi, J.C., Asmild, M., Simak, P.C. (2004). Using DEA and worst practice DEA in credit risk evaluation. En: Journal of Productivity Analysis, 2, 153-165.
  • Premachandra, I.M., Bhabra, G.S., Sueyoshi, T. (2009). DEA as a tool for bankruptcy assessment: A comparative study with logistic regression technique. En: European Journal of Operational Research, 2, 412-424.
  • Quinlan, J. R. (1996). “Bagging, boosting, and c4.5”. Thirteenth National Conference on Articial Intelligence, 725-730.
  • Rahminian, E., Singh, S., Thammachote, T., Virmani, R. (2000). “Bankrupcty prediction by neural networks” en Neural networks in finance and investing. Chicago, Probus Publishing, 175-332.
  • Rommer, A.D. (2005). “A comparative analysis of the determinants of financial distress in French, Italian and Spanish firms”. Documento de trabajo de Danmarks Nationalbank (Copenhagen).
  • Serrano, C. (1997). Feedforward Neural Networks in the Classification of Financial Information. En: European Journal of Finance, 3, 183-202.
  • Sinkey, J.F. (1975). A multivariate statistical analysis of the characteristics of problem banks. En: The Journal of Finance, 1, 21-36.
  • Slowinski, R., Zopounidis, C. (1995). Application of the rough set approach to evaluation of bankruptcy risk. En: International Journal of Intelligent Systems in Accounting, Finance and Management, 1, 27-41.
  • Smith, R., Winakor, A. (1935). Changes in Financial Structure of Unsuccessful Industrial Corporations. En: Bureau of Business Research, 1, 1-20.
  • Sueyoshi, T., Goto, M. (2009). DEA–DA for bankruptcy-based performance assessment: Misclassification analysis of Japanese construction industry. En: European Journal of Operational Research, 2, 576-594.
  • Taffler, R.J. (1983). The assessment of company solvency and performance using a statistical model. En: Accounting and Business Research, 52, 295-307.
  • Tascón, M., Castaño, F. (2012). Variables y modelos para la identificación y predicción del fracaso empresarial: revisión de la investigación empírica reciente. En: Revista de contabilidad, 1, 7-58.
  • Troutt, M.D., Rai, A., Zhang, A. (1996). The potential use of DEA for credit applicant acceptance systems. En: Computers and Operations Research, 4, 405-408.
  • Wilson, R.L., Sharda, R. (1994). Bankruptcy prediction using neural networks. En: Decision Support Systems, 11(5), 545-557.
  • Zmijewski, M. (1984). Methodological issues related to the estimation of financial distress prediction model. En: Journal of Accounting Research, 1, 59-82.
Fonte de datos: Dialnet