95
Publicado por la Universidad Nacional de Loja,
bajo licencia Creative Commons 4.0
SurAcademia Vol. 12 N° 24 (Julio - Diciembre, 2025)
eISSN: 2602-8190
https://doi.org/10.54753/suracademia.v12i24.2444 • Páginas 95-113
Determinantes de la quiebra empresarial en la construcción
ecuatoriana
Determinants of business bankruptcy in Ecuadorian construction
Luis Eduardo Castillo Gálvez
Universidad Nacional de Loja, Ecuador
(lecastillog@unl.edu.ec)(https://orcid.org/0000-0002-3537-071X)
RESUMEN
La quiebra empresarial impacta en el desarrollo productivo y nanciero de las empresas. Este estudio
analiza los factores determinantes de la quiebra en empresas constructoras ecuatorianas durante el
periodo 2016-2020 mediante un modelo logístico aplicado a 4.463 unidades de análisis. Se emplearon
ratios de rentabilidad, liquidez y solvencia para clasicar a las empresas en quebradas (1) y no quebradas
(0). Los resultados indican que las empresas del subsector de construcción de edicios con una gestión
eciente de su benecio antes de intereses e impuestos (EBIT), costo de deuda y volumen de esta, así
como una adecuada rentabilidad sobre activos (ROA), tienen menor probabilidad de quiebra.
Palabras clave: Análisis nanciero, construcción, insolvencia empresarial, modelos predictivos, riesgo
económico.
ABSTRACT
Business bankruptcy aects the productive and nancial performance of companies. This study
examines the determinants of bankruptcy in Ecuadorian construction companies during the period 2016–
2020 through a logistic regression model applied to 4,463 units of analysis. Protability, liquidity, and
solvency ratios were used to classify rms as bankrupt (1) or non-bankrupt (0). The ndings indicate that
companies in the building construction subsector that achieve ecient management of Earnings Before
Interest and Taxes (EBIT), debt cost, and debt volume, along with an adequate Return on Assets (ROA),
are less likely to go bankrupt.
Keywords: Business insolvency, construction sector, economic risk, nancial analysis, predictive
models.
https://doi.org/10.54753/suracademia.v12i24.2444
Johvana Ermila Aguirre Mendoza
Universidad Nacional de Loja, Ecuador
(johvana.aguirre@unl.edu.ec )(https://orcid.org/0000-0001-6781-5210)
Recibido: 05/03/2025 • Revisado: 19/03/2025 • Aceptado: 28/04/2025 • Publicado: 22/07/2025
96
SurAcademia Vol. 12 N° 24 (Julio - Diciembre, 2025)
eISSN: 2602-8190
https://doi.org/10.54753/suracademia.v12i24.2444 • Páginas 95-113
INTRODUCCIÓN
La problemática de la quiebra empresarial ha sido ampliamente estudiada en países desarrollados y en
vías de desarrollo debido a sus implicaciones económicas y sociales (Támara et al., 2019). La insolvencia
empresarial no solo afecta la sostenibilidad de las organizaciones, sino que también genera impactos
negativos en la economía y la sociedad en su conjunto (Van et al., 2021). En este contexto, la estabilidad
y solidez nanciera se erigen como pilares fundamentales para garantizar que las empresas cumplan con
sus compromisos de manera eciente y ecaz (Bernate Valbuena, 2019).
El objetivo de la presente investigación es analizar los factores determinantes de la quiebra en empresas
constructoras ecuatorianas, utilizando los datos proporcionados por la Superintendencia de Compañías,
Valores y Seguros (SUPERCIAS) durante el periodo 2016-2020. Para ello, se plantea una sistematización
de teorías y conceptos que permitan comprender la dinámica de la quiebra empresarial en Ecuador.
Desde un enfoque metodológico, el estudio adopta un enfoque cuantitativo con un alcance explicativo-
descriptivo, empleando un modelo de regresión logística para responder a la siguiente pregunta
de investigación: ¿Cuáles son los factores determinantes de la quiebra empresarial en las empresas
constructoras ecuatorianas durante el periodo 2016-2020?
El sector de la construcción desempeña un papel crucial en la economía ecuatoriana, tanto por su
contribución al Producto Interno Bruto (PIB) como por su capacidad para generar empleo (Camino-
Mogro et al., 2019). No obstante, este sector presenta una alta vulnerabilidad frente a los ciclos
económicos y factores exógenos (Camino-Mogro et al., 2019). Según el Banco Central del Ecuador
(BCE), la participación del sector construcción en el PIB nacional fue del 6,1 % en 2021, disminuyendo
al 6,2 % en 2022 y registrando una caída al 4,2 % en 2023 (SB, 2022; BCE, 2024). Esta tendencia reeja
un proceso de contracción sectorial que refuerza la necesidad de analizar los factores que determinan su
estabilidad y riesgo de insolvencia
A pesar de su importancia económica, existe escasa evidencia empírica sobre la quiebra empresarial en
el sector de la construcción en Ecuador. Hasta la fecha, no se ha desarrollado un modelo estandarizado
para predecir este fenómeno, ni se ha alcanzado consenso sobre una denición unicada de quiebra
empresarial (Aes & Hentati-Kael, 2019; Támara et al., 2019). En consecuencia, las investigaciones
existentes han abordado el problema desde perspectivas especícas, en función del contexto y las
características de cada estudio.
El análisis de la quiebra empresarial constituye un eje central en la investigación económica y nanciera,
dada su incidencia en variables como la inversión, el crédito, el empleo y el desarrollo social (Carrión-
Cauja et al., 2021; Lozada-Pinta et al., 2020). En un contexto de creciente incertidumbre y globalización,
las empresas deben identicar oportunamente los factores que determinan la insolvencia para optimizar
su gestión nanciera y asegurar su sostenibilidad (Calva et al., 2017; Rodríguez et al., 2014; Romero,
2013).
Aun cuando el estudio de la quiebra empresarial ha evolucionado teóricamente, persiste la ausencia de
un modelo único que explique integralmente el fenómeno (Bernate Valbuena & Gómez Meneses, 2022;
Contreras, 2016). Las dicultades metodológicas y conceptuales han dado lugar a diversos enfoques,
entre ellos el análisis econométrico mediante técnicas como el análisis discriminante (Altman, 2000;
Beaver, 1966; García Pérez De Lema et al., 1995).
Tradicionalmente, la quiebra se ha denido como la incapacidad de una empresa para cumplir sus
obligaciones nancieras, generalmente derivada de problemas de liquidez, rentabilidad o endeudamiento
(Deakin, 1972; Ohlson, 1980). Posteriormente, se incorporaron variables macroeconómicas como la
inación y las tasas de interés para mejorar la predictibilidad de los modelos de insolvencia (Quintana
& Gallego, 2004; Shirata, 2012). Más recientemente, se han desarrollado metodologías avanzadas,
97
SurAcademia Vol. 12 N° 24 (Julio - Diciembre, 2025)
eISSN: 2602-8190
https://doi.org/10.54753/suracademia.v12i24.2444 • Páginas 95-113
como modelos de regresión logística y análisis de riesgo crediticio, que amplían el espectro de factores
considerados en la predicción de quiebras (Dvorský et al., 2020; Murtazova & Alujev, 2021; Van et al.,
2021).
Desde el punto de vista conceptual, la quiebra empresarial ha sido relacionada con términos como
insolvencia, bancarrota y deterioro nanciero (Lozada-Pinta et al., 2020; Reyes Clavijo, 2021; Támara
et al., 2019). La falta de consenso en su denición se debe a la diversidad de enfoques teóricos y
normativos en distintos países y sectores económicos (Calva et al., 2017; Morales Jaramillo, 2015;
Tascón & Castaño, 2012).
Los estudios empíricos han identicado diversas variables que inciden en la quiebra empresarial,
agrupadas en factores nancieros y no nancieros (Bernate Valbuena & Gómez Meneses, 2022). Entre
los factores nancieros destacan los ratios de liquidez, endeudamiento, actividad, estructura, rotación
y rentabilidad, siendo los indicadores de ROA (Return on Assets) y ROE (Return on Equity) los más
utilizados como medidas de sostenibilidad nanciera (Novotná, 2015; Shirata, 2012).
Por su parte, los factores no nancieros incluyen el tamaño de la empresa, su ubicación geográca,
el acceso al nanciamiento y las condiciones macroeconómicas (Romero, 2013; Orellana-Osorio et
al., 2020). Diversos estudios han demostrado que una mayor rentabilidad tiende a reducir el riesgo de
quiebra, mientras que un elevado nivel de apalancamiento nanciero incrementa la probabilidad de
insolvencia (Ayón-Ponce et al., 2020; Isaac & Jaramillo, 2015).
En general, el fracaso empresarial responde a una combinación de factores internos —como la estructura
de costos, la eciencia operativa y la capacidad de innovación— y factores externos, entre los que se
destacan la volatilidad económica, las políticas gubernamentales y las condiciones de acceso al crédito
(Andrade et al., 2019; Orellana-Osorio et al., 2020).
El sector de la construcción, en particular, se caracteriza por su alta sensibilidad a los ciclos económicos,
lo que lo convierte en un ámbito prioritario para el estudio de la quiebra empresarial (Calva et al., 2017;
Támara Ayús & Villegas Arias, 2021). Investigaciones realizadas en diversas economías han demostrado
que variables como el crecimiento de activos, el endeudamiento y la liquidez son determinantes clave
en la estabilidad nanciera de las empresas constructoras (Lee & Choi, 2013; Gill de Albornoz & Giner,
2013).
En Ecuador, aunque la evidencia empírica es aún limitada, estudios previos sugieren que las empresas
constructoras con altos niveles de endeudamiento y bajos márgenes de rentabilidad presentan un mayor
riesgo de insolvencia (Calva et al., 2017; Bermúdez & Bravo-Matamoros, 2019). Asimismo, la falta de
innovación y de planicación nanciera ha sido identicada como un factor crítico que contribuye al
cierre de empresas en este sector (Caiza & Chango, 2019).
METODOLOGÍA
El presente estudio adopta un enfoque cuantitativo, basado en la construcción de un modelo predictivo de
quiebra empresarial en el sector de la construcción ecuatoriano. Asimismo, este estudio tiene un alcance
explicativo, ya que pretende identicar y analizar los factores que determinan la quiebra empresarial en
las empresas constructoras ecuatorianas.
En la literatura nanciera, diversos modelos han sido utilizados para predecir la quiebra empresarial.
Desde los modelos univariantes tradicionales, propuestos por Beaver (1966) y Altman (2000), hasta
metodologías más avanzadas, como los modelos de inteligencia articial (Decision Tree y Redes
Neuronales) desarrollados por Lee y Choi (2013) y Bernate Valbuena y Gómez (2022). En este contexto,
los modelos econométricos LOGIT y PROBIT han demostrado ser herramientas precisas y ecientes
98
SurAcademia Vol. 12 N° 24 (Julio - Diciembre, 2025)
eISSN: 2602-8190
https://doi.org/10.54753/suracademia.v12i24.2444 • Páginas 95-113
para estimar la probabilidad de insolvencia empresarial, debido a su capacidad de capturar relaciones no
lineales y analizar la inuencia de múltiples factores simultáneamente (Bermúdez & Bravo-Matamoros,
2019; Calva et al., 2017; Lozada-Pinta et al., 2020; Novotná, 2015; Quintana & Gallego, 2004; Romero,
2013; Támara Ayús & Villegas Arias, 2021).
El modelo LOGIT es la metodología elegida para estimar la probabilidad de quiebra, dado que la variable
dependiente en este estudio es dicotómica (1: empresa quebrada, 0: empresa no quebrada). Este modelo
es apropiado para casos en los que la variable de interés no es continua y presenta ventajas frente a
modelos lineales tradicionales, cuyos supuestos no se cumplen en datos categóricos (Bernate Valbuena
& Gómez Meneses, 2022; Rosales Álvarez et al., 2013). Además, su uso permite cuanticar el efecto de
variables nancieras sobre la probabilidad de quiebra.
La unidad de análisis corresponde a las empresas del sector de la construcción en Ecuador, registradas en
la Superintendencia de Compañías, Valores y Seguros (SUPERCIAS). Especícamente, se consideran
aquellas clasicadas en el subsector construcción de edicios (F-41), que agrupa actividades relacionadas
con la edicación y obras de ingeniería civil (INEC, 2012).
La variable dependiente es la quiebra empresarial, denida como una variable categórica binaria donde:
• 1 representa a empresas que han quebrado.
• 0 representa a empresas que continúan operativas.
Las variables independientes utilizadas en el modelo corresponden a ratios nancieros obtenidos del
portal estadístico de SUPERCIAS, incluyendo:
• Solvencia: Apalancamiento nanciero.
• Rentabilidad: Retorno sobre el patrimonio (ROE) y retorno sobre activos (ROA).
• Liquidez: Liquidez corriente.
Cada una de estas variables ha sido ampliamente utilizada en la literatura para evaluar el riesgo de
insolvencia empresarial (Calva et al., 2017; Orellana-Osorio et al., 2020). La tabla 1 resume la denición
y fórmula de las variables:
Tabla 1. Grupos de variables de razones nancieras
Variable dependiente Denición
Quiebra empresarial
Variable categórica -dummy-
Valor 1: empresa quebrada
Valor 0: empresa no quebrada
Variables Independientes Denición Fórmula
Solvencia
Apalancamiento nanciero
Este ratio de solvencia señala las ventajas o
desventajas del endeudamiento con terceros y como
éste contribuye a la rentabilidad del negocio.
Liquidez:
Liquidez Corriente
Este ratio señala la capacidad de las organizaciones
para hacer frente a sus obligaciones de corto plazo.
Rentabilidad:
ROE
Este ratio relaciona los rendimientos con los
recursos que se necesitan para obtenerla.
99
SurAcademia Vol. 12 N° 24 (Julio - Diciembre, 2025)
eISSN: 2602-8190
https://doi.org/10.54753/suracademia.v12i24.2444 • Páginas 95-113
ROA
Este ratio relaciona la utilidad que recibe la
organización por cada dólar invertido en sus
distintos bienes y de los cuales se esperan
ganancias en un futuro.
Nota: La tabla 1 presenta la denición y fórmula de las variables independientes y dependiente del presente trabajo de
investigación. La adaptación de las variables independientes (ratios nancieros) corresponde a la información que ofrece
la Superintendencia de Compañías, Valores y Seguros sobre la tabla de indicadores nancieros de compañías activas
SUPERCIAS (2020).
UAI: Utilidad antes de impuestos.
UAII: Utilidad antes de impuestos e intereses
Población y muestra
El universo de la investigación comprende todas las empresas del sector de la construcción ecuatoriana
registradas en SUPERCIAS entre 2016 y 2020. Inicialmente, se recopilaron 13.056 registros de empresas
activas en ese periodo. Sin embargo, para garantizar la abilidad del análisis, se aplicó un proceso de
depuración basado en criterios de calidad de datos:
1. Eliminación de valores ausentes, ya que observaciones incompletas pueden introducir sesgos
signicativos en el análisis (Segura & Torres, 2014).
2. Identicación y tratamiento de valores atípicos, mediante la aplicación de media aritmética y
tres desviaciones estándar para cada variable (Nyitrai & Virág, 2019).
3. Denición de la variable dependiente, utilizando la media del ratio de solvencia como umbral
para clasicar empresas en quebradas (0) y no quebradas (1), siguiendo el método propuesto
por Ayón-Ponce et al. (2020).
Después de este proceso, la muestra nal quedó reducida a 4.463 observaciones válidas, distribuidas por
año como se detalla en la siguiente tabla:
Tabla 2. Depuración de bases de datos
Año
Número total de observaciones antes del
proceso de depuración
Número total de observaciones después del proceso
de depuración
2016 2123 810
2017 2087 796
2018 2128 1010
2019 3266 900
2020 3452 946
13056 4463
Nota: En la tabla 2, el número total de observaciones se contó por columna antes y después del proceso de depuración del
sector económico de la construcción (F), subsector construcción de edicios (41).
Análisis estadístico
Por último, para estimar la quiebra empresarial, se utilizó el modelo de regresión Logit, el cual constituye
una técnica multivariante que permite predecir el resultado de una variable binaria en función del conjunto
variables independientes métricas y no métricas (Vásquez, 2002). En el caso especíco de la presente
investigación, la variable dependiente quiebra empresarial toma dos valores (1 y 0), asignando el valor
100
SurAcademia Vol. 12 N° 24 (Julio - Diciembre, 2025)
eISSN: 2602-8190
https://doi.org/10.54753/suracademia.v12i24.2444 • Páginas 95-113
1 a las empresas constructoras quebradas y 0 a las empresas constructoras no quebradas Por otro lado,
las variables independientes corresponden los ratios nancieros de apalancamiento nanciero, liquidez
corriente, ROE y ROA; fueron escogidas debido a su popularidad nanciera y porque son empleadas
en materia de pronóstico del fenómeno de la quiebra empresarial (Calva et al., 2017). Con lo expuesto
anteriormente se fundamenta el modelo aplicado para este estudio en la siguiente Ecuación 1 que se
representa mediante una regresión Logit de datos de la siguiente manera:
Donde:
• : Variable dependiente.
• : Intercepto. De la empresa i y en el tiempo t
• : De la empresa i y en el tiempo t
• : De la empresa i y en el tiempo t
• :. De la empresa i y en el tiempo t
• : Error it
Hipótesis
Una vez analizada la literatura nanciera que estudia el fenómeno de la quiebra empresarial y en base a
los objetivos propuestos, se exponen las siguientes hipótesis a contrastar:
•
H1: La variable apalancamiento nanciero posee una inuencia positiva signicativa sobre la
quiebra empresarial de las empresas constructoras ecuatorianas.
•
H2: La variable ROE posee una inuencia positiva signicativa sobre la quiebra empresarial de
las empresas constructoras ecuatorianas.
•
H3: La variable liquidez posee una inuencia positiva signicativa sobre la quiebra empresarial
de las empresas constructoras ecuatorianas.
•
H4: La variable ROA posee una inuencia positiva signicativa sobre la quiebra empresarial
de las empresas constructoras ecuatorianas.
RESULTADOS
El análisis de ratios nancieros es esencial para evaluar la estabilidad empresarial, especialmente
en sectores sensibles como la construcción. Tres indicadores clave en este estudio son la solvencia,
rentabilidad y liquidez, los cuales inuyen en la probabilidad de quiebra.
El apalancamiento nanciero, según Ayón-Ponce et al. (2020), puede mejorar la inversión, pero un
exceso de costos jos puede llevar a un declive empresarial. En términos de rentabilidad, altos niveles
de ROA y ROE reducen la necesidad de nanciamiento externo y fortalecen la estabilidad nanciera
(Gonzáles et al., 2021; Cuenca et al., 2018). Por otro lado, la liquidez corriente es clave para medir la
capacidad de pago inmediato, donde una estructura nanciera sólida disminuye el riesgo de insolvencia
101
SurAcademia Vol. 12 N° 24 (Julio - Diciembre, 2025)
eISSN: 2602-8190
https://doi.org/10.54753/suracademia.v12i24.2444 • Páginas 95-113
(Gonzáles et al., 2021; Godoy & Pérez Fernández, 2021).
Con base en estos criterios, el siguiente apartado presenta el análisis descriptivo de estos ratios en las
empresas constructoras ecuatorianas, con el n de identicar patrones y riesgos asociados a su estabilidad
nanciera en la siguiente tabla:
CONCLUSIONES
Primera: En los últimos cinco años de justicia constitucional en el Ecuador, la desnaturalización de la
acción de protección ha generado un impacto negativo en la ecacia de las decisiones judiciales. De los
resultados del trabajo de campo se advierte que este mecanismo, en lugar de garantizar la protección
de los derechos constitucionales, se ha utilizado con nes escabrosos, generando inseguridad jurídica
y debilitando la independencia de la función judicial. Esta desnaturalización afecta gravemente la
credibilidad del sistema de justicia y la conanza ciudadana.
Entre los factores más frecuentes que contribuyen a la desnaturalización de la acción de protección
están la corrupción en el sistema judicial, la falta de jueces especializados en materia constitucional y la
inobservancia de la normativa constitucional por parte de los juzgadores. Estos factores han permitido la
manipulación de la justicia constitucional con nes ajenos a la protección de los derechos fundamentales.
La Sentencia No. 3638-22-JP evidencia el abuso reiterado de la acción de protección en contra de
providencias judiciales. Este uso indebido vulnera principios fundamentales como el debido proceso,
la seguridad jurídica y la independencia judicial, afectando la administración de justicia y facilitando la
intervención indebida en decisiones judiciales.
La falta de jueces especializados en materia constitucional y el abuso del derecho por parte de algunos
abogados representan desafíos signicativos en la correcta aplicación de la acción de protección. Para
garantizar la independencia judicial y fortalecer la conanza en el sistema de justicia, es de suma
importancia la adopción de medidas estructurales.
Tabla 3. Estadísticos descriptivos del sector F-41 en el periódo 2016-2020
Estadístico Liquidez Corriente Apalancamiento Financiero ROE ROA
N 4462 4462 4462 4462
Tendencia Central
Media 2,234 2,374 0,088 0,037
Mediana 1,661 1,846 0,051 0,020
Moda S/M S/M S/M S/M
Tendencia Central
Dispersión
Desviación estándar 1,752 1,910 0,367 0,196
Varianza 3,069 3,648 0,135 0,039
Rango 11,455 16,932 3,666 2,932
Posición
Mínimo 0,002 -6,956 -1,992 -1,781
Máximo 11,456 9,976 1,674 1,152
Cuartil 25 1,113 1,257 0,001 0,000
Cuartil 50 1,661 1,846 0,051 0,020
Cuartil 75 2,893 3,085 0,209 0,083
102
SurAcademia Vol. 12 N° 24 (Julio - Diciembre, 2025)
eISSN: 2602-8190
https://doi.org/10.54753/suracademia.v12i24.2444 • Páginas 95-113
Estadístico Liquidez Corriente Apalancamiento Financiero ROE ROA
Forma o Distribución
Asimetría 1,639 0,775 -0,924 -1,434
Curtosis 3,092 2,844 5,328 12,925
Nota: En la tabla 3, se señala el resultado de los estadísticos descriptivos de todas las variables de análisis correspondiente
al sector F-41 del periodo 2017-2020. Se omite la moda debido a su característica multimodal.
Liquidez Corriente
La media de la liquidez corriente en las empresas constructoras ecuatorianas durante el período 2016-
2020 es de 2,234, lo que indica que, en promedio, estas organizaciones tienen la capacidad de pagar
2,24 dólares por cada dólar de deuda a corto plazo. Sin embargo, la mediana es de 1,661, lo que sugiere
la presencia de valores atípicos que sesgan la media, haciendo que la mediana sea un indicador más
representativo de la tendencia central.
En cuanto a la dispersión, la desviación estándar de 1,752 señala una variabilidad considerable en
la liquidez de las empresas analizadas. El rango de valores es amplio (11,455), lo que conrma la
heterogeneidad de la muestra. La asimetría positiva (1,639) indica una concentración de valores hacia la
izquierda de la media, mientras que la curtosis de 3,092 reeja una distribución leptocúrtica, con mayor
concentración de datos en torno a la media.
Apalancamiento Financiero
El promedio del apalancamiento nanciero es de 2,374, lo que implica que las empresas del sector
construcción dependen signicativamente de nanciamiento externo. La mediana de 1,846 está
relativamente cerca de la media, lo que sugiere una distribución más equilibrada de los datos en
comparación con la liquidez corriente.
La desviación estándar de 1,910 indica una dispersión moderada en los niveles de endeudamiento, con
un rango de 16,932, lo que reeja la variabilidad en la estructura de capital entre las empresas analizadas.
La asimetría positiva (0,775) señala una ligera inclinación hacia valores bajos de apalancamiento,
mientras que la curtosis de 2,844 indica una distribución leptocúrtica, con mayor concentración de datos
alrededor de la media.
Rentabilidad sobre el Patrimonio (ROE)
El ROE promedio de 0,088 sugiere que, en promedio, los accionistas obtuvieron un rendimiento del 8,80
% sobre su inversión. La mediana de 0,051 indica que la mayoría de las empresas presentaron valores
inferiores a la media, sugiriendo la presencia de valores atípicos.
La variabilidad en la rentabilidad es signicativa, con una desviación estándar de 0,367 y un rango de
3,666. El análisis de asimetría muestra un valor negativo (-0,924), indicando que la distribución está
sesgada hacia valores más altos de rentabilidad. Asimismo, la curtosis de 5,328 sugiere una distribución
leptocúrtica con una alta concentración de valores en torno a la media.
Rentabilidad sobre los Activos (ROA)
El ROA promedio es de 0,037, lo que indica que las empresas lograron generar una rentabilidad del 3,70
% sobre sus activos totales. La mediana de 0,020 está relativamente cerca de la media, lo que sugiere una
distribución homogénea de los valores.
103
SurAcademia Vol. 12 N° 24 (Julio - Diciembre, 2025)
eISSN: 2602-8190
https://doi.org/10.54753/suracademia.v12i24.2444 • Páginas 95-113
La dispersión de la rentabilidad sobre los activos es moderada, con una desviación estándar de 0,196
y un rango de 2,932. La asimetría negativa (-1,434) indica una mayor concentración de valores en el
extremo superior de la distribución, mientras que la curtosis de 12,925 sugiere una distribución altamente
leptocúrtica, con valores fuertemente concentrados alrededor de la media.
Análisis de correlación
Para evaluar la relación entre las variables nancieras que inciden en la quiebra empresarial. En el
presente estudio, su aplicación permite determinar el grado de asociación entre liquidez, apalancamiento
nanciero y rentabilidad (ROE y ROA), factores ampliamente documentados en la literatura nanciera
como determinantes del desempeño y estabilidad de las empresas (Calva et al., 2017; Gonzáles et al.,
2021).
Como se observa en la siguiente tabla, se encuentran relaciones signicativas al 95 % de conanza, lo
que indica que los coecientes de correlación obtenidos son estadísticamente diferentes de cero.
Tabla 4. Correlación de Pearson del sector F-41 durante 2016-2020
Liquidez
Corriente
Apalancamiento
Financiero
ROE ROA
Liquidez
Corriente
Correlación de Pearson 1
Sig. (bilateral)
N 4462
Apalancamiento
Financiero
Correlación de Pearson -,229** 1
Sig. (bilateral) ,000
N 4462 4462
ROE
Correlación de Pearson ,067** ,048** 1
Sig. (bilateral) ,000 ,001
N 4462 4462 4462
ROA
Correlación de Pearson ,146** -,033* ,862** 1
Sig. (bilateral) ,000 ,029 0,000
N 4462 4462 4462 4462
Nota: La tabla 4 señala la correlación de Pearson de las variables dependientes y su relación con las variables independientes
del sector F-41 durante 2016-2020.
• NS: 95%
• NC: 5%
• H0: El coeciente de correlación es igual a 0.
• H1: El coeciente de correlación es diferente de 0.
La relación entre ROA y Liquidez Corriente presenta un índice de correlación de Pearson de 0,146, lo
que sugiere una correlación positiva moderada y signicativa. Dado que el p-valor es menor a 0,05, se
rechaza la hipótesis nula, conrmando que existe una relación entre ambas variables. De manera similar,
la correlación entre ROE y ROA es de 0,862, indicando una fuerte relación positiva, lo que se explica
por su naturaleza conjunta en la medición de la rentabilidad empresarial.
Por otro lado, el Apalancamiento Financiero muestra una correlación negativa con la Liquidez Corriente
(-0,229), lo que indica que las empresas con mayor endeudamiento tienden a tener menor liquidez.
Asimismo, la correlación entre Apalancamiento Financiero y ROE es de 0,048, reejando una relación
positiva, aunque débil, debido al impacto del nanciamiento en la rentabilidad. En cuanto a la relación
104
SurAcademia Vol. 12 N° 24 (Julio - Diciembre, 2025)
eISSN: 2602-8190
https://doi.org/10.54753/suracademia.v12i24.2444 • Páginas 95-113
entre ROA y Apalancamiento Financiero (-0,033), se observa una asociación negativa, lo que sugiere
que a mayor apalancamiento, la rentabilidad sobre los activos puede disminuir.
Para evaluar la multicolinealidad, se utilizó el Factor de Inación de la Varianza (VIF), cuyos resultados
se presentan en la Tabla 5. Según los valores obtenidos, ninguna variable supera el umbral de 10, lo
que indica que no existe multicolinealidad signicativa en el modelo (Calva et al., 2017). Los valores
más altos corresponden a ROE (4,020) y ROA (4,071), pero aún dentro de los límites aceptables, lo que
garantiza la estabilidad del modelo estadístico.
Tabla 5. Factor de inación de la varianza (VIF)
Variable VIF
LIQUIDEZCORRIENTE 1,085
APALANCAMIENTOFINANCIERO 1,073
ROE 4,020
ROA 4,071
Nota: La tabla 5 presente el resultado de multicolinealidad.
• Mínimo valor posible = 1.0
• Valores mayores que 10.0 pueden indicar un problema de colinealidad
Determinantes de la quiebra empresarial
El fenómeno de la quiebra empresarial en Ecuador es una problemática que afecta principalmente a las
empresas del sector construcción, dada su relevancia en la economía nacional (Reyes Clavijo, 2021).
Según diversos estudios (Godoy & Pérez Fernández, 2021; Calva et al., 2017; Van et al., 2021), la
rentabilidad y la capacidad de pago a corto plazo son factores clave para reducir el riesgo de insolvencia.
La regresión logística aplicada en este studio (ver table 6) permite analizar la relación entre la quiebra
empresarial y variables como liquidez corriente, apalancamiento nanciero, ROE y ROA. Los resultados
indican que el apalancamiento nanciero y ROA tienen una relación positiva y signicativa con la
quiebra empresarial, con niveles de signicancia del 1 % y 5 %, respectivamente. Esto sugiere que
mayores niveles de endeudamiento y una baja rentabilidad sobre los activos aumentan el riesgo de
quiebra. Por otro lado, las variables liquidez corriente y ROE no son estadísticamente signicativas, lo
que indica que no tienen un impacto determinante en la probabilidad de insolvencia.
Tabla 6. Regresión Logit de la variable Quiebra durante 2016-2020
Variables independientes Quiebra empresarial
Constante
0,0001***
(−0,5296)
Liquidez corriente
0,1175
(0,0283)
Apalancamiento Financiero
0,0001***
(0,0850)
Roe
0,2020
(0,2094)
Roa
0,0563**
(0,5890)
105
SurAcademia Vol. 12 N° 24 (Julio - Diciembre, 2025)
eISSN: 2602-8190
https://doi.org/10.54753/suracademia.v12i24.2444 • Páginas 95-113
Variables independientes Quiebra empresarial
R-cuadrado 0,0105
R-cuadrado ajustado 0,0899
R-cuadrado de McFadden 0,0105
Número de casos ‘correctamente predichos’ 58,4%
Nota: La tabla 6 presenta los resultados de la regresión logística.
• 10%: *, 0.10
• 5%: **,0.05
• 1%: ***,0.01
Los paréntesis corresponden al t estadístico.
El modelo logra predecir correctamente 58,4 % de los casos, con una bondad de ajuste moderada
(R-cuadrado de McFadden = 0,0105), lo que sugiere que la solvencia y rentabilidad explican
aproximadamente el 8,89 % de la variabilidad en la quiebra empresarial. Se aceptan las hipótesis 1 y 4,
relacionadas con el impacto del apalancamiento nanciero y ROA, mientras que las hipótesis 2 y 3 no
son aceptadas debido a su falta de signicancia estadística.
En conjunto, el modelo de regresión logística presenta un desempeño adecuado en términos de
signicancia estadística y utilidad explicativa. El gráco “Observada vs. Estimada” (ver gura 1) respalda
esta armación, al evidenciar una dispersión que reeja la variabilidad inherente en la predicción de
eventos de quiebra empresarial.
La visualización muestra una concentración de observaciones en los extremos del eje vertical (0 y 1),
coherente con la naturaleza binaria de la variable dependiente. En el eje horizontal se disponen las
probabilidades predichas por el modelo, comprendidas entre aproximadamente 0,17 y 0,87, lo cual
indica una adecuada capacidad discriminatoria del modelo para diferenciar entre empresas con mayor o
menor riesgo de quiebra.
Aunque se observa cierta dispersión entre los valores estimados y observados, el modelo logra capturar
una proporción signicativa de la variabilidad del fenómeno, como lo indica la correcta predicción de
aproximadamente el 58,4 % de los casos. Este nivel de precisión es aceptable en modelos de naturaleza
probabilística aplicados a contextos empresariales, donde múltiples factores no observables pueden
incidir en los resultados. En síntesis, el gráco respalda la robustez del modelo y su validez como
herramienta de análisis en el ámbito nanciero y empresarial.
Figura 1. Gráco de dispersión Observada vs. Estimada del modelo Logit.
Nota: La gura 1 visualizar la relación entre las probabilidades estimadas por el modelo Logit y los valores
observados de quiebra empresarial. La dispersión indica una capacidad moderada de clasicación, coherente
con la precisión del modelo del 58,4 %.
106
SurAcademia Vol. 12 N° 24 (Julio - Diciembre, 2025)
eISSN: 2602-8190
https://doi.org/10.54753/suracademia.v12i24.2444 • Páginas 95-113
Por otro lado, el análisis del Odds Ratio (ver tabla 7) conrma que todas las variables estudiadas aumentan
la probabilidad de quiebra empresarial, siendo el ROA la variable con mayor efecto (1,8022), seguido
por el ROE (1,2330), apalancamiento nanciero (1,0887) y liquidez corriente (1,0288). Esto sugiere
que las empresas con baja rentabilidad sobre activos, alta dependencia del endeudamiento y menor
capacidad de generar utilidades sostenibles enfrentan un mayor riesgo de insolvencia.
Tabla 7. Odds Ratio de la variable Quiebra durante 2016-2020
Variables independientes Intervalo de conanza
Liquidez Corriente 1,0288
Apalancamiento Financiero 1,0887
ROA 1,8022
ROE 1,2330
Nota: La tabla 7 presenta los resultados de probabilidad de Odds Ratio.
Continuando con el análisis de probabilidad, se presenta la matriz de desorden o mejor conocida como
matriz de confusión. Para ello, se presenta la tabla 11 que señala el análisis de datos reales y datos
estimados. Por un lado, el modelo predice de forma correcta 2163 casos que realmente corresponden a
empresas constructoras ecuatorianas no quebradas -verdaderos positivos- y 311 estima como quebradas
-falsos negativos-. Por otro lado, el modelo predice 1546 -falsos negativos- casos que corresponden a
empresas constructoras ecuatorianas quebradas, sin embargo, el modelo lo estima como empresas no
quebradas y 442 -verdaderos negativos- casos que corresponden a empresas constructoras ecuatorianas
quebradas y, efectivamente, el modelo predice de forma correcta.
Tabla 8. Matriz de desorden
Observado Predicho %Correcto
0 1
0 2163 311 87.429
1 1546 442 22.233
58.382
Nota: La tabla 8 presenta el resultado de diagnóstico de comportamiento.
Por último, se presenta el análisis de calidad de predicción del modelo con la nalidad de ahondar en
el comportamiento del conjunto de datos. Para ello, se calculó el porcentaje de predicciones correctas
frente al total, es decir, la precisión -accurancy- que señala los casos clasicados correctamente por el
modelo -verdaderos positivos y verdaderos negativos-, producto de la matriz de confusión anterior con
un resultado de 58,40 %. Este resultado es equilibrado y correcto debido a que clasica de forma objetiva
los verdaderos positivos y verdaderos negativos.
Para profundizar el análisis y comprobación del resultado de la métrica de precisión, se realiza los
cálculos de las métricas adicionales de Especicidad -sensititivity- y Sensibilidad -specicity- (ver
tabla 9). El primero señala un resultado de 22,2 %, esto quiere decir que el modelo es poco sensible y
representa la habilidad de detectar los verdaderos positivos. Por el contrario, el resultado de la segunda
métrica corresponde 87,4 %, esto quiere decir que es difícil obtener falsos negativos y que el modelo
posee una capacidad de discriminar los casos negativos es muy bueno. En pocas palabras, el modelo
propuesto en el presente estudio resulta idóneo para predecir la quiebra empresarial.
107
SurAcademia Vol. 12 N° 24 (Julio - Diciembre, 2025)
eISSN: 2602-8190
https://doi.org/10.54753/suracademia.v12i24.2444 • Páginas 95-113
Tabla 9. Métricas de comportamiento
Métricas de comportamiento Valor
Precisión 0.584
Sensibilidad 0.222
Especicidad 0.874
Nota: La tabla 9 presenta el resultado de las métricas de comportamiento
para ahondar en la calidad de predicción del modelo.
Asimismo, la curva ROC, aunque cercana a la diagonal, conrma que el modelo supera a un clasicador
aleatorio, destacando su capacidad para identicar patrones relevantes dentro de los datos nancieros
(ver gura 2). Estos resultados, en correspondencia con la precisión del 58,4 % y una especicidad del
87,4 %, validan la idoneidad del modelo logit como herramienta para el análisis del riesgo nanciero en
el sector de la construcción ecuatoriano.
Figura 2. Curva ROC del modelo Logit aplicado a empresas constructoras.
Nota: La gura 2 señala la línea cercana a la diagonal indica una capacidad discriminatoria moderada del
modelo. A pesar de esto, el modelo es estadísticamente signicativo y útil como herramienta explicativa.
El gráco ROC (Receiver Operating Characteristic) permite evaluar la capacidad discriminatoria del
modelo Logit para predecir correctamente la ocurrencia de quiebra empresarial. Se puede determinar
que el eje horizontal representa la tasa de falsos positivos (1 - especicidad) y el eje vertical la tasa de
verdaderos positivos (sensibilidad). Idealmente, un modelo con alta capacidad predictiva se aproxima
al vértice superior izquierdo del gráco (0,1), donde la tasa de verdaderos positivos es máxima y la de
falsos positivos mínima.
DISCUSIÓN
Se ha identicado que el apalancamiento nanciero y la rentabilidad sobre los activos (ROA) tienen una
relación estadísticamente signicativa con la quiebra empresarial, mientras que la liquidez corriente y la
rentabilidad sobre el patrimonio (ROE) no presentan un impacto determinante.
Los hallazgos indican que un alto nivel de apalancamiento nanciero incrementa la probabilidad de
quiebra en las empresas constructoras ecuatorianas. Esta relación es consistente con estudios previos que
sugieren que un endeudamiento excesivo puede ser perjudicial cuando las empresas enfrentan dicultades
para generar ingresos sucientes para cubrir sus costos nancieros (Ayón-Ponce et al., 2020). Aunque
el nanciamiento externo es una estrategia para expandir operaciones y aumentar la inversión, su uso
108
SurAcademia Vol. 12 N° 24 (Julio - Diciembre, 2025)
eISSN: 2602-8190
https://doi.org/10.54753/suracademia.v12i24.2444 • Páginas 95-113
inadecuado puede generar una carga de deuda insostenible, lo que eventualmente contribuye al riesgo
de insolvencia.
Además, la correlación negativa entre apalancamiento nanciero y liquidez corriente (-0,229) respalda
la idea de que un alto nivel de endeudamiento reduce la disponibilidad de liquidez, lo que compromete
la capacidad de las empresas para afrontar sus obligaciones de corto plazo. En este sentido, las empresas
con una mayor dependencia de nanciamiento externo deberían implementar estrategias para optimizar
la gestión de sus pasivos y evitar sobreapalancarse en entornos de incertidumbre económica.
El análisis de regresión logística indica que el ROA tiene un impacto signicativo en la probabilidad
de quiebra empresarial. Este resultado sugiere que las empresas constructoras con un bajo rendimiento
sobre los activos enfrentan mayores riesgos de insolvencia, lo cual coincide con la literatura previa
(Calva et al., 2017; Godoy & Pérez Fernández, 2021). Una baja rentabilidad sobre activos implica una
menor eciencia en el uso de los recursos disponibles para generar utilidades, lo que, en contextos de alta
competencia y ciclos económicos adversos, puede comprometer la viabilidad nanciera de las empresas.
La correlación positiva y fuerte entre ROE y ROA (0,862) indica que ambas métricas están estrechamente
relacionadas, lo que sugiere que la rentabilidad empresarial en términos de patrimonio también depende
de la eciencia con la que se gestionan los activos. Sin embargo, el ROE no resultó ser un predictor
signicativo de la quiebra empresarial en el modelo de regresión logística, lo que indica que su impacto
podría estar mediado por otros factores, como el nivel de apalancamiento o la estructura de capital.
Si bien la liquidez corriente es un indicador clave de la capacidad de pago de una empresa, en este estudio
no se encontró una relación signicativa entre este factor y la quiebra empresarial. Esto puede deberse
a que las empresas constructoras, al operar en un sector intensivo en capital, pueden mantener niveles
relativamente bajos de liquidez sin que esto represente un riesgo inmediato de insolvencia (Gonzáles
et al., 2021). Además, la alta variabilidad en los niveles de liquidez observada en la muestra (rango de
11,455) sugiere la existencia de heterogeneidad en la gestión nanciera de las empresas del sector.
Por otro lado, el ROE tampoco resultó ser una variable signicativa en la predicción de quiebra
empresarial. Aunque se esperaba que un mayor retorno sobre el patrimonio disminuyera el riesgo de
insolvencia, este resultado sugiere que el desempeño nanciero medido en términos de rentabilidad de
los accionistas puede no ser un factor determinante cuando se consideran otros elementos, como la carga
de deuda y la eciencia operativa.
El modelo de regresión logística utilizado en este estudio logró predecir correctamente el 58,4 % de los
casos de quiebra empresarial, con una bondad de ajuste moderada (R-cuadrado de McFadden = 0,0105).
Si bien este porcentaje de predicción no es extremadamente alto, es coherente con estudios previos en los
que la quiebra empresarial ha sido modelada con base en ratios nancieros y factores macroeconómicos
(Calva et al., 2017; Murtazova & Alujev, 2021).
El análisis de la matriz de confusión revela que el modelo clasica correctamente la mayoría de los
casos de empresas no quebradas (87,4 % de especicidad), pero presenta dicultades para identicar
correctamente a las empresas en riesgo de quiebra (22,2 % de sensibilidad). Este hallazgo indica que,
si bien el modelo es eciente para detectar empresas nancieramente estables, podría mejorarse su
capacidad para identicar aquellas que efectivamente enfrentarán problemas de insolvencia.
El análisis del Odds Ratio refuerza los resultados del modelo de regresión logística, señalando que el
ROA es la variable con mayor efecto en la probabilidad de quiebra (1,8022), seguido del ROE (1,2330),
el apalancamiento nanciero (1,0887) y la liquidez corriente (1,0288). Esto conrma que la rentabilidad y
el manejo del endeudamiento son factores clave en la estabilidad nanciera de las empresas constructoras
ecuatorianas.
109
SurAcademia Vol. 12 N° 24 (Julio - Diciembre, 2025)
eISSN: 2602-8190
https://doi.org/10.54753/suracademia.v12i24.2444 • Páginas 95-113
La gura 2 muestra la curva ROC del modelo Logit aplicado a empresas constructoras muestra una línea
cercana a la diagonal de 45 grados, lo que sugiere que el modelo presenta una capacidad discriminatoria
moderada o limitada. Esto indica que el modelo no mejora sustancialmente la clasicación con respecto a
un clasicador aleatorio. A pesar de ello, este resultado no invalida la utilidad del modelo, especialmente
cuando se lo interpreta como un modelo explicativo más que estrictamente predictivo. En el análisis
de quiebra empresarial, donde las causas son multifactoriales y no siempre observables, el valor de los
coecientes estimados —como en el caso del apalancamiento nanciero (p < 0.01)— continúa ofreciendo
información valiosa para la toma de decisiones.
CONCLUSIONES
Se concluye que la literatura nanciera que reere al fenómeno de la quiebra empresarial es heterogénea.
La perspectiva depende de los investigadores nancieros que utilizan diversos marcos teóricos,
conceptuales y metodologías de las investigaciones empíricas que realizan. Por esta razón, denir
quiebra empresarial resulta una tarea en construcción debido a que no existe una denición convergente
que incluya las características especícas de una empresa quebrada.
Las empresas constructoras ecuatorianas, provenientes del subsector construcción de edicios que poseen
una relación acorde entre los benecios alcanzados antes de intereses e impuestos, el costo de deuda y el
volumen de esta, así como una utilidad sobre los activos, tendrán una probabilidad menor de quebrar.
En el presente estudio de investigación, se aceptan las hipótesis 1 y 4 que hacen referencia a que las
variables Apalancamiento Financiero y ROA tengan una inuencia positiva signicativa sobre la quiebra
empresarial de las empresas constructoras ecuatorianas y no se acepta la hipótesis 2 y 3 debido a que se
consideran estadísticamente signicativas. Esto se debe a que las variables apalancamiento nanciero y
ROA aplicadas en el modelo poseen una inuencia positiva y son estadísticamente signicativas al 5 %
y 1 %.
Como recomendaciones, se señala que el modelo Logit ha demostrado ser útil para identicar relaciones
signicativas entre variables nancieras y la quiebra empresarial, su capacidad de clasicación aún puede
mejorarse. La baja sensibilidad (22,2 %) evidencia dicultades para identicar empresas en riesgo, lo
que sugiere la necesidad de integrar variables cualitativas, contextuales o de entorno macroeconómico
en futuras investigaciones.
Además, Se sugiere ampliar el modelo en futuras investigaciones para mejorar la sensibilidad sin perder
especicidad.
En el Ecuador, la actividad económica de la construcción constituye un sector muy importante en la
economía ecuatoriana ya que es un eje transversal para el crecimiento y desarrollo económico-territorial
del país porque sus productos inciden, de manera directa, en el progreso de la sociedad. Además, posee
una característica dinamizadora en crear fuentes de trabajo, inversión e inversión extranjera directa y la
contribución signicativa al producto interno bruto de este país.
REFERENCIAS BIBLIOGRÁFICAS
Aes, Z., & Hentati-Kael, R. (2019). Predicting US Banks Bankruptcy: Logit Versus Canonical
Discriminant Analysis. Computational Economics, 54(1), 199–244. https://doi.org/10.1007/
s10614-017-9698-0
Agustia, D., Muhammad, N. P. A., & Permatasari, Y. (2020). Earnings management, business strategy,
and bankruptcy risk: Evidence from Indonesia. Heliyon, 6(2), e03317. https://doi.org/10.1016/j.
heliyon.2020.e03317
110
SurAcademia Vol. 12 N° 24 (Julio - Diciembre, 2025)
eISSN: 2602-8190
https://doi.org/10.54753/suracademia.v12i24.2444 • Páginas 95-113
Alaka, H. A., Oyedele, L. O., Owolabi, H. A., Ajayi, S. O., Bilal, M., & Akinade, O. O. (2016).
Methodological approach of construction business failure prediction studies: A review.
Construction Management and Economics, 34(11), 808–842. https://doi.org/10.1080/01446
193.2016.1219037
Almeida Galarza, R. O. (2019). Análisis de supervivencia aplicado a las pequeñas y medianas
empresas constructoras en Ecuador en el período 2012-2017. http://repositorio.uasb.edu.ec/
handle/10644/8058
Altman, E. (2000). Predicting Financial Distress Of Companies: Revisiting The Z-Score And Zeta.
Handbook of Research Methods and Applications in Empirical Finance, 5. https://doi.
org/10.4337/9780857936097.00027
Alvarado, F. Y. M., Yaguana, L. de J. M., Sánchez, N. Z. L., Ruiz, X. Y. N., & Luna, M. P. R. (2022).
Análisis del sector empresarial de Ecuador y su aporte a las recaudaciones tributarias y
empleabilidad. Ciencia Latina Revista Cientíca Multidisciplinar, 6(2), Art. 2. https://doi.
org/10.37811/cl_rcm.v6i2.2128
Andrade, J. M., Ramírez, E., & Sánchez, H. (2019). Factores determinantes de fracasos empresariales en
Neiva (Colombia) durante el periodo 2000-2014. Revista ESPACIOS, 39(16), 9.
Ayón-Ponce, G., Pluas-Barcia, J., & Ortega-Macías, W. (2020). El apalancamiento nanciero y su
impacto en el nivel de endeudamiento de las empresas. Revista Cientíca FIPCAEC. https://
www.pcaec.com/index.php/pcaec/article/view/188
BCE. (2024). Cuentas Nacionales: Resultados 2023 [Informe estadístico]. Banco Central del Ecuador.
https://contenido.bce.n.ec/documentos/PublicacionesNotas/Catalogo/CuentasNacionales/
CnAnnual/PibCnAnnual/Indice.htm
BCE. (2022a). Estudio Mensual de Opinión Empresarial.
BCE. (2022b). Informe de Resultados Cuentas Nacionales Trimestrales. 14.
Beaver, W. H. (1966). Financial Ratios As Predictors of Failure. Journal of Accounting Research, 4,
71–111. https://doi.org/10.2307/2490171
Bermudez, N., & Bravo-Matamoros, A. (2019). Modelo Predictivo de los Determinantes del Cierre
Empresarial de las MIPYMES en el Ecuador Período 2007-2016. X-pedientes Económicos,
3(5). https://ojs.supercias.gob.ec/index.php/X-pedientes_Economicos/article/view/32
Bernate Valbuena, M. (2019). La relación entre la calidad de la información contable, la quiebre de las
empresas y el desarrollo humano. https://zaguan.unizar.es/record/89955/les/TESIS-2020-099.
pdf?version=1
Bernate Valbuena, M. T., & Gómez Meneses, F. E. (2022). Predicción de la quiebra en las empresas.
Una revisión de literatura. Revista Activos, Vol. 19(No. 1), 112–142. https://doi.
org/10.15332/25005278.6684
Caiza, J., & Chango, G. (2019). Factores que inciden en la quiebra de empresas ecuatorianas del sector
manufacturero en el periodo 2014- 2018. Revista Edición Especial Cuestiones Económicas.
Memorias VI Encuentro Internacional de Economía, EPN.
Calva, H. C. G., García, J. V., & Herrera, R. A. (2017). Determinantes de la quiebra empresarial en las
empresas ecuatorianas en el año 2016. Revista Publicando, 4(13), 108–126.
Camino Mogro, S., Reyes Indio, A., Apraes Gutiérrez, D., Bravo Ronquillo, D., & Herrera Arboleda, D.
(2017). Estudios Sectoriales: MIPYMES y Grandes Empresas. 490.
Camino-Mogro, S., Bermudez-Barrezueta, N., Chalen-Vera, A. C., & Romero-Vallejo, D. A. (2019).
Productividad en la industria ecuatoriana de la construcción período 2013-2017. Dirección
Nacional de Investigación y Estudios (DNIYE) de la SSuperintendencia de Compañías,
Valores y Seguros (SCVS), 30.
Carrión-Cauja, C., Simbaña, L., & Bonilla, S. (2021). ¿El pago de impuestos genera una menor
supervivencia empresarial? Un análisis de las empresas ecuatorianas de servicios. X-pedientes
Económicos, 5(12), Art. 12.
CFN. (2021). Ficha Sectorial de la Construcción en el Ecuador (SUBGERENCIA DE ANÁLISIS DE
PRODUCTOS Y SERVICIOS). https://www.cfn.n.ec/wp-content/uploads/downloads/
biblioteca/2021/chas-sectoriales-3-trimestre/Ficha-Sectorial-Construccion.pdf
111
SurAcademia Vol. 12 N° 24 (Julio - Diciembre, 2025)
eISSN: 2602-8190
https://doi.org/10.54753/suracademia.v12i24.2444 • Páginas 95-113
Contreras, J. G. (2016). Análisis de quiebra empresarial: Modelo de ecuaciones de estimación
generalizadas sobre datos panel [Http://purl.org/dc/dcmitype/Text, Universidad Complutense
de Madrid]. https://dialnet.unirioja.es/servlet/tesis?codigo=128778
Cuenca, M. del C., Rojas, D., Cueva, D. F., & Herrera, R. A. (2018). La Gestión del Capital de Trabajo
y su efecto en la Rentabilidad de las Empresas Constructoras del Ecuador. X-pedientes
Económicos, 2(3), Art. 3.
Deakin, E. (1972). A Discriminant Analysis of Predictors of Business Failure. Journal of Accounting
Research, 10(1), 167–179.
Dvorský, J., Ključnikov, A., & Polách, J. (2020). Business risks and their impact on business future
concerning the entrepreneur’s experience with business bankruptcy: Case of Czech Republic.
https://doi.org/10.21511/ppm.18(2).2020.34
García Pérez De Lema, D., Arques Pérez, A., & Calvo Flores Segura, A. (1995). Un modelo discriminante
para evaluar el riesgo bancario en los créditos a empresas. https://repositorio.upct.es/
handle/10317/530
García Romero, A. (2018). Principales causas tributarias de quiebre de las pymes en Colombia. http://
repository.unimilitar.edu.co/handle/10654/21268
García-Marí, J. H., Sánchez-Vidal, J., Tomaseti-Solano, E., García-Marí, J. H., Sánchez-Vidal, J., &
Tomaseti-Solano, E. (2016). Fracaso empresarial y efectos contagio. Un análisis espacial para
España. El trimestre económico, 83(330), 429–449.
Gill de Albornoz, B., & Giner, B. (2013). Predicción del fracaso empresarial en los sectores de construcción
e inmobiliario: Modelos generales versus especícos. Universia Business Review, 39, 118–
131.
Godoy, N. C., & Pérez Fernández, A. K. (2021). Quiebra empresarial caso Avianca Holdings S.A
[MasterThesis, Universidad EAFIT]. http://repository.eat.edu.co/handle/10784/30552
González, K., Duque, G., & Espinoza, O. (2021). Factores determinantes de la estructura de capital
en empresas ecuatorianas. Compendium: Cuadernos de Economía y Administración, 8(2),
238–249. https://doi.org/10.46677/compendium.v8i2.874
Grupo FARO. (2020). Sector de la construcción en el Ecuador en época de COVID-19. FARO. https://
grupofaro.org/sector-de-la-construccion-en-el-ecuador-en-epoca-de-covid-19/
Hernández Sampieri, R. (2014). Metodología de la Investigación (5ta.). https://www.academia.
edu/20792455/Metodolog%C3%ADa_de_la_Investigaci%C3%B3n_5ta_edici%C3%B3n_
Roberto_Hern%C3%A1ndez_Sampieri
Hernandez Tinoco, M., & Wilson, N. (2013). Financial distress and bankruptcy prediction among listed
companies using accounting, market and macroeconomic variables. International Review of
Financial Analysis, 30, 394–419. https://doi.org/10.1016/j.irfa.2013.02.013
INEC. (2011). Clasicacón Industrial Internacional Unifrome (CIUU). https://www.ecuadorencifras.
gob.ec/documentos/web-inec/Poblacion_y_Demografia/CPV_aplicativos/modulo_cpv/
CIIU4.0.pdf
INEC. (2012). Clasicación Nacional de Actividades Económicas. Unidad de análisis de síntesis. https://
aplicaciones2.ecuadorencifras.gob.ec/SIN/metodologias/CIIU%204.0.pdf
INEC. (2021). Boletín Técnico de la Encuesta Nacional de Edicaciones (ENED), 2020 Octubre, 2021
Minería, manufactura y construcción. https://www.ecuadorencifras.gob.ec/documentos/web-
inec/Estadisticas_Economicas/Encuesta_Edicaciones/2020/3.%202020_ENED_Boletin_
tecnico.pdf
Isaac, J., & Jaramillo, J. (2015). Determinantes de la quiebra empresarial PYME en Zacatecas.
Revista Observatorio de la Economía Latinoamericana, México,. http://www.eumed.net/rev/
atlante/2015/11/quiebra.html
Jaramillo, J. P. (2018). Impacto del Sector de la Construcción en el Ecuador. Revista Perspectiva. https://
perspectiva.ide.edu.ec/investiga/2018/02/20/impacto-del-sector-de-la-construccion-en-el-
ecuador/
112
SurAcademia Vol. 12 N° 24 (Julio - Diciembre, 2025)
eISSN: 2602-8190
https://doi.org/10.54753/suracademia.v12i24.2444 • Páginas 95-113
Jiménez, L., & Mauro, E. (2015). Modelo de predictibilidad de quiebra en las pymes colombianas del
sector comercio. Revista Dinero. https://repository.cesa.edu.co/handle/10726/1064
Lee, S., & Choi, W. S. (2013). A multi-industry bankruptcy prediction model using back-propagation
neural network and multivariate discriminant analysis. Expert Systems with Applications,
40(8), 2941–2946. https://doi.org/10.1016/j.eswa.2012.12.009
Lozada-Pinta, J., Valarezo, C., Salcedo-Muñoz, V., & Sotomayor, J. (2020). Factores determinantes del
fracaso empresarial en la ciudad de Machala, provincia de El Oro (Ecuador) durante el periodo
2019. Digital Publisher CEIT, 5(6–1), 206–217.
Marais, M., Patell, J., & Wolfson, M. (1984). The experimental-design of classication models—An
application of recursive partitioning and bootstrapping to commercial bank loan classications.
Journal of Accounting Research, 22, 87–114.
Marín-Sánchez, M. del M., Mateos-Ronco, A., Marí-Vidal, S., & Seguí-Mas, E. (2011). Los modelos
de predicción del fracaso empresarial y su aplicabilidad en cooperativas agrarias. CIRIEC-
España, Revista de Economía Pública, Social y Cooperativa, 70, 179–208.
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
Morales Jaramillo, D. A. (2015). Análisis de un modelo estadístico para evaluar la probabilidad de
quiebra empresarial. http://repositorio.uees.edu.ec/handle/123456789/1553
Murtazova, K., & Aliyev, S. (2021). Current state and development prospects of the construction
industry. Nexo Revista Cientíca, 34(02), Art. 02. https://doi.org/10.5377/nexo.v34i02.11619
Novotná, M. (2015). Survival Analysis of Corporate Defaults in the Czech Construction Sector. https://
papers.ssrn.com/abstract=2867786
Nyitrai, T., & Virág, M. (2019). The eects of handling outliers on the performance of bankruptcy
prediction models. Socio-Economic Planning Sciences, 67, 34–42. https://doi.org/10.1016/j.
seps.2018.08.004
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
Orellana-Osorio, I., Pinos-Luzuriaga, L., Tonon-Ordóñez, L., Reyes-Clavijo, M., Cevallos-Rodríguez,
E., Orellana-Osorio, I., Pinos-Luzuriaga, L., Tonon-Ordóñez, L., Reyes-Clavijo, M., &
Cevallos-Rodríguez, E. (2020). Análisis De Cierre Empresarial En El Sector Manufacturero
De Ecuador, Periodo 1901 2018. Ecos de Economía, 24(50), 45–79. https://doi.org/10.17230/
ecos.2020.50.3
Outecheva, N. (2007). Corporate Financial Distress: An Empirical Analysis of Distress Risk. na.
Perez Suarez, R., & Lopez-Menendez, A. (2019). Econometria Aplicada con Gretl (Departamento de
Economía Aplicada. Universidad de Oviedo).
Quintana, M. J. M., & Gallego, A. G. (2004). Factores determinantes del fracaso empresarial en Castilla
y León. Revista de economía y empresa, 21(51), 95–116.
Reyes Clavijo, M. (2021). Fracaso empresarial y tamaño empresarial ¿Qué relación existe entre estas
variables? http://dspace.uazuay.edu.ec/handle/datos/10649
Rodríguez, M., Piñeiro, C., & De Llano Monelos, P. (2014). Determinación del riesgo de fracaso
nanciero mediante la utilización de modelos paramétricos, de inteligencia articial, y de
información de auditoría. Estudios de economía, 41(2), 187–217. https://doi.org/10.4067/
S0718-52862014000200002
Romero, F. (2013). Variables nancieras determinantes del fracaso empresarial para la pequeña y
mediana empresa en Colombia: Análisis bajo modelo Logit. Pensamiento & Gestión, n.34,
pp.235-277.
Rosales Álvarez, R., Perdomo Calvo, J., & Morales Torrado, C. (2013). Fundamentos de econometría
intermedia: Teoría y aplicaciones (Universidad de los Andes). https://ebookcentral.proquest.
com/lib/bibliotecautplsp/detail.action;jsessionid=node01g69jfscw3iir1l2dwge5ohwl167914.
node0?docID=3211266
Rybárová, D., Braunová, M., & Jantošová, L. (2016). Analysis of the Construction Industry in the Slovak
Republic by Bankruptcy Model. Procedia - Social and Behavioral Sciences, 230, 298–306.
113
SurAcademia Vol. 12 N° 24 (Julio - Diciembre, 2025)
eISSN: 2602-8190
https://doi.org/10.54753/suracademia.v12i24.2444 • Páginas 95-113
SB. (2022). Informe Del Sector Construcción [Sistema De Banca Privada Y Pública de la Superintendencia
de Bancos]. https://estadisticas.superbancos.gob.ec/portalestadistico/portalestudios/wp-
content/uploads/sites/4/downloads/2022/05/estudio-sectorial-construccion-mar-22.pdf
Segura, E. O., & Torres, V. (2014). Tratamiento de valores perdidos y atípicos en la aplicación del
Modelo Estadístico de Medición de Impacto en un estudio de 90 ncas lecheras en la provincia
de Pastaza, Ecuador. Revista Cubana de Ciencia Agrícola, 48(4), 333–336.
Shirata, C. (2012). Financial Ratios as Predictors of Bankruptcy in Japan: An Empirical Research.
Suárez, M. M. (2013). Estadística en la toma de decisiones. Números. Revista de Didáctica de las
Matemáticas, 83, 35–42.
SUPERCIAS. (2017). Breve análisis societario del sector de la construcción del ecuador 2014–2015.
Dirección Nacional de Investigación y Estudios. Superintendencia de Compañías, Valores y
Seguros, 34.
SUPERCIAS. (2020). Concepto y fórmula de los Indicadores de la Superintendencia de Compañias,
Valores y Seguros. https://www.supercias.gob.ec/portalscvs/
Superintendencia de Bancos del Ecuador. (2022). Estudio sectorial del sector de la construccion (SISTEMA
DE BANCA PRIVADA Y PÚBLICA INFORME DEL SECTOR CONSTRUCCIÓN Junio
2022). https://estadisticas.superbancos.gob.ec/portalestadistico/portalestudios/wp-content/
uploads/sites/4/downloads/2022/08/estudio-sectorial-construccion-jun-22.pdf
Támara, A. L., Villegas, G. C., & De Andrés, J. (2019). Una revisión sistemática de la literatura en torno
a la quiebra empresarial para el período 2012-2017. Revista ESPACIOS, 40(04). http://www.
revistaespacios.com/a19v40n04/19400425.html
Támara Ayús, A. L., & Villegas Arias, G. C. (2021). Inuencia del entorno nanciero, el entorno
macroeconómico, la estructura organizacional y la transparencia en la quiebra empresarial.
Contaduría y Administración, 66(2), 1–23. https://doi.org/10.22201/fca.24488410e.2021.2618
Tascón, M. t., & Castaño, F. J. (2012). Variables y Modelos Para La Identicación y Predicción Del
Fracaso Empresarial: Revisión de La Investigación Empírica Reciente. Revista de Contabilidad,
15(1), 7–58. https://doi.org/10.1016/S1138-4891(12)70037-7
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
Tonon Ordóñez, L. B., Orellana Osorio, I. F., Pinos Luzuriaga, L. G., & Reyes Clavijo, M. A. (2022).
Riesgo de fracaso empresarial en el sector C23 de manufactura del Ecuador. PODIUM, 41,
Art. 41. https://doi.org/10.31095/podium.2022.41.5
Van, M. G., Şehribanoğlu, S., & Van, M. H. (2021). Analysis of the factors which aect nancial failure
and bankruptcy with generalized ordered logit model. Uluslararası Yönetim İktisat ve İşletme
Dergisi, 17(1), Art. 1. https://doi.org/10.17130/ijmeb.803957
Vásquez, F. G. P. (2002). Los modelos LOGIT y PROBIT en la investigación social: El caso de la
pobreza del Perú en el año 2001. INEI. CIDE.
Velástegui, A. M. Y., Franco, M. L. L., León, L. S., & Cumbicos, J. G. N. (2018). La contribución del
sector de la construcción sobre el producto interno bruto PIB en Ecuador1. Revista Lasallista
de Investigación, 15(2), 286–299.
Villarreal, A., & Estrella, N. (2022). El efecto dominó del conicto Rusia-Ucrania, implicaciones
para Ecuador. Asobanca. https://asobanca.org.ec/analisis-economico/el-efecto-domino-del-
conicto-rusia-ucrania-implicaciones-para-ecuador/
Wilkinson, S., Chang-Richards, A. Y., Sapeciay, Z., & Costello, S. B. (2016). Improving construction
sector resilience. International Journal of Disaster Resilience in the Built Environment, 7(2),
173–185. https://doi.org/10.1108/IJDRBE-04-2015-0020
Yagual-Velástegui, A. M., Lopez-Franco, M. L., Sánchez-León, L., Narváez-Cumbicos, J. G. (2019).
La contribución del sector de la construcción sobre el producto interno bruto PIB en Ecuador.
Revista Lasallista de Investigación, 15(2), 286–299. https://doi.org/10.22507/rli.v15n2a22