Predicción de insolvencia en la empresa familiar

El objetivo de este trabajo es la construcción de un modelo para predecir la insolvencia de las empresas familiares. El hecho de centrarnos en esta tipología de empresas deriva de dos motivos esenciales: Primero, por la importante participación de la empresa familiar en el ámbito de la economía española, así como en la economía mundial (Allouche et al., 2008). España tiene en la actualidad 1,1 millones de empresas familiares, un 85% del total de empresas, las cuales generan siete millones de empleos directos, esto es, un 70% del empleo privado. Este hecho ha provocado que la investigación en el campo de la empresa familiar haya crecido significativamente durante las dos últimas décadas (Gómez-Mejia et al., 2011). Y segundo, porque pensamos que las diferencias y características propias de la empresa familiar deberían tomarse en consideración para la predicción de la insolvencia empresarial. Estas circunstancias han motivado el interés en analizar las causas que propician la insolvencia en las empresas familiares e intentar facilitar herramientas o estrategias a los gestores de las mismas, con vistas a evitarla y asegurar la viabilidad de sus empresas. Además, hasta la fecha no se ha estudiado la predicción de insolvencia en las empresas familiares, donde encontramos un gap que pretendemos cubrir con la presente investigación. En consecuencia, la inexistencia de trabajos empíricos con muestras específicas de empresas familiares, tanto españolas como internacionales, hace especialmente interesante que analicemos las causas que propician su posible insolvencia. Por ello, y con objeto de contar con un mayor margen para realizar estrategias que eviten la insolvencia de este tipo de empresas, pretendemos obtener modelos que tengan como objeto predecirla 1, 2 y 3 años antes de que ésta se produzca, comparándose las similitudes y diferencias de dichos modelos a medida que nos alejamos del momento de la insolvencia. Con objeto de resolver esta cuestión de investigación hemos dispuesto de seis muestras elaboradas a partir de una base de datos creada expresamente para el presente estudio, y que incluirá información económico-financiera de empresas familiares y no familiares, tanto solventes como insolventes. Estas muestras contienen un número suficiente de empresas para construir fiables modelos de predicción y conocer las variables predictivas propias de cada una de ellas. Así mismo, y con objeto de dotar de robustez a los modelos, se ha considerado un período total de análisis de ocho años, comprendidos entre el ejercicio 2005 y el 2012, periodo que abarcaría varios ciclos económicos y, en consecuencia, evita el riesgo de obtener modelos sólo válidos para épocas de crecimiento o, en su caso, de decrecimiento económico. En el análisis empírico desarrollado utilizaremos dos métodos diferentes para predecir la insolvencia: técnicas de regresión logística (LOGIT) y técnicas computacionales de redes neuronales (NN). Si bien los modelos LOGIT han tenido y siguen manteniendo una especial relevancia en los estudios realizados en esta materia en los últimos treinta y cinco años, los modelos NN se corresponden con metodologías más avanzadas, que han mostrado tener un importante potencial en el ámbito de la predicción. La principal ventaja de los modelos LOGIT reside, no sólo en la capacidad de predecir previamente si una empresa se espera resulte solvente e insolvente, sino en facilitar información respecto a cuáles son las variables que resultan significativamente explicativas de la insolvencia, y en consecuencia, permiten deducir estrategias adecuadas en la gestión de la empresa con objeto de asegurar la solvencia de la misma. Por su parte, los modelos NN presentan un gran potencial de clasificación, superando en la mayoría de los casos al LOGIT, si bien su utilidad explicativa está menos contrastada. Nuestro estudio contribuye a la literatura existente sobre predicción de insolvencia de varias formas. En primer lugar, construyendo modelos específicos para empresas familiares y no familiares, lo que puede mejorar la eficiencia en la predicción del fracaso empresarial y evitar el concurso de acreedores, así como las consecuencias negativas de la insolvencia empresarial para la economía en general, dada la importancia de la empresa familiar en el mundo. En segundo lugar, nuestras conclusiones sugieren que la relación entre la evolución de ciertas variables financieras y la insolvencia empresarial toma connotaciones específicas en el caso de las empresas familiares. Aunque los modelos de predicción de insolvencia confirman la importancia de algunas variables financieras comunes para ambos tipos de empresas (eficiencia y dimensión empresarial), también identifican factores específicos y únicos. Así, la rentabilidad es el factor diferenciador para las empresas familiares como lo es el apalancamiento para las empresas no familiares.

Blame Attributions Among Child Sexual Abuse Survivors and Disclosure of the Abuse

Child sexual abuse (CSA) disclosure is critical for survivor´s psychosocial adjustment later in life. The aim of the present study was to analyze the relationship between attributions of blame for child sexual abuse by the victim and the disclosure of the abuse to parents or caregivers while controlling for characteristics of the abuse. Female college students between 17 and 24 years of age (M = 19.44, SD = 1.64) from a southern Spanish University were surveyed. Of 1547 respondents, 153 (9.90%) reported having suffered some form of CSA before the age of 15. Information about the characteristics of abuse (age of onset, type of abuse suffered, continuity of abuse, and relationship with and age of the perpetrator) and the existence of abuse disclosure by the survivor was obtained from a self-reported questionnaire developed for the present study. The Attributions of Responsibility and Blame Scale (McMillen & Zuravin, 1997) was used to assess attributions made about CSA (self-blame, perpetrator blame and family blame). The results of a logistic regression model was statistically significant, χ² (9) = 43.856, p < .001. The model explained 41% (Nagelkerke R²) of the variance of abuse disclosure and correctly classified 85.6% of cases. Survivor disclosure was 5.50 times more likely to occur when the perpetrator was not a family member (Wald = 8.14, p < .01) and 3.95 times more likely to occur when there was not physical contact with the perpetrator (Wald = 4.30, p < .05). The occurrence of disclosure was also related to increased perpetrator age (Wald = 4.83, p < .05). With regard to the attributions of blame, the occurrence of disclosure was related to lower scores on self-blame (Wald = 6.78, p < .01) and higher scores on family blame (Wald = 9.67, p < .001). However, no relationship was found between perpetrator blame and disclosure of abuse. The results confirm the idea that not only self-blame attributions, but also family blame attributions are critical to the decision of a CSA victim to disclose abuse. The possibility that children who do not disclose abuse have a greater need to deny the occurrence of abuse, or have more confusion about being abused is discussed. Attributions of blame should be taken into serious consideration when evaluating children for possible sexual abuse.