Modeling the Financial Distress of Microenterprise Start- Ups Using Support Vector Machines: A Case Study

Abstract

Despite the leading role that micro-entrepreneurship plays in economic development, and the high failure rate of microenterprise start-ups in their early years, very few studies have designed financial distress models to detect the financial problems of micro-entrepreneurs. Moreover, due to a lack of research, nothing is known about whether non-financial information and nonparametric statistical techniques improve the predictive capacity of these models. Therefore, this paper provides an innovative financial distress model specifically designed for microenterprise startups via support vector machines (SVMs) that employs financial, non-financial, and macroeconomic variables. Based on a sample of almost 5,500 micro-entrepreneurs from a Peruvian Microfinance Institution (MFI), our findings show that the introduction of non-financial information related to the zone in which the entrepreneurs live and situate their business, the duration of the MFI-entrepreneur relationship, the number of loans granted by the MFI in the last year, the loan destination, and the opinion of experts on the probability that microenterprise start-ups may experience financial problems, significantly increases the accuracy performance of our financial distress model. Furthermore, the results reveal that the models that use SVMs outperform those which employ traditional logistic regression (LR) analysis.

A pesar del destacado papel que desempeña el microemprendimiento en el desarrollo económico y de la alta tasa de quiebra que tienen las nuevas microempresas en sus primeros años de vida, muy pocos estudios han diseñado un modelo para detectar las dificultades financieras de los microemprendedores. Además, debido a la ausencia de investigaciones, no se conoce nada acerca de si la información no financiera y las técnicas estadísticas no paramétricas mejoran la capacidad predictiva de estos modelos. Por tanto, este artículo proporciona un innovador modelo para detectar las dificultades financieras específicamente diseñado para las microempresas de nueva creación mediante el uso de máquinas de soporte vectorial (MSV ) y empleando variables financieras, no financieras y macroeconómicas. Basados en una muestra de casi 5.500 de una Institución Microfinanciera (IM F) peruana, nuestros hallazgos muestran que la introducción de información no financiera relacionada con la zona en la que el emprendedor vive y localiza su negocio, la duración de la relación IM F-emprendedor, el número de préstamos concedidos por la IM F en el último año, el destino del préstamo y la opinión de los expertos sobre la probabilidad de que la nueva microempresa experimente problemas financieros, aumentan de manera significativa la precisión de nuestro modelo de detección de dificultades financieras. Además, los resultados revelan que los modelos construidos usando MVS superan los obtenidos por aquellos modelos que emplean el tradicional análisis de regresión logística.

Malgré le rôle important que joue le micro-entreprenariat dans le développement économique, et le taux élevé d’échec des nouvelles micro-entreprises dans leurs premières années d’existence, très peu d’études ont élaboré un modèle pour détecter les difficultés financières des micro-entrepreneurs. De plus, étant donné l’absence de travaux de recherche nous ne savons aucunement si l’information non financière et les techniques non paramétriques améliorent la capacité prédictive de ces modèles. Par conséquent, cet article propose un modèle innovant pour détecter les détresses financières, spécialement conçu pour les micro-entreprises qui viennent d’être créées par l’utilisation de machines à vecteurs de support (MVS ) et en utilisant des variables financières, non financières et macroéconomiques. Nous basant sur un échantillon de près de 5.500 microentrepreneurs d’une Institution Micro-Financière (IM F) péruvienne, nos résultats montrent que l’introduction d’informations non financières liées à la zone où l’entrepreneur vit et situe son affaire, à la durée de la relation IMF–entrepreneur, au nombre de prêts accordés par l’IM F au cours de la dernière année, à la destination du prêt et l’avis des experts sur la probabilité que la nouvelle micro-entreprise connaisse des problèmes financiers, augmentent de manière significative la précision de notre modèle de détection de difficultés financières. De plus, les résultats montrent que les modèles construits en utilisant des MVS dépassent ceux obtenus par les modèles qui utilisent l’analyse traditionnelle de régression logistique.

Apesar do destacado papel que o microempreendimento desempenha no desenvolvimento econômico e da alta taxa de falências que as novas microempresas têm nos seus primeiros anos de vida, poucos estudos têm projetado um modelo para detectar as dificuldades financeiras dos microempreendedores. Além disso, devido à ausência de pesquisas, não se sabe nada sobre se a informação não financeira e as técnicas estatísticas não paramétricas melhoram a capacidade preditiva destes modelos. Portanto, este artigo proporciona um inovador modelo para detectar as dificuldades financeiras especificamente projetado para as microempresas de criação recente mediante o uso de máquinas de vetores suportes (MVS ) e utilizando variáveis financeiras, não financeiras e macroeconômicas. Baseados em uma amostra de quase 5.500 microempresas de uma micro-instituição financeira (IM F) peruana, encontramos que a introdução de informação não financeira relacionada com a região na qual o empreendedor mora e localiza o seu negócio, a duração da relação IM F- empreendedor, o número de empréstimos concedidos pela IM F no último ano, a destinação do empréstimo e a opinião dos peritos sobre a probabilidade de a nova microempresa ter problemas financeiros aumentam significativamente a precisão do nosso modelo de detecção de dificuldades financeiras. Além do mais, os resultados revelam que os modelos construídos utilizando MVS ultrapassam os obtidos por aqueles modelos que utilizam a tradicional análise de regressão logística.