Contribuimos a la escasa literatura sobre la predicción de HGF de varias maneras. Primero, nuestra revisión de la literatura enfatiza la riqueza de nuestros datos, en particular con respecto a tener un gran número de variables que varían en el tiempo, lo que mejora nuestra precisión de predicción e identifica las variables más relevantes.
En segundo lugar, aliviamos las preocupaciones sobre los posibles excesos de teorización de resultados potencialmente espurios mediante el análisis de dos conjuntos de datos representativos a nivel nacional, de Croacia y Eslovenia. En tercer lugar, aplicamos técnicas econométricas de “big data” para seleccionar qué variables de entre los cientos de candidatos son los mejores predictores de HGFs.
El trabajo publicado anterior ha aplicado LASSO a la predicción de quiebra (por ejemplo, Tian et al., 2015), y algunos documentos de trabajo han aplicado LASSO para predecir el crecimiento y el desempeño de las empresas (Miyakawa et al., 2017; McKenzie y Sansone, 2017). Van Witteloostuijn y Kolkman (2019) aplican una técnica de big data (análisis de bosques aleatorios o ‘random forests’, no LASSO) para investigar los determinantes de la tasa de crecimiento de los activos de una empresa (mientras que nuestra variable dependiente es un dummy para el estatus de HGF). Estamos entre los primeros en aplicar LASSO a las tareas de predecir el crecimiento de las empresas y el estatus de HGF.
Nuestro procedimiento LASSO identifica una serie de factores predictivos significativos del rendimiento de HGF, y el ajuste del modelo es modesto (estadísticas pseudo-R2 de alrededor del 10%). Los resultados empíricos sugieren que las empresas con menor inventario, mayor crecimiento del empleo anterior, mayor pasivo a corto plazo y mayor crecimiento en términos de exportaciones y activos tienen más probabilidades de convertirse en HGF. El financiamiento interno parece ser más relevante que el financiamiento externo para predecir un crecimiento rápido.
Primero presentamos nuestros resultados para las empresas croatas, y luego verificamos que las mismas variables son factores predictivos significativos en el caso de las empresas eslovenas. Las empresas con bajos inventarios, un mayor crecimiento del empleo anterior y mayores pasivos a corto plazo tienen más probabilidades de convertirse en HGF. Las estadísticas de pseudo-R2 de alrededor del 10% indican que la predicción de las empresas de alto crecimiento sigue siendo un ejercicio desafiante. Si bien nuestro poder predictivo es mejor que el obtenido en trabajos anteriores, sin embargo, es difícil predecir con precisión qué empresas crecerán. Sin embargo, es un poco más fácil predecir qué empresas no crecerán.
Esta información se ha presentado en el paper “Catching Gazelles with a Lasso: Big data techniques for the prediction of high-growth firms (HGFs)”, elaborado por Alex Coad y Stjepan Srhoj.
Si desea comunicarse con el profesor e investigador de CENTR
