Vulnerabilidad empresarial y dinámicas financieras en contextos inciertos: un enfoque desde la inteligencia artificial

[ES] Estudiamos la dinámica de insolvencias en España (2008–2024) con un panel anual región×sector y una variable objetivo log(1+rate_per_10k), complementada con una etiqueta binaria por cuantil anual. El marco integra econometría y aprendizaje estadístico: (i) un modelo de efectos fijos de dos vías con errores de Driscoll–Kraay; (ii) factores macro–financieros ortogonales mediante PCA con Varimax (FINPC1, FINPC2) a partir de VIX, IBEX, bancos, EUROSTOXX, tipo de cambio, desempleo, IPC y NPL; (iii) validación temporal out-of-sample de XGBoost, CatBoost y LightGBM con ensambles por media y mediana; y (iv) segmentación difusa por perfiles de respuesta (Fuzzy C-Means) con selección automática de K y proyección PCA para visualización. En el plano explicativo, los choques múltiples ortogonalizados mejoran el ajuste interno frente a especificaciones de un solo canal. FINPC1 se asocia positivamente con la tasa concursal en numerosos sectores, mientras que FINPC2 muestra no linealidades y asimetrías por territorio. En colas, los choques globales generan patrones de amplificación interior–periferia. En predicción, el ensamble por mediana alcanza AUC=0.863 y AP=0.647 (2019–2024) con Recall@Top 10 %=0.375; la simulación de targeting arroja ganancias netas positivas al seleccionar el 10–20 % superior. La segmentación difusa dentifica K = 3 grupos tanto sectoriales como regionales, con diferencias marcadas en prevalencia, discriminación y calibración

[EN] We study the dynamics of insolvencies in Spain (2008–2024) using an annual region×sector panel and a target variable log(1+rate_per_10k), complemented by a binary label by annual quantile. The framework integrates econometrics and statistical learning: (i) a two-way fixed effects model with Driscoll–Kraay errors; (ii) orthogonal macro–financial factors via PCA with Varimax rotation (FINPC1, FINPC2) derived from the VIX, IBEX, banks, EUROSTOXX, exchange rate, unemployment, CPI, and NPLs; (iii) out-of-sample temporal validation of XGBoost, CatBoost, and LightGBM with mean and median ensembles; and (iv) fuzzy segmentation by response profiles (Fuzzy C-Means) with automatic K selection and PCA projection for visualization. On the explanatory side, orthogonalized multiple shocks improve in-sample fit compared to single-channel specifications. FINPC1 is positively associated with insolvency rates across many sectors, while FINPC2 exhibits nonlinearities and territorial asymmetries. In the tails, global shocks generate inner–periphery amplification patterns. In prediction, the median ensemble achieves AUC=0.863 and AP=0.647 (2019–2024) with Recall@Top 10% = 0.375; targeting simulations yield positive net gains when selecting the top 10–20%. Fuzzy segmentation identifies K = 3 groups at both the sectoral and regional levels, showing marked differences in prevalence, discrimination, and calibration.