Un análisis bibliométrico de la predicción de quiebra empresarial con Machine Learning
| Autor | Yuly Andrea Franco |
| Cargo | Magíster en Finanzas, Universidad Externado de Colombia, Bogotá (Colombia) |
| Páginas | 87-126 |
Un análisis bibliométrico
de la predicción de
quiebra empresarial con
Machine Learning
A Bibliometric Analysis of Business Bankruptcy
Prediction with Machine Learning
Yuly Andrea Franco*
* Magíster en Finanzas, Universidad Externado de Colombia, Bogotá (Colombia). Docente-
Investigadora, Observatorio de Economía y Operaciones Numéricas (odeon), Un iversidad
Externado de Colombia. Bogotá (Colombia). [yuly.franco1@uexternado.edu.co]; [orcid id:
0000-0003-2938-9331].
Artículo recibido: 10 de mayo de 2022
Aceptado: 27 de mayo de 2022
Para citar este artículo:
Franco, Y. A. (2022). Un análisis bibliométrico de la predicción de quiebra empresarial con
Machine Learni ng. Odeon, 22, 87-126.
doi: ht tps: //d oi .o rg /10.186 01 /179 41113. n22.0 4
88
odeon, issn: 1794-1113, e-issn: 2346-2140, N° 22, enero-junio de 2022, pp. 87-126
Resumen
El objetivo de este artículo es presentar un análisis bibliométrico sobre el uso
que han tenido las técnicas de Machine Learning (ml) en el proceso de predic-
ción de quiebra empresarial a través de la revisión de la base de datos Web of
Science. Este ejercicio brinda información sobre el inicio y el proceso de adap-
tación de dichas técnicas. Para ello, se identifican las diferentes técnicas de ml
aplicadas en modelo de predicción de quiebras. Se obtiene como resultado 327
documentos, los cuales se clasifican por medida de evaluación del desempe-
ño, área bajo la curva (Auc) y precisión (Acc), por ser las más utilizadas en el
proceso de clasificación. Además, se identifica la relación entre investigadores,
instituciones y países con mayor número de aplicaciones de este tipo. Los re-
sultados evidencian que los algoritmos xgboost, svm, Smote, rF y dt presentan
una capacidad predictiva mucho mayor que las metodologías tradicionales, en-
focados en un horizonte de tiempo antes del suceso dada su mayor precisión.
Así mismo, las variables financieras y no financieras contribuyen de manera
favorable a dicha estimación.
Palabras clave: predicción; quiebra empresarial; Machine Learning; bi-
bliometría.
Clasificación j el: C53, G17, G33, C63.
Abstract
The aim of this article is to present a bibliometric analysis on the use that
Machine Learning (ml) techniques have had in the process of predicting business
bankruptcy through the review of the Web of Science database. This exercise
provides information on the initiation and adaptation process of such techniques.
For this, the different ml techniques applied in the bankruptcy prediction model
are identified. As a result, 327 documents are obtained, of which they are clas-
sified by performance evaluation measure, the area under the curve (Auc) and
precision (Acc), these being the most used in the classification process. In ad-
dition, the relationship between researchers, institutions and countries with the
largest number of applications of this type is identified. The results show how
the xgboost, svm, Smote, rF and D algorithms present a much greater predictive
capacity than traditional methodologies; focused on a time horizon before the
event given its greater precision. Simi larly, financial and non-financia l variables
contribute favorably to said estimate.
Key words: Prediction; bankruptcy; Machine Learning; bibliometrics.
jel classi fication: C53, G17, G33, C63.
o de o n n º 2 2
89
odeon, issn: 1794-1113, e-issn: 2346-2140, N° 22, enero-junio de 2022, pp. 87-126
Introducción
La evaluación y el análisis permanente de la sostenibilidad financiera es un
factor de interés y constante evaluación para las sociedades. Su importancia
reside en que permite la protección de los intereses económicos de un Estado
y la preservación de la confianza, tanto de las empresas como de la economía.
Su análisis y seguimiento permite minimizar los impactos causados con la li-
quidación o el deterioro de una empresa. Así mismo, la tendencia relativa a la
insolvencia o quiebra.
La anterior perspectiva pone de manifiesto un interés particular por revisar
y establecer técnicas que permitan a las empresas un mejor desempeño y un
crecimiento por lo menos, en términos financieros, sostenible y que impacte en
lo ambiental y en lo social, una triada que se encuentra directamente relacionada
y cuyas variaciones se encuentran entrelazadas (Endrikat et al., 2014).
En las últimas décadas, la predicción de quiebras ha sido un campo interés
donde la mayoría de estudios de revisión se centran en modelos basados en
métodos estadísticos, pero ejemplos recientes en la literatura muestran una
tendencia al uso de múltiples herramientas de Machine Learning (ml). El obje-
tivo principal ha sido identificar cómo el uso ml contribuye en la predicción de
quiebras. El desempeño predictivo de los modelos de ml varía sustancialmente
entre las muestras de países, lo que sugiere que la aplicabilidad de estos no se
puede generalizar. La justificación de este artículo radica en su reconocimien-
to de que este campo de investigación se ha expandido dramáticamente en los
últimos años y es importante evaluar su progreso y describir la tendencia de
investigación a través del análisis y la visualización bibliométrica.
Por lo tanto, se hace relevante establecer una mirada sobre el inicio y el
proceso de adaptación de dichas técnicas para su posterior aplicabilidad, uso y
ventajas en el contexto de las empresas colombianas. Lo anterior permitirá, en
general, establecer un punto de partida en términos de innovación empresarial
y, sobre todo, de eficiencia en la sostenibilidad financiera de las empresas.
1. Quiebra empresarial
La quiebra empresa rial se presenta cuando la organización mantiene en el tiem-
po la no capacidad de generar flujos de efectivo de su negocio, rentabilidad o
cumplir con sus obligaciones a medida que vencen. Los estados financieros
básicos de una empresa son los registros escritos de la situación financiera, e
Para continuar leyendo
Solicita tu prueba