Un análisis bibliométrico de la predicción de quiebra empresarial con Machine Learning

Abstract

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 predic­ción 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 adap­tación 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 desempe­ño, 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 re­sultados evidencian que los algoritmos XGBoost, SVM, Smote, RFY DT presentan una capacidad predictiva mucho mayor que las metodologías tradicionales, en­focados 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.