| Revista: | ODEON (Bogotá) |
| Base de datos: | CLASE |
| Número de sistema: | 000533444 |
| ISSN: | 1794-1113 |
| Autores: | Franco, Yuly Andrea1 |
| Instituciones: | 1Universidad Externado de Colombia, Bogotá. Colombia |
| Año: | 2022 |
| Número: | 22 |
| Paginación: | 87-126 |
| País: | Colombia |
| Idioma: | Español |
| Tipo de documento: | Artículo |
| Enfoque: | Analítico, descriptivo |
| Resumen en español | 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 mlaplicadas 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 |
| Resumen en inglés | 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. Similarly, financial and non-financial variables contribute favorably to said estimate |
| Disciplinas: | Economía |
| Palabras clave: | Condiciones económicas, Empresas, Quiebra empresarial, Predicción económica, Machine Learning, Análisis bibliométrico |
| Texto completo: | https://revistas.uexternado.edu.co/index.php/odeon/article/view/8875/14250 |
