Modelo híbrido predictivo de quiebra empresarial basado en machine learning y métricas de atractividad empresarial

• Franco Coello, Mauricio Rubén ^[1] ; Sandoval Cuji, Martha Matilde ^[1] ; Castillo Plaza, Iris Aracely ^[1] ; Álava Murillo, Antonio Gonzalo ^[2]
  1. [1] Universidad Técnica Estatal de Quevedo

     Universidad Técnica Estatal de Quevedo

     Quevedo, Ecuador

     
  2. [2] Universidad Agraria del Ecuador

     Universidad Agraria del Ecuador

     Guayaquil, Ecuador

     
• Localización: Horizon International Journal, ISSN-e 3091-1753, Vol. 3, Nº. 2, 2025, págs. 154-174
• Idioma: español
• Títulos paralelos:
  • Hybrid predictive model of corporate bankruptcy based on machine learning and business attractiveness metrics
• Enlaces
  • Texto completo (pdf)
  • Texto completo
• Resumen
  • español

    Objetivo: Evaluar cuánto mejora la predicción de quiebra en las PYMES ecuatorianas al combinar métricas de atractividad empresarial, como gobernanza corporativa, creación de valor y variables estratégicas, con ratios financieros utilizando machine learning. También se busca proponer un modelo híbrido (MH-PQE) que se pueda aplicar a estas empresas. Metodología: Estudio comparativo y cuantitativo, ex post facto, con datos financieros y macroeconómicos (2017–2024) complementados por un conjunto sintético controlado. Se contrastaron tres modelos tradicionales (Altman, Ohlson, Zmijewski) frente a cinco algoritmos de ML (Random Forest, Gradient Boosting, XGBoost, SVM y Redes Neuronales). Evaluación mediante precisión, recall, F1-Score y AUC-ROC, validación cruzada k-fold y contraste estadístico (t (4) =8.32; p<0.001; IC95% [12.2, 17.1]). Resultados: Los modelos tradicionales alcanzaron 73.4–78.2% de precisión (media ≈ 75.6%), mientras que los algoritmos de ML lograron 88.3–95.2% (media ≈ 92.1%). Destacaron Redes Neuronales (95.2%, AUC-ROC=0.98), XGBoost (93.7%, 0.97) y Gradient Boosting (92.4%, 0.96). El MH-PQE mejoró la precisión en 18% respecto a los enfoques clásicos y redujo >60% los falsos negativos, con AUC-ROC promedio 0.96. La matriz de confusión mostró 91.9% de precisión para ML frente a 77.1% en tradicionales. Conclusiones: Combinar indicadores de atractivo con ratios financieros y técnicas de aprendizaje automático (ML) mejora mucho la capacidad de hacer predicciones en comparación con los métodos econométricos. El MH-PQE combina interpretabilidad y aprendizaje no lineal, ofreciendo una herramienta robusta y adaptable para gestión de riesgo y toma de decisiones en PYMES de economías emergentes.

  • English

    Objective: Evaluate how much the bankruptcy prediction for Ecuadorian SMEs improves by combining business attractiveness metrics, such as corporate governance, value creation, and strategic variables, with financial ratios using machine learning. The study also aims to propose a hybrid model (MH-PQE) that can be applied to these companies. Methodology: A comparative, quantitative, ex post facto study using financial and macroeconomic data (2017–2024) complemented by a controlled synthetic dataset. Three traditional models (Altman, Ohlson, Zmijewski) were compared against five machine learning algorithms (Random Forest, Gradient Boosting, XGBoost, SVM, and Neural Networks). Evaluation using precision, recall, F1-score, and AUC-ROC, k-fold cross-validation, and statistical testing (t (4) = 8.32; p < 0.001; 95% CI [12.2, 17.1]). Results: Traditional models achieved 73.4–78.2% accuracy (mean ≈ 75.6%), while ML algorithms reached 88.3–95.2% (mean ≈ 92.1%). Neural Networks (95.2%, AUC-ROC=0.98), XGBoost (93.7%, 0.97), and Gradient Boosting (92.4%, 0.96) stood out. MH-PQE improved accuracy by 18% compared to classical approaches and reduced false negatives by over 60%, with an average AUC-ROC of 0.96. The confusion matrix showed 91.9% accuracy for ML versus 77.1% for traditional methods. Conclusions: Combining attractiveness indicators with financial ratios and machine learning (ML) techniques significantly improves predictive performance compared to econometric methods. The MH-PQE combines interpretability and nonlinear learning, offering a robust and adaptable tool for risk management and decision-making in SMEs in emerging economies.