Identificación de la solvencia o insolvencia empresarial mediante redes neuronales

Abstract

Actualmente la crisis mundial y la situación de recesión en los países desarrollados, repercute en nuestro país que hace que muchas empresas pasarán una etapa crítica, por lo cual, es necesario construir sistemas que incorporen conocimientos y, de esta manera, sirvan de ayuda a los procesos de toma de decisiones en el ámbito de la gestión empresarial relacionado a la identificación de la solvencia o insolvencia que atraviesa algunas empresas. Esto ha llevado a realizar la siguiente investigación utilizando sofisticados métodos de identificación de la solvencia, y entre estos se encuentra aquellos que están basados en técnicas de inteligencia artificial y ocupan un papel destacado como son las redes neuronales artificiales, utilizando como atributos los ratios financieros, que mediante el aprendizaje supervisado simplifican y aceleran el procesamiento de la información, se buscarán patrones y tendencias que puedan revelar y predecir el comportamiento de la situación financiera de las empresas. El objetivo de esta investigación consiste en desarrollar un modelo basado en redes neuronales artificiales capaz de identificar la solvencia o insolvencia empresarial, teniendo en consideración las ratios financieras, así como también realizar un análisis comparativo con un modelo Análisis Discriminante Múltiple utilizado como referencia para determinar qué modelo proporciona los mejores resultados. Aunque los resultados no son concluyentes, en general las redes neuronales han mostrado una capacidad de identificación de la solvencia o insolvencia empresarial igual o superior que las técnicas estadísticas, con la ventaja de poderse utilizar independientemente del cumplimiento de los supuestos teóricos relativos a estas técnicas. Se presentan una serie de simulaciones y aplicaciones sobre datos reales que apoyan esta idea. En concreto contrastamos el análisis discriminante contra dos tipos de redes neuronales artificiales; PERCEPTRO Multicapa y la de Función de Base Radial en tareas de identificación, manipulando los patrones de correlación existentes entre los predictores (o variables de entrada) por un lado y la variable de salida por el otro. Los resultados muestran que las redes neuronales artificiales identifican con mayor exactitud que las técnicas estadísticas. La red neuronal PERCENTRON Multicapa con aprendizaje por retro propagación de error (Back-propagation), con la siguiente configuración: con una capa de entrada compuesta por 6 neuronas en la capa de entrada, 15 neuronas en la capa y una capa de salida de una sola neurona, es la que mejor desempeño tuvo en la identificación de la solvencia e insolvencia empresarial.