INNOVA Research Journal, ISSN 2477-9024  
Septiembre-Diciembre 2021). Vol. 6, No.3 pp. 270-287  
(
DOI: https://doi.org/10.33890/innova.v6.n3.2021.1790  
URL: http://revistas.uide.edu.ec/index.php/innova/index  
Correo: innova@uide.edu.ec  
Calculando el riesgo de insolvencia, de los métodos tradicionales a las redes  
neuronales artificiales. Una revisión de literatura  
Calculating the risk of insolvency, from traditional methods to artificial  
neural networks. A literature review  
Maryann Katherine Ludeña Dávila  
Universidad del Azuay, Cuenca, Ecuador  
mludenamaf@es.uazuay.edu.ec  
https://orcid.org/0000-0001-7408-0400  
Luis Bernardo Tonon Ordóñez  
Universidad del Azuay, Cuenca, Ecuador  
ltonon@uazuay.edu.ec  
http://orcid.org/0000-0003-2360-9911  
Recepción: 22/06/2021 | Aceptación: 16/08/2021 | Publicación: 10/09/2021  
Cómo citar (APA, séptima edición):  
Ludeña Dávila, M. K., y Tonon Ordóñez, L.B. (2021). Calculando el riesgo de insolvencia, de  
los métodos tradicionales a las redes neuronales artificiales. Una revisión de literatura. INNOVA  
Research Journal, 6(3), 270-287. https://doi.org/10.33890/innova.v6.n3.2021.1790  
Resumen  
En la administración financiera de toda organización el cálculo del riesgo de insolvencia se ha  
convertido en un parámetro importante, buscando anticiparse a la eventualidad de llegar a tener un  
problema económico y generar insolvencia. El objetivo de este trabajo es determinar si en el  
cálculo del riesgo de insolvencia, el uso de redes neuronales artificiales genera mejores resultados  
que las metodologías tradicionales, buscando las principales características dentro de las  
aplicaciones realizadas por distintos autores a través del tiempo. De esta manera se observan las  
principales variables que pueden evidenciar que la aplicación de la metodología de redes  
neuronales facilita el cálculo del riesgo de insolvencia. A través de la revisión bibliográfica, en el  
período 1992-2021, con el uso del método analítico-sintético se puede evidenciar que el modelo  
expuesto es considerado como eficiente según sus resultados, con ajustes que, en la mayoría de los  
casos expuestos, superan el 80% de eficacia. Los resultados encontrados permitieron concluir que  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
270  
Calculando el riesgo de insolvencia, de los métodos tradicionales a las redes neuronales artificiales. Una revisión de  
literatura  
la estructura básica de una red neuronal viene dada por tres capas: una de entrada, una de salida y  
una oculta. Sin embargo, el número de nodos es el que varía en cada una de las aplicaciones  
realizadas por los distintos autores, dado que los mismos representan a las variables, en este caso  
indicadores financieros más relevantes según la aplicación planteada. Finalmente se logró  
evidenciar cuáles son los indicadores financieros más usados en las distintas aplicaciones de redes  
neuronales. Todo indica que las redes neuronales generan resultados más efectivos que los  
métodos tradicionales.  
Palabras claves: riesgo de insolvencia; red neuronal; predicción; fallas empresariales; modelos  
de predicción.  
Abstract  
In the financial management of any organization, the calculation of the risk of insolvency has  
become an important parameter, seeking to anticipate the eventuality of having an economic  
problem and generating insolvency. The objective of this work is to compare the classical  
methodologies and the artificial neural networks applied to calculate the risk of insolvency,  
looking for the main characteristics within the applications carried out by different authors over  
time. In this way, the main variables that can show that the application of the neural network  
methodology facilitates the calculation of the risk of insolvency are observed. Through the  
bibliographic review, between the years 1992-2021, with the use of the analytical-synthetic  
method, it can be seen that the exposed model is considered efficient according to its results, with  
adjustments that, in most of the exposed cases, exceed 80% efficiency. The results found allowed  
us to conclude that the basic structure of a neural network is given by three layers: an input layer,  
an output layer and a hidden layer. However, the number of nodes varies in each of the applications  
carried out by the different authors, since they represent the variables, in this case the most relevant  
financial indicators according to the proposed application. Finally, it was possible to show which  
are the most used financial indicators in the different neural network applications.  
Keywords: insolvency risk; neural network; prediction; business failures; prediction models.  
Introducción  
Según Brigham y Ehrhardt (2007) en Estados Unidos de América los diferentes factores  
económicos que causan la insolvencia empresarial están ligados en el 37,1% de los casos a su  
ubicación y tipo de industria, por factores financieros tales como apalancamiento financiero el  
4
7,3% y 14% por temas de fraude, error de juicio y mala gestión financiera, entro otros.  
La predicción de insolvencia para las empresas es una herramienta fundamental para  
enfrentar las diferentes crisis que se puedan presentar (Orellana et al. 2020), evidenciando a tiempo  
las distintas aristas que podrían llevar a un problema financiero y futura insolvencia frente a los  
patrones que se puedan manifestar, la adecuada selección de variables y gestión del riesgo pueden  
ayudar a tomar las decisiones correctas a tiempo para evitar un declive empresarial. Por lo que, es  
importante conocer las metodologías que se podría aplicar para predecir a tiempo la insolvencia  
empresarial.  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
271  
Maryann Katherine Ludeña Dávila y Luis Bernardo Tonon Ordóñez  
ISSN 2477-9024. Innova Research Journal (Septiembre-Diciembre, 2021). Vol. 6, No. 3, pp. 270-287  
A través del tiempo se ha evidenciado, en distintas ramas del conocimiento, el avance  
tecnológico que la investigación informática ha generado y cómo este ha ido influyendo en la toma  
de decisiones gerenciales sobre todo en finanzas. En 1981 se realizó la primera aplicación de redes  
neuronales en el área financiera, así como la predicción de variables para llevar a cabo dicha  
metodología, incrementándose a partir de allí los estudios con su aplicación, dado que se aprovecha  
la singularidad de las redes neuronales realizan un aprendizaje, lo cual ha tenido una amplia  
aplicación en el campo financiero, sobre todo en temas relacionados con la predicción de quiebra  
o rendimiento (Del Carpio Gallegos, 2005).  
Kumar y Ravi (2007) realizaron una revisión de metodologías que se aplicaron en distintos  
trabajos, tesis y artículos científicos dando como resultado que en una muestra de 25 artículos en  
1
5 de ellos se aplican técnicas inteligentes usando principalmente razones financieras. La presente  
investigación tiene como objetivo determinar si en el cálculo del riesgo de insolvencia, el uso de  
redes neuronales artificiales genera mejores resultados que las metodologías tradicionales,  
mediante una profunda revisión bibliográfica.  
Metodología  
Para este trabajo de investigación se utilizó un método analítico-sintético, incurriendo en  
un profundo estudio del objeto de investigación que permitió el conocimiento de las principales  
características: cálculo del riesgo de insolvencia y la aplicación de redes neuronales artificiales  
para su cálculo. Se obtuvieron los trabajos de los principales autores sobre el cálculo de riesgo de  
insolvencia, los cuales son considerados como los originadores de las teorías.  
En un segundo momento, tomando como referencia el período 2016-2021 y por medio de  
la información contenida en las bases de datos Scopus, JSTOR, Redalyc y Dialnet se procedió a la  
identificación de artículos científicos utilizando como términos de búsqueda “riesgo de  
insolvencia” y “redes neuronales”. La búsqueda se realizó sin discriminar el idioma en el que esté  
escrito el documento o el área geográfica de la cual provenga.  
Se obtuvieron 21 referencias de trabajos publicados que resultaron insuficientes para una  
base de una revisión sólida, por lo que, se decidió ampliar el período de búsqueda iniciando ahora  
en el año 1992, año en el que aparece la primera referencia de una publicación que cumple con los  
criterios de búsqueda planteados. Lo anterior justifica que en esta revisión se citen trabajos de más  
de cinco años de antigüedad. Se obtuvo finalmente un total 287 artículos publicados.  
Luego se realizó un filtrado de los resultados mediante la lectura del título y del resumen  
y luego se realizó un segundo filtrado bajo el criterio de bibliografía más citada o de mayor  
impacto, organizando las referencias en orden de importancia. Se seleccionó, en primera instancia,  
una muestra de 30 artículos los cuales fueron fichados para luego organizar la información  
obtenida utilizando el método inductivo – deductivo partiendo de lo general a lo específico,  
esperando encontrar diferentes trabajos de investigación que evidencien la evolución y relación de  
las distintas aplicaciones de redes neuronales.  
Los textos que no aportaban al cumplimiento del objetivo planteado fueron sustituidos por  
los siguientes en orden de importancia. También se decidió ampliar el número de referencias a ser  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
272  
Calculando el riesgo de insolvencia, de los métodos tradicionales a las redes neuronales artificiales. Una revisión de  
literatura  
utilizadas tomando en cuenta algunas que por su novedad aún no habían sido citadas por otros  
autores. El texto final contiene un total de 59 referencias.  
Revisión de literatura  
Importancia de la gestión del riesgo de insolvencia  
El riesgo de insolvencia tiene como significado una probabilidad de pérdida, situación  
adversa o negativa financieramente, resultante de una posición crediticia negativa cuando existe  
un riesgo de incumplimiento de una de las partes o riesgo de mercado (Caporale et al., 2017), lo  
que permite suponer que este tipo de riesgo evidenciaría la imposibilidad de pago a terceros y en  
algunos casos incluiría a los accionistas o socios dependiendo la salud financiera de la empresa.  
Allen y Gale (2004) lo definen como la técnica de tomar riesgos por rentabilidades mayores y la  
posibilidad de soportar golpes financieros que afecten la liquidez o rentabilidad. Por otra parte,  
Thakor (2018), propone que el riesgo de insolvencia se basa en una caída de valor en los activos  
generando así, la caída de valor en las acciones dejando sin capacidad de endeudamiento a la  
empresa, por lo tanto, no es de interés para inversionista financiar empresas insolventes o sin  
capacidad de endeudamiento, llegando a considerarse una cartera de riesgo.  
Históricamente, las crisis financieras han generado que las empresas presten atención sobre  
la importancia de medir el riesgo de insolvencia, indicador que se puede cuantificar mediante  
información contable y su relación con el mercado, teniendo como objetivo el establecer de esta  
manera una medida sobre la probabilidad de insolvencia (Lepetit y Strobel, 2015). Por otro lado,  
Alaka et al. (2017) describen que los diferentes modelos para predecir el riesgo de insolvencia  
replican variables de estudios anteriores haciendo que su eficacia sea baja, identificar los factores  
claves para predecir la insolvencia es importante, al existir la falta de guías para la selección  
correcta de los mismos es necesario generar enfoques acordes al riesgo estudiado, identificando  
factores con niveles de relevancia, entre ellos se han ratificado los siguientes:  
Cuantitativos: siendo estos la liquidez, el apalancamiento, la gestión financiera, la  
rentabilidad y los flujos de caja.  
Cualitativos: entre estos están la toma de decisiones, las estrategias y la sostenibilidad.  
Importancia de las herramientas tecnológicas para la predicción de riesgo de insolvencia  
Dinca et al. (2017) manifiestan que la mayor parte de investigaciones de riesgo de  
insolvencia se basan en estudios multivariables y diferenciales, en donde los resultados obtenidos  
buscan describir la situación de una empresa, no obstante, las metodologías planteadas presentan  
varias deficiencias negando la aplicación a las empresas que desean previsión ante un riesgo de  
insolvencia, pues se destinan más a las que cotizan en bolsa y a la banca; incluso si se pretende la  
aplicación de algún modelo en otras empresas hacen que la misma sea inasequible al requerir el  
uso de información contable, la cual los clientes externos no podrían obtener, por lo que se reduce  
el uso del modelo a una minoría de usuarios como lo serían los gerentes, quienes conocen la salud  
financiera de la empresa.  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
273  
Maryann Katherine Ludeña Dávila y Luis Bernardo Tonon Ordóñez  
ISSN 2477-9024. Innova Research Journal (Septiembre-Diciembre, 2021). Vol. 6, No. 3, pp. 270-287  
La insolvencia financiera en las empresas genera múltiples consecuencias desfavorables  
para los interesados como: entes reguladores, analistas económicos – financieros, proveedores,  
bancos e inversionistas. Estas consecuencias pueden generar gran impacto en otras empresas, la  
sociedad y la economía. Dicha situación genera importancia en sistemas que manejen alertas  
financieras antes de que lleguen las empresas a una insolvencia irreversible, por lo que, ha sido de  
interés el generar modelos que permitan predecir la insolvencia o planificar una solvencia eficiente  
(Rustam y Yaurita, 2018). Adicional a ello, una predicción de insolvencia es importante en el área  
financiera de toda empresa, por lo tanto, estos resultados deben ser veraces pues una mala  
predicción generaría pérdidas económicas al evaluar la situación de la empresa, por lo que, es muy  
apetecida la automatización de dicha predicción (Obermann y Waack, 2015). Existen veloces  
cambios en la tecnología y una gran cantidad de métodos y procesos para una planificación de  
prevención y recuperación de fallas empresariales, pese a que son exigentes y complejos son  
importantes para la competitividad y el éxito de una empresa (Mohammadian, 2012).  
Metodologías tradicionales para predecir el riesgo de insolvencia  
Según Hensher et al. (2007), generalmente se mide el riesgo de insolvencia con los modelos  
más populares como lo son los lineales, los análisis discriminantes y los análisis logit, pese a que  
se han desarrollado modelos estructurales o de intensidad, los mismos que son derivados de  
supuestos empíricos y metodológicos. Limitando a los modelos de elección discreta predominan  
los econométricos dentro de la investigación de fallas empresariales (Altman, 2001). Los  
indicadores financieros históricamente constituyen la herramienta más utilizada al momento de  
gestionar el riesgo de insolvencia, en sus inicios el uso de dichos indicadores servía como punto  
de referencia para conocer el estado de una organización sana frente a una insolvente; en esta etapa  
sobre sale el aporte de FitzPatrick (1932) quien, propuso el índice de endeudamiento como una de  
las principales herramientas para predecir el riesgo de insolvencia. Posteriormente, Beaver (1966)  
propuso el método estadístico de análisis discriminante univariante obteniendo mejores resultados,  
principalmente con el uso del ratio de flujo de caja sobre las deudas; Altman (1968) desarrolló los  
modelos z y z-score los cuales a diferencia del anterior constituyen un modelo multivariante los  
cuales se basan en una serie de indicadores de liquidez, endeudamiento, rentabilidad, rotación de  
activos y valor de la empresa entre otros, logrando elevados porcentajes de precisión.  
En la literatura existe una amplia gama de modelos para predecir el riesgo de insolvencia,  
entre ellos podemos encontrar los que aparecieron a finales de la década 1960, bajo la técnica  
estadística: el análisis discriminante, el análisis discriminante múltiple (MDA), el modelo de  
regresión logit y el análisis probit. Según Giacosa et al. (2016) en un estudio realizado en empresas  
italianas los modelos más reconocidos por su base estadística y número de citas, Altman (1983) y  
Taffler (1983) serían los más relevantes de acuerdo con el análisis discriminante, así como Ohlson  
(
1980) en el análisis logit.  
Descripción de características en la aplicación de redes neuronales para el cálculo del riesgo  
de insolvencia  
Dentro de las técnicas de inteligencia artificial tenemos el método de redes neuronales que  
mantiene estructuras de percepción multicapa generando un autoaprendizaje, el número de capas  
y nodos dependerá de las variables de entrada que se requiera en el modelo (López et al., 2014),  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
274  
Calculando el riesgo de insolvencia, de los métodos tradicionales a las redes neuronales artificiales. Una revisión de  
literatura  
coincidiendo con Kumar y Ravi (2007) que definen el método como unidades informáticas  
conectadas entre sí, paralelamente y en capas. Adicionalmente, el método pone en funcionamiento  
algoritmos de entrenamiento hacia atrás permitiendo garantizar una convergencia y tolerancia de  
entrenamiento (Wilson y Sharda, 1994) siendo uno de los primeros métodos en ser utilizado por  
Odom y Sharda (1990) con indicadores financieros desarrollados por Altman (1968), logrando una  
mejor precisión en los resultados (Atiya, 2001). Su estructura se basa en información de entrada,  
capas e información de salida, la interrelación que presenten las distintas neuronas de la red  
depende de la dirección se le da a la misma, es decir, a que irán dirigidos los resultados (Conti et  
al., 2005). Khediri et al. (2015) explican que una red neuronal artificial está compuesta por una  
estructura que describe conexiones entre los nodos, la salida de respuesta de un nodo puede ser la  
entrada de otro y cada nodo es el encargado de transformar una entrada en salida utilizando una  
función especificada por el modelo, la conexión de los nodos esta dispuesta entre diferentes capas  
pero no en nodos de la misma capa, la capa de entrada es el ingreso de datos y la de salida es el  
resultado, cualquier capa entre ellas se denomina capa oculta.  
Nasir et al. (2000) realizaron una aplicación de una red neuronal artificial tomando como  
población a empresas británicas, para los datos de entrenamiento tomaron una muestra de 1350  
empresas, para la prueba 400 empresas y finalmente para la validación de la red neuronal un total  
de 750 empresas. La estructura de la red utilizó 58 nodos de entrada representados en flujos de  
caja, estados de resultados, balance general, ratios financieros y resumen financiero; con un criterio  
de selección 0,10 y 0,90 la red obtuvo resultados el 73% de clasificación correcta de empresas  
insolventes, un 24% con desconocimiento y clasificó de manera errada un 3% de empresas  
insolventes, por otro lado, desde el punto de vista solvente, la red clasificó correctamente el 34%  
de empresas saludables y un 63% con descocimiento. Como dicho estudio demuestra en el año  
2
000 aún existían falencias en la aplicación de la red neuronal artificial para predecir el riesgo de  
insolvencia, por lo que podemos decir que la estructura y selección de las variables se torna clave  
para el desarrollo de los modelos y el rendimiento de red neuronal.  
En el año 2003 se realizó un estudio en Corea del Sur aplicando una red neuronal artificial  
asociativa (AANN) la cual genera un aprendizaje de identidad de entrada, básicamente se ingresan  
datos de empresas solventes lo cual permite que la predicción sea mejor a la del sistema basado en  
ingreso de datos de ambos tipos, es decir, empresas solventes e insolventes. La muestra de  
entrenamiento fue tomada del periodo 1994-1996 (Solventes 1817/Insolventes 46) con empresas  
solventes únicamente, no se utilizaron los datos de las empresas insolventes; para la prueba se  
utilizaron datos del periodo 1997-2000 (Solventes 2285/Insolventes 83). Los indicadores  
financieros utilizados fueron: Capital de trabajo/Activos totales, Utilidades retenidas/Activos  
totales, Utilidades antes de interés e impuestos/Activos totales, Capital de mercado/Pasivos totales  
y Ventas/Activos totales; siendo los nodos de entrada en la estructura, con una capa de entrada,  
con 3 capas ocultas con función no lineal y finalmente una capa de salida con 5 nodos; dicha  
estructura dio un rendimiento de la AANN del 80,45% en comparación con una red neuronal  
artificial clásica que en dicho estudio presentó un 79,26% de rendimiento (Baek y Cho, 2003).  
En el año 2009 se realizó una aplicación de red neuronal en un caso de Turquía con un  
conjunto de datos conformado por un total de 65 bancos entre ellos 21 que habían quebrado, con  
un total de 20 ratios financieros calculados en el mismo periodo de la quiebra, dicho estudio dividió  
la muestra en un conjunto de entrenamiento y otro para su validación en el año de la quiebra con  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
275  
Maryann Katherine Ludeña Dávila y Luis Bernardo Tonon Ordóñez  
ISSN 2477-9024. Innova Research Journal (Septiembre-Diciembre, 2021). Vol. 6, No. 3, pp. 270-287  
una estructura de red neuronal MLP la cual constaba de 5 capas ocultas con 30 nodos para cada  
una de sus capas, dicha red clasificó correctamente los datos con una eficacia del 95.,% en su fase  
de validación, de esta manera, se considera un resultado satisfactorio (Boyacioglu et al., 2009).  
Tseng y Hu (2010) realizaron una comparación de modelos de predicción en la cual  
utilizaron una estructura de red neural artificial con datos financieros de FT EXTEL Company  
Research y DATASTREAM con 904 empresas de Reino Unido de las cuales 353 habrían quebrado  
entre 1985 y 1994. La estructura planteada se componía por una capa de entrada, una capa oculta  
y una capa de salida, lo que llama la atención es que las variables de entrada suman un total de 3  
nodos, pues se decidió utilizar tres importantes ratios financieros debido a una clasificación  
significativa entre el análisis de probabilidad de insolvencia y la relación financiera. Los ratios  
fueron: Capital de trabajo/Gasto operativo, Utilidad después de impuestos/Activo total y  
Efectivo/Pasivo total. En este estudio se obtuvieron, en la primera corrida, un rendimiento del  
8
0.33% en el conjunto de entrenamiento y de 75% en el de prueba. Después de 5 corridas se  
concluye con un resultado en entrenamiento del 78,69% y el 87,5% en prueba.  
En el año 2015 se realizó un estudio entre bancos islámicos y bancos convencionales del  
Consejo de Cooperación del Golfo (CCG) usando métodos tradicionales o paramétricos y algunos  
métodos inteligentes, entre ellos la aplicación de una red neuronal buscando demostrar la hipótesis:  
Los bancos islámicos son menos riesgosos que los bancos convencionales. Se utilizó una muestra  
final de 44 bancos convencionales y 18 bancos islámicos, con 14 ratios financieros. La red  
neuronal artificial tenía que identificar, mediante coeficientes financieros generados bajo la técnica  
Pearson, cuáles eran bancos islámicos y cuáles bancos convencionales CCG. (Khediri et al., 2015).  
Las características puestas en funcionamiento en la estructura de la red neuronal artificial  
fueron: una capa de entrada de 14 nodos (14 coeficientes financieros), una regla de clasificación  
(unidad de salida ≥0,5 dicha observación es G1, por otro lado, si la unidad de salida es ≤0,5 la  
observación corresponde al G2) y finalmente la capa de salida con 2 nodos como resultados, los  
cuales se definieron como importancia e importancia normalizada de todas las variables, la  
importancia de la variable independiente mide cuánto el valor predicho por la red varía para los  
distintos valores que pueda tener la variable independiente. Dicha red neuronal demostró distintos  
resultados en cada periodo de aplicación, los cuales fueron: Periodo general (2003-2010) con una  
eficacia de la red del 87,4%, periodo antes de la crisis (2003-2006) con un 81,9% de rendimiento,  
periodo de crisis (2007-2008) con un 81,8% y finalmente el periodo posterior a la crisis (2009-  
2
010) con un 79,7%. El estudio reveló que los bancos islámicos mantienen un menor riesgo de  
insolvencia. (Khediri et al., 2015).  
En Latinoamérica Romani et al. (2002) realizaron una aplicación de la metodología de  
redes neuronales en empresas chilenas para predecir el riesgo de insolvencia tomando una muestra  
de datos ajustada de 98 empresas, de las cuales 49 eran solventes y las restantes declaradas como  
quebradas. La red neuronal se hizo con el algoritmo de “Back-Propagation” utilizando un punto  
de corte 0,5 y dos grupos de datos, el primero de entrenamiento y el segundo de prueba, con un  
total de 16 variables por empresa, de las cuales se decidió bajo un análisis discriminante el uso de  
solo 4 variables como las más importantes (Activo circulante/Pasivo circulante, Pasivo  
total/Activo total, Pasivo a largo plazo/Patrimonio y el logaritmo natural del total de activos). Los  
resultados que presentó dicha aplicación fueron de un 95,24% en cuanto a la clasificación de  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
276  
Calculando el riesgo de insolvencia, de los métodos tradicionales a las redes neuronales artificiales. Una revisión de  
literatura  
entrenamiento y un 95,86% en cuanto a la predicción del riesgo de insolvencia, demostrando así  
un alto nivel de asertividad con un buen desempeño, clasificación y predicción del mismo.  
Finalmente, como el objetivo de la presente investigación es determinar si en el cálculo del  
riesgo de insolvencia, el uso de redes neuronales artificiales genera mejores resultados que las  
metodologías tradicionales, un hallazgo relevante es que la estructura planteada en las diferentes  
redes neuronales estudiadas coincide con la implementación de 3 capas, una de entrada con  
distintos números de nodos ya que esto depende de las variables seleccionadas para la aplicación,  
una capa oculta en donde se define el logaritmo de selección y una de salida (Solvente-Insolvente).  
Así lo menciona Ecer (2013), quien describe que una de las mejores estructuras utilizadas para el  
cálculo del riesgo de insolvencia es una de 3 capas, una capa de entrada, una capa oculta y una de  
salida que en este caso propone con 2 nodos de salida para el resultado. Esto nos permite mencionar  
que lo que cambia, de acuerdo con los autores, es el uso de las variables a emplear tanto para el  
aprendizaje como para la prueba de dichas redes neuronales ya que las mismas generan los  
resultados. Por lo que, se considera relevante observar las variables (indicadores financieros) que  
han utilizado distintos autores. Ver tabla 1.  
Tabla 1  
Análisis de variables por autor  
Back  
et al  
Leshno  
& Spector  
(1996)  
Alam  
et al  
(2000)  
Du  
Jardin  
(2010)  
Khediri  
et al  
(2015)  
Charalambous  
et al (2000)  
Abdelwahed  
& Amir (2005)  
Kim  
(2011)  
Variables  
(1994)  
Ingreso/Activo total  
X
X
X
X
Pasivo  
total  
total/Activo  
X
X
X
X
Activo  
financiero/Pasivo  
corriente  
X
Pasivo  
X
X
X
X
X
total/Patrimonio  
Depreciaciones/Activo  
fijo  
Valores  
realizables/Activo  
total  
X
X
Efectivo  
y
al  
equivalentes  
efectivo/Activo total  
Pasivo  
corriente/Activo total  
Patrimonio  
neto/Pasivo total  
Pasivo  
corriente/Pasivo total  
X
X
X
X
X
X
Pasivo  
plazo/Pasivo total  
a
largo  
Log (Balance)  
X
X
EBE/Activo total  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
277  
Maryann Katherine Ludeña Dávila y Luis Bernardo Tonon Ordóñez  
ISSN 2477-9024. Innova Research Journal (Septiembre-Diciembre, 2021). Vol. 6, No. 3, pp. 270-287  
Back  
et al  
Leshno  
& Spector  
(1996)  
Alam  
et al  
(2000)  
Du  
Jardin  
(2010)  
Khediri  
et al  
(2015)  
Charalambous  
et al (2000)  
Abdelwahed  
& Amir (2005)  
Kim  
(2011)  
Variables  
(1994)  
Utilidad neta + Costos  
financieros/Capital  
Rentabilidad  
X
X
neta/Patrimonio  
X
X
(
ROE)  
Rentabilidad  
neta/Activo (ROA)  
Flujo de caja/Activo  
total  
X
Rotación cuentas por  
cobrar  
Ingresos operativos (1  
para negativo, 0 para  
positivo)  
X
X
X
Cambio en flujo de  
efectivo/Valor  
mercado  
Capital  
trabajo/Valor  
mercado  
de  
X
X
de  
de  
Activo  
corriente/Pasivo  
corriente  
X
X
X
Activo  
corriente-  
Inventario/Pasivo  
corriente  
Ingreso/Capital  
X
X
Rotación de activos  
Activo fijo/Capital  
X
X
X
Crecimiento de activo  
Crecimiento  
patrimonio  
Capital  
trabajo/Activo total  
Utilidad  
retenida/Activo total  
EBIT/Activo total  
Valor  
mercado/Pasivo total  
Pérdidas netas por  
préstamos/Activos  
ajustados  
Pérdidas netas por  
préstamos/Préstamos  
totales  
Préstamos  
morosos/Activos  
totales  
de  
de  
X
X
X
X
X
de  
X
X
X
X
X
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
278  
Calculando el riesgo de insolvencia, de los métodos tradicionales a las redes neuronales artificiales. Una revisión de  
literatura  
Back  
et al  
Leshno  
& Spector  
(1996)  
Alam  
et al  
(2000)  
Du  
Jardin  
(2010)  
Khediri  
et al  
(2015)  
Charalambous  
et al (2000)  
Abdelwahed  
& Amir (2005)  
Kim  
(2011)  
Variables  
(1994)  
(
Pérdidas crediticias  
netas+ Provisión)  
Pérdidas  
/
(
X
crediticias*ingreso  
neto)  
Efectivo  
y
equivalentes  
efectivo/Bancos  
Préstamos  
morosos/Préstamos  
brutos  
al  
X
X
Préstamos / Depósitos  
totales de clientes  
X
X
Patrimonio neto  
Activo total  
/
X
Bancos/Activo total  
X
X
Bancos/Capital  
Activo  
total  
Partidas fuera de  
balance / Activo total  
fijo/Activo  
X
X
EBITDA/Activo total  
Cambio patrimonial  
X
X
Efectivo  
y
equivalentes  
efectivo/Pasivo  
corriente  
al  
X
Cuentas  
cobrar/Ingreso  
por  
X
Flujo de caja/Ingreso  
EBIT/Ingreso  
Efectivo  
X
X
y
equivalentes  
al  
X
efectivo/Ingreso  
Fuente: Elaboración del autor.  
Los autores presentados en la tabla 1, para el desarrollo de cada uno de sus modelos de  
redes neuronales artificiales aplicadas al cálculo del riesgo de insolvencia han tomado variables  
definidas previamente en diversas investigaciones relevantes de índole financiero. Como se  
observa en la revisión bibliográfica del presente artículo, son de gran relevancia las variables  
usadas para el desarrollo de cada modelo, ya que la estructura de la red neuronal artificial tiene la  
misma forma básica para este tipo de estudio, pero difieren las variables de entrada utilizadas para  
el desarrollo del mismo según cada autor. Dentro del análisis se destacan las 4 variables más  
utilizadas en los distintos modelos, las cuales se mencionan a continuación:  
1
2
. Ingreso total/Activo total.  
. Pasivo total/Activo total.  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
279  
Maryann Katherine Ludeña Dávila y Luis Bernardo Tonon Ordóñez  
ISSN 2477-9024. Innova Research Journal (Septiembre-Diciembre, 2021). Vol. 6, No. 3, pp. 270-287  
3
4
. Pasivo total/Patrimonio.  
. Efectivo y equivalentes al efectivo/Activo total.  
A través del tiempo se evidencia que a medida que avanza la aplicación de esta herramienta  
y se muestran sus buenos resultados, también se incrementa el número de variables que se han  
utilizado en cada modelo, pues hasta el año 2000 los autores citados previamente en la presente,  
utilizaron un máximo de 7 variables, posterior a ello se han utilizado entre 10 y 15 variables para  
el efecto. Por lo que, se puede decir que cada vez son más complejas las redes neuronales  
desarrolladas para el caso y que abarcan un mayor número de aspectos que podrían incidir en un  
potencial riesgo de insolvencia, todo esto con el afán de incrementar cada vez más la confiabilidad  
de dicha herramienta.  
Discusión  
Ventajas y desventajas de los sistemas basados en redes neuronales artificiales  
Los distintos modelos de aprendizaje automático tienen excelentes resultados en  
aplicaciones financieras, sobre todo en el cálculo del riesgo de insolvencia por lo que pocos  
estudios han llegado a alcanzar la efectividad y precisión de estos modelos, los cuales pueden ser  
aplicados en otros tipos de riesgo ya que generan una precisión sustancial en sus resultados  
(Barboza et al., 2017).  
Dentro de las ventajas que manejan estos sistemas, está la toma de decisiones objetivas que  
generan los datos y no la mente humana que muchas veces puede tener influencias; al evaluar datos  
de manera aislada la metodología de redes neuronales no requiere cambios para ser aplicada a  
distintos tipos de empresas o sectores. (Rustam y Yaurita, 2018). Bešlić et al. (2018) mencionan  
que estas metodologías están dentro de las más utilizadas ya que proporcionan una señal temprana  
para poder enfrentar una posible crisis. Lahmiri y Bekiros (2019) demostraron que las redes  
neuronales son más eficientes al construir agentes artificiales para la predicción de quiebras desde  
el punto de vista de la informática cognitiva ya que están basadas en datos y son sistemas  
inteligentes libres de suposiciones lo que las hace altamente capaces de analizar y modelar  
simultáneamente interacciones de datos ruidosos, no lineales y no estacionarios.  
Tay y Shen (2002) después de una revisión de metodologías concluyen que los  
metodologías modernas son una buena alternativa y prometen buenos resultados con respecto a las  
convencionales. Por otro lado, Valdes et al. (2014) mencionan que este tipo de simulaciones  
permiten ir más allá de lo analítico ayudando a tomar decisiones y ver el impacto de las mismas,  
en un determinado tiempo sin tener que afectar el sistema real o el curso actual de una empresa,  
algo que las alternativas matemáticas no permiten siendo sofisticadas en su entendimiento y uso.  
Rubin (1990) identifica una de las diferencias relevantes manteniendo ventaja en el uso de redes  
neuronales artificiales debido a que utiliza variables predictoras de manera recursiva y  
jerarquizada. Por otro lado, las metodologás tradicionales usan todas las variables suponiendo una  
normalidad en las observaciones volviendo más eficiente el uso de la metotología inteligente al  
considerar valores atípicos en su análisis y parametrización.  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
280  
Calculando el riesgo de insolvencia, de los métodos tradicionales a las redes neuronales artificiales. Una revisión de  
literatura  
Alfaro et al. (2008) mencionan que una de las ventajas de la metodologías de redes  
neuronales artificiales es poder detectar correlaciones y generar buenos resultados ante  
información ruidosa que suele presentarse en la predicción del riesgo de insolvencia. Dentro de las  
principales ventajas del uso de redes neuronales Altman et al. (1994) concluyen que, estas logran  
clasificar con mucha precisión a las empresas con salud financiera o menor riesgo de insolvencia,  
mejor que un método estadístico. Su uso bajo memoria o aprendizaje ha mostrado una excelente  
flexibilidad en el modelo permitiendo un rendimiento simple con arquitectura más compleja.  
Aminian et al. (2006) mencionan que las redes neuronales artificiales brindan un modelo eficaz y  
eficiente en el análisis de regresiones no lineales y alcanzando en su totalidad el significado de  
cada variable ingresada en el pronóstico.  
Binner et al. (2004) concluyen que los modelos basados en redes neuronales artificiales son  
más efectivos en los pronósticos a largo plazo, lo que puede servir para distintas proyecciones  
financieras. El uso de las redes neuronales ha demostrado un alto grado de rendimiento,  
prometiendo una alerta temprana incluso usando datos limitados en su aplicación y algo  
destacable, una red neuronal puede ser actualizada sin generar la necesidad de repetir un  
entrenamiento en la misma (Brockett et al. 1994). Corazza et al (2021) indican que las redes  
neuronales muestran resultados efectivos y en este contexto son muchos los esfuerzos para el  
desarrollo de modelos predictivos.  
Romani et al. (2002) afirman que de acuerdo con su estudio las redes neuronales artificiales  
demuestran gran superioridad en rendimiento ante otros modelos como la regresión logit o un  
análisis discriminante siendo estos modelos estadísticos.  
Abedin et al (2018) demuestran, de manera empírica, que al predicir la insolvencia la  
utilización de redes neuronales probabilísticas genera resultados más robustos que incluso al  
compararlo con otro método artificial como el basado en una máquina de vectores de soporte. Do  
Prado et al (2019) para prever la posible insolvencia compararon los métodos de análisis  
discriminante, regresión logística y redes neuronales, llegando a la conclusión de que el modelo  
de redes neuronales presentó un mejor resultado. Finalmente, el trabajo de Nadali et al. (2020) al  
analizar a Pymes en Italia sugiere que el uso de redes neuronales para el cálculo del riesgo  
insolvencia podría producir resultados mejores en el futuro.  
Algunas desventajas, según López et al. (2014) los modelos de redes neuronales mantienen  
interacciones pequeñas por lo que es necesario eliminar algunas de las variables y tomar las más  
significativas para el desarrollo, por lo que, consideran que no son mejores que los modelos  
matemáticos pese a que arrojen resultados dentro de lo aceptable. Rodríguez et al. (2014)  
desarrollan un modelo de predicción paramétrico de inteligencia artificial para predecir el riesgo  
de fracaso financiero y determinaron que el modelo predictivo se debilita con el tiempo y requiere  
una mayor cantidad de variables para obtener un resultado aceptable debido a que las  
organizaciones analizadas no presentan un perfil claro, derivado de su afán por permanecer en  
operación, estas asumen medidas que si bien pueden llegar a retrasar el fracaso financiero, generan  
ciertos desequilibrios y no evitan el fracaso inminente.  
Adicionalmente, es necesario mencionar que los resultados dependerán de la calidad de la  
información financiera, la cual si no es fidedigna puede generar una predicción errónea. Pese a que  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
281  
Maryann Katherine Ludeña Dávila y Luis Bernardo Tonon Ordóñez  
ISSN 2477-9024. Innova Research Journal (Septiembre-Diciembre, 2021). Vol. 6, No. 3, pp. 270-287  
el uso de redes neuronales artificiales se evidencia en estudios sobre la predicción del riesgo de  
insolvencia su mecanismo, estructura y clasificación no son muy bien comprendidas por lo que se  
ha tornado difícil aprovechar el potencial de esta metodología (Zhang et al., 1999).  
Sin embargo, y a pesar de las dificultades que las redes neuronales presentan se ha  
evidenciado mediante la revisión bibliográfica que existe una amplia aplicación en el pronóstico  
de variables financieras (Del Carpio Gallegos, 2005). Altman et al. (1994) señalan los principales  
problemas o desventajas, dado que la metodología no es dominada puede presentar: demora en el  
aprendizaje, una deficiente configuración y que el análisis de las ponderaciones llega a ser  
complejo tornando difícil detectar errores.  
Por otro lado, Barrow y Crone (2016) mencionan que la aplicación de redes neuronales al  
tener una etapa de entrenamiento y otra de validación, requiere el mayor número de observaciones  
posibles y de datos reales para que la estimación sea real y efectiva; por lo que el tener pocas  
observaciones puede volver pobre la estimación.  
Conclusiones  
Los distintos factores que generan el riesgo de insolvencia, así como los indicadores y  
metodologías que se usan para su cálculo se encuentran establecidos claramente en la literatura y  
se conocen como tradicionales, pero a lo largo de esta investigación se pudo evidenciar una rama  
muy amplia de aplicación en el uso de redes neuronales artificiales para dicho cálculo. Hoy en día  
en un mundo globalizado y tecnológico es necesario incursionar en nuevas metodologías  
inteligentes que nos permitan ser menos operativos y más eficientes en el uso del tiempo, ya que  
dichas técnicas inteligentes facilitan el cálculo del riesgo de insolvencia demostrando un alto grado  
de efectividad en los resultados que presentan frente a las tradicionales, permitiendo ir más allá de  
una predicción simple, dando acceso a una toma de decisiones y planificación de estrategias  
anticipadas para prevenir una insolvencia total de las empresas. Por lo que, según su amplia  
aplicación para la predicción de riesgo de insolvencia, además de los resultados citados a lo largo  
de la revisión bibliográfica, se puede afirmar que el uso de redes neuronales para el cálculo del  
riesgo financiero es más efectivo que las metodologías tradicionales debido a su alto grado de  
efectividad, además de considerar variables en su totalidad, siempre y cuando las mismas sean  
correctamente aplicadas pues, de ellas depende el buen resultado que presente la red.  
El uso de redes neuronales artificiales en las distintas aplicaciones que existen en la  
literatura, nos permiten estudiar los factores e indicadores de mayor incidencia al momento de  
establecer el auto-aprendizaje de la red para generar resultados acordes a la realidad de los  
diferentes tipos de organizaciones, ya que si bien la estructura de la red para el cálculo del riesgo  
de insolvencia es generalizada, (constando de 3 capas: entrada, oculta y salida), su número de  
nodos dependerá del número de variables a utilizarse en el modelo, de hecho se podría estudiar las  
variables de mayor incidencia para cada sector económico en específico debido a sus diferentes  
estándares de validación ante el nivel del riesgo de insolvencia que presenta dicho sector  
económico, para posteriormente someter a la red a las etapas de aprendizaje y validación para así  
poder garantizar la efectividad de la misma.  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
282  
Calculando el riesgo de insolvencia, de los métodos tradicionales a las redes neuronales artificiales. Una revisión de  
literatura  
Referencias bibliográficas  
Abdelwahed, T., & Amir, E. (2005). New evolutionary bankruptcy forecasting model based on  
genetic algorithms and neural networks. 17th IEEE International Conference on Tools  
with Artificial Intelligence (ICTAI'05). https://doi.org/10.1109/ICTAI.2005.92  
Abedin, M., Guotai, C., Colombage, S., & Fahmida-E-Moula. (2018). Credit default prediction  
using a support vector machine and a probabilistic neural network. Journal of Credit Risk,  
1
4(2), 1-27. https://doi.org/10.21314/JCR.2017.233  
Alaka, H., Oyedele, L., Owolabi, H., Oyedele, A., Akinade, O., Bilal, M., & Ajayi, S. (2017).  
Critical factors for insolvency prediction: towards a theoretical model for the construction  
industry. International Journal of Construction Management, 17(1), 25-49.  
https://doi.org/10.1080/15623599.2016.1166546  
Alam, P., Booth, D., Lee, K., & Thordarson, T. (2000). The use of fuzzy clustering algorithm and  
self-organizing neural networks for identifying potentially failing banks: an experimental  
study. Expert Systems with Applications, 18(3), 185-199. https://doi.org/10.1016/S0957-  
4
174(99)00061-5  
Alfaro, E., García, N., Gámez, M., & Elizondo, D. (2008). Bankruptcy forecasting: An empirical  
comparison of AdaBoost and neural networks. Decision Support Systems, 45(1), 110-122.  
https://doi.org/10.1016/j.dss.2007.12.002  
Allen, F., & Gale, D. (2004). Competition and Financial Stability. Journal of Money, Credit, and  
Banking, 36(3).  
Altman, E. (1968). Financial ratios, discriminant analysis and the prediction of corporate  
bankruptcy. Journal of Finance, 23, 589-609. https://doi.org/10.1111/j.1540-  
6
261.1968.tb00843.x  
Altman, E. (1983). Corporate financial distress: A complete guide to predicting avoiding and  
dealing with failedcy. New York: John Wiley and Sons.  
Altman, E. (2001). Bankruptcy, Credit Risk and High Yield Junk Bonds. New York: Blackwell  
Publishing.  
Altman, E., Marco, G., & Varetto, F. (1994). Corporate distress diagnosis: Comparisons using  
linear discriminant analysis and neural networks (the Italian experience). Journal of  
banking & finance, 18(3), 505-59. https://doi.org/10.1016/0378-4266(94)90007-8  
Aminian, F., Suarez, E., Aminiam , M., & Walz, D. (2006). Forecasting economic data with neural  
networks. Computational Economics, 28(1), 71-88. https://doi.org/10.1007/s10614-006-  
9
041-7  
Atiya, A. (2001). Bankruptcy prediction for credit risk using neural networks: A survey and new  
results. IEEE Transactions on neural networks, 12(4), 929-935.  
https://doi.org/10.1109/72.935101  
Back, B., Oosterom, G., Sere, K., & Van Wezel, M. (1994). A comparative study of neural  
networks in bankruptcy prediction. Proc. Conf. on Artificial Intelligence Res. in Finland,  
1
40-148.  
Obtenido  
de  
https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.137.2473&rep=rep1&type=  
pdf  
Baek, J., & Cho, S. (2003). Bankruptcy prediction for credit risk using an auto-associative neural  
network in Korean firms. In 2003 IEEE International Conference on Computational  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
283  
Maryann Katherine Ludeña Dávila y Luis Bernardo Tonon Ordóñez  
ISSN 2477-9024. Innova Research Journal (Septiembre-Diciembre, 2021). Vol. 6, No. 3, pp. 270-287  
Intelligence  
https://doi.org/10.1109/CIFER.2003.1196237  
Barboza, F., Kimura, H., & Altman, E. (2017). Machine learning models and bankruptcy  
prediction. Expert Systems with Applications, 83, 405–417.  
https://doi.org/10.1016/j.eswa.2017.04.006  
for  
Financial  
Engineering,  
2003.,  
25-29.  
Barrow, D., & Crone, S. (2016). Cross-validation aggregation for combining autoregressive neural  
network forecasts. International Journal of Forecasting, 32(4), 1120–1137.  
https://doi.org/10.1016/j.ijforecast.2015.12.011  
Beaver, W. (1966). Financial Ratios As Predictors of Failure. Journal of Accounting Research, 4,  
7
1-111. https://doi.org/10.2307/2490171  
Bešlić, D., Jakšić, D., Bešlić, I., & Andrić, M. (2018). Insolvency prediction model of the  
company: the case of the Republic of Serbia. Economic research-Ekonomska  
istraživanja, 31(1), 139-157. https://doi.org/10.1080/1331677X.2017.1421990  
Binner, J., Gazely, A., Chen, S., & Chie, B. (2004). Financial innovation and Divisia money in  
Taiwan: Comparative evidence from neural network and vector error‐correction  
forecasting  
models.  
Contemporary  
Economic  
Policy,  
22(2),  
213-224.  
https://doi.org/10.1093/cep/byh015  
Boyacioglu, M., Kara, Y., & Baykan, Ö. (2009). Predicting bank financial failures using neural  
networks, support vector machines and multivariate statistical methods: A comparative  
analysis in the sample of savings deposit insurance fund (SDIF) transferred banks in  
Turkey.  
Expert  
Systems  
with  
Applications,  
36(2),  
3355-3366.  
https://doi.org/10.1016/j.eswa.2008.01.003  
Brigham, E., & Ehrhardt, M. (2007). Financial Management: Theory and Practice (14 ed.). South-  
Western Cengage Learning.  
Brockett, P., Cooper, W., Golden, L., & Pitaktong, U. (1994). A neural network method for  
obtaining an early warning of insurer insolvency. Journal of Risk and Insurance, 402-  
4
24. https://doi.org/10.2307/253568  
Caporale, G., Cerrato, M., & Zhang, X. (2017). Analysing the determinants of insolvency risk for  
general insurance firms in the UK. Journal of Banking and Finance, 84, 107-122.  
https://doi.org/10.1016/j.jbankfin.2017.07.011  
Charalambous, C., Charitou, A., & Kaourou, F. (2000). Comparative analysis of artificial neural  
network models: Application in bankruptcy prediction. Annals of operations research,  
9
9(1), 403-425. https://doi.org/10.1023/A:1019292321322  
Conti, D., Simó, C., & Rodríguez, A. (2005). Teoría de carteras de inversión para la diversificación  
del riesgo: enfoque clásico y uso de redes neuronales artificiales (RNA). Ciencia e  
Ingeniería, de  
https://www.redalyc.org/pdf/5075/507550773006.pdf  
Corazza, M., De March, D., & di Tollo, G. (2021). Design of adaptive Elman networks for credit  
risk assessment. Quantitative Finance, 21(2), 323–340.  
https://doi.org/10.1080/14697688.2020.1778175  
Del Carpio Gallegos, J. (2005). Las Redes Neuronales en las Finanzas. Revista de la Facultad de  
Ingeniería Industrial, 8(2), 28-32.  
http://200.62.146.34/bitstream/handle/123456789/1936/industrial_data04v8n2_2005.pdf  
sequence=1&isAllowed=y  
26(1),  
35-42.  
Obtenido  
?
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
284  
Calculando el riesgo de insolvencia, de los métodos tradicionales a las redes neuronales artificiales. Una revisión de  
literatura  
Dinca, G., Baba, M., Dinca, M., Dauti, B., & Deari, F. (2017). Insolvency risk prediction using  
the logit and logistic models: Some evidences from Romania. Economic Computation  
and Economic Cybernetics Studies and Research, 51(4), 139-157.  
Do Prado, J., De Melo, F., Carvalho, G., & Ribeiro, A. (2019). Analysis of credit risk faced by  
public companiesin Brazil: an approach based on discriminant analysis, logistic  
regression and artificial neural networks. Estudios Gerenciales, 35(153), 347–360  
Du Jardin, P. (2010). Predicting bankruptcy using neural networks and other classification  
methods: The influence of variable selection techniques on model accuracy.  
Neurocomputing, 73, 2047-2060. https://doi.org/10.1016/j.neucom.2009.11.034  
Ecer, F. (2013). Comparing the bank failure prediction performance of neural networks and  
support vector machines: The Turkish case. Economic research-Ekonomska istraživanja,  
2
6(3), 81-98. https://doi.org/10.1080/1331677X.2013.11517623  
FitzPatrick, P. (1932). Average Ratios of Twenty Representative Industrial Failures. The Certified  
Public Accountant, 13-18.  
Giacosa, E., Halili, E., Mazzoleni, A., Teodori, C., & Veneziani, M. (2016). Re-estimation of  
company insolvency prediction models: survey on Italian manufacturing companies.  
Corporate  
Ownership  
and  
Control,  
14(1-1),  
159-174.  
http://doi.org/10.22495/cocv14i1c1p1  
Hensher, D., Jones, S., & Greene, W. (2007). An error component logit analysis of corporate  
bankruptcy and insolvency risk in Australia. Economic Record, 83(260), 86-103.  
https://doi.org/10.1111/j.1475-4932.2007.00378.x  
Khediri, K., Charfeddine, L., & Yousseef, S. (2015). Islamic versus conventional banks in the  
GCC countries: A comparative study using classification techniques. Research in  
International  
Business  
and  
Finance,  
33,  
75-98.  
https://doi.org/10.1016/j.ribaf.2014.07.002  
Kim, S. (2011). Prediction of hotel bankruptcy using support vector machine, artificial neural  
network, logistic regression, and multivariate discriminant analysis. The Service  
Industries Journal, 31(3), 441-468. https://doi.org/10.1080/02642060802712848  
Kumar, P., & Ravi, V. (2007). Bankruptcy prediction in banks and firms via statistical and  
intelligent techniques–A review. European journal of operational research, 180(1), 1-28.  
https://doi.org/10.1016/j.ejor.2006.08.043  
Lahmiri, S., & Bekiros, S. (2019). Can machine learning approaches predict corporate bankruptcy?  
Evidence from a qualitative experimental design. Quantitative Finance, 19(9), 1569–  
1
577. https://doi.org/10.1080/14697688.2019.1588468  
Lepetit, L., & Strobel, F. (2015). Bank Insolvency Risk and Z-Score Measures: A Refinement.  
Finance Research Letters, 13, 214-224. http://doi.org/10.1016/j.frl.2015.01.001  
Leshno, M., & Spector, Y. (1996). Neural network prediction analysis: The bankruptcy case.  
Neurocomputing, 10(2), 125-147. https://doi.org/10.1016/0925-2312(94)00060-3  
Mohammadian, M. (2012). Artificial intelligence applications for risk analysis, risk prediction and  
decision making in disaster recovery planning. IFIP Advances in Information and  
Communication Technology, 382, 155-65. https://doi.org/10.1007/978-3-642-33412-  
2
_16  
Nadali, L., Corazza, M., Parpinel, F., & Pizzi, C. (2020). Recurrent ANNs for Failure Predictions  
on Large Datasets of Italian SMEs. In Neural Approaches to Dynamics of Signal  
Exchanges (Vol. 151, pp. 145–156). https://doi.org/10.1007/978-981-13-8950-4  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
285  
Maryann Katherine Ludeña Dávila y Luis Bernardo Tonon Ordóñez  
ISSN 2477-9024. Innova Research Journal (Septiembre-Diciembre, 2021). Vol. 6, No. 3, pp. 270-287  
Nasir, M., John, R., Bennett, S., & Russell, D. (2000). Predicting corporate bankruptcy using  
modular neural networks. In Proceedings of the IEEE/IAFE/INFORMS 2000 Conference  
on Computational Intelligence for Financial Engineering (CIFEr), 86-91.  
https://doi.org/10.1109/CIFER.2000.844606  
Obermann, L., & Waack, S. (2015). Demonstrating non-inferiority of easy interpretable methods  
for insolvency prediction. Expert Systems with Applications, 42(23), 9117-9128.  
https://doi.org/10.1016/j.eswa.2015.08.009  
Odom, M., & Sharda, R. (1990). A neural network model for bankruptcy prediction. In 1990  
IJCNN International Joint Conference on neural networks., 163-168.  
https://doi.org/10.1109/IJCNN.1990.137710  
Ohlson, J. (1980). Financial Ratios and the Probabilistic Prediction of Bankruptcy. Journal of  
Accounting Research, 18(1). https://doi.org/10.2307/2490395  
Orellana, I., Tonon, L., Reyes, M., Pinos, L., & Cevallos, E. (2020). Riesgos financieros en el  
sector manufacturero del Ecuador (1.a ed.). Casa editora Universidad del Azuay.  
Rodríguez, M., Piñeiro, C., & De Llano, P. (2014). Determinación del riesgo de fracaso financiero  
mediante la utilización de modelos paramétricos, de inteligencia artificial, y de  
información  
de  
auditoría.  
Estudios  
de  
economia,  
41(2),  
187-217.  
http://doi.org/10.4067/S0718-52862014000200002  
Romani, G., Bravo, A., Aroca, P., Aguirre, N., Vega, P., y Carrazana, J. (2002). Modelos de  
clasificación y predicción de quiebra de empresas: Una aplicación a empresas chilenas.  
Forum empresarial, 7(1). https://dialnet.unirioja.es/servlet/articulo?codigo=6230228  
Rubin, P. (1990). A comparison of linear programming and parametric approaches to the two‐  
group  
discriminant  
problem.  
Decision  
Sciences,  
21(2),  
373-386.  
https://doi.org/10.1111/j.1540-5915.1990.tb01691.x  
Rustam, Z., & Yaurita, F. (2018). Insolvency Prediction in Insurance Companies Using Support  
Vector Machines and Fuzzy Kernel C-Means. Journal of Physics: Conference Series,  
1
028(1), 012118. https://doi.org/10.1088/1742-6596/1028/1/012118  
Taffler, R. (1983). The assessment of company solvency and performance using a statistical model.  
Accounting and Business Research, 13(52), 295-308.  
https://doi.org/10.1080/00014788.1983.9729767  
Tay, F., & Shen, L. (2002). Economic and financial prediction using rough sets model. European  
Journal of Operational Research, 141(3), 641-659. https://doi.org/10.1016/S0377-  
2
217(01)00259-4  
Thakor, A. (2018). Post-crisis regulatory reform in banking: Address insolvency risk, not  
illiquidity! Journal of Financial Stability, 37, 107-111.  
https://doi.org/10.1016/j.jfs.2018.03.009  
Tseng, F., & Hu, Y. (2010). Comparing four bankruptcy prediction models: Logit, quadratic  
interval logit, neural and fuzzy neural networks. Expert Systems with Applications, 37(3),  
1
846-1853. https://doi.org/10.1016/j.eswa.2009.07.081  
Valdes, M., Aleaga, A., y Vidal, G. (2014). Redes neuronales artificiales en la predicción de  
insolvencia. Un cambio de paradigma ante recetas tradicionales de prácticas  
empresariales. Enfoque UTE, 5(2), 38-58. https://doi.org/10.29019/enfoqueute.v5n2.39  
Wilson, R., & Sharda, R. (1994). Bankruptcy prediction using neural networks. Decision support  
systems, 11(5), 545-557. https://doi.org/10.1016/0167-9236(94)90024-8  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
286  
Calculando el riesgo de insolvencia, de los métodos tradicionales a las redes neuronales artificiales. Una revisión de  
literatura  
Zhang, G., Hu, M., Patuwo, B., & Indro, D. (1999). Artificial neural networks in bankruptcy  
prediction: General framework and cross-validation analysis. European journal of  
operational research, 116(1), 16-32. https://doi.org/10.1016/S0377-2217(98)00051-4  
Esta obra se comparte bajo la licencia Creative Common Atribución-No Comercial 4.0 International (CC BY-NC 4.0)  
Revista de la Universidad Internacional del Ecuador. URL: https://www.uide.edu.ec/  
287