[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-123702-es":3,"doc-seo-123702-110":31,"detail-sidebar-cat-0-es-110":92},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},123702,549768064778,"Finn","https://ap-avatar.wpscdn.com/davatar_6f874abed73319feea01a86fa6f0fab8",41,"Investigación e Informes","Un análisis bibliométrico de la predicción de quiebra empresarial con Machine Learning","El objetivo del artículo es presentar un análisis bibliométrico sobre el uso de técnicas de Machine Learning en la predicción de quiebra empresarial mediante la revisión de la base de datos Web of Science. El trabajo identifica técnicas de ml aplicadas en modelos de predicción y describe su inicio y proceso de adaptación. Se obtienen 327 documentos clasificados por medidas de desempeño como AUC y precisión. Los resultados destacan que algoritmos como XGBoost, SVM, SMOTE, RF y DT superan metodologías tradicionales y que variables financieras y no financieras mejoran la estimación.","Un análisis bibliométricode la predicción de quiebra empresarial con Machine Learning  \nA Bibliometric Analysis of Business Bankruptcy Prediction with Machine Learning  \nYuly Andrea Franco*  \n* Magíster en Finanzas, Universidad Externado de Colombia, Bogotá (Colombia). DocenteInvestigadora, Observatorio de Economía y Operaciones Numéricas (odeon), Universidad Externado de Colombia. Bogotá (Colombia). [[yuly.franco1@uexternado.edu.co](yuly.franco1@uexternado.edu.co)]; [orcid id: 0000-0003-2938-9331] .  \nArtículo recibido: 10 de mayo de 2022  \nAceptado: 27 de mayo de 2022  \nPara citar este artículo:  \nFranco, Y. A. (2022) . Un análisis bibliométrico de la predicción de quiebra empresarial con Machine Learning. Odeon , 22, 87-126.  \ndoi: [https://doi.org/10.18601/17941113.n22.04](https://doi.org/10.18601/17941113.n22.04)  \n88   \nResumen  \nEl 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 mlaplicadas 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, rF y 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.  \nPalabras clave: predicción; quiebra empresarial; Machine Learning; bibliometría.  \nClasificación jel: C53, G17, G33, C63 .  \nAbstract  \nThe 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 classified by performance evaluation measure, the area under the curve (Auc) and precision (Acc), these being the most used in the classification process. In addition, 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.  \nKey words: Prediction; bankruptcy; Machine Learning; bibliometrics.  \njel classification: C53, G17, G33, C63 .  \nodeon, issn: 1794-1113, e-issn: 2346-2140, N° 22, enero-junio de 2022, pp. 87-126  \nO D E O N N º 2 2  \n 89  \nIntroducción  \nLa evaluación y el análisis permanente de la sostenibilidad financiera es un factor de interés y constante evaluación para las sociedades. Su importancia reside en que permite la protección de los intereses económicos de un Estado y la preservación de la confianza, tanto de las empresas como de la economía. Su análisis y seguimiento permite minimizar los impactos causados con la liquidación o el deterioro de una empresa . Así mismo, la tendencia relativa a lainsolvencia o quiebra .  \nLa anterior perspectiva pone de manifiesto un interés particular por revisary establecer ","cbCaieHez4lwFSyV","https://ap.wps.com/l/cbCaieHez4lwFSyV","pdf",1788902,3,1,40,"Spanish","es",110,"# Introducción\n## Quiebra empresarial","[{\"question\":\"Cuál es el objetivo del análisis bibliométrico presentado en el artículo?\",\"answer\":\"Presentar un análisis bibliométrico del uso de técnicas de Machine Learning en la predicción de quiebra empresarial, a partir de la revisión de la base de datos Web of Science.\"},{\"question\":\"Cómo se clasifican los documentos encontrados en la revisión bibliométrica?\",\"answer\":\"Los 327 documentos se clasifican por medidas de evaluación del desempeño, destacando el área bajo la curva (AUC) y la precisión (Acc) como las más usadas.\"},{\"question\":\"Qué algoritmos muestran mayor capacidad predictiva frente a metodologías tradicionales?\",\"answer\":\"XGBoost, SVM, SMOTE, RF y DT presentan una capacidad predictiva superior, con mejores resultados y mayor precisión en horizontes de tiempo previos al suceso.\"}]","Un análisis bibliométrico de la predicción de quiebra empresarial con Machine Learning | PDF",1785818094,62,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":29},"a-bibliometric-analysis-of-business-bankruptcy-prediction-with-machine-learning","",{"@graph":37,"@context":86},[38,54,69],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,49,51],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":48},"https://docshare.wps.com/es/document/","Document",2,{"item":50,"name":12,"@type":44,"position":20},"https://docshare.wps.com/es/document/investigación-e-informes/",{"item":52,"name":13,"@type":44,"position":53},"https://docshare.wps.com/es/document/a-bibliometric-analysis-of-business-bankruptcy-prediction-with-machine-learning/123702/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":24,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":42,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-11","2026-08-04",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Cuál es el objetivo del análisis bibliométrico presentado en el artículo?","Question",{"text":76,"@type":77},"Presentar un análisis bibliométrico del uso de técnicas de Machine Learning en la predicción de quiebra empresarial, a partir de la revisión de la base de datos Web of Science.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Cómo se clasifican los documentos encontrados en la revisión bibliométrica?",{"text":81,"@type":77},"Los 327 documentos se clasifican por medidas de evaluación del desempeño, destacando el área bajo la curva (AUC) y la precisión (Acc) como las más usadas.",{"name":83,"@type":74,"acceptedAnswer":84},"Qué algoritmos muestran mayor capacidad predictiva frente a metodologías tradicionales?",{"text":85,"@type":77},"XGBoost, SVM, SMOTE, RF y DT presentan una capacidad predictiva superior, con mejores resultados y mayor precisión en horizontes de tiempo previos al suceso.","https://schema.org",{"og:url":52,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":52},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":93},[94,99,103,107,111,113,117,121,125,128],{"id":95,"doc_module":4,"doc_module_name":47,"category_name":96,"show_sort_weight":97,"slug":98},39,"Cómic",60,"comic",{"id":100,"doc_module":4,"doc_module_name":47,"category_name":101,"show_sort_weight":97,"slug":102},43,"Estilo de Vida","lifestyle",{"id":104,"doc_module":4,"doc_module_name":47,"category_name":105,"show_sort_weight":97,"slug":106},38,"Examen","exam",{"id":108,"doc_module":4,"doc_module_name":47,"category_name":109,"show_sort_weight":97,"slug":110},44,"General","general",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":97,"slug":112},"research-report",{"id":114,"doc_module":4,"doc_module_name":47,"category_name":115,"show_sort_weight":97,"slug":116},37,"Literatura","literature",{"id":118,"doc_module":4,"doc_module_name":47,"category_name":119,"show_sort_weight":97,"slug":120},22,"Relatos y Novelas","story-novel",{"id":122,"doc_module":4,"doc_module_name":47,"category_name":123,"show_sort_weight":97,"slug":124},42,"Religión y Espiritualidad","religion-spirituality",{"id":22,"doc_module":4,"doc_module_name":47,"category_name":126,"show_sort_weight":97,"slug":127},"Salud y Atención Médica","healthcare",{"id":129,"doc_module":4,"doc_module_name":47,"category_name":130,"show_sort_weight":97,"slug":131},24,"Tecnología","technology"]