Resumen
En Ecuador existe una gran cantidad de cooperativas de ahorro y crédito (COAC), específicamente un total de 852, las cuales están divididas en 5 segmentos en función de la cantidad de sus activos. En la actualidad el 66% del microcrédito obtenido dentro del país corresponde al sistema cooperativo. Sin embargo, sólo 35 de 58 COAC (segmento 1 y 2) presentan historiales de calificaciones de riesgo. El propósito de esta investigación es crear una red neuronal que presente un porcentaje de precisión aceptable, para clasificar una COAC dentro de una escala de riesgo con base al valor de sus índices financieros; ayudando a la detección temprana de problemas futuros. La red neuronal artificial (ANN, del inglés Artificial Neural Network) fue ajustada a partir de datos obtenidos a través de la Superintendencia de Economía Pública y Solidaria para COAC que presentaban un alto índice de activos. Adicionalmente, se usó el historial de calificaciones de riesgo trimestrales generadas por entes calificadoras en el mismo lapso: enero 2015 - septiembre 2017. Se obtuvo una ANN con una precisión de clasificación del 79.59%, porcentaje que está dentro del rango de precisión obtenido por estudios revisados para actividades de clasificación en entidades financieras. Se podría mejorar aún más los resultados de clasificación con la utilización de una estructura de clasificación jerárquica.Referencias
[1] Q. Yu, Y. Miche, E. Séverin and A. Lendasse, “Bankruptcy prediction using Extreme Learning Machine and financial expertise,” Neurocomputing, vol. 128, pp. 296-302, 2014.
[2] P. A. Maithili, “Neural network towards business forecasting,” IOSR Journal of Engineering, vol. 02, no. 04, pp. 831-836, 2012.
[3] F. Amato, A. López, E. Peña-Méndez, P. Vaňhara, A. Hampl and J. Havel, “Artificial neural networks in medical diagnosis”, Journal of Applied Biomedicine, vol. 11, no. 2, pp. 47-58, 2013.
[4] E. Molga, B. van Woezik and K. Westerterp, “Neural networks for modelling of chemical reaction systems with complex kinetics: oxidation of 2-octanol with nitric acid,” Chemical Engineering and Processing: Process Intensification, vol. 39, no. 4, pp. 323-334, 2000.
[5] Y. Li, A. Rauth and X. Wu, “Prediction of kinetics of doxorubicin release from sulfopropyl dextran ion-exchange microspheres using artificial neural networks,” European Journal of Pharmaceutical Sciences, vol. 24, no. 5, pp. 401-410, 2005.
[6] E. Gueguim Kana, J. Oloke, A. Lateef and M. Adesiyan, “Modeling and optimization of biogas production on saw dust and other co-substrates using Artificial Neural network and Genetic Algorithm,” Renewable Energy, vol. 46, pp. 276-281, 2012.
[7] B. Rodríguez Galdón, E. Peña-Méndez, J. Havel, E. Rodríguez Rodríguez and C. Díaz Romero, “Cluster Analysis and Artificial Neural Networks Multivariate Classification of Onion Varieties,” Journal of Agricultural and Food Chemistry, vol. 58, no. 21, pp. 11435-11440, 2010.
[8] P. Fedor, I. Malenovský, J. Vaňhara, W. Sierka and J. Havel, “Thrips (Thysanoptera) identification using artificial neural networks,” Bulletin of Entomological Research, vol. 98, no. 05, 2008.
[9] M. Khashei, A. Zeinal Hamadani and M. Bijari, “A novel hybrid classification model of artificial neural networks and multiple linear regression models,” Expert Systems with Applications, vol. 39, no. 3, pp. 2606-2620, 2012.
[10] H. Chen, R.H. Chiang, and V.C Storey, “Business intelligence and analytics: from big data to big impact,” MIS quarterly, pp.1165-1188, 2012.
[11] F. López and I. Sanz, “Bankruptcy visualization and prediction using neural networks: A study of U.S. commercial banks,” Expert Systems with Applications, vol. 42, no. 6, pp. 2857-2869, 2015.
[12] H. Li, S. Guo, C. Li and J. Sun, “A hybrid annual power load forecasting model based on generalized regression neural network with fruit fly optimization algorithm,” Knowledge-Based Systems, vol. 37, pp. 378-387, 2013.
[13] M. Zekic-Susac, N. Sarlija, and Bensic, “Small business credit scoring: a comparison of logistic regression, neural network, and decision tree models,” in 26th International Conference on Information Technology Interfaces, pp. 265-270, 2004.
[14] SOLIDARIO. S. F. P. Y, “Ley Orgánica de Economía Popular y Solidaria,” 2014.
[15] M. Bashiri and A. Farshbaf Geranmayeh, “Tuning the parameters of an artificial neural network using central composite design and genetic algorithm,” Scientia Iranica, vol. 18, no. 6, pp. 1600-1608, 2011.
[16] M. Virág and T. Kristóf, “Neural Networks in Bankruptcy Prediction - A Comparative Study on the Basis of the First Hungarian Bankruptcy Model,” Acta Oeconomica, vol. 55, no. 4, pp. 403-426, 2005.
[17] P. du Jardin, “Predicting bankruptcy using neural networks and other classification methods: The influence of variable selection techniques on model accuracy,” Neurocomputing, vol. 73, no. 10-12, pp. 2047-2060, 2010.
[2] P. A. Maithili, “Neural network towards business forecasting,” IOSR Journal of Engineering, vol. 02, no. 04, pp. 831-836, 2012.
[3] F. Amato, A. López, E. Peña-Méndez, P. Vaňhara, A. Hampl and J. Havel, “Artificial neural networks in medical diagnosis”, Journal of Applied Biomedicine, vol. 11, no. 2, pp. 47-58, 2013.
[4] E. Molga, B. van Woezik and K. Westerterp, “Neural networks for modelling of chemical reaction systems with complex kinetics: oxidation of 2-octanol with nitric acid,” Chemical Engineering and Processing: Process Intensification, vol. 39, no. 4, pp. 323-334, 2000.
[5] Y. Li, A. Rauth and X. Wu, “Prediction of kinetics of doxorubicin release from sulfopropyl dextran ion-exchange microspheres using artificial neural networks,” European Journal of Pharmaceutical Sciences, vol. 24, no. 5, pp. 401-410, 2005.
[6] E. Gueguim Kana, J. Oloke, A. Lateef and M. Adesiyan, “Modeling and optimization of biogas production on saw dust and other co-substrates using Artificial Neural network and Genetic Algorithm,” Renewable Energy, vol. 46, pp. 276-281, 2012.
[7] B. Rodríguez Galdón, E. Peña-Méndez, J. Havel, E. Rodríguez Rodríguez and C. Díaz Romero, “Cluster Analysis and Artificial Neural Networks Multivariate Classification of Onion Varieties,” Journal of Agricultural and Food Chemistry, vol. 58, no. 21, pp. 11435-11440, 2010.
[8] P. Fedor, I. Malenovský, J. Vaňhara, W. Sierka and J. Havel, “Thrips (Thysanoptera) identification using artificial neural networks,” Bulletin of Entomological Research, vol. 98, no. 05, 2008.
[9] M. Khashei, A. Zeinal Hamadani and M. Bijari, “A novel hybrid classification model of artificial neural networks and multiple linear regression models,” Expert Systems with Applications, vol. 39, no. 3, pp. 2606-2620, 2012.
[10] H. Chen, R.H. Chiang, and V.C Storey, “Business intelligence and analytics: from big data to big impact,” MIS quarterly, pp.1165-1188, 2012.
[11] F. López and I. Sanz, “Bankruptcy visualization and prediction using neural networks: A study of U.S. commercial banks,” Expert Systems with Applications, vol. 42, no. 6, pp. 2857-2869, 2015.
[12] H. Li, S. Guo, C. Li and J. Sun, “A hybrid annual power load forecasting model based on generalized regression neural network with fruit fly optimization algorithm,” Knowledge-Based Systems, vol. 37, pp. 378-387, 2013.
[13] M. Zekic-Susac, N. Sarlija, and Bensic, “Small business credit scoring: a comparison of logistic regression, neural network, and decision tree models,” in 26th International Conference on Information Technology Interfaces, pp. 265-270, 2004.
[14] SOLIDARIO. S. F. P. Y, “Ley Orgánica de Economía Popular y Solidaria,” 2014.
[15] M. Bashiri and A. Farshbaf Geranmayeh, “Tuning the parameters of an artificial neural network using central composite design and genetic algorithm,” Scientia Iranica, vol. 18, no. 6, pp. 1600-1608, 2011.
[16] M. Virág and T. Kristóf, “Neural Networks in Bankruptcy Prediction - A Comparative Study on the Basis of the First Hungarian Bankruptcy Model,” Acta Oeconomica, vol. 55, no. 4, pp. 403-426, 2005.
[17] P. du Jardin, “Predicting bankruptcy using neural networks and other classification methods: The influence of variable selection techniques on model accuracy,” Neurocomputing, vol. 73, no. 10-12, pp. 2047-2060, 2010.
Los autores que publican en el Congreso de Ciencia y Tecnología están de acuerdo con los siguientes términos: Los autores conservan los derechos de autor y garantizan al congreso el derecho de ser la primera publicación del trabajo al igual que licenciado bajo una Creative Commons Attribution License que permite a otros compartir el trabajo con un reconocimiento de la autoría del trabajo y la publicación inicial en el congreso. Los autores pueden establecer por separado acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en el congreso (por ejemplo, situarlo en un repositorio institucional o publicarlo en un libro), con un reconocimiento de su publicación inicial en este congreso. Se permite y se anima a los autores a difundir sus trabajos electrónicamente (por ejemplo, en repositorios institucionales o en su propio sitio web) antes y durante el proceso de envío, ya que puede dar lugar a intercambios productivos, así como a una citación más temprana y mayor de los trabajos publicados.