Evolución de los modelos de predicción de riesgo crediticio: una revisión bibliométrica de técnicas basadas en inteligencia artificial
DOI:
https://doi.org/10.5281/zenodo.13844854Palabras clave:
riesgo crediticio, inteligencia artificial, machine learning, redes neuronales, deep learning, análisis bibliométrico, predicción de créditoResumen
La inteligencia artificial (IA) está transformando rápidamente la predicción del riesgo crediticio, permitiendo la creación de modelos más precisos y eficientes. Esta revisión bibliométrica analiza la evolución de este campo a través del análisis de 19 estudios publicados entre 2010 y 2024, extraídos de Scopus y Web of Science. Se observa un crecimiento sostenido en el número de publicaciones, reflejando el creciente interés por el tema. El análisis revela la prominencia de autores como Hernández (2024) y Valbuena & Meneses (2021), así como la concentración de estudios en instituciones latinoamericanas. Se identifica una tendencia hacia la adopción de técnicas de IA más sofisticadas, como las redes neuronales profundas y el aprendizaje por refuerzo. La discusión aborda los desafíos de la explicabilidad de los algoritmos y el riesgo de sesgo en los datos. Se sugieren futuras líneas de investigación, como la aplicación de la IA en mercados emergentes y la integración con tecnologías como el blockchain.
Descargas
Citas
Addo, P., Guegan, D., & Hassani, B. (2018). Credit risk analysis using machine and deep learning models. Risks, 6(2), 38. https://www.mdpi.com/2227-9091/6/2/38
Agudelo, O. (2023). Identificación de deserción temprana en la Universidad de Manizales con aprendizaje automático, como parte de la estrategia de prevención [Tesis de pregrado]. Repositorio Universidad de Manizales. https://ridum.umanizales.edu.co/handle/20.500.12746/6472
Arévalo, V., & González, H. (2024). Incidencia de la inteligencia artificial en la toma de decisiones del sector bancario como actor del mercado de capitales en Colombia [Tesis doctoral]. Corporación Universitaria Minuto de Dios. https://repository.uniminuto.edu/handle/10656/19346
Thalhofer, T., & Monschke, J. (2024). Die Cloud-Aufsichtsmitteilung von BaFin und Bundesbank: Ein Leitfaden für die IT-Vertragsgestaltung. Computer und Recht, 40(6), 366-373. https://www.degruyter.com/document/doi/10.9785/cr-2024-400605/html
Becerra, C. (2022). Innovación en pagos digitales en el Perú: Retos al 2030 [Tesis de maestría]. Repositorio Institucional - Pontificia Universidad Católica del Perú. https://tesis.pucp.edu.pe/repositorio/handle/20.500.12404/23425
Bellovary, J., Giacomino, D., & Akers, M. (2019). A review of bankruptcy prediction: Emerging techniques for corporate financial distress analysis. Journal of Bankruptcy Law and Practice, 28(1), 15-51. https://www.jstor.org/stable/41948574
Calistro, M., & Passara, C. (2022). Innovación financiera en el contexto digital. Revisión sistemática. INNOVA Research Journal, 7(3), 426-439. https://repositorio.ucv.edu.pe/handle/20.500.12692/98539
Canal, M., & Muñoz, J. (2023). La inteligencia artificial en la operación del negocio. Revista Científica Ingeniería y Desarrollo, 5(1). https://repositorioacademico.upc.edu.pe/handle/10757/668213
Díaz, N., & Tarazona, Z. (2024). Aplicaciones de la inteligencia artificial en la Ingeniería financiera línea de investigación inversiones. Cuadernos de Investigación UNED, 16(1). https://repository.unab.edu.co/handle/20.500.12749/25249
Espinosa, L., Jimenez, C., & Ramirez, K. (2024). Análisis de las anomalías contables en las organizaciones de economía solidaria. CUNOA Ciencia Abierta, 6(1). https://repository.ucc.edu.co/entities/publication/fd0547ad-f111-4ad9-aea0-e346cfcd5872
Fajardo, J., Toscano, A., García, H., & Llanos, J. (2023). Artificial Intelligence and Auditing: Trends in scientific literature. Panorama Económico, 31(2). https://www.researchgate.net/profile/Anibal-Toscano-Hernandez/publication/378351968_Inteligencia_Artificial_y_Auditoria_Tendencias_de_la_literatura_cientifica/links/65d67224adc608480ade7a76/Inteligencia-Artificial-y-Auditoria-Tendencias-de-la-literatura-cientifica.pdf
Franco, Y. (2023). Machine learning aplicado a dificultades financieras y quiebra empresarial: Una revisión de literatura. Avances en Investigación científica, 277. https://www.researchgate.net/profile/Nelson-Fonseca-Carreno/publication/371250033_libro_4_tomo_4_Ciencias_multidisciplinarias/links/647a24832cad460a1bee2f56/libro-4-tomo-4-Ciencias-multidisciplinarias.pdf#page=277
Giraldo, A., & Marín, L. (2019). Modelo de scoring para el otorgamiento de crédito a pequeñas empresas inscritas en la superintendencia de sociedades. Revista Observatorio de la Economía Latinoamericana, (agosto 2019). https://repository.eia.edu.co/bitstreams/edc499de-86a3-4b89-8178-c4a430245e73/download
Gutiérrez, B., & Serrano, C. (2019). La relación entre la calidad de la información contable, la quiebre de las empresas y el desarrollo humano. Revista Española de Financiación y Contabilidad, 48(3), 363–397. https://zaguan.unizar.es/record/89955/files/TESIS-2020-099.pdf?version=1
Hernández, S. (2024). Inteligencia Artificial en los servicios bancarios. Una revisión bibliométrica. Región Científica, 3(2). https://rc.cienciasas.org/index.php/rc/article/view/335
Huang, K. (2024). Estudio bibliográfico sobre la aplicación en inteligencia artificial y análisis de big data a gestión de calidad de proyectos de ingeniería civil [Tesis de maestría]. Universidad Politécnica de Madrid. https://riunet.upv.es/handle/10251/203508
Mehrabi, N., Morstatter, F., Saxena, N., Lerman, K., & Galstyan, A. (2021). A survey on bias and fairness in machine learning. ACM Computing Surveys (CSUR), 54(5), 1-35. https://dl.acm.org/doi/abs/10.1145/3457607
Palma, J. (2024). Análisis sobre el impacto de los navegadores web a partir de las ciencias del comportamiento [Tesis de pregrado]. Repositorio Universidad Peruana de Ciencias Aplicadas (UPC). https://dspace.ups.edu.ec/handle/123456789/27866
Portela, F. G., Cárdenas, S. R., Ospina, L. P. P., & Aros, L. H. (2023). Estudio de la prevención y detección de fraudes financieros a través de técnicas de aprendizaje automático. CAFI, 6(1), 77-101. https://revistas.pucsp.br/CAFI/article/view/58372
Quispe, J. (2023). La gestión del riesgo en la administración financiera: Estrategias y herramientas. Business Innova Sciences, 4(3), 25-44. http://innovasciencesbusiness.org/index.php/ISB/article/view/159
Ramos, M. (2022). Fraude contable y aspectos psicológicos de los defraudadores: Una aproximación aplicando ecuaciones estructurales y minería de textos [Tesis doctoral]. Universidad de La Laguna. https://accedacris.ulpgc.es/handle/10553/119595
Valbuena, M., & Meneses, F. (2021). Predicción de la quiebra en las empresas. Una revisión de literatura. Revista Activos, 19(1), 112-142. https://revistas.usantotomas.edu.co/index.php/activos/article/view/6684
Publicado
Cómo citar
Número
Sección
Licencia
Los autores ceden en exclusiva el derecho de publicación de su artículo a nuestra revista, que podrá editar o modificar formalmente el texto aprobado para cumplir con las normas editoriales propias y con los estándares gramaticales universales, antes de su publicación; asimismo, nuestra revista podrá traducir los manuscritos aprobados a cuantos idiomas considere necesario y difundirlos en varios países, dándole siempre el reconocimiento público al autor o autores de la investigación.
