Insolvencia con modelos de regresión logística con regularización Elastic Net, Mars, Naive Bayes del sector B - Explotación de minas y canteras del 2015 al 2024

Abstract

Este estudio analiza la insolvencia empresarial del sector B de explotación de minas y canteras en Ecuador durante el período 2015–2024, con el objetivo de identificar las variables que influyen en la probabilidad de quiebra de las empresas del sector. La investigación se centra en la predicción de la insolvencia empresarial, ya que al combinar el análisis financiero con herramientas de aprendizaje automático se logra entender de manera más clara cuáles son los factores de riesgo empresarial. En este caso, se trabajó con una base de datos de 1427 empresas, las cuales mostraron que sus variables más relevantes son el tamaño de la empresa, el nivel de endeudamiento, la liquidez y la rentabilidad. Para poder desarrollar esta investigación, primero se utilizó un modelo de regresión logística, el cual permitió analizar el comportamiento de los indicadores financieros en relación con la probabilidad de quiebra. Luego se incorporaron modelos más avanzados como Elastic Net, MARS y Naive Bayes dentro de un enfoque de aprendizaje automático, con el fin de mejorar la capacidad predictiva y seleccionar automáticamente las variables más relevantes. Los resultados muestran que el endeudamiento, la liquidez y la rentabilidad son factores clave que explican el riesgo de insolvencia en las empresas. Por otro lado, se observa que el modelo MARS presenta un mejor desempeño frente a los modelos tradicionales, ya que es capaz de captar relaciones no lineales en las variables y ofrecer estimaciones más estables.