Aplicación de inteligencia artificial para la predicción del estrés financiero en empresas del sector de recogida y tratamiento de aguas residuales

• Ogosi Auqui José Antonio ^[1] ; Lira Camargo Jorge ^[2] ; Guadalupe Mori Víctor Hugo ^[3] ; Lira Camargo Zoila Rosa ^[4] ; Cacsire Castillo Maria Pilar ^[3]
  1. [1] Universidad Tecnológica del Perú,Lima Perú
  2. [2] Universidad Nacional Federico Villareal, Lima Perú
  3. [3] Universidad Privada San Juan Bautista,Lima Perú
  4. [4] Universidad Nacional de Barranca, Lima Perú

  Mostrar afiliaciones +
• Localización: RISTI: Revista Ibérica de Sistemas e Tecnologias de Informação, ISSN-e 1646-9895, Nº. Extra 58, 2023, págs. 152-160
• Idioma: español
• Títulos paralelos:
  • Application of Artificial Intelligence for the prediction of financial stress in companies in the wastewater collection and treatment sector
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Wastewater management is an issue of great importance for today’s society. This importance, which has increased in recent years due to the scarcity of water resources, can also be observed from different points of view: economic, environmental, sanitary, etc. Fundamental actors in the management of this resource are the companies that provide the service. Thus, their good performance becomes a key aspect in guaranteeing the quality of the service and, in order for them to achieve this good performance, it is essential for them to be financially healthy.

    In this sense, having a tool that would make it possible to foresee the bankruptcy of this type of company years in advance would be very useful to prevent stakeholders, public administration, the environment.

  • español

    La gestión de aguas residuales es una cuestión de gran importancia para la sociedad actual. Dicha importancia, la cual se ha visto incrementada en los últimos años por la escasez de recursos hídricos, se puede observar además desde diferentes puntos de vista, el económico, el ambiental, el sanitario, etc. Actores fundamentales en la gestión de este recurso son las empresas proveedoras del servicio. Así, el que éstas tengan un buen desempeño se vuelve un aspecto clave para garantizar la calidad del servicio y, para que puedan lograr el citado buen desempeño, el que cuenten con salud financiera resulta clave. En este sentido, disponer de una herramienta que permita prever la bancarrota de este tipo de empresas con años de antelación resultaría de gran utilidad para evitar a los stakeholders, administración pública, entorno.

• Referencias bibliográficas
  • Alzubi, O. A., Alzubi, J. A., Alweshah, M., Qiqieh, I., Al-Shami, S., & Ramachandran, M. (2020). An optimal pruning algorithm of classifier...
  • Arji, G., Ahmadi, H., Nilashi, M., Rashid, T. A., Ahmed, O. H., Aljojo, N., & Zainol, A. (2019). Fuzzy logic approach for infectious disease...
  • Armstrong, R. A. (2014). When to use the Bonferroni correction. Ophthalmic & physiological optics: the journal of the British College...
  • Bauer, J., & Agarwal, V. (2014). Are hazard models superior to traditional bankruptcy prediction approaches? A comprehensive test. Journal...
  • Belda, I. (2019). Inteligencia artificial. RBA Libros.
  • Chen, M.-Y. (2013). A hybrid ANFIS model for business failure prediction utilizing particle swarm optimization and subtractive clustering....
  • Clark, S., Sisson, S. A., & Sharma, A. (2020). Tools for enhancing the application of selforganizing maps in water resources research...
  • Diez Pérez, O. R. (2021). Informe de vigilancia tecnológica: Inteligencia artificial.
  • Divsalar, M., & Roodsaz, H. (2012). A Robust Data-Mining Approach to Bankruptcy Prediction. Journal of Forecasting, 523(March 2011), 504-523.
  • Du Jardin, P. (2017). Dynamics of firm financial evolution and bankruptcy prediction. Expert Systems with Applications, 75, 25-43. https://doi.org/10.1016/j. eswa.2017.01.016
  • González Martín, J. M. (2017). Aplicación de inteligencia artificial en la detección de problemas financieros (Doctoral dissertation).
  • Hsu, C.-W., Chang, C.-C., & Lin, C.-J. (2016). A Practical Guide to Support Vector Classification.
  • Jayalakshmi, M., Garg, L., Maharajan, K., Jayakumar, K., Srinivasan, K., Bashir, A. K., & Ramesh, K. (2021). Fuzzy logic-based health...
  • Martín, J. M. G. (2017). Aplicación de inteligencia artifical en la detección de problemas financieros (Doctoral dissertation, Universidad...
  • Morales, I. R., Reyes, B. R., & Montealegre, J. G. (2015). Innovación tecnológica en el sector agropecuario (Doctoral dissertation, tesis...
  • Nouri, B. A., & Soltani, M. (2016). Designing a Bankruptcy Prediction Model Based on Account, Market and Macroeconomic Variables, 9(1),...
  • ONU (2017). Informe Mundial sobre el Desarrollo de los Recursos Hídricos de las Naciones Unidas 2017: Las aguas residuales: el recurso desaprovechado,...
  • Okwuashi, O., & Ndehedehe, C. E. (2020). Deep support vector machine for hyperspectral image classification. Pattern Recognition, 103,...
  • Pisner, D. A., & Schnyer, D. M. (2020). Support vector machine. In Machine learning (pp. 101-121). Academic Press.
  • Stankovic, M., Hasanbeigi, A., Neftenov, M. N., Ventures, T. I., Basani, M., Núñez, A., & Ortiz, R. (2020). Uso de tecnologías de la 4RI...
  • Tama, B. A., Comuzzi, M., & Rhee, K. H. (2019). TSE-IDS: A two-stage classifier ensemble for intelligent anomaly-based intrusion detection...
  • Tsai, Hsu, Y. F., & Yen, D. C. (2014). A comparative study of classifier ensembles for bankruptcy prediction. Applied Soft Computing Journal,...
  • Zendehboudi, A., Baseer, M. A., & Saidur, R. (2018). Application of support vector machine models for forecasting solar and wind energy...
  • Zhu, G., Wu, X., Ge, J., Liu, F., Zhao, W., & Wu, C. (2020). Influence of mining activities on groundwater hydrochemistry and heavy metal...