This page contains a Flash digital edition of a book.
(González et al., 2011; González et al., 2014).


Las Redes Neuronales Atractoras con conectividad Métrica (RNAM) presentan importantes ventajas desde el punto computacional. Al ser la conectividad diluida (número de nodos N<<K conexiones por nodos), el coste computacional de estas redes es menor al de las redes completamente conectadas (N=K), como la típica red de Hopfiled (Hopfield, 1982). Además una red con conectividad métrica significa un ahorro importante en términos de cableado dado el alto índice de clusterización y camino medio entre nodos que tiene, por ejemplo, una red de mundo pequeño (Watts and Strogatz, 1998; Bohland and Minai, 2001). El rendimiento de las RNAMs se caracteriza con dos parámetros: el solapamiento medio (definido entre el estado de la red en un instante dado y el patrón que se desea recuperar) y la capacidad de carga (número de patrones almacenados en la red).


Diferentes técnicas heurísticas han sido utilizadas para analizar problemas económicos. En Saad et al. (1998) comparan el rendimiento de 3 tipos de Redes Neuronales para predecir el comportamiento del mercado de valores. En Kim (2006) se utiliza una Red Neuronal en conjunto con Algoritmos Genéticos (Davis et al., 1991) para optimizar los parámetros de la red, también para predicciones financieras. Igualmente, Wong and Versace (2011) utiliza una Red Neuronal ARTMAP (Carpenter et al., 1992), para la toma de decisiones sensibles al contexto en el área financiera. Un problema de creciente interés en Economía y Negocios, tiene que ver con la Responsabilidad Social Empresarial y la sostenibilidad corporativa. A continuación se hace una breve introducción al análisis de reportes de Responsabilidad Social Corporativa utilizando datos tomados del GRI, y modelando la tendencia de reportes utilizando una RNAM.


2.1 Modelando patrones de Responsabilidad Social Corporativa utilizando RNAMs


El marco GRI se ha convertido en el estándar de facto para medir la sostenibilidad corporativa, en las que un número creciente de empresas han preparado sus informes (Marimon et al., 2012). Las directrices del GRI tienen el potencial de mejorar significativamente


la utilidad y calidad de la


información reportada por las empresas sobre sus impactos medioambientales y el rendimiento socioeconómico (Jones et al., 2007; Etzion and Ferraro, 2010; Shahi et al., 2012). Los informes de sostenibilidad también animan a las empresas a


28


realizar un seguimiento de su responsabilidad social y el desempeño del


desarrollo sostenible. Los


informes realizados por las entidades deben seguir las directrices de cada sección del marco GRI e indicar los detalles de su desempeño durante el período pasado. Las directrices del GRI tienen el potencial de mejorar significativamente la utilidad y calidad de la información reportada por las empresas sobre sus impactos y resultados ambientales, sociales y económicos (Willis, 2003; Lamberton, 2005).


En González et al. (2015) se propone una RNAM para modelar las puntuaciones del informes de sostenibilidad (GRI) para un conjunto de empresas globales. Es decir, conocer a través de un modelo cuantitativo cómo se involucran las empresas sobre el bienestar de la sociedad. Los datos del informe de calificación GRI para cada año se traduce a un vector binario, por ejemplo: los datos de la empresa X se traducen del GRI=(0,0,G3,C+,3p) a GRI=(0,0,1,1,1), para cada año, y se utiliza como entrada de la red. La RNAM aprende los años de reportes como patrones estáticos (atractor de punto fijo) y realiza una interpolación para obtener los eventos de entorno, por ejemplo alrededor del supuesto año pico de la crisis 2008. También la red aprende los patrones de forma secuencial (atractor cíclico) para modelar los reportes GRI con información de años anteriores. La actualización de la red se realiza de forma offline/online en dependencia si aprende todos los patrones de una vez o de forma iterativa. Esto se corresponderían con la Teoría de las expectativas racional (offline) y adaptativa (online) respectivamente.


Conclusiones


Los problemas abordados en Economía y Negocios implican la interacción de una variedad de agentes racionales con expectativas muy particulares. De la interacción de estos agentes surgen comportamientos emergentes que resultan difíciles de modelar y analizar utilizando métodos tradicionales. Los métodos heurísticos pueden ayudarnos a arrojar algo de luz sobre cómo funcionan estos sistemas complejos y predecir su comportamiento futuro. Las redes atractoras métricas, han probado ser una herramienta valiosa para poder tratar problemas económicos y empresariales. Su utilización puede ser una alternativa valiosa para abordarlos, tal como ha sido demostrado en el ejemplo citado en este trabajo para modelar patrones de sostenibilidad corporativa.


Page 1  |  Page 2  |  Page 3  |  Page 4  |  Page 5  |  Page 6  |  Page 7  |  Page 8  |  Page 9  |  Page 10  |  Page 11  |  Page 12  |  Page 13  |  Page 14  |  Page 15  |  Page 16  |  Page 17  |  Page 18  |  Page 19  |  Page 20  |  Page 21  |  Page 22  |  Page 23  |  Page 24  |  Page 25  |  Page 26  |  Page 27  |  Page 28  |  Page 29  |  Page 30  |  Page 31  |  Page 32  |  Page 33  |  Page 34  |  Page 35  |  Page 36  |  Page 37  |  Page 38  |  Page 39  |  Page 40  |  Page 41  |  Page 42  |  Page 43  |  Page 44  |  Page 45  |  Page 46  |  Page 47  |  Page 48