Modelos predictivos para la gestión de flujos de caja en la administración pública: aplicación en la unidad de inversiones del distrito de Medellín
DOI:
https://doi.org/10.61799/2216-0388.1752Palabras clave:
Análisis de series temporales, flujo de caja, gestión financiera pública, modelos de pronóstico, planificación estratégicaResumen
La gestión eficiente del flujo de caja es importante para la administración de recursos en el sector público, especialmente en entidades como la Unidad de Inversiones de la Alcaldía de Medellín, donde la liquidez y las decisiones de inversión inciden en el desarrollo de programas y proyectos estratégicos. La finalidad de esta investigación es identificar la metodología de pronóstico con mejor desempeño que permita estimar el comportamiento futuro de los principales rubros de ingresos en el flujo de caja de dicha unidad, aportando así a la planificación financiera y a la optimización de la gestión de liquidez. Para ello, se adoptó un enfoque cuantitativo, mediante un método analítico-sintético, comenzando con una revisión de la literatura sobre los modelos de pronóstico aplicados en los sectores público y privado. Luego, un análisis de las series de tiempo para identificar patrones y tendencias en los principales rubros de ingresos. Posteriormente, se emplearon modelos de pronóstico provenientes de la metodología Box-Jenkins, el modelo Holt-Winter de la estadística clásica y redes neuronales autorregresivas del ámbito del machine learning, los cuales fueron evaluados mediante indicadores de desempeño, de forma tal que se identificara aquel modelo que mejor se adaptara al comportamiento de cada serie. La evidencia sujeta revela que el modelo óptimo varía según las series de tiempo y permite realizar proyecciones ajustadas a la realidad financiera de la unidad. Esto evidencia la importancia de implementar herramientas analíticas avanzadas en la gestión financiera del sector público, lo que mejora la toma de decisiones y la asignación eficiente de los recursos. En conclusión, el uso de modelos predictivos fortalece la capacidad de planificación y de sostenibilidad financiera de la Alcaldía de Medellín, sirviendo como referencia para otras entidades gubernamentales con necesidades similares en la gestión de su liquidez.
Descargas
Referencias
[1] Alcaldía de Medellín, “¿Qué hace la Secretaría de Hacienda?,” Secretarias y Dependencias. [Online]. Available: https://www.medellin.gov.co/es/secretaria-de-hacienda/funciones-y-composicion/
[2] I. Iskandar, R. Willett, and S. Xu, “The development of a government cash forecasting model,” Journal of Public Budgeting, Accounting & Financial Management, vol. 30, no. 4, pp. 368–383, Nov. 2018, doi: 10.1108/JPBAFM-04-2018-0036.
[3] L. E. Velasco Baños, G. Martínez Prats, and T. F. Morales Cárdenas, “IMPORTANCIA DEL ESTADO DE FLUJO DE EFECTIVO EN LAS PYMES,” Revista Facultad de Ciencias Contables Económicas y Administrativas -FACCEA, vol. 12, no. 1, pp. 110–119, Feb. 2022, doi: 10.47847/faccea.v12n1a7.
[4] C. Cangoz and L. Secunho, “Cash management: how do countries perform sound practices?,” Revista Nacional de Administración, vol. 12, no. 1, p. e3572, Jun. 2021, doi: 10.22458/rna.v12i1.3572.
[5] F. Laghari, F. Ahmed, and M. de las N. López García, “Cash flow management and its effect on firm performance: Empirical evidence on non-financial firms of China,” PLoS One, vol. 18, no. 6, p. e0287135, Jun. 2023, doi: 10.1371/journal.pone.0287135.
[6] A. Mohammadi, “Dynamic Cash Flow Management Under Uncertainty: Integrating Scenario Planning and Advanced Analytical Tools,” International Journal of applied Research in Management, Economics and Accounting, vol. 2, no. 1, pp. 23–34, Dec. 2024, doi: 10.63053/ijmea.32.
[7] G. Rompotis, “Cash flow management, performance and risk: evidence from Greece,” EuroMed Journal of Business, Feb. 2024, doi: 10.1108/EMJB-09-2023-0245.
[8] M. Kotb, M. A. R. Ibrahim, and Y. S. Al-Olayan, “A Study of the Cash Flow Forecasting Impact on the Owners Financial Management of Construction Projects in the State of Kuwait,” Asian Business Research, vol. 3, no. 1, p. 69, Feb. 2018, doi: 10.20849/abr.v3i1.351.
[9] J. Lewellen and K. Lewellen, “Investment and Cash Flow: New Evidence,” Journal of Financial and Quantitative Analysis, vol. 51, no. 4, pp. 1135–1164, Aug. 2016, doi: 10.1017/S002210901600065X.
[10] Z. Wang, “The Effect of Internal Cash Flow on the Investment of Chinese Listed Companies,” School of Economics and Management, Changsha University of Science and Technology, vol. 11, no. 1, pp. 1–14, 2009, doi: DOI 10.1109/BIFE.2009.192.
[11] J. Rodríguez, “Flujo de caja. Herramienta clave para la toma de decisiones en la microempresa,” Panorama, vol. 2, no. 4, 2008. URL: https://dialnet.unirioja.es/servlet/articulo?codigo=4780127
[12] A. B. Sekar Mayangsari, “The Role Of Cash Planning In Budget Absorption: Perception Testing,” Jurnal Akuntansi, vol. 25, no. 2, p. 201, Aug. 2021, doi: 10.24912/ja.v25i2.806.
[13] C. Andreas et al., “Comparison study using ARIMAX and VARX in cash flow forecasting,” 2022, p. 030023. doi: 10.1063/5.0118519.
[14] K. Levy, K. E. Chasalow, and S. Riley, “Algorithms and Decision-Making in the Public Sector,” Annu Rev Law Soc Sci, vol. 17, no. 1, pp. 309–334, Oct. 2021, doi: 10.1146/annurev-lawsocsci-041221-023808.
[15] Salas-Molina, F., Martin, F. J., Rodríguez-Aguilar, J. A., Serrà, J., & Arcos, J. Ll. (2017). Empowering cash managers to achieve cost savings by improving predictive accuracy. International Journal of Forecasting, 33(2), 403-415. https://doi.org/10.1016/j.ijforecast.2016.11.002
[16] B. Małkus and G. J. Nalepa, “Forecasting Daily Cash Flows in a Company - Shortcoming in the Research Field and Solution Exploration,” 2023, pp. 360–369. doi: 10.1007/978-3-031-25599-1_27.
[17] S. Semenova, “Cash Flow Forecasting in the Valuation of Financial Instruments,” Проблеми сучасних трансформацій. Серія: економіка та управління, no. 16, Dec. 2024, doi: 10.54929/2786-5738-2024-16-09-07.
[18] B. Małkus and G. J. Nalepa, “Forecasting Daily Cash Flows in a Company - Shortcoming in the Research Field and Solution Exploration,” 2023, pp. 360–369. doi: 10.1007/978-3-031-25599-1_27.
[19] M. Monica, A. Suharsono, B. W. Otok, and A. Wibisono, “Hybrid SARIMA-FFNN model in forecasting cash outflow and inflow,” J Phys Conf Ser, vol. 2106, no. 1, p. 012002, Nov. 2021, doi: 10.1088/1742-6596/2106/1/012002.
[20] A. Suharsono, M. Monica, B. W. Otok, and A. Wibisono, “Modelling and forecasting cash outflow-inflow using ARIMA-Feedforward Neural Network,” 2022, p. 020016. doi: 10.1063/5.0108037.
[21] S. Gelper, R. Fried, and C. Croux, “Robust Forecasting with Exponential and Holt-Winters Smoothing,” SSRN Electronic Journal, 2007, doi: 10.2139/ssrn.1089403.
[22] J. C. Valderrama-Balaguera, H. F. Castro-Silva, and C. A. Dávila Carrillo, “Pronósticos de variables climatológicas mediante los modelos de punto de cambio y Holt-Winters,” Mundo FESC, vol. 11, no. S2, pp. 337–352, Sep. 2021, doi: 10.61799/2216-0388.986.
[23] H. de J. Gallardo-Pérez, M. Vergel-Ortega, and J. P. Rojas-Suárez, “Análisis dinámico de series temporales multivariadas,” Mundo FESC, vol. 10, no. 20, pp. 41–49, Jul. 2020, doi: 10.61799/2216-0388.618.
[24] K. Dadteev, B. Shchukin, and S. Nemeshaev, “Using artificial intelligence technologies to predict cash flow,” Procedia Comput Sci, vol. 169, pp. 264–268, 2020, doi: 10.1016/j.procs.2020.02.163.
[25] I. Evdokimov, M. Kampouridis, and T. Papastylianou, “Application Of Machine Learning Algorithms to Free Cash Flows Growth Rate Estimation,” Procedia Comput Sci, vol. 222, pp. 529–538, 2023, doi: 10.1016/j.procs.2023.08.191.
[26] P. Peng, Y. Chen, W. Lin, and J. Z. Wang, “Attention-based CNN–LSTM for high-frequency multiple cryptocurrency trend prediction,” Expert Syst Appl, vol. 237, p. 121520, Mar. 2024, doi: 10.1016/j.eswa.2023.121520.
[27] H. Weytjens, E. Lohmann, and M. Kleinsteuber, “Cash flow prediction: MLP and LSTM compared to ARIMA and Prophet,” Electronic Commerce Research, vol. 21, no. 2, pp. 371–391, Jun. 2021, doi: 10.1007/s10660-019-09362-7.
[28] Karatas, T., Klinkert, F., & Hirsa, A. (2021). Supervised Neural Networks for Illiquid Alternative Asset Cash Flow Forecasting. arXiv. https://doi.org/10.48550/arXiv.2108.02853.
[29] Z. Dong and Y. Zhou, “A Novel Hybrid Model for Financial Forecasting Based on CEEMDAN-SE and ARIMA-CNN-LSTM,” Mathematics, vol. 12, no. 16, p. 2434, Aug. 2024, doi: 10.3390/math12162434.
[30] Sezer, O. B., Gudelek, M. U., & Ozbayoglu, A. M. (2020). Financial Time Series Forecasting with Deep Learning: A Systematic Literature Review: 2005-2019. arXiv. https://doi.org/10.48550/arXiv.1911.13288
[31] F. A. Fernández Gelvez, L. Jaimes Cerveleón, and L. E. Mendoza, “Modelo de regresión basado en máquinas de aprendizaje utilizando datos estadísticos del café Colombiano,” Mundo FESC, vol. 13, no. S1, pp. 258–272, Dec. 2023, doi: 10.61799/2216-0388.1499.
[32] C. Bernal, Metodología de la investigación, 3rd ed. 2014.
[33] C. C. Holt, “Forecasting seasonals and trends by exponentially weighted moving averages,” Int J Forecast, vol. 20, no. 1, pp. 5–10, Jan. 2004, doi: 10.1016/j.ijforecast.2003.09.015.
[34] P. R. Winters, “Forecasting Sales by Exponentially Weighted Moving Averages,” Manage Sci, vol. 6, pp. 324–342, 1960, Accessed: Sep. 07, 2025. [Online]. Available: http://www.jstor.org/stable/2627346
[35] G. Box, G. Jenkins, G. Reinsel, and G. Ljung, Time Series Analysis: Forecasting and Control. Wiley, 2016.
[36] J. D. Velásquez, C. Zambrano, and L. Vélez, “ARNN: un paquete para la predicción de series de tiempo usando redes neuronales autorregresivas,” Revista Avances en Sistemas e Informática, vol. 8, no. 2, pp. 177–181, 2011. URL: https://dialnet.unirioja.es/servlet/articulo?codigo=5247007
[37] C. Chen and L.-M. Liu, “Joint Estimation of Model Parameters and Outlier Effects in Time Series,” J Am Stat Assoc, vol. 88, no. 421, pp. 284–297, Mar. 1993, doi: 10.1080/01621459.1993.10594321.
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Mundo FESC
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
