107
ISSN 1390-7778 (Versión Impresa)
ISSN 2528-8148 (Versión Electrónica)
YACHANA
Revista CientífiCa
Volumen 15, Número 2, Julio-Diciembre 2026
Resumen
La transformación digital de la adminis-
tración tributaria promete mayor ecien-
cia, pero en economías emergentes puede
generar fricciones que afectan despropor-
cionadamente a las micro, pequeñas y me-
dianas empresas. Este artículo analiza el
impacto de la scalización automatizada
sobre la sostenibilidad empresarial usando
microdatos administrativos, consolidando
una muestra analítica depurada de 564
065 multas efectivas entre 2019 y 2025.
Mediante modelos Logit y regresión li-
neal sobre el logaritmo de las multas, se
estima la probabilidad de sanción por
errores de interfaz y la severidad nan-
ciera asociada en función de un gradiente
de madurez digital. Un análisis profundo
revela que los contribuyentes de Baja Ma-
durez (Personas Naturales) no solo tienen
una probabilidad de un 39,6% mayor de
ser sancionados por fricción digital en
comparación con las Sociedades, sino que
además se enfrentan a un diseño regresi-
vo donde sus multas son, en promedio,
un 16% más altas que las de entidades
corporativas medianas. Esto demuestra
empíricamente que la automatización sin
calibración institucional agrava la des-
igualdad competitiva.
Palabras clave: brecha digital; tecnolo-
gía de la información; tributación; peque-
ña empresa; desarrollo sostenible.
Códigos JEL: M15, H26, O33
Abstract
The transformation of tax administra-
tion promises eciency gains; however,
in emerging economies it may introduce
frictions that disproportionately aect mi-
cro, small, and medium-sized enterprises.
Sesgo algorítmico en la fiscalización digital y
sostenibilidad de las micro, pequeñas y media-
nas empresas
Algorithmic bias in digital tax auditing: Implications for
the sustainability of micro, small, and medium-sized
enterprises
Franklin Edwin Rodríguez Ponce
https://orcid.org/0000-0001-7888-5038
Magister en Economía y Gestión Estratégica de micro, pequeñas y medianas empresas, Universidad Estatal de
Milagro, Milagro-Ecuador, frodriguezp4@unemi.edu.ec
Johanna Estefanía Rangel Saltos
https://orcid.org/0000-0002-4920-507X
Magister en Ciencias con mención en Economía y Gestión empresarial, Universidad de Guayaquil, Guayaquil-
Ecuador, johanna.rangels@ug.edu.ec
Galo Mauricio Durán Salazar
https://orcid.org/0000-0002-2471-1857
Magister En Economía Con Mención En Finanzas Y Proyectos Corporativos, Universidad de Guayaquil,
Guayaquil-Ecuador, galo.duransa@ug.edu.ec
10.62325/10.62325/yachana.v15.n2.2026.1061
25/06/2026
01/03/2026
31/07/2026
Artículo de investigación
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 107-123
108
SeSgo algorítmico en la fiScalización digital y SoStenibilidad SeSgo algorítmico en la fiScalización digital y SoStenibilidad
de laS micro, pequeñaS y medianaS empreSaS de laS micro, pequeñaS y medianaS empreSaS
Rodríguez, F., Rangel, J., & Durán, G.
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 107-123
This article examines the impact of automated enforcement on rm sustainability using ad-
ministrative microdata, constructing a cleaned analytical sample of 564,065 eective penalties
between 2019 and 2025. Using logit models and linear regression on the logarithm of penalties,
we estimate the probability of sanction due to interface-related errors and the associated nan-
cial severity as a function of a digital maturity gradient.
The results indicate that taxpayers with low digital maturity (natural persons) exhibit a 39.6%
higher likelihood of being sanctioned due to digital friction compared to corporate entities.
Moreover, they face a regressive penalty structure, whereby their nes are, on average, 16%
higher than those imposed on medium-sized corporate entities. These ndings provide empiri-
cal evidence that automation without adequate institutional calibration exacerbates competitive
inequality.
Keywords: Digital divide; information technology; taxation; small enterprises; sustainable de-
velopment.
Introducción
En la última década, la transformación
digital de las administraciones tributarias
ha evolucionado desde la simple automa-
tización de trámites hacia ecosistemas de
gobernanza basados en Big Data, analítica
predictiva e inteligencia articial, en línea
con la noción de Administración Tributa-
ria 3.0 descrita por Lin (2025). Trabajos
recientes, como los de Belahouaoui y Alm
(2025) y Tashenova et al. (2025), sostienen
que estas tecnologías permiten incrementar
la capacidad recaudatoria del Estado, redu-
cir la evasión y convertir la scalización en
un proceso continuo de minería de datos.
Bajo esta visión tecnocrática, la denomina-
da Tax Tech se presenta como un imperati-
vo estratégico para la sostenibilidad scal
y la rendición de cuentas, al minimizar la
discrecionalidad humana en la selección de
contribuyentes (Lee et al., 2024).
Sin embargo, la expansión acelerada de
sistemas de decisión automatizada ha ac-
tivado un debate crítico sobre los riesgos
de opacidad, sesgo y exclusión que acom-
pañan estos modelos. Ghosh et al. (2025)
advierten que el uso de algoritmos de caja
negra diculta la auditoría externa y com-
promete la justicia procedimental, mientras
que Zaccour et al. (2025) y Vargas Huapa-
ya et al. (2025) muestran que la eciencia
algorítmica no garantiza equidad, pues los
modelos tienden a reproducir sesgos histó-
ricos y generar fricciones digitales contra
actores con menor madurez tecnológica.
Desde una perspectiva teórica, Plecko y
Bareinboim (2025) subrayan el trade-o
entre precisión predictiva y equidad, recor-
dando que la imposición de restricciones
de justicia algorítmica implica pérdidas de
utilidad que rara vez se internalizan en el
diseño de los sistemas.
Esta tensión es especialmente aguda en
las economías emergentes, donde coexis-
ten grandes corporaciones con sosticadas
infraestructuras de TI y un tejido mayori-
tario de micro, pequeñas y medianas em-
presas con recursos limitados. Estudios
como los de Sánchez et al. (2025), Gupta
et al. (2025) y Munjeyi y Schutte (2025)
documentan que las MiPymes enfrentan
restricciones nancieras, brechas de ha-
bilidades digitales y marcos regulatorios
complejos, lo que incrementa los costos de
cumplimiento y la probabilidad de incurrir
en errores formales en entornos digitales.
109
SeSgo algorítmico en la fiScalización digital y SoStenibilidad SeSgo algorítmico en la fiScalización digital y SoStenibilidad
de laS micro, pequeñaS y medianaS empreSaS de laS micro, pequeñaS y medianaS empreSaS
Rodríguez, F., Rangel, J., & Durán, G.
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 107-123
En contraste, Hanfy et al. (2025) muestran
que las grandes corporaciones, especial-
mente cuando son auditadas por rmas de
alcance global, disponen de capacidades
tecnológicas y de auditoría que facilitan su
adaptación a los requisitos de scalización
digital, profundizando la brecha frente a
las empresas más pequeñas. A ello se suma
la evidencia de que las inversiones tecno-
lógicas estatales pueden trasladar costos
ocultos a empresas sin economías de es-
cala, como señalan Azenzoul et al. (2025)
y Kallmuenzer et al. (2025), congurando
una paradoja donde la adopción de contro-
les digitales compromete la sostenibilidad
de los actores más pequeños.
En este contexto, la implementación de
sistemas integrales de monitoreo scal
automatizado -como la facturación elec-
trónica masiva y los registros automatiza-
dos- genera una asimetría de impacto: la
tecnología disciplina y sanciona con ma-
yor rigor a los contribuyentes de menor ta-
maño. Estos actores carecen de las capaci-
dades de orden cero necesarias para gestio-
nar la complejidad de los nuevos entornos
digitales (Lin, 2025) y enfrentan costos de
cumplimiento desproporcionados que ero-
sionan sus márgenes de benecio (Thaha
et al., 2023). Esta situación sugiere que
la automatización scal, lejos de nivelar
el campo de juego, puede actuar como un
mecanismo de exclusión sistemática para
empresas vulnerables.
Estudios recientes de Balaskas et al. (2024)
y Yu y Li (2025) indican que la presión
coercitiva digital sobre empresas con res-
tricciones nancieras no siempre incentiva
el cumplimiento voluntario, sino que pue-
de amenazar su viabilidad operativa, in-
ducir recortes laborales o incluso forzar el
cierre de negocios. A pesar de la relevan-
cia de este fenómeno, existe una escasez
de investigaciones empíricas que cuanti-
quen la magnitud de este sesgo utilizando
microdatos administrativos masivos. Ante
este vacío, la presente investigación ana-
liza el impacto del sesgo algorítmico en la
sostenibilidad de las MiPymes, a partir de
un universo de registros administrativos
que permite una evaluación econométrica
robusta de la fricción digital. Se testea la
hipótesis de que la automatización scal
penaliza sistemáticamente la falta de capa-
cidad administrativa, independientemente
de la intención de evasión.
Transformación Digital, Deuda Buro-
crática y Complejidad Regulatoria
La literatura reciente conceptualiza la digi-
talización gubernamental no como un pro-
ceso lineal de modernización, sino como
una reconguración de capacidades que
puede generar nuevas formas de exclusión
administrativa. Lin (2025) introduce el
concepto de deuda burocrática para des-
cribir la brecha entre los instrumentos de
gobernanza heredados y el avance de pla-
taformas basadas en datos masivos.
En el ámbito scal, la inteligencia articial
incrementa la capacidad recaudatoria y de
control del Estado (Khan et al., 2024); sin
embargo, añade capas de complejidad for-
midables. Esta complejidad administrativa
se evidencia en nuevos campos de control,
como la tributación de activos digitales y
criptomonedas (Lazea et al., 2025), o en el
uso de chatbots de asistencia donde el ries-
go de alucinaciones automatizadas tras-
lada la carga del error técnico al usuario
(Künnapas et al., 2025).
Aunque autores como Chu y Lv (2025)
argumentan que la tecnología nanciera
puede aliviar la elusión scal corporativa
al mitigar restricciones, este efecto posi-
tivo es condicional. La adaptación exige
110
SeSgo algorítmico en la fiScalización digital y SoStenibilidad SeSgo algorítmico en la fiScalización digital y SoStenibilidad
de laS micro, pequeñaS y medianaS empreSaS de laS micro, pequeñaS y medianaS empreSaS
Rodríguez, F., Rangel, J., & Durán, G.
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 107-123
ecosistemas maduros y condiciones fa-
cilitadoras descritas por Abhishek et al.
(2025); ante su ausencia, la tecnología es
una barrera. El uso de plataformas como
el Intercambio Electrónico de Datos suele
incorporarse por presiones normativas ex-
ternas, forzando a las pequeñas organiza-
ciones a asumir altos costos de adaptación
sin percibir benecios operativos tangi-
bles (Oleiwi, 2023).
Justicia Algorítmica, Opacidad y el De-
recho a la Contestabilidad
El núcleo del debate sobre la automatiza-
ción scal reside en la tensión inherente
entre la utilidad predictiva y la equidad
procesal. Plecko y Bareinboim (2025)
plantean un intercambio ineludible en el
diseño algorítmico: optimizar exclusi-
vamente por eciencia recaudatoria au-
menta el riesgo de reproducir resultados
discriminatorios. Caer en esta trampa del
formalismo matemático puede ocultar in-
justicias sociales severas cuando las métri-
cas asumen que el incumplimiento formal
obedece siempre a un dolo intencional (Mc
Manus et al., 2025).
Esta problemática se agrava por la opa-
cidad institucional. Frente a la caja negra
del Estado, la contestabilidad algorítmica
es imperativa, pues los contribuyentes re-
chazan sistemas de decisiones unilaterales
cuando el costo de objetarlas es prohibitivo
(Lyons et al., 2025).
La aversión solo disminuye cuando los
sistemas de auditoría o asesoramiento
explican razonadamente sus fallos y asu-
men responsabilidad. Kotzian et al. (2025)
añaden que la aversión a los algoritmos se
reduce únicamente cuando los sistemas
ofrecen explicaciones claras de sus reco-
mendaciones; la incapacidad de justicar
decisiones ex post genera indefensión y
erosiona la conanza en la autoridad tri-
butaria, lo cual resulta indispensable, dado
que la conanza actúa como el mediador
fundamental para la legitimidad en la di-
gitalización estatal (Bokhari et al., 2025).
La preocupación es empíricamente válida:
la ingeniería de datos advierte que los mo-
delos de categorización sufren sesgos de
muestreo sistemáticos al juzgar a pobla-
ciones carentes de un historial digital con-
tinuo (Valdrighi et al., 2025).
Fricción Tecnológica y Sostenibilidad en
MiPymes
La implementación de mandatos digitales
genera impactos que amenazan la soste-
nibilidad de las empresas con menores
recursos. Se congura una paradoja de la
digitalización (Azenzoul et al., 2025), en
la que la obligación de invertir en sistemas
de reporte scal no mejora la eciencia in-
terna de las pymes, obligándolas a desviar
liquidez crítica. Cuando la adopción tec-
nológica gubernamental no se alinea con
la estrategia organizativa de la empresa,
genera simplemente islas tecnológicas que
estancan la agilidad de los negocios (Dam-
njanović et al., 2025).
Esta vulnerabilidad sistémica es frecuente-
mente ignorada por los modelos estándar
del regulador. Investigaciones en merca-
dos emergentes revelan que las métricas
nancieras típicas para pronosticar solidez
pueden clasicar erróneamente el riesgo
en las pymes, ya que variables como la ex-
trema liquidez pueden, de hecho, reejar
ineciencia operativa antes que capacidad
contributiva (Kristanti et al., 2025; Ma-
hesh et al., 2025).
En última instancia, el principal vector de
exclusión es el capital humano: el dominio
y conocimiento previo dictaminan si una
tecnología será adoptada orgánicamente
111
SeSgo algorítmico en la fiScalización digital y SoStenibilidad SeSgo algorítmico en la fiScalización digital y SoStenibilidad
de laS micro, pequeñaS y medianaS empreSaS de laS micro, pequeñaS y medianaS empreSaS
Rodríguez, F., Rangel, J., & Durán, G.
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 107-123
(Cuc et al., 2025) mientras que las preocu-
paciones sobre complejidad de uso actúan
como una barrera impenetrable en sectores
vulnerables (Aldossari et al., 2025). Por
ello, herramientas como FinTech pueden
ofrecer vías teóricas para cerrar la brecha
de control, pero la coerción pura resulta
estéril frente a un contribuyente genuina-
mente desconectado (Skandalis y Skanda-
li, 2025).
Materiales y método
La investigación se apoya en microdatos
administrativos masivos de la adminis-
tración tributaria nacional, siguiendo la
tendencia reciente de privilegiar registros
scales reales frente a encuestas de per-
cepción para analizar comportamiento de
cumplimiento. La base original correspon-
de al universo de scalización, con apro-
ximadamente 4 400 000 registros, estruc-
turada como un panel no balanceado que
recoge actuaciones de control sobre contri-
buyentes a lo largo del tiempo.
Para asegurar consistencia econométrica,
se aplicó un proceso estricto de depura-
ción sobre el universo de scalización. La
muestra analítica se restringió exclusiva-
mente a aquellas transacciones tipicadas
como multas efectivas. Se excluyeron re-
gistros con información scal incompleta,
inconsistencias en la clasicación sectorial
CIIU y valores atípicos extremos.
Tras este proceso, se obtuvo una muestra
analítica nal de 564 065 observaciones
válidas asociadas a infracciones. Este ta-
maño muestral permite no solo identicar
patrones de fricción digital con alta granu-
laridad, sino también capturar el impacto
nanciero directo sobre el infractor a lo lar-
go de seis años de disrupción tecnológica.
Operacionalización de variables
La variable dependiente, denominada san-
ción digital, se dene como una variable di-
cotómica que toma el valor de 1 cuando el
contribuyente recibe una sanción originada
en un error de interfaz y 0 en caso contra-
rio. Estos errores incluyen fallos formales
en el envío de información digital, incon-
sistencias en el formato de archivos (por
ejemplo, XML), retrasos en la transmisión
de comprobantes electrónicos y errores de
validación en las plataformas de declara-
ción en línea, lo que permite aislar el efec-
to de la vigilancia automatizada frente a la
auditoría de fondo tradicional, siguiendo la
lógica de Lee et al. (2024) sobre el cumpli-
miento técnico vs. administrativo.
La variable explicativa principal se rees-
tructuró para reejar un gradiente de ma-
durez digital, superando la visión binaria
tradicional. Se clasica a los contribuyen-
tes en tres niveles: (1) Alta Madurez para
Grandes Contribuyentes, asumiendo que
disponen de arquitecturas corporativas au-
tomatizadas; (2) Madurez Media para So-
ciedades constituidas regulares; y (3) Baja
Madurez para Personas Naturales y MiPy-
mes. Esta categorización se fundamenta en
la premisa teórica -respaldada por Gupta
et al. (2025) y Jum’A (2025)- de que las
rmas de menor tamaño y los individuos
carecen de infraestructura de TI, cultura de
datos y capital humano especializado para
gestionar la complejidad de los nuevos en-
tornos de cumplimiento.
Adicionalmente, se incorporan variables
de control para capturar la heterogeneidad
observada. En particular, se incluyen efec-
tos jos de año mediante dummies anuales
que recogen tendencias temporales y la
maduración de las capacidades tecnológi-
cas del regulador, así como controles secto-
112
SeSgo algorítmico en la fiScalización digital y SoStenibilidad SeSgo algorítmico en la fiScalización digital y SoStenibilidad
de laS micro, pequeñaS y medianaS empreSaS de laS micro, pequeñaS y medianaS empreSaS
Rodríguez, F., Rangel, J., & Durán, G.
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 107-123
riales basados en la clasicación CIIU que
diferencian patrones de riesgo y estructura
productiva entre actividades económicas.
Esta especicación busca minimizar ses-
gos por omisión de variables relacionadas
con shocks regulatorios, cambios macro-
económicos o particularidades sectoriales
en el uso de herramientas digitales.
Estrategia econométrica
Dada la naturaleza binaria de la variable
dependiente sanción digital, se estiman
modelos de elección discreta tipo logit
para analizar la probabilidad de que un
contribuyente sea sancionado por fricción
digital en función de su vulnerabilidad y
de los controles incluidos. Siguiendo las
recomendaciones metodológicas de Ma-
hesh et al. (2025) y Azenzoul et al. (2025),
la especicación básica se plantea como
un modelo logit con efectos jos de año y
controles sectoriales, lo que permite captu-
rar cambios en el régimen de scalización
y diferencias estructurales entre activida-
des económicas. La especicación del mo-
delo es:
Ecuación 1:
β β δ ñγ ϵ
Donde es la probabilidad de recibir una
sanción por fricción digital, la variable in-
dependiente principal es el nivel de , y los
demás componentes representan los vec-
tores de control (año y sector económico).
El parámetro de interés es el coeciente
asociado a las categorías de madurez tec-
nológica, cuyo efecto se interpreta a través
de los odds ratios (OR). Esta especica-
ción permite cuanticar matemáticamente
cuánto se incrementa el riesgo relativo de
recibir una sanción por error de interfaz
a medida que el contribuyente desciende
desde el estrato de Alta Madurez hacia la
Madurez Media y la Baja Madurez, ceteris
paribus.
Complementariamente, para evaluar la hi-
pótesis de regresividad en la severidad del
castigo, se estima un modelo de probabi-
lidad lineal mediante Mínimos Cuadrados
Ordinarios (OLS) sobre el logaritmo del
monto de la multa, siguiendo el enfoque de
Przekota et al. (2025), quienes destacan la
utilidad de esta especicación para inter-
pretar efectos marginales directos sobre la
carga nanciera en muestras grandes.
En ambos casos, las estimaciones se reali-
zan sobre la muestra completa de 564 065
observaciones, utilizando errores estándar
robustos y controles temporales y sectoria-
les para mitigar problemas de heterocedas-
ticidad y sesgos por omisión de variables.
Esta estrategia combinada permite con-
trastar de manera coherente la existencia
de un sesgo algorítmico tanto en la proba-
bilidad de sanción como en la intensidad
económica de la misma.
Resultados y discusión
Análisis Descriptivo de la Asimetría
Sancionatoria
El análisis descriptivo inicial revela una
disparidad estructural en la naturaleza de
las infracciones detectadas por la scali-
zación digital. Como se puede observar en
la Tabla 1, al segmentar la muestra de 564
065 observaciones por niveles de madurez,
se evidencia que la incidencia de sanciones
asociadas a errores de interfaz no se distri-
buye de forma simétrica.
Las entidades de Alta Madurez registran
volúmenes ínmos de multas en términos
absolutos (1 443 observaciones), mientras
que el grueso de la penalización tecnoló-
gica recae sobre los niveles inferiores: las
Sociedades acumulan 11 998 multas por
113
SeSgo algorítmico en la fiScalización digital y SoStenibilidad SeSgo algorítmico en la fiScalización digital y SoStenibilidad
de laS micro, pequeñaS y medianaS empreSaS de laS micro, pequeñaS y medianaS empreSaS
Rodríguez, F., Rangel, J., & Durán, G.
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 107-123
fricción digital y las Personas Naturales
sufren el impacto mayoritario con 38 325
infracciones formales de esta naturaleza.
Esta distribución asimétrica es consisten-
te con la evidencia de Molina-Abril et al.
(2025), quienes reportan que una fracción
signicativa de las pymes identica los
costos de mantenimiento tecnológico como
su principal barrera operativa, y con Gutié-
rrez-Ascón et al. (2025), que documentan
la alta volatilidad nanciera limitante de
las pequeñas empresas de servicios.
A pesar del bajo volumen absoluto de san-
ciones en la Alta Madurez (apenas 1 443
multas en el periodo), resulta paradójico
que este grupo presente la mayor propor-
ción interna de fallos formales (12,47%).
Este comportamiento se explica por la
composición heterogénea de los denomi-
nados Grandes Contribuyentes: el segmen-
to incluye no solo corporaciones transna-
cionales con robustos departamentos de
TI, sino también a personas naturales con
altos patrimonios o rentas de capital que,
por mandato regulatorio, son categoriza-
dos en la cúspide tributaria.
Estos individuos, pese a su elevada capa-
cidad económica, frecuentemente carecen
de arquitecturas corporativas automatiza-
das, como sistemas ERP integrados. La
persistencia de una proporción elevada
de errores de interfaz en la Alta Madurez
refuerza la premisa central del estudio: el
éxito frente a la scalización digital depen-
de intrínsecamente del grado de institucio-
nalización tecnológica, el cual no siempre
se alinea con el tamaño patrimonial o el
estatus scal declarado.
Frecuencia
porcentaje por la
Madurez digital
Multa por Fricción
Digital/Formal Total
0 1
Alta Madurez
(Grandes Contribuyentes)
1 263 180 1 443
87,53 12,47 100,00
Madurez Media
(Sociedades)
158 114 11 998 170 112
92,95 7,05 100,00
Baja Madurez
(Personas naturales)
354 185 38 325 392 510
90,24 9,76 100,00
Total 513 562 50 503 564 065
91,05 8,95 100,00
Tabla 1
Estadísticas descriptivas: frecuencia de multas por fricción digital según nivel de madurez
digital del contribuyente.
Nota: Elaboración propia a partir de datos administrativos del SRI (2019-2025).
114
SeSgo algorítmico en la fiScalización digital y SoStenibilidad SeSgo algorítmico en la fiScalización digital y SoStenibilidad
de laS micro, pequeñaS y medianaS empreSaS de laS micro, pequeñaS y medianaS empreSaS
Rodríguez, F., Rangel, J., & Durán, G.
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 107-123
Evidencia Econométrica de la Fricción
Digital (Modelo Logit)
Los modelos logit estimados sobre la
muestra de 564 065 observaciones con-
rman la primera hipótesis con alta sig-
nicancia estadística. Como se detalla en
la Tabla 2, el análisis de los Odds Ratios
(OR) revela que el riesgo de sanción por
errores formales aumenta progresivamente
a medida que desciende la madurez tecno-
lógica.
En particular, si comparamos el tejido ma-
yoritario, el salto de la Madurez Media
(Sociedades) a la Baja Madurez (Personas
Naturales) incrementa el riesgo relativo de
que la multa provenga de una fricción di-
gital en aproximadamente 39,6% (calcula-
do a partir de la razón de OR del modelo:
0,835 / 0,598 = 1,396).
Este resultado sugiere que el diseño al-
gorítmico de control reeja una asimetría
estadística evidente, penalizando la falta
de capacidad administrativa y de interfaz
de los más pequeños, en línea con la dis-
torsión informacional señalada por Abbas
(2025), donde los modelos predictivos
tienden a sobrerrepresentar fallos estruc-
turales en lugar de intenciones reales de
evasión.
La magnitud de este efecto es coherente
con la literatura sobre exclusión digital.
Vargas Huapaya et al. (2025) y Kallmuen-
Variable OR EE z P IC 95%
madurez_digital
Madurez Media (Sociedades) 0,598 0,048 -6,34 0,000 0,510 0,701
Baja Madurez
(Personas Naturales) 0,835 0,067 -2,23 0,026 0,713 0,978
Año
2018 1,209 0,025 9,37 0,000 1,162 1,259
2019 1,188 0,024 8,63 0,000 1,142 1,235
2020 0,637 0,015 -18,68 0,000 0,608 0,668
2021 0,711 0,016 -14,75 0,000 0,680 0,744
2022 0,865 0,019 -6,77 0,000 0,829 0,902
2023 1,058 0,022 2,74 0,006 1,016 1,103
2024 1,763 0,034 29,78 0,000 1,698 1,830
2025 2,131 0,041 39,52 0,000 2,053 2,213
OR = odds ratio; EE = error estándar; IC = intervalo de conanza. Pseudo R² = 0,0213
N = 564 065. Modelo logit estimado con errores estándar robustos.
Categoría de referencia: Alta Madurez (Grandes Contribuyentes). Elaboración propia a
partir de datos administrativos del SRI (2019–2025).
Tabla 2
Modelo logit: probabilidad de incurrir en una multa por fricción digital
Nota: Elaboración propia a partir de datos administrativos del SRI (2019-2025).
115
SeSgo algorítmico en la fiScalización digital y SoStenibilidad SeSgo algorítmico en la fiScalización digital y SoStenibilidad
de laS micro, pequeñaS y medianaS empreSaS de laS micro, pequeñaS y medianaS empreSaS
Rodríguez, F., Rangel, J., & Durán, G.
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 107-123
zer et al. (2025) han señalado que la falta
de adaptación de las herramientas digitales
a la realidad organizativa de las pequeñas
empresas puede traducirse en resultados
desproporcionadamente adversos para este
segmento, algo que aquí se corrobora con
datos de sanciones efectivas. Más aún, la
descomposición temporal de los coe-
cientes presentada en la Tabla 2 muestra
una tendencia donde la rápida adopción
tecnológica del Estado sigue superando la
capacidad de asimilación de la Baja Madu-
rez, acentuando la carga de cumplimiento
para las MiPymes, un fenómeno análogo al
observado por Zhao et al. (2025) en otras
economías en desarrollo.
Regresividad en la severidad del castigo
(Modelo OLS)
El modelo lineal estimado sobre el logarit-
mo del monto de la multa, cuyos resultados
se detallan en la Tabla 3, permite evaluar
la regresividad del sistema sancionatorio.
Los coecientes extraídos demuestran una
anomalía estructural en el esfuerzo relativo:
si bien los Grandes Contribuyentes asumen
multas nominalmente mayores, en el con-
traste entre los segmentos masivos ocurre
una inversión. Las Sociedades (Madurez
Media) logran un factor de reducción en el
logaritmo de su sanción de -2,42 respecto a
la base, mientras que las Personas Naturales
(Baja Madurez) solo lo reducen en -2,27.
Variable Coef, Error
Std t P>t IC 95%
madurez_digital
Madurez Media
(Sociedades) -2,42888 0,061 -39,69 0,000 -2,548 -2,308
Baja Madurez
(Personas Naturales) -2,275633 0,061 -37,28 0,000 -2,395 -2,155
Año
2018 -0,072 0,013 -5,51 0,000 -0,0958 -0,0465
2019 0,091 0,012 7,07 0,000 0,0655 0,1157
2020 -0,134 0,013 -9,98 0,000 -0,1601 -0,1075
2021 -0,206 0,013 -15,58 0,000 -0,2322 -0,1803
2022 -0,297 0,012 -22,96 0,000 -0,3224 -0,2717
2023 -0,184 0,013 -14,09 0,000 -0,2101 -0,1588
2024 -0,146 0,013 -11,19 0,000 -0,1717 -0,1205
2025 0,233 0,014 17,08 0,000 0,2059 0,2593
B = coeciente no estandarizado; EE = error estándar; IC = intervalo de conanza.
R² ajustado = 0,0077
N= 564 065. Modelo estimado mediante mínimos cuadrados ordinarios con errores robustos.
Categoría de referencia: Alta Madurez (Grandes Contribuyentes). Elaboración propia a
partir de datos administrativos del SRI (2019–2025).
Tabla 3
Modelo de mínimos cuadrados ordinarios (MCO): severidad del castigo (monto de multa)
Nota: Elaboración propia a partir de datos administrativos del SRI (2019-2025).
116
SeSgo algorítmico en la fiScalización digital y SoStenibilidad SeSgo algorítmico en la fiScalización digital y SoStenibilidad
de laS micro, pequeñaS y medianaS empreSaS de laS micro, pequeñaS y medianaS empreSaS
Rodríguez, F., Rangel, J., & Durán, G.
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 107-123
En términos nancieros exponenciales
, esto signica que, ante
el mismo ecosistema punitivo, una Perso-
na Natural paga una multa en promedio un
16% más severa que una Sociedad consti-
tuida. Este patrón contradice los principios
de equidad vertical y las recomendacio-
nes de servicios digitales centrados en el
usuario descritos por Lol, Petrova y Pais
(2025). A su vez Song, Natori y Yu (2025)
advierten que este tipo de percepciones de
riesgo nanciero sin mitigación son las
que disparan la desconanza hacia los eco-
sistemas gubernamentales automatizados.
Discusión
La trampa de la modernización asimétrica
Los hallazgos extraídos de nuestra depura-
ción de 564 065 multas efectivas demues-
tran empíricamente la existencia de una
fricción digital asimétrica y regresiva. Este
nivel probatorio permite llevar la discusión
más allá del plano teórico sobre la para-
doja de la digitalización (Azenzoul et al.,
2025), proporcionando una cuanticación
del daño sistémico inigido a la base em-
presarial.
El descubrimiento de que el descenso en
el gradiente de madurez digital -de So-
ciedades a Personas Naturales- dispara en
aproximadamente 39,6% el riesgo relativo
de ser penalizado por errores formales e
informáticos, consolida empíricamente la
hipótesis de la vigilancia asimétrica ex-
plorada por Ván et al. (2025). Nuestros
datos muestran que, lejos de ser un árbitro
neutral, el sistema sancionador confunde
masivamente la ineciencia operativa de
los actores más débiles con la intención
de evasión, penalizando directamente las
deciencias organizativas y la falta de ca-
pacidad técnica (Monsalvo et al., 2025).
En entornos restrictivos, estas asimetrías
en los mecanismos de scalización tienen
impactos nancieros relevantes, pues las
presiones de control digital sobre rmas
sin capacidad de adaptación obligan con
frecuencia a drásticos recortes laborales e
incluso a la quiebra (Yu y Li, 2025).
Este comportamiento reeja las externali-
dades sociales signicativas de priorizar la
precisión punitiva sobre la justicia proce-
sal (Plecko y Bareinboim, 2025). Nuestros
resultados del modelo OLS evidencian ese
desbalance, ignorando las profundas res-
tricciones estructurales que documentan
Gupta et al. (2025). El diseño normativo
impone a las Personas Naturales una es-
tructura sancionatoria regresiva del 16%
adicional en el valor absoluto de la mul-
ta respecto a las corporaciones frente a
infracciones idénticas. Para contrarrestar
este fenómeno, es imperativo rediseñar la
gobernanza del dato (Peñaranda Iglesias,
2025) y promover marcos que fomenten
el acompañamiento tributario preventivo
(Supriyati et al., 2025), alineando la digita-
lización estatal con las verdaderas trayec-
torias de innovación empresarial (Ardito
et al., 2025).
Al igual que en el célebre estudio del algo-
ritmo perlador AMAS en Austria, donde
se evidenció que los sistemas sin pondera-
ción estadística institucionalizan la segre-
gación (Achterhold et al., 2025), el control
tributario masivo demanda una vigilancia
técnica rigurosa. Solo mediante marcos
continuos de auditoría de sesgos predic-
tivos, como FairnessEval (Baraldi et al.,
2025), las agencias tributarias podrán des-
articular este sesgo algorítmico latente y
evitar que la tecnología siga operando, en
los hechos, como una carga nanciera des-
proporcionada a la inexperiencia digital.
117
SeSgo algorítmico en la fiScalización digital y SoStenibilidad SeSgo algorítmico en la fiScalización digital y SoStenibilidad
de laS micro, pequeñaS y medianaS empreSaS de laS micro, pequeñaS y medianaS empreSaS
Rodríguez, F., Rangel, J., & Durán, G.
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 107-123
Conclusiones
Síntesis de hallazgos y contribución teórica
La investigación aporta evidencia empírica
robusta a partir de 564 065 multas efectivas
sobre las consecuencias no intencionadas
de la transformación digital tributaria. Los
resultados conrman la existencia de un
gradiente de fricción digital: a medida que
disminuye la madurez tecnológica, aumen-
ta la penalización administrativa. Las Per-
sonas Naturales (Baja Madurez) enfrentan
una probabilidad aproximadamente 39,6%
mayor de sufrir una multa por fallos de
interfaz frente a las Sociedades (Madurez
Media), y soportan sanciones económica-
mente un 16% más gravosas.
Este hallazgo desplaza la crítica desde la
noción de un sesgo algorítmico deliberado
hacia la constatación de una asimetría es-
tadística originada en la deuda burocrática
del diseño institucional. La automatiza-
ción scal no opera como un ecosistema
neutral, sino que transforma las carencias
administrativas de las MiPymes en pena-
lizaciones punitivas regresivas. De este
modo, el estudio contribuye al debate de
la gobernanza pública evidenciando que
la coerción digital, sin políticas compen-
satorias de alfabetización e infraestructura,
profundiza la desigualdad competitiva en
las economías emergentes.
Implicaciones gerenciales
Desde la perspectiva de la gestión, los re-
sultados indican que la sostenibilidad de
las MiPymes en contextos de alta digitali-
zación tributaria depende no solo de la e-
ciencia operativa tradicional, sino también
de su capacidad de cumplimiento digital.
La evidencia de una mayor probabilidad
de sanciones por errores de interfaz y de
un esquema de multas con rasgos regresi-
vos sugiere que la falta de infraestructura
administrativa y de habilidades tecnológi-
cas se ha convertido en un factor crítico de
riesgo nanciero.
En consecuencia, las empresas deben con-
siderar la inversión en software contable,
automatización de procesos scales y ca-
pacitación en manejo de datos no como
gastos accesorios, sino como inversiones
estratégicas de supervivencia. Ignorar la
alfabetización algorítmica interna y la se-
guridad de la información expone a las
organizaciones a contingencias recurrentes
derivadas de la scalización automatiza-
da. Se recomienda a los gerentes adoptar
estrategias de preparación organizacional
proactiva, que incluyan diagnóstico de
madurez digital, fortalecimiento de pro-
cedimientos de reporte y alianzas con pro-
veedores tecnológicos o asesores especia-
lizados para reducir la probabilidad y el
impacto de sanciones por fricción digital.
Implicaciones de política pública
Desde la perspectiva del regulador, los
resultados obligan a replantear la transfor-
mación digital tributaria desde un enfoque
de justicia algorítmica. La evidencia de
un mayor riesgo de sanciones por fricción
digital y de un esquema de multas regre-
sivo para contribuyentes de baja madurez
digital indica que los modelos actuales de
selección y castigo pueden estar profundi-
zando la desigualdad competitiva en lugar
de corregirla.
Recomendaciones
En primer lugar, se recomienda imple-
mentar auditorías periódicas de sesgo so-
bre los algoritmos de selección de riesgo,
utilizando marcos de evaluación estanda-
rizados que permitan identicar impac-
118
SeSgo algorítmico en la fiScalización digital y SoStenibilidad SeSgo algorítmico en la fiScalización digital y SoStenibilidad
de laS micro, pequeñaS y medianaS empreSaS de laS micro, pequeñaS y medianaS empreSaS
Rodríguez, F., Rangel, J., & Durán, G.
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 107-123
tos desproporcionados sobre MiPymes y
personas naturales. En segundo lugar, re-
sulta conveniente introducir esquemas de
progresividad digital, como regímenes de
sanciones atenuadas, periodos de marcha
blanca o alertas preventivas para errores de
interfaz en contribuyentes de baja madu-
rez digital. Finalmente, se requieren pro-
gramas de soporte estructural -subsidios,
acompañamiento técnico y capacitación
focalizada- que cierren la brecha de alfabe-
tización e infraestructura digital, evitando
que la scalización automatizada se con-
vierta en una barrera de entrada al cumpli-
miento formal.
Limitaciones y futuras líneas de inves-
tigación
Como toda investigación basada en datos
administrativos, este estudio presenta li-
mitaciones que deben considerarse al in-
terpretar los resultados. En primer lugar, el
análisis se circunscribe a una única juris-
dicción tributaria, lo que restringe la gene-
ralización de los hallazgos a otros contex-
tos institucionales y niveles de desarrollo
tecnológico. Además, el uso de registros
scales no permite captar dimensiones
cualitativas relevantes, como la percepción
de legitimidad del sistema o las estrategias
adaptativas informales de las MiPymes
frente a la scalización digital.
Futuras investigaciones podrían replicar y
comparar este enfoque en otras economías
emergentes y avanzadas, incorporando va-
riaciones en diseño institucional, grado de
automatización y uso de inteligencia ar-
ticial en la selección de contribuyentes.
También sería valioso complementar el
análisis cuantitativo con métodos cualitati-
vos -entrevistas, estudios de caso o encues-
tas- que profundicen en la ansiedad digital
y en la experiencia del contribuyente fren-
te a los sistemas de control automatizado.
Finalmente, una línea promisoria consiste
en evaluar el impacto especíco de nuevas
herramientas, como asistentes virtuales ba-
sados en IA generativa, sobre la reducción
de errores de interfaz y la mitigación de
la fricción digital en segmentos de menor
madurez tecnológica.
Declaración de conicto de intereses
Los autores declaran no tener potenciales
conictos de interés con respecto a la in-
vestigación, autoría o publicación de este
artículo. Se garantiza la independencia
metodológica en el diseño del estudio y
en la interpretación de los resultados eco-
nométricos obtenidos.
Declaración de aprobación ética o con-
sentimiento informado
Resulta pertinente informar que la investi-
gación se sustenta en el procesamiento de
microdatos administrativos de acceso pú-
blico, los cuales carecen desde su origen
de nombres, números de Registro Único
de Contribuyentes u otros identicadores
directos. Por consiguiente, el análisis de
las diversas observaciones no compromete
la condencialidad de los sujetos pasivos
ni requiere la recolección de un consen-
timiento informado individual. El trata-
miento de la información se ejecutó bajo
una alineación estricta con parámetros es-
tadísticos, garantizando la anonimización
integral en la exhibición de los resultados.
Referencias
Abbas, S. K. (2025). Lending by algo-
rithm: Fair or awed? An informa-
tion-theoretic view of credit decision
pipelines. SN Computer Science, 6(6).
https://doi.org/10.1007/s42979-025-
04222-8
119
SeSgo algorítmico en la fiScalización digital y SoStenibilidad SeSgo algorítmico en la fiScalización digital y SoStenibilidad
de laS micro, pequeñaS y medianaS empreSaS de laS micro, pequeñaS y medianaS empreSaS
Rodríguez, F., Rangel, J., & Durán, G.
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 107-123
Abhishek, Dhingra, S., Batra, B., & Shar-
ma, A. (2025). Assessing organizatio-
nal performance post-GST adoption
in India: an application of the UTAUT
model with PLS-SEM and IPMA
analysis. International Journal of In-
formation Technology, 17(7), 3955–
3965. https://doi.org/10.1007/s41870-
024-02351-6
Achterhold, E., Mühlböck, M., Steiber,
N., & Kern, C. (2025). Fairness in al-
gorithmic proling: The AMAS case.
Minds and Machines, 35(9). https://
doi.org/10.1007/s11023-024-09706-9
Aldossari, S., Mokhtar, U. A., & Ab-
dul Ghani, A. T. (2025). Empowe-
ring Saudi manufacturing small and
medium enterprises: A framework
for big data analytics adoption and
its impact on decision-making.
SAGE Open, 15(3). https://doi.
org/10.1177/21582440251369162
Ardito, L., Filieri, R., Raguseo, E., & Vi-
tari, C. (2025). Articial intelligen-
ce adoption and revenue growth in
European SMEs: synergies with IoT
and big data analytics. Internet Re-
search, 35(4), 1508–1534. https://doi.
org/10.1108/INTR-02-2024-0195
Azenzoul, A., Mahouat, N., Mokhlis, K.,
& Moussaid, A. (2025). Digital trans-
formation and corporate tax avoidan-
ce: Evidence from Moroccan listed
rms. Journal of Risk and Financial
Management, 18(10). https://doi.
org/10.3390/jrfm18100575
Balaskas, S., Nikolopoulos, T., Koutrou-
mani, M., & Rigou, M. (2024). De-
terminants of tax avoidance intentions
in tourism SMEs: The mediating role
of coercive power, digital transfor-
mation, and the moderating eect of
CSR. Sustainability, 16(21). https://
doi.org/10.3390/su16219322
Baraldi, A., Brucato, M., Dudík, M., Gue-
rra, F., & Interlandi, M. (2025). Fair-
nessEval: A framework for evaluating
fairness of machine learning models.
Proceedings of the 28th International
Conference on Extending Database
Technology (EDBT), 1154–1157. ht-
tps://doi.org/10.48786/edbt.2025.112
Belahouaoui, R., & Alm, J. (2025). Tax
fraud detection using articial intelli-
gence-based technologies: trends and
implications. Journal of Risk and Fi-
nancial Management, 18(9), 502. ht-
tps://doi.org/10.3390/jrfm18090502
Bokhari, S. A. A., Park, S. Y., & Man-
zoor, S. (2025). Digital government
transformation through articial inte-
lligence: The mediating role of stake-
holder trust and participation. Digital,
5(3). 43. https://doi.org/10.3390/digi-
tal5030043
Chu, C., & Lv, Y. (2025). Digital nan-
ce, nancing dilemma and corporate
tax avoidance -empirical evidence
from a-share listed companies in Chi-
na. SAGE Open, 15(2). https://doi.
org/10.1177/21582440251338909
Cuc, L. D., Rad, D., Cilan, T. F., Gomoi,
B. C., Nicolaescu, C., Almași, R.,
Dzitac, S., Isac, F. L., & Pandelica,
I. (2025). From AI knowledge to AI
usage intention in the managerial ac-
counting profession and the role of
personality traits-A decision tree re-
gression approach. Electronics, 14(6).
1107; https://doi.org/10.3390/electro-
nics14061107
120
SeSgo algorítmico en la fiScalización digital y SoStenibilidad SeSgo algorítmico en la fiScalización digital y SoStenibilidad
de laS micro, pequeñaS y medianaS empreSaS de laS micro, pequeñaS y medianaS empreSaS
Rodríguez, F., Rangel, J., & Durán, G.
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 107-123
Damnjanović, A. M., Rašković, M., Janko-
vić, S. D., Jevtić, B., Skoropad, V. N.,
Marković, Z. D., Lukić-Vujadinović,
V., Injac, Z., & Marinković, S. (2025).
AI-enabled strategic transformation
and sustainable outcomes in Serbian
SMEs. Sustainability, 17(19), 8672.
https://doi.org/10.3390/su17198672
Ghosh, A., Saini, A., & Barad, H. (2025).
Articial intelligence in governance:
recent trends, risks, challenges, inno-
vative frameworks and future direc-
tions. AI & Society. 40, 5685–5707.
https://doi.org/10.1007/s00146-025-
02312-y
Gupta, S., Joshi, D., Jagtap, S., Trollman,
H., & Verma, V. K. (2025). Unveiling
the role of stakeholder involvement
for digital transformation of Indian
food SMEs. Discover Food, 5(1). 210.
https://doi.org/10.1007/s44187-025-
00510-7
Gutiérrez-Ascón, J. E., Azabache-Rojas,
M. G., Azabache-Rojas, R. O., Azaba-
che-Rojas, K. K., Taboada-Obregon,
H. M., Taboada-Álvarez, J. E., & Gon-
zales-Arnao, W. H. (2025). Markovian
prospective analysis: Financial health
as an eect of human resources and
production operation, SMEs in com-
merce, Huacho-Perú. Proceedings of
the 23rd LACCEI International Mul-
ti-Conference for Engineering, Edu-
cation and Technology: “Engineering,
Articial Intelligence, and Sustaina-
ble Technologies in service of socie-
ty”. https://doi.org/10.18687/LAC-
CEI2025.1.1.2073
Hanfy, F., Alakkas, A. A., & Alhumoudi,
H. (2025). Analyzing the role of digi-
talization and its impact on auditing.
Multimedia Tools and Applications,
84(19), 21203–21225. https://doi.
org/10.1007/s11042-024-19729-0
Jum’A, L. (2025). Determinants of big
data analytics adoption intention in
manufacturing SMEs: A study from
Jordan. In 9th International Conferen-
ce on Information Systems Enginee-
ring (ICISE 2024), 74–79. https://doi.
org/10.1145/3711954.3711968
Kallmuenzer, A., Mikhaylov, A., Chelaru,
M., & Czakon, W. (2025). Adoption
and performance outcome of digita-
lization in small and medium-sized
enterprises. Review of Managerial
Science, 19(7), 2011–2038. https://doi.
org/10.1007/s11846-024-00744-2
Khan, M. S., Shoaib, A., & Arledge, E.
(2024). How to promote AI in the US
federal government: Insights from po-
licy process frameworks. SSRN, 41(1),
101908. https://doi.org/10.2139/
ssrn.4419284
Kotzian, P., Bauch, K. A., & Weißenber-
ger, B. E. (2025). Accountability and
managerial advice-taking: comparing
human and algorithmic advisers. Ma-
nagement Decision, 63(13), 545–567.
https://doi.org/10.1108/MD-07-2024-
1618
Kristanti, F. T., Salim, D. F., & Ihsan, A. F.
(2025). Financial distress prediction in
emerging markets by using a machine
learning approach for nancial sustai-
nability. Discover Sustainability, 6(1).
1296 https://doi.org/10.1007/s43621-
025-02199-1
Künnapas, K., Maslionkina, P., Hinno, R.,
& Liberts, R. (2025). Current AI appli-
cations by Estonian tax authorities and
121
SeSgo algorítmico en la fiScalización digital y SoStenibilidad SeSgo algorítmico en la fiScalización digital y SoStenibilidad
de laS micro, pequeñaS y medianaS empreSaS de laS micro, pequeñaS y medianaS empreSaS
Rodríguez, F., Rangel, J., & Durán, G.
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 107-123
use case scenarios. TalTech Journal of
European Studies, 15(1), 179–208. ht-
tps://doi.org/10.2478/bjes-2025-0010
Lazea, G. I., Balea-Stanciu, M. R., Bunget,
O. C., Sumănaru, A. D., & Coraș, A.
M. G. (2025). Cryptocurrency taxa-
tion: A bibliometric analysis and emer-
ging trends. International Journal of
Financial Studies, 13(1). 37. https://
doi.org/10.3390/ijfs13010037
Lee, J. R., Ochirtulga, M., & Cui, Y.
(2024). The eect of adoption of an
electronic ling system in corporate
tax on tax avoidance: A case of Mon-
golian rms. International Journal of
Applied Economics, Finance and Ac-
counting, 18(1), 120–129. https://doi.
org/10.33094/ijaefa.v18i1.1334
Lin, X. (2025). A model of big data-based
governance: China’s national govern-
ment big data platform and an analysis
of its governance competence. Chi-
nese Political Science Review, 10(3),
289–328. https://doi.org/10.1007/
s41111-025-00279-1
Lol, W. G., Petrova, K., & Pais, S. (2025).
Value co-creation for e-government
services in small island developing
nations: A case study. Information,
16(7). 613; https://doi.org/10.3390/
info16070613
Lyons, H., Miller, T., & Velloso, E.
(2025). Diametrically opposed attri-
butes? Review process preferences
and priorities when contesting algo-
rithmic decisions. Proceedings of the
ACM on Human-Computer Interac-
tion, 9(7). CSCW287:2, https://doi.
org/10.1145/3757468
Mahesh, R., Kumari, A., Sharma, D., N,
S., & Ramesh, R. (2025). Predicting
nancial distress in emerging markets:
The case of Indian small enterprises.
Cogent Economics & Finance, 13(1).
https://doi.org/10.1080/23322039.202
5.2489708
Mc Manus, A. C., Ortiz, M. G., & Soto,
R. T. (2025). Avoiding the formalism
trap: A critical evaluation and selec-
tion of statistical fairness metrics in
public algorithms. Revista de Estudios
Sociales, (93), 85–106. https://doi.
org/10.7440/res93.2025.05
Molina-Abril, G., Calvet, L., Juan, A. A.,
& Riera, D. (2025). Strategic deci-
sion-making in SMEs: A review of
heuristics and machine learning for
multi-objective optimization. Com-
putation, 13(7). 173. https://doi.
org/10.3390/computation13070173
Monsalvo, A. E., Zuluaga-Pardo, C. M.,
Restrepo-Carmona, J. A., Aguile-
ra-Pua, L., Castaño, J. C., Borda, E. F.,
Villamil, R. M., García, H. F., & Flets-
cher, L. (2025). Fiscal management
and articial intelligence as strategies
to combat corruption in Colombia.
Information, 16(11). 998. https://doi.
org/10.3390/info16110998
Munjeyi, E., & Schutte, D. (2025). De-
velopment of an articial intelligence
framework to combat tax noncom-
pliance in Botswana. Acta Commercii,
25(1). a1379. https://doi.org/10.4102/
ac.v25i1.1379
Oleiwi, R. A. (2023). The impact of elec-
tronic data interchange on accounting
systems. International Journal of
Professional Business Review, 8(4).
e01163. https://doi.org/10.26668/busi-
nessreview/2023.v8i4.1163
122
SeSgo algorítmico en la fiScalización digital y SoStenibilidad SeSgo algorítmico en la fiScalización digital y SoStenibilidad
de laS micro, pequeñaS y medianaS empreSaS de laS micro, pequeñaS y medianaS empreSaS
Rodríguez, F., Rangel, J., & Durán, G.
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 107-123
Peñaranda Iglesias, A. (2025). Hacia una
administración tributaria digital: Desa-
fíos y oportunidades en la implementa-
ción de los registros electrónicos para
la propuesta de declaración de IGV en
el Perú. Crónica Tributaria, 196(3),
115–144. https://doi.org/10.47092/
CT.25.3.4
Plecko, D., & Bareinboim, E. (2025).
Fairness-accuracy trade-os: A causal
perspective. Proceedings of the AAAI
Conference on Articial Intelligen-
ce, 39(25), 26344–26353. https://doi.
org/10.1609/aaai.v39i25.34833
Przekota, G., Kowal-Pawul, A., & Szcze-
pańska-Przekota, A. (2025). Determi-
nants of the shadow economy—im-
plications for scal sustainability and
sustainable development in the EU.
Sustainability, 17(20). 9033. https://
doi.org/10.3390/su17209033
Sánchez, E., Calderón, R., & Herrera, F.
(2025). Articial intelligence adop-
tion in SMEs: Survey based on TOE–
DOI framework, primary methodolo-
gy and challenges. Applied Sciences,
15(12). 6465. https://doi.org/10.3390/
app15126465
Skandalis, K. S., & Skandali, D. (2025).
Can FinTech close the VAT Gap?
An entrepreneurial, behavioral, and
technological analysis of tourism
SMEs. FinTech, 4(3). 38. https://doi.
org/10.3390/ntech4030038
Song, Y., Natori, T., & Yu, X. (2025).
Trusting humans or bots? Examining
trust transfer and algorithm aversion in
China’s e-government services. Admi-
nistrative Sciences, 15(8). 308. https://
doi.org/10.3390/admsci15080308
Supriyati, S., Oktarina, D., Rokhmania,
N., & Prananjaya, K. P. (2025). Tax di-
gitalization and justice with taxpayer
compliance and the mediating role of
tax awareness. Aptisi Transactions on
Technopreneurship, 7(2), 542–555. ht-
tps://doi.org/10.34306/att.v7i2.512
Tashenova, L., Mamrayeva, D., & Kul-
zhambekova, B. (2025). A methodo-
logy for assessing digital readiness of
industrial enterprises for ecosystem
adaptation: Evidence from Kazakhs-
tan’s sustainable industrial transfor-
mation. Sustainability, 17(21). 9763.
https://doi.org/10.3390/su17219763
Thaha, A. R., Antoro, A. F. S., & Muhta-
rom. (2023). Analytical review of tax
compliance studies in the Smes Sec-
tor: A bibliometric approach. Journal
of Tax Reform, 9(3), 398–412. https://
doi.org/10.15826/jtr.2023.9.3.149
Valdrighi, G., M. Ribeiro, A., S. B. Perei-
ra, J., Guardieiro, V., Hendricks, A.,
Miranda Filho, D., Nieto Garcia, J. D.,
F. Bocca, F., B. Veronese, T., Wanner,
L., & Medeiros Raimundo, M. (2025).
Best practices for responsible machi-
ne learning in credit scoring. Neural
Computing and Applications, 37(25),
20781–20821. https://doi.org/10.1007/
s00521-025-11520-y
Ván, B., Lovics, G., Tóth, C. G., & Szőke,
K. (2025). Digitalization against tax
evasion: evidence on the role of com-
pany size. Journal of Business Eco-
nomics, 95(5), 749–776. https://doi.
org/10.1007/s11573-025-01225-y
Vargas Huapaya, A. C., Sante Samar, L.
N., Trigoso Mejía, J. M., Mamanchura
Sanchez, E. N., & Falconi Tupiño, H.
A. (2025). Digital transformation in ta-
123
SeSgo algorítmico en la fiScalización digital y SoStenibilidad SeSgo algorítmico en la fiScalización digital y SoStenibilidad
de laS micro, pequeñaS y medianaS empreSaS de laS micro, pequeñaS y medianaS empreSaS
Rodríguez, F., Rangel, J., & Durán, G.
YACHANA Revista Cientíca, vol. 15, núm. 2 (julio-diciembre de 2026), pp. 107-123
xation: The role of articial intelligen-
ce and big data in the modernization
of scal administration, 2024. 23rd
LACCEI International Multi-Confe-
rence for Engineering, Education, and
Technology Engineering, Articial In-
telligence, and Sustainable Technolo-
gies in service of society, 1-10 https://
doi.org/10.18687/laccei2025.1.1.1187
Yu, C., & Li, Y. (2025). Digitalization of
tax collection and enterprises’ social
security compliance. International
Tax and Public Finance, 32(4), 1213–
1252. https://doi.org/10.1007/s10797-
024-09867-4
Zaccour, J., Binns, R., & Rocher, L.
(2025). Access denied: Meaningful
data access for quantitative algori-
thm audits. CHI ‘25: Proceedings of
the Conference on Human Factors in
Computing Systems. 1-31 https://doi.
org/10.1145/3706598.3713963
Zhao, S., Darko, D. A., Kodua, L. T., Luo,
A., Sun, T., Sagoe, A. A., & Ben-
tum-Micah, G. (2025). Systematic
prioritization of e-business risks in
China west Africa digital cooperation
using empirical evidence from Gha-
na. Discover Sustainability, 6(1). 846.
https://doi.org/10.1007/s43621-025-
01553-7
Para referenciar este artículo utilice el siguiente formato:
Rodríguez, F., Rangel, J., & Durán, G. (2026, julio-diciembre). Sesgo algorítmico en la sca-
lización digital y sostenibilidad de las micro, pequeñas y medianas empresas. YACHANA
Revista Cientíca, 15(2), 107-123. 10.62325/10.62325/yachana.v15.n2.2026.1061
