Identificación y análisis de los criterios de aplicación de la Tasa de Descuento para el cálculo de la provisión del Plan de Cierre de Minas en las grandes empresas mineras del Perú y su impacto en sus Estados Financieros y rentabilidad en el ejercicio 2016
Bibliographic record
Abstract
El uso de la tasa de descuento en el cálculo de la provisión por cierre de mina ha sido uno de los temas más importantes en la contabilidad de toda empresa minera que se encuentra operando en Perú. La Norma Internacional de Contabilidad N° 37 – “Provisiones, Pasivos Contingentes y Activos Contingentes” señala que las compañías mineras del Perú deben realizar el cálculo del valor presente por los desembolsos que realizarán como consecuencia de la provisión por cierre de mina, pero el problema surge cuando dichas compañías se cuestionan qué tasa de descuento deberán usar para traer al valor presente. Las compañías mineras como Buenaventura, Tintaya, Barrick, Yanacocha, Minsur, entre otras han utilizado distintas tasas de descuento para el cálculo de la provisión por cierre de mina. Por ejemplo, muchos han utilizado una tasa de bonos americanos, otros han utilizado una WACC, bonos canadienses, entre otras tasas. En la presente tesis se identifican y analizan los criterios utilizados por las compañías mineras en el Perú para determinar la tasa de descuento que será utilizado para traer al valor presente los desembolsos futuros que son presentados en el Plan de Cierre de Mina al Ministerio de Energía y Minas. Por otro lado, en nuestra investigación se recomienda con el soporte académico y metodológico de profesionales encargados de realizar el cálculo de la provisión por cierre de mina y con aquellos profesionales externos encargados de revisar dicha provisión, sobre la tasa de descuento más apropiada a utilizar por las compañías mineras en Perú.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.011 | 0.032 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".