Resumo

O risco está associado à probabilidade de que ocorra determinado resultado em relação ao retorno esperado. Está voltado para o futuro, revelando uma possibilidade de perda (DAMODARAN, 2011). Nas atividades financeiras de crédito busca-se transformar a incerteza em risco mensurável. Existem diversas ferramentas que se propõem à análise do crédito. As mais tradicionais, são as técnicas de análise multivariada. Contudo, técnicas de Inteligência artificial têm despertado a atenção dos pesquisadores.

Martins (2003) afirma que a literatura não determina quais indicadores são mais expressivos na avaliação da insolvência. Neste sentido, o problema constitui-se em quais indicadores econômico-financeiros contribuem para uma melhor acurácia na análise da concessão de crédito para empresas brasileiras de capital aberto? Adiante ainda, aferir quais das técnicas utilizadas (análise discriminante, regressão logística e redes neurais) apresentam melhor acurácia para prever a falência empresarial.

Segundo Sicsú (2010), quantificar o risco de crédito de forma objetiva, por meio de técnicas quantitativas de análise, tem apresentado grandes vantagens como, por exemplo, rapidez nas decisões, decisões mais consistentes, decisões adequadas e outras. Complementando, Kimura et al. (2008) afirmam que a gestão de risco, por meio da pesquisa e implementação de modelos quantitativos, tem se tornado uma das principais áreas dentro das empresas modernas.

Com base na literatura foram selecionados 35 indicadores. Por meio da Lei n. 7.661, e da Lei nº 11.101, foram escolhidas na base de dados Economática 51 empresas insolventes e também 70 empresas solventes do mesmo período e setor para equiparar a amostra. Para a criação dos modelos, são utilizados análise discriminante, regressão logística e redes neurais artificiais. Para avaliar os modelos utilizou-se a Curva ROC (Receiver Operating Characteristics) e o teste de Kolmogorov-Smirnov – KS.

Todos os pressupostos das modelagens foram atendidos. Ao se comparar as técnicas utilizadas para prever a insolvência empresarial, por meio da Curva ROC (Receiver Operating Characteristics) do teste de Kolmogorov-Smirnov – KS, assim como, por meio do Erro tipo I e da acurácia de acerto, pode-se perceber a superioridade das redes neurais sobre a regressão logística e desta sobre a análise discriminante. Dos 35 indicadores selecionados, apenas 17 participaram dos agrupamentos finais para análise.

Para os três modelos e os sete agrupamentos de indicadores propostos, foram gerados 21 modelos, os quais apresentaram acurácia acima de 85% nas classificações, o que demonstra que os agrupamentos propostos obtiveram bons resultados. Acredita-se que, por meio do presente estudo, pode-se elucidar algumas das características que possuem as empresas insolventes da amostra. Tais contribuições são fundamentais para as pesquisas de risco de crédito e contribuem para o desenvolvimento da temática.

SICSÚ, A. L. Credit scoring: desenvolvimento, implantação, acompanhamento. SP: Blucher, 2010. MARTINS, M. S. A previsão de insolvência pelo modelo de Cox: uma contribuição para a análise de companhias abertas brasileiras. 2003. DAMODARAN, A. Investment Valuation: Tools and Techniques for Determining the Value of Any Asset. NY: John Wiley & Sons: 2011. KIMURA, H. et al. Value-at-Risk: como entender e calcular o risco pelo VaR: uma contribuição para a gestão no Brasil. RP: Inside Books, 2008.