UMA PROPOSIÇÃO DE MODELOS DE PREVISÃO DE RISCO DE  CRÉDITO PARA PEQUENAS E MÉDIAS EMPRESAS POR MEIO DA REGRESSÃO LOGÍSTICA

Flávio Führ; José Donizetti de Lima; Gilson Ditzel Santos; Sady Mazzioni

doi:10.13037/gr.vol38n113.6996

Autores

Flávio Führ Instituto Federal do Paraná. Colegiado de Ciências Contábeis https://orcid.org/0000-0003-3205-4583
José Donizetti de Lima UTFPR - Universidade Tecnológica Federal do Paraná - Campus Pato Branco https://orcid.org/0000-0001-5260-9035
Gilson Ditzel Santos UTFPR - Universidade Tecnológica Federal do Paraná - Campus Pato Branco https://orcid.org/0000-0002-7839-2281
Sady Mazzioni Unochapecó - Universidade Comunitária da Região de Chapecó. Área de Ciências Sociais Aplicadas. https://orcid.org/0000-0002-8976-6699

DOI:

https://doi.org/10.13037/gr.vol38n113.6996

Palavras-chave:

Credit scoring, Pequenas e médias empresas, Regressão logística.

Resumo

RESUMO A busca por padrões que contribuam na predição de risco, é crescente nas organizações. A utilização de modelos de credit scoring busca auxiliar o analista de crédito na tomada de decisão. Este trabalho objetiva elaborar procedimentos metodológicos, para estruturar e melhorar os modelos de credit scoring direcionados a análise de pequenas e médias empresas. Com a utilização da técnica estatística da regressão logística, por meio das melhorias elaboradas nos procedimentos metodológicos, como exemplo: divisão da base de dados em classes conforme enquadramento das empresas, foi possível o desenvolvimento de 5 modelos de credit scoring, sendo um modelo para cada classe de empresas e outro para a base geral de dados. Os modelos foram direcionados às entidades de fomento e concessão de crédito para pequenas e médias empresas. As acurácias dos modelos apresentaram percentuais expressivos para base de dados com variáveis não contábeis e não auditáveis, atingindo percentuais satisfatórios.

Downloads

Não há dados estatísticos.

Biografia do Autor

Flávio Führ, Instituto Federal do Paraná. Colegiado de Ciências Contábeis

Mestrado concluído em 2018 no Programa de Pós-Graduação de Engenharia de Produção. Professor do Curso de Ciências Contábeis no IFPR-Campus Palmas. Departamento/Colegiado de Ciências Contábeis. Área de Sociais Aplicadas.

José Donizetti de Lima, UTFPR - Universidade Tecnológica Federal do Paraná - Campus Pato Branco

Doutorado em Engenharia de Produção pela Universidade Federal do Rio Grande do Sul (UFRGS) Professor do programa de Pós Graduação em Engenharia de Produção e Pesquisador da UTFPR.

Gilson Ditzel Santos, UTFPR - Universidade Tecnológica Federal do Paraná - Campus Pato Branco

É doutor em Administração pela Faculdade de Economia, Administração e Contabilidade da Universidade de São Paulo (2009).Professor dos programas de pós-graduação em Desenvolvimento Regional e Engenharia de Produção e Sistemas.

Sady Mazzioni, Unochapecó - Universidade Comunitária da Região de Chapecó. Área de Ciências Sociais Aplicadas.

Doutor em Ciências Contábeis e Administração (2015). Atualmente é professor titular C, atuando no Mestrado em Ciências Contábeis e Administração da Unochapecó, na graduação e na especialização.

Referências

ALVIM, P. C. R. C. O papel da informação no processo de capacitação tecnológica das micro e pequenas empresas. Ciência da Informação, Brasília, v.27, n.1, p. 28-35, 1998.

ARAÚJO, E. A.; CARMONA, C. U. M. Construção de modelos credit scoring com Análise Discriminante e Regressão Logística para a gestão do risco de inadimplência de uma instituição de microcrédito. Revista Eletrônica de Administração, v.15, n.1, 2009.

BANCO NACIONAL DE DESENVOLVIMENTO - BNDES. Classificação de porte de empresa. Disponível em: <https://www.bndes.gov.br/wps/portal/site/home/imprensa/noticias/conteudo/20100622_modificacao_porte_empresa>. Acesso em: 11 nov 2017.

BERGER, N. A.; COWAN, A. M.; FRAME, W. S. The surprising use of credit scoring in small business lending by community banks and the attendant effects on credit availability, risk, and profitability. Journal of Financial Services Research, v.39, n.1, p. 1–17, 2011.

BERTI, A. Consultoria e Diagnóstico Empresarial. 2.ed. Curitiba: Juruá, 2012.

BRASIL, Lei nº 128, de 19 de dezembro de 2008, Presidência da República. Casa Civil.

Subchefia para Assuntos Jurídicos teoria e prática. Disponível: <http://www.planalto.gov.br/ccivil_03/leis/lcp/lcp128.htm>. Acesso em: 12 ago 2017.

BRASIL, Lei nº 123, de 14 de dezembro de 2006, Presidência da República. Casa Civil.

Subchefia para Assuntos Jurídicos teoria e prática. Disponível: < http://www.planalto.gov.br/ccivil_03/Leis/LCP/Lcp123.htm>. Acesso em: 12 ago 2017.

BRUNI, A. L. A análise contábil e financeira. 4. ed. São Paulo: Atlas. 2010.

CAMARGOS, M. A. DE.; CAMARGOS, M. C. S.; ARAÚJO, E. A. A inadimplência em um programa de crédito de uma instituição financeira pública de minas gerais: uma análise utilizando Regressão Logística, REGE, São Paulo, v.19, n.3, p. 467–486, 2012.

CIAMPI, F.; GORDINI, N. Small Enterprise Default Prediction Modeling through Artificial Neural Networks: An Empirical Analysis of Italian Small Enterprises. Journal of Small Business Management, v.51 n.1, p.23-45, 2013.

CUNHA, J. V. A.; COELHO, A. C. Regressão Linear Múltipla. In: Corrar, L. J. (Coord.); Paulo, E. (Coord.); Dias Filho, J. M. (Coord.). Análise Multivariada: para os Cursos de Administração, Ciências Contábeis e Economia. São Paulo: Atlas, cap. 3, 2017.

DIAS FILHO, J. M.; CORRAR, L. J. Regressão Logística. In: Corrar, L. J. (Coord.); Paulo, E. (Coord.); Dias Filho, J. M. (Coord.). Análise Multivariada: Para os Cursos de Administração, Ciências Contábeis e Economia. São Paulo: Atlas, cap. 5, 2017.

DINIZ, C.; LOUZADA, F. Métodos Estatísticos para Análise de Dados de Crédito. In: 6th BRAZILIAN CONFERENCE ON STATISTICAL MODELLING IN INSURANCE AND FINANCE. Maresias – São Paulo, ABE, USP, UNICAMP 24 a 28 de março 2013.

DUARTE, S. V.; FURTADO, M. S. V. Trabalho de conclusão de curso em Ciências Sociais Aplicadas. 1.ed. São Paulo: Saraiva, 2014.

GARCÍA S. et al. A survey of discretization techniques: Taxonomy and empirical analysis in supervised learning. IEEE Transactions on Knowledge and Data Engineering, v.25 n.4, p.734-750, 2013.

GIL, A. C. Métodos e Técnicas de Pesquisa Social, 7.ed. São Paulo: Atlas, 2009.

GONÇALVES, E. B.; GOUVÊA, M. A.; MANTOVANI, D. M. N. Análise de risco de crédito com o uso de Regressão Logística. Revista Contemporânea de Contabilidade. UFSC, Florianópolis, v.10, n.20, p.139-160, 2013

GOUVÊA, M. A.; GONÇALVES, E. B. Análise de risco de crédito com o uso de modelos de Regressão Logística e redes neurais. Globalização e Internacionalização de Empresas, X

SEMINÁRIO EM ADMINISTRAÇÃO FEA-USP, 09 a 19 de agosto 2007.

HAIR JR, et al. Análise multivariada de dado. Tradução Adonai Schlup Sant’Anna. 6.ed. Porto Alegre: Bookman, 2009.

KELLY, M. G.; HAND, D. J. Credit scoring with uncertain class definitions. IMA Journal of Management Mathematics, v. 10, n. 4, p. 331-345, 1999.

LEMOS, E. P.; STEINER, M. T. A.; NIEVOLA, J. C. Análise de crédito bancário por meio de redes neurais e árvores de decisão: uma aplicação simples de data mining. Revista de Administração. São Paulo, v.40, n.3, p.225-234, jun./ago./set, 2005.

LI, K.; NISKANEN, J.; KOLEHMAINEN, M. Financial innovation credit default hibrid model for SME lending. Expert Systems With Applications, v.61 p. 343-355, 2016.

LOUZADA, F.; ARA, A. FERNANDES, G. B. Classification methods applied to credit scoring: Systematic review and overall comparison. Surveys in Operations Research and Management Science. v.21 n.2, p.117– 134, 2016.

LUNET, N.; SEVERO, M.; BARROS, H. Desvio padrão ou erro padrão: Notas Metodológicas. ArquiMed, 2006. Disponível: <http://www.scielo.mec.pt/pdf/am/v20n1-2/v20n1-2a08.pdf>. Acesso em: 15 jan 2018.

LUO, C.; WU, Desheng.; WU, Dexiang. A deep learning approach for credit scoring using credit default swaps. Engineering Applications of Artificial Intelligence, v.65, p 465-470, October 2017.

LUO, S.; KONG, X.; NIE, T. Spline based survival model for credit risk modeling. European Journal of Operational Research, v.253. n.3, p 869-879, September 2016.

MARQUÉS, A. I.; GARCÍA, V.; SÁNCHEZ, J. S. Exploring the behaviour of base classifiers in credit scoring ensembles. Expert Systems with Applications, v.39 n.11, p.10244–10250, September 2012.

MARQUES, J. M.; LIMA. J. D. de. A estatística multivariada na análise econômico-financeira de empresas. Revista FAE, Curitiba, v.5, n.3, p.51-59, 2002.

MILERIS, R. Macroeconomic Determinants of Loan Portfolio Credit Risk in Banks. Inzinerine Ekonomika-Engineering Economics, v.23 n.5, p.496–504, 2012.

MISSIO, F.; JACOBI, L. Variáveis dummy: especificações de modelos com parâmetros variáveis. Ciência e Natura, v.29, n.1, p.111-135. 2007.

MSELMI, N.; LAHIANI, A.; HAMZA, T. Financial distress prediction: The case of French small and medium-sized firms. International Review of Financial Analysis. v.50 p. 67-80, 2017.

OHLSON, J. A. Financial Ratios and the Probabilistic Prediction of Bankruptcy. Journal of Accounting Research, v.18 n.1, p.109-131, 1980.

PRADO et al. Multivariate analysis of credit risk and bankruptcy research data: a bibliometric study involving different knowledge fields (1968–2014). UFLA. Scientometrics. v.106, n.3, p. 1007–1029, 2016.

RODRIGUES, A.; PAULO, E. Introdução à Análise Multivariada. In: Corrar, L. J. (Coord.); Paulo, E. (Coord.); Dias Filho, J. M. (Coord.). Análise Multivariada: para Curso de Administração, Ciências Contábeis e Economia. São Paulo: Atlas, cap. 1, 2017.

ROGERS, Dany.; MENDES-DA-SILVA.W.; Rogers Pablo. Credit Rating Change and Capital Structure in Latin America. Brazilian Administration Review - BAR, v.13, n2, p.1–22, 2016.

SELAU, L. P. R.; RIBEIRO, J. L. D. Uma sistemática para construção e escolha de modelos de previsão de risco de crédito. Gestão e Produção, v.16, n.3, p.398-413, 2009.

SELAU, L. P. R.; RIBEIRO, J. L. D. A systematic approach to construct credit risk forecast models. Pesquisa Operacional, v.31 n.1, p. 41–56, 2011.

SILVA, R. A.; RIBEIRO, E. M.; MATIAS, A. B. Aprendizagem estatística aplicada à previsão de default de crédito. Revista de Finanças Aplicadas, v.7, n.2, p.1-19, 2016.

SILVA, J. P. D. Análise Financeira das Empresas. São Paulo: Atlas, 2004.

SILVA, J. P. D. Gestão e Análise de Risco de Crédito. 9.ed. rev. e atualizada. São Paulo: Cangage Learning, 2016.

SMARANDA, C. Scoring Functions and Bankruptcy Prediction Models: Case Study for Romanian Companies. Procedia Economics and Finance, v.10, p.217-226, 2014.

VENTURA, R. Mudanças no Perfil do Consumo no Brasil; Principais Tendências nos Próximos 20 Anos. Macroplan – Prospectiva, Estratégia e Gestão, agosto 2010.

ZHU, Y. et al. Predicting China’s SME credit risk in supply chain financing by logistic regression, artificial neural network and hybrid models. Sustainability (Switzerland), v.8, n.5, p.1-17, 2016.