Académique Documents
Professionnel Documents
Culture Documents
Marlene Zge *
Anselmo Chaves Neto **
RESUMO
ABSTRACT
* Economista, Mestre em Cincias Sociais Aplicadas, Concentrao em Economia pela FACEPAL-PR. Professora do
Departamento de Economia da Fundao Faculdade Municipal de Administrao e Cincias Econmicas - FACE de Unio da
Vitria (PR). E-mail: marlene@twin-net.com.br
** Matemtico, Engenheiro Civil, Doutor em Engenharia Eltrica, rea de Concentrao: Sistemas Estocsticos e Estatstica
pela PUC-RJ Pesquisador e Professor Titular do Departamento de Estatstica da Universidade Federal do Paran - UFPR. E-mail:
anselmo@est.ufpr.br
INTRODUO
1
A queda brutal no preo do barril de petrleo, em funo da desacelerao no ritmo da atividade econmica mundial,
afetou as contas do setor pblico venezuelano, que tem no petrleo seu principal produto exportador.
Ajustamento da Regra de
Anlise do Desempenho Abordagem dos Mtodos Reconhecimento de
Empresarial Estatsticos Multivariados Padres e Classificao e
ndices Econmico-Financeiros Mtodo de Fisher Avaliao do Desempenho
1 METODOLOGIA
Num primeiro momento, este estudo requereu conhecimento de natureza descritiva
dos argumentos envolvidos (descrio dos ndices econmico-financeiros), que revelou
importantes caractersticas da situao econmico-financeira decorrida nestas empresas e,
ainda, permitiu a classificao das empresas a priori. Num segundo momento, para verificar se
as empresas foram classificadas corretamente, a anlise requereu um mtodo quantitativo
atravs de tcnica estatstica multivariada, aplicada no reconhecimento de padres.
Pela ordem, foram utilizadas a Anlise de Balanos Patrimoniais e
Demonstraes de Resultado; Identificao das Variveis (ndices Financeiros e
Econmicos); Determinao do Peso4 fornecida pelo modelo de Kanitz; Anlise Estatstica
Multivariada, empregando-se o Mtodo de Fisher; e Avaliao de Lachenbruch, para
construo de um modelo de reconhecimento de padres e classificao das empresas
analisadas. No item 2.1, a seguir, so descritas as duas ltimas tcnicas.
4
O peso foi obtido utilizando-se o modelo estatstico desenvolvido pelo professor KANITZ (1978) em meados dos anos
70. A frmula para obter o peso dada por: RPL x 0,05 + LG x 1,65 + LS x 3,55 LC x 1,06 PCT x 0,33 = Fator de Insolvncia.
Y = c X
1x 1 1xp px 1
tem-se:
1y = E (Y |1) = E (cX |1) = cE (X |1) = c1,
2y = E (Y |2) = E (cX |2) = cE (X |2) = c2, e
2
V(Y) = y = V (cX) = cV(X)c = cc, que a mesma para ambas populaes.
Segundo Fisher, citado por MORRISON (1971), a melhor combinao linear a
derivada da razo entre o quadrado da distncia entre as mdias e a varincia de Y,
conforme ilustrado a seguir:
( 1y 2 y ) 2 (c 1 c 2 ) 2 c ( 1 2 )( 1 2 ) c ( c ) 2
= = = onde = 1 - 2.
2y c c c c c c
- 2)-1 X, que conhecida como Funo Discriminante Linear de Fisher. Observa-se que
a Funo Discriminante Linear de Fisher transforma as populaes multivariadas 1 e 2
em populaes univariadas, tais que as mdias das populaes univariadas
correspondentes so separadas tanto quanto possvel relativamente varincia
populacional, considerada comum.
Assim, tomando-se y0 = (1 - 2) -1 x0como o valor da Funo Discriminante de
Fischer para uma nova observao x0, e considerando o ponto mdio entre as mdias das
duas populaes univariadas,
1
m= ( 1 y + 2 y ), como:
2
m = 1 (c + c )
1 1 2
2 2
m= 1
2 1
[
( 2 ) 1 1 + ( 1 2 ) 1 2 ]
m= 1
2
[
( 1 2 ) 1 ( 1 + 2 )
, tem-se:
]
E (Y0 |1) - m 0
E (Y0 |2) - m < 0,
ou seja, se X0 pertence a 1, espera-se que Y0 seja igual ou maior do que o
ponto mdio. Por outro lado, se X0 pertence a 2, o valor esperado de Y0 ser menor que o
ponto mdio .
Dessa forma, a regra de classificao :
- alocar x0 em 1 se y0 - m 0
- alocar x0 em 2 se y0 - m < 0
J o Mtodo de Lachenbruch, segundo JOHNSON e WICHERN (1998), uma
abordagem estatstica empregada para avaliar o desempenho da regra de reconhecimento
de padres e estimar a probabilidade de classificao correta e incorreta em cada grupo.
Por exemplo, no caso de dois grupos n1 e n2, importante obedecer aos seguintes passos:
a) iniciando com o grupo da populao 1, omita uma observao deste grupo e
ajuste a funo baseada nas n1-1 + n2 observaes;
b) reconhea (classifique) a observao no incorporada usando a funo;
c) repita os passos 1 e 2 at que todas as n1 observaes de 1 sejam
classificadas. Seja n (2HM) o nmero de observaes reconhecidas erroneamente
neste grupo (G1);
(H)
d) repita os passos de 1 a 3 para as n2 observaes de 2. Seja n 2 M o nmero
de observaes reconhecidas erroneamente neste grupo (G2).
Ento, a probabilidade de classificao incorreta no Grupo 1 (empresas
saudveis) foi :
n(H ) 1
P (2 1) = 1 M ou = 0 , 0208
n1 48
e a probabilidade de classificao incorreta no Grupo 2 (empresas com
problemas) foi:
n (H ) 3
P (1 2 ) = 2 M ou = 0 , 25
n2 12
Assim, a proporo total esperada de erro :
n1( MH ) + n(2HM ) 1+ 3
E ( AER) = = = 0,0667 = 6,7%
n1 + n2 48 + 12
Yi = -1,40 + 0,073i1 + 0,189i2 + 0,006i3 + 0,391i4 + 0,107i5 + 0,317i6 - 0,074i7 + 0,008i8 - 0,203i9 ;
i = 1,2,.. 60 (3.1)
ESTIMATIVAS DOS
VARIVEIS
COEFICIENTES
Constante 1,40
Margem de Garantia + 0,073i1
Grau de Endividamento + 0,189i2
Grau de Imobilizao + 0,006i3
Liquidez Seca + 0,391i4
Liquidez Corrente + 0,107i5
Liquidez Geral + 0,317i6
Retorno sobre as Vendas 0,074i7
Retorno sobre Patrimnio Lquido + 0,008i8
Peso + 0,008i8
ESCORE DE CLASSIFICAO y
FONTE DOS DADOS BRUTOS: Cadastro BRDE
12
10
0
-2.7 -0.7 1.3 3.3 5.3
Escores
FONTE DOS DADOS BRUTOS: Cadastro BRDE
NOTA: So 48 empresas saudveis e 12 empresas com problemas.
GRUPO 1 GRUPO 2
GRUPO ATUAL
Chance de Classif. Chance de Classif.
N. de Empresas N. de Empresas
(%) (%)
1 47 97,92 1 2,08
2 3 25,00 9 75,00
CONCLUSO
Os principais resultados dessa pesquisa mostram alguns avanos importantes
quanto anlise do desempenho das empresas, atravs de seus indicadores econmico-
financeiros, associados aos mtodos estatsticos multivariados, dado que permitem um
diagnstico preliminar da situao atual da empresa e importantes aplicaes prticas para
diversos usurios (bancos, analistas de crditos, fornecedores, entre outros):
- o primeiro resultado diz respeito ao modelo desenvolvido, utilizando-se nove
indicadores resultantes da anlise contbil financeira de 60 balanos e mtodos
estatsticos multivariados. A partir da matriz de dados X, de ordem 60 por 9,
construiu-se a Funo Discriminante Linear de Fisher, que corresponde Regra
de Reconhecimento e Classificao das empresas. A expresso algbrica 3.1,
item 3, corresponde a esta regra e, comparando-se o escore obtido com o
ponto mdio estimado m = 1,009985, feita a classificao da empresa;
- o segundo resultado refere-se ao desempenho do modelo que se revelou
satisfatrio, avaliado segundo o mtodo de Lachenbruch, que mostrou uma
probabilidade total de classificao correta de 93,3%. Assim, chegou-se a uma
frmula razovel para auxiliar os analistas de crdito bancrio (e demais
usurios) no processo de tomada de deciso e previso futura dos clientes;
- para facilitar a aplicao da regra e automatizar a classificao de novas
empresas, recomenda-se a programao computacional do modelo.
Ademais, vale sublinhar que o modelo desenvolvido nesta pesquisa possibilita
um diagnstico preliminar da situao corrente da empresa, ou seja, ele no esgota a anlise
de gesto e desempenho empresarial de qualquer firma. Quando aliado anlise de outros
fatores, como conjuntura econmica, qualidade de gesto administrativa das empresas,
tipo de mercado, ramo de atividade, caractersticas organizacionais, estrutura de custos,
etc., melhora sensivelmente o processamento e o controle das informaes-chave para a
tomada de decises de crdito mais embasadas e acertadas.
REFERNCIAS BIBLIOGRFICAS
1 GITMAN, Laurence J. Princpios de administrao financeira. 7.ed. So Paulo : Harbra, 1997.
2 JOHNSON, Richard A.; WICHERN, Deam W. Applied multivariate statistical analysis.
New Jersey : Prentice-Hall Inc., 1998.
3 KANITZ, Stephen C. Como prever falncias. 1.ed. So Paulo : McGraw-Hill do Brasil, 1978.
4 MORRISON, D.F. Multivariate statistical methods. New York : McGraw-Hill, 1971.
5 SCHRICKEL, Wolfgang K. Anlise de crdito: concesso e gerncia de emprstimos. 4.ed.
So Paulo : Atlas, 1998.