Análisis del riesgo de crédito que enfrentan las empresas de capital abierto en Brasil: un enfoque utilizando análisis discriminante regresión logística y redes neuronales artificiales
DOI:
https://doi.org/10.18046/j.estger.2019.153.3151Palabras clave:
Riesgo de crédito, Bancarrota, Brasil, Indicadores financierosResumen
El objetivo del presente artículo es identificar cuáles son los indicadores económicos-financieros que mejor distinguen a las empresas brasileras de capital abierto por medio de concesión de crédito y evaluar cuáles de las técnicas utilizadas son las más precisas para prever la bancarrota de las empresas. Los métodos utilizados para prever la insolvencia fueron análisis discriminante, regresión logística y redes neuronales. La muestra fue compuesta por 121 empresas de diversos sectores, siendo 70 solventes y 51 insolventes. Los análisis utilizaron 35 indicadores económicos-financieros. Los indicadores económicos-financieros más relevantes fueron: necesidad de capital de trabajo sobre utilidad líquida, termómetro de liquidez, retorno sobre el patrimonio líquido, margen de beneficio, ratio de endeudamiento y patrimonio líquido sobre los activos. El modelo de redes neuronales presentó una mayor precisión y fue corroborada por la Curvas Características Operativas del Receptor (curva ROC).
Descargas
Referencias
Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The journal of finance, 23(4), 589-609. https://doi.org/10.1111/j.1540-6261.1968.tb00843.x
Altman, E. I., Baidya, T. K., & Dias, L. M. R. (1979). Previsão de problemas financeiros em empresas. Revista de administração de empresas, 19(1), 17-28. http://dx.doi.org/10.1590/S0034-75901979000100002
Assaf Neto, A. (2014). Finanças corporativas e valor (7rd ed.). São Paulo: Atlas.
Baesens, B., Van Gestel, T., Viaene, S., Stepanova, M., Suykens, J., & Vanthienen J. (2003). Benchmarking state-of-the-art classification algorithms for credit scoring, Journal of the operational research society, 54(6), 627-635. https://doi.org/10.1057/palgrave.jors.2601545
Barboza, F., Kimura, H., & Altman, E. (2017). Machine learning models and bankruptcy prediction. Expert Systems with Applications, 83, 405-417. https://doi.org/10.1016/j.eswa.2017.04.006
Beaver, W. H. (1966). Financial ratios as predictors of failure. Journal of accounting research, (4), 71-111. http://dx.doi.org/10.2307/2490171
Bellovary, J. L., Giacomino, D. E., & Akers, M. D. (2007). A review of bankruptcy prediction studies: 1930 to present. Journal of Financial Education, 33, 1-42.
Braga, R. (1991). Análise avançada do capital de giro. Caderno de estudos FIPECAFI, 3(3), 1-34.
Brasil (1945). Presidência da República, Decreto-Lei nº 7.661, de 21 de junho de 1945, Lei de Falências. Brasília. Retrieved on March 8, 2018, from: Retrieved on March 8, 2018, from: http://www.planalto.gov.br/ccivil_03/decreto-lei/del7661.htm
Brasil (2005). Congresso Nacional, Lei nº 11.101, de 9 de fevereiro de 2005. Brasília. Retrieved on March 8, 2018, from: Retrieved on March 8, 2018, from: http://www.planalto.gov.br/ccivil_03/_Ato2004-2006/2005/Lei/L11101.htm#art200
Brito, G. A. S. (2005). Mensuração de risco de portfólio para carteiras de crédito a empresas (Doctoral dissertation, Universidade de São Paulo). Retrieved on March 8, 2018, from: Retrieved on March 8, 2018, from: http://www.teses.usp.br/teses/disponiveis/12/12136/tde-07062006-160044/pt-br.php
Brito, G. A. S., Assaf Neto, A., & Corrar, L. J. (2009). Sistema de classificação de risco de crédito: uma aplicação a companhias abertas no Brasil. Revista Contabilidade & Finanças, 20(51), 28-43. https://doi.org/10.1590/S1519-70772009000300003
Bülbül, D., Hakenes, H., & Lambert, C. (2019). What influences banks’ choice of credit risk management practices? Theory and evidence. Journal of Financial Stability, 40, 1-14. https://doi.org/10.1016/j.jfs.2018.11.002
Castro Junior, F. H. F. D. (2003). Previsão de insolvência de empresas brasileiras usando análise discriminante, regressão logística e redes neurais (Doctoral dissertation, Universidade de São Paulo). Retrieved on March 8, 2018, from: Retrieved on March 8, 2018, from: http://www.teses.usp.br/teses/disponiveis/12/12139/tde-16092004-121634/en.php
do Prado, J. W., de Castro Alcântara, V., de Melo Carvalho, F., Vieira, K. C., Machado, L. K. C., & Tonelli, D. F. (2016). Multivariate analysis of credit risk and bankruptcy research data: a bibliometric study involving different knowledge fields (1968-2014). Scientometrics, 106(3), 1007- 1029. https://doi.org/10.1007/s11192-015-1829-6
Durand, D. (1941). Risk elements in consumer installment lending. Studies in consumer installment financing, 8, 1-101.
Durand, D. (1952). Costs of debt and equity funds for business: trends and problems of measurement. In Conference on research in business finance. NBER.
Eifert, D. S. (2003). Análise quantitativa na concessão de crédito versus inadimplência: um estudo empírico (Doctoral dissertation, Universidade Federal do Rio Grande do Sul). Retrieved on March 8, 2018, from: Retrieved on March 8, 2018, from: https://lume.ufrgs.br/handle/10183/3533
Fisher,R.A.(1936).The use of multiple measures in taxonomic problems. Annals of Eugenics, 7(2), 179-188. https://doi.org/10.1111/j.1469-1809.1936.tb02137.x
Fleuriet, M. et al. (1978). A dinâmica financeira das empresas brasileiras: um método de análise, orçamento e planejamento financeiro (1rd ed.). Belo Horizonte: Fundação Dom Cabral.
Fleuriet, M. et al. (2003). O Modelo Fleuriet: a dinâmica financeira das empresas brasileiras: um método de análise, orçamento e planejamento financeiro (3rd ed.). Rio de Janeiro: Campus.
García, F., Guijarro, F., & Moya, I. (2013). Monitoring credit risk in the social economy sector by means of a binary goal programming model. Service Business, 7(3), 483-495. https://doi.org/10.1007/s11628-012-0173-7
Hair, J. F. et al. (2009). Análise multivariada de dados (6rd ed.). Porto Alegre: Bookman.
Harris, T. (2013). Quantitative credit risk assessment using support vector machines: Broad versus Narrow default definitions. Expert Systems with Applications, 40(11), 4404-4413. https://doi.org/10.1016/j.eswa.2013.01.044
Haykin, S. (2007). Redes neurais: princípios e prática (2rd ed.). Bookman Editora.
Horta, R. A. M. (2010). Uma metodologia de mineração de dados para a previsão de insolvência de empresas brasileiras de capital aberto (Doctoral dissertation, Universidade Federal do Rio de Janeiro). Retrieved on March 8, 2018, from: Retrieved on March 8, 2018, from: http://objdig.ufrj.br/60/teses/coppe_d/RuiAmericoMathiasiHorta.pdf
Hosmer, D. W., & Lemeshow, S. (2004). Applied Logistic Regression (2rd ed.).
John Wiley and Sons. Iturriaga, F. J. L., & Sanz, I. P. (2015). Bankruptcy visualization and prediction using neural networks: A study of U.S. commercial banks. Expert Systems with Applications, 42(6), 2857-2868. https://doi.org/10.1016/j.eswa.2014.11.025
Kanitz, S. C. (1978). Como prever falências (1rd ed.). São Paulo: McGraw-Hill do Brasil.
Kimura, H., Suen, A., Perera, L., & Basso, L. (2008). Value-at-risk-como entender e calcular o risco pelo VaR: uma contribuição para a gestão no Brasil (1rd ed.). Ribeirão Preto: Inside Books.
Kou, G., & Wu, W. (2014). An analytic hierarchy model for classification algorithms selection in credit risk analysis. Mathematical Problems in Engineering, 2014, 1-7. http://dx.doi.org/10.1155/2014/297563
Kumar, P. R., & Ravi, V. (2007). Bankruptcy prediction in banks and firms via statistical and intelligent techniques-A review. European journal of operational research, 180(1), 1-28. https://doi.org/10.1016/j.ejor.2006.08.043
Liu, J., & Wu, C. (2019). Hybridizing kernel‐based fuzzy c‐means with hierarchical selective neural network ensemble model for business failure prediction. Journal of Forecasting. 38(2), 92-105. https://doi.org/10.1002/for.2561
Marconi, M. A., & Lakatos, E. M. (2005). Fundamentos de metodologia científica (5rd ed.). São Paulo: Editora Atlas.
Marion, J. C. (2012). Análise das demonstrações contábeis: contabilidade empresarial (7rd ed.). São Paulo: Editora Atlas .
Marques, J. A. V. C., & Braga, R. (1995). Análise dinâmica do capital de giro: o Modelo Fleuriet. Revista de Administração de Empresas, 35(3), 49-63.
Martins, G. A., & Theóphilo, C. R. (2009). Metodologia da investigação científica para ciências sociais aplicadas (1rd ed.). São Paulo: Editora Atlas .
Matarazzo, D. C. (2010). Análise financeira de balanços: abordagem gerencial (7rd ed.). São Paulo: Editora Atlas .
Matias, A. B. (1978). Contribuição às técnicas de análise financeira: um modelo de concessão de crédito (Doctoral dissertation, Universidade de São Paulo). Print.
Melo, A. C., & Coutinho, E. S. (2007). O modelo Fleuriet como indicador conjunto de solvência e rentabilidade. In XXXI Encontro da EnANPAD. Rio de Janeiro. Brasil.
Minussi, J. A., Damacena, C., & Ness Jr., W. L. (2002). Um modelo de previsão de solvência utilizando regressão logística. Revista de Administração Contemporânea, 6(3), 10-128.
Odom, M. D., & Sharda, R. (1990). A neural network model for bankruptcy prediction. In 1990 IJCNN International Joint Conference on Neural Networks. San Diego, CA, USA. http://dx.doi.org/10.1109/IJCNN.1990.137710
Ohlson, J. A. (1980). Financial ratios and the probabilistic prediction of bankruptcy. Journal of Accounting Research, 18(1), 109-131. http://dx.doi.org/10.2307/2490395
Olinquevitch, J. L., & Santi Filho, A. (2009). Análise de balanços para controle gerencial: demonstrativos contábeis exclusivos do fluxo de tesouraria (5rd ed.). São Paulo: Editora Atlas .
Oreski, S., & Oreski, G. (2014). Genetic algorithm-based heuristic for feature selection in credit risk assessment. Expert Systems with Applications, 41(4 PART 2), 2052-2064. https://doi.org/10.1016/j.eswa.2013.09.004
Padoveze, C. L., & Benedicto, G. C. (2010). Análise das demonstrações financeiras. (3rd ed.). São Paulo: Cengage Learning.
Pal, R., Kupka, K., Aneja, A. P., & Militky, J. (2016). Business health characterization: A hybrid regression and support vector machine analysis. Expert Systems with Applications, 49, 48-59. https://doi.org/10.1016/j.eswa.2015.11.027
Pereira, J. M., Domínguez, M. Á. C., & Ocejo, J. L. S. (2007). Modelos de previsão do fracasso empresarial: aspectos a considerar. Tékhne-Revista de Estudos Politécnicos, 6(7), 111-148.
Sabato, G. (2009). Modelos de Scoring de risco de crédito. Revista Tecnologia de Crédito, 1(68), 29-47.
Santana, P. J., Lanzarini, L., & Bariviera, A. F. (2018). Fuzzy credit risk scoring rules using FRvarPSO. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 26(Suppl. 1), 39-57. http://dx.doi.org/10.1142/S0218488518400032
Sanvicente, A. Z., & Minardi, A. M. A. F. (1998). Identificação de indicadores contábeis significativos para a previsão de concordata de empresas. Instituto Brasileiro de Mercado de Capitais, Working Paper, 1-12. Retrieved on March 8, 2018, from: Retrieved on March 8, 2018, from: http://www.cyta.com.ar/elearn/tc/marterial/altaman5.pdf
Schrickel, W. K. (2000). Análise de crédito: concessão e gerencia de empréstimos (5rd ed.). São Paulo: Atlas .
Sicsú, A. L. (2010). Credit Scoring: desenvolvimento, implantação, acompanhamento (1rd ed.). Blucher.
Silva, J. P. (1983). Administração de crédito e previsão de insolvência (1rd ed.). São Paulo: Editora Atlas .
Silva, J. P. (2008). Gestão e análise de risco de crédito (1rd ed.). São Paulo: Editora Atlas .
Soares, R. A., & Rebouças, S. M. D. P. (2015). Avaliação do desempenho de técnicas de classificação aplicadas à previsão de insolvência de empresas de capital aberto brasileiras. Revista ADM. MADE, 18(3), 40-61.
Vergara, S. C. (2008). Projetos e relatórios de pesquisa em administração (9rd ed.). São Paulo: Editora Atlas .
Vieira, M. V. (2008). Administração estratégica do capital de giro (2rd ed.). São Paulo: Editora Atlas .
Wang, G., Ma, J., & Yang, S. (2014). An improved boosting based on feature selection for corporate bankruptcy prediction. Expert Systems with Applications, 41(5), 2353-2361. https://doi.org/10.1016/j.eswa.2013.09.033
Yu, L. (2014). Credit risk evaluation with a least squares fuzzy support vector machines classifier. Discrete Dynamics in Nature and Society, 2014(1), 1-9. http://dx.doi.org/10.1155/2014/564213
Descargas
Publicado
Número
Sección
Licencia
Los autores de artículos serán responsables de los mismos, y por tal no comprometen los principios o políticas de la Universidad Icesi ni las del Comité Editorial de la revista Estudios Gerenciales. Los autores autorizan y aceptan la cesión de todos los derechos a la revista Estudios Gerenciales, tanto en su publicación impresa como electrónica. Luego de publicado el artículo, puede ser reproducido sin autorización, mencionando autor(es), título, año, volumen, número y rango de páginas de la publicación, y como fuente: Estudios Gerenciales (abstenerse de usar Revista Estudios Gerenciales).
Cómo citar
