The default in a credit program of a Minas Gerais' financial public institution: an analysis using logistic regression/A inadimplencia em um programa de credito de uma instituicao financeira publica de Minas Gerais: uma analise utilizando regressao logistica.

de Camargos, Marcos Antonio ; Camargos, Mirela Castro Santos ; Araujo, Elisson Alberto 等

1. INTRODUCAO

A intermediacao financeira, funcao basica do sistema financeiro, e essencial para o crescimento economico de um pais. O credito ofertado pelas instituicoes financeiras (IF's) figura como um importante instrumento de suporte a esse crescimento. O aumento recente da oferta de credito, bem como das facilidades em sua obtencao, torna necessario o aprimoramento de mecanismos mais robustos de analise de risco de credito, a fim de evitar ou reduzir os niveis de inadimplencia. Assim, o desenvolvimento de modelos de previsao, para aumentar sua qualidade e precisao, e relevante por minimizar o risco de inadimplencia, garantindo, alem da sustentabilidade, ganhos financeiros para a instituicao concedente.

A partir de 1994, com a implantacao do Plano Real e a estabilizacao da moeda, a concessao de credito financeiro passou a ser um negocio cada vez mais rentavel para as instituicoes bancarias, uma vez que estas ja nao contavam com os ganhos que provinham da desvalorizacao da moeda. Terminado o periodo inflacionario, notou-se a necessidade de expandir as alternativas de investimento para suprir a rentabilidade do periodo de inflacao. A concessao de credito, porem, nao poderia ser feita a todos os demandantes, razao pela qual foi necessario o aprimoramento dos procedimentos de avaliacao, para a tomada de decisao adequada sobre emprestimo ou nao do capital ao proponente. Como o lucro dos credores esta diretamente relacionado a proporcao de contratantes aprovados e ao porcentual de clientes adimplentes, essa decisao assume carater relevante na gestao do risco de credito.

A escolha dos proponentes que recebiam credito foi, ate o inicio do seculo XX, baseada no julgamento de um ou mais analistas (THOMAS; EDELMAN; CROOK, 2002). Em consequencia disso, a aprovacao do credito era de carater puramente subjetivo e levava a situacoes nas quais, para as mesmas caracteristicas de proponentes uma proposta poderia ser ou nao aprovada, dependendo do analista que a julgasse. Em razao da morosidade e da ausencia de criterios objetivos, os modelos de analise para concessao de credito comecaram a ser adotados pelas IF's com o objetivo de acelerar o processo de aprovacao e minimizar o vies causado pela subjetividade do antigo processo, promovendo, assim, maior objetividade e agilidade de decisao, menores custos, melhor predicao e, consequentemente, menor risco.

A atividade de concessao de credito e uma funcao primaria das IF's, logo, o risco de credito se eleva a fator de vital importancia na composicao dos riscos inerentes a essas instituicoes. Os principais tipos de operacoes de credito de um banco sao: emprestimos, financiamentos, adiantamentos de cambio, avais, fiancas, dentre outros servicos de intermediacao financeira.

Tanto a utilizacao de modelos de analise de risco de credito (credit scoring) quanto os estudos que buscam identificar caracteristicas condicionantes da inadimplencia em processos de financiamento vem crescendo nos ultimos anos. Trata-se de um tema que tem se mantido atual, alem de relevante, no recente cenario de crise. No cenario internacional destacam-se algumas pesquisas recentes sobre o mesmo tema: Berger, Cowan e Frame (2011), Karlan e Zinman (2010), Avery, Brevoort e Canner (2009), Falangis (2008) e Bardos (2007). No Brasil, e crescente o numero de pesquisas que tiveram por objetivo desenvolver ou analisar modelos de previsao de falencias e concordatas, bem como de insolvencia e inadimplencia, tanto por parte de pessoas fisicas, quanto de empresas Dentre suas pesquisas, que se basearam nos dados socioeconomicos, contabeis e financeiros de pessoas e empresas, estao as de: Alves e Camargos (2010), Camargos et al. (2010), Ribeiro, Zani e Zanini (2009), Santos e Santos (2009), Lima et al. (2009), Melo Sobrinho e Carmona (2008), dentre outros, destacados na secao 2.3.

Dessa maneira, a justificativa para a realizacao deste trabalho passa pela importancia da classificacao precisa do cliente via modelos de analise de risco de credito para uma IF. Uma classificacao ineficaz pode causar perdas (no caso em que se classifica um cliente "inadimplente" como "adimplente") ou privar essa instituicao de ganhos (no caso em que se classifica um cliente "adimplente" como "inadimplente").

Este estudo tem por objetivo construir um modelo econometrico para estimar o risco de inadimplencia em financiamentos de uma IF publica do Estado de Minas Gerais por meio da proposicao de um modelo credit scoring para aprovacao de credito, utilizando a tecnica estatistica de regressao logistica hierarquica. O escopo do modelo e prever a ocorrencia de eventos de inadimplencia, para subsidiar os gestores no processo de concessao de credito e gestao de risco. Na construcao desse modelo foram utilizados dados contratuais, socioeconomicos dos socios e avalistas e economico-financeiros das empresas de uma amostra de 9.232 processos, extraida de uma populacao de 25.616 processos de financiamento a micro e pequenas empresas, concedidos entre jun./97 e dez./05. Na sequencia, e apresentado o quadro teorico de referencia, seguido dos procedimentos metodologicos e da analise e discussao dos resultados, nas secoes 2, 3 e 4, respectivamente. Encerra-se com as consideracoes finais e a conclusao, na secao 5, seguidas das referencias.

2. REFERENCIAL TEORICO

2.1 Risco

Em financas, o risco e a probabilidade de nao obter o retorno esperado no investimento realizado. O risco pode ser definido como a propria variancia do retorno. Quanto maior a variacao dos valores observados em torno da sua propria media, maior sera o retorno exigido para compensar esse alto risco. Existem dois fatores que afetam o desvio do retorno. O risco sistematico (sistemico, conjuntural ou nao diversificavel) e determinado pelos sistemas politico, economico e social (variaveis macroeconomicas), e o risco naosistematico (diversificavel, naosistemico, unico, especifico ou idiossincratico) e relacionado ao proprio ativo ou ao subsistema a que pertence (variaveis microeconomicas) e nao exerce influencia sobre outros ativos e seus ambientes, diferentemente do primeiro risco (SECURATO, 2002).

Na ausencia de uma norma de classificacao do risco, cada instituicao adota medidas e estrategias para gerencia-lo. No ambiente das IF's brasileiras ele e analisado sob tres perspectivas- risco de mercado, risco operacional e risco de credito, discutidos com mais detalhes na proxima secao.

A atividade de conceder credito e funcao primordial e basica dos bancos, portanto, o risco de credito se eleva como papel preponderante na composicao dos riscos de uma instituicao e e percebido tanto nas operacoes em que existe a liberacao de recursos financeiros para os clientes, quanto nas que sao preestabelecidas, com possibilidade de uso. Os principais tipos de operacoes de credito nas IF's sao: emprestimos, financiamentos, adiantamento de cambio, leasing, fiancas, etc.

O credito pode ser entendido como uma cessao temporaria de fundos a terceiros, operacao na qual se exige uma remuneracao (juros) do tomador (ou devedor) por sua utilizacao. A taxa de juros a ser cobrada sera determinada em funcao do risco apresentado pelo tomador, o que torna este ultimo um dos aspectos mais relevantes na concessao do credito (RIBEIRO; ZANI; ZANINI, 2009).

O risco de credito, na visao de Chinelatto Neto, Felicio e Campos (2007), e a possibilidade de ocorrerem perdas provocadas pela incerteza sobre o recebimento de uma quantia contratada por quem toma um emprestimo (tomador) ou pelo emissor de um titulo. Tambem denominado risco de default, e a expectativa de que o devedor nao cumpra o pagamento, tornando-se inadimplente (CAMARGOS et al., 2010). Cherobim e Barbosa (2007) destacam duas importantes questoes desse risco: a esperanca de receber integralmente os recursos e o prazo definido, apresentado na decisao de concessao do recurso. Ja Sehn e Carlini Junior (2007) conceituam esse risco como inadimplencia, ou seja, o nao pagamento ou nao cumprimento de um contrato ou clausula, no caso, da divida contratada. E um risco oriundo do ciclo de emprestar, aplicar e quitar o debito (SOUZA; BRUNI, 2008), que deve, portanto, ser mensurado de forma eficiente.

De acordo com Ribeiro, Zani e Zanini (2009), na mensuracao do risco de credito e necessario que sejam consideradas as vertentes: a) qualitativa: o analista de credito julga os aspectos da concessao do credito com base nos 5 C's do credito (capacidade, carater, capital, condicoes e colateral) e b) quantitativa: sao utilizados modelos estatisticos ou econometricos para auxiliar na decisao de credito, buscando-se complementar os dados qualitativos e ampliar a seguranca, estruturacao e monitoramento do processo decisorio. Nesta ultima vertente figuram os chamados modelos de credit scoring, que sao sistemas classificatorios ou tecnicas objetivas de risco de credito que geram uma medida numerica do risco de nao receber um credito concedido por uma IF na data predefinida (CHINELATTO NETO; FELICIO; CAMPOS, 2007).

Lima et al. (2009) destacam, porem, que mesmo nas analises baseadas em modelos quantitativos que proporcionam razoavel nivel de seguranca a tomada de decisao de fornecimento de credito. As decisoes sugeridas por esses modelos revelam-se dificeis de serem exercidas, dado que sao pouco analisadas, o que faz com que a avaliacao qualitativa prepondere no processo de concessao de credito. Dessa forma, a decisao sobre concessao inicial de credito seria mais simples que aquela sobre manter ou descontinuar o fornecimento de credito a um tomador.

Chinelatto Neto, Felicio e Campos (2007) sugerem que o enquadramento dos tomadores ou das operacoes de credito nos niveis de risco deve ocorrer fundamentado em aspectos quantitativos e qualitativos, pois os criterios precisam ser predeterminados com base tecnica, a fim de se evitarem avaliacoes divergentes da politica de credito da organizacao. Segundo Camargos et al. (2010), os sistemas de credito resultam de atitudes, respostas e padroes de comportamento caracteristicos do nivel estrategico da organizacao ou do executivo da area de credito; logo, refletem a filosofia, a tradicao e os padroes organizacionais, e sao influenciados pelo cenario macroeconomico e por politicas de governo do pais.

Nesta pesquisa e analisado o risco de crEdito, enquanto risco de inadimplencia de empresas (tomador), com base na perspectiva do credor, que neste caso e uma IF publica do Estado de Minas Gerais, utilizando-se uma abordagem de portfolio, por meio da proposicao de um modelo estatistico credit scoring para aprovacao de credito.

2.2. Modelos Credit Scoring

Na avaliacao do risco de credito sao utilizados modelos chamados credit scoring (pontuacao de credito), para classificar o risco de o tomador de credito se tornar inadimplente e auxiliar na tomada de decisao de conceder ou nao o credito. Para Berger e Frame (2007), essa pontuacao e uma abordagem estatistica que busca prever a probabilidade de um tomador de recursos se tornar adimplente ou inadimplente. Dessa forma, e um metodo que distingue os potenciais tomadores de credito entre bons e ruins e e utilizado pelos bancos para minimizar o numero de clientes inadimplentes (FALANGIS, 2008). Karlan e Zinman (2010) acrescentam que esses modelos apenas recomendam a aprovacao ou nao do credito com base no perfil dos tomadores. A decisao de concede-lo e do credor.

Em relacao ao uso dos modelos de credit scoring, Caouette, Altman e Narayanan (1998) afirmam que eles podem ser aplicados a analise de credito tanto de pessoas fisicas quanto juridicas. E, quando aplicados a pessoa fisica, eles utilizam informacoes comportamentais e cadastrais do cliente. Ja quando aplicados as empresas, sao utilizados dados e indicadores economicofinanceiros como variaveis determinantes.

Segundo Avery, Brevoort e Canner (2009), os modelos de credit scoring sao uma tecnologia estatistica que quantifica o risco de credito inerente a um tomador de recursos, a qual preconiza que os individuos com classificacao (pontuacao) mais baixa seriam os mais propensos a nao quitar a divida no prazo combinado com o credor. Conforme Falangis (2008), a pontuacao esta relacionada com os dois tipos de decisoes do credor: a) sobre a concessao de credito a novos tomadores, por meio do credit scoring; e b) sobre como lidar com os clientes ja existentes, por exemplo, para aumentar o limite de credito baseado no scoring comportamental.

A maioria dos estudos estatisticos sobre credit scoring foca na construcao de escores de credito, dos quais os mais raros sao aqueles que ligam as tecnicas estatisticas a uma detalhada analise das necessidades de seus usuarios (BARDOS, 2007). Falangis (2008) assevera que para constituir a pontuacao de credito, utilizam-se dados passados sobre o requerente e consideram-se quais quer informacoes que possam melhorar a previsao de inadimplencia, pois estas ajudam o gerente de credito a decidir pela concessao ou nao. Alguns exemplos dessas informacoes sao: idade, renda, tipo de ocupacao e status de residencia, dentre outras.

Esses modelos de credit scoring tem sido muito utilizados nos mercados de credito de consumo, como hipotecas, cartoes de credito e financiamentos de automovel. Isso tem resultado em baixo custo e gerado um crescimento representativo na disponibilidade de credito ao consumidor. Mas foi somente em meados da decada de 90 que as IF's comecaram a combinar as informacoes do tomador e dos negocios para criar escores de credito de pequenos negocios (BERGER; FRAME, 2007).

Bardos (2007) destaca que a necessidade de melhor controle do risco de credito dos bancos favoreceu uma intensificacao das pesquisas sobre credit scoring nas ultimas decadas. No setor de credito, e importante encontrar um modelo eficiente de previsao dos bons e maus tomadores, e aqueles que sao eficientes podem proporcionar vantagem competitiva. Esses modelos de classificacao podem ser desenvolvidos por meio de tecnicas de estatistica multivariada (analise estatistica discriminante e regressao logistica), redes neurais e programacao matematica. Dessas, a regressao e considerada o metodo de pontuacao de credito mais utilizado pelas IF's para avaliar o risco (FALANGIS, 2008).

Apesar de o metodo de credit scoring ser utilizado no credito de consumo, foi aplicado com maior efetividade a pequenos creditos comerciais somente ha cerca de uma decada, em razao da heterogeneidade entre os tomadores- que dificulta a previsao- e dos diferentes metodos e patamares de cretidos aplicados pelos bancos. A mudanca ocorreu quando os analistas perceberam que as informacoes de credito do proprietario do negocio explicavam uma parte significativa da variacao no desempenho da operacao de credito das pequenas empresas, mesclando as financas do proprietario e da empresa. As informacoes incluem renda, patrimonio liquido, capital, a inadimplencia anterior e casos de falencia previa, alem de indices financeiros (como a rentabilidade e a alavancagem) e o historico de problemas de credito (BERGER; FRAME, 2007).

Segundo Avery, Brevoort e Canner (2009), os modelos de credit scoring tambem sao utilizados para facilitar a tomada de decisoes em outras areas, incluindo seguro, habitacao e emprego, e sua aplicacao tem proporcionado economias de custo e tempo, alem de permitido um maior acesso das pessoas ao credito, ampliando a concorrencia e a eficiencia do mercado.

A literatura tem sugerido uma relacao positiva no uso da pontuacao de credito para emprestimos a pequenas empresas: a ampliacao da a disponibilizacao de credito as mesmas. Muitos bancos utilizam a pontuacao de pequenos empresarios, para avaliar os pedidos de emprestimo a pequenas empresas. Dessa maneira, a pontuacao esta associada a um aumento inicial na atividade de emprestimos a essas empresas, sem alteracao na qualidade da carteira emprestimo, como expoem Berger, Cowan e Frame (2011).

2.3. Trabalhos Anteriores no Mercado Internacional e Brasileiro

No mercado internacional, as pesquisas sobre modelos credit scoring vem sendo desenvolvidas ha varias decadas. Ja no Brasil elas se iniciaram na decada de 1970, com os estudos de Kanitz (1976) e Altman, Baidya e Dias (1979), mas so nos ultimos anos os estudos sobre o tema vem recebendo a atencao dos pesquisadores. A analise discriminante, a regressao logistica e, mais recentemente, as redes neurais artificiais sao as tecnicas mais utilizadas para levantar fatores caracteristicos de solvencia e inadimplencia nessas pesquisas, algumas das quais sao apresentadas no Quadro 1.

3. METODOLOGIA

Neste trabalho foi desenvolvido um modelo credit scoring voltado para a concessao de credito a pequenos e microempresarios do Estado de Minas Gerais. Esse modelo visa servir de balizador a avaliacao e decisao do analista sobre a concessao, ou nao, de credito a um proponente. Para a construcao desse modelo foi utilizada a tecnica estatistica regressao logistica hierarquica, uma variante da regressao logistica simples, que, atualmente, e amplamente utilizada para a construcao de modelos credit scoring.

3.1. Dados Amostrais

Os dados utilizados sao secundarios, obtidos junto a IF. A populacao de estudo, a partir da qual a amostra foi selecionada, engloba empresas que obtiveram credito junto a essa IF entre jun./97 e dez./05. O universo dos dados desse periodo e de 25.616 processos de financiamento, em boa parte dos quais uma mesma empresa figurava como tomadora de recursos. Dessa forma, ao inves de utilizar-se o universo de processos de financiamento, optou-se por utilizar uma amostra de empresas, em cuja definicao foram utilizados os seguintes criterios: 1. exclusao dos processos que apresentavam dados ausentes (missings); e 2. quando a empresa era tomadora de credito em mais de um processo, selecionou-se o de data mais recente. Apos o tratamento dos dados e a exclusao dos clientes com dados ausentes, a amostra a ser trabalhada foi de 9.232 empresas, das quais 8.751 (94,79%) estavam adimplentes e as demais 481 (5,21%) inadimplentes.

3.2. Definicao das Variaveis

A variavel resposta (dependente) nos modelos de credit scoring e a qualidade de credito (adimplencia ou inadimplencia) da operacao de emprestimo. Neste trabalho, foram denominados clientes inadimplentes aqueles com atraso superior a 90 dias em pelo menos uma parcela do emprestimo, alem do periodo de carencia, que e de seis meses. Em relacao aos adimplentes, foram considerados integrantes desse grupo aqueles clientes que nao possuiam atrasos em nenhuma parcela do emprestimo. Os valores financiados pelo programa da IF pesquisada variam do o minimo de R$ 5 mil ao maximo de R$ 360 mil; valores inferiores a R$ 25 mil se destinam apenas a financiamentos de capital de giro. Pelas regras do programa, a IF financia ate 80% do valor total de cada projeto de investimento, que e exigido para a liberacao do recurso, no qual o demandante especifica o destino dos recursos (informatizacao, maquinas e equipamentos, reformas, capital de giro, etc.). Os 20% restantes sao recursos proprios a serem aportados pela empresa.

Para classificar as observacoes de acordo com a qualidade de credito, foram selecionadas variaveis explicativas ou independentes que pudessem influenciar a situacao de adimplencia dos clientes em suas operacoes de emprestimos. Essas variaveis explicativas selecionadas compreendem indicadores e caracteristicas que qualificam a situacao socioeconomica dos empresarios e avalistas e economico-financeira das empresas da amostra. O conjunto inicial de variaveis pre-selecionadas constam do Quadro 2:

3.3. O Modelo

Um modelo de regressao pode ser definido como uma equacao matematica em que se expressa o relacionamento de variaveis. Em um modelo de regressao logistica, a probabilidade de ocorrencia de um evento pode ser estimada diretamente. No caso de a variavel dependente Y assumir apenas dois valores possiveis (1 ou 0) e haver um conjunto de p variaveis independentes [X.sub.1], [X.sub.2], ..., [X.sub.p], o modelo de regressao logistica pode ser escrito da seguinte forma:

P(Y = 1) = 1/1 + [e.sup.-g(x)] (2)

No qual:

g(x) = [[beta].sub.0] + [[beta].sub.1][X.sub.1i] + ... + [[beta].sub.p][X.sub.pi]

Considerando certa combinacao de coeficientes [[beta].sub.0], [[beta].sub.1], ..., [[beta].sub.p] e variando os valores de X, observa-se que a curva logistica tem comportamento probabilistico no formato da letra S, o que e caracteristica da regressao logistica. Esse formato da a regressao logistica alto grau de generalidade, aliada a aspectos muito desejaveis:

a) quando g(x) [right arrow] +oo, entao P(Y = 1) [right arrow] 1;

b) quando g(x) [right arrow] -oo, entao P(Y = 1) [right arrow] 0.

Assim, como se pode estimar diretamente a probabilidade de ocorrencia de um evento, pode-se estimar a probabilidade de nao ocorrencia por diferenca: P(Y = 0) = 1 -P(Y = 1). Ao se

utilizar a regressao logistica, a principal suposicao e de que o logaritmo da razao entre as probabilidades de ocorrencia e nao ocorrencia do evento e linear:

[MATHEMATICAL EXPRESSION NOT REPRODUCIBLE IN ASCII]

e, por consequencia,

ln[P(Y = 1)/P(Y = 0)] = [[beta].sub.0] + [[beta].sub.1][X.sub.1i] + ... + [[beta].sub.p][X.sub.pi]

Por essa razao, ao se interpretar os coeficientes da regressao logistica, opta-se pela interpretacao de [e.sup.[beta]] e nao diretamente de [beta]. Para utilizar o modelo de regressao logistica para discriminacao de dois grupos, a regra de classificacao e a seguinte:

se P(Y = 1) > 0,10 entao se classifica Y = 1;

caso contrario, classifica-se Y = 0.

Em sintese, pode-se dizer que um modelo de regressao logistica preve a probabilidade direta de um evento ocorrer. Como se sabe, a probabilidade deve ser um valor limitado entre 0 (zero) e 1 (um), de forma que, se o valor previsto estiver acima de 0,10, aceita-se a hipotese atribuida ao numero 1. Do contrario, aceita-se a atribuicao dada ao valor 0, qual seja, sim ou nao, alta ou baixa, etc. Essa relacao limitada por 0 e 1 caracteriza uma relacao nao linear, que pode ser representada graficamente por uma curva em forma de S, conforme a Figura 1 abaixo.

[FIGURE 1 OMITTED]

3.3.1. Estimacao dos Coeficientes Logisticos

Na equacao de regressao logistica, para verificar o efeito ou poder de discriminacao de cada variavel independente com relacao a variavel dependente, sao calculados os coeficientes de regressao.

O calculo dos coeficientes do modelo e feito por meio da maximizacao da funcao de verossimilhanca, que calcula a probabilidade de ocorrencia de um evento (MENARD, 1995). Esse procedimento e equivalente a minimizar a funcao logaritmo de verossimilhanca -2LL (1). E importante ter ciencia de que o que se deseja e verificar o poder de ajuste da equacao, ou seja, verificar o quanto as variaveis independentes explicam a variavel dependente; em outras palavras, quer se medir o seu poder de influencia sobre a variavel dependente. Um modelo com bom ajuste tera um valor baixo para -2LL, sendo que o valor minimo e 0 (zero). Um modelo com ajuste perfeito tera como resposta um valor de verossimilhanca igual a 1 (um) e, portanto. -2LL sera igual a 0 (zero). O valor da verossimilhanca tambem pode ser comparado entre equacoes, onde a diferenca representa a mudanca no ajuste preditivo de uma equacao para outra. Programas estatisticos tem testes automaticos para a significancia dessas diferencas.

O teste qui-quadrado para a reducao no valor do logaritmo da verossimilhanca fornece uma medida de melhora em razao da introducao da(s) variavel(eis) independente(s). E importante ressaltar que, neste trabalho, sera analisado um modelo logistico para estimar, a partir do conhecimento de uma serie de variaveis, a probabilidade de um cliente ser ou nao inadimplente sob certo credito concedido via instituicao bancaria. A variavel dependente (Y) indica se o cliente e inadimplente (igual a 1) ou adimplente (igual a 0), e a serie de indicadores ([X.sub.1], [X.sub.2], ..., [X.sub.p]) constitui o conjunto de variaveis independentes a serem definidas.

Uma das vantagens da regressao logistica e que se precisa saber apenas se um evento ocorreu para entao usar um valor dicotomico da variavel dependente. A partir desse valor dicotomico o procedimento estima a probabilidade de que o evento ocorrer ou nao. Se a probabilidade prevista for maior que 0,10, entao a previsao sera "sim", caso contrario, sera "nao". A regressao deriva seu nome da transformacao logistica usada com a variavel dependente.

3.3.2. Teste de Wald

O teste de Wald e utilizado para avaliar se o parametro e estatisticamente significativo. A estatistica de teste utilizada e obtida por meio da razao do coeficiente por seu respectivo erropadrao. Essa estatistica de teste tem distribuicao Normal, e seu valor e comparado com valores tabulados de acordo com o nivel de significancia definido. A estatistica de teste, para avaliar se o parametro [beta] e igual a zero, e assim especificada:

W = [beta]/[square root of Var([beta])]

O teste de Wald, todavia, frequentemente falha em rejeitar coeficientes que sao estatisticamente significativos (HAUCK e DONNER, 1977). Sendo assim, aconselha-se que os coeficientes identificados pelo teste de Wald como sendo estatisticamente nao significativos sejam testados novamente pelo teste da razao de verossimilhanca.

3.3.3. Teste da razao de verossimilhanca (Deviance)

O teste da razao de verossimilhanca e obtido por meio da comparacao entre os modelos, com e sem o teste das variaveis. Supondo-se que existam p+1 parametros no modelo e que a hipotese nula estabeleca que tres desses parametros sejam iguais a zero, a estatistica de teste (G), definida abaixo, tem distribuicao assintotica Qui-quadrado com numero de graus de liberdade igual a diferenca entre o numero de parametros estimados do modelo e o numero de parametros estimados restrito (sob [H.sub.o]).

G = 2ln (Verossimilhanca do modelo sem as variaveis/Verossimilhanca do modelo com as variaveis)

4. RESULTADOS

Uma vez selecionada a amostra e definidos o tratamento dos dados amostrais e a escolha do modelo estatistico a ser utilizado, deu-se inicio a construcao do modelo de credit scoring.

No modelo logistico, a variavel resposta ou dependente assume valores entre zero e um. Neste estudo, codificou-se zero quando uma empresa apresentava-se adimplente e um para denotar inadimplencia. O ponto de corte utilizado neste trabalho foi 0,05, ou seja, valores acima desse ponto de corte clafissicaram a empresa como inadimplente, enquanto valores abaixo desse patamar a classificaram como adimplente.

Para a modelagem dos dados amostrados, primeiramente fez-se uma analise univariada entre cada variavel explicativa e a variavel dependente; observou-se, porem, que, quando combinadas, essas variaveis explicativas perdiam sua significancia no modelo. Foi feita, entao, uma segunda selecao de variaveis, baseada nos criterios de modelos hierarquicos. Esse metodo parte de um algoritmo estatistico que avalia a importancia de cada variavel explicativa e inclui ou exclui do modelo de acordo com alguma regra predefinida. O modelo final de credit scoring e dado na Tabela 1:

O modelo final foi composto da constante (intercepto) e de cinco variaveis explicativas, apresentadas na Tabela 1. A funcao matematica do modelo e:

ln(p/(1 - p)) = -2,15 + 0,0000245.[X.sub.1] -0,329.[X.sub.20] [TEXT UNREADABLE IN ORIGINAL SOURCE]

O efeito de cada variavel explicativa do modelo pode ser descrito por meio da analise de seus coeficientes: Valor do financiamento: o sinal positivo dessa variavel nos mostra que, quanto maior for o valor financiado, maior sera a probabilidade de a empresa ser classificada como inadimplente. Ou seja, quanto maior o valor financiado, maior o porcentual do faturamento da empresa comprometido com o pagamento das parcelas do financiamento, e maior a necessidade de a empresa gerar caixa. Como nem todas conseguem isso, preferem, na maioria das vezes, atrasar o pagamento a IF. A leitura que pode ser feita disso e que, aparentemente, empresas de pequeno porte (EPP) apresentam uma propensao maior de inadimplencia quando comparadas com microempresas (ME), pois conseguem valores maiores de financiamento. Esse resultado contraria o que argumentam Nucci (1999), Evans (1987) e Oliveira, Najberg e Puga (2000): de que existe uma relacao direta entre porte e sobrevivencia, ou seja, quanto maior o porte da empresa, maiores as chances de sobrevivencia e, portanto, de pagamento de suas obrigacoes de credito. Proporcao dos bens do avalista no valor do financiamento: o sinal negativo dessa variavel mostra que, quanto maior for a proporcao dos bens do avalista no valor do financiamento menor sera a probabilidade de essa empresa se tornar inadimplente. Esse resultado esta ligado a metodologia de concessao de credito da instituicao pesquisada, pois, quanto maior a proporcao, maior sera a garantia de pagamento das parcelas do financiamento do credito concedido. Esse resultado permite concluir que a exigencia de avalistas e uma estrategia eficaz adotada pela IF, por contribuir com o nivel de adimplencia, e confirma o que e preconizado por autores como Silva (2010) e Ruth (1991) sobre a importancia da analise da garantia (colateral). Valor dos investimentos fixos do projeto: o sinal negativo dessa variavel mostra que, quanto maior for o valor dos investimentos fixos da empresa, menor sera a probabilidade de a empresa se tornar inadimplente. Uma explicacao para isso seria que, possivelmente, os investimentos realizados em maquinas, equipamentos e tecnologia proporcionam melhorias no desempenho economicofinanceiro da empresa, fazendo com que ela consiga honrar as parcelas do financiamento dentro do prazo. Esse resultado confirma as pesquisas realizadas com ME e EPP (SEBRAE 2004), segundo as quais uma das principais razoes do insucesso das micro e pequenas empresas seria a falta de capital de giro. Isto e, a imobilizacao excessiva em investimento fixo ou a utilizacao excessiva de recursos proprios no projeto gerariam problemas futuros relacionados a falta de capital de giro para operacionalizacao da empresa apos realizado o financiamento, inviabilizando o cumprimento de prazos das parcelas do financiamento. Tempo de atividade da empresa: o sinal negativo dessa variavel mostra que, quanto maior for o tempo de atividade da empresa, menor sera a probabilidade de essa empresa se tornar inadimplente. Esse resultado esta ligado a metodologia de concessao de credito da IF pesquisada, pois, quanto maior o tempo de atividade da empresa, maior sera a credibilidade dela no mercado e mais estabilizada ela estara para garantir os pagamentos das parcelas do financiamento do credito concedido. Esse resultado e explicado pela literatura consultada (OLIVEIRA; NAJBERG; PUGA, 2000; AUDRETSCH, 1999; EVANS, 1987), segundo a qual as chances de sobrevivencia das empresas aumentam com o passar do tempo, ou seja, quanto maior o tempo de atividade, maior a chance de sobrevivencia do empreendimento. Proporcao do faturamento sobre o valor do financiamento: o sinal positivo dessa variavel mostra que, quanto maior for essa proporcao maior sera a probabilidade de a empresa ser classificada como inadimplente. Isso significa que, aparentemente, empresas de pequeno porte (EPP) apresentam uma propensao maior de inadimplencia quando comparadas com microempresas (ME). Esses resultados contrariam o argumento de Nucci (1999), Evans (1987) e Oliveira, Najberg e Puga (2000), de que, quanto maior o porte de uma empresa, maiores sao as chances de sua sobrevivencia e, portanto, maiores sao tambem as possibilidades de pagamento de suas obrigacoes de credito.

Outro elemento importante a ser verificado e se as variaveis que entraram no modelo sao altamente correlacionadas. O fato de serem altamente correlacionadas (multicolinariedade) pode prejudicar a capacidade preditiva do modelo. A Tabela 2 mostra os coeficientes da Correlacao de Pearson estimados para as variaveis explicativas escolhidas. Observa-se que elas indicam nao haver correlacao significativa, entre elas excetuando-se a correlacao entre a variavel X1 e X2.

A avaliacao feita se deve ao fato de as variaveis explicativas X1 e X2 serem altamente correlacionas, o que pode prejudicar a capacidade preditiva do modelo; entao, realizou-se o teste da razao de verossimilhanca (Deviance) para verificar se os modelos sao equivalentes. Na Tabela 3 abaixo observa se a ANOVA para o teste da Deviance, comparando-se o modelo com a variavel X2 e o modelo sem a variavel X2.

Como essa estatistica de teste Deviance tem distribuicao assintotica Qui-Quadrado com um grau de liberdade, compara-se o valor observado de 6,00 com o valor critico da distribuicao Qui-Quadrado com 1% de significancia. Logo, nao se rejeita a hipotese nula que diz que os modelos sao equivalentes. Portanto, como o modelo 2, que inclui a variavel explicativa X2, e equivalente ao modelo sem essa variavel, optou-se por utilizar o modelo que inclui a variavel X2, por ter um poder de classificacao correta com maior precisao. Salienta-se que a aplicacao pratica do modelo implica um trade-off, uma vez que traria impactos administrativos de manutencao, alem de acarretar maiores custos.

4.1. Avaliacao da Capacidade de Previsao do Modelo

Com o intuito de avaliar a capacidade preditiva do modelo, construiu-se uma matriz de classificacao que mostra a quantidade de empresas classificadas de maneira correta e incorreta pelo modelo. Pode-se calcular a partir dessa matriz o erro tipo I e o erro tipo II, que correspondem a classificar uma empresa inadimplente como adimplente e uma empresa adimplente como inadimplente, respectivamente.

Conforme se observa na Tabela 4, usando-se um ponto de corte no valor de 0,06, o acerto desenvolvido a partir da amostra coletada foi da ordem de 67,7%, tendo sido classificadas corretamente 6.247 empresas em um universo amostral de 9.232. Do grupo adimplente, 6.008 empresas foram classificadas corretamente, enquanto 2.743 foram classificadas erroneamente. Ja para o grupo inadimplente, 239 empresas foram classificadas corretamente, enquanto 242 foram classificadas erroneamente.

Pode-se, ainda, trabalhar o ponto de corte para observar como se comporta o desempenho final do modelo. Deve-se definir a diretriz a ser utilizada na concessao de credito dessa instituicao, ja que se pode aumentar o ponto de corte para 0,10, o que levaria a uma maior concessao de credito por parte da IF, porem a classificacao do grupo inadimplente ficaria deteriorada.

Conforme se observa na Tabela 5, usando-se um ponto de corte no valor de 0,10, o acerto desenvolvido a partir da amostra coletada sobe para 88,5%, tendo sido classificadas corretamente 8.173 empresas em um universo amostral de 9.232. Do grupo Adimplente, 8.078 empresas foram classificadas corretamente, enquanto 673 foram classificadas erroneamente. Ja para o grupo Inadimplente, 95 empresas foram classificadas corretamente, enquanto 386 foram classificadas erroneamente.

A Figura 2 representa a analise grafica da especificidade e sensibilidade do modelo. A especificidade mostra a proporcao de acerto na previsao de nao ocorrencia do evento, dado que esse evento nao ocorreu, enquanto a sensibilidade mostra a proporcao de acerto na previsao de ocorrencia do evento, dado que esse evento ocorreu. Pode-se observar que, onde as curvas especificidade e sensibilidade se cruzam, os dois grupos, adimplentes e inadimplentes, alcancam uma taxa de classificacao igual.

[FIGURE 2 OMITTED]

No eixo das abscissas tem-se o ponto de corte e no eixo das ordenadas, tem-se a taxa de acerto dos grupos; no cruzamento das curvas observa-se o ponto de corte em aproximadamente 0,055 e taxa de acerto dos grupos em torno de 60%.

Quando se trabalha o ponto de corte como visto anteriormente, tem-se a perda de desempenho para um grupo, enquanto para outro aumenta o desempenho. Para este trabalho, o grupo adimplente e formado por 8.751 empresas, enquanto o grupo inadimplente, por 481 empresas, o que representa 94,7% e 5,3% do total da amostra, respectivamente.

Caso aumente o ponto de corte utilizado para classificacao da empresa na concessao de credito, tem-se um aumento na taxa de acerto do grupo adimplente e diminuicao na taxa de acerto do grupo inadimplente. Como, porem, a amostra e composta de uma grande maioria de empresas adimplentes, quanto maior o ponto de corte, maior o numero de concessao de emprestimos, maior a taxa de acerto do grupo adimplente e menor a taxa de acerto do grupo inadimplente, mas o desempenho global sera mais satisfatorio. Portanto, deve-se observar a diretriz e foco da empresa para melhor avaliacao do ponto de corte a ser utilizado.

4.2. Avaliacao do Ajuste do Modelo

Para avaliar o ajuste do modelo, diversos testes e medidas estatisticas foram aplicados. Primeiramente, avaliou-se a significancia estatistica das variaveis explicativas que foram incluidas no modelo; para isso, foi utilizado o teste de Wald, que testa sob hipotese nula se cada parametro estimado para o modelo e igual a zero.

A estatistica Wald tem distribuicao Qui-Quadrado e e calculada pelo quadrado da razao entre o coeficiente e o seu erro-padrao. Os resultados do teste Wald para o modelo proposto indicam que os parametros das cinco variaveis explicativas selecionadas sao estatisticamente diferentes de zero. A Tabela 1 apresenta as estimativas dos parametros das variaveis do modelo, bem como os erros-padrao, as estatisticas Wald e o p-valor do teste Wald para cada parametro estimado. Observa-se que todos os parametros foram significativos, ou seja, os parametros sao estatisticamente diferentes de zero.

Apos a verificacao da significancia dos parametros, foi avaliada a estatistica Deviance, apresentada na Tabela 6:

Sabendo-se que essa estatistica tem distribuicao assintotica qui-quadrado com n-p graus de liberdade, pode-se concluir com 1 % de significancia que o modelo esta bem ajustado.

Ainda, a Tabela 7 mostra, usando um ponto de corte no valor de 0,10, o acerto desenvolvido a partir da amostra coletada, que e da ordem de 88,5 %, tendo sido classificadas corretamente 8.173 empresas em um universo amostral de 9.232.

5. CONSIDERACOES FINAIS E CONCLUSAO

O objetivo deste estudo foi apresentar uma sugestao de modelo credit scoring para analise de concessao de credito a micro e pequenas empresas por uma IF publica do Estado de Minas Gerais. Utilizando a tecnica estatistica de regressao logistica, aplicada a um conjunto de indicadores e caracteristicas que qualificam a situacao socioeconomica dos empresarios e avalistas e economico-financeiras das empresas, o modelo proposto possibilita a previsao de ocorrencia de inadimplencia com significativo nivel de acerto.

O modelo credit scoring desenvolvido permitiu a identificacao de cinco fatores condicionantes da inadimplencia: valor do financiamento, proporcao dos bens do avalista em relacao ao valor do financiamento, valor dos investimentos em ativos fixos, tempo de atividade da empresa e proporcao do faturamento anual em relacao ao valor do financiamento. O modelo final classificou corretamente 88,5% das empresas, mostrando um poder de precisao e qualificacao semelhante dos modelos das pesquisas consultadas, reflexo, certamente, da quantidade de dados analisados.

A titulo de conclusao, pode-se dizer que o valor financiado e, consequentemente, a proporcao deste consumida com o financiamento sao condicionantes da inadimplencia, enquanto o valor dos bens do avalista em relacao ao financiamento, o valor dos investimentos fixos e o tempo de atividade da empresa atuam como protetores da inadimplencia.

Cabe salientar que o papel dos modelos quantitativos nao e ditar a decisao final sobre a concessao de credito, mas sim suprir os analistas com informacoes que os auxiliem a tomar decisoes mais direcionadas e acertadas. E importante mencionar tambem que os modelos de credit scoring possuem limitacoes e desvantagens que devem ser analisadas quando do uso dos mesmos no processo de avaliacao de risco.

Por fim, como implicacao pratica deste trabalho, espera-se que os resultados obtidos contribuam para uma maior compreensao do processo de concessao de credito. Destaca-se que a pesquisa cumpriu com seu proposito de identificar os fatores que influenciam a inadimplencia no ambito do programa pesquisado, obtendo resultados relevantes que podem ser utilizados gerencialmente pela instituicao pesquisada para tracar politicas ou estrategias que reduzam ou controlem o nivel de inadimplencia de sua carteira de credito, pela inclusao ou reforco dessas caracteristicas nos instrumentos de analise de credito. Salienta-se que, na perspectiva de uma instituicao publica de fomento, o controle da inadimplencia assume um carater economico-social relevante, pois seu controle pode reduzir custos e, consequentemente, o valor das taxas de juros cobradas pela IF, beneficiando, dessa forma, as micro e pequenas empresas demandantes do credito.

DOI: 10.5700/rege435

ARTIGO--FINANCAS

6. REFERENCIAS BIBLIOGRAFICAS

ALTMAN, E. L.; BAIDYA, T. K. N.; DIAS, L. M. R. Previsao de problemas financeiros em empresas. Revista de Administracao de Empresas, v. 19, n. 1, p. 19-28, jan./mar. 1979.

ALVES, C. M.; CAMARGOS, M. A. Fatores condicionantes da inadimplencia em operacoes de microcredito. In: ENCONTRO DA ASSOCIACAO NACIONAL DE POS-GRADUACAO E PESQUISA EM ADMINISTRACAO, 34., 2010, Rio de Janeiro. Anais... Rio de Janeiro: ANPAD, 2010.

AMORIM NETO, A. A.; CARMONA, C. U. M. Modelagem do risco de crEdito: um estudo do segmento de pessoas fisicas em um banco de varejo. In: ENCONTRO DA ASSOCIACAO NACIONAL DE POS-GRADUACAO EM ADMINISTRACAO, 27., 2003, Atibaia. Anais... Atibaia: ANPAD, 2003.

ANTUNES, M. T. P., KATO, H. T.; CORRAR, L. J. A eficiencia das informacoes divulgadas em "Melhores & Maiores" da Revista Exame para a previsao de desempenho das empresas. In: ENCONTRO DA ASSOCIACAO NACIONAL DE POS-GRADUACAO EM ADMINISTRACAO, 26., 2002, Salvador. Anais... Salvador: ANPAD, 2002.

ARAUJO, E. A.; CARMONA, C. U. M. Desenvolvimento de modelos credit scoring com abordagem de regressao logistica para a gestao da inadimplencia de uma instituicao de microcredito. Revista Contabilidade Vista & Revista, v. 18, n. 3, p. 107-131, jul./set. 2007.

AUDRETSCH, B. D. Small firms and efficiency. In: ACS, Z. J. (Ed.) Are small firms important? Their role and impact. U. S. Small Business Administration, 1999.

AVERY, R. B.; BREVOORT, K. P.; CANNER, G. B. Credit scoring and its effects on the availability and affordability of credit. The Journal of Consumer Affairs, v. 43, n. 3, p. 380-542, Fall 2009.

BARDOS, M. What is at stake in the construction and use of credit scores? Journal of Comput Ational Economic, v. 29, n. 2, p. 159-172, mar. 2007.

BERGER, A. N.; FRAME, W. S. Small business credit scoring and credit availability. Journal of Small Business Management, v. 45, n. 1, p. 5-22, 2007.

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.

BERTUCCI, L. A.; GUIMARAES, J. B.; BRESSAN, V. G. F. Condicionantes de adimplencia em processos de concessao de credito a micro e pequenas empresas. In: ENCONTRO DA ASSOCIACAO NACIONAL DE POS-GRADUACAO EM ADMINISTRACAO, 27, 2003, Atibaia. Anais... Atibaia: ANPAD, 2003.

CAMARGOS, M. A.; CAMARGOS, M. C. S.; SILVA, F. W.; SANTOS, F. S.; RODRIGUES, P. J. Fatores condicionantes de inadimplencia em processos de concessao de credito a micro e pequenas empresas do estado de Minas Gerais. Revista de Administracao Contemporanea, Curitiba, v. 14, n. 2, p. 333-352, mar./abr. 2010.

CAMARGOS, M. A.; LIMA, J. O. Previsao de inadimplencia em processos de concessao de credito a micro e pequenas empresas do estado de Minas Gerais. In: ENCONTRO DA ASSOCIACAO NACIONAL DE POS-GRADUACAO EM ADMINISTRACAO, 32., 2008, Rio de Janeiro. Anais... Rio de Janeiro: ANPAD, 2008.

CAOUETTE, J.; ALTMAN, E.; NARAYANAN, P. Managing credit risk: the next great financial challenge. New York: John Wiley & Sons, Inc., 1998.

CHEROBIM, A. P. M. S.; BARBOSA, J. H. F. Prociclicidade do risco de credito: um modelo point in time para o risco da carteira de credito agregada dos bancos brasileiros. In: ENCONTRO DA ASSOCIACAO NACIONAL DE POS-GRADUACAO E PESQUISA EM ADMINISTRACAO, 31., 2007, Rio de Janeiro (RJ). Anais... Rio de Janeiro: ANPAD, 2007.

CHINELATTO NETO, A.; FELICIO, R. S.; CAMPOS, D. Metodos de Monitoramento de modelo Logit de credit scoring. In: ENCONTRO DA ASSOCIACAO NACIONAL DE POSGRADUACAO E PESQUISA EM ADMINISTRACAO, 31., 2007, Rio de Janeiro Anais... Rio de Janeiro: ANPAD, 2007.

EVANS, D. S. The relationship between firm growth, size and age: estimates for 100 manufacturing industries. Journal of Industrial Economics, v. 35, n. 4, p. 567-81, June 1987.

FALANGIS, K. The use of MSD model in credit scoring operational research. An International Journal, v. 7, n. 3, p. 481-504, 2008.

GUJARATI, D. Econometria basica. 4. ed. Rio de Janeiro: Campus. 2006.

HAUK, W. W.; DONNER, A. Wald's test as applied to hypothesis in logistic analysis. Journal of the American Statistical Association, v. 72, n. 360a, p. 851-853, 1977.

HORTA, R. A. M.; CARVALHO, F. A. Um modelo de duas etapas para previsao de insolvencia com base em indicadores contabeis. In: ENCONTRO DA ASSOCIACAO NACIONAL DE POS-GRADUACAO EM ADMINISTRACAO, 26., 2002, Salvador (BA). Anais... Salvador: ANPAD, 2002.

KANITZ, S. C. Indicadores contabeis e financeiros de previsao de insolvencia: a experiencia na pequena e mEdia empresa brasileira. Tese (Livre-docencia)--Faculdade de Economia, Administracao e Contabilidade, Universidade de Sao Paulo, Sao Paulo. 1976.

KARLAN, D.; ZINMAN, J. Expanding credit access: using randomized supply decisions to estimate the impacts. The Review of Financial Studies, v. 23, n. 1, p. 433-464, 2010.

LIMA, F. G.; PERERA, L. C. J.; KIMURA, H.; SILVA FILHO, A. C. Aplicacao de redes neurais na analise e na concessao de crEdito ao consumidor. Revista de Administracao da USP, Sao Paulo, v. 44, n. 1, p. 34-45, jan./mar. 2009.

MELO SOBRINHO, M. J. V.; CARMONA, C. U. M. Modelos de gestao do risco de inadimplencia--uma aplicacao ao segmento educacional. In: ENCONTRO DA ASSOCIACAO NACIONAL DE POS-GRADUACAO E PESQUISA EM ADMINISTRACAO, 32., 2008, Rio de Janeiro. Anais... Rio de Janeiro: ANPAD, 2008.

MENARD, W. S. Applied logistic regression analysis. USA: SAGE Publications, 1995.

NUCCI, A. R. The demography of business closing. Small Business Economics, v. 12, n. 1, p. 25-39. 1999.

OLIVEIRA, P. A. S.; NAJBERG, S.; PUGA, F. P. Sobrevivencia das firmas no Brasil: Dez. 1995/Dez. 1997. Revista do BNDES, Rio de Janeiro, v. 7, n. 13, p. 33-48, jun. 2000.

ONUSIC, L. M.; CASA NOVA, S. P. C. A utilizacao conjunta das tEcnicas analise por envoltoria de dados e regressao logistica no estudo de insolvencia de empresas: um estudo exploratorio. In: ENCONTRO DA ASSOCIACAO NACIONAL DE POS-GRADUACAO EM ADMINISTRACAO, 30., 2006, Salvador. Anais... Salvador: ANPAD, 2006.

PEREIRA, O. M.; NESS JR., W. L. O modelo e-score de previsao de falencias para empresas de internet. In: ENCONTRO DA ASSOCIACAO NACIONAL DE POS-GRADUACAO E PESQUISA EM ADMINISTRACAO, 27., 2003, Atibaia. Anais... Atibaia: ANPAD, 2003.

RIBEIRO, C. F.; ZANI, J.; ZANINI, F. A. M. Estimacao da probabilidade de inadimplencia: uma verificacao empirica na Universidade Catolica de Pelotas. In: ENCONTRO DA ASSOCIACAO NACIONAL DE POS-GRADUACAO E PESQUISA EM ADMINISTRACAO, 33., 2009, Sao Paulo. Anais... Rio de Janeiro: ANPAD, 2009.

RUTH, G. E. Emprestimos a pessoas juridicas. Sao Paulo: IBCB, 1991.

SANTOS, J. O.; FAMA, R. Avaliacao de estrategias para a reducao do risco de inadimplencia em carteiras de credito bancario rotativo de pessoas fisicas. Revista de Contabilidade e Financas, Sao Paulo, v. 17, n. 42, p. 92-103, set./dez. 2006.

SANTOS, J. O.; SANTOS, J. A. R. O modelo KMV e sua utilidade no processo de analise do risco de crEdito. Revista de Gestao USP, Sao Paulo, v. 16, n. 2, p. 73-82, abr./jun. 2009.

SEBRAE. Fatores condicionantes e taxa de mortalidade de empresas no Brasil. Brasilia, agosto de 2004. Relatorio de Pesquisa.

SECURATO, J. R. Credito, analise e avaliacao do risco--pessoas fisicas e juridicas. Sao Paulo: Saint Paul Institute of Finance, 2002.

SEHN, C. F.; CARLINI JUNIOR, R. J. Inadimplencia no sistema financeiro de habitacao: um estudo junto a Caixa Economica Federal (Caixa). Revista de Administracao Mackenzie, v. 8, n. 2, p. 59-84, 2007.

SILVA, J. P. Analise financeira das empresas. 10. ed. Sao Paulo: Atlas, 2010.

SOUZA, S. M.; BRUNI, A. L. Risco de credito, capital de giro e solvencia empresarial: um estudo na industria brasileira de transformacao de cobre. Revista Universo Contabil, Blumenau, v. 4, n. 2, p. 59-74, abr./jun. 2008.

THOMAS, L. C.; EDELMAN, D. B.; CROOK, J. N. Credit scoring and its applications. SIAM: Philadelphia, 2002.

Marcos Antonio de Camargos

Doutor em Administracao pelo CEPEAD-UFMG, professor e pesquisador da Faculdade

IBMEC de Minas Gerais

Mirela Castro Santos Camargos

Doutora em Demografia pelo CEDEPLAR-UFMG, professora e pesquisadora da Fundacao

Joao Pinheiro.

Elisson Alberto Araujo

Mestre em Administracao pela FNH e pesquisador da FNH e da FDC. Membro do

NUCONT--Nucleo de Pesquisas em

Contabilidade e Financas

(1) Nos modelos de regressao linear comumente vistos na literatura (ver Gujarati, 2006), ve-se que os coeficientes de regressao sao calculados por meio da minimizacao da funcao de erro quadratico, procedimento conhecido como Minimos Quadrados Ordinarios (MQO). Ja na regressao logistica, o calculo e feito por meio da minimizacao da funcao de verossimilhanca (na verdade, e -2 vezes o logaritmo do valor da verossimilhanca e e chamada de -2LL, ou-2logverossimilhanca). Um modelo bem ajustado tera um valor pequeno para -2LL. TABELA 1: Modelo de aprovacao de credito Variaveis Coeficiente Erro-Padrao Teste Wald Estimado Constante -2,15E+00 1,34E-01 -1,61E+01 Valor do Financiamento (X1) 2,45E-05 5,97E-06 4,10E+00 Proporcao Bens do Avalista -3,29E-01 6,29E-02 -5,23E+00 sobre o Valor do Financiado (X20) Valor dos Investimentos -1,76E-05 7,68E-06 -2,29E+00 Fixos do Projeto (X2) Tempo de Atividade da -5,03E-01 6,83E-02 -7,37E+00 Empresa (X11) Proporcao do Faturamento 3,30E-03 1,36E-03 2,43E+00 sobre o Valor Financiado (X12) Variaveis P-Valor Constante 2,00E-16 Valor do Financiamento (X1) 4,11E-05 Proporcao Bens do Avalista 1,82E-07 sobre o Valor do Financiado (X20) Valor dos Investimentos 2,21E-02 Fixos do Projeto (X2) Tempo de Atividade da 1,78E-13 Empresa (X11) Proporcao do Faturamento 1,67E-02 sobre o Valor Financiado (X12) Fonte: Elaborada pelos autores. TABELA 2: Matriz de correlacao das variaveis dependente X1 X20 X2 X11 X12 X1 1 X20 -0,287 1 X2 0,946 -0,254 1 X11 0,1686 -0,07318 0,151 1 X12 -0,055 0,03457 -0,044 0,0134 1 Fonte: Elaborada pelos autores. TABELA 3: ANOVA para teste da razao de verossimilhanca (Deviance) Modelo 1: Y ~X1 + X12 + X11 + X20 Modelo 2: Y ~X1 + X12 + X11 + X20 + X2 Modelos Residuo GL Residuo Deviance GL Deviance 1 9227 3653,70 2 9226 3647,70 1 6,00 Fonte : Elaborada pelos autores. TABELA 4: Matriz de classificacao do modelo de risco de credito com ponto de corte 0,06 Observado Estimado Total Classificacao Adimplente Inadimplente Correta Adimplente 6.008 2.743 8.751 68,7% Inadimplente 242 239 481 49,7% Total 6.250 2.982 9232 67,7% Fonte : Elaborada pelos autores. TABELA 5: Matriz de classificacao do modelo de risco de credito com ponto de corte 0,10 Observado Estimado Total Classificacao Adimplente Inadimplente Correta Adimplente 8.078 673 8.751 92,3% Inadimplente 386 95 481 19,8% Total 8.464 768 9232 88,5% Fonte: Elaborada pelos autores. TABELA 7: Deviance residual do modelo proposto Modelo 2: Y ~X1 + X12 + X11 + X20 + X2 Residual Deviance Graus de Liberdade 3647,7 9,226 Fonte: Elaborada pelos autores. TABELA 8: Classificacao do modelo de risco de credito com ponto de corte 0,10 Observado Estimado Total Classificacao Correta Errada Correta Total 8.173 1.059 9.232 88,5% Fonte: Elaborada pelos autores. QUADRO 1: Sintese de trabalhos anteriores no mercado internacional e brasileiro Autores / Dados / Modelo Conclusao Ano Periodo * INTERNACIONAIS Berger, Economico- -- A pontuacao de credito Cowan e financeiros mostrou-se associada a um Frame Jan./93 a aumento inicial dos (2011) Dez./05 emprestimos de empresas de pequeno porte que crescem moderadamente ao longo do tempo, sem ocorrer mudanca na qualidade da carteira emprestimos. Karlan e Socioeconomicos RM As evidencias indicaram que os Zinman Set./04 a efeitos de expansao do acesso (2010) Nov./04 ao credito de consumo com custo mais elevado nao sao negativos, diferentemente da expectativa da politica- padrao na Africa do Sul e em grande parte do mundo (inclusos os EUA). Avery, Socioeconomicos -- A pontuacao de credito e Brevoort e Jun./03 a preditiva do desempenho futuro Canner Dez./04 pagamento do credito tanto (2009) para a populacao como um todo e para as populacoes individuais Falangis 16.113 PM, O modelo PM (utilizado na (2008) observacoes AD, pesquisa operacional) pode RL apresentar desempenho igual ou e RNA superior ao modelo logistico na classificacao, podendo ser utilizado nos casos em que este nao apresenta bom desempenho. Bardos Economico- A influencia da amostragem na (2007) financeiros AD e regressao logistica mostrou- 1995 a 2003 RL se mais importante do que no modelo discriminante; assim, no caso de amostras grandes e representativas, o segundo e mais indicado. NACIONAIS Alves e Socioeconomicos RP O modelo utilizado mostrou Camargos Jan./03 a eficacia na previsao de (2010) Jun./09 inadimplencia, com probabilidade de previsao correta em 83,67% das observacoes na concessao de microcredito. Camargos Socioeconomicos RL Aspectos determinantes da et al. Jun./97 a inadimplencia sao: empresa de (2010) Jan./06 pequeno porte, setor industrial, informatizacao intermediaria e gerenciada por socios com segundo grau, financiamento associado a maior uso do recurso para capital de giro. Ribeiro, Socioeconomicos RL O modelo proposto apresentou Zani e Jan./08 a resultados satisfatorios Zanini Jun./08 quando aplicado na medicao da (2009) probabilidade de risco de credito de uma IES privada, classificando corretamente aproximadamente 82% dos alunos. Santos e -- KMV O modelo representa um recurso Santos importante na gestao de risco (2009) em carteiras de credito, devendo ser utilizado pelos analistas para mitigar a exposicao ao risco de credito das empresas em que trabalham. Lima Socioeconomicos RNA A melhor rede propiciou 79%, et al. 71% e 85% de acertos do perfil (2009) de pagamento em cada uma das fases de treinamento, validacao e teste, respectivamente. Camargos Socioeconomicos A funcao discriminante e Lima Jun./97 a AD calculada pelo modelo (2008) Jan./06 classificou 96,8% dos dados corretamente, mostrando um poder de precisao e qualificacao superior ao dos modelos das pesquisas consultadas. Melo Mensais Os resultados obtidos Sobrinho Jan./06 a RNA e mostraram que o credit scoring e Carmona Ago./06 RL e um metodo viavel, pois (2008) supera o indice de acerto pelo criterio de chances, e e capaz de realizar previsoes com indices de acuracia de ate 88,52%. Os resultados obtidos pelos diferentes modelos demonstram que nao ha uma supremacia de uma tecnica sobre a outra. Chinellato Socioeconomicos Foi constatada a utilidade e Neto, Dez./04 a RL aplicabilidade de instrumentos Felicio Jul./05 de monitoramento de modelos e Campos de credit scoring, (2007) revelando a importancia de pesquisas para melhoria desses instrumentos. Araujo e Socioeconomicos RL Os modelos credit scoring Carmona Out./04 a obtem desempenho satisfatorio (2007) Dez./04 quando utilizados na analise de risco de credito na instituicao de microcredito Cred Cidadania, alcancando um percentual de classificacao correta dos clientes de cerca de 80%. Cherobim e Mensais ARIM Ao modelar os componentes Barbosa Mar./00 a A sistematicos do risco de (2007) Set./06 credito por meio de suas relacoes com fatores macroeconomicos, a variavel exogena de maior impacto foi a variacao do Ibovespa. Onusic e Anuais RL e O erro em classificar uma Casa Nova 1995 a 2001 DEA empresa insolvente como (2006) solvente foi reduzido para 3 empresas (ou 20%), e o erro em classificar uma empresa solvente como insolvente permaneceu igual ao encontrado na regressao logistica. Santos e Socioeconomicos RM A utilizacao do modelo Fama Mensais econometrico proposto e a (2006) Jun./94 a implementacao de estrategias Jun./04 para a reducao de risco em carteiras de credito bancario rotativo as pessoas fisicas contribuiriam para inibir e melhor monitorar a inadimplencia em carteiras de credito rotativo de pessoas fisicas. Bertucci, Socioeconomicos AD Encontraram um modelo com Guimaraes Jan./98 a baixa capacidade preditiva e Bressan Fev./01 (classificatoria) para casos (2003) de inadimplencia e com boa capacidade preditiva para adimplentes, (43,60% e 81,78% de acerto, respectivamente). No geral, o modelo classificou corretamente 66,62% das empresas. Pereira e Contabeis RL O modelo desenvolvido (e- Ness Jr. Anuais 1998 Score) atingiu um porcentual (2003) a 2000 maximo de acerto na classificacao de 97,4%, para um ano antes do evento da falencia ou concordata, e 88,1% para dois anos anteriores a esse mesmo evento. Antunes, Contabeis AD As variaveis que mais Kato e Anuais 1999 explicaram o desempenho obtido Corrar e 2000 no exercicio social de 2000 (2002) foram Endividamento Geral e Logaritmo das Vendas. No geral, o modelo classificou corretamente 61,54% das empresas da amostra-teste. Horta e Contabeis AD Em todas as equacoes dos Carvalho Anuais 1996 modelos estao presentes (2002) a 2000 diferentes indicadores capazes de explicar a diferenca entre empresas solventes e insolventes, tais como rentabilidade e saldo de tesouraria sobre ativo total. Amorim Neto Socioeconomicos AD A taxa geral de acertos do e Carmona Jul./2001 e modelo de concessao de credito (2001) RL desenvolvido com a tecnica de regressao logistica (72,4%) foi bem proxima a taxa encontrada no modelo desenvolvido com a aplicacao de analise discriminante (73,3%). (*) AD = Analise Discriminante; DEA = Analise Envoltoria de Dados; PM = Programacao matematica; RL = Regressao Logistica; RM = Regressao Multipla; RP = Regressao Probit; RNA = Redes Neurais Artificiais. FONTE--Compilado pelos autores. QUADRO 2: Variaveis independentes utilizadas na pesquisa Codigo Referencia / Nome da Variavel Origem X1 Contrato Valor do Financiamento X2 Contrato Valor dos Investimentos Fixos do Projeto X3 Contrato Valor dos Recursos Proprios no Projeto X4 Contrato Valor do Projeto X5 Contrato Capital de Giro X6 Contrato Ano do Faturamento X7 Contrato Proporcao de Investimentos Fixos no Projeto X8 Contrato Proporcao de Recursos Proprios no Projeto X9 Contrato Proporcao de Capital de Giro no Projeto X10 Contrato Proporcao de Capital de Giro no Financiamento X11 Empresa Tempo de Atividade da Empresa (anos) X12 Empresa Proporcao do Faturamento sobre o Valor Financiado X13 Empresa Valor do Faturamento Anual da Empresa X14 Empresa Localizacao da Empresa (Mesorregiao do Estado de MG) X15 Empresa Setor de Atividade (industria, comercio e servicos) X16 Empresa Nivel de Informatizacao (baixo, intermediario ou avancado) X17 Empresa Percepcao do Mercado de Atuacao (decrescente, estavel e crescente) X18 Socios / Avalista Escolaridade dos Socios (10 grau, 20 grau ou superior) X19 Socios / Avalista Experiencia dos Socios no Negocio (anos) X20 Socios / Avalista Proporcao dos Bens do Avalista Sobre o Valor Financiado X21 Socios / Avalista Valor dos Bens do Avalista X22 Socios / Avalista Valor da Renda do Avalista (em salarios minimos) Fonte: Elaborado pelos autores.