Análise Discriminante versus Regressão Logística

Os resultados patenteados na Tabela infra permitem-nos constatar que, para o ano de 2007, a percentagem de classificação geral obtida na amostra de teste é exactamente a mesma em ambas as técnicas. Existe, no entanto, uma diferença de 6,7%

na precisão preditiva dos modelos relativamente à amostra de análise. De facto o modelo obtido com a análise discriminante evidencia uma menor percentagem de casos incorrectamente classificados. Os erros de previsão do Tipo I, isto é, a classificação de uma empresa incumpridora como cumpridora, são bastante mais elevados na amostra de teste. Este facto retira capacidade preditiva ao modelo.

Quanto ao ano de 2008 e de 2009 as percentagens de casos correctamente classificados obtidas com as diferentes técnicas não diferem, de uma forma geral, substancialmente. Observa-se, porém, pelos resultados da amostra de teste, que a análise discriminante apresenta capacidade preditiva superior aos modelos obtidos com a regressão logística. No ano de 2008 os erros do Tipo I - classificação de uma empresa cumpridora como incumpridora - obtidos com análise discriminante são superiores aos erros do Tipo II verificando-se exactamente o inverso com a regressão logística. Ao nível da amostra de análise as percentagens de erros não diferem de forma substancial em ambas as técnicas. Em 2009 verifica-se que os erros de previsão do Tipo I são sempre superiores aos erros de previsão do Tipo II em qualquer uma das técnicas existindo diferenças significativas ao nível da amostra de análise.

Tabela 27 – Comparação de Resultados38

% Cgeral % Tipo I % Tipo II % CGeral % Tipo I % Tipo II

Amostra de Análise 74,70 17,10 32,50 68,00 34,29 30,00 Amostra de Teste 69,60 44,40 21,40 69,60 44,40 21,40 Amostra de Análise 81,70 18,80 17,90 76,70 21,88 25,00 Amostra de Teste 88,90 14,30 9,10 72,20 14,29 36,36 Amostra de Análise 77,80 27,30 16,70 76,20 30,30 16,70 Amostra de Teste 84,20 25,00 9,10 78,90 37,50 9,10 2009

Análise Discriminante Regressão Logística

2007 2008

Ano

Em síntese, os resultados alcançados sugerem-nos que a análise discriminante multivariada e a regressão logística são técnicas adequadas para prever o incumprimento fiscal no curto prazo não diferindo significativamente em termos de precisão preditiva. Esta evidência vem corroborar algumas das conclusões já aventadas em diversos estudos na área da previsão de insolvência de empresas e amplamente citados ao longo do presente trabalho. O capítulo que se segue apresenta as principais conclusões deste estudo e propostas para investigações futuras.

38 _{Cgeral significa Classificação Geral.}

C

6: Conclusão

Numa altura em que mais do que nunca se impõe o uso criterioso dos dinheiros públicos confiados por cada um de nós (cidadãos) aos decisores políticos, torna-se pertinente, no seio das organizações públicas, pensar em novos mecanismos que permitam a estas entidades levar a cabo a sua missão da forma mais económica e eficiente possível.

Neste contexto a Administração Fiscal assume um papel primordial devendo apostar nas actividades que se traduzam num maior value for the money necessitando para tal de instrumentos de apoio adequados à tomada de decisões. Uma das áreas onde a sua actuação é mais visível e pode ser potenciada é no âmbito da inspecção tributária e da justiça tributária.

A Administração Fiscal possui um manancial de informação ao seu dispor tanto de carácter quantitativo como qualitativo. Importa pois transformar essa informação em conhecimento.

Com tal desiderato foram criados modelos de previsão de incumprimento fiscal, a curto prazo, para cada um dos anos em estudo, específicos para o sector da actividade de fabricação de mobiliário de madeira para outros fins, tendo como ponto de partida os dados das demonstrações financeiras divulgados pelas empresas a operar no referido sector e as informações relativas às suas dívidas fiscais constantes das bases da Administração Fiscal.

Os resultados alcançados com os modelos econométricos sugerem a existência de uma relação entre os indicadores financeiros e o incumprimento fiscal no curto prazo. Verifica-se, contudo, que nem todos os rácios apresentam o mesmo poder preditivo. Os resultados obtidos com a análise discriminante apontam para uma relação positiva entre endividamento e incumprimento fiscal e para uma relação negativa entre solvabilidade e incumprimento fiscal de curto prazo.

Ao nível dos métodos estatísticos seleccionados para a estimação dos modelos podemos afirmar de uma forma geral que ambas as técnicas usadas não diferiram substancialmente em termos de classificação e de precisão preditiva o que confirma os resultados alcançados em diversos estudos sobre esta matéria.

O facto de apenas termos ao nosso dispor o balanço e a demonstração de resultados inviabilizou-nos o cálculo de alguns dos rácios financeiros que reputamos pertinentes para este estudo, nomeadamente, alguns rácios de actividade, tais como, o tempo médio de recebimento, o tempo médio de pagamento, o tempo médio de duração de existências e o grau médio de rotação de existências. Assim, para investigações futuras, seria importante dispor de um leque mais alargado de informação que nos permitisse testar outros rácios.

Alguns autores afirmam que não é claro que um adequado modelo de previsão de insolvência se possa basear exclusivamente em rácios financeiros tendo demonstrado que os modelos que continham variáveis qualitativas apresentavam um incremento na capacidade de previsão face aos modelos que apenas utilizavam os rácios financeiros (Ohlson, 1980; Keasey e Watson, 1987; Slowinski & Zopoudinis, 1995). De facto, ao apenas incluirmos informação financeira neste tipo de modelos estamos implicitamente a assumir que todos os factores relevantes para o incumprimento estão espelhados nas contas anuais. Existem alguns factores tais como a experiência da gestão (Lussier, 1994) o nível educacional, a idade e a motivação dos gerentes/administradores (Lussier, 1994; Hall, 1994), a qualidade dos sistemas de apoio à gestão, a concentração de clientes, a dependência de um ou de poucos fornecedores de grande dimensão (Lehmann, 2003), a relação com os bancos (Hall, 1994) que podem influenciar o incumprimento. Características relacionadas com o Conselho de Administração (composição e estrutura), tais como, dualidade CEO/Presidente, percentagem de

insiders e de outsiders, também podem explicar o insucesso empresarial (Elloumi &

Gueyié, 2002; Sheppard, 1994).

Neste contexto seria também interessante introduzir uma variável qualitativa que reflectisse o histórico do comportamento fiscal de outras empresas detidas pelos actuais sócios, administradores e gerentes das empresas em estudo. De facto, é consabido, que muitas das empresas que estão em incumprimento fiscal pertencem a sócios ou a administradores que já tiveram ou têm outras empresas no mesmo ramo de actividade ou noutro e que acumularam várias dívidas fiscais e que entraram em insolvência. Esta circunstância, na nossa opinião, pode aumentar a propensão para uma má gestão nas empresas em análise e consequentemente aumentar a probabilidade das mesmas entrarem em incumprimento fiscal. Consideramos ainda que seria pertinente incluir uma

outra variável que espelhasse o histórico criminal fiscal quer das empresas em estudo quer dos seus proprietários e/ou gerentes. Entendemos que o envolvimento destes intervenientes em processos de natureza criminal revela algo sobre a sua conduta em termos de gestão, facto que, pode potenciar, a probabilidade de uma empresa entrar em incumprimento fiscal.

Diversos estudos sugerem que a aplicação das redes neuronais de inteligência artificial a problemas de insolvência se tem revelado com maior capacidade preditiva quando comparada com as técnicas tradicionais, pelo que, não obstante a sua complexidade, consideramos que seria interessante, em futuras investigações, aplicar também esta metodologia ao problema em estudo e comparar os resultados obtidos com as técnicas que aqui foram usadas.

O presente trabalho debruça-se sobre o terceiro tipo de incumprimento no entanto é importante salientar que este tipo de modelos ao analisar a “saúde” financeira das empresas poderá eventualmente também ser útil na detecção de casos de omissão de proveitos. Com efeito, se uma dada empresa, face à informação constante das suas demonstrações financeiras, for classificada consecutivamente com probabilidade de ser incumpridora fiscal e esse evento não se verificar este facto pode constituir um sinal de alerta para as autoridades fiscais. De facto uma empresa não poderá sobreviver muito tempo com maus indicadores financeiros e nesta medida isto poderá ser indiciador de que as demonstrações financeiras apresentadas poderão não estar a espelhar a real situação da empresa (imagem verdadeira e fiel).

Por último consideramos que a implementação de modelos deste género no seio da Administração Fiscal poderá de facto ser um complemento importante às técnicas e metodologias já utilizadas no âmbito da selecção de contribuintes a inspeccionar. Uma actuação mais proactiva e mais dirigida por parte da Administração Fiscal poderá contribuir seguramente para melhor acautelar/proteger o crédito tributário promovendo- se desta forma maior justiça e equidade fiscal, valores almejados para qualquer sistema fiscal.

Referências Bibliográficas

Altman E.I., (1984), “The success of business failure prediction models – An international survey”. Journal of Banking and Finance, Vol. 8, p. 171-198.

Altman, Edward I. e Sabato, Gabriele (2007), “Modeling Credit Risk for SMEs – Evidence from the US Market”, ABACUS – A Journal of Accounting, Finance and Business Studies.

Altman, Edward I. (1968), “Financial Ratios, Discriminant Analyses and the Prediction of Corporate Bankruptcy”, Journal of Finance, 23, 4.

Altman E.I., McGough T.P. (1974). “Evaluation of a Company as a Going Concern. Journal of Accountancy”, Vol. 138, nr.6, December 1974, p. 50-57.

Altman E.I., Haldeman R.G., Narayanan P. (1977), “ZETA analysis: A new model to identify bankruptcy risk of corporations”. Journal of Banking and Finance, Vol. 1, nr. 1, p. 29-51.

Altman E.I. (1978), “Examining Moyer‟s re-examination of forecasting financial failure”. Financial Management, Vol. 7, nr. 4, Winter 1978, p. 76-81.

Aziz A., Emanuel D.C., Lawson G.H. (1988), “Bankruptcy prediction – An investigation of cash flow based models”. Journal of Management Studies, Vol. 25, nr. 5, p. 419-437.

Aziz A., Lawson G. (1989), “Cash flow reporting and financial distress models : testing of hypotheses”. Financial Management, Vol. 18, nr. 1, Spring 1989, p. 55-63.

Back, Barbo et al. (1996), “Choosing bankruptcy predictors using discriminant analysis, logit analysis, and genetic algorithms”. Turku Centre for Computer Science, Technical Report nº. 40, ISBN 951-650-828-6, ISSN 1239-1891, p. 1-5, Setembro de 1996.

Back, Barbro et al. (2010), “Using financial ratios to select companies for tax auditing: An exploratory analysis”. Turku Centre for Computer Science, TUCS Technical Report, n.º996, Dezembro de 2010.

Balcaen, Sofie e Ooghe, Hubert (2004), “35 Years of studies on business failure: an overview of the classical statistical methodologies and their related problems”, Faculteit Economie en Bedrijfskunde.

Barnes P. (1982), “Methodological implications of non-normality distributed financial ratios”. Journal of Business Finance and Accounting, Vol. 9, nr. 1, Spring 1982, p. 51- 62.

Bell, B.T. et .al. (1990), “Neural nets vs. Logistic regression: a comparison of each model‟s ability to predict commercial bank failures”, Actes du congrès international de comptabilité, Tome I, Nice, décembre 1990.

Beaver W. (1967a), “Financial ratios predictors of failure”, Empirical Research in Accounting: Selected Studies 1966, Journal of Accounting Research, Supplement to Vol. 4, p. 71-111.

Beaver W. (1967b), “Alternative accounting measures as predictors of failure”, American Accounting Association Manuscript Contest for 1967, p. 113-121.

Becchetti L., Sierra J. (2002), "Bankruptcy risk and productive efficiency in manufacturing firms”, Journal of Banking and Finance, Vol. 27, p. 2099-2120.

Bhargava, M. et. al. (1998), “Predicting Bankruptcy in the Retail Sector: An Examination of the Validity of Key Measures of Performance”, Journal of Retailing and Consumer Services, 5 (2), 105-117.

Bilderbeek J. (1979), “An empirical study of the predictive ability of financial ratios in the Netherlands”, Zeitschrift Für Betriebswirtschaft, May 1979, p. 388-407.

Blum M., (1974), “Failing company discriminant analysis”, Journal of Accounting Research, Vol. 12, nr.1, p. 1-25.

Brandão, Elísio, “Finanças”, 5.ª Edição, 2008.

Brealey, Richard A.; MYERS, Stewart C (1988), “Princípios de finanças empresariais”. 3.ed. Portugal: McGRAW-HILL.

Caouette, J. B.; Altman, E. I.; Narayanam (1999), “P. Gestão do risco de crédito: o próximo grande desafio do futuro”. Tradução de Allan Hastings. Supervisão técnica João Carlos Douat. Rio de Janeiro: Qualitymark, 1999. p. 119-121 e 130-144.

Charitou, A., Neophytou, E. & Charalambous, C. (2004). “Predicting Corporate Failure: Empirical Evidence for the UK”. European Accounting Review, 13(3), 465- 497.

Charitou, A. and L Trigeorgis (2002), “Option based bankruptcy prediction”, Working paper, University of Cyprus.

Charitou A., Trigeorgis L. (2000), “Option-based bankruptcy prediction”, Paper presented at 6th Annual Real Options Conference, Paphos, Cyprus, 4-6 July 2002, p. 1- 25.

Cybinski P. (2000), “The path to failure: where are bankruptcy studies at now?”, Journal of Business and Management, Vol. 7, nr. 1, p. 11-39.

Cybinski P. (2001), “Description. Explanation, Prediction: The Evolution of Bankruptcy Studies?”, Managerial Finance, Vol. 27, nr. 4, p. 29-44.

Dambolena I, Khoury S. (1980), “Ratio stability and corporate failure”, Journal of Finance, Vol. 33, nr. 4, p. 1017-1026.

Deakin E. (1972), “A discriminant analysis of predictors of business failure”, Journal of Accounting Research”, Vol. 10, nr. 1, Spring 1972, p. 167-179.

Deakin E. (1977), “Business failure prediction: an empirical analysis”, p. 72-98. In: Altman, Sametz, 1977, Financial crisis: institutions and markets in a fragile environment.

Dimitras A., Zanakis S., Zopudinis C. (1996), “A survey of business failures with an emphasis on failure prediction methods and industrial applications”, European Journal of Operational Research, Vol. 90, nr.3, p. 487-513.

Edmister R. (1972), “An empirical test of financial ratio analysis for small business failure prediction”, Journal of Financial and Quantitative Analysis, March 1972, p. 1477-1493.

Escola de Gestão do Porto (2005), “Estudo Estratégico das Indústrias de Madeira e Mobiliário de Portugal.”, AIMMP – Associação das Indústrias de Madeira e Mobiliário de Portugal.

FITZPATRICK P. A. (1932), “Comparision of the Ratios of Successful Industrial Enterprises With Those of Failed Companies”, The Accountants Publishing Company, 1932.

Gaspar-Cunha, António et. al. (2010). “Feature Selection for Bankruptcy Prediction: A Multi-Objective Optimization Approach” IJNCR 1(2): 71-91.

Gaspar-Cunha, António et. al. (2009), “Multi-Objective Evolutionary Algorithms for Feature Selection: Application in Bankruptcy Prediction”, SEAL 2010: 319-328.

Gentry, J.A. et. al. (1985a), “Classifying bankrupt firms with funds flow components”, Journal of Accounting Research, Vol. 23, nr. 1, Spring 1985, p. 146-160.

Galindo, R. D. et. al. (2002), “Un Modelo de Predicción de Fracaso Empresarial”, Partida Doble, 134, pp. 60-67.

Gentry, J.A. et. al. (1985b), “Predicting bankruptcy: If cash flow‟s not the bottom line, What is?”, Financial Analysts Journal, Vol. 41, nr. 5, September/October 1985, p. 47- 56.

Gloubos G., Grammatikos T. (1988), “The success of bankruptcy prediction models in Greece”, Studies in Banking and Finance, Vol. 7, p. 37-46.

Green, William H. (2000), “Econometric Analysis”, Prentice Hall International, Inc., Fourth Edition.

Grunet, J. et. al. (2004), „The Role of Non-Financial Factors in Internal Credit Ratings‟, Journal of Banking and Finance, Vol. 29 No 2.

Gujarati, Damodar N. (2005), “Econometria Básica”, Person Makron Books. Hair, J. F.et. al. (2009), “Multivariate Data Análisis, 5th ed. Prentice Hall.

Hall G. (1994) “Factors distinguishing survivors from failures amongst small firms in the UK construction sector”, Journal of Management Studies, Vol. 31, nr. 5, September 1994, p. 737-760.

Harris, M. (1991), “The theory of capital structure”, The Journal of Finance, v. 46. n. 1, p. 297-355, Mar. 1991.

Henley, W. E. (1995), “Statistical aspects of credit scoring”, Dissertation, The Open University, Milton Keynes, UK.

Hosmer D.W., Lemeshow S. (1989), “Applied logistic regression”, John Wiley & Sons: New York. Hsieh S., 1993, A note on the optimal cutoff point in bankruptcy prediction models. Journal of Business Finance & Accounting, Vol. 20, nr. 3, April 1993, p. 457- 464.

Karels G.V., Prakash A.J. (1987), “Multivariate normality and forecasting of business bankruptcy”, Journal of Business Finance & Accounting, Vol. 14, nr. 4, Winter 1987, p. 573-593.

Keasey K., Watson R. (1987), “Non-financial symptoms and the prediction of small company failure: a test of Argenti‟s hypotheses”, Journal of Business Finance & Accounting, Vol. 14, nr. 3, Autumn 1987, p. 335-354.

Keasey K., Watson R. (1991), “Financial distress models: a review of their usefulness”, British journal of Management, Vol. 2, nr. 2, July 1991, p. 89-102.

Kim, M. & Kim, M. (1999), “A Note on the Determinants of the Outcomes of Bankruptcy Petitions: Evidence from Korea”, Journal of Business Finance & Accounting, 26(7-8), 997-1011.

Klecka, W.R. (1980), “Discriminant analysis. Sage University Paper series on Quantitative Apllications in the Social Sciences”, N.º07-019, Beverly Hills, CA:Sage. Kohonen, T. (1988a), “Self-Organization and Associative Memory”, Springer-Verlag, Berlin.

Kohonen, T. (1988b), “An introduction to neural computing”, Neural Networks, 1(1): 3- 16.

Laffarga, J. B. et. al. (1985). “El Análisis de la Solvencia en las Instituciones Bancarias: Propuesta de una Metodologia y Aplicaciones a la Banca Española.”, ESIC Market, 48, 51-73.

Laffarga, J. B. et. al. (1998). “Los Modelos de Predicción de la Insolvencia Empresarial: Un análisis Critico”, in A. S. Calvo-Flores & D. P. L. García (Eds.), El Riesgo Financiero de la Empresa, (pp.11-58). Madrid: A.E.C.A.

Lehmann B., (2003), “Is it worth the while? The relevance of qualitative information in credit rating”, Working Paper presented at the EFMA 2003 Meetings, Helsinki, p. 1-25. Lev, B. (1978), “Análisis de estados financieros, un nuevo enfoque”. Madrid: Esic. Lisowsky, Petro (2010), “Seeking Shelter: Empirically Modeling Tax Shelters Using Financial Statement Information”, University of Illinois at Urbana- Campaign, The Accounting Review.

Lízal L. (2002), “Determinants of financial distress: what drives bankruptcy in a transition economy? The Czeck Republic case”, William Davidson Working Paper nr. 451, January 2002, p. 1-45.

Lo, A. W. (1986), “Logit Versus Discriminant Analysis: a Specification Test and Application to Corporate Bankruptcy”, Journal of Econometrics, 31, 151-178.

Lussier R.N. et. al., (1994), “A success vs. Failure prediction model of the manufacturing industry”, Paper nr. 48, Conference of the Small Business Institute Director‟s Association, San Antonio, Texas, February 1994, p. 1-5.

Maroco, João (2007), “Análise Estatística Com utilização do SPSS”, Edições Sílabo. Martin, D. (1977), “Early warning of bank failure: a logit regression approach”, Journal of Banking and Finance, November, 249-276.

Mc Leay, S. et. al. (2000), “The sensitivity of prediction models to the non-normality of bounded an unbounded financial ratios”, British Accounting Review, Vol. 32, p. 213- 230.

McGurr, P. T. & DeVaney, S. A. (1998), “Predicting Business Failure of Retail Firms: An Analysis Using Mixed Industry Models”, Journal of Business Research, 43, 169- 176.

Mora, A. E. (1994), “Los Modelos de Prediccion del Fracaso Empresarial: Una aplicacion Empirica del Logit”, Revista Española de Financiación y Contabilidad, 23(78), 203-233.

Mossman, Ch.E. et. al. (1998), “An empirical comparison of bankruptcy models”, The Financial Review, Vol. 33, nr. 2, p. 35-54.

Neves, João Carvalho (1997), “Análise do risco de incumprimento: na perspectiva da Segurança Social”, Fundação para a Ciência e Tecnologia e Instituto de Gestão Financeira da Segurança Social.

Ohlson J. (1980), “Financial ratios and the probabilistic prediction of bankruptcy”, Journal of Accounting Research, Vol. 18, nr. 1, Spring 1980, p. 109-131.

Ooghe H., Joos P., De Bourdeaudhuij C. (1995), “Financial distress models in Belgium: The results of a decade of empirical research”, International Journal of Accounting, Vol. 30, p. 245-274.

Ooghe H., Joos P., De Vos D., De Bourdeaudhuij C. (1994a), “Towards an improved method of evaluation of financial distress models and presentation of their results”, Working Paper, January 1994, Department of Corporate Finance, Ghent University, Belgium, 22p.

Ooghe H. et. al. (1985), “Predicting business failure on the basis of accounting data: The Belgian experience”, The International Journal of Accounting, Vol. 9, nr. 2, p. 19- 44.

Pereira, José, et al. (2007), “Modelos de Previsão do Fracasso Empresarial: Aspectos a considerar”, Revista de Estudos Politécnicos, Vol. IV, pp. 111-148.

Platt H.D., Platt M.B., (1990), “Development of a class of stable predictive variables: the case of bankruptcy prediction”, Journal of Business Finance & Accounting, Vol. 17, nr. 1, Spring 1990, p. 31-51.

Rodriguez, M. L. V. (1994), “Utilidad del análisis de ratios para la predicción de la insolvencia empresarial”, Actualidad Financiera, n.º 34, pp. 699-724.

Román, I. M. & De La Torre, J. M. M. (2002), “Una Visión Sectorial del Analisis del Riesgo de Insolvencia. Aplicación a la Situación de la Empresa Media Andaluza”, in Ensayos Científicos sobre Contabilidad (677-685), Universidad de Málaga.

Santos, Vera (2010). “Modelação do Risco de Crédito, no contexto do Acordo Basileia II – A Prática do Mercado Português.” Instituto Superior de Economia e Gestão.

Scherr, F. C. (1989), “Causality, Regression, Discriminant Analysis, and Research on Failure”, Akron Business and Economic Review, 20(1), 8-20.

Schneider, Friedrich (2009), “The Size of the Shadow Economy in 21 OECD Countries (in % of „official“GDP) using the MIMIC and currency demand approach: From 1989/90 to 2009”, Handbook on the Shadow Economy.

Sheppard J.P. (1994), “Strategy and bankruptcy: an exploration into organizational death”, Journal of Management, Vol. 20, nr. 4, p. 795-833.

Slowinski R., Zopudinis C., (1995), “Application of the rough set approach to evaluation of bankruptcy risk. Intelligent Systems in Accounting”, Finance and Management, Vol. 4, p. 27-41.

Somoza, L. A. & Vallverdú, J. C. (2003), “Un Modelo de Predicción de la Insolvencia Empresarial Basado en Variables Financieras. Su Aplicación al Caso Textil Catalán (1994-1997)”, Revista de Contabilidad, 6(11), 173-191.

Stickney, C. P. (1996), “Financial Reporting and Statement Analysis”, 3rd. Edition, Ft. Worth, TX: The Dryden Press.

Taffler R.J., Tisshaw H., (1977), “Going, Going, Gone - Four Factors Which Predict”, Accountancy, Vol. 88, March 1977, p. 50-54.

TAM, K.Y. et. al. (1992), “Managerial applications of neural networks: the case of bank failure predictions.”, Management Science, v. 38, n. 7, 1992.

Tucker, J. (1996), “Neural networks versus logistic regression in financial modelling: a methodological comparison”, Paper published in Proceedings of the 1996 World First Online Workshop on Soft Computing (WSC1), Nagoya University, Japan, August 19- 30.

Wilson, R. (2009), “An examination of corporate tax shelter participants”, The Accounting Review, 84 s3d: 969–999.

Van Frederikslust R.A.I. (1978), “Predictability of corporate failure: models for prediction of corporate failure and for evaluation of corporate debt capacity.” Martinus Nijhoff Social Science Division, Leiden/Boston, PhD thesis in Economic Sciences, Erasmus University, Rotterdam, The Netherlands.

Yobas, M. B. et al. (2000), "Credit scoring using neural and evolutionary techniques." IMA Journal of Management Mathematics 11(2), 111-125.

Zavgren C (1983), “The prediction of corporate failure: the state of the art”, Journal of Accounting Literature, Vol. 2, p. 1-37.

Zavgren C.V. (1985), “Assessing the vulnerability to failure of American industrial firms: A logistic analysis”, Journal of Business Finance and Accounting, Vol. 12, nr. 1, Spring 1985, p. 19-45.

Zmijewski M.E. (1984), “Methodological issues related to the estimation of financial distress prediction models”, Journal of Accounting Research, Supplement to Vol.22, pp. 59-86.

Quadros

Quadro 1- Bateria de Indicadores Económico-Financeiros

Rácios Fórmula de Cálculo

Liquidez

Liquidez Geral (LG) Activo Circulante/Passivo de Curto Prazo