Uma análise de desempenho no mercado de concessão de crédito de consumo
no Brasil
Miriam Cardoso Costa
Pontifica Universidade Católica do Rio de Janeiro Departamento de Engenharia Industrial Rua Marquês de São Vicente, 225, sala 950L
miriam@aluno.puc-rio.br
Luis Eduardo Madeiro Guedes
Universidade Federal do Rio de Janeiro
Programa de Engenharia de Produção da COPPE/UFRJ
Universidade Federal do Rio de Janeiro, Ilha do Fundão - Cidade Universitária - Centro de Tecnologia -Bloco F - Sala 105, Rio de Janeiro - RJ – Brasil, tel: 55 21 2562-7047
guedes1970@uol.com.br
Madiagne Diallo
Pontifica Universidade Católica do Rio de Janeiro Departamento de Engenharia Industrial Rua Marquês de São Vicente, 225, sala 950L
diallo@puc-rio.br
RESUMO
O Trabalho tem como foco principal a identificação de estratégias eficiêntes no mercado de crédito brasileiro. Dentro desse contexto, serão avaliadas as 30 maiores financeiras no Brasil, listadas no Ranking da Revista Valor Econômico de Junho de 2007. As principais variáveis que tem impacto na administração de carteiras de crédito estão disponíveis nessa base de dados, o que facilita a modelagem da relação entre as variáveis e o mercado. Para esta avaliação será utilizada a Análise Envoltória de Dados, um modelo DEA BCC-I foi proposto para avaliação do desempenho das financeiras com vista à uma análise de mercado de concessão de crédito no Brasil, baseada nos pesos atribuidos pelo modelo dos multiplicadores.
PALAVRAS CHAVE. DEA, Crédito, Finanças
ABSTRACT
The article focuses on the identification of key strategies effective in Brazilian credit market. Within this context, will be assessed the 30 largest financial Brazil, listed on the Economic Value Magazine Ranking of June 2007. The main variables that have impact on the management of credit portfolios are available in the database, which facilitates the modeling of the relationship between variables and the market. For this assessment will be used as Data Envelopment Analysis, a DEA BCC-I model was proposed to evaluate the financial performance of for a market analysis for granting credit in Brazil, based on weights assigned by the model of the multiplier.
1. Introdução
A partir de meados da década de 90 a estabilização econômica provocou um aumento acentuado no consumo e gerou uma redução abrupta dos ganhos inflacionários ligados aos
depósitos à vista, transformando as operações de crédito na principal fonte de geração de receita para o sistema financeiro. Este fato provocou um aquecimento do mercado de credito de consumo atraindo muitas empresas para este setor.
Com base neste cenário de crescimento a avaliação da eficiência do mercado se torna fundamental para a identificação dos modelos de gestão eficientes. Neste sentido, o artigo faz um estudo detalhado das variáveis que tem impacto na administração de carteiras de crédito
utilizando a Análise Envoltória de Dados (DEA). O modelo proposto para esta análise foi o BCC-I, proposto por Charles, Cooper e Rhodes (1978). Também foi aplicado um método de simulação a restrição dos pesos (DMU’s artificiais), proposto por Thanassoulis e Allen (1978), para que fosse possível introduzir a opinião de especialistas sem causar grandes perturbações no espaço de pesos. Outro ponto que deve ser destacado no trabalho é a realização de uma detalhada análise de mercado, baseada nos pesos atribuídos pelo modelo dos multiplicadores.
Dentro desse contexto, serão avaliadas as 30 maiores financeiras no Brasil, listadas no Ranking da Revista Valor Econômico de Junho de 2007. As principais variáveis relativas a administração de carteiras de crédito estão disponíveis nessa base de dados, o que facilita a modelagem da relação entre as variáveis e o mercado.
O trabalho está definido da seguinte forma. Na seção 2 será apresentada a metodologia DEA seus principais modelos clássicos e as vantagens e desvantagens da aplicação da metodologia. Em seguida veremos como essa metodologia vem sem utilizada na avaliação de desempenho do mercado de concessão de crédito de consumo no Brasil. Na seção 4 será apresentada a base de dados utilizada para a análise e o método de simulação a restrição ao pesos aplicado. Finalmente são apresentados a análise dos resultados e as conclusões.
2. Metodologia
O CCR, modelo originário das técnicas de DEA, define a eficiência como a soma ponderada dos outputs dividido pela soma ponderada dos inputs. Essa definição exige que um conjunto de pesos seja atribuído, o quê, considerando que esse conjunto deve ser aplicado a todas as DMU’s, torna-se uma tarefa bastante complicada. Charnes, Cooper e Rhodes (1978) apresentaram uma resolução para este problema, argumentando que cada unidade individual possui um sistema de valores particular e por si só tem legitimidade para definir seu próprio conjunto de pesos, no sentido de maximizar sua eficiência. A única limitação imposta é que todas as unidades tenham eficiência menor ou igual a 1. Abaixo segue a formulação do modelo CCR, para maximização de
Minimização de inputs – CCR – I Maximização de Outputs – CCR – O Primal (Multiplicadores)
∑
==
s j j jy
u
h
Max
1 0 Sujeito a:1
1=
∑
= r i ik ix
v
n
K
x
v
y
u
r i ik i s j jk j0
,
1
,
2
,..
1 1=
≤
−
∑
∑
= =i
j
v
e
u
j i≥
0
∀
,
Dual (Envelope)θ
Min
Sujeito a:r
i
x
x
n k k ik i0
,
1
,...,
1 0−
∑
≥
=
=λ
θ
s
j
y
y
n k k jk j0
,
1
,...,
1 0+
≥
=
−
∑
=λ
k
k≥
0
∀
λ
Representação Gráfica 0 1 2 3 4 5 6 7 8 0 1 2 3 4 Inputs O u tp u ts B C A Primal (Multiplicadores)∑
==
r i i ix
v
h
Min
1 0 Sujeito a:1
1=
∑
= r i jk jy
u
n
K
y
u
x
v
s j jk j r i ik i0
,
1
,
2
,..
1 1=
≤
−
∑
∑
= =i
j
v
e
u
j i≥
0
∀
,
Dual (Envelope)θ
Max
Sujeito a:s
i
y
y
n k k jk j0
,
1
,...,
1 0+
≥
=
−
∑
=λ
θ
r
j
x
x
n k k ik i0
,
1
,...,
1 0+
∑
≥
=
=λ
k
k≥
0
∀
λ
Representação Gráfica 0 1 2 3 4 5 6 7 8 0 1 2 3 4 Inputs O u tpu ts B C Aonde: h,θ– eficiência da DMU0;
uj , vi – pesos de outputs e inputs respectivamente; xik , yjk – inputs i e outputs j da DMUK ;
xi0 , yj0 – inputs i e outputs j da DMU avaliada;
Na formulação dos modelos, pode-se ver que a diferença entre as óticas está na posição da variável h, em relação às restrições dos modelos primais e da variável θ em relação as restições dos modelos duais. Também é possível observar que a função de produção, representada pela fronteira de eficiência, é sempre crescente, admitindo que a produção de outputs sempre pode crescer, desde que haja crescimento dos inputs. Por isso, conclui-se que o modelo tem retornos constantes de escala (CRS).
O modelo BCC, desenvolvido por Banker, Charnes, Cooper (1984), surgiu como uma forma resultante da partição da eficiência do modelo CCR em duas componentes: a eficiência técnica e a eficiência de escala. A medida de eficiência técnica, resultante do modelo BCC, identifica a correta utilização dos recursos à escala de operação da DMU. A eficiência de escala é igual ao
quociente da eficiência BCC com a eficiência CCR e dá uma medida da distância da DMU em análise até uma DMU fictícia, que opera com o tamanho da escala mais produtivo. Abaixo seguem as formulações do modelo.
Minimização de Inputs – BCC – I Maximização de Output – BCC – O Primal (Envelope)
θ
Min
Sujeito a:r
i
x
x
n k ik k i0
,
1
,...,
1 0−
∑
≥
=
=λ
θ
s
j
y
y
n k jk k j0
,
1
,...,
1 0+
≥
=
−
∑
=λ
1
1=
∑
= n k kλ
0
≥
kλ
Dual (Multiplicadores)∑
=−
=
s j j ju
y
u
h
Max
1 0 * 0 Sujeito a:1
1=
∑
= r i ik ix
v
n
K
u
x
v
y
u
r i ik i s j jk j0
,
1
,
2
,..
1 * 1=
≤
−
−
∑
∑
= =i
j
v
e
u
j i≥
0
∀
,
Representação Gráfica 0 1 2 3 4 5 0 1 2 3 4 Inputs O u tp u ts B C A Primal (Envelope)θ
Max
Sujeito a:s
i
y
y
n k k jk j0
,
1
,...,
1 0+
≥
=
−
∑
=λ
θ
r
j
x
x
n k k ik i0
,
1
,...,
1 0+
∑
≥
=
=λ
1
1=
∑
= n k kλ
0
≥
kλ
Dual (Multiplicadores) * 1 0 0v
x
u
h
Min
r i i i−
=
∑
= Sujeito a:1
1=
∑
= r i jk jy
u
n
K
u
y
u
x
v
s j jk j r i ik i *0
,
1
,
2
,..
1 1=
≤
−
−
∑
∑
= =i
j
v
e
u
j i≥
0
∀
,
Representação Gráfica 0 1 2 3 4 5 0 1 2 3 4 Inputs O u tp u ts B C Aonde: h0,θ– eficiência da DMU0;
uj , vi – pesos de outputs e inputs respectivamente; xik , yjk – inputs i e outputs j da DMUK ;
xi0 , yj0 – inputs i e outputs j da DMU avaliada;
A diferença principal entre os modelos CCR e BCC esta nas características de suas fronteiras, enquanto no modelo CRS existe a premissa de que para cada aumento de uma unidade nos inputs ocorre um aumento proporcional nos outpus. No modelo BCC isso não acontece, não havendo crescimento proporcional linear neste modelo.
3. Mercado de Credito de Consumo: Evolução e Perpectivas
O cenário de crescimento do mercado de concessão de credito de consumo foi iniciado na década de 90, juntamente com a estabilização econômica, desde então o crescimento vem se mantendo significativo. Segundo a Revista Valor Econômico (2007), no ano 2006 as financeiras obtiveram aumento no saldo das operações e das receitas de crédito, em comparação ao ano de 2005, contudo, o resultado líquido e a Rentabilidade PL sofreram perdas.
Na rede varejista, ocorreu um crescimento significativo das despesas administrativas em decorrência da expansão das redes de atendimento e instalação de novos pontos de distribuição e vendas (investimento em crescimento). Isto proporcionou substanciais perdas do ponto de vista operacional. Ainda assim, ocorreu um crescimento do saldo das operações de crédito, dos depósitos totais das maiores financeiras e das receitas de intermediação financeira, além de um pequeno aumento do patrimônio líquido.
No tocante à prestação de serviços, segundo a Revista Valor Econômico (2007), houve um incremento de 90.1%. O crescimento acelerado das operações de crédito ao consumidor tem-se consolidado pelas parcerias entre instituições financeiras e empresas do varejo, como destaca Freaza, Guedes e Gomes (2006). Uma conseqüência real deste crescimento é o aumento de concorrência entre as financeiras que talvez, possa resultar em um novo delineamento das parcerias existentes no mercado e abertura de financeiras próprias por grandes redes varejistas.
Nesse contexto, as financeiras passam a buscar manutenção da qualidade de operação mediante ampliação do volume de negócios com ganho de escala, além da busca de equilíbrio da expansão da carteira de clientes e controle da inadimplência com aquisição de novos clientes.
4. Aplicações de DEA em finanças
Diallo et al. (2007) analisaram o mercado brasileiro de Bancos de varejo brasileiro, para isto foi utilizado o modelo DEWA BCC-I. Os resultados relativos a dois métodos de restrições aos pesos (DMU Artificial e CRWS Ajustado) foram comparados. Os inputs foram: número de funcionários, número de agencias, índice de inadimplência, alavancagem e grau de imobilização. Já os outputs foram os resultados de intermediação financeira, rentabilidade do patrimônio liquido.
Fukuyama et al. (1999), buscou identificar as eficiências relativas de dois tipos de cooperativas de crédito do Japão: aquelas cujos proprietários eram os coreanos e as cooperativas de propriedade dos japoneses. Nesse caso, foram utilizados como variáveis o número de funcionários, o valor do capital, o volume de depósitos, empréstimos e investimentos em títulos.
Tupy et al. (2003) aplicou DEA em cooperativas de laticínios de São Paulo. Para medir a eficiência produtiva nesse tipo de cooperativa os autores adotaram a pressuposição de que cooperativas têm como objetivo maximizar valores para os cooperados, oferecendo maiores receitas ou menores custos do que as empresas privadas. Como variáveis de decisão, foram utilizados como inputs o ativo total e o número de horas trabalhadas e output a receita bruta.
Freaza et al. (2008) utilizou a metodologia da Análise Envoltória de Dados (DEA) para o estudo de eficiência dos 50 maiores bancos do mercado brasileiro. A técnica de I-O Stepwise foi utilizada para seleção de variáveis para o modelo final. Com a finalidade de adicionar ao modelo a opinião dos especialistas foram introduzidas no estudo a criação e a simulação de unidades produtivas artificiais ou não observadas (DMU’s Artificiais) como método de simulação a restrição aos pesos. Na etapa final foi realizada uma detalhada análise de mercado das instituições financeiras. Os inputs foram: número de funcionários, número de agencias, índice de inadimplência, alavancagem, grau de imobilização e custo operacional. Já os outputs foram os resultados de intermediação financeira, rentabilidade do patrimônio liquido, resultado operacional, patrimônio liquido e lucro liquido
Ferreira et al. (2007) estudou o desempenho das Cooperativas de Economia e Crédito Mútuo de Minas Gerais, a partir de indicadores contábeis e financeiros de 105 cooperativas de crédito no ano de 2003. Neste trabalho foram utilizados dois métodos diferentes: primeiramente, programação matemática para calcular os escores de eficiência DEA e, em seguida, um modelo
econométrico Tobit para identificar os fatores que determinavam os níveis de eficiência. O trabalho comparou o grau de ineficiência técnica e de escala das sociedades cooperativas de crédito, utilizando o escore médio de eficiência técnica no modelo com retornos variáveis à escala (BCC).
Vilela et al. (2007) aplicou DEA para avaliar o desempenho das cooperativas de crédito rural do estado de São Paulo. Os dados foram retirados dos relatórios de auditoria anos 2001 e 2002 fornecidos pela COCECRER/SP. O modelo utilizado foi o BCC orientado para output. Os inputs foram o ativo total e despesas administrativas e como output foram consideradas as operações de crédito. Os dados de 2001 e 2002 foram inseridos separadamente, para análises individuais de cada ano e também a evolução de cada cooperativa de um ano para o outro. O estudo concluiu que as cooperativas que dispunham de maiores volumes de recursos conseguiram obter desempenho superior, no objetivo de operação (concessão de crédito). Outro resultado foi que as cooperativas que dispunham de maiores volumes de recursos conseguiram obter maiores taxas de eficiência, quando considerada a relação ativa total e despesas administrativas relativamente ao volume de crédito concedido.
5. Base de dados
A fonte da base de dados é o Ranking da Revista Valor Econômico de Junho de 2007. Onde as principais variáveis que avaliam o impacto na administração de carteiras de crédito estão disponiveis para as 30 maiores financeiras que atuam no Brasil.
As variáveis utilizadas serão definidas a seguir, descrevendo a manipulação quando necessário. Estão organizadas por inputs e outputs.
5.1 Variáveis utilizadas como inputs
Operações de Crédito (em R$ milhões): Soma das operações de crédito de curto e longo prazo declaradas no balanço patrimonial.
Alavancagem (em pontos): Indicador medido em pontos, obtido pela divisão do passivo total subtraído do patrimônio líquido pelo patrimônio líquido. Mede a agressividade da instituição, ao apontar, no seu passivo, a relação entre recursos de terceiros e capital próprio. Quanto maior o índice, mais agressiva é a instituição.
Imobilização: Porcentagem obtida pela divisão do ativo permanente pelo patrimônio líquido. Indica a proporção do capital próprio da instituição aplicada em ativos permanentes. Quanto menor este número, melhor, pois haverá mais recursos para serem aplicados no giro da atividade. Devido esta relação entre a imobilização e as variáveis indicadoras da eficiência fizeram-se necessária um tratamento em que o valor de cada DMU foi dado por: 100 – valor original observado. Esse processo gerou uma nova variável cujo maior valor indicará um melhor desempenho da empresa.
Custo Operacional: Indicador médio em pontos, obtido pela divisão da soma das despesas de pessoal com as administrativas pela soma do resultado bruto da intermediação financeira com a receita de prestação de serviços. Mede a eficiência da instituição financeira ao comparar gastos operacionais com as principais fontes de recursos gerados na própria operação. Quanto menor, melhor. Por causa deste comportamento foi necessário realizar um tratamento em que o valor de cada DMU foi dado pelo seu inverso, ou seja, 1 / valor original observado. Com esse processo a nova variável apresentará valores maiores conforme melhor for o desempenho da empresa.
Result. int. financ. (em R$ milhões): Receitas menos despesas de intermediação financeira (incluem receitas de operações de crédito, despesas de captação no mercado, resultado de operações com títulos e valores mobiliários, câmbio, aplicações compulsórias e outros). Valor declarado nos demonstrativos de resultados.
Rentab. do PL (em %): Rentabilidade do patrimônio líquido. Mede o retorno final dos acionistas em relação ao capital próprio da instituição. Quanto maior, melhor. Trata-se de um indicador em porcentagem, obtido pela divisão do resultado operacional pelo patrimônio líquido.
6. Aplicação de metodo de simulação a restrição aos pesos (DMU Artificial)
Segundo Figueiredo (2005), a
flexibilidade na escolha dos pesos existente na metodologia DEA clássica é importante na identificação das DMU’s ineficientes, ou seja, que apresentam baixo desempenho inclusive com pesos definidos de forma mais favorável. Contudo, em DEA, a atribuição de pesos não é uma tarefa de baixa complexidade. A escolha dos pesos introduzida no PPL através de restrições pode gerar inviabilidade na solução do problema.Roll e Golany (1991) constataram que cada peso em DEA, estritamente positivo, era equivalente a uma DMU não observada (DMU artificial), introduzida entre as demais no momento da análise. Allen et al. (1997) generalizaram essa observação para o caso de múltiplos inputs e/ou outputs, para DMU’s que operam com retornos constantes de escala ou para as que operam com retornos variáveis de escala. Contudo a primeira proposta de simular restrições aos pesos via DMUs artificiais foi feita por Thonassoulis e Allen (19991).
Desta forma, a inclusão de uma DMU Artificial ao conjunto original de DMU’s funciona como método alternativo de simulação de um conjunto de restrições aos pesos, sendo os índices de eficiência desse novo conjunto calculados pelo método clássico, sem restrições aos pesos, o mesmo que o obtido com o conjunto inicial de DMU’s utilizando restrições aos pesos ao invés de DMUs artificiais.
No caso particular do trabalho, estabeleceu-se como corte a média da rentabilidade, isto é, nenhuma Financeira com rentabilidade inferior a média poderia ser eficiente. Esta estratégia foi uma adaptação da metodologia para o caso particular do trabalho, originalmente, nenhuma DMU abaixo do corte estabelecido poderia ser mais eficiente que uma outra que esteja acima do corte, condição que foi relaxada no algoritmo utilizado no trabalho. Esta decisão foi tomada para minimizar o numero de iterações do algoritmo e por se julgar satisfatório o fato de que as DMU’s com rentabilidade abaixo do corte não pudessem ser consideradas eficientes. Como observamos em Gonçalves (2003), no modelo CCR, as DMU Artificiais podem ser definidas com a utilização das equações (6.1) ou (6.2), sem que haja diferença nos resultados. Ambas simulam as restrições ARI e ARII.
Para o modelo CCR-O: * j rj rjt
h
y
y
=
ex
ijt=
x
iij∀
jt
=
j
(6.1)Para o modelo CCR-I:
rj rjt
y
y
=
ex
ijt=
x
iij.
h
*j∀
jt
=
j
(6.2)Já para o modelo BBC, a eficiência depende da orientação do modelo. Assim, a definição da DMU Artificial, utilizando contração dos inputs conforme equações expressas em (6.3), não produz os mesmos resultados se for utilizada a expansão dos outputs, conforme equações expressas em (6.4).
Para o modelo BCC-I:
rj rjv
y
y
=
ex
ijv=
x
ij.
v
i*∀
jv
=
j
(6.3)Para o modelo BCC-O: * j rj rjv
v
y
y
=
ex
ijv=
x
ij∀
jv
=
j
(6.4)Figueiredo (2005) fez a generalização das restrições de Gonçalves (2003) para problemas multidimensionais.
7. Análise dos resultados
Tabela 1: Resultados do Modelo sem a aplicação do Algoritmo das DMU's Artificiais
Companhia Rentab. do PL (em %) Eficiencia Corte Companhia Rentab. do PL (em %) Eficiencia Corte
N egresco CF I 172,7 100 Acima Atria CFI 110,6 97,1 Abaixo
Luizacred CFI 167,5 100 Acima Barigüi Financeira 124,2 97,1 Acima
Pernambucanas Financiadora 162,1 100 Acima M ercantil do Brasil Financeira 110,7 96,3 Abaixo
Bescredi 149,5 100 Acima Oboé Financeira 113,6 96,0 Abaixo
BRB CFI 132,5 100 Acima C redifar CFI 146,6 95,0 Acima
Om ni CFI 132 100 Acima Portoseg C FI 112,7 93,9 Abaixo
Interm edium CFI 129,7 100 Acima Santinvest CFI 123,7 93,3 Acima
BV F inanceira 126,1 100 Acima Grazziotin Financiadora 111,2 90,3 Abaixo
D acasa Financeira 125,8 100 Acima ASB CFI 114,8 87,9 Abaixo
C refisa Crédito Pessoal 125,7 100 Acima Alfa Financeira 114,8 86,3 Abaixo
C ifra C FI 115,7 100 Abaixo BMW Financeira 108,7 82,3 Abaixo
D ireção CFI 114,3 100 Abaixo F inamax CFI 138,5 73,6 Acima
Portocred Financeira 110,1 100 Abaixo C aterpillar Financial CFI 117,7 72,6 Abaixo
F AI CFI 40,8 100 Abaixo C etelem Brasil C FI 104,6 71,5 Abaixo
F inanc eira Itaú C DB 32,9 100 Abaixo F inanceira Renalt 114,1 71,3 Abaixo
Os resultados do modelo, antes da aplicação das DMU’s artificiais, mostraram que 15 financeiras foram consideradas ineficientes. Dentre elas, 5 DMU’s apresentavam Rentabilidade do PL inferior à média.
Tabela 2: Resultados do Modelo com a aplicação do Algoritmo das DMU's Artificiais
Companhia Rentab. do PL (em %) Eficiencia Corte Companhia Rentab. do PL (em %) Eficiencia Corte
N egresco CF I 172,7 100 Acima ASB CFI 114,8 85,9 Abaixo
Luizacred CFI 167,5 100 Acima Barigüi Financeira 124,2 84,8 Acima
Pernambucanas Financiadora 162,1 100 Acima Alfa Financeira 114,8 83,6 Abaixo
Bescredi 149,5 100 Acima Santinvest C FI 123,7 78,1 Acima
BRB CFI 132,5 100 Acima Mercantil do Brasil Financeira 110,7 77,9 Abaixo
Om ni CFI 132 100 Acima BM W Financeira 108,7 76,7 Abaixo
Interm edium CFI 129,7 100 Acima FAI CFI 40,8 73,6 Abaixo
BV F inanceira 126,1 100 Acima Financeira Itaú CDB 32,9 73,6 Abaixo
D acasa Financeira 125,8 100 Acima Finam ax CFI 138,5 73,6 Acima
C refisa Crédito Pessoal 125,7 100 Acima Direção CF I 114,3 73,6 Abaixo
C ifra C FI 115,7 98,6 Abaixo Grazziotin Financiadora 111,2 72,4 Abaixo
Portocred Financeira 110,1 98,3 Abaixo Atria CFI 110,6 72,1 Abaixo
C redifar CFI 146,6 95,0 Acima Cetelem Brasil CFI 104,6 69,0 Abaixo
Oboé Financeira 113,6 90,3 Abaixo Caterpillar Financial CFI 117,7 66,0 Abaixo
Portoseg C FI 112,7 88,9 Abaixo Financeira R enalt 114,1 62,7 Abaixo
Após a aplicação do algoritmo, vimos que as 5 unidades com Rentabilidade do PL inferior à média deixaram de ser eficientes. Ao fim da aplicação do algoritmo, restaram 10 DMU´s eficientes. Foram necessárias 3 iterações para que as unidades consideradas eficientes com Rentabilidade do PL abaixo da média fossem retiradas do conjunto de eficientes.
Tabela 3: Contribuição das variáveis para o Cálculo da Eficiência: DMU's Eficientes
Companhia (em R$ milhões)Oper. Crédito Alavancagem (em pontos) Imobilização (em %) Custo operac. (em pontos) Result. int. financ. (em R$ milhões) Rentab. do PL (em %)
N egresco CF I 0,1 32,9 45,1 22,0 0,5 99,5 Om ni CFI 0 67,0 29,4 3,6 17,1 82,9 Luizacred CFI 15,6 32,9 25,3 26,2 10,6 89,4 BRB CFI 7,7 10,9 78,3 3,2 77,3 22,7 Pernambucanas Financiadora 0,2 11,2 79,2 9,4 31,4 68,6 D acasa Financeira 17,1 7,3 29,6 46,0 9,8 90,2 Bescredi 0 3,6 81,9 14,4 1,0 99,0
C refisa Crédito Pessoal 0 0,8 91,0 8,2 31,4 68,6
BV F inanceira 60,8 19,1 18,8 1,2 100 0
Como podemos ver as Financeiras eficientes, em geral, combinaram políticas internas que priorizaram Rentabilidade do PL (margem entre custo de operação e o retorno) e Volume de negócio (Resultado de intermediação financeira), dividindo o foco entre o retorno com a margem e volume recursos gerados pelas operações. Desta forma, os dois outputs foram bastante importantes para o calculo do score das unidades eficientes. Esta análise bate com o comportamento do mercado nos últimos anos, onde a queda nas taxas de juros forçou o foco em políticas de ampliação de carteiras. Contudo, o que se vê entre as financeiras eficientes é um balanceamento de importância entre Rentabilidade do PL e Resultado de Intermediação Financeira, o que mostra que estas financeiras conseguiram expandir sua carteira, fazendo um bom controle de risco (inadimplência).
Entre os inputs, a variável mais importante é o Grau de imobilização, que neste caso mostra o percentual do capital da empresa que NÃO está imobilizado. Intuitivamente, a importância desta variável para a eficiência de uma empresa de concessão de crédito, é fácil de ser compreendida, uma vez que quanto mais capital desmobilizado, mais recursos próprios estão disponíveis para operações de crédito, o que faz com que a Financeira diminua sua necessidade de alavancagem de capital, diminuindo o custo operacional e impactando diretamente no resultado da Rentabilidade do PL.
O Custo Operacional teve importância moderada para as eficientes, porem esta importância variou de acordo com a política da empresa. Ex: BRB x Dacasa. Quem priorizou a margem deu menor peso ao Custo Operacional, quem priorizou a ampliação de carteira, teve custo maior, portanto deu menor peso a esta variável, porem, ela não foi desconsiderada.
A Alavancagem também foi considerada medianamente importante pelas Financeiras eficientes. É importante ressaltar que quem deu peso maior para a Alavancagem deu peso menor para Custo Operacional. isto se explica, pois apesar de ser importante alavancar recursos no mercado, a medida que esta alavancagem é feita e, aumenta o Resultado de Intermediação Financeira, o custo de emprestar aumenta. Este fato também tem impacto na margem.
Os pesos dados ao Número de operações de Crédito mostra que a expansão de carteira foi feita de forma muito cuidadosa, pelas DMU’s eficientes. Ver Exemplo BV x Intermedium.
É importante ressaltar que todas as Financeiras eficientes estão associadas ao credito de consumo e credito pessoal focado em baixa e média renda.
Tabela 4: Contribuição das variáveis para o Cálculo da Eficiência: DMU's Ineficientes
Companhia Oper. Crédito
(em R$ milhões) Alavancagem (em pontos) Imobilização (em %) Custo operac. (em pontos)
Result. int. financ. (em R$ milhões) Rentab. do PL (em %) C ifra C FI 22,3 12,1 0 65,6 10,1 89,9 Portocred Financeira 44,3 3,2 0 52,5 0 0 C redifar CFI 0 17,6 52,9 29,5 2,1 97,9 Oboé Financeira 3,3 35,7 47,8 13,2 0 100 Portoseg C FI 5,4 4,8 72,9 16,9 0 100 ASB CFI 23,4 21,1 38,1 17,3 100 0 Barigüi Financeira 11,7 2,9 53,7 31,7 0 0 Alfa Financeira 0 21,4 56,7 21,9 36,2 63,8 Santinvest CFI 0 5,7 69,0 25,3 0 100
M ercantil do Brasil Financeira 0 5,1 68,5 26,4 0 100
BMW Financeira 0 17,0 69,9 13,1 0 100
F AI CFI 0 20,0 79,2 0,9 23,1 76,9
F inanc eira Itaú C DB 0 24,1 75,9 0 76,9 23,1
F inamax CFI 0 34,6 41,4 23,9 0 100
D ireção CFI 0 0,7 78,4 20,9 4,5 95,5
Grazziotin Financiadora 24,7 0 54,0 21,3 0 0
Atria CFI 2,2 2,0 95,8 0 0 0
C etelem Brasil C FI 0 31,7 0 68,3 24,3 75,7
C aterpillar Financial CFI 0 25,5 57,8 16,7 0 100
F inanc eira Renalt 0 26,6 62,0 11,4 22,2 77,8
Para as unidades ineficientes vemos que houve concentração em um dos focos, isto é, participações virtuais iguais a 100%, isto mostra que as DMU´s Ineficientes, em geral, não diversificaram o foco, como fizeram as eficientes.
Analisando o comportamento da distribuição das participações virtuais das variáveis Operações de Crédito e Resultado de intermediação financeira, vemos que as ineficientes não se preocuparam devidamente com o aumento da carteira, concentrando seu foco na margem, isto é, mesmo contra as tendências do mercado estas financeiras tentaram fazer operações com taxas de juros mais altas.
Esta observação também pode ser feita vendo as participações virtuais da variável Custo Operacional. Como estas financeiras não se preocuparam muito com o aumento da carteira, diminuiram seu custo, logo o modelo concentrou nesta variável percentuais de participação, em geral, mais altos que as DMU´s eficientes.
Outro ponto que deve ser destacado é que entre as DMU´s ineficientes estão as financeiras que fazem operações de crédito com valor maior, isto é, entre elas estão as financeiras de montadoras de automóveis, bancos, etc, que financiam bens de maior valor agregado.
Em sua maioria, as financeiras ineficientes não focaram em credito pessoal e credito de consumo para baixa renda.
8. Conclusão
As Financeiras consideradas eficientes buscaram um balanceamento entre Rentabilidade do PL e o Resultado de Intermediação Financeira, demonstrando que essas fianceiras expandiram sua carteira, tendo um bom controle de inadimplência.
É importante ressaltar que as Financeiras com maior peso na Alavancagem deram peso menor para Custo Operacional. Pois, apesar de ser importante alavancar recursos no mercado, a medida que esta alavancagem é feita e, aumenta o Resultado de Intermediação Financeira, o custo de emprestar aumenta. Esse fato também tem impacto na margem.
Outro ponto para destacar é que todas as Financeiras eficientes estão associadas ao credito de consumo e credito pessoal focado em baixa e média renda.
Para as unidades ineficientes não teve preocupação com o aumento da carteira, concentrando seu foco na margem. Ou seja, mesmo contra as tendências do mercado essas financeiras tentaram fazer operações com taxas de juros mais altas.
Outro ponto que deve ser destacado é que entre as DMU´s ineficientes estão as financeiras que fazem operações de crédito com valor maior. Em sua maioria, as ineficientes não focaram em credito pessoal e credito de consumo para baixa renda.
9. Bibliografia
ALI, A.I.; SEIFORD, L.M. Translation invariance in Data Envelopment Analysis. Operations
Research letters, 9, p. 403-405, 1990.
ALLEN, R.; ATHANASSOPOULOS, A.; DYSON, R.G. Weights restrictions and value
judgements in Data Envelopment Analysis: Evolution, development and future directions. Annais of Operations Research, v. 73, J.C. Baltzer AG, Science Publishers. 1997.
BANKER, R. D., CHARNES, A., COOPER W. W., Some models for estimating Technical
and Scale inefficiencis in Data Envelopmente Analysis. Management Science, 1984, vol. 30, nº 9, p. 1078-1092.
BERGER, A.N.; HUMPHREY, D.B. Efficiency of financial institutions: international survey
and directions for future research. European Journal of operational Research, 98, p. 175-212, 1997.
CARVALHO, F.J.C, Resenha sobre Sistema Financeiro. Disponível em: www.mre.gov.br.
Acesso em: 21 dezembro 2006.
CERETTA, P.S.; NIEDERAUER, C.A.P. Rentabilidade do setor bancário brasileiro, 24º
Encontro Nacional da ANPAD – Associação Nacional de Programas de Pós Graduação em Administração. Florianópolis, 10-13 set. 2000.
CHARNES, A., COOPER, W. W., RHODES, E. Measurering the Efficiency of
DIALLO, M. ; SCAVARDA DO CARMO, L. F. R. R. ; GUEDES, L. E. M. ; SOUZA, M. V. P. . IT Investment and its impact on the efficiency of companies: An analysis with two DEA
methods. In: Nikos E. Mastorakis, Valeri Mladenov, Zoran Bojkovic, Dana Simian, Stamatios Kartalopoulos, Argyrios Varonides, Constantin Udriste, Eugene Kindler, S. Narayanan, Jaime Lloret Mauri, Hamed Parsiani, Ka Lok Man.. (Org.). New aspects of computers. New York: WSEAS, 2008, v. V1, p. 37-41.
DIALLO, M. ; SOUZA, M. V. P. ; GUEDES, L. E. ; SOUZA, R. C. . Comparing artificial
DMUs and an adjusted contingent weight restrictions approach in the analysis of Brazilian retail banks efficiency. In: Jörg Kalcsics; Stefan Nickel. (Org.). Selected Papers of the Annual International Conference of the German Opertions Research Society (GOR). Berlin Heidlberg: Springer-Verlag, 2008, v. 1, p. 97-102.
FERREIRA, M. A. M.; GONCALVES, R. M. L.; BRAGA, M. J. Investigação do
desempenho das cooperativas de crédito de Minas Gerais por meio da Análise Envoltória de Dados (DEA). Econ. Apl. [online]. 2007, vol.11, n.3, pp. 425-445. ISSN 1413-8050.
FIGUEIREDO, D.S. de. Índice Híbrido de Eficácia e Eficiência para Lojas de Varejo. 2005.
Dissertação (Mestrado). Niterói: Escola de Engenharia/UFF.
FREAZA, F.P, GUEDES, L.E.M, GOMES, L.F.A.M. Análise de eficiência do mercado
bancário brasileiro utilizando a metodologia da Análise Envoltória de Dados. XXXVIII SOBRAPO, SBPO, 2006.
Freaza, F.P. ; Guedes, L.E.M. ; GOMES, L. F. A. M. A eficiência da gestão estratégica no
Brasil: o caso do sistema bancário. BBR. Brazilian Business Review, v. 5, p. 18-35, 2008.
Fukuyama, H.,Guerra, R., & Weber, W. L. Efficiency and ownership: evidence from japanese
credit cooperatives. Journal of Economics and Business, 51(6), 473-487; 1999.
GONÇALVES, D.A. Avaliação de Eficiência de Fundos de Investimentos Financeiros:
Utilização de DMU`s Artificiais em Modelos DEA com Outputs Negativos. Rio de Janeiro, 2003. Tese de Doutorado. COPPE/UFRJ.
MARQUES, F. T.; MATIAS, A. B.; CAMARGO JUNIOR, A.S. Desempenho dos Bancos
Comerciais e Múltiplos de Grande Porte no Brasil, CLADEA, 2004.
PASTOR, J. T. Translation invariance in data envelopment analysis: a generalization. Annals of
Operation Research, v.73, p. 91-115, 1997.
Revista Valor Econômico de Junho de 2007
ROLL, Y.; GOLANY, B. Controlling factor weights in DEA. IIE Transaction, 23 (1), 1991. SILVA, A.C.M. da. Análise da eficiência das instituições financeiras, segundo a metodologia do
Data Envelopment Analysis (DEA). 2000. Dissertação (Mestrado) – Instituto de Pós Graduação em Administração, da Universidade Federal do Rio de Janeiro. Rio de Janeiro: COPPEAD/UFRJ.
Thanassoulis, E,; Allen, R. Simulating weights restrictions in data envelopment analysis by
means of unobserved DMUs. Management, v.44, n. 4, p.526594, 1998.
Tupy, O.,Veira, M. C., & Esteves, S. N.. Eficiência produtiva de cooperativas de laticínios do
