• Nenhum resultado encontrado

Indicadores financeiros trimestrais para prever falências nos setores de mineração, óleo e gás

N/A
N/A
Protected

Academic year: 2020

Share "Indicadores financeiros trimestrais para prever falências nos setores de mineração, óleo e gás"

Copied!
55
0
0

Texto

(1)

FUNDAÇÃO GETULIO VARGAS ESCOLA DE ECONOMIA SÃO PAULO

ROBERTO SHANREY CHIEH

INDICADORES FINANCEIROS TRIMESTRAIS PARA PREVER FALÊNCIAS NOS SETORES DE MINERAÇÃO, ÓLEO E GÁS

SÃO PAULO 2018

(2)

ROBERTO SHANREY CHIEH

INDICADORES FINANCEIROS TRIMESTRAIS PARA PREVER FALÊNCIAS NOS SETORES DE MINERAÇÃO, ÓLEO E GÁS

Dissertação apresentada à Escola de Economia de São Paulo da Fundação Getulio Vargas, requisito para obtenção do título de Mestre em Economia, Campo de Conhecimento: Finanças.

Orientação: Prof. Dr. Joelson Oliveira Sampaio

SÃO PAULO 2018

(3)

Chieh, Roberto Shanrey.

Indicadores financeiros trimestrais para prever falências nos setores de mineração, óleo e gás / Roberto Shanrey Chieh. - 2018.

47 f.

Orientador: Joelson Oliveira Sampaio.

Dissertação (MPFE) - Escola de Economia de São Paulo.

1. Falência. 2. Indicadores econômicos. 3. Óleo - Indústria. 4. Gás - Indústria. 5. Minas e recursos minerais - Indústria. I. Sampaio, Joelson Oliveira. II. Dissertação (MPFE) - Escola de Economia de São Paulo. III. Título.

CDU 347.736

Ficha catalográfica elaborada por: Raphael Figueiredo Xavier CRB SP-009987/O Biblioteca Karl A. Boedecker da Fundação Getulio Vargas - SP

(4)

ROBERTO SHANREY CHIEH

INDICADORES FINANCEIROS TRIMESTRAIS PARA PREVER FALÊNCIAS NOS SETORES DE MINERAÇÃO, ÓLEO E GÁS

Dissertação apresentada à Escola de Economia de São Paulo da Fundação Getulio Vargas, requisito para obtenção do título de Mestre em Economia

Campo de Conhecimento: Finanças Data de aprovação: 31/07/2018

BANCA EXAMINADORA

_____________________________________ Prof. Dr. Joelson Oliveira Sampaio

FGV-EESP

_____________________________________ Prof. Dr. Ricardo Ratner Rochman

FGV-EESP

_____________________________________ Prof. Dr. Pedro Luiz Albertin Bono Milan FECAP

(5)
(6)

AGRADECIMENTOS

À minha querida esposa, Gabrielle Quinto, por me apoiar nos estudos com compreensão, paciência e motivação.

Ao Banco Société Générale, em especial ao Fábio Biasetto, pela ajuda de custo e confiança no potencial de meus estudos.

(7)

RESUMO

O objetivo dessa dissertação é identificar os melhores modelos para prever falência de empresas dos setores de mineração, óleo e gás no período entre 1998 e 2017. Em termos metodológicos, buscou-se estimar um modelo de regressão logística para prever as falências das empresas por meio de indicadores financeiros. Estimam-se modelos com dados anuais e trimestrais utilizando informações dos últimos três, dois e um ano anteriores às falências, contados a partir de um ano antes da formalização da falência. Conclui-se que o melhor modelo é aquele que utiliza as informações mais recentes, do último ano, e com dados trimestrais. As variáveis de patrimônio líquido sobre passivo total e fluxo de caixa de investimentos sobre passivo total se destacaram dentre os demais indicadores, sendo somente a primeira significativa em todos os modelos. O melhor modelo teve 79,1% de acerto geral e 85,5% de acerto para as empresas que faliram.

(8)

ABSTRACT

The objective of this study is to identify the best models for predicting bankruptcy of companies from the mining, oil and gas industries between 1998 and 2017. It was estimated a logistic regression model to predict business failure given their financial indicators. It was estimated models with yearly and quarterly information figures using figures from the last three years, last two years, and also last one year prior to the year just before the formalization of the bankruptcy event. The results show that the best model is the one using the most recent information, from the last one year, and using quarterly available data. The ratios total equity to total liabilities and cash flow from investments to total liabilities are the most important indicators to predict bankruptcy, even though only the first one is significant in all models. The best model correctly predicted 79.1% among all firms and 85.5% of the firms that went bankrupt.

(9)

LISTA DE TABELAS

Tabela 1 Amostra geral de empresas por país de domicílio ... 22 Tabela 2 Amostra após PSMatch de empresas por país de domicílio ... 23 Tabela 3 Resultados de previsão para três anos antes da falência das empresas, dados anuais, 1998-2017 ... 32 Tabela 4 Resultados de previsão para dois anos antes da falência das empresas, dados anuais, 1998-2017 ... 33 Tabela 5 Resultados de previsão para um ano antes da falência das empresas, dados anuais, 1998-2017 ... 34 Tabela 6 Resultados de previsão para três anos antes da falência das empresas, dados trimestrais, 1998-2017 ... 35 Tabela 7 Resultados de previsão para dois anos antes da falência das empresas, dados trimestrais, 1998-2017 ... 36 Tabela 8 Resultados de previsão para um ano antes da falência das empresas, dados trimestrais, 1998-2017 ... 37 Tabela 9 Resultados de previsão para três anos antes da falência das empresas, PSMatch, dados anuais, 1998-2017 ... 38 Tabela 10 Resultados de previsão para dois anos antes da falência das empresas, PSMatch, dados anuais, 1998-2017 ... 39 Tabela 11 Resultados de previsão para um ano antes da falência das empresas, PSMatch, dados anuais, 1998-2017 ... 40 Tabela 12 Resultados de previsão para três anos antes da falência das empresas, PSMatch, dados trimestrais, 1998-2017 ... 41 Tabela 13 Resultados de previsão para dois anos antes da falência das empresas, PSMatch, dados trimestrais, 1998-2017 ... 42 Tabela 14 Resultados de previsão para um ano antes da falência das empresas, PSMatch, dados trimestrais, 1998-2017 ... 43

(10)

SUMÁRIO

INTRODUÇÃO ... 10

1 REFERENCIAL TEÓRICO ... 13

2 METODOLOGIA ... 21

2.1 DESCRIÇÃO E CRITÉRIOS DE SELEÇÃO DOS DADOS ... 21

2.2 DESCRIÇÃO DAS VARIÁVEIS E MODELOS ESTIMADOS ... 24

3 RESULTADOS ... 28

CONCLUSÃO ... 44

REFERÊNCIAS ... 46

(11)

INTRODUÇÃO

As empresas desempenham um papel importante nas economias de mercado, uma vez que exercem uma função social que se mostra fundamental para as sociedades contemporâneas. As empresas são fontes de renda e emprego para os agentes socioeconômicos, fornecendo produtos, além de realizar as atividades tecnológicas fundamentais para o desenvolvimento e crescimento técnico-econômico. Sua sobrevivência e sustentabilidade tem sido objeto de vários estudos.

Entretanto, tem-se observado um grande aumento de insolvência de empresas no cenário global. Altman (2006) observa o aumento do número de falências de firmas nos Estados Unidos, cujo processo resultou em fenômeno, que se denominou de “indústria de falência” e constitui-se um grande modelo de negócio nos Estados Unidos1.

A partir desse cenário, o autor afirma que se criou uma extensa rede de atores, funções e atividades especializadas que não existiam, ou que até então eram pouco exploradas, acerca desse fenômeno. Além disso, os casos de falência se tornaram mais complexos, gerando a necessidade de profissionais com habilidades cada vez mais especializadas. Estimava-se o envolvimento de mais 40 mil pessoas globalmente, em 2005, lidando com temas relacionados à falência de firmas.

Em meio a tal multiplicidade de atores, diversos estudos acadêmicos têm-se direcionado a investigar a saúde financeira das empresas testando sua continuidade ou não continuidade nos mercados (BEAVER, 1966; ALTMAN, 1968; OHLSON, 1980; CASEY; BARTCZAK, 1984; HILL; PERRY; ANDES, 1996; SANVICENTE; MINARDI, 1998; HO et al., 2013; MENDES et al., 2014; MIHALOVIC, 2016, entre outros). Em outras palavras, buscam prever um modelo de insolvência de empresas a partir de seus determinantes financeiros, partindo do pressuposto de que nenhuma delas é constituída e estabelecida tendo sua falência como propósito. Portanto, espera-se que as firmas tenham boa saúde financeira e consolidada fonte de financiamento, que se faça cumprir suas obrigações de curto, médio e longo prazos.

A definição sobre o conceito de falência das empresas não é consensual na literatura econômica especializada. Dentre os termos genéricos encontrados para designar falências, cita-se: failure, insolvency, bankrupcy, financial distress e default. Para Ohlson (1980), os critérios usados para classificar empresas como insolventes, em seu modelo de previsão de falência, tem

1De modo a exemplificar esse ponto, Altman (2006, p. vii) afirma que nos “United States in the three-year period

2001-2003, 100 companies with liabilities greater than $1 billion filed for protection under Chapter 11 of the Bankruptcy Code”.

(12)

caráter puramente jurídico legal e formal. Para tanto, o autor afirma que tais empresas deveriam ter declarado falência (enquadramento legal ao capítulo XI do código de falência dos Estados Unidos) e que obrigatoriamente seu patrimônio fosse negociado em alguma bolsa de valores.

Por outro lado, para Beaver (1966):

[…] “failure” is defined as the inability of a firm to pay its financial obligations as they mature. Operationally, a firm is said to have failed when any of the following events have occurred: bankruptcy, bond default, an overdrawn bank account, or nonpayment of a preferred stock dividend (BEAVER, 1966, p. 71).2

Observa-se que a definição da falência de uma firma, para Beaver (1966), é mais ampla e se relaciona com a capacidade e a saúde do seu fluxo de caixa que está intimamente ligada ao comportamento da gestão empresarial.

Ward (1994, p. 78-79) concorda que o comportamento da gestão empresarial é um evento que afeta o fluxo de caixa da empresa. Uma vez que a gestão mostra-se falha em suas decisões, esse evento pode se mostrar problemático. Além disso, o autor ainda destaca outros eventos que também afetam e comprometem o fluxo de caixa das firmas:

1) queda nas vendas;

2) desaceleração em contas a receber;

3) preço ou aumentos salariais (negociações contratuais); 4) mudança na condição econômica geral (recessão); e 5) aumento da concorrência (através de inovação).

Nesse caso, observa-se que perturbações externas podem comprometer a vida financeira das firmas. O autor salienta a importância da teoria do fluxo de caixa como informação útil para credores de uma indústria específica. De fato, essa teoria está associada à estrutura de capital das empresas e é atribuída ao conceito de flexibilidade financeira. Por sua vez, a flexibilidade financeira é a capacidade de uma empresa de controlar os recebimentos e pagamentos de caixa de modo a garantir sua sobrevivência a um determinado período de tempo. Em outras palavras, é condição essencial para levantar capital necessário de maneira a permitir a continuidade das suas atividades. Segundo Ward (1994, p. 78), “[…] the concept of financial flexibility indicates

2“[...] ‘fracasso’ é definido como a incapacidade de uma empresa arcar com suas obrigações financeiras à medida que vão vencendo. Operacionalmente, dize-se que uma empresa fracassou quando ocorreu qualquer um dos seguintes eventos: falência, inadimplência de títulos, conta bancária com saldo negativo ou falta de pagamento de dividendo de ações preferenciais” (tradução livre do autor).

(13)

that the occurrence of certain events triggers an unexpected drop in total cash flow, thus forcing a company to take corrective action to regain cash flow equilibrium”.3

Assim, a saúde financeira das empresas pode ser acompanhada não somente por meio das informações de balanço patrimonial como também de fluxo de caixa. As informações mais relevantes variam entre os diferentes setores (WARD, 1994) e encontrar os melhores preditores de falência tem sido o objetivo de diversos trabalhos acadêmicos. Neste contexto, este trabalho busca encontrar os melhores modelos de regressão logística a partir de indicadores financeiros para previsão de falência de empresas, especificamente, dos setores econômicos de mineração, óleo e gás devido a sua grande importância na economia mundial. Utiliza-se uma base de dados global composta de 2.043 empresas dos setores selecionados para o período entre 1998 e 2017. Este trabalho se diferencia dos demais de duas principais formas. A primeira por utilizar uma base de dados ampla para setores econômicos importantes para os quais foram encontrados poucos estudos dedicados. A segunda por utilizar dados anuais e também trimestrais, para assim analisar e determinar os melhores modelos para previsão de falências. Baldwin e Glezen (1992) argumentam que indicadores com frequência mais alta podem antecipar informações relevantes que só seriam reveladas após a divulgação das demonstrações financeiras anuais das empresas, contudo não encontramos trabalhos que tratem dos potenciais ganhos de eficiência dos modelos ao utilizarem dados trimestrais para os setores de mineração, óleo e gás.

Este trabalho se subdivide em três seções além desta Introdução e também da Conclusão. Na primeira seção recuperam-se os aspectos teóricos da literatura especializada, onde se discute sobre os modelos de previsão de empresas e a utilização de preditores de falência das empresas. A segunda seção trata das estratégias metodológicas utilizadas neste estudo, na qual se discorre acerca do modelo de regressão logística. Então, na terceira seção são apresentados os resultados da pesquisa.

3“[...] o conceito de flexibilidade financeira indica que a ocorrência de certos eventos desencadeia uma redução inesperada no fluxo de caixa total, então forçando uma empresa a tomar medidas corretivas para recuperar o equilíbrio do fluxo de caixa” (tradução livre do autor).

(14)

1 REFERENCIAL TEÓRICO

Essa seção traz brevemente os aspectos teóricos da literatura internacional e brasileira acerca da problemática de pesquisa desenvolvida por este estudo, ou seja, acerca dos modelos que buscam prever a falência de empresas em seus variados ramos de atividades e setores.

Muitos dos estudos existentes buscam identificar, compreender e prever os principais fatores que causam as saídas das empresas do mercado. Esteve-Perez; Sanchis-Llopis e Sanchis-Llopis (2010) argumentam que existem duas maneiras para suas saídas do mercado: através de fusão e aquisição (F&A) de uma firma por outra ou através da falência. Os autores enfatizam que cada uma dessas maneiras deve ser estudada de forma separada, pois seus determinantes e consequências são diferentes. Na fusão e aquisição, por exemplo, uma determinada empresa é vendida por inteiro ou fundida com outra, enquanto que na falência, os ativos dessa empresa são, na maioria das ocasiões, vendidos fracionados no mercado.

Há décadas a literatura nacional e internacional têm despendido esforços na investigação de modos para evitar a insolvência e então falência das firmas4. Apesar da adoção das diferentes metodologias (ALTMAN, 1968; OHLSON, 1980; MENDES et al., 20145), a maior parte dos trabalhos utilizam os financial ratios ou indicadores financeiros (BEAVER, 1966; BALDWIN; GLEZEN, 1992; HO et al., 2013, dentre outros) como preditores de falência. Segundo Beaver (1966), tais indicadores financeiros começaram a ser utilizados ainda no começo do século XX com um único objetivo: a avaliação de mérito de crédito. Atualmente, vários outros indicadores financeiros foram desenvolvidos e são utilizados para estabelecer um panorama sobre a saúde financeira das empresas e análises setoriais6.

O estudo de Beaver (1966) foi um dos primeiros a analisar dados financeiros para prever falência de empresas. O autor usou 30 indicadores financeiros sob duas abordagens distintas. A primeira abordagem embasou-se em uma classificação dicotômica entre empresas com alta e baixa probabilidade de falência e, para tanto, analisou-se o comportamento e distribuição dos indicadores financeiros em até cinco anos anteriores às falências e então determinou-se pontos

4Balcaen e Ooghe (2006) e Tomas e Demetrié (2011) fazem uma vasta revisão de literatura dos modelos de falência

e insolvência em mais de 35 anos de estudos.

5Mendes et al. (2014) apresentam e comparam o desempenho de 16 metodologias: Bayes network learning,

modelos de regressão, functional trees, nearest-neighbor classifier, Logit-based decision tree, regressão logística multinomial, regressão logística aditiva, locally weighted learning, common naïve Bayes classifier, traditional 1R classifier, separate-and-conquer partial decision list, ensemble of random trees classifiers, forest of random trees, regressão logística linear e support vector classifier. A apresentação e descrição detalhada desses métodos estão em Witten e Frank (2005).

6Nesse contexto, Gupta e Heufner (1972) agrupam 20 indústrias estadunidenses segundo as similaridades em seis

indicadores: giro do caixa, giro do estoque, giro do ativo corrente, giro do ativo permanente, giro do ativo total e prazo médio de recebimento.

(15)

de corte para cada grupo e variável. A segunda abordagem utilizou a metodologia Bayesiana para determinar a probabilidade de falência das empresas observando seus indicadores em períodos anteriores à falência. Em ambas as metodologias, Beaver (1966) utilizou modelos univariados e uma base de 158 empresas dos Estados Unidos, no entanto de diferentes setores da economia, no período de 1954 a 1964. O autor então concluiu que o poder preditivo de cada variável é bastante distinto entre elas e que, dentre as variáveis testadas, somente a relação entre fluxo de caixa operacional bruto e dívida bruta se destacou durante todo o período analisado.

Dessa forma, o estudo de Beaver (1966) tornou-se uma das primeiras referências para o desenvolvimento de trabalhos futuros. Baseadas em seu estudo, temos as metodologias mais tradicionais desta literatura em particular: 1) a análise discriminante (ALTMAN, 1968) e 2) os modelos de regressão logística (OHLSON, 1980).

A análise discriminante foi inicialmente aplicada a falências de empresas por Altman (1968). O autor utilizou uma metodologia de análise multivariada em uma amostra composta por 66 firmas manufatureiras dos Estados Unidos, das quais 33 estavam ativas e 33 falidas entre 1946 e 1965. Seguindo a estratégia metodológica, Altman (1968) selecionou 5 das 22 variáveis inicialmente escolhidas devido aos seus maiores poderes preditivos e significâncias estatísticas, são elas as razões: capital de giro sobre ativo total, resultado operacional sobre ativo total, valor de mercado sobre dívida bruta, lucros e prejuízos acumulados sobre ativo total e receita bruta sobre ativo total. Apenas esse último indicador não apresentou diferença de média significativa entre os grupos de firmas falidas e ativas. A razão receita bruta ‒ ativo total é um dos principais contribuintes na separação dos grupos, ficando atrás somente de lucros acumulados ‒ ativo total. Com essa abordagem, Altman (1968) conseguiu uma taxa de acerto de 84% para a análise fora da amostra. Ainda, o acerto para firmas falidas foi de 94% enquanto que para firmas ativas foi de 79%.

Baldwin e Glezen (1992) também utilizaram a análise discriminante multivariada para mostrar que dados trimestrais conseguem classificar com maior precisão as 40 empresas falidas das 80 firmas incluídas em sua amostra, entre os anos de 1977 e 1983, para vários setores da economia dos Estados Unidos. Ao contrário dos balanços anuais, as demonstrações financeiras trimestrais não são auditadas e, portanto, estão sujeitas a maiores erros de medida. Entretanto, os autores argumentam que os indicadores com maior frequência podem antecipar informações importantes que apenas seriam reveladas após publicação dos balanços anuais. Nesse exercício foram utilizados 24 indicadores financeiros e diferentes combinações de formas funcionais para a função discriminante. Os autores concluíram que, apesar da maior chance de erros de medidas,

(16)

dados desagregados trimestralmente obtiveram um melhor desempenho na previsão de falência de empresas do que dados anuais.

Deste modo, a abordagem Bayesiana adotada por Beaver (1966) inspirou a aplicação de modelos de regressão logística. O primeiro estudo com regressão logística foi de Ohlson (1980), no qual argumenta que tal método é superior à análise discriminante e à abordagem bayesiana devido às hipóteses necessárias para a correta validação dessas metodologias. Enquanto que na análise discriminante a variância e covariância do grupo das empresas falidas e em atividade e a quantidade de empresas em cada grupo devem ser iguais, na abordagem bayesiana a utilização de prior diferente pode levar a resultados diferentes. A regressão logística mostra-se robusta a essas críticas e de acordo com Ohlson (1980, p. 112), o problema a ser estimado se reduz a:

[...] given that a firm belongs to some pre-specified population, what is the probability that firm fails within some pre-specified time period? No assumptions have to be made regarding prior probabilities of bankruptcy. These are the major advantages.7

Ohlson (1980) mostra que os indicadores de tamanho (log(ativo total sobre PNB real8)), alavancagem (dívida bruta sobre ativo total), desempenho (resultado líquido sobre ativo total e fluxo de caixa operacional bruto sobre passivo total) e liquidez (capital de giro sobre ativo total e passivo circulante sobre ativo circulante) são melhores preditores de falência entre os testados. Seu modelo obteve uma taxa de acerto de 96,3%9 para uma amostra composta por 105 empresas falidas e 2058 em atividades de vários setores dos Estados Unidos de 1970 a 1976.

Utilizando a mesma metodologia que o trabalho anterior Platt e Platt (1990) mostram que existem ganhos por usar índices empresariais relativos ao setor em que a firma está inserida. Os autores argumentam que dessa forma é possível controlar discrepâncias setoriais nos fatores de produção, ciclo de vidas dos produtos, estrutura competitiva e modelos de distribuições. Tais diferenças podem gerar falhas de alguns modelos de previsão de falência. Seu estudo contempla 144 firmas estadunidenses de vários setores, sendo destas 57 falidas entre 1972 e 1986.

Apesar de muitos estudos terem como objetivo os modelos de previsão de falências mais abrangentes, ou seja, que fossem úteis para empresas de diferentes atividades econômicas, Platt e Platt (1990) enfatizam a importância das diferenças setoriais nos modelos de previsão. Surgem

7“[...] dado que uma empresa pertence a uma população pré-determinada, qual é a probabilidade de que esta empresa fracasse dentro de um período de tempo pré-determinado? Nenhuma suposição precisa ser feita em relação a probabilidades passadas de falência. Estas são as principais vantagens” (tradução livre do autor). 8PNB é o produto nacional bruto real.

9Para uma comparação mais detalhada, Platt e Platt (1990, p. 33) apresenta um resumo sobre o desempenho de

vários trabalhos publicados até o ano de 1987 utilizando diferentes metodologias. Ranqueando esses trabalhos, Ohlson (1980) ocupa a primeira posição.

(17)

então outros trabalhos que buscam aprimorar os modelos de previsão focando em determinado setor ou determinado grupo de setores similares ou complementares.

Nesse sentido, Ward (1994) mostra que indicadores de fluxo de caixa de investimentos melhor preveem falência para firmas dos setores de extração de mineração, óleo e gás, ao passo que indicadores de fluxo de caixa operacional melhor preveem falência para firmas dos demais setores. O autor argumenta que empresas dos setores de mineração, óleo e gás requerem maior estrutura de ativos fixos e, por isso, indicadores relacionados a gastos com investimentos seriam mais eficazes. Ainda segundo o autor, altos investimentos em ativo permanente sugerem que tais firmas possuem um melhor equilíbrio de fluxo de caixa, refletindo em maior acesso a capital de terceiros ou capital próprio. Assim, tais firmas também teriam maior facilidade para superar eventuais problemas de liquidez e de geração operacional de caixa. Analogamente, firmas com poucos investimentos ou então que estão vendendo ativos demonstram um menor equilíbrio de fluxo de caixa e, consequentemente, um menor acesso a liquidez e uma maior sensibilidade a ciclos econômicos. Tais empresas, então, teriam uma maior propensão à falência no curto prazo. Em seu estudo, Ward (1994) usa regressão logística para uma base de dados com 334 empresas ativas e 51 que decretaram falência entre 1989 e 1990 nos Estados Unidos.

Hill, Perry e Andes (1996) analisaram 381 firmas dos setores de manufatura, comércio e serviços dos Estados Unidos entre 1977 e 1987 por meio da utilização de modelos dinâmicos e modelos de eventos históricos. Além das variáveis microeconômicas que capturam a liquidez, lucratividade, alavancagem e tamanho, os autores também incorporaram três outras variáveis até então pouco utilizadas. Incorporou-se ao modelo a opinião de auditores independentes para as demonstrações financeiras das empresas e duas variáveis macroeconômicas, a taxa prime e a taxa de desemprego dos Estados Unidos. Encontraram que a taxa de desemprego defasada e a opinião dos auditores é significativa para ambos os grupos, enquanto que a taxa prime defasada é importante determinante da instabilidade financeira para empresas ativas.

Seguindo o mesmo raciocínio, Ho et al. (2013) incluem variáveis macroeconômicas em seus modelos. Os autores aplicam a regressão logística com as mesmas variáveis utilizadas por Ohlson (1980) com a inclusão das variáveis de crescimento real do PIB (Produto Interno Bruto) e taxa de juros real. Com uma base de dados formada por 1047 empresas dos setores de papel e celulose entre 1990 e 2009, encontraram evidências que o crescimento do PIB real é importante para os modelos de falência. Ho et al. (2013) conseguiram uma taxa de 93% de acerto geral. Para testes de robustez, os autores também aplicaram a metodologia de Altman (1968) e obtiveram o mesmo desempenho na previsão.

(18)

Apesar de grande parte dos trabalhos analisarem somente empresas dos Estados Unidos, vários estudos também foram desenvolvidos em outros países. Com uma metodologia diferente das anteriores, Kasgari et al. (2013) aplicaram o modelo de regressão Probit e redes neurais artificiais para 136 empresas do Irã, das quais 65 faliram e 71 estavam ativas entre 1999 e 2000. Os autores encontraram que a receita bruta sobre ativo circulante, resultado operacional sobre receita bruta, ativo circulante líquido de estoques sobre ativo total e passivo total sobre ativo total são importantes indicadores de falência para essas empresas. O melhor modelo teve um desempenho de 94,11% de acerto geral.

Na Indonésia, Gunawan, Aspiranti e Pratiwi (2015) aplicaram análise discriminante para 66 empresas do setor de mineração entre 2010 e 2013 e encontram que quase 50% delas estavam com problemas financeiros. Apesar de não analisar o poder preditivo das variáveis, os autores encontraram que capital de giro sobre ativo total, resultado operacional sobre ativo total, receita bruta sobre ativo total, lucros acumulados sobre ativo total e valor de mercado sobre passivo total eram indicadores importantes para determinar insolvência das empresas.

Mihalovic (2016) aplicou regressão logística e análise discriminante para 236 empresas da Eslováquia em 2014 e mostrou que não houve diferença de desempenho entre os métodos. Entretanto, para as empresas dos Estados Unidos, o autor mostrou que houve uma certa queda no desempenho do modelo de análise discriminante que obteve 64,41% de acerto contra 68,64% para o modelo de regressão logística. As conclusões com relação aos indicadores significativos também são similares. A análise discriminante sugere que os indicadores que melhor preveem falência das empresas são: resultado líquido sobre ativo total, passivo circulante sobre ativo total e ativo circulante sobre passivo circulante. Seus resultados mostram que a regressão logística em testes de hipótese individuais somente sugere o passivo circulante sobre ativo total e capital de giro sobre ativo total como indicadores importantes. Entretanto, em testes de significância conjunta, onde cada variável foi excluída do modelo, somente o indicador ativo circulante sobre passivo circulante foi significativo.

Entre os trabalhos que abrangem diferentes países, Khoja, Chipulu e Jayasekera (2016) analisaram 112 firmas de vários setores do Conselho de Cooperação do Golfo10 de 2004 a 2011. Além da regressão logística, os autores aplicaram a multidimensional scaling e cluster analysis. Dos 28 indicadores analisados, encontrou-se que aqueles relacionados ao fluxo de caixa são os melhores determinantes de falência com 84,8% de acertos. Através da análise multidimensional

scaling, encontrou-se que quatro dimensões são importantes para a classificação das empresas:

10O Conselho de Cooperação do Golfo é a organização de integração econômica que reúne seis estados do Golfo

(19)

receitas de atividades não estratégicas, lucratividade e estabilidade financeira, receitas de atividades contra conversão de capital e valor de mercado contra geração de caixa. Das quatro categorias, as firmas insolventes parecem estar mais salientadas na primeira dimensão.

Alaminos, Del Castillo e Fernández (2016) utilizaram a regressão logística para a análise de 440 empresas de diferentes setores não financeiras da Ásia (Cingapura, Coréia do Sul, Japão e Taiwan), Europa (Alemanha, Áustria, Dinamarca, Espanha, França, Holanda, Itália, Irlanda, Luxemburgo, Noruega, Portugal, Reino Unido, Suécia e Suíça) e América (Bermudas, Canadá e Estados Unidos) entre 1990 e 2013. Seus resultados mostraram que os melhores preditores de falência também diferem entre as regiões. Para as firmas asiáticas, as melhores variáveis foram resultado líquido sobre ativo total, lucros acumulados sobre ativo total e dívida bruta sobre ativo total. Para as firmas europeias, as melhores variáveis foram receita bruta sobre ativo total, ativo circulante sobre passivo circulante, resultado operacional sobre ativo total, dívida bruta sobre ativo total e ativo circulante sobre ativo total. Para as empresas dos Estados Unidos, as melhores variáveis foram capital de giro sobre ativo total, resultado operacional sobre ativo total, receita bruta sobre ativo total e dívida bruta sobre ativo total. Já para o modelo global, os indicadores significativos foram uma combinação daqueles encontrados para regiões, mas não coincidentes com nenhuma delas individualmente. Os modelos dos autores apresentaram desempenho acima de 80% para todas as regiões e, também, globalmente.

No Brasil, a análise discriminante também é frequentemente aplicada. O primeiro estudo sobre modelos de previsão de falência de empresas foi de Kanitz (1978). O autor desenvolveu uma escala para medir saúde financeira chamada de “termômetro de insolvência”. Foi analisado mais de 5000 demonstrações financeiras e dessas foram escolhidas aleatoriamente 21 empresas insolventes entre o período de 1972 e 1974. Foram utilizados cinco indicadores financeiros para classificar as firmas: ativo total sobre passivo total, passivo total sobre patrimônio líquido, ativo circulante sobre passivo circulante, ativo circulante líquido de estoques sobre passivo circulante e resultado líquido sobre patrimônio líquido. O termômetro criado assume valores entre -7 e 7 e as empresas são, então, classificadas solventes para pontuação de 0 a 7, neutras para pontuação de -3 a -1 ou insolventes se a pontuação for de -7 a -4.

Elizabetsky (1976) desenvolveu um modelo de insolvência para que bancos comerciais diminuíssem a subjetividade na aprovação de concessão de crédito. Para tal, o autor utilizou 373 empresas do setor de confecções, para o qual apresentou argumento de que essas empresas eram as que mais apresentavam problemas financeiros. Utilizou-se uma extensa base de dados com 60 indicadores, com os quais o autor desenvolveu modelos com diferentes combinações e então conseguiu um desempenho de 69% de acerto. Além disso, mostrou-se que certas variáveis

(20)

são insubstituíveis nos modelos, não sendo possível excluí-las mesmo com outras combinações. Elizabetsky (1976) destacou cinco indicadores: margem líquida, caixa sobre ativo permanente, contas a receber sobre ativo total, estoque sobre ativo total e passivo circulante sobre ativo total. Por sua vez, Altman, Baidya e Dias (1979) conseguiram prever a condição de empresas brasileiras com 88% de acerto para um ano de antecedência e com 78% de acerto para três anos de antecedência. Os autores analisaram 58 empresas de diversos setores do Brasil, das quais 23 faliram ou tiveram graves problemas de liquidez.

Sanvicente e Minardi (1998) utilizaram uma base de 92 empresas com ações negociadas na Bolsa de Valores de São Paulo de diferentes setores entre 1986 e 1998 e aplicaram a análise discriminante para desenvolver um modelo de previsão de falências. Os autores utilizaram os seguintes indicadores: 1) (ativo circulante – passivo total) / ativo total; 2) (patrimônio líquido – capital social) / ativo total; 3) lucro antes de imposto / ativo total; 4) patrimônio líquido / passivo total; e 5) resultado antes de juros e impostos / despesas financeiras. Os autores obtiveram taxa de acerto de, aproximadamente, 81,1% para as empresas falidas, e 79,5% para as empresas ativas.

Recentemente, Teixeira et al. (2013) também desenvolveram um modelo de previsão de insolvência utilizando a análise discriminante. Esses autores utilizaram uma base de 255 empresas brasileiras de diferentes setores não financeiros e então selecionaram cinco indicadores: ativo total sobre passivo total, margem líquida, passivo circulante sobre patrimônio líquido, passivo total sobre patrimônio líquido e retorno do ativo. Como resultado, obteve-se uma taxa de 61% de acertos.

Encontramos poucos estudos que usam modelos de regressão logística para o mercado brasileiro. Scarpel e Milioni (2000) aplicaram tal metodologia para um conjunto de 28 empresas insolventes e 32 solventes, sendo todas negociadas na Bolsa de Valores de São Paulo. Como regressores, os autores utilizaram os indicadores giro do ativo (receita líquida sobre ativo total), passivo total sobre ativo total e retorno do ativo (resultado líquido sobre ativo total). Tal modelo obteve 85,7% de acerto para empresas insolventes e 87,5% para empresas solventes.

Pinheiro et al. (2007) fazem uma comparação entre os modelos de previsão de falência e medição de saúde financeira mais citados no Brasil. Os autores compararam o poder e acurácia dos modelos de Kanitz (1978); Elizabetsky (1976); Altman, Baidya e Dias (1979); Silva (1982), Sanvicente e Minardi (1998); Scarpel e Milioni (2000). Para tal, usaram uma base de 25 firmas insolventes e 49 solventes, sendo todas elas de setores não financeiros no Brasil de 1995 a 2006. O resultado encontrado foi conclusivo que o modelo de Sanvicente e Minardi (1998) apresenta melhor desempenho dentre os demais.

(21)

Mendes et al. (2014) também compararam 16 modelos usando uma base de 2.033 firmas de planos de saúde de 2001 a 2007. O objetivo do estudo não era diretamente a comparação da eficácia dos métodos, mas medir os ganhos de desempenho através da adição de variável binária para firmas que possuem indicadores financeiros inconsistentes com suas situações financeiras. Em seus resultados, notou-se um melhor desempenho para a regressão logística aditiva.

Como é possível notar, é difícil apontar uma única metodologia dominante na literatura e, como defendem Alaminos, Castillo e Fernández (2016), os modelos de previsão de falência mais recentes, não necessariamente, são mais eficazes. Há evidências de que a regressão logística apresenta desempenho satisfatório e, como discutido por Ohlson (1980), são impostas menos hipóteses no seu desenvolvimento, além de permitir grupos de empresas solventes e insolventes de tamanhos diferentes. Nesse sentido, Kolari et al. (2002) argumentam que se as hipóteses da análise discriminante valem, então elas também valem para o modelo logit e, assim, ambos são equivalentes.

Ainda, podemos notar uma grande diversidade de modelos de previsão de falências com diferentes abordagens e níveis de complexidade, a exemplo do modelo de Ho et al. (2013) que adiciona variáveis macroeconômicas e do modelo de Kasgari et al. (2013) que utiliza regressão Probit e redes neurais artificiais. Apesar dessa grande gama de estudos e modelos, não podemos encontrar trabalhos que tratem dos ganhos de eficiência ao usar dados trimestrais para os setores de mineração, óleo e gás. Assim, estudos como este se fazem necessários para dar mais solidez aos modelos então mais sofisticados dedicados para estes setores devido à sua importância para a economia mundial.

(22)

2 METODOLOGIA

Nesta seção, é apresentada com maiores detalhes a metodologia adotada neste estudo, a saber, o modelo de regressão logística. Nota-se que não há um modelo dominante na literatura sobre falência de empresas, mas, no entanto, nota-se também que o desempenho da regressão logística se destaca em muitos trabalhos (MENDES et al., 2014; HO et al., 2013; KOLARI et al., 2002; OHLSON, 1980). Além disso, escolhe-se essa metodologia por ser um método válido quando as hipóteses da análise discriminante são satisfeitas (KOLARI et al., 2002) e por admitir hipóteses menos restritivas para a sua implementação. Uma vez que a base de dados é composta por uma parcela pequena de firmas insolventes em comparação com a parcela de firmas ativas, de, aproximadamente, 3% do total de empresas estudadas, a regressão logística não faz nenhuma imposição sobre o tamanho dos grupos de empresas (OHLSON, 1980).

2.1 DESCRIÇÃO E CRITÉRIOS DE SELEÇÃO DOS DADOS

Os critérios de seleção para caracterizar as empresas falidas globalmente neste estudo foram com base no enquadramento legal de cada país cujo estão instaladas. Nesses termos, cada país possui uma legislação própria e com suas especificidades. As empresas tipicamente estadunidenses, por exemplo, são enquadradas legalmente no capítulo 11 do código de falência das empresas (United States Bankruptcy Code) como já foi mencionado. No Brasil, têm-se a Lei de Recuperação Judicial, Extrajudicial e Falência – LRF (Lei nº 11.101 de 09 de fevereiro de 2005)11. Entretanto, dentro dos limites deste estudo, não se pretende discutir especificamente tal ponto.

Assim sendo, os dados para as empresas falidas e aquelas em atividades foram coletadas da base de dados anuais e trimestrais do Bloomberg Terminal para o período entre 1998 e 2017. Para a filtragem quanto aos setores econômicos em que as empresas estão inseridas, foi utilizada a classificação cadastral Industry Classification Benchmark (ICB) que foi criada pelas agências de índices Dow Jones e FTSE. Esses dados ICB também foram coletados através do Bloomberg Terminal.

A amostra contém 2.043 empresas, sendo que em 20 anos, 55 delas decretaram falência nos termos legais de cada país, representando cerca de 2,7% da amostra. Conforme ilustrado na

11BRASIL. Lei n. 11.101, de 9 de Fevereiro de 2005. Regula a recuperação judicial, a extrajudicial e a falência do

empresário e da sociedade empresária. Brasília, 2005. Disponível em: <http://www.planalto.gov.br/ccivil_03/_ato2004-2006/2005/lei/l11101.htm>. Acesso em: 14 maio. 2018.

(23)

Tabela 1 abaixo, a amostra é composta por empresas de mineração, óleo e gás domiciliadas em 77 diferentes países, porém com concentração para determinados países, sendo principalmente economias desenvolvidas. Os países mais relevantes para a amostra são o Canadá e os Estados Unidos, representando 34,5% e 29,0% do total geral de empresas, respectivamente.

Analisando as amostras em grupos de empresas solventes e insolventes, também temos uma distribuição geográfica similar: com concentração de firmas domiciliadas em certos países desenvolvidos, sobretudo Canadá e Estados Unidos. Porém, a amostra de firmas insolventes é ainda mais concentrada em poucos países.

Tabela 1 – Amostra geral de empresas por país de domicílio

Países Número de Firmas Parcela da Amostra

Total da Amostra 2043 100.0% Canadá 705 34.5% Estados Unidos 593 29.0% Noruega 54 2.6% Malásia 36 1.8% China 34 1.7% Israel 28 1.4% Singapura 27 1.3% Tailândia 27 1.3% Reino Unido 26 1.3% Suécia 23 1.1% Coréia 23 1.1% Dinamarca 21 1.0% Outros < 1% (65 países) 446 22% Amostra Solvente 1988 100.0% Canadá 696 35.0% Estados Unidos 566 28.5% Noruega 49 2.5% Malásia 35 1.8% China 34 1.7% Israel 28 1.4% Singapura 27 1.4% Reino Unido 26 1.3% Tailândia 23 1.2% Suécia 22 1.1% Outros < 1% (67 países) 482 24% continua...

(24)

...continuação e conclusão

Países Número de Firmas Parcela da Amostra

Amostra Insolvente 55 100.0% Estados Unidos 27 49.1% Canadá 9 16.4% Dinamarca 7 12.7% Noruega 5 9.1% Tailândia 4 7.3% Guernsey 1 1.8% Malásia 1 1.8% Suécia 1 1.8%

Fonte: Elaboração própria com base nos dados da pesquisa.

Para tratamento de outliers da base de dados, utilizou-se o método de Winsor para 5º e 95º percentis. Ainda, para tratar erros de medida e dar maior robustez ao resultado encontrado, utilizou-se a técnica Propensity Score Matching (PSMatch) por tamanho de receita líquida das empresas.

Após o tratamento do PSMatch, a amostra passa a ser composta por 110 empresas, sendo igualmente balanceadas entre solventes e insolventes. A amostra após PSMatch é composta por empresas domiciliadas em 17 diferentes países, mas ainda tendo Canadá e Estados Unidos como os países mais representativos.

Tabela 2 – Amostra após PSMatch de empresas por país de domicílio

Países Número de Firmas Parcela da Amostra

Total da Amostra 110 100.0% Estados Unidos 44 40.0% Canadá 30 27.3% Dinamarca 7 6.4% Noruega 6 5.5% Malásia 4 3.6% Tailândia 4 3.6% China 2 1.8% Indonésia 2 1.8% Suécia 2 1.8% Taiwan 2 1.8% Outros < 1% (7 países) 7 6.4% continua...

(25)

... continuação e conclusão

Países Número de Firmas Parcela da Amostra

Amostra Solvente 55 100.0% Canadá 21 38.2% Estados Unidos 17 30.9% Malásia 3 5.5% China 2 3.6% Indonésia 2 3.6% Taiwan 2 3.6% Suécia 1 1.8% Polônia 1 1.8% Paquistão 1 1.8% Ucrânia 1 1.8% Vietnã 1 1.8% Nigéria 1 1.8% Emirados Árabes 1 1.8% Noruega 1 1.8% Amostra Insolvente 55 100.0% Estados Unidos 27 49.1% Canadá 9 16.4% Dinamarca 7 12.7% Noruega 5 9.1% Tailândia 4 7.3% Guernsey 1 1.8% Malásia 1 1.8% Suécia 1 1.8%

Fonte: Elaboração própria com base nos dados da pesquisa.

2.2 DESCRIÇÃO DAS VARIÁVEIS E MODELOS ESTIMADOS

Para a construção do modelo de previsão de falência de empresas, utilizou-se um modelo baseado em Ward (1994). Seguindo o autor, criou-se uma variável de medida binária, falência versus não falência das empresas. A medida de falência das empresas representa a variável dependente neste estudo a qual é codificada da seguinte maneira:

Y = 0 se a empresa permaneceu em atividade durante todo o período entre 1998 e 2017; Y = 1 se a empresa faliu nesse período.

As variáveis independentes deste estudo consistem em quatro variáveis de controle e três variáveis de fluxo de caixa, que foram utilizadas por Ward (1994) seguindo os trabalhos de Ohlson (1980) e Casey e Bartczak (1984 e 1985). As variáveis de controle usadas nos modelos

(26)

de Ward (1994) baseiam-se em quatro pilares: tamanho, rentabilidade, alavancagem e estrutura de capital e liquidez, conforme descrição e cálculo descritos abaixo.

LOGTAA9817 = log (total de ativos do final de cada período). A partir deste indicador,

procura-se medir o tamanho relativo de cada firma (OHLSON, 1980) a partir da transformação log do total de ativo de cada empresa para a média da amostra medidos em uma mesma moeda, neste caso em dólares dos Estados Unidos (USD).

NRTAA9817 = resultado líquido acumulado nos últimos 12 meses findos no período /

ativo total do final do período. Este indicador mede a rentabilidade de cada firma, mostrando o resultado líquido do período para cada unidade de investimento total (TEIXEIRA et al., 2013). Quanto menor o indicador, aponta uma menor capacidade relativa de gerar lucro ‒ já líquido de todos os fatores tributários e de dívida financeira ‒ sendo este o objetivo final das firmas.

EQTLA9817 = patrimônio líquido / passivo total, ambos para o final do período.

Trata-se de um indicador de alavancagem e estrutura de capital que teve importância nos modelos de previsão de falência de empresas (ALTMAN, 1968). Mede a proporção dos investimentos dos acionistas em relação aos investimentos de terceiros; sendo, quanto maior o valor do indicador, menor a chance de falência (SANVICENTE; MINARDI, 1998; TEIXEIRA et al., 2013).

CRA9817 = liquidez corrente (ativo circulante do final do período / passivo circulante

do final do período). Trata-se de um indicador de liquidez, essencial para medir a habilidade da empresa em cumprir com suas obrigações ‒ operacionais e financeiras ‒ esperadas no curto prazo (OHLSON, 1980; SANVICENTE; MINARDI, 1998; TEIXEIRA et al., 2013; MIHALOVIC, 2016). Segundo a teoria, quanto maior o valor do indicador, melhor é a flexibilidade de liquidez da empresa.

Por sua vez, as variáveis de fluxo de caixa usadas neste estudo são demonstradas abaixo. Segundo Ward (1994), essas variáveis de fluxo de caixa possuem grande poder de previsão de falências de empresas, tendo como objetivo final atingir um equilíbrio de fluxo de caixa e assim reduzir riscos de insolvência.

CFOTLA9817 = fluxo de caixa operacional acumulado dos últimos 12 meses findos no

período / passivo total do final do período. Mede a capacidade da firma em gerar fluxo de caixa através das atividades normais do seu negócio. Segundo Ward (1994), tal indicador tem grande poder preditivo para empresas de todos os setores, incluindo os aqui estudados. Segundo a teoria de fluxo de caixa abordada pelo autor, este indicador deveria ter sinal negativo nos modelos.

(27)

CFITLA9817 = fluxo de caixa das atividades de investimento acumuladas dos últimos

12 meses findos no período / passivo total do final do período. Este indicador mede o quanto as firmas estão postergando os seus investimentos em ativos fixos de longo prazo. Segundo a teoria de fluxo de caixa estudada por Ward (1994), um valor alto do indicador aponta para uma grande redução de investimentos em ativos fixos no curto prazo, que levaria, em um segundo momento, à redução do fluxo de caixa operacional da empresa e, consequentemente, aumentando risco de insolvência futura.

CFFTLA9817 = fluxo de caixa das atividades de financiamento acumulado dos últimos

12 meses findos no período / passivo total do final do período. Mede a capacidade de angariar recursos para financiar as atividades operacionais e de investimento das firmas, assim reduzindo riscos de liquidez. Segundo a teoria, quanto maior o indicador, menor é o risco de liquidez.

A partir do modelo proposto na metodologia deste artigo, foram propostos oito modelos. As quatro variáveis de controle são base para todos os modelos (compõem todos os modelos) e então adiciona-se todas as possíveis combinações usando as variáveis de fluxo de caixa. Todos os modelos foram estimados por máxima verossimilhança.

Desta forma, temos a seguinte função de probabilidade logística: 𝑝𝑖 = 𝑃(𝑌 = 1|𝑋𝑖) = Λ(𝑋𝑖𝛽) = 1+𝑒𝛽0+𝑋𝑖1𝛽1+ 𝑋𝑖2𝛽2+⋯+𝑋𝑖𝑘𝛽𝑘1

para 𝑃(𝑌 = 1) = 𝑝 e 𝑃(𝑌 = 0) = 1 − 𝑝, sendo 𝑋𝑖 = [𝑋0, 𝑋𝑖1, 𝑋𝑖2, … , 𝑋𝑖𝑘] os conjuntos de variáveis independentes, onde X0 é vetor unitário representando a constante. A seguir estão descritas as composições de cada modelo.

 Modelo 1 (Controle): inclui apenas as variáveis de controle, onde 𝑋1 = LOGTAA9817, 𝑋2 = NRTAA9817, 𝑋3 = EQTLA9817 e 𝑋4 = CRA9817.

 Modelo 2 (CF1): inclui todas as variáveis de controle e então adiciona-se a variável de fluxo de caixa 𝑋5 = CFOTLA9817.5

 Modelo 3 (CF2): inclui todas as variáveis de controle e então adiciona-se a variável de fluxo de caixa 𝑋5 = CFITLA9817.

 Modelo 4 (CF3): inclui todas as variáveis de controle e então adiciona-se a variável de fluxo de caixa 𝑋5 = CFFTLA9817.

 Modelo 5 (CF4): inclui todas as variáveis de controle e então adicionam-se as variáveis de fluxo de caixa 𝑋5 = CFOTLA9817 e 𝑋6 = CFITLA9817.

(28)

 Modelo 6 (CF5): inclui todas as variáveis de controle e então adicionam-se as variáveis de fluxo de caixa 𝑋5 = CFOTLA9817 e 𝑋6 = CFFTLA9817.

 Modelo 7 (CF6): inclui todas as variáveis de controle e então adicionam-se as variáveis de fluxo de caixa 𝑋5 = CFITLA9817 e 𝑋6 = CFFTLA9817.

 Modelo 8 (CF7): inclui todas as variáveis de controle e adicionam-se todas as variáveis de fluxo de caixa onde 𝑋5 = CFOTLA9817, 𝑋6 = CFITLA9817 e 𝑋7 = CFFTLA9817.

Para as empresas solventes (Y=0), cada variável independente foi calculada através da média de todos os dados disponíveis durante o período estudado (1998-2017). Já para as firmas insolventes, as variáveis independentes foram calculadas como apresentadas por Ward (1994): em três diferentes cenários de tempo anterior à falência, contados a partir de 12 meses anteriores à sua formalização. Assim como nos modelos propostos pelo autor, estudam-se os modelos para 3, 2 e 1 anos anteriores à falência para permitir a comparação destes, testando se as informações mais recentes são mais importantes que as mais antigas nos modelos de falência.

Ainda como foco deste trabalho, busca-se a comparação dos modelos calculados a partir de dados anuais com aqueles calculados a partir de dados trimestrais. Neste contexto, para cada regressão feita a partir de dados anuais, foi também feita outra a partir de dados trimestrais. Em outras palavras, as variáveis independentes podem ser calculadas através das médias dos dados anuais ou trimestrais seguindo a metodologia descrita acima.

Em resumo, foram feitas 18 regressões para este trabalho: uma para cada tratamento de amostra (totalizando 3, sendo 1 para amostra geral, 1 para winsorizing e 1 para PSMatch), então feitas para 3 cenários de período anterior à falência (3, 2 e 1 anos) e, por fim, para 2 cenários de frequência de dado (anual e trimestral). Então, para cada regressão é escolhido o melhor modelo em termos de percentual de acerto de firmas que decretaram falência no período estudado. Caso dois ou mais modelos apresentem o mesmo percentual de acerto para falências, o percentual de acerto geral da amostra é então utilizado como critério de desempate.

Após descritas as estratégias metodológicas utilizadas neste trabalho, a seguir são então apresentados os principais resultados econométricos da pesquisa.

(29)

3 RESULTADOS

A Tabela 3 apresenta os resultados econométricos encontrados para os modelos de previsão citados na seção anterior a partir dos dados cross-section de três anos antes da falência da empresa. Essas empresas podem ter falido no período entre 1998 e 2017. Os resultados estimados para esses dados não foram satisfatórios, pois não conseguiram prever a falência das empresas.

Essas estimações foram repetidas para dados de dois anos (Tabela 4) e para um ano antes da falência das empresas (Tabela 5). Nota-se que os modelos apresentam erros de medidas, visto que também não conseguiram prever nenhuma das falências, obtendo 0% de acerto para firmas falidas embora o acerto geral tenha sido de 97,3%. Aparentemente, o grande desbalanceamento dos grupos parece ser o grande causador desse resultado.

Cumpre ressaltar que, nesse ponto, somente a variável de controle EQTLA9817 (relação de patrimônio líquido sobre passivo total) foi significativa e negativa em todos os modelos, o que afirma sua importância na previsão da continuidade das atividades das firmas. O sinal negativo mostra que, conforme teoria econômica, quanto maior essa razão, menor é a probabilidade de a firma decretar falência.

As Tabelas 6 a 8 apresentam os resultados para os mesmos modelos e mesmos critérios descritos anteriormente, entretanto utilizam-se dados trimestrais ao invés de dados anuais para estimação dos modelos. De modo geral, os resultados foram bastante semelhantes aos descritos acima (aos das Tabelas 3 a 5), não conseguindo prever em nenhum dos modelos as falências das empresas. Em relação à significância das variáveis, esses resultados também foram semelhantes aos anteriores.

Para uma primeira tentativa de melhorar o desempenho dos modelos, aplica-se o Método de Winsor para o quinto maior e menor percentil para eliminar outliers da amostra de 2.043 firmas. Entretanto, os novos resultados foram os mesmos que os encontrados anteriormente e, por isso, suas tabelas de resultados foram incluídas ao apêndice. Após esses resultados, suspeita-se que a amostra de empresas falidas seja muito pequena como descrito na metodologia deste trabalho, induzindo a um fraco desempenho. Para então corrigir esse problema, foi utilizada a estratégia metodológica PSMatch.

A partir da técnica PSMatch foram selecionadas 55 empresas financeiramente saudáveis e que possuíam características similares, em termos de tamanho de receita líquida, àquelas 55 firmas que decretaram falência. O número de observações passa a ser 110 em contraste às 2.043 firmas dos resultados anteriores, porém agora se tem dois grupos balanceados e semelhantes de

(30)

acordo com seus tamanhos. Em outras palavras, cada empresa falida foi pareada a uma empresa ativa com característica semelhante para que se pudesse fazer uma melhor comparação.

Assim sendo, as Tabelas 9 a 11 apresentam respectivamente os resultados das estimações dos modelos propostos pelo método de regressão logísticas após a estratégia de PSMatch para as médias dos três, dois e um anos antes das falências. Aparentemente, o desempenho ruim das estimações anteriores estava de fato sendo gerado pelo desbalanceamento amostral entre grupos de firmas falidas e não falidas. Suspeita-se que os algoritmos de maximização que são utilizados para a estimação desses modelos não sejam neutros em relação ao tamanho desigual dos grupos. Conforme as Tabelas 9 a 11, os resultados mostram uma média de acertos para falências superior a 80% para todos os modelos. Ainda, de maneira geral as Tabelas 3 a 10 mostram que somente a variável de controle EQTLA9817 foi significativa em todos os modelos a 5% de significância ‒ na verdade, sendo significativo a 1% em muitos dos modelos.

Na Tabela 9, apresentam-se os resultados para os dados de três anos antes da falência das empresas, na qual obteve-se média para os modelos de 80.7% para acerto de falências e 68.4% para acertos gerais. O modelo 4 teve o melhor desempenho com 83,6% de acerto para falências e 69,1% de acerto geral. Tal resultado difere do achado por Ward (1994), pois o único indicador de fluxo de caixa que aumentou os acertos para falências em comparação ao modelo 1 (controle) foi o fluxo de caixa de investimento. No entanto, nota-se que o desempenho do modelo 4 foi bastante superior aos de Ward (1994) quando comparados tanto ao seu modelo equivalente que teve 7,1% de acerto de falências e 68,6% de acerto geral, quanto ao seu melhor modelo também para três anos que teve 14,3% de acerto de falências e 68,6% de acerto geral.

Para dados de dois anos anteriores às falências (Tabela 10), observa-se um desempenho similar aos dos modelos para três anos (Tabela 9), com leve redução do acerto médio de falências para 80,5% e do acerto máximo de falências para 81,8% segundo modelos 1, 3 e 4. Dentre esses modelos, os modelos 1 e 4 apresentaram maior acerto geral de 69,1% ante 68,2% do modelo 3. Em compensação, obteve-se um melhor desempenho desses modelos em relação aos anteriores para acerto geral, com taxa média de 71,0%. Comparado com Ward (1994), o desempenho dos melhores modelos para dois anos (modelos 1 e 4) foi também bastante superior aos do autor em termos de acerto de falências, no entanto foi inferior em termos de acerto geral. Porém, mostrou-se que, diferente do autor, nenhuma das variáveis de fluxo de caixa contribui para aumentar os acertos de falência em dois anos antes.

A Tabela 11 mostra os resultados para dados de um ano antes à falência. Tais resultados foram mais satisfatórios, revelando uma média de 83,6% de acertos de falência para os modelos

(31)

e uma máxima de 85,7% para três deles (modelos 1, 3 e 7), dentre os quais o 3 teve maior acerto geral. Assim, teve-se uma melhora de acerto geral para esse melhor modelo ante aos anteriores. Vale notar também que CRA9817 (relação de ativo circulante sobre passivo circulante) também apresentou significância a 5%. Em relação a Ward (1994), os resultados para um ano anterior à falência tiveram maior alinhamento com os do autor: em ambos, os melhores modelos tiveram CFITLA9817 como principal variável adicional às de controle.

Por fim, os resultados dos modelos de previsão de falência utilizando dados trimestrais são apresentados nas Tabelas 12 a 14. Os resultados para três anos, dois anos e um ano anteriores às falências das empresas estão respectivamente ilustrados nas Tabelas 12, 13 e 14. Observa-se, de maneira geral, melhores resultados tanto para acerto de falências quanto para acerto geral a partir de dados trimestrais comparados a partir de dados anuais.

Para os modelos de três anos anteriores à falência (Tabela 12), obteve-se uma média de acerto de falências de 84,1% e de acerto geral de 71,0%, ambos superiores a todos os resultados anteriores utilizando dados anuais (Tabelas 9 a 11). Destaca-se que o modelo 3 cujo desempenho foi superior aos demais com 87,6% de acerto de falências e 71,8% de acerto geral. Esse modelo foi o único a elevar o acerto de falências do modelo 1, então corroborando com a teoria de Ward (1994).

Na Tabela 13, assim como obtido nas Tabelas 9 e 10, os resultados dos modelos para dois anos anteriores às falências foram novamente inferiores aos modelos para três anos. Os modelos apresentaram média de acerto de 80,5% para falências e 71,0% para geral. Contudo, observa-se que, além da variável EQTLA9817, a variável NRTAA9817 (resultado líquido sobre ativo total) também teve resultados significativos em todos os modelos.

A Tabela 14 (dados de um ano anterior à falência) apresenta resultados mais satisfatórios. Obteve-se os melhores desempenhos médios até então: 87,9% para acerto de falências e 76,6% para acerto geral. Novamente, o melhor resultado foi observado para o modelo 3 que teve 90,9% de acerto para falências e 77,3% de acerto geral. Somente EQTLA9817 foi significativa para o melhor modelo. Por outro lado, o modelo 7 apresentou mais três variáveis significativas, sendo todas elas variáveis de fluxo de caixa e a 1%. O modelo 7 teve 85,5% de acertos de falências e 79,1% de acerto geral.

De maneira geral, nos principais modelos, obteve-se ganhos tanto de acerto geral quanto de falências com a inclusão da variável de fluxo de caixa de investimentos (CFITLA9817). Isso se pôde observar para todos os melhores modelos com dados trimestrais e para o melhor modelo um ano anterior à falência com dados anuais. Apesar de não apresentar significância estatística a 5%, seu sinal ratifica o argumento de Ward (1994). Empresas dos setores de mineração e óleo

(32)

e gás requerem altos investimentos em ativos fixos de longo prazo e, portanto, tal variável seria bom indicador ou complemento aos modelos de previsão de falência. As empresas com grandes fluxos de investimento possuem um melhor equilíbrio de fluxos de caixa e, portanto, uma maior flexibilidade financeira para sobrevier períodos de queda de fluxo de caixa operacional. Por sua vez, firmas que não estão realizando investimentos de longo prazo ou que estão vendendo seus ativos fixos para reequilibrar seus fluxos de caixa aparentam ter maior propensão à falência em um curto período de tempo.

Interessante notar também que a inclusão somente do fluxo de caixa de investimentos ao modelo de controle aumenta a taxa de acerto para empresas falidas, mas não necessariamente para empresas ativas quando se compara o modelo 3 à média do demais modelos. Esse resultado sugere que talvez seja necessário incluir variáveis que sejam específicas para firmas que faliram e que não faliram, o que pode aumentar a dimensão do modelo, mas que também pode melhorar sua performance.

Outro ponto, corroborando com Baldwin e Glezen (1992) trata-se do ganho da utilização de dados trimestrais. Os modelos para três e um ano anteriores à falência obtiveram uma melhor performance com dados trimestrais. Esse resultado sugere que o pedido e decretação da falência de empresas pode acontecer em período relativamente curto de tempo, em menos de um ano, e que usar dados de alta frequência podem capturar tais eventos com devida antecedência.

(33)

Tabela 3 – Resultados de previsão para três anos antes da falência das empresas, dados anuais, 1998-2017 Regressões Logísticas Modelo 1 Controle Modelo 2 CF1 Modelo 3 CF2 Modelo 4 CF3 Modelo 5 CF4 Modelo 6 CF5 Modelo 7 CF6 Modelo 8 CF7 Variáveis Status Status Status Status Status Status Status Status

LOGTAA9817 0.2188 0.2320 0.2194 0.2203 0.2320 0.2325 0.2311 0.2333 NRTAA9817 0.0099 0.0099 0.0098 0.0099 0.0099 0.0099 0.0099 0.0099 EQTLA9817 -0.4617*** -0.4629*** -0.4619*** -0.4618*** -0.4629*** -0.4628*** -0.4622*** -0.4625*** CRA9817 0.0057 0.0056 0.0057 0.0057 0.0056 0.0056 0.0055 0.0055 CFOTLA9817 -0.0120 -0.0121 -0.0118 -0.0047 CFITLA9817 0.0013 -0.0001 0.0120 0.0090 CFFTLA9817 0.0022 0.0012 0.0112 0.0086 Constante -3.0041*** -3.0112*** -3.0040*** -3.0055*** -3.0113*** -3.0119*** -3.0110*** -3.0122*** Observações 2,040 2,040 2,040 2,040 2,040 2,040 2,040 2,040 Desvios padrões em parênteses

*** p<0.01, ** p<0.05, * p<0.1 Resultados Estimativa Acertos Geral 97.3% 97.3% 97.3% 97.3% 97.3% 97.3% 97.3% 97.3% Acertos p=0 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% Acertos p=1 0.0% 0.0% 0.0% 0.0% 0.0% 0.0% 0.0% 0.0% Critérios de Informação Akaike's IC 481.83 483.79 483.83 483.83 485.79 485.79 485.77 487.77 Bayesian IC 509.93 517.51 517.55 517.55 525.14 525.13 525.12 532.74 Log Likelihood ll (modelo) -235.92 -235.90 -235.91 -235.91 -235.90 -235.89 -235.89 -235.88 Fonte: Elaboração própria com base nos resultados da pesquisa.

(34)

Tabela 4 – Resultados de previsão para dois anos antes da falência das empresas, dados anuais, 1998-2017 Regressões Logísticas Modelo 1 Controle Modelo 2 CF1 Modelo 3 CF2 Modelo 4 CF3 Modelo 5 CF4 Modelo 6 CF5 Modelo 7 CF6 Modelo 8 CF7 Variáveis Status Status Status Status Status Status Status Status

LOGTAA9817 0.2352 0.2452 0.2368 0.2352 0.2442 0.2451 0.2495 0.2469 NRTAA9817 0.0098 0.0098 0.0097 0.0098 0.0098 0.0098 0.0098 0.0098 EQTLA9817 -0.5378*** -0.5385*** -0.5383*** -0.5378*** -0.5388*** -0.5385*** -0.5385*** -0.5381*** CRA9817 -0.0022 -0.0023 -0.0023 -0.0022 -0.0024 -0.0023 -0.0025 -0.0025 CFOTLA9817 -0.0103 -0.0081 -0.0103 0.0056 CFITLA9817 0.0030 0.0020 0.0149 0.0182 CFFTLA9817 0.0000 -0.0001 0.0125 0.0151 Constante -2.9388*** -2.9442*** -2.9386*** -2.9388*** -2.9429*** -2.9441*** -2.9463*** -2.9450*** Observações 2,040 2,040 2,040 2,040 2,040 2,040 2,040 2,040 Desvios padrões em parênteses

*** p<0.01, ** p<0.05, * p<0.1 Resultados Estimativa Acertos Geral 97.3% 97.3% 97.3% 97.3% 97.3% 97.3% 97.3% 97.3% Acertos p=0 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% Acertos p=1 0.0% 0.0% 0.0% 0.0% 0.0% 0.0% 0.0% 0.0% Critérios de Informação Akaike's IC 476.94 478.92 478.92 478.94 480.91 480.92 480.85 482.85 Bayesian IC 505.04 512.64 512.64 512.67 520.25 520.26 520.20 527.82 Log Likelihood ll (modelo) -233.47 -233.46 -233.46 -233.47 -233.45 -233.46 -233.43 -233.43 Fonte: Elaboração própria com base nos resultados da pesquisa.

(35)

Tabela 5 – Resultados de previsão para um ano antes da falência das empresas, dados anuais, 1998-2017 Regressões Logísticas Modelo 1 Controle Modelo 2 CF1 Modelo 3 CF2 Modelo 4 CF3 Modelo 5 CF4 Modelo 6 CF5 Modelo 7 CF6 Modelo 8 CF7 Variáveis Status Status Status Status Status Status Status Status

LOGTAA9817 0.3153 0.3346 0.3188 0.3157 0.3342 0.3345 0.3420 0.3399 NRTAA9817 0.0128 0.0129 0.0127 0.0128 0.0128 0.0129 0.0130 0.0130 EQTLA9817 -0.6584*** -0.6594*** -0.6594*** -0.6584*** -0.6602*** -0.6596*** -0.6593*** -0.6589*** CRA9817 -0.1142 -0.1165 -0.1160 -0.1142 -0.1176 -0.1167 -0.1187 -0.1184 CFOTLA9817 -0.0202 -0.0174 -0.0207 0.0043 CFITLA9817 0.0058 0.0038 0.0266 0.0290 CFFTLA9817 0.0006 -0.0011 0.0216 0.0235 Constante -2.7605*** -2.7691*** -2.7586*** -2.7609*** -2.7662*** -2.7685*** -2.7710*** -2.7703*** Observações 2,040 2,040 2,040 2,040 2,040 2,040 2,040 2,040 Desvios padrões em parênteses

*** p<0.01, ** p<0.05, * p<0.1 Resultados Estimativa Acertos Geral 97.3% 97.3% 97.3% 97.3% 97.3% 97.3% 97.3% 97.3% Acertos p=0 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% Acertos p=1 0.0% 0.0% 0.0% 0.0% 0.0% 0.0% 0.0% 0.0% Critérios de Informação Akaike's IC 467.10 469.01 469.03 469.09 470.97 471.01 470.83 472.83 Bayesian IC 495.20 502.73 502.75 502.82 510.32 510.35 510.18 517.80 Log Likelihood ll (modelo) -228.55 -228.50 -228.51 -228.55 -228.50 -228.50 -228.42 -228.41 Fonte: Elaboração própria com base nos resultados da pesquisa.

(36)

Tabela 6 ‒ Resultados de previsão para três anos antes da falência das empresas, dados trimestrais, 1998-2017 Regressões Logísticas Modelo 1 Controle Modelo 2 CF1 Modelo 3 CF2 Modelo 4 CF3 Modelo 5 CF4 Modelo 6 CF5 Modelo 7 CF6 Modelo 8 CF7 Variáveis Status Status Status Status Status Status Status Status

LOGTAA9817 -0.0373 0.0620 -0.0382 0.0221 0.0795 0.0824 0.0451 0.0825 NRTAA9817 0.0302 0.0283 0.0304 0.0323 0.0320 0.0323 0.0331 0.0323 EQTLA9817 -0.5487*** -0.5685*** -0.5494*** -0.5607*** -0.5734*** -0.5718*** -0.5542*** -0.5718*** CRA9817 -0.0020 -0.0028 -0.0019 -0.0023 -0.0030 -0.0031 -0.0032 -0.0031 CFOTLA9817 -0.1068 -0.1544* -0.1369 -0.1365 CFITLA9817 -0.0065 -0.0196 0.0936 0.0006 CFFTLA9817 0.0678 0.0191 0.1002 0.0196 Constante -2.6382*** -2.6821*** -2.6389*** -2.6835*** -2.6906*** -2.6938*** -2.6853*** -2.6939*** Observações 2,043 2,043 2,043 2,043 2,043 2,043 2,043 2,043 Desvios padrões em parênteses

*** p<0.01, ** p<0.05, * p<0.1 Resultados Estimativa Acertos Geral 97.3% 97.3% 97.3% 97.3% 97.3% 97.3% 97.3% 97.3% Acertos p=0 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% Acertos p=1 0.0% 0.0% 0.0% 0.0% 0.0% 0.0% 0.0% 0.0% Critérios de Informação Akaike's IC 472.61 473.49 474.60 473.87 474.92 474.89 475.54 476.89 Bayesian IC 500.72 507.23 508.33 507.60 514.28 514.25 514.89 521.87 Log Likelihood ll (modelo) -231.30 -230.75 -231.30 -230.94 -230.46 -230.45 -230.77 -230.45 Fonte: Elaboração própria com base nos resultados da pesquisa.

(37)

Tabela 7 ‒ Resultados de previsão para dois anos antes da falência das empresas, dados trimestrais, 1998-2017 Regressões Logísticas Modelo 1 Controle Modelo 2 CF1 Modelo 3 CF2 Modelo 4 CF3 Modelo 5 CF4 Modelo 6 CF5 Modelo 7 CF6 Modelo 8 CF7 Variáveis Status Status Status Status Status Status Status Status

LOGTAA9817 -0.0149 0.0932 -0.0151 0.0407 0.1100 0.1125 0.0717 0.1125 NRTAA9817 0.0292 0.0274 0.0293 0.0310 0.0308 0.0311 0.0320 0.0311 EQTLA9817 -0.5981*** -0.6209*** -0.5982*** -0.6087*** -0.6250*** -0.6233*** -0.6022*** -0.6233*** CRA9817 -0.0030 -0.0040 -0.0030 -0.0034 -0.0042 -0.0043 -0.0043 -0.0043 CFOTLA9817 -0.1177 -0.1649* -0.1492* -0.1490 CFITLA9817 -0.0012 -0.0178 0.1019 0.0002 CFFTLA9817 0.0650 0.0171 0.1055 0.0173 Constante -2.6082*** -2.6559*** -2.6083*** -2.6514*** -2.6645*** -2.6674*** -2.6588*** -2.6674*** Observações 2,043 2,043 2,043 2,043 2,043 2,043 2,043 2,043 Desvios padrões em parênteses

*** p<0.01, ** p<0.05, * p<0.1 Resultados Estimativa Acertos Geral 97.3% 97.3% 97.3% 97.3% 97.3% 97.3% 97.3% 97.3% Acertos p=0 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% 100.0% Acertos p=1 0.0% 0.0% 0.0% 0.0% 0.0% 0.0% 0.0% 0.0% Critérios de Informação Akaike's IC 469.89 470.57 471.89 471.24 472.02 472.00 472.75 474.00 Bayesian IC 498.00 504.31 505.62 504.98 511.38 511.36 512.10 518.98 Log Likelihood ll (modelo) -229.95 -229.29 -229.95 -229.62 -229.01 -229.00 -229.37 -229.00 Fonte: Elaboração própria com base nos resultados da pesquisa.

Imagem

Tabela 1 abaixo, a amostra é composta por empresas de mineração, óleo e gás domiciliadas em  77 diferentes países, porém com concentração para determinados países, sendo principalmente  economias desenvolvidas
Tabela 2 – Amostra após PSMatch de empresas por país de domicílio
Tabela 3  – Resultados de previsão para três anos antes da falência das empresas, dados anuais,  1998-2017  Regressões Logísticas     Modelo 1  Controle  Modelo 2 CF1  Modelo 3 CF2  Modelo 4 CF3  Modelo 5 CF4  Modelo 6 CF5  Modelo 7 CF6  Modelo 8 CF7
Tabela 4  – Resultados de previsão para dois anos antes da falência das empresas, dados anuais,  1998-2017  Regressões Logísticas     Modelo 1  Controle  Modelo 2 CF1  Modelo 3 CF2  Modelo 4 CF3  Modelo 5 CF4  Modelo 6 CF5  Modelo 7 CF6  Modelo 8 CF7
+7

Referências

Documentos relacionados

Buscando compreender o impacto que as informações sobre produtos e marcas (positivas ou negativas) contidas nos blogs de moda têm nas suas leitoras foi analisado que as

Animador - Irmãs e irmãos! Jesus e João Batista ofertaram a vida como testemunhas reais do Reino do Pai. Que essa fidelidade seja o horizonte para o qual nós tam- bém

Poderemos assim analisar quais apoios são utilizados de forma mais intensa, como por exemplo, nos casos de onicofagia, pois é comum que o indivíduo execute tal

voltar ao inicio SERVIÇO DE SAÚDE Diretrizes para Vigilância, Atenção e Eliminação da Hanseníase como Problema de Saúde Pública PORTARIA MS Nº 149, DE 03 DE FEVEREIRO

Associação de manifestações extra-articulares com idade do diagnóstico, duração da doença e valores do DAS-28, nos pacientes portadores de AR do ambulatório de Artrite

COMISSÃO 5% sobre o valor total da arrematação, não estando incluído no valor do lance, a ser pago em até 24h da finalização do leilão, por meio de depósito em dinheiro, DOC

• As comunicações orais, individuais ou coordenadas, dos graduandos que queiram apresentar trabalhos no Simpósio devem encaixar-se em um dos seis eixos temáticos

intervention in patients with ruptured sinus of Valsalva aneurysms is well established, the optimal management of an asymptomatic, unruptured aneurysm is less clear, due to the