Dados do Projeto de Pesquisa

Título do Modelos para Previsão de Insolvência: uma abordagem

Projeto de Pesquisa: estatística e computacional
Grande área/área
segundo o CNPq Matemática/Probabilidade e Estatística
([Link]
JB3tAs):
Grupo de
Pesquisa vinculado ao
projeto:
Linha de
pesquisa do grupo de
pesquisa vinculado ao
projeto:
Categoria do ( ) projeto em andamento, já cadastrado na PRPI
projeto: ( ) projeto não iniciado, mas aprovado previamente
( x ) projeto novo, ainda não avaliado

RESUMO
Analisar o desempenho da empresa é de fundamental importância para os gestores e
investidores de organizações e empresas. Analisar e compreender os indicadores
contábeis e financeiros de uma empresa pode ser bastante útil quando há o interesse em
entender se uma empresa está entrando em um estado de insolvência. Neste contexto, os
modelos de previsão de insolvência surgem como uma ferramenta poderosa para o
entendimento desse estado de insolvência e os principais indicadores que o afetam,
garantindo tempo hábil para que gestores tomem as medidas necessárias para garantir
uma boa saúde financeira para a empresa. Este projeto de pesquisa tem como objetivo
apresentar novas propostas de modelos de previsão de insolvência através das técnicas
estatísticas de Modelos Lineares, Modelos Lineares Generalizados e Árvore de Decisão.
A amostra será composta por todas as empresas de capital aberto listadas na
BM&FBovespa. A expectativa é que este estudo auxilie os gestores no processo de
tomada de decisões mais assertivas e aos investidores a reduzirem os riscos de suas
empresas entrarem no estado de insolvência.
Palavras-chave: Previsão de Insolvência; Modelos de Regressão; Árvore de Decisão

1. INTRODUÇÃO

A insolvência caracteriza-se como uma dificuldade, no qual a empresa não

consegue pagar suas obrigações de curto ou longo prazo, e às quais as organizações
estão suscetíveis dentro do seu processo de gestão. A insolvência se caracteriza como
um processo declínio prolongado e não discreto, ou seja, é um processo que ocorre ao
longo do tempo (BRESSAN; BRAGA; LIMA, 2004). Uma empresa ao estar em estado
de insolvência não deve ser considerada um empresa falida, todavia o estado de
insolvência sinaliza aos gestores a necessidade de ações em que, caso não tomadas,
poderão levar a uma provável falência da empresa (KANITZ, 1978).
Analisar o desempenho da empresa e sua saúde financeira é de fundamental
importância para gestores, acionistas e credores. A análise das demonstrações

1
financeiras e contábeis proporcionam informações sobre o desempenho dessas
companhias durante um determinado período (PINHEIRO et. al., 2007). Analisar as
informações de desempenho é caracterizá-las de acordo com sua solvência ou
insolvência, se fazendo necessária uma vez que, tais análises buscam identificar a
possibilidade de uma empresa não honrar com seus compromissos, ou seja entrar em
estado de Insolvência (NASCIMENTO; PEREIRA; HOELTGEBAUM, 2011).
O estado de insolvência não determina que esta empresa esteja falida e sim que
se nada for feito por parte de seus gestores a empresa tende a falir e que , a sinalização
dessa situação gravíssima da empresa, venha por meio da detecção desse estado de
insolvência (KANITZ, 1978). Embora as metodologias de previsão de insolvência
estejam bem difundidas e empregadas na literatura, pode ser enriquecida com inclusão
de modelos preditivos estruturados a partir de métodos estatísticos, representado pelos
modelos de previsão de insolvência (PINHEIRO et al., 2007).
Esta implicação motivou pesquisadores a desenvolverem modelos de previsão
da insolvência, em que, no Brasil, pode-se destacar os fatores de Altman, o termômetro
de Elizabetsky (ELIZABETSKY, 1976) e a escala de Matias (MATIAS; SIQUEIRA,
1996) como os trabalhos mais difundidos na literatura sobre insolvência das
organizações.

2. FUNDAMENTAÇÃO TEÓRICA

2.1. Insolvência de Organizações

A insolvência é a incapacidade de pagar dívidas. Porém, para Wruck (1990)

existem duas formas de insolvência nas organizações, de saldo ou de fluxo. A
insolvência de saldo é quando o valor dos ativos é menor que montante das dívidas, ou
seja, patrimônio líquido negativo. Já a insolvência de fluxo ocorre pela falta de
capacidade de honrar as obrigações, de modo que a geração de receita das operações
não paga as dívidas correntes.
As características de uma situação de insolvência ou não, vai além da definição
de recuperação judicial e/ou falências para as empresas, uma vez que, ao comparadas,
permitem identificar por meio dos índices quais organizações são confiáveis/seguras
para novos investimentos ou concessão de empréstimos (ARANHA; LINS FILHO,
2005). A identificação antecipada dos casos de insolvência, a opção mais utilizada é
adquirir informações nos indicadores financeiros das empresas, os quais são oriundos de
seus demonstrativos contábeis, sendo bastante empregados em análises de insolvência e
de falência de empresas, bancos e cooperativas (BRESSAN [Link]., 2011, FAMÁ;
GRAVA, 2000).
Uma má gestão de recursos fará com que, possivelmente, uma organização ou
empresa apresente dificuldades para cumprir com seus compromissos financeiros dentro
de um prazo estabelecido, consequentemente, poderá caracterizá-la como inadimplente
(FAMÁ; GRAVA, 2000). Contudo, por mais que insolvência, falência e concordata
parecem sinônimos, as mesmas se referem a diferentes momentos, pois, enquanto a
primeira está relacionada a um estado, a segunda e a terceira têm significado legal,
como em um processo judicial (MENDES, et al., 2014).
Atualmente no Brasil não existe a figura da concordata, uma vez que esta foi
substituída pela recuperação judicial por meio da Lei n. 11.101 (BRASIL, 2005). Esta
lei alterou a legislação falimentar brasileira, promovendo a manutenção da empresa e

2
não somente a sua liquidação e satisfação dos clientes. Conforme o enunciado do artigo
47, o objetivo da recuperação judicial é tornar viável o processo de superação das
empresas que se encontram em uma crise econômico-financeira, como uma forma de
manter a organização, os empregos de seus colaboradores e os interesses dos credores.
Na literatura contábil existe um confundimento entre as definições de
inadimplência e de insolvência. Segundo Rodrigues, Silva e Hein (2012), a principal
diferença entre inadimplência e insolvência ao destacar que a organização só poderá ser
considerada insolvente quando não houver recursos suficientes para o pagamento de sua
dívida. À vista disso, os autores discutem sobre o processo de liquidação de suas
obrigações, que passa pela inadimplência como forma de verificação e validação do
estado de insolvência e, posteriormente, uma falência.
A falta de compreensão sobre o desempenho financeiro aflige muitas
organizações, em razão do desconhecimento das ferramentas ou meios necessários para
detectar tal problema. Desta forma, uma das soluções do problema pode ser adoção de
técnicas de previsão computacionais e estatísticas, que permitem a identificação da
insolvência, seja de saldo ou de fluxo, antes que a situação seja irreversível.

2.2. Modelos de Previsão de Insolvência

A constatação de um bom desempenho financeiro por parte das organizações, é

um elemento cada vez mais importante na validação da gestão organizacional. Para que
empresas possam sobreviver num mercado altamente competitivo, é necessário
compreender os objetivos, atividades e resultados da empresa (SABADIN, 2006). Logo,
o estado de insolvência de uma empresa deve ser detectado com antecedência, uma vez
que os gestores precisam ter tempo hábil de tomar medidas corretivas.
O estado de insolvência não é um evento imediato, desta forma acredita-se que o
estado de insolvência vem de vários períodos, o que gera um fator que pode ser
observado ao longo do tempo. Desta forma, a utilização de métodos ou modelos de
previsão para os riscos de insolvência ou falência, serve como uma avaliação mais
assertiva das reais condições das organizações (CASTRO JÚNIOR, 2003).
Os estudos realizados sobre previsão de insolvência, tanto no Brasil como no
exterior, fazem o uso de diferentes métodos estatísticos, sendo as principais técnicas
utilizadas a Análise Discriminante Linear, Regressão Logística e Redes Neurais. As
técnicas multivariadas utilizadas nesses trabalhos foram na sua maioria a Análise
Discriminante, com exceção de Ohlson (1980), um dos pioneiros em utilizar a
Regressão Logística, além de Gentry et al (1985) e Casey e Bartczak (1984) e (1985)
que também aplicaram a Análise Logit e Análise Discriminante.
A literatura sobre o tema não apresenta modelos de previsão de insolvência
unanimemente aceito pelos pesquisadores, mas há vários estudos realizados, com o
objetivo de conhecer antecipadamente se uma empresa incorre no risco de entrar em
processo de insolvência. Os diversos estudos buscam minimizar as limitações
geográficas, setoriais e dimensionais que apresentam os modelos de previsão de
insolvência.
A partir dos modelos discutidos em Silva et al. (2018), no qual apresenta um
resumo de estudos sobre a previsão de insolvência, foram verificados os indicadores
contábeis mais utilizados na literatura a respeito desse tema. Desta forma, os mesmos
serão considerados para compor o modelo a ser testado nesta pesquisa, a partir do
pressuposto de que são as que mais transmitem informações a respeito da insolvência

3
das empresas. Tais indicadores são: a) Liquidez Corrente; b) Retorno sobre o
Patrimônio Líquido; c) Participação de Capital de Terceiros; d) Estrutura de Ativos; e)
Indicador de Lucros Retidos; f) Produtividade dos Ativos; g) Grau de Riscos a
Terceiros; h) Giro do Ativo; i) Estrutura Financeira; j) Retorno sobre o Ativo; e, k)
Endividamento de Curto Prazo.

3. OBJETIVOS

3.1. Objetivo Principal

Desenvolver um modelo de previsão de insolvência, foram selecionadas todas as

empresas de capital aberto listadas na BM&FBovespa durante o período de 2010 a 2023
utilizando os indicadores descritos no final da sessão anterior, que tenha uma qualidade
de previsão melhor que os modelos discutidos em Silva et al. (2018).

3.2. Objetivos Específicos

a) Identificar e classificar a insolvência das empresas selecionadas utilizando os

indicadores em Silva et al. (2018);
b) Verificar as relações entre a insolvência e os indicadores contábeis e/ou
financeiros;
c) Identificar e avaliar a qualidade dos modelos construídos com os demais descritos
na literatura no que diz respeito à acurácia e poder de predição.

3.3 Metas

Para atingir este objetivo, foram definidas as seguintes metas:

a) realizar uma revisão sistemática da literatura;
b) coletar e organizar os dados financeiros de todas as empresas selecionadas. Essa
etapa é de extrema importância para garantir a precisão e a confiabilidade das
informações utilizadas;
c) classificar a insolvência com base nos indicadores em Silva et al. (2018).

Esses indicadores e esses modelos são amplamente reconhecidos na literatura

acadêmica e proporcionarão uma base consistente para nossa avaliação. Posteriormente,
iremos calcular e analisar cuidadosamente os indicadores de financeiros para cada uma
das empresas selecionadas. Essa análise possibilitará identificar padrões e tendências
relacionados à insolvência das empresas e os indicadores financeiros. Além disso,
planejamos realizar análises estatísticas a fim de explorar as relações entre a
insolvência e os outros indicadores relevantes, liquidez corrente e a produtividade dos
ativos
Com base nos resultados obtidos, nosso objetivo é produzir um artigo acadêmico,
que será apresentado em congressos e posteriormente publicado em revistas.
Expectamos que este trabalho contribua significativamente para o entendimento do
papel da previsão de insolvência na performance financeira das empresas brasileiras de
capital aberto, possibilitando uma tomada de decisão mais informada e eficaz nos
âmbitos corporativos e de investimentos.

4. METODOLOGIA

4
4.1. Modelos Lineares

Algumas situações em diversas áreas envolvem a exploração das relações entre

duas ou mais variáveis. A coleção de ferramentas estatísticas que são usadas para
modelar relações entre variáveis que estão relacionadas de maneira não determinística é
chamada de análise de regressão ou modelos de regressão. Pelo fato de problemas desse
tipo ocorrerem tão frequentemente em muitos ramos do conhecimento, em particular na
análise de insolvência, a análise de regressão é uma das ferramentas estatísticas mais
utilizadas (MONTGOMERY et al., 2009).
Seja y uma variável dependente ou resposta que depende de k variáveis
independentes ou preditoras. A relação entre essas variáveis é caracterizada por um
modelo matemático denominado modelo de regressão. Segundo Montgomery et al.
(2009), esse modelo pode ser representado por:

𝙮 =𝛃0+ 𝛃1 x1 +...+ 𝛃k x k + 𝝴
𝝴
onde representa um erro aleatório, que o caracteriza como um modelo estatístico.
Esse modelo de regressão linear utiliza o termo linear, pois o modelo é uma função
linear de parâmetros desconhecidos, 𝛃 j , j=0 , 1 ,... , k , chamados de coeficientes de
regressão.
Segundo Hoffmann (2016), ao estabelecer o modelo de regressão linear
pressupõe-se que:
1. A variável dependente 𝙮 é função linear das variáveis explicativas,
𝙭 j , j=1, 2 , ..., k ;

3. E( 𝝴 )=0 ;
2. Os valores das variáveis explicativas são fixos;

4. Os erros são homocedásticos, ou seja, E( 𝝴2 )=𝛔2 ;

5. Os erros das observações são não correlacionados entre si, ou seja,
E(ε a ε b )=0 para todo a ≠ b ;

O modelo é estimado via método de máxima verossimilhança (FISHER, 1912)

combinados ao método stepwise (HOCKING, 1976) de seleção de variáveis com o
objetivo de estimar o modelo de insolvência com melhor poder de predição para as
empresas estudadas.

4.2. Modelos Lineares Generalizados

Nelder e Wedderburn (1972) mostram que uma série de técnicas estatísticas,

comumente estudadas separadamente, podem ser formuladas, de uma maneira
unificada, como uma classe de modelos de regressão. A essa teoria unificadora de
modelagem estatística, uma extensão dos modelos de regressão linear, chama-se o nome
de Modelos Lineares Generalizados (MLG). Esses modelos envolvem uma variável
resposta univariada, variáveis explicativas e uma amostra aleatória de n observações
independentes, sendo que:

1. a variável resposta, chamada componente aleatório do modelo, segue uma

distribuição pertencente à família exponencial, que engloba as distribuições

5
 normal, gama e normal-inversa para dados contíınuos; binomial para
proporções; Poisson e binomial negativa para dados de contagem;
2. as variáveis explicativas entram na forma de uma estrutura linear,
constituindo o chamado componente sistemático do modelo;
3. a ligação entre os componentes aleatório e sistemático é feita através de uma
função de ligação adequada. Como, por exemplo, logarítmica a para os modelos
log-lineares, chamada de função de ligação.

Segundo Santos (2012), esse modelo é representado por:

−1
𝙮 =g ( 𝛈) e
𝛈=𝛃0 + 𝛃1 x 1+...+ 𝛃k x k
em que g é a função de ligação. A Tabela 1 a seguir apresenta as funções de
ligação canônicas de algumas distribuições da família exponencial.

Tabela 1: Principais funções de ligação

Distribuição Função de ligação
Normal Identidade 𝛈 = 𝞵
Poisson Logarítmica 𝛈 = ㏑(𝞵)
Binomial Logística 𝛈 = 𝞵⁄(m-𝞵)
Gama Recíproca 𝛈 = 𝞵-1
Normal Inversa Recíproca ao quadrado 𝛈 = 𝞵-2
Fonte: Cordeiro, 2007

O modelo é estimado via método de máxima verossimilhança (FISHER, 1912)

combinados ao método stepwise (HOCKING, 1976) de seleção de variáveis com o
objetivo de estimar o modelo de insolvência com melhor poder de predição para as
empresas estudadas.

4.3. Árvore de Decisão

Árvores de decisão são modelos estatísticos que utilizam um treinamento

supervisionado para a classificação e previsão de dados. Em outras palavras, em sua
construção é utilizado um conjunto de treinamento formado por entradas e saídas. Estas
últimas são as classes. Estes modelos utilizam a estratégia de dividir para conquistar:
um problema complexo é decomposto em sub-problemas mais simples e recursivamente
esta técnica é aplicada a cada sub-problema (MONDON, 1984).
As árvores de decisão estão entre os mais populares algoritmos de inferência e
tem sido aplicado em várias áreas como, por exemplo, diagnóstico médico e risco de
crédito (MITCHELL, 1997), e deles pode-se extrair regras do tipo “se-então” que são
facilmente compreendidas. A capacidade de discriminação de uma árvore vem da
divisão do espaço definido pelos atributos em sub-espaços e a cada sub-espaço é
associada uma classe.

6
 Neste trabalho, dentre os diversos algoritmos existentes na literatura, será
utilizado o algoritmo CART, que utiliza a partição recursiva binária. Segundo Sobral
(2003), suas principais características são a de definir o conjunto de regras para dividir
cada nó da árvore, decidir quando a árvore está completa e associar cada nó terminal a
uma classe ou a um valor preditivo no caso de regressão.
Os procedimentos do CART são:
1. Definir o conjunto de regras para realizar a divisão de um nó em dois nós
filhos. As perguntas do algoritmo têm como resposta apenas “sim” ou
“não”.
2. Encontrar a melhor divisão através do critério Gini, que é dada pela
equação
c
CritérioGini =1−∑ pi2
i=1
3. Repetir o processo de divisão até que esta seja impossível ou
interrompida.
4. Aplicar o processo de pós-podagem para encontrar a árvore com o menor
custo, ou seja, aquela que possui menor taxa de erro e complexidade, e
descrito a seguir:
a. Percorre a árvore em profundidade.
b. Para cada nó de decisão calcula:
i. erro do nó
ii. soma dos erros dos nós descendentes
c. Se o erro do nó é menor ou igual à soma dos erros dos nós
descendentes então o nó é transformado em folha.
A medida da diferença dada por uma função baseada nas proporções das classes
entre o nó corrente e seus descendentes valoriza a pureza das partições. Na pós-
podagem a árvore é gerada no tamanho máximo e então a árvore é podada aplicando
métodos de evolução confiáveis. A sub-árvore com o melhor desempenho será a
escolhida.

5. CONTRIBUIÇÕES CIENTÍFICAS

A previsão de insolvência representa uma prática que auxilia gestores e/ou

investidores a compreender o desempenho financeiro das organizações. Nesse sentido,
essa pesquisa traz contribuições tanto no âmbito acadêmico como para gestores,
investidores e empresas. No meio acadêmico, a pesquisa visa introduzir uma novo
método de estimação de modelos de insolvência, fazendo uso da técnica de Árvore de
Decisão para classificar o conjunto de empresas, assim como comparar com as demais
técnicas comumente usadas na literatura com o objetivo de construir um modelo
preditivo mais competitivo.
Para investidores e gestores, os resultados desta pesquisa têm implicações
significativas no processo de tomada de decisão estratégica. Além de oferecer insights e
análises estatísticas valiosas sobre saúde financeira das empresas, nossa pesquisa pode
auxiliar na identificação de empresas que podem estar ou vir a estar em um estado de
insolvência e na determinação dos principais indicadores que estão contribuindo para
esse estado.

7
6. CRONOGRAMA

Nesta seção, é apresentado o cronograma detalhado para execução do projeto,

conforme Quadro 1, para as seguintes atividades a serem executadas:

Atividade 1: Pesquisa exploratória sobre o conteúdo (revisão sistemática da

literatura), visando obter gaps sobre a temática, especificamente: i) pesquisar bases
conceituais que permitam elaborar questões pertinentes ao objetivo desse estudo; ii)
criar mapa conceitual com principais referências bibliográficas sobre o tema da referida
pesquisa; e iii) pesquisa de artigos na base de dados Scopus, Web Of Science e Spell,
visando encontrar gaps de pesquisas na área para publicação em periódicos;
Atividade 2: Elaboração do artigo;
Atividade 3: Coleta de dados contábeis e de mercado das empresas de capital
aberto listadas na BM&FBovespa;
Atividade 4: Criação do script para cálculo dos Modelos de Previsão de
Insolvência utilizando as metodologias de modelos lineares, lineares generalizados e
árvore de decisão e estimação dos resultados;
Atividade 5: Análise dos dados: análise dos resultados da pesquisa e
comparação com os resultados de outros artigos;
Atividade 6: Submissão dos artigos em eventos e periódicos;
Atividade 7: Divulgação dos resultados com a comunidade interna e externa da
UFCA.

No Quadro 01, tem-se o resumo do cronograma de atividades que serão

executados durante os 12 meses de vigência do projeto.

Quadro 01 – Resumo do cronograma de atividades

Nº 2025 2026

09 10 11 12 01 02 03 04 05 06 07 08

AT1

AT2

AT3

AT4

AT5

AT6

AT7
Fonte: Elaboração própria

REFERÊNCIAS

8
ALTMAN, E. I. Financial ratios, discriminant analysis and the prediction of corporate
bankruptcy. The Journal of Finance, v. 23, n. 4, p. 589-609. 1968.

BRASIL. Decreto-Lei n. 7.661, de 21 de junho de 1945. Brasília, DF, 1945. ______.

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, DF, 2005.

BRESSAN, V. G. F.; BRAGA, M. J.; LIMA, J. E. Análise de Insolvência das

cooperativas de crédito rural do estado de Minas Gerais. Est. Economia. São Paulo v. 34
n. 3, p. 553 – 585. Jul-set. 2004.

BRESSAN, V. G. F. et al. Avaliação de insolvência em cooperativas de crédito: uma

aplicação do sistema Pearls. Revista de Administração Mackenzie – RAM, v. 12, n. 2,
p. 113-144, 2011.

CASEY, C.; BARTCZAK, N. Cash Flow, It is not the Bottom Line. Harvard Business
Review, Jul.-Aug., p. 61-66, 1984.

CASEY, C.; BARTCZAK, N. Using operating cash flow data to predict financial
distress: some extensions. Journal of Accounting Research, v. 23, n. 1, spring, p. 384-
401, 1985.

CASTRO JÚNIOR, F. H. F. Previsão de Insolvência de Empresas Brasileiras usando

Análise Discriminante, Regressão Logística e Redes Neurais. 187 f. Dissertação de
Mestrado, Universidade de São Paulo, São Paulo, 2003. Disponível em:
[Link]

ELIZABETSKY, R. Um modelo matemático para decisão de crédito no Banco

Comercial. São Paulo: Escola Politécnica da Universidade de São Paulo, 190p, 1976.

FAMÁ, R.; GRAVA, J. W. Liquidez e a teoria dos elementos causadores de

insolvência. Caderno de Pesquisas em Administração, v. 1, n. 12, p. 10-21, 2000.

FISHER, R. A. On an absolute criterion for fitting frequency curves. Statistical science,

v. 12, n. 1, p. 39-41, 1997.

GENTRY, J. A. et al. Classifying bankrupt firms with funds flow components. Journal
of Accounting research, p. 146-160, 1985.

HOCKING, Ronald R. A Biometrics invited paper. The analysis and selection of

variables in linear regression. Biometrics, p. 1-49, 1976.

HOFFMANN, R. Análise de regressão: uma introdução à econometria. 2016.

KANITZ, S. Como prever falências. São Paulo: McGraw Hill, c1978. 174 p.

MATIAS, A. B.; SIQUEIRA, J. O. Risco bancário: modelo de previsão de insolvência

de bancos no Brasil. Revista de Administração, São Paulo, v. 31, n. 2, p. 19-28, 1996.

9
MENDES, I. O; et al. Fatores determinantes para definição de modelos de previsão de
insolvência: uma revisão de paradigma. Cadernos da Escola de Negócios, v. 1, n. 12,
2014.

MITCHELL, Tom Michael et al. Machine learning. New York: McGraw-hill, 2007.

MONDON, Camille. Classification and regression trees. 1984.

MONTGOMERY, G. et al. Estatística aplicada e probabilidade para engenheiros. 2009.

NASCIMENTO, S.; PEREIRA, A. M.; HOELTGEBAUM, M. Aplicação dos modelos

de previsão de insolvências nas grandes empresas aéreas brasileiras. Revista de
contabilidade do mestrado em Ciências contábeis da UERJ, v. 15, n. 1, p. 40-51, 2011.

NELDER, John Ashworth; WEDDERBURN, Robert WM. Generalized linear models.

Journal of the Royal Statistical Society Series A: Statistics in Society, v. 135, n. 3, p.
370-384, 1972.

OHLSON, J. A. Financial ratios and the probabilistic prediction of bankruptcy. Journal

of accounting research, p. 109-131, 1980.

PINHEIRO, L. E. T. et al. Validação de modelos brasileiro de previsão de insolvência.

Contabilidade Vista & Revista, v. 18, v. 4, p.83-103, 2007.

RODRIGUES JR., M. M.; SILVA, T.P.; HEIN, N. O uso do índice de força relativa em
indicadores financeiros: um estudo sobre a previsão de insolvência de empresas.

SABADIN, A. L. Análise de indicadores contábeis para avaliação de desempenho

favorável: um estudo nas cooperativas do Estado do Paraná. 253 f. Dissertação de
Mestrado, Universidade Regional de Blumenau, Blumenau, 2006. Disponível em:
[Link]

SANTOS, E. B. Um estudo dos Métodos de Superfície de Resposta para modelar dados

de contagem sob o enfoque dos Modelos Lineares Generalizados. 2012.

SILVA, J. P. Administração de crédito e previsão de insolvência. Atlas, 1983.

SILVA, P. Z. P. et al. A Teoria da Sinalização e a Recuperação Judicial: um Estudo nas

Empresas de Capital Aberto Listadas na BM&FBovespa. Desenvolvimento em Questão,
v. 16, n. 42, 2018.

SOBRAL, A. P. B. Previsão de carga horária - Uma nova abordagem por Árvore de

Decisão. 2003. Tese de Doutorado. Pontifıcia Universidade Católica do Rio de Janeiro.
Disponível em: [Link]
strSecao=resultado&nrSeq=3710&idi=1

10
WRUCK, K. H. Financial distress, reorganization, and organizational efficiency.
Journal of financial economics, v. 27, n. 2, p. 419-444, 1990.

11