versão impressa ISSN 0101-7438 / versão online ISSN 1678-5142

MODELO DE RISCO E DECISÃO DE CRÉDITO BASEADO EM ESTRUTURA

DE CAPITAL COM INFORMAÇÃO ASSIMÉTRICA

Régis Façanha Dantas

Caixa Econômica Federal
Fortaleza – CE

Sérgio Aquino DeSouza*

Pós-Graduação em Economia (CAEN) e
Departamento de Teoria Econômica (DTE)
Universidade Federal do Ceará (UFC)
Fortaleza – CE
sergiodesouza@[Link]
* Corresponding author / autor para quem as correspondências devem ser encaminhadas

Recebido em 04/2007; aceito em 04/2008 após 1 revisão

Received April 2007; accepted April 2008 after one revision

Resumo

A partir de uma amostra 241 empresas da Indústria Manufatureira brasileira, concluímos que
parâmetros que definem a estrutura de capital das empresas são bons sinalizadores para discriminar as
empresas quanto ao seu risco de crédito em um ambiente de informação assimétrica. Para chegar a tal
resultado, usamos uma equação regressão do tipo Logit, cujas variáveis explicativas são oriundas da
análise fatorial e da regressão discriminante através do método stepwise backward. Outro ponto
importante é a incorporação de um modelo de decisão de crédito com o uso de programação Linear
Inteira como o desenvolvido por Gehrlein & Wagner (1997).

Palavras-chave: análise fatorial; programação linear; risco de crédito.

Abstract

From a sample of 241 firms in the Brazilian manufacturing sector, we conclude that
parameters that define firms’ capital structure are good signals of the risk of default on bank loans. In
order to derive this result, we use a Logit regression, in which the explanatory variables come from
factor analysis and stepwise regression. We also combine this methodology with a model of credit
granting that incorporates integer linear programming as developed by Gehrlein & Wagner (1997).

Keywords: factor analysis; linear programming; credit risk.

Pesquisa Operacional, v.28, n.2, p.263-284, Maio a Agosto de 2008 263

 Dantas & DeSouza – Modelo de risco e decisão de crédito baseado em estrutura de capital com informação assimétrica

1. Introdução

Toda decisão de alocação de recursos tem um componente relativo ao risco, seja ele do
acionista, relacionado ao retorno do investimento, seja do banco, relacionado ao retorno dos
recursos emprestados. A alocação eficiente por parte da empresa é que vai garantir os
retornos. No entanto, o custo do capital, seja próprio (acionista) ou de terceiro (financeiro),
que dá lastro aos investimentos, é um importante componente dos custos e, assim, dos
resultados alcançados.
A estrutura de capital constitui-se, então, num importante sinalizador da situação econômico-
financeira da empresa, dado que se compõe de capital próprio e de terceiros, com custos
diferenciados e que dão o lastro para a atividade operacional da empresa geradora do
resultado. Assim, deve-se verificar qual a estrutura ótima de capital para a firma e de que
forma essa estrutura afeta o seu desempenho ao longo do tempo, uma vez que o sistema
financeiro, principalmente o setor bancário, é um dos grandes fomentadores de recursos para
o setor empresarial. Dado o caráter de empréstimo, estes recursos/créditos devem retornar
sob pena de falência e/ou crise do setor. Portanto, torna-se necessária a avaliação do risco de
crédito do tomador.
No Brasil, há uma demanda reprimida por crédito (um hiato de crédito) que, somada às
expectativas, pode gerar um crescimento da oferta deste serviço, gerando aumento
substancial do endividamento. Para o atendimento destas necessidades de recursos dos
diversos agentes econômicos, o mercado financeiro através dos diversos intermediários,
bancos principalmente, e mercados de capitais, fomentam a economia compatibilizando os
recursos para cada necessidade, no que se chama de mercado completo, ou seja, aquele em
que existe um ativo específico para cada estado da natureza, estando o crédito bancário como
o principal instrumento para saciar esta necessidade de recursos.
Um problema preponderante que freia a expansão do crédito refere-se ao ambiente de
informação assimétrica no qual convive o setor bancário. Os clientes detêm informações
sobre seu tipo, bom (boa situação financeira) ou ruim (má situação financeira), que consiste
em uma informação privada e privilegiada. Os bancos apenas sabem que tais tipos existem e
buscam uma sinalização por partes dos agentes (clientes) para decidir sobre o crédito, mas a
falta de transparência nas informações contábeis, econômicas e financeiras disponibilizadas
pela empresa, principalmente aquelas de capital fechado, eleva o risco de crédito do setor.
A problemática pode ser resumida nas questões abaixo:
1. Como obter a melhor sinalização para o tipo do cliente-empresa dado sua estrutura de
capital em um ambiente de informação assimétrica?
2. Qual melhor modelo para mitigar e classificar o risco de crédito com base nas
técnicas estatísticas?
3. Qual técnica a ser usada para auxiliar a tomada de decisão na liberação de crédito para
determinado cliente, dado o seu nível de risco?
Uma solução então seria incorporar modelos de risco que captassem melhor a sinalização do
tipo do cliente (Bom e Ruim) por indicadores de conhecimento geral do mercado,
transparentes e quantificáveis.
Infere-se aqui que a introdução de um modelo de classificação do risco de crédito e outro
para decisão de crédito no processo de análise poderão diminuir substancialmente a parte dos

264 Pesquisa Operacional, v.28, n.2, p.263-284, Maio a Agosto de 2008

 Dantas & DeSouza – Modelo de risco e decisão de crédito baseado em estrutura de capital com informação assimétrica

juros que se relaciona com o risco de crédito, amenizando os problemas causados pela
informação assimétrica. No entanto, quais sinalizadores devem ser utilizados, uma vez que o
agente tem um incentivo para emitir informação distorcida em benefício próprio dada a
assimetria de informação.
A resposta vem então da importância da Estrutura de Capital para o equilíbrio financeiro da
empresa. Portanto, a hipótese consiste em buscar a melhor sinalização dentro da estrutura de
capital que revele a real situação econômico-financeira do tomador, cuja sinalização ou o
conjunto de sinais (variáveis) deverá explicar o nível de risco dentro de um modelo
apropriado.
Os estudos sobre análise e predição de falência iniciaram-se em 1968 com Edwards Altman
na publicação do artigo “Financial ratios, discriminant analysis and the prediction of
corporate bankruptcy”. A partir daí, uma série de estudos e modelos foram propostos e
utilizados no mercado. No Brasil, os principais modelos, que usam critérios estatísticos como
análise discriminante, entre outros, são os modelos de Altman & Baidya (1979), Matias
(1978), Elizabetsky (1976), Silva (1997) e recentemente o de Scarpel & Milioni (2001).
Neste último, os autores inovam incorporando a programação linear inteira para propor um
modelo de decisão de crédito.
Apesar do uso de instrumentos estatísticos para escolha e redução de indicadores nos
modelos acima citados, não observamos citações sobre o ambiente de informação assimétrica
que é comum nestes agentes (empresas), como também a falta de se inserir os custos dos
diferentes tipos de erros nas previsões (tipo II – empresas más classificadas como boas e
tipo I – empresas boas classificadas como más), conforme observados por Scarpel &
Milioni (2001). Neste trabalho, incorporamos no modelo soluções para estes problemas
observados.

2. Referencial teórico

2.1 Teorias da Estrutura de Capital

A estrutura de capital das empresas refere-se às fontes de recursos utilizadas, ou ainda, a

relação entre as dívidas de curto, médio e de longo prazos (PC + ELP) e capital próprio (PL).
O esforço das firmas em gerar resultado passa necessariamente por sua estrutura de capital;
as fontes de recursos definirão o grau de flexibilidade do capital na busca da eficiência
econômico-financeira.
Os estudos sobre Estrutura de Capital começaram com os teoremas MM – Modigliani &
Miller (1958), tais estudos referem-se principalmente a relação Dívidas – Benefícios de
impostos no tratamento da estrutura de capital. Segundo estes teoremas, uma empresa não
pode alterar seu valor simplesmente alterando as proporções dos capitais próprio e de
terceiros de sua estrutura de capital.
Contrariando os teoremas MM, modelos baseados em assimetria informacional observam os
problemas oriundos de mercados onde os agentes econômicos são heterogêneos com respeito
ao conjunto de informações que possuem. Um agente dispõe de informação privilegiada e, o
outro, chamado de principal, sabendo de sua deficiência informacional, tenta captar a melhor
informação disponível.

Pesquisa Operacional, v.28, n.2, p.263-284, Maio a Agosto de 2008 265

 Dantas & DeSouza – Modelo de risco e decisão de crédito baseado em estrutura de capital com informação assimétrica

O determinante da estrutura de capital nestes modelos é dado pelo objetivo de comunicar

informação privada para os mercados de capitais ou diminuir os efeitos da seleção adversa.
Nessas teorias, os gerentes (insiders) detêm informações sobre as características da empresa
(fluxos de caixa, retornos de investimento, etc.) que os investidores (outsiders) não possuem.
Estes modelos objetivam diminuir ineficiências causadas pela assimetria informacional nas
decisões de investimento das empresas. Essas ineficiências causam investimentos não
ótimos. Como a empresa detém mais e melhores informações que o mercado, este tende a
sub avaliar a empresa, que acaba por optar por recursos internos.
Nos modelos com sinalização como proporção da dívida, o investimento é fixo e a escolha
da estrutura de capital sinaliza as informações dos gerentes (insiders) para os investidores
(outsiders). As firmas de melhor qualidade sinalizam para os investidores sua condição ao se
endividarem mais, pois, como o custo marginal esperado de falência é maior para as firmas
de baixa qualidade, os gerentes das piores firmas não imitarão os gerentes das melhores. A
implicação para a estrutura é que se espera uma relação positiva entre a rentabilidade
(e consequentemente o valor) da firma e a razão dívida / ações.
Famá & William (2000) resumiram com bastante eficiência a evolução histórica das teorias
sobre estrutura de capital. Os autores dividem o estudo em três fases: a primeira, indo até a
década de 1950, em que a noção intuitiva de risco, segundo os autores, não era acompanhada
de um instrumental analítico adequado para tratá-lo. A segunda fase, iniciada com estudos de
Markowitz (1952), Modigliani & Miller (1958) e outros trabalhos que os sucederam como
por exemplo Jensen & Meckling (1976), poderia ser chamada da fase da incerteza dos fatos,
pois a incerteza passou a ser considerada assim como novas teorias (por exemplo, a Teoria
da Agência e Política de Dividendos, introduzida por Ross, 1977).

2.1.1 Assimetria Informacional e Estrutura de Capital

Dado um ambiente de informação assimétrica, consequentemente emerge uma situação de

incerteza dos fatos, dos eventos relativos às empresas e indivíduos.
As informações contidas nos demonstrativos econômico-financeiros são fontes inesgotáveis
de assimetria informacional. As empresas, dependendo do objetivo, podem “trabalhar” os
dados dos balanços de tal modo que as informações ali extraídas não espelhem a realidade da
empresa, mas sim a situação que o empresário gostaria de passar como informação, como
sinal. Por exemplo, para diminuir o pagamento de impostos, a empresa pode fazer operações
e/ou escriturações em que as despesas sejam aumentadas para diminuir o lucro final. Não
necessariamente trata-se de ilegalidade, mas aproveita-se a legislação em vigor para isso. É o
chamado “planejamento tributário”. No entanto, isto provoca muitas vezes informações
erradas sobre os indicadores econômico-financeiros da empresa. Outras tantas informações
não são captadas, como qualidade dos investimentos, custos de oportunidades, etc.
A estrutura de capital, traduzida na origem de recursos da empresa, passivo, é um conjunto
de informações que, teoricamente, é menos suscetível à manipulação ou ao planejamento
tributário, uma vez que o nível de endividamento da empresa é de fácil comprovação e seus
dados estão disponibilizados no SISBACEN (Sistema de Informações do Banco Central). Já
o capital próprio, também tem seu montante traduzido em contrato, estatuto e ações
acompanhadas por diversos órgãos. Deste modo, num ambiente de assimetria informacional,
a busca de bons sinalizadores advindos da estrutura de capital poderá amenizar as
conseqüências da desinformação.

266 Pesquisa Operacional, v.28, n.2, p.263-284, Maio a Agosto de 2008

 Dantas & DeSouza – Modelo de risco e decisão de crédito baseado em estrutura de capital com informação assimétrica

Com informação assimétrica, as firmas e governos com projetos de baixo risco deixarão o
mercado, pois terão de enfrentar os custos mais elevados de crédito, já que o credor não tem
condições de distingui-los das suas contrapartes mais arriscadas. Somente os tomadores de
maior risco permanecerão. Os tomadores de empréstimos que têm possibilidade de escolher
projetos passarão às alternativas mais arriscadas a fim de aumentar a chance de serem
capazes de arcar com o serviço da dívida mais elevado. Se o credor detém esta informação
(mas não sabe a que categoria pertence cada tomador de crédito ou projeto específico), um
aumento no custo de oportunidade dos fundos pode, então, causar um colapso repentino dos
empréstimos ao mercado.
Assume-se aqui, conforme a seleção adversa, que o principal não pode observar o tipo do
agente: alto ou baixo risco, apenas sabe que há os dois tipos de clientes com uma
determinada probabilidade para cada um.
Uma das opções para resolver esta assimetria informacional (o agente sabe seu tipo-projeto
mas o banco não), é o banco reconhecer que o tomador com maior risco irá preferir não usar
seu capital próprio, e sim de terceiros, até porque, maiores riscos estão associados a maiores
retornos, o que deve ser suficiente para honrar taxas de juros maiores conforme o risco.
Assim, o capital serve como um sinal para o cliente com qualidade. A idéia é para o banco
designar caminhos para que a tomada de empréstimos seja incentive compatible ou na
linguagem da Teoria dos Jogos, um contrato second-best. Em outras palavras, nenhum
tomador deverá ter incentivos para desviar do contrato que o banco entende ser o melhor
para ele. Com incentive compatibility deverá ser obtido um equilíbrio de nash. O problema é
definir contratos com estas características.
Uma segunda opção, adotada neste artigo, consiste em captar o tipo do agente. O modelo de
análise de risco busca a utilização da sinalização “θ” (que pode ser função de vários
indicadores) captada na empresa para avaliar e quantificar o risco deste determinado cliente-
empresa e oferecer-lhe um contrato que lhe seja compatível, ou seja, que o agente tenha
revelado seu tipo θ através da situação econômico-financeira representada pelos
demonstrativos contábeis (estrutura de capital principalmente) e em outras informações
relevantes sem incorrer num alto custo para o mercado. A sinalização captada pelo modelo e
a conseqüente classificação de risco fará com que o banco tenha melhores informações sobre
o cliente, podendo, inclusive, exigir juros compatíveis (menores) pela diminuição da
informação assimétrica e a conseqüente diminuição da probabilidade de inadimplência.
Desta forma, será possível definir um contrato first-best, ou seja, fazer uma discriminação de
preços de primeiro grau.

2.2 Modelo de Risco e Decisão de Crédito

Avaliar o risco de crédito é, portanto, avaliar a probabilidade do agente (tomador de crédito)

não honrar suas obrigações nos respectivos vencimentos. Os sistemas de concessão de
crédito, escoragem ou julgamental, estão baseados na premissa de que o futuro, pelo menos a
curto prazo, será muito parecido com o passado recente. Não há como saber com
antecedência se uma empresa pagará ou não. Assim, na modelagem procura-se fazer um
comparativo entre as características dos clientes (no caso empresas) que tiveram seus
créditos inadimplidos e as características dos clientes cujo crédito foi cumprido. Em outras
palavras, procura-se traçar o perfil dos bons e maus clientes.

Pesquisa Operacional, v.28, n.2, p.263-284, Maio a Agosto de 2008 267

 Dantas & DeSouza – Modelo de risco e decisão de crédito baseado em estrutura de capital com informação assimétrica

Após quantificado pelo modelo o risco inerente a cada tomador e grupo de tomadores, resta à
Política de Crédito a decisão da concessão ou não a cada grupo por grau (classificação) de
risco. Esta decisão é definida pelo ponto de corte.
O ponto de corte é o ponto de decisão que separa aqueles que irão ou não receber crédito. O
Ponto de Corte (Vc) será o ponto na escala de scores no qual todos os proponentes serão
aprovados se estiverem igual ou acima dele e serão reprovados aqueles que estiverem abaixo
de Vc.
P(i) = Função Discriminante, Probit ou Logit (score do cliente i).
Então:
P(i) ≥ Vc Aprovado
P(i) < Vc Reprovado

3. Metodologia

Para o desenvolvimento do modelo, utilizamos o método estatístico multivariado com

variável dependente discreta, a regressão Logit. No entanto, em face dos problemas comuns
de multicolinearidade dos dados econômico-financeiros que provocaria uma relevante
diminuição na quantidade de variáveis incorporadas na regressão, utilizamos a Análise
Fatorial de Componentes Principais.
O uso da Análise Fatorial no tratamento e configuração das variáveis explicativas qualifica
ainda mais as variáveis independentes usadas, colocando-as em grupos de explicação que
captam melhor os efeitos dos diversos indicadores econômico-financeiros. Em outras
palavras, serão utilizados fatores para compor as variáveis explicativas do modelo. Como
veremos adiante, estes fatores são frutos de agrupamentos de indicadores.
Outro ponto importante é a incorporação de um modelo de decisão de crédito com o uso de
programação Linear Inteira. O uso deste modelo incorpora cenários relativos a diferentes
taxas de juros, qualificando o ponte de corte (limites de aceitação) para tomada de decisão
sobre a decisão de crédito.
Neste artigo, o modelo de risco tenta avaliar a capacidade de uma ou mais variáveis usadas
como sinalizadores de possível insolvência em discriminar de forma eficiente as empresas
entre boas e más, entendendo-se como boa a empresa que possui condições econômico-
financeiras de honrar seus compromissos. Para cumprir estes objetivos, utilizaram-se
critérios estatísticos, matemáticos e econométricos na construção do modelo sobre as
variáveis escolhidas. Por motivos expositivos, apresentamos o fluxograma das técnicas
usadas no modelo:

268 Pesquisa Operacional, v.28, n.2, p.263-284, Maio a Agosto de 2008

 Dantas & DeSouza – Modelo de risco e decisão de crédito baseado em estrutura de capital com informação assimétrica

Fluxograma das Técnicas Usadas no Modelo

1º Passo: Escolha dos Indicadores (Econômico-Financeiros) Discriminantes.

Objetivo: Escolha das variáveis explicativas compatíveis com o modelo.

2º Passo: Tratamento Estatístico dos Dados.

Objetivo: Filtragem e retira de outliers.

3º Passo: Análise Fatorial sobre os indicadores discriminantes.

Objetivo: Corrigir problemas de multicolinearidade dos dados e encontrar grupos (fatores) de explicação das
variáveis.

4º Passo: Regressões para Análise Discriminante com a utilização do método Stepwise Backward sobre os
fatores e variáveis provenientes da Análise Fatorial.
Objetivo: Identificar variáveis e fatores (da Análise Fatorial) mais explicativos para escolha das variáveis
independentes.

5º Passo: Modelo de Risco de Crédito com uso da Regressão Logit.

Objetivo: Discriminar empresas em solventes e Insolventes a partir das variáveis explicativas selecionadas no
4º passo.

6º Passo: Modelo de Decisão de crédito com uso da Programação Linear Inteira.

Objetivo: Definir o Ponto de Corte para tomada de decisão de conceder ou não credito para as empresas que
estão abaixo e acima do corte.

3.1 Fonte dos Dados e Filtragem

A fonte principal dos dados vem da ECONOMÁTICA (data @ software investment

analysis), trata-se de um rico banco de dados colhidos na Bolsa de Valores com universo de
empresas nacionais e estrangeiras com ação na Bolsa.
A população inicial era composta de 241 empresas da Indústria Manufatureira. Deste total
foram retiradas 102 empresas as quais não dispunham de ativo nos anos utilizados, restando
139 empresas. Destas empresas, mais um filtro foi necessário, retiramos todas as empresas
que tinham Patrimônio Líquido (PL) negativo, isto foi feito para eliminar um viés teórico,
pois empresas com PL < 0 estão totalmente comprometidas financeiramente, uma vez que tal
situação evidencia que os sócios não são mais proprietários da empresa e sim, terceiros.
Outro motivo é exclusão das variáveis com valores extremos. As empresas com PL < 0
ficavam com seus indicadores extremamente elevados, causando distorção na análise. Assim,
ficamos com 114 empresas na amostra final.
Das 114 empresas, 63 são caracterizadas como “boas” e 51 como “más”, seguindo o critério
de inadimplência acima de 30 dias no mercado financeiro observada através do cadastro do
SISBACEN (Sistema do Banco Central) em 2005.

Pesquisa Operacional, v.28, n.2, p.263-284, Maio a Agosto de 2008 269

 Dantas & DeSouza – Modelo de risco e decisão de crédito baseado em estrutura de capital com informação assimétrica

A estabilidade do modelo ou performance é testada ao utilizarmos dados de adimplência e

inadimplência de outubro e dezembro de 2004, ou seja, empresas fora da amostra da
estimação do modelo. Nesta amostra de 98 empresas, foram classificadas pelo mesmo
critério já exposto, 75 como “boas” e 23 “más”. Também aqui retiramos as empresas com
PL < 0. As variáveis necessárias para testar o modelo foram obtidas a partir dos
demonstrativos contábeis anuais das empresas no período de 2003 e 2004.

3.2 Indicadores (sinalizadores) Econômico-Financeiros

Segundo Gitman (1997), por conveniência, os índices financeiros podem ser subdivididos em
quatro grupos: índices de liquidez, de atividade, de endividamento e de lucratividade.
Focando na hipótese do artigo de que a estrutura de capital poderá fornecer bons indicadores
da saúde financeira da empresa e assim, diminuir os problemas de seleção adversa, buscamos
mais indicadores de Estrutura de Capital e, consequentemente, de endividamento para
tentarmos captar a melhor sinalização do agente empresarial quanto ao seu risco de crédito.
No entanto, com o objetivo de usarmos em nosso modelo toda informação disponível
relevante da empresa e assim, evitarmos erros de especificação, buscamos também selecionar
os indicadores mais representativos de cada um dos grupos acima citados.
A escolha dos indicadores levou em consideração prioritariamente o ambiente de informação
assimétrica, escolhendo os indicadores que, teoricamente, são menos susceptíveis a
manipulação e que menos sofrem a administração tributária, ou seja, que são menos
influenciados por contas (do ativo, passivo e demonstração de resultados) que usualmente
são “trabalhadas” para pagamento de menos impostos e outros objetivos. Neste caso,
podemos classificar em ordem de menor influência: Estrutura, Liquidez e Lucratividade. A
Estrutura de Capital e Liquidez têm como fonte principal o Balanço Patrimonial e, como se
trata de dados de estoque, a comprovação dos valores absolutos são mais fáceis de serem
verificados. Já os índices de lucratividade com base do Demonstrativo de Resultado, que tem
dados de fluxo, são operacionalmente mais suscetíveis a manipulações.
Na tabela a seguir temos os indicadores inicialmente escolhidos e colhidos em nossa
amostra. Tais indicadores referem-se ao ano de 2004. Na respectiva tabela temos os
indicadores LB, AP, ALP, AFC, PFC, CTF, DivTliq, CT/PL, LG, LC, ML, GiroAT,
RentAT, RentPL, AlaFin, FxBT, Comp e CT.

Tabela 1 – Indicadores Discriminantes.

Indicador Significado
LB Lucro Bruto
AP Participação do Imobilizado no Ativo
ELP Participação do Exigível a LP no Passivo Total
AFC Ativo Financeiro Circulante/AT
PFC Passivo Financeiro Circulante/AT
CTF Capital Total Financeiro Circulante/AT
DivTTLiq Dívida Total Líquida sobre o PT
CT/PL Capital de Terceiros sobre o PL

270 Pesquisa Operacional, v.28, n.2, p.263-284, Maio a Agosto de 2008

 Dantas & DeSouza – Modelo de risco e decisão de crédito baseado em estrutura de capital com informação assimétrica

LG Liquidez geral
LC Liquidez Corrente
ML Margem Líquida
GiroAt Giro do Ativo
RentAt Rentabilidade do Ativo
RentPL Rentabilidade do PL
AlaFin Alavancagem Financeira
Flx Bruto Participação do Fluxo Bruto no Ativo Total
Comp Composição da Dívida de Terceiros sobre o PT
CT Capital de Terceiros sobre o Ativo Total

3.3 Análise Fatorial de Componentes Principais

Assim como a análise de componentes principais, a análise fatorial é uma técnica de análise
multivariada. Segundo Haddad (1989), a análise fatorial é um instrumento mais poderoso e
genérico que a de componentes principais, por que permite não só a rotação dos eixos
(fatores) que sintetizam as informações contidas na matriz de dados, cuja finalidade é
facilitar a interpretação analítica dos mesmos, como também o estabelecimento de eixos não-
ortogonais que representam o mútuo relacionamento entre fatores que são interdependentes,
mais de acordo com as associações observadas na realidade.
Em suma, a utilização da análise fatorial de componentes principais é realizada com o
propósito de localizar de forma objetiva categorias independentes de variáveis (“índices”),
de forma a evitar a redundância informativa e os problemas que a existência de
multicolinearidade pode provocar no resultado da análise.
A rotação dos fatores é feita com a finalidade de melhor definir as relações entre as variáveis
e os fatores. A rotação pode ser ortogonal ou oblíqua, ou seja, os eixos (fatores) podem ser
rodados de maneira a preservar a independência entre os fatores ou não. Na rotação
ortogonal, os métodos comumente usados são o quartimax e o varimax. Neste trabalho
usamos o varimax, pois permite definir mais claramente quais variáveis estão associadas com
um dado fator e quais não estão.
A partir da Tabela 1, podemos selecionar os indicadores para uma análise combinada
(liquidez, rentabilidade e estrutura- endividamento) dada a relevância de cada um desses
índices na explicação da situação financeira das empresas. Um ponto relevante, como já
citado, é o problema de multicolinearidade dos indicadores quando inseridos numa regressão
múltipla. Este fato foi o principal motivador para utilizarmos a Análise fatorial dos
Componentes Principais.

3.4 Metodologia Econométrica – Modelo Logit

Encontrar o melhor modelo para estimação econométrica com o objetivo de classificação de

risco requer não apenas o conhecimento teórico a priori das relações possíveis entre as
variáveis como também os objetivos a serem alcançados e a verificação da performance do
modelo.

Pesquisa Operacional, v.28, n.2, p.263-284, Maio a Agosto de 2008 271

 Dantas & DeSouza – Modelo de risco e decisão de crédito baseado em estrutura de capital com informação assimétrica

Neste trabalho faremos uso do modelo Logit devido a característica binária da variável
dependente, como também pelo fato da análise discriminante ser meramente uma técnica de
classificação, enquanto o modelo Logit analisa uma relação causal. Como não estamos
interessados apenas numa classificação dicotômica das empresas, mas também na estimação
dos coeficientes das variáveis independentes e, consequentemente, na determinação da
probabilidade de ocorrência de insolvência, o modelo Logit é o mais apropriado ao nosso
estudo. A performance será avaliada pelo nível de acerto na classificação da empresas.
Seja Χ i , o vetor 1 x K de variáveis explicativas (neste caso, fatores) da empresa i e β , o
vetor K x 1 de parâmetros. O vetor β reflete o impacto da variação das variáveis explicativas
na probabilidade de adimplência. A idéia então é utilizar uma função que transforme Χβ
num número entre 0 e 1, e isto é possível, utilizando-se de uma função de distribuição
acumulada F para a probabilidade de ser adimplente ( Yi = 1 )

prob (Yi = 1/ X i ) = F ( X i β ) (1)

Assim, temos a garantia que:

lim prob(Y = 1) = 1
X β →+∞
(2)
lim prob(Y = 1) = 0
X β →−∞

Escolhendo a distribuição logística como a função de distribuição na equação 1, estaremos

definindo o modelo Logit:
exp( X i β )
prob (Yi = 1/ X i ) = Λ ( X i β ) = (3)
1 + exp( X i β )

Observe que Χβ varia de - ∞ a + ∞ , a prob (Yi = 1/ X i ) varia entre 0 e 1 e não se relaciona

linearmente com Χβ . Se Λ ( X β ) é a probabilidade de não ser inadimplente, então
1 − Λ ( X β ) é a probabilidade de ser inadimplente. Logo,

Λ( X β ) 1 + exp X β
= = exp X β (4)
1 − Λ( X β ) 1 + exp(−( X β ))
é simplesmente a razão de probabilidade em favor de ser adimplente. Esta relação é chamada
de odds de um evento e é definida como o quociente entre a probabilidade que o evento
ocorra e seu complementar.
Observa-se então que βk dá a variação percentual na chance de ser adimplente. Dado o fator
multiplicativo devido aos coeficientes estarem em expoente, um coeficiente menor que 1
diminui a chance de ser adimplente e maior que 1 aumenta a chance.
Para verificar os efeitos marginais dos parâmetros na probabilidade, devemos notar que a
derivada da probabilidade de adimplência em relação i-ésimo componente do vetor de
variáveis explicativas Χ i depende do nível de todas as variáveis que compõe o vetor Χ .

∂P (Yi = 1/ X i )
= ρ (1 − ρ ) βi (5)
∂X i

272 Pesquisa Operacional, v.28, n.2, p.263-284, Maio a Agosto de 2008

 Dantas & DeSouza – Modelo de risco e decisão de crédito baseado em estrutura de capital com informação assimétrica

exp( X i β )
Onde ρ=
1 + exp( X i β )

Neste artigo utiliza-se o critério da chance proporcional para calcular o termo ρ que entra
no cálculo do efeito marginal. Para diferenciar da equação 5, definiremos a chance
proporcional por η. O cálculo de η é obtido a partir da seguinte equação:

η = ϑ 2 + (1 − ϑ ) 2 (6)

Sendo:
η = chance proporcional
ϑ = proporção de elementos do grupo y=1
(1 − ϑ ) = proporção de elementos do grupo y=0

3.5 Programação Linear Inteira

O uso da Programação Linear Inteira deve-se a necessidade de se retirar a subjetividade no

critério de escolha do Ponto de Corte (Vc), bem como evitar o uso de critérios pouco
robustos, como por exemplo, o uso da média simples ou média ponderada dos scores ou uso
de 50% ou 0,5 como score. Além disso, o uso da PLI abre a possibilidade do uso de cenários
de mercado através da taxa de juros e custos incidentes.
Programação Linear Inteira (PLI) é um problema de Programação Linear em que todas ou
algumas variáveis são discretas (têm que assumir valores inteiros). Existe um caso especial de
variáveis inteiras: as variáveis binárias que apenas podem tomar os valores 0 (zero) ou 1 (um).
Utilizaremos aqui o modelo de Programação Linear Inteira desenvolvido por Gehrlein &
Wagner (1997) e modificado por Scarpel & Milioni (2002) e neste trabalho, incorporamos na
análise o ponto de equilíbrio e a relação de compensação entre o custo de um cliente ruim e o
retorno de um cliente bom. O objetivo é conceber um modelo que forneça suporte a decisões
de concessão de crédito em função da estimativa da probabilidade de solvência de empresas,
de forma a minimizar a soma dos custos de oportunidade e inadimplência. Em outras
palavras, utiliza-se a PLI para a definição do ponto de equilíbrio.
A Programação Linear Inteira (PLI) permite o subsídio às decisões de concessão de crédito
às empresas em função da política de juros estabelecida pelo concedente de crédito, uma vez
que o modelo tem uma função objetivo que leva em consideração o custo de inadimplência e
o custo de oportunidade dos empréstimos, minimizando a soma desses dois.
O modelo utilizado por Scarpel & Milioni (2002) usa a função Logit P(i). A exemplo deste
trabalho prosseguimos ao uso do Logit. O problema passa a ser então:
⎡ ⎤
Min ⎢Cin∑ li + Cop ∑ li ⎥ (7)
⎣ i∈d i∈ p ⎦

restrições :
P (i ) − M .li ≤ Vc − ε , ∀i ∈ d (8)

P (i ) + M .li ≥ Vc + ε , ∀i ∈ p (9)

Pesquisa Operacional, v.28, n.2, p.263-284, Maio a Agosto de 2008 273

 Dantas & DeSouza – Modelo de risco e decisão de crédito baseado em estrutura de capital com informação assimétrica

Seja d o conjunto de clientes que não pagou o empréstimo e p o conjunto de clientes que
pagou o empréstimo; seja Cin o custo associado à classificação de um cliente que não
pagaria o empréstimo como um cliente que pagaria e, analogamente, Cop o custo associado à
classificação de um cliente que pagaria o empréstimo como um cliente que não pagaria.
O empréstimo será fornecido quando P(i) > Vc e negado quando P(i) ≤ Vc. Como P(i) é uma
probabilidade, Vc estará forçosamente contido no intervalo [0,1], como afirma Scarpel &
Milioni (2002).
Na Função Objetivo:
(a) Cin∑ li é a parcela do custo de inadimplência, assim, só teremos custo de
i∈d
inadimplência quando classificarmos erroneamente (li=1) uma empresa pertencente ao grupo
de inadimplentes ( i ∈ d ), ou seja, caso seja concedido crédito a uma empresas classificada
como má.
(b) Cop ∑ li é a parcela do custo de oportunidade, assim, só teremos custo de
i∈ p
oportunidade quando classificarmos erroneamente (li=1) uma empresa pertencente ao grupo
de adimplentes ( i ∈ p ), ou seja, caso seja negado crédito a um cliente bom.
(a) + (b) então á soma dos custos incidentes originados por classificação errada. O
objetivo é minimizar este custo. Os componentes e cálculos dos custos Cin e Cop estão na
seção a seguir.
As restrições 8 e 9 são definidas a partir da regra de decisão:
Aprovada: P (i ) > Vc
Reprovada: P(i ) ≤ Vc

O objetivo então é encontrar o ponto (valor) de corte (Vc) que minimize os custo associados
com os erros de classificação na função objetivo. O resultado desta minimização consiste na
solução ótima.
A introdução de M (número positivo e grande) e ε (positivo e pequeno em relação a M)
como variáveis complementares no algoritmo da programação linear inteira tem como
objetivo assegurar a solução ótima através de um algoritmo que diminua o tempo (carga)
computacional, assegurando a validade de cada restrição.

3.5.1 Quantificação e Cenários dos Custos Associados utilizados no Modelo de Decisão

(Ponto de Corte)

Para definição do Ponto de Corte, Vc, é necessário que o custo do dinheiro seja incorporado
nesta decisão. Em outras palavras, a taxa de juros deve ser inserida na análise para que se
possa medir qual o custo de se incorrer nos erros Tipo I e Tipo II. O erro Tipo II é a
possibilidade de classificarmos como “boa” uma empresa “má”. Já o erro Tipo I é a
possibilidade de classificarmos como “má” uma empresa “boa”. Isto se refere aos diferentes
custos de alocar um elemento do grupo 2 no grupo 1, ou seja, o erro do tipo I e tipo II.
Os erros acima citados incorrem em custo adicionais ao serem realizados. Estes custos
podem ser definidos como o custo de oportunidade e o custo de inadimplência.

274 Pesquisa Operacional, v.28, n.2, p.263-284, Maio a Agosto de 2008

 Dantas & DeSouza – Modelo de risco e decisão de crédito baseado em estrutura de capital com informação assimétrica

O Custo de Oportunidade (Cop) refere-se ao custo de deixar de ganhar, da perda de um

cliente bom e a conseqüente perda da margem de contribuição que o mesmo adicionaria ao
resultado. O Cop nada mais é que o Erro Tipo I.
O Custo de Inadimplência (Cin) refere-se ao custo de emprestar a um cliente ruim e o mesmo
inadimplir, deixar de pagar os valores acordados em contrato. O Cin é o Erro Tipo II.
Com poucas alterações nas variáveis usadas, utilizamos a metodologia de Scarpel & Milioni
(2002) para quantificação dos custos de oportunidade e de inadimplência. Os autores
exemplificaram os custos através de um empréstimo de 1.000 unidades monetárias (u.m) por
um período de 12 meses e supondo ainda que em caso de inadimplência esta somente ocorra
depois de ter sido pago 30% do principal emprestado (VP).
O valor pago mensalmente pelo empréstimo, juros, prestação e amortização pode ser
calculado pela Tabela Price a partir da fórmula:
⎛ t.(1 + t )12 ⎞
R = prestação = VP. ⎜ 12 ⎟ (10)
⎝ (1 + t ) − 1 ⎠
Onde t é a taxa de juros cobrada pelo banco e o fator entre parênteses é o Fator de
Recuperação de Capital (FRC) de uma série uniforme de pagamento. Deste modo, o Custo
de Oportunidade (Cop) é obtido como segue:
Cop = (12 * prestação) − 100 (11)

O Custo de Inadimplência (Cin) é a perda de 70% do capital, ou:

Cin = 0,70 *VP (12)

A partir daí varia-se a taxa de juros, deixando inalterados os outros parâmetros do cálculo,
para efeitos de comparação.
Outro cálculo adicional importante é o ponto de equilíbrio da operação ou da carteira, ou
seja, o nível de inadimplência aceitável e limítrofe definido por K. Este valor representa o
nível de inadimplência máximo para que não haja retorno negativo dos empréstimos. No
ponto máximo K, o retorno é zero.
A fórmula parte do montante de clientes bons que devem ser inseridos na carteira para fazer
compensar um cliente mal. Ou seja, caso o banco coloque em sua carteira de empréstimo um
cliente ruim e este fique inadimplente, quantos clientes bons (que paguem seus empréstimos)
serão necessários para que, com a receita gerada, possa compensar a perda gerada pelo
cliente ruim. A esta quantidade chamaremos de φ.
CustodeInadimplência Cin
ϕ= = (13)
CustodeOportunidade Cop

O ponto de Equilíbrio, definido aqui por Κ é igual a:

1
Κ= (14)
1+ϑ
Supondo um Valor Principal de R$ 1.000,00 no prazo de 12 meses, vamos verificar como se
comportam o Κ-ponto de equilíbrio, φ - bons por mal. Trata-se de uma simulação que fica
próximo da realidade, o valor monetário em termos absolutos é irrelevante. Quanto à

Pesquisa Operacional, v.28, n.2, p.263-284, Maio a Agosto de 2008 275

 Dantas & DeSouza – Modelo de risco e decisão de crédito baseado em estrutura de capital com informação assimétrica

inadimplência, um cliente pode deixar de pagar da 1º ou a partir de qualquer prestação,

estamos aqui supondo que ele deixará de pagar a partir da 3º parcela, configurando-se numa
média de determinada carteira. A suposição acima é devida para quantificarmos os custos
envolvidos. Embora possamos ter valores de equilíbrios diferentes devido a mudanças dos
valores absolutos de empréstimos e prazos de inadimplência, não irão mudar os resultados
alcançados. Os resultados, utilizando-se as equações 2, 3, 4 e 5 estão na tabela a seguir:

Tabela 2 – Relação da Taxa de Juros com o nível de inadimplência aceitável Κ e com o equilíbrio
financeiro entre o ganho por cliente “bom” e a perda por uma empresa “má” definido por φ.

Juros(am) Cin Cop φ Κ

0,01 700,00 66,19 10,58 0,09
0,02 700,00 134,72 5,20 0,16
0,03 700,00 205,55 3,41 0,23
0,04 700,00 278,63 2,51 0,28
0,05 700,00 353,90 1,98 0,34
0,06 700,00 431,32 1,62 0,38
0,07 700,00 510,82 1,37 0,42
0,08 700,00 592,34 1,18 0,46
0,09 700,00 675,81 1,04 0,49
0,09285 700,00 700,00 1,00 0,5
0,10 700,00 761,16 0,92 0,52
0,11 700,00 848,33 0,83 0,55
0,12 700,00 937,24 0,75 0,57
Fonte: Resultados das equações (10) a (14).

Observe na Tabela 2, que o aumento na Taxa de Juros praticada aumenta o nível de

inadimplência aceitável, ou seja, a aceitação ao Erro Tipo II. Quando a Taxa de Juros é 1%, o
equilíbrio Κ = 9%, ou seja, o limite de inadimplência aceitável é 9%, significando que acima
disso, o banco terá prejuízos. Observe pela Tabela 2 que o custo de inadimplência é maior
que o custo de oportunidade (Cin > Cop).
O equilíbrio é diretamente proporcional à taxa de Juros. Elevações na taxa de juros elevam o
nível de inadimplência aceitável. Isto é uma fonte inesgotável de lucratividade dos bancos,
taxas de juros elevadas fazem suportar índices de inadimplência elevadas sem prejuízos para
os bancos. A taxa de juros de 9,29% é a taxa a qual a partir daí, ceteris paribus as outras
variáveis, o custo de inadimplência é menor que o custo de oportunidade (Cin < Cop), assim,
o Erro Tipo I tem o custo maior que o Erro Tipo II, fazendo com que perder um cliente bom
custe mais para os bancos que aceitar um cliente ruim, este é um dos motivos principais das
financeiras levarem agentes de crédito às praças públicas a procura de cliente sem critérios
de escolha.
Com o auxílio da Tabela 2, inserimos agora no contexto três cenários:
1º Cenário: Cin > Cop. Neste cenário, a baixa taxa de juros faz com que o custo de
inadimplência seja maior que o custo de oportunidade, fazendo com que o emprestador de

276 Pesquisa Operacional, v.28, n.2, p.263-284, Maio a Agosto de 2008

 Dantas & DeSouza – Modelo de risco e decisão de crédito baseado em estrutura de capital com informação assimétrica

recursos tenha cautela na escolha dos clientes, buscando minimizar o erro Tipo II. No nosso
problema, isto acontece quando a taxa é menor que 9,28%
2º Cenário: Cin < Cop. Neste cenário, a alta taxa de juros faz com que o custo de
inadimplência seja menor que o custo de oportunidade, fazendo com que o emprestador de
recursos tenha como ponto de equilíbrio um valor elevado, com uma taxa de inadimplência
aceitável acima de 50%. Deste modo, busca-se minimizar o erro Tipo I. No nosso problema,
isto acontece quando a taxa é maior que 9,28%.
3º Cenário: Cin = Cop. Neste cenário, a alta taxa de juros de 9,28% faz com que o custo de
inadimplência seja igual ao custo de oportunidade. Sendo que a relação de 1 para 1 de cliente
bom para cada cliente ruim faz a taxa de inadimplência aceitável se fixar em 50%.

4. Resultado do Modelo

O modelo Logit foi utilizado através do programa Eviews 5. Para minimizar os problemas de
heterocedasticidade, comum em dados de corte, utilizamos a matriz diagonal contendo os
quadrados dos erros chamada de estimador de white.
Devidos aos problemas de colinearidade das variáveis econômico-financeiras e com o
objetivo de sintetizar as informações contidas na matriz de dados, incorporando ao modelo
um reduzido número de variáveis representativas e independentes, procedemos a análise
fatorial dos componentes principais.

Fluxograma dos Resultados

2º PASSO: ANÁLISE DISCRIMINANTE SOBRE FATORES

Fatores (da análise fatorial) e indicadores submetidos a regressões

de análise discriminante pelo método stepwise backward com
1º PASSO: significância de 5% para escolha das melhores variáveis explicativas.

ANÁLISE FATORIAL VARIÁVEIS EXPLICATIVAS avalizadas pelo processo:

SOBRE
INDICADORES FATOR 1: Estrutura de Longo Prazo
FATOR 2: Rentabilidade
FATOR 3: Estrutura de Curto Prazo
AFC: Ativo Financeiro Circulante

3º PASSO:

Regressão Logit com uso das variáveis explicativas do passo 2 para

cálculo das probabilidades de adimplência / inadimplência.

4º PASSO:

Avaliação da performance do modelo com uso do ponto de corte oriundo

da programação linear inteira e das probabilidades-P(i) obtidas do
modelo Logit.

Pesquisa Operacional, v.28, n.2, p.263-284, Maio a Agosto de 2008 277

 Dantas & DeSouza – Modelo de risco e decisão de crédito baseado em estrutura de capital com informação assimétrica

4.1 Resultados da Análise Fatorial

Motivados pela alta colinearidade entre os indicadores econômico-financeiro, que pode

causar problemas de inferência (previsão e testes de hipóteses), usamos a Análise Fatorial
nos indicadores da Tabela 1, usando o Software SPSS 12.0.
Para verificar se os dados suportam uma análise fatorial, foram utilizados dois testes
estatísticos. Um deles foi o de esferidade de Bartlett, e o outro o teste de Kaiser-Meyer-Olkin
(KMO), ambos os resultados foram favoráveis ao uso da análise fatorial. No primeiro,
verificou-se a sua significância a 1% de probabilidade e o segundo, com valor de 0,61,
indicando a adequação da amostra.
Para definição dos fatores, usou-se o critério de se considerar apenas aqueles com auto-valor
(variância total explicada pelo fator) maior que 1 e cargas fatoriais iguais ou superiores a
0,40. Deste modo, os 4 primeiros fatores explicam 81,50% da variação de todas as variáveis
utilizadas, sendo então bastante significativos.
Para a seleção dos indicadores que entraram como variáveis independentes do modelo,
seguimos os seguintes passos:
i. Devido à multicolinearidade, procedemos a análise fatorial dos componentes
principais, resultando em quatro fatores, F1, F2, F3 e F4;
ii. Verificação das variáveis que foram extraídas da análise fatorial conforme filtro
realizado através do teste de Kaiser-Meyer-Olkin (KMO) e a observação da
comunalidade de cada indicador;
iii. Através de análise discriminante, utilizamos o método stepwise backward com
significância de 5%. Por essa análise, é possível identificar-se quais variáveis
independentes que mais explicam a classificação dos casos através da variável
dependente, no caso, a Solvência/Insolvência. As variáveis que entraram no
processo foram: Fatores F1, F2, F3 e F4, AFC, CT/PL, LC, ML, RentPL e AlaFin.
Estes quatro fatores juntamente com os seis indicadores foram incluídos na regressão
stepwise como variáveis explicativas, cada fator representando um grupo de variáveis. Os
três primeiros fatores juntamente com a variável Ativo Circulante Financeiro (ACF) se
apresentaram significativos ao nível de 5% de significância, tendo sido então, incluídos
como variável independente conforme Tabela 3 abaixo:

Tabela 3 – Denominação dos Fatores Utilizados.

FATOR UTILIZADO DEFINIÇÃO DO FATOR

Estrutura de Longo Prazo

Fator 1 (F1)
(CTF, CT, ELP, DIVTL E LG)
Rentabilidade
Fator 2 (F2)
(Fluxo BT e Rent AT)
Estrutura de Curto Prazo
Fator 3 (F3)
(Composição e PFC)
AFC Ativo Financeiro Circulante

Fonte: Resultado da Análise Fatorial sobre os dados.

278 Pesquisa Operacional, v.28, n.2, p.263-284, Maio a Agosto de 2008

 Dantas & DeSouza – Modelo de risco e decisão de crédito baseado em estrutura de capital com informação assimétrica

O indicador AFC revela a participação do capital financeiro no seu ativo, ou seja, revela os
valores disponíveis na empresa para uso imediato, tal como caixa e bancos, aplicações
financeiras, títulos e valores imobiliários, entre outros de curto prazo. Quanto maiores estes
valores mais a empresa possui margem de segurança contra as adversidades do mercado.
Assim, é de se esperar que o coeficiente deste indicador tenha sinal positivo, pois quanto
maior AFC maior a probabilidade da empresa ser adimplente, de pagar seus compromissos
financeiros.
O Fator F1 equivale a Estrutura de Longo Prazo, as dívidas que deverão ser liquidadas no
longo prazo. Neste caso, quanto maior for F1, mais a empresa se aproxima da falta de
liquidez, da insolvência financeira. Espera-se então que o coeficiente de F1 tenha sinal
negativo. Do mesmo modo, o F3, como Estrutura de Curto Prazo, deverá ter o seu
coeficiente com sinal negativo, pois quanto maior a dívida de curto prazo, mais a empresa
terá a probabilidade de ser insolvente. Como as dívidas de curto são exigidas num prazo
menor maior será a pressão sob a empresa para que produza recursos líquidos para fazer face
a estes compromissos imediatos. Assim, espera-se que o coeficiente de F3 seja, em valor
absoluto, maior que o F1.
O Fator 2 traduz a rentabilidade da empresa, assim, quanto maior os recursos gerados a partir
da atividade da empresa, de sua operacionalidade, maiores as chances da empresa ter
liquidez e consequentemente, manter-se solvente com seus compromissos. Deste modo, é de
se esperar que F2 tenha seu coeficiente com sinal positivo, significando que quanto maior F2
maior será a probabilidade da empresa ser solvente.

4.2 Resultados Econométricos do Modelo

Para efeito da análise da performance dos modelos, utilizamos o ponto de corte de cada
cenário resultante da Programação Linear Inteira. Por performance entenda-se a capacidade
do modelo em discriminar empresas adimplentes e/ou inadimplentes fora da amostra.
Quando o percentual de acerto leva em consideração ambos os grupos, defini-se como
performance geral.

4.2.1 Resultado do Modelo Logit

Pode-se interpretar os resultados do modelo Logit a partir do quociente odds (equação 5).
A interpretação dos coeficientes difere da análise discriminante. Como já citamos
anteriormente, odds de um evento é definido como o quociente entre a probabilidade que o
evento ocorra e seu complementar, onde “e” elevado a potência βk é o fator no qual o odds
muda quando a i-ésima variável independente aumenta em uma unidade. Os efeitos de
cada variável do odds são observados tomando-se o antilog do coeficiente. Devido a
exponencialidade dos coeficientes, quando o coeficiente é 1 leva a invariabilidade do odds,
maior que 1 aumenta o odds e inferior a 1 diminui o odds. Se βk é negativo (positivo),
o fator vai ser inferior (superior) a 1, o que significa que o odds decresceu (cresceu).
Assim, o antilog do coeficiente negativo de F1 (–0,638), 0,5283, multiplica a chance em
favor de adimplência em 0,5283 ou diminui a chance pelo fator 0,5283. Também podemos
dizer que a chance diminui em 47%, resultado da fórmula [(e-0,638–1)x100]. Assim, as dívidas
de curto prazo (F3) diminuem em torno de 52% a probabilidade em favor de adimplência
quando F3 aumenta em 1 unidade. Como era esperado, um aumento de 1 unidade em F3,

Pesquisa Operacional, v.28, n.2, p.263-284, Maio a Agosto de 2008 279

 Dantas & DeSouza – Modelo de risco e decisão de crédito baseado em estrutura de capital com informação assimétrica

dívidas de curto prazo, terá um impacto maior que as dívidas de longo prazo representadas
por F1.
As variáveis F2 (Rentabilidade) e AFC têm impactos positivos na chance em favor da
adimplência.
Pi
= eb0 +b1xi1+..+bm xi 2 = e−0,57+9,22 AFC −0,638 F 1+0,486 F 2−0,738 F 3 (15)
1 − Pi

Para espelhar a probabilidade de ocorrência de um evento, escrevemos a equação 16 a seguir.

1 1
Pi = − Zi
= −( −0,57 +9,22 AFC −0,638 F 1+0,486 F 2−0,738 F 3)
(16)
1+ e 1+ e
Os coeficientes mostraram-se significantes ao nível de 5% de significância e os sinais foram
compatíveis com a teoria. Observe que o valor absoluto de F3 é maior que o de F1,
mostrando que é mais prejudicial dívidas de curto prazo. O Quadro 1 mostra os valores e
significância dos coeficientes.

Quadro I – Resultados da regressão do Modelo Logit.

Modelo Logit

Variável Coeficiente Erro padrão t-statistic Value-p

Constante -0,5704 0,3277 -1,7403 0,0818
AFC 9,22 2,942 +3,1341 0,0017
F1 -0,638 0,2294 -2,7812 0,0054
F2 0,486 0,2416 +2,0111 0,0443
F3 -0,738 0,2474 -2,9851 0,0028

Outra forma de interpretar o modelo Logit é calcular os efeitos marginais ou probabilidades

marginais. Como já mostrado anteriormente, a probabilidade de ter a característica (no caso
adimplente) varia ρ (1 − ρ ) βi em ralação a mudança marginal no valor de X i . Usando-se o
critério da chance proporcional conforme a fórmula η = ϑ 2 + (1 − ϑ ) 2 , encontramos
η = 0,5055 = 50,55% e a probabilidade marginal (Pbmg) para cada variável relevante:
Pbmg(F1) = 0,5055(1 – 0,5055) x (-0,638)= -0,1595
Pbmg(F2) = 0,5055(1 – 0,5055) x 0,486 = 0,1215
Pbmg(F3) = 0,5055(1 – 0,5055) x (-0,738) = -0,1845
Pbmg(AFC) = 0,5055(1 – 0,5055) x 9,22 = 2,3050
As probabilidades marginais acima significam o quanto irá variar a probabilidade para
variações unitárias nas variáveis explicativas. Por exemplo: Um aumento de uma unidade na
dívida de curto prazo (F3), irá diminuir em 18,45% a probabilidade de adimplência da
empresa. Já as dívidas de longo prazo (F1), a diminuição da probabilidade de adimplência é
de 16%.

280 Pesquisa Operacional, v.28, n.2, p.263-284, Maio a Agosto de 2008

 Dantas & DeSouza – Modelo de risco e decisão de crédito baseado em estrutura de capital com informação assimétrica

Neste momento faremos uso do Modelo de Decisão de Programação Linear Inteira para
definir o Ponto de Corte Vc ideal para cada cenário. Utilizaremos os resultados do modelo
Logit como base. Entenda-se por ideal o Vc ótimo encontrado na solução do sistema de
minimização da função objetivo a qual é a soma dos custos de oportunidade e
inadimplência. No quadro a seguir mostra-se o percentual de acerto na classificação correta
das empresas. Assim, divide-se em Solvente, Insolvente e Geral. Em cada um deles, temos o
percentual de classificação correta, por exemplo, para % de acerto geral entenda-se o
percentual de empresas que foram corretamente classificadas entre solventes e insolventes.
Conforme já definido anteriormente, temos aqui três cenários cujos resultados encontram-se
no Quadro 2.
1º Cenário: Cin > Cop. Neste cenário, encontramos para o valor ótimo de equilíbrio no
modelo de programação linear inteira, um ponto de corte Vc = 0,79. Este ponto de decisão
produziu uma performance geral no nosso modelo de 45%. No entanto, neste cenário o
importante é minimizar o Erro Tipo II. Neste caso, o modelo teve a performance excelente de
91% de acerto para classificar os clientes insolventes.
Encontramos aqui um Vc alto de 0,79, significando que o crédito só será aprovado para
empresa cuja probabilidade de ser solvente seja superior a 79%. O valor obtido é coerente e
consistente, uma vez que instituições financeiras que praticam baixas taxas de juros não
podem arriscar-se fazendo empréstimos a clientes com alto risco.

2º Cenário: Cin < Cop. Neste cenário, a alta taxa de juros faz com que o custo de
inadimplência seja menor que o custo de oportunidade. Aqui, o modelo de programação
linear inteira encontrou, em sua solução ótima, um Vc=0,334 com uma performance geral de
86%. No caso, deve-se minimizar o Erro Tipo I, obtendo performance de 93% na
classificação de clientes bons.

3º Cenário: Cin = Cop. Neste cenário, a alta taxa de juros de 9,28% faz com que o custo de
inadimplência seja igual ao custo de oportunidade. Sendo que a relação de 1 para 1 de cliente
bom para cada cliente ruim faz a taxa de inadimplência aceitável se fixar em 50%. Como era
de se esperar, o ponto ótimo de corte, Vc ficou igual a 0,36, próximo de 0,50.

Quadro 2 – Modelo Logit – Resultados da Classificação por

Cenários de Taxas de Juros x Custos.

Situação do Taxa de % Acerto por Cenário –

Cenário Juros Classificação

Corte Solvente Insolvente Geral

0,79 CIN > COP 6% am 31% 91% 45%

0,334 CIN < COP 10% am 93% 61% 86%

0,36 CIN = COP 9,28% am 89% 70% 85%

Pesquisa Operacional, v.28, n.2, p.263-284, Maio a Agosto de 2008 281

 Dantas & DeSouza – Modelo de risco e decisão de crédito baseado em estrutura de capital com informação assimétrica

5. Conclusão

Um dos principais objetivos do artigo foi verificar se a Estrutura de Capital das empresas
poderia servir como sinalizador para um modelo de risco de crédito da situação econômico-
financeira da empresa. Isto foi alcançado através das variáveis explicativas significativas
estatisticamente utilizadas no modelo. Os fatores F1 e F3, Dívida de Longo Prazo e de Curto
Prazo respectivamente mostraram que a estrutura de capital é um bom indicador da real
situação da empresa.
Outro indicador relevante do lado da aplicação de capital, Ativo, foi o AFC, Ativo
Financeiro Circulante, o qual se mostrou igualmente importante na determinação da
insolvência empresarial.
Este estudo então mostrou que é possível, mesmo sob um ambiente de Informação
Assimétrica, captar sinalizações das empresas para identificar com antecedência aquelas
empresas mais propensas a se tornarem inadimplentes e aceitar ou negar crédito a luz destas
probabilidades de insolvência. O critério de escolha deste ponto de corte se dá através de um
modelo de decisão que incorpora os custos de oportunidade, inadimplência e a taxa de juros
no contexto da política de crédito através do uso da Programação Linear Inteira.
Usamos o modelo Logit porque a análise discriminante requer a suposição de normalidade
multivariada das variáveis independentes e matrizes de variância-covariância iguais nos dois
grupos para que a regra de previsão seja ótima. Além disso, devido aos problemas
econométricos já citados, a análise discriminante é meramente uma técnica de classificação,
enquanto o modelo Logit analisa uma relação causal. Como não estamos interessados apenas
numa classificação dicotômica das empresas, mas também na estimação dos coeficientes das
variáveis independentes e, consequentemente, na determinação da probabilidade de
ocorrência de insolvência, o modelo Logit é o mais apropriado ao nosso estudo.
A utilização da análise fatorial contribuiu para que pudéssemos usar toda informação
disponível da empresa, mesmo aqueles indicadores com problemas de colinearidade.
Diversos métodos estatísticos univariados e multivariados, assim como critérios qualitativos
são usados na discriminação e classificação do risco. No entanto, o uso da Análise Fatorial
qualificou ainda mais as variáveis independentes usadas, colocando-as em grupos de
explicação que captam melhor os efeitos dos diversos indicadores econômico-financeiros.
Neste ponto, ao delimitar as variáveis nos grupos de estrutura de capitais (dívidas de curto e
longo prazos), fortalecemos um dos objetivos do trabalho que era averiguar o poder de
explicação das variáveis ligadas à decisão da empresa em relação às suas fontes de
financiamento e seu risco de crédito.
Uma das limitações deste trabalho é a não incorporação de algumas variáveis que,
teoricamente, iriam contribuir na explicação do modelo, como variáveis de comportamento
(caráter, cadastro, reciprocidade com o banco, etc.), variáveis de administração (decisões de
projetos de curto e longo prazo da empresa, capacidade técnica da administração) e variáveis
mercadológicas (produto x custo de insumos). No entanto, para o pesquisador externo, que é
nosso caso, estas informações não estão disponíveis, mas poderiam contribuir conjuntamente
com as variáveis aqui relacionadas. Outro ponto importante do modelo é a necessidade de
revisão periódica. De fato, o modelo deve ser periodicamente alimentado com dados novos, à
medida que se tornam disponíveis, pois os parâmetros aqui encontrados podem mudar com o
curso do tempo devido aos novos “modus operandi” das empresas, novas tecnologias e ação
da capacidade humana.

282 Pesquisa Operacional, v.28, n.2, p.263-284, Maio a Agosto de 2008

 Dantas & DeSouza – Modelo de risco e decisão de crédito baseado em estrutura de capital com informação assimétrica

Algumas contribuições deste trabalho podem ser elencadas:

i. A ratificação dos impactos dos endividamentos de curto e longo prazos sobre a
probabilidade de inadimplência e como sinalizadores de estrutura de capital da
situação financeira da empresa;
ii. Utilização das teorias sobre estrutura de capital para lastrear a indicação de variáveis
explicativas e amenizar os efeitos da assimetria informacional;
iii. Utilização conjunta de técnicas de análise multivariada como a regressão Logit,
Análise Fatorial e Programação Linear Inteira para construção de um modelo de
decisão com a introdução de cenários que incluíram a taxa de juros e custos de
oportunidade e inadimplência.
Este artigo não tem a presunção de esgotar o assunto de risco e decisão, mas ter contribuído
para uma melhor compreensão das variáveis que determinam o risco de inadimplência com o
objetivo de auxiliar a decisão de concessão de crédito.

Referências Bibliográficas

(1) Altmam, E.I. (1968). Financial ratios, discriminants analysis and the prediction of
corporation bankruptcy. Journal of Finance, 23(4), 589-609.
(2) Altman, E.I. & Baidya, T.K.N. & Dias, L.M.R. (1979). Previsão de problemas
financeiros em empresas. Revista de Administração de Empresas, 19(1), 17-18,
jan./mar.
(3) Caouette, J.B. & Altman, E.I. & Narayanan, P. (1999). Gestão do risco de crédito:
o próximo grande desafio financeiro. Qualitymark, Rio de Janeiro.
(4) Elizabetsky, R. (1976). Um modelo matemático para decisão de crédito no banco
comercial. Dissertação de mestrado apresentado ao Departamento de Engenharia de
Produção da Escola Politécnica da USP.
(5) Famá, R. & Grava, J.W. (2000). Liquidez e a teoria dos elementos causadores de
insolvência. Caderno de Pesquisa em Administração, USP, São Paulo, 1(12), 10-21.
(6) Famá, R. & Grava, J.W. (2000). Teoria da estrutura de capitais – as discussões
persistem. Caderno de Pesquisa em Administração, USP, São Paulo, 1(11), 27-36.
(7) Gehrlein, W.V. & Wagner, B.J. (1997). A two-stage least cost credit scoring model.
Annals of Operations Research, 74, 159-171.
(8) Gitman, L.J. (1997). Princípios de administração financeira. [Link]., Harbra, São Paulo.
(9) Greene, W.H. (1997). Econometrics analysis. [Link]., Prentice Hall.
(10) Haddad, P.R. (1989). Economia Regional – Teoria e métodos de análises. Banco do
Nordeste do Brasil, Fortaleza.
(11) Jensen, M. & Meckling, W.H. (1976). Theory of the Firm: managerial behavior, agency
costs and ownership structure. Journal of Finance Economics, 3, 305-360.
(12) Johnston, J. & Dinardo, J. (2201). Métodos econométricos. [Link]., McGraw-Hill,
São Paulo.

Pesquisa Operacional, v.28, n.2, p.263-284, Maio a Agosto de 2008 283

 Dantas & DeSouza – Modelo de risco e decisão de crédito baseado em estrutura de capital com informação assimétrica

(13) Markowitz, H. (1952). Portfolio selection. The Journal of Finance, p.89.

(14) Matias, A.B. (1978). Contribuições às técnicas de análise financeira: Um modelo de
concessão de crédito. Dissertação de mestrado apresentado à faculdade de Economia da
USP.
(15) Matarazzo, D.C. (1997). Análise financeira de balanços. [Link]., Atlas, São Paulo.
(16) Modigliani, F. & Miller, M.H. (1958). The cost of capital, corporate finance and the
theory of investment. American Economic Review, 48, 201-297.
(17) Myers, S.C. (1990). Still searching for optimal capital structure. Journal of Applied
Corporate Finance, 10, 185-194.
(18) Myers, S.C. (1988). New issues in corporate finance. European Economic Review, 32,
1.167-1.189.
(19) Rodrigues, W. Jr. & Monteiro, G. (1999). Padrão de financiamento das empresas
privadas no Brasil. Textos para Discussão nº 653. IPEA.
(20) Ross, S. (1977). The determination of financial structure: the incentive approach.
The Bell Journal of Economics, 8, 23-40.
(21) Rummel, R.J. (1970). Applied factor Analysis. Northwestern University Press,
Evanston.
(22) Salanié, B. (1998). The economics of contracts. Mit Press, Cambridge Massachusetts.
(23) Scarpel, R.A. & Milioni, A.Z. (2002). Utilização conjunta de modelagem econométrica
e otimização em decisões de concessão de crédito. Pesquisa Operacional, Rio de
Janeiro, 22, 61-72.
(24) Scarpel, R.A. & Milioni, A.Z. (2001). Aplicação de modelagem econométrica à análise
financeira de empresas. RAUSP, 36, 80-88.
(25) Schilderinck, J.H. (1977). Regression and factor analysis applied in econometrics.
Martinus Nejhaft Social Sciences Division, Lerdin.
(26) Silva, J.P. da, (1997). Gestão e análise de risco de crédito. Atlas, São Paulo.
(27) Wooldridge, J.M. (1997). Econometric analysis of cross section and panel data.
The Mit Press, Cambridge.

284 Pesquisa Operacional, v.28, n.2, p.263-284, Maio a Agosto de 2008