Escolar Documentos
Profissional Documentos
Cultura Documentos
ISSN: 1645-9911
1 Introduo
O problema do fracasso empresarial tem sido, e seguramente continuar a ser,
um tema de especial interesse para um amplo conjunto de agentes econmicos. O
fracasso das empresas pode resultar de um conjunto de causas diversas e
complexas, de natureza interna e externa, podendo ser imputado, por exemplo, a
uma deficiente estrutura organizativa, prpria estratgia da empresa, modificaes
tecnolgicas ou evoluo da conjuntura econmica.
A elaborao de modelos de previso do fracasso empresarial um campo de
investigao que foi impulsionado pelos trabalhos pioneiros de (Beaver, 1966) e
(Altman, 1968) sendo crescente o nmero de investigadores que se interessam por
esta temtica.
Na literatura da especialidade existem inmeros trabalhos que aplicam uma
ampla variedade de tcnicas para analisar este problema.
Fazendo apenas referncia s tcnicas multivariantes, podemos destacar como
mais utilizadas neste campo de investigao a anlise discriminante linear, o logit
ou as redes neuronais artificiais. Embora estas tcnicas demonstrassem em diversos
estudos uma elevada capacidade predictiva, tm como desvantagens o
incumprimento de alguns pressupostos metodolgicos ou a dificuldade de
interpretao das redes neuronais artificiais, que se podem considerar como "caixas
negras" que os utilizadores tendem a renunciar pela falta de transparncia com que
se obtm os resultados.
Por seu lado, a metodologia dos Rough Sets pode proporcionar um conjunto de
regras de deciso de fcil interpretabilidade que se obtm de um conjunto de casos
reais do problema objecto de estudo. Cada regra de deciso obtm-se de um
conjunto de casos reais, no se requer informao adicional nem necessrio
assumir pressupostos sobre os dados.
Esta teoria foi proposta originalmente por Zdzislaw Pawlak nos primeiros anos
da dcada dos 80 (Pawlak, 1982), surgindo da necessidade de dispor de um marco
formal para tratar conhecimentos imprecisos, incertos e incompletos expressos na
forma de dados adquiridos experimentalmente.
Segundo Daz (2002) as fontes de incerteza so mltiplas salientando-se a
impreciso do conhecimento disponvel, os dados incompletos ou a presena de
rudo nos mesmos.
200
a , denominado domnio
Empresa
e1
e2
e3
e4
e5
e6
Sim
Competente
Frgil
Sim
Incompetente
Frgil
Sim
Muito Incompetente
Estvel
Sim
Competente
Estvel
No
Incompetente
Estvel
Sim
Muito Incompetente
201
d A o atributo de deciso.
Tabela 2: Tabela de Deciso
Situacin
Financiera
Empresa
Familiar
Equipa de
Gesto
Deciso = Varivel
Dependente
Concesso
de Crdito
Frgil
Sim
Competente
Sim
Frgil
Sim
Incompetente
No
Frgil
Sim
Muito Incompetente
No
e1
e2
e3
e4
e5
e6
Estvel
Sim
Competente
Sim
Estvel
No
Incompetente
Sim
Estvel
Sim
Muito Incompetente
No
I#D( B ) = ( x, y ) U 2 : a B, a ( x) = a ( y )
202
203
e1
e2
e3
e4
e5
e6
Situao
Financeira
Equipa de
Gesto
Deciso =
Varivel
Dependente
Concesso de
Crdito
Frgil
Competente
Sim
Frgil
Incompetente
No
Frgil
Muito Incompetente
No
Estvel
Competente
Sim
Estvel
Incompetente
Sim
Estvel
Muito Incompetente
No
204
e1
e2
e3
e4
e5
e6
e7
e8
Situao
Financeira
Equipa de
Gesto
Deciso =
Varivel
Dependente
Concesso
de Crdito
Frgil
Competente
Sim
Frgil
Incompetente
No
Frgil
Muito Incompetente
No
Estvel
Competente
Sim
Estvel
Incompetente
Sim
Estvel
Muito Incompetente
No
Estvel
Incompetente
No
Estvel
Muito Incompetente
Sim
R X = U{Y U / R : Y X }
A aproximao superior, denominada por R X o conjunto de todos os
elementos de U que, possivelmente, podem classificar-se como elementos do
conceito de interesse X. Formalmente:
R X = U {Y U / R : Y X 0}
Com base na Tabela 4, para o conceito que assume a concesso de um crdito
representado pelo conjunto {e1 , e4 , e5 , e8} a aproximao inferior definida pelo
conjunto {e1 , e4} e a aproximao superior pelo conjunto {e1 , e4 , e5 , e6 , e7 ,e8}
como podemos visualizar a travs da Figura 1, elaborada a partir da Tabela 53.
Tabela 5: Tabela de Informao agrupada de tripla entrada
Equipa
de Gesto
Concesso de crdito
o
MI
I
Sim
e3
e2
e1
e8
e5
e4
Frgil
Estvel
Situao Financeira
206
e6
e7
Aproximao Superior de X
e3
e8
e6
e2
e5
e7
e1
e4
Aproximao Inferior de X
Fonte: Elaborao prpria.
Conjunto X
207
McKee (2000) utilizou uma amostra com 200 empresas de diferentes sectores
(100 fracassadas e 100 no fracassadas) seleccionadas entre os anos 1986 e 1988.
No grupo das empresas no fracassadas incluam-se aquelas que tinham um cashflow positivo nos ltimos 5 anos. As empresas fracassadas foram definidas como
aquelas que tinham solicitado a insolvncia ou tinham uma filial importante que o
tinha feito. Exigia-se que todas as companhias tivessem um mnimo de 5 anos de
actividade.
Para o desenvolvimento do modelo o autor utilizou os ratios Activo
circulante/Passivo circulante y Resultado neto/Activo total, obtendo 27 regras, com
uma preciso de 93% na amostra de prova e de 88% na amostra de validao.
Rodrguez & Daz (2005) apresentaram em seu estudo o desenho de um conjunto
de modelos de predio do fracasso empresarial utilizando esta metodologia. Para a
estimativa dos modelos se utilizou uma amostra constituda por 120 empresas, 60
no fracassadas e 60 fracassadas. Os dados utilizados foram de carcter econmicofinanceiro (59 ratios) correspondentes a 4 exerccios econmicos consecutivos,
obtendo um modelo para cada um dos anos prvios ao fracasso. Os resultados
obtiveram uma preciso de 91,96% para um ano antes do fracasso, descendendo a
preciso medida que o horizonte temporrio aumentava, chegando a 72,14% para
o perodo de 4 anos antes de produzir o fracasso.
Em funo dos resultados alcanados, os autores concluem que a teoria de
conjuntos aproximados um mtodo de estimativa que permite obter resultados
satisfatrios e modelos facilmente interpretveis no contexto da previso do
fracasso empresarial.
208
5. Aplicao emprica
5.1. Definio de fracasso utilizada
Nos estudos sobre a previso do fracasso empresarial geralmente as empresas
dividem-se em duas categorias: fracassadas e no fracassadas.
No nosso estudo identificamos uma empresa como fracassada se tiver ocorrido
alguma das seguintes situaes:
- processo de insolvncia ou a mesma tenha sido declarada pelos tribunais;
- processo de reestruturao;
- tenha pendente processos judiciais por reclamao de dvidas.
A referida informao foi obtida atravs da III Srie do Dirio da Repblica, do
Instituto Informador Comercial e junto de Gestores Judiciais.
5.2. Seleco das variveis
A falta de uma base terica que explique o fracasso empresarial e sirva de
orientao no processo de seleco das variveis explicativas permitiu que se
utilizassem mltiplos critrios na seleco das mesmas.
semelhana do que sucedeu com diversos estudos a seleco das variveis
independentes no presente estudo, rcios econmico-financeiros teve por base a
sua maior utilizao e nvel de significncia obtido em diversos estudos publicados
na literatura sobre o tema.
A lista dos 60 rcios seleccionados que se elaboraram com a informao do
Balano e da Demonstrao dos Resultados das empresas que compem a amostra
encontra-se no Anexo 1.
5.3. Procedimento de seleco da amostra
A informao para elaborar a amostra de empresas obteve-se da base de dados
SABE da empresa Informa, S.A (dados disponveis na Biblioteca da Universidade
de Vigo at 31 de Dezembro de 2003), da Dun & Bradstreet, do Instituto
Informador Comercial e de Gestores Judiciais.
Para fazerem parte da amostra as empresas tinham que apresentar dados para 3
exerccios econmicos consecutivos, compreendidos entre o perodo de 2000 e
2002. Seleccionou-se uma amostra composta por empresas pertencentes a diversos
sectores de actividade, com sede em Portugal continental, incluindo indstrias do
209
6 Por uma questo de economia de espao fazemos apenas referncia aos intervalos de discretizao para
os 10 primeiros atributos. Os dados completos sero disponibilizados quando solicitados aos autores.
210
Atribu
to
X1
X2
X3
]*, 1.18144
[
]*,
0.47699[
[1.18144,
1.36419 [
[0.47699,
0.69996[
[1.36419,
1.53683 [
[0.69996,
0.92569[
[1.53683,
1.85887[
[0.92569,
1.34922[
[1.85887,
*[
[1.34922,
*[
[0.10827,
0.29041[
[0.29041,
0.57611[
[0.57611,
*[
[0.05315,
0.13964[
[0.13964,
0.30047[
[0.30047,
*[
[0.57106,
0.68506[
[0.68506,
0.82800[
[0.82800,
*[
]*, 0.09372[
X4
]*, 0.05754[
X5
X6
X7
X8
X9
X10
]*,
0.41664[
[0.09372,
0.10827[
[0.05754,
0.05315[
[0.41664,
0.57106[
]*,
0.86883[
[0.86883,
1.14998[
[1.14998,
1.42226[
[1.42226,
1.99607[
[1.99607,
*[
]*,
0.58187[
[0.58187,
0.80674[
[0.80674,
1.01154[
[1.01154,
1.28636[
[1.28636,
*[
]*,
0.20818[
[0.20818,
0.46092[
[0.46092,
0.75194[
[0.75194,
1.40584[
[1.40584,
*[
]*,
0.02052[
[0.02052,
0.03634[
[0.03634,
0.05882[
[0.05882,
0.10230[
[0.10230,
*[
]*,
0.15333[
[0.15333,
0.26622[
[0.26622,
0.34814[
[0.34814,
0.46188[
[0.46188,
*[
Na fase de treino o erro mximo admitido era de 2,5% (beta = 0.025), tendo-se
obtido 121 redutos com base no seguinte conjunto P de atributos:
P= { X4, X5, X8, X20, X31, X35, X39, X44, X47, X51, X55 }
O reduto nmero 23 foi o que apresentou melhor comportamento global, sendo
obtidas 14 regras geradas a partir de { 20,47,51 }7, cujas primeiras trs descrevemos
a seguir8.
r_0: [ (X20 = 4) ] => [ (Deciso = 1) ]
CoverP={0,2,3,5,10,13,15,27,28,32,34,35,37,44,48,56,57,59,66,67,69,70,71,81,8
2,90,91,93,98,101,104,105,110,112,128,134,135,139,147,148,149,151,152,158,159
,161,173,175,176,177,179,180,183,184,187,189,190,191,195,196,206,207,212,214,
217,218,219,223,230,231,234,235,236,242,246,247,253,255,256,263,266,267,272,
276,279,283,284,286,291,293,295,298,302,303,306,332,336,338,352,360,364,365,
368,369,370,372,375,378,380,381,387,388,390,391,394,401,410,412,427,432,447,
448,451,455,464,468,471,476,479,481,490,494,515,524 }
Erro= 0.0149
r_1: [ (X51 = 4) ] => [ (Deciso = 1) ]
CoverP={1,5,10,16,25,28,29,30,32,34,35,37,38,41,44,45,51,56,59,64,65,66,68,6
9,70,71,74,81,84,88,91,92,93,101,103,104,105,109,110,111,116,123,135,144,146,1
47,148,152,153,154,156,158,159,161,163,168,170,177,179,183,185,187,191,192,1
93,197,200,203,206,207,216,217,222,223,224,225,229,230,233,234,247,248,251,2
56,267,268,271,272,273,275,282,286,288,291,292,298,300,302,303,309,317,318,3
26,331,334,338,340,341,349,350,351,352,354,358,362,364,365,370,373,378,380,3
82,385,387,388,390,391,394,397,399,401,410,412,418,419,421,422,423,426,427,4
29,430,441,451,452,457,462,464,468,469,470,476,482,493,494 } Erro= 0.0000
r_2: [ (X51 = 3) ] => [ (Deciso = 1) ]
CoverP={2,6,17,22,36,40,48,50,55,60,73,83,85,94,98,99,102,106,108,112,113,1
14,117,118,120,121,124,126,127,129,131,132,136,137,143,145,149,151,155,162,1
65,166,169,176,178,182,184,186,189,194,195,202,204,205,209,210,212,215,227,2
31,235,236,245,260,261,263,264,266,269,270,278,279,280,283,290,293,294,295,2
97,301,304,311,314,315,319,322,324,332,335,345,346,348,357,359,361,363,368,3
69,371,372,374,375,376,379,383,389,395,402,404,405,407,431,432,433,436,437,4
38,440,442,445,446,447,448,454,458,459,465,466,467,472,473,475,487,488,491
} Erro= 0.0000
7 X20, X47 e X51 correspondem aos seguintes indicadores: (Disponibilidades + Crditos a
212
Antecedente
Consequncia ou deciso
CoverP={0,2,3,5,10,13,15,27,28,32,34,35,37,44,48,56,57,59,66,67,69,70,71,
81,82,90,91,93,98,101,104,105,110,. }
Erro= 0.0149
Conjunto de empresas que
satisfazem o antecedente da
regra
213
Valor
Valor Inferido
Esperado
45
495
Valor
Valor Inferido
Esperado
20
245
Valor
214
Valor Inferido
Esperado
29
47
733
Valor
Valor Inferido
Esperado
20
56
12
730
Concluso
Neste trabalho elaboramos um modelo de previso do fracasso empresarial
utilizando a teoria dos Rough Sets, recorrendo a uma amostra de empresas
portuguesas de diferentes indstrias.
As regras do reduto que apresentou melhor comportamento global foram geradas
a partir dos seguintes indicadores: (Disponibilidades + Crditos a Curto Prazo) /
Passivo a Curto Prazo, Resultado liquido/Capital Prprio e Resultados
Operacionais/Activo Total.
A capacidade predictiva do modelo com as amostras de treino e validao
referentes a um ano antes do fracasso foi de 98,9% e 97,4%, respectivamente,
diminuindo a sua preciso medida que nos distanciamos no horizonte temporal,
registando uma percentagem de acertos de 91,69% com os dados referentes a trs
anos antes.
Dos resultados obtidos podemos tambm concluir que o erro tipo I (que
corresponde ao facto de classificar uma empresa fracassada como saudvel)
elevado, principalmente nas amostras referentes a dois e trs anos antes do fracasso.
Pensamos que o facto de mais de 80% das empresas da amostra no terem as suas
contas auditadas, (no estavam a isso obrigadas) as suas contas podem no reflectir
a real situao financeira e econmica, nomeadamente nas empresas fracassadas, a
estimao do modelo com amostras relativamente desequilibradas no que se refere
215
Bibliografia
Altman, E. I. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate
Bankruptcy. The Journal of Finance, 23(4), 589-609.
Beaver, W. H. (1966). Financial Ratios as Predictors of Failure. Journal of Accounting Research,4, 71111.
Bose, I. (2006). Deciding the financial health of dot-coms using rough sets. Information & Management,
43(7), October, 835-846.
Daz Gmez, F. (2001). Aprendizaje y Generacin Automtica de Conocimiento: Construccin de Redes
Bayesianas mediante Rough Sets. Revista Iberoamericana de Inteligencia Artificial, 20, 81-84.
Daz Gmez, F. (2002). Aprendizaje y Generacin Automtica de Conocimiento: Construccin de Redes
Bayesianas mediante Rough Sets. Tesis Doctoral, Universidad de Vigo, Vigo.
Dimitras, A. I.; Slowinski, R.; Susmaga, R. & Zopounidis, C. (1999). Business Failure Prediction Using
Rough Sets. European Journal of Operational Research, 114(2), April, 263-280.
Greco, S.; Matarazzo, B. & Slowinski, R. (1998). A New Rough Set Approach to Evaluation of
Bankruptcy Risk. In Zopounidis (Ed.), Operacional Tools in the Management of Financial
Risk,(pp. 121-136). Kluwer: Dordrecht.
McKee, T. E. (2000). Developing a Bankruptcy Prediction Model via Rough Sets Theory. Internacional
Journal of Intelligent Systems in Accounting, Finance & Management, 9(3) September, 159-173.
McKee, T.E. & LENSBERG, T. (2002). Genetic programming and rough sets: A hybrid approach to
bankruptcy classification. European Journal of Operational Research, 138 ( 2), April, 436-451.
Pawlak, Z. (1982). Rough Sets. International Journal of Computer and Information Sciences, 11, 341356.
Pawlak, Z. (1991). Rough Sets: Theoretical Aspects of Reasoning about Data,. Kluwer Academic
Publishers, Dordrecht.
PawlaK, Z.; Grzymala-Busse, J.; Slowinski, R. & Ziarco, W. (1995). Rough Sets. Communications of the
ACM, 38 (11), 89-95.
Rodrguez Lpez, M. & Daz Gmez, F. (2005). La Teora de los Rough Sets y la Prediccin del
Fracaso Empresarial. Diseo de un Modelo para las PYMES. XIII Congreso AECA, septiembre,
Oviedo.
Santos, M. F. & Azevedo, C. (2005). Data Mining Descoberta de Conhecimento em Base de Dados.
FCA: Lisboa.
Slowinski, R. & Zopounidis, C. (1995). Application of the Rough Set Approach to Evaluation of
Bankruptcy Risk. Intelligent Systems in Accounting, Finance and Management, 4(1), March, 2741.
Tay, F. E. H. & Shen, L. (2002). Economic and financial prediction using rough sets model. European
Journal of Operational Research, 141(3), September, 641-659.
216
X2
X3
X4
X5
X6
X7
X8
X9
X10
X11
X12
X13
X14
X15
X16
X17
X18
X19
X20
X21
X22
X23
Existncias / Vendas
X24
X25
X26
X27
X28
X29
X30
X31
217
218
X32
X33
X34
X35
X36
X37
X38
X39
X40
X41
X42
X43
X44
X45
X46
X47
X48
X49
X50
X51
X52
X53
X54
X55
X56
X57
Vendas / Disponibilidades
X58
Vendas / Existncias
X59
X60
219
220