Universidade Federal de Santa Catarina

Programa de Ps-Graduao em Engenharia de Produo

Marcelo Cardoso Mesquita de Souza






QUANTIFICAO DAS INCERTEZAS NA AVALIAO DE
PROJETOS: O MODELO UTILIZADO NA AGNCIA DE
FOMENTO DO ESTADO DA BAHIA


Dissertao de Mestrado









Florianpolis
2004



Marcelo Cardoso Mesquita De Souza








QUANTIFICAO DAS INCERTEZAS NA AVALIAO DE
PROJETOS: O MODELO UTILIZADO NA AGNCIA DE
FOMENTO DO ESTADO DA BAHIA




Dissertao apresentada ao Programa de Ps-Graduao
em Engenharia de Produo da Universidade Federal de
Santa Catarina como requisito parcial para obteno do
grau de Mestre em Engenharia de Produo.

Orientador: Prof Nelson Casarotto Filho, Dr.







Florianpolis
2004














































B S725q Souza, Marcelo Cardoso Mesquita de
Quantificao das Incertezas na Avaliao de Projetos: o
Modelo Utilizado na Agncia de Fomento do Estado da Bahia /
Marcelo Cardoso Mesquita de Souza; orientao de : Dr. Nelson
Casarotto Filho . -- 2004.
153 p.; il.
Dissertao de Mestrado da Universidade Federal de Santa
Catarina.
1. Projetos, Avaliao 2. Finanas 3. Investimentos, Anlise I.
Casarotto Filho, Nelson , orient. II. Universidade Federal de Santa
Catarina III. Ttulo.

CDD 658.403

Marcelo Cardoso Mesquita de Souza



QUANTIFICAO DAS INCERTEZAS NA AVALIAO DE PROJETOS: O
MODELO UTILIZADO NA AGNCIA DE FOMENTO DO ESTADO DA BAHIA




Esta dissertao foi julgada e aprovada para a obteno do grau de Mestre em
Engenharia de Produo no Programa de Ps-Graduao em Engenharia de
Produo da Universidade Federal de Santa Catarina.




Florianpolis, 08 de maro de 2004.


Prof Edson Pacheco Paladini, Dr.
Coordenador do Programa




BANCA EXAMINADORA


__________________________ _________________________
Prof Nelson Casarotto Filho, Dr. Rogrio Gomes Penetra, Dr.
Orientador




__________________________ _________________________
Cristiano Nunes Gonalves, Dr. Ari Belli, M.Eng.




















































Para
Cristina, companheira de todos os momentos.

AGRADECIMENTOS


DESENBAHIA, na figura do seu presidente Sr. Vladson Menezes e seus diretores
Sr. Paulo Ribeiro, Sr. ngelo Magalhes, Sr. Caio Greve e Sra. Ana Benvinda, no
s por permitirem a realizao deste trabalho, mas e principalmente por incentivarem
o estudo, a pesquisa e o desenvolvimento profissional, fomentando uma cultura que
aproxima a academia da sociedade.

Ao Dr. Jos Roberto Securato, Dr. Andr Luiz Oda, Dr. Junio Fuentes, Dr. Gustavo
Petrasunas Cerbasi e toda a equipe do Labfin da FIA/USP, no s pelo trabalho
realizado na DESENBAHIA que tive o prazer e a honra de participar, mas pela
convivncia, aprendizado e estimulo.

A todos os colegas da DESENBAHIA, que direta ou indiretamente contriburam para
este trabalho.

Ao Prof Dr. Nelson Casarotto Filho, meu orientador, pela orientao, estmulo,
confiana e amizade.

Ao Prof Dr. Bruno Hartmut Kopittke, pelo aprendizado, pela amizade e acima de
tudo pela pacincia e tolerncia com os prazos.

Ao Prof Gearoid, pelas fantsticas aulas de ingls, sem as quais o acesso
literatura internacional ficaria irremediavelmente comprometido.

Aos colegas do Mestrado/Doutorado da UFSC, pela troca de experincias,
enriquecedora em todos os planos.

FIB Faculdade Integrada da Bahia, por ter possibilitado meu acesso ao PPGEP
da UFSC.

E a todos aqueles que conviveram comigo (e me aturaram) nestes anos de
mestrado, por compartilharem essa experincia enriquecedora e gratificante do
ponto de vista acadmico, profissional e acima de tudo humano.





















































A nica certeza que nada certo
(Gaio Plnio Secondo 23/24 79d.c.)

RESUMO

O trabalho desenvolvido teve como objetivos -principal e geral - avaliar a pertinncia
da informao gerada atravs de Simulao de Monte Carlo, na quantificao das
incertezas quanto ao comportamento de variveis do fluxo de caixa projetado.

Bancos de Desenvolvimento e Agncias de Fomento so instituies financeiras,
cujo principal objetivo o desenvolvimento econmico e social de um estado ou
regio. Para atingir tal objetivo, um dos expedientes mais utilizados a participao
como financiador de projetos empresariais. A avaliao econmica e financeira de
projetos de investimento constitui-se, portanto, em atividade bsica destas
instituies. Os clculos utilizados para este tipo de avaliao so de conhecimento
bastante difundido e no chegam a constituir dificuldade; entretanto, as incertezas
inerentes s projees e premissas adotadas podem fazer com que o resultado
prtico da implantao e operao do projeto se distancie muito do esperado.
Quantificar estas incertezas significa determinar o risco inerente ao projeto.

No intuito de aprimorar seu processo de anlise de investimentos, para fins de
concesso de financiamento, a Agncia de Fomento do Estado da Bahia -
DESENBAHIA implantou, no ano 2000, um modelo de avaliao de risco de
projetos, utilizando Simulao de Monte Carlo.

Este trabalho teve como objetivo avaliar, atravs de estudo de caso, o referido
modelo, luz destes trs anos de experincia, identificando se ele fornece
resultados consistentes e se agrega qualidade na informao, gerada pelo processo
de anlise, para tomada de deciso de investimento. A avaliao do modelo ocorreu
atravs da anlise de uma amostra composta por 57 operaes realizadas durante o
perodo 2000/2002. Embora no tenha sido possvel chegar a uma concluso
enftica sobre o modelo, em virtude de limitaes no processo de pesquisa, tais
como o reduzido tamanho da amostra e a impossibilidade de avaliar os casos
indeferidos, apresentam-se algumas concluses relevantes para o desenvolvimento
futuro e aplicabilidade do mtodo.

Palavras-chave: Simulao de Monte Carlo, Anlise de Investimento, Risco de
Crdito.












ABSTRACT
This work has as its main goal- evaluate the usefulness of the information arrived at
through the Monte Carlo Simulation, quantifying the uncertainties in so far as the
behavior of forecast cash flow variables is concerned.

Development banks and agencies are financial institutions whose main objective is
the economic and social development of a state or region. In order to reach this
objective the most common way is through the financing of projects. The feasibility
analysis of such projects is a continuous task of these institutions. The calculations
used for this type of evaluation is well known but, the inherent uncertainties of input
and assumptions, can cause the final outcome to be very distant from what was
initially expected. Quantify these uncertainties means the establishing of the inherent
project risk.

In its attempt to improve its process of investment analysis, for the granting of founds,
in the year 2000, DESENBAHIA began to utilize a model of evaluation of project
risks, using the Monte Carlo simulation.

The objective of this undertaking was to evaluate through case studies the
abovementioned model in the light of these three years experience thus identifying if
it comes with up consistent results and quality information generated by the analysis
process leading to a decision to invest. Analyzing a sample of 57 operations
completed during the period 2000/2002 carried out the evaluation of the model. It
hasnt been possible to reach an emphatic conclusion about the model, due to the
limitations of the survey process, such as the limited sample size and the
impossibility of evaluating projects, what havent been grated loans; nonetheless it
presents some relevant conclusions for the future development and application of this
method.

Key words: Monte Carlo Simulation, Investment Analysis, Credit Risk



















SUMRIO

Lista de Figuras.................................................................................................
Lista de Quadros...............................................................................................
Lista de Tabelas................................................................................................
Lista de Abreviaturas e Siglas.........................................................................

1. INTRODUO................................................................................................

17
1.1. Incertezas em projetos............................................................................. 18
1.2. A Quantificao das Incertezas................................................................ 19
1.3. Objetivos................................................................................................... 20
1.4. Metodologia.............................................................................................. 22
1.5. Estrutura da Dissertao.......................................................................... 23

2. REVISO DE LITERATURA .........................................................................

24
2.1. Uma Reviso das Abordagens Medio do Risco de Crdito.............. 24
2.1.1. Sistemas Especialistas de Crdito................................................. 26
2.1.2. Sistemas de Classificao (Rating)................................................ 27
2.1.3. Sistemas de Pontuao de Crdito (Credit Scoring)...................... 29
2.1.4. Emprstimos como Opes e o Modelo KMV............................... 34
2.1.5. A Abordagem VaR: O CreditMetrics e outros Modelos................. 40
2.1.6. A Abordagem da Simulao Macro................................................ 42
2.1.7. A Abordagem de Valorao Neutra ao Risco................................ 42
2.1.8. A Abordagem de Seguros.............................................................. 44
2.2. Anlise de Risco em Projetos de Investimento........................................ 45
2.2.1. Tcnicas de Avaliao de Projeto.................................................. 45
2.2.2. Anlise de Sensibilidade................................................................. 47
2.2.3. rvores de Decises....................................................................... 47
2.2.4. O Tratamento Matemtico Convencional para o Risco.................. 49
2.2.5. Opes Reais e Anlise de Projetos.............................................. 50
2.3. A Construo de Modelos......................................................................... 52
2.4. O Processo de Simulao........................................................................ 53
2.5. A Simulao de Monte Carlo................................................................... 56
2.5.1. Histrico do Mtodo de Monte Carlo.............................................. 58
2.5.2. Conceito fundamental..................................................................... 59
2.5.3. Procedimento.................................................................................. 59
2.5.4. Principais componentes do algoritmo............................................. 63

2.5.5. A Matemtica subjacente ao Mtodo de Monte Carlo.................... 66
2.5.6. Anlise estatstica dos dados......................................................... 67
2.5.7. Diferenciao entre Risco e Incerteza............................................ 68
2.5.8. A Escola Bayesiana........................................................................ 69
2.5.9. O uso do julgamento na modelagem.............................................. 69
2.5.10. Probabilidade Subjetiva................................................................ 70
2.5.11. Heursticos e armadilhas psicolgicas.......................................... 71
2.5.12. Principais crticas ao Mtodo de Monte Carlo.............................. 76
2.6. O Apoio Computacional na Simulao.................................................... 77

3. ESTUDO DE CASO........................................................................................ 79
3.1. A Desenbahia......................................................................................... 79
3.2. A Estrutura Organizacional e a rea de Risco........................................ 79
3.3. O Fluxo do Processo de Anlise e Quantificao do Risco do Projeto... 80
3.4. O Modelo de Quantificao do Risco do Projeto..................................... 83
3.4.1. Identificao das variveis do modelo........................................... 84
3.4.2. Outras informaes... 88
3.4.3. Identificao das variveis estocsticas........................................ 88
3.4.4. Escolha das Funes Distribuio de Probabilidades.................. 90
3.4.5. Clculo da Taxa de Desconto....................................................... 91
3.4.6. Cenrios Macroeconmicos.......................................................... 94
3.4.7. Simulao...................................................................................... 95
3.5. A implantao do modelo........................................................................ 98
3.6. Um estudo amostral sobre a aplicao do modelo................................. 99
3.6.1. Como se comportaram os casos analisados em 2000,2001 e
2002...............................................................................................

99
3.6.2. Consideraes sobre o perfil da amostra 105
3.6.3. Anlise dos Resultados 106
3.7. Concluses Decorrentes do Estudo e Sugestes para
Aprimoramento......................................................................................

108
3.7.1. Concluses 108
3.7.2. Sugestes para aprimoramento do modelo e processo 114

4. CONCLUSES E RECOMENDAES.........................................................

118
4.1. Concluses sobre o trabalho desenvolvido............................................ 118
4.2. Recomendaes para trabalhos futuros................................................. 120
REFERNCIAS .................................................................................................. 122

Apndice A Quadro Resumo dos Projetos Analisados.............................. 130
Apndice B Quadro do Perfil dos Projetos Analisados - AA................... 131
Apndice C Quadro do Perfil dos Projetos Analisados - A...................... 133
Apndice D Quadro do Perfil dos Projetos Analisados - B...................... 135
Apndice E Quadro do Perfil dos Projetos Analisados - C...................... 137
Apndice F Quadro Geral dos Critrios Utilizados na Anlise, por
projeto.........................................................................................

139
Anexo A Organograma da Desenbahia................................................... 143
Anexo B Parecer de Quantificao de Risco de Crdito UGR
(Modelo)....................................................................................

144
































LISTA DE FIGURAS

Figura 1: O modelo Logit......................................................................... 31
Figura 2: O pagamento a um banco credor............................................. 34
Figura 3: O pagamento ao subscritor de uma opo de venda sobre
uma ao................................................................................

35
Figura 4: O capital como opo de compra sobre uma empresa............ 37
Figura 5: Clculo do EDF terico............................................................ 38
Figura 6: O VaR de um ttulo negociado................................................. 41
Figura 7: Matriz de alterao histrica.................................................... 42
Figura 8: Modelo de rvore de Deciso.................................................. 48
Figura 9: Distribuio das Funes......................................................... 50
Figura 10: Estrutura de modelos descritivos........................................... 53
Figura 11: Funo Distribuio Normal.................................................. 60
Figura 12: Funo Normal Acumulada.................................................... 60
Figura 13: Elementos da Simulao........................................................ 61
Figura 14: Esquema do processo de Simulao de Monte Carlo........... 61
Figura 15: Simulao de Monte Carlo O processo............................... 62
Figura 16: Distribuio de freqncia da varivel de sada VPL.......... 62
Figura 17: Anlise da distribuio de freqncia da varivel de sada... 63
Figura 18: Estabilizao da mdia e do desvio a partir do n de
interaes ............................................................................

65
Figura 19: Estimando probabilidades com dados passados.................. 67
Figura 20: rvore de deciso representativa da estimativa de
probabilidades subjetivas O mtodo da aposta...................

75
Figura 21: rvore de deciso representativa da estimativa de
probabilidades subjetivas O mtodo da loteria....................

76
Figura 22: Estrutura Organizacional e rea de Risco............................. 80
Figura 23: Fases do processo de Concesso de Financiamento........... 81
Figura 24: Etapas da Anlise de Risco de Crdito DESENBAHIA....... 82
Figura 25: Exemplo da modelagem do fluxo de caixa............................. 84
Figura 26: Distribuies Triangulares...................................................... 91
Figura 27: Distribuio Uniforme............................................................. 91
Figura 28 : Curva de ajuste entre o risco calculado e a probabilidade de
perda.....................................................................................

97
Figura 29: Distribuio de Freqncia dos Valores Financiados
Amostra Total...............................................................

101
Figura 30: Distribuio percentual da inadimplncia por faixa de rating. 106
Figura 31: Grfico de disperso: Inadimplncia versus P(VP<0)............ 107

Figura 32: Utilizao do VPL como medida de risco de crdito.............. 109
Figura 33: Comparao dos resultados da utilizao do VPL como
medida de risco de crdito....................................................
110
Figura 34: Grfico de disperso entre N de variveis utilizadas e
P(VP<0)................................................................................

111
Figura 35: Grfico de disperso entre n de anos projetados e
P(VP<0)................................................................................

111
Figura 36: Grfico de disperso entre taxa de desconto e P (VP<0)...... 112









































LISTA DE QUADROS


Quadro 1: Resumo Geral do Perfil dos Projetos Analisados............. 102
Quadro 2: Resumo Geral do Perfil dos Projetos Analisados
(continuao)...................................................................

103
Quadro 3: Quadro de legenda dos cdigos de ramos Extrado da
Tabela CNAE...................................................................
104
Quadro 4: Resumo da Inadimplncia por faixa de classificao..... 104








































LISTA DE TABELAS


Tabela 1: Nvel de Proviso para cada classe de risco........................... 28
Tabela 2: Principais caractersticas dos cenrios utilizados..................... 95
Tabela 3: Distribuio de probabilidade dos cenrios............................... 95
Tabela 4: Correspondncia entre os nveis de risco e proviso............... 97
Tabela 5: Estatsticas dos Valores Financiados........................................ 101
Tabela 6: Distribuio dos Valores Financiados ...................................... 101
Tabela 7: Faixas de Inadimplncia calculadas versus efetivas................. 106
Tabela 8: Coeficiente de correlao entre P(VP<0) e parmetros do
modelo.......................................................................................

111































LISTA DE ABREVIATURAS E SIGLAS


BIS Bank for International Settlements
BNDES Banco Nacional de Desenvolvimento Econmico e Social
CAPM Capital Asset Pricing Model
DDN Diretoria de Desenvolvimento de Negcios
EDF Expected Default Frequency
FDP Funo Densidade de Probabilidade
GAN Gerncia de Negcios
GEA Gerncia de Estudos e Assessoria
LAS Loan Analysis System
LGD Loss Given Default
MMC Mtodo de Monte Carlo
NCG Necessidade de Capital de Giro
PL Patrimnio Lquido
RN Risco Neutro
ROA Real Options Analysis
SAP Sistema de Acompanhamento de Processos
SCO Sistema de Controle de Operaes
SIG Sistema de Informaes Gerenciais
SMC Simulao de Monte Carlo
SRC Sistema de Recuperao de Crdito
TIR Taxa Interna de Retorno
TJLP Taxa de Juros de Longo Prazo
UAP Unidade de Anlise de Projetos
UCD Unidade de Cadastro
UEP Unidade de Estudos e Pesquisas
UGR Unidade de Gesto de Risco
VaR Value at Risk
VP Valor Presente
VPL Valor Presente Lquido




17
1 INTRODUO

Bancos de Desenvolvimento e Agncias de Fomento so instituies
financeiras cujo principal objetivo o desenvolvimento econmico e social de
uma regio. Para atingir tal objetivo, um dos expedientes mais utilizados a
participao como financiador de projetos empresariais que, atravs da gerao
de empregos, renda e da sua capacidade multiplicativa, venham a incrementar a
economia local.

Os administradores destas instituies, recorrentemente, precisam decidir
quanto concesso destes financiamentos. No entanto, a incerteza quanto ao
retorno destes investimentos inevitvel e, portanto, a tomada de deciso deve
observar os seguintes aspectos: 1) a probabilidade de acontecer o indesejado; 2)
a conseqente perda pelo resultado inesperado; e 3) o ganho por assumir o
risco.

O tema desta dissertao est circunscrito ao primeiro dos trs aspectos: a
quantificao da probabilidade de ocorrncia de um evento indesejado, no caso
especfico, a inadimplncia do financiamento concedido.

A anlise dos pedidos de financiamento nas instituies de fomento,
normalmente, passa por um processo para determinar o risco de inadimplncia
da operao, que busca unir a anlise de projetos a tpicos de anlise de crdito,
estando este processo contido em um estudo maior, que envolve, alm da
verificao da viabilidade econmica e financeira do projeto e determinao do
risco de inadimplncia, a anlise de outros critrios que procuram medir
benefcios sociais e aderncia s polticas econmicas do governo. Desta forma
entende-se que a anlise de risco do projeto parte do processo de anlise de
concesso de financiamento, e a probabilidade de inadimplncia do
financiamento um dos critrios a se considerar no processo decisrio.



18

1.1 Incertezas em projetos

As ferramentas convencionais de anlise de investimentos buscam
estabelecer a viabilidade econmica e financeira dos projetos atravs da
comparao do retorno, proveniente dos fluxos de caixas incrementais, com uma
taxa mnima de atratividade (DAMODARAN, 1997). Contudo, poucas so as
anlises formais sobre os riscos associados aos fluxos de caixa de um projeto
(BRUNI, FAM e SIQUEIRA, 1998).

No obstante nos ltimos anos algumas iniciativas de aplicao de novas
metodologias anlise de investimento, notadamente a aplicao da Teoria de
Opes Reais, pesquisada profundamente por Dixit e Pyndik (1993) e Copeland
e Antikarov (2001), o estudo de viabilidade econmica e financeira, na maioria
das instituies financeiras, tem se limitado aplicao de ferramentas de
engenharia econmica (Valor Presente Lquido e Taxa Interna de Retorno so
as mais utilizadas) a fluxos de caixa projetados. Tais projees,
independentemente da qualidade da modelagem financeira que tenha sido feita
para os demonstrativos pr-forma e da quantidade e qualidade das informaes
levantadas, estaro sempre carregadas de incertezas. Naturalmente, a
disponibilidade e a qualidade das informaes mitigam estas incertezas, que no
podem, entretanto, ser totalmente eliminadas. A incerteza est associada ao
conhecimento imperfeito sobre o comportamento de diversos fatores endgenos
e exgenos ao projeto.

Alm das incertezas na estimativa dos fluxos futuros, a situao presente
tambm gera vieses na anlise, j que normalmente as projees financeiras
tomam como ponto de partida a anlise retrospectiva de alguns anos da
performance financeira, estabelecendo uma tendncia e extrapolando-a para um
perodo compatvel com o prazo de amortizao. Se esta extrapolao feita
durante um bom perodo do ciclo do negcio, assume-se um vis de continuidade
desta situao favorvel. A conseqncia desse enfoque que as empresas
assumem, em suas fases positivas do ciclo de negcios, volumes de crdito
insuportveis nas fases ruins deste mesmo ciclo (NERSESIAN, 2000).

19

1.2 A Quantificao das Incertezas

A maioria dos autores distingue incerteza de risco a partir do nvel de
informaes disponvel. A incerteza definida como aquela situao em que no
se tem conhecimento objetivo da distribuio de probabilidades associada aos
eventos que podero resultar. E risco, geralmente definido como a medida da
incerteza. Ou seja, quando se conhece a distribuio de probabilidades de cada
um dos eventos possveis relacionados deciso tomada, podendo desta formar
construir objetivamente a distribuio de probabilidades do evento futuro (S,
1999). Na definio de Salomon e Pringle (apud SECURATO, 1993), Risco o
grau de incerteza a respeito de um evento. Ou ainda, como conceitua Alexandre
Assaf Neto (1999):

[....] o risco pode ser entendido pela capacidade de se mensurar o estado da
incerteza de uma deciso mediante o conhecimento das probabilidades
associadas ocorrncia de determinados resultados ou valores. (ASSAF
NETO, 1999, p. 226).

Assim, o que se procura numa situao de incerteza estimar uma
distribuio de probabilidades para um evento futuro, utilizando, para isso,
conhecimento acumulado pelo exame dos resultados de situaes anlogas
ocorridas no passado. Com um suporte de boas informaes e uma boa
capacidade de avaliar tais situaes, podem-se construir probabilidades para os
eventos futuros que, embora subjetivas, melhoram a capacidade preditiva (S,
1999).

Uma alternativa para a obteno do risco a aplicao de simulaes
utilizando o Mtodo de Monte Carlo. A Simulao de Monte Carlo (SMC) um
processo para operar modelos estatsticos, de modo a lidar experimentalmente
com variveis descritas por funes probabilsticas (ANDRADE, 1998).

A SMC tem ressurgido na literatura financeira nos ltimos tempos. Longe de
ser consenso, a utilizao do mtodo controversa, como se pode constatar
atravs dos artigos publicados por Nawrocki (2001), Abeysekera e Rosenblom
20

(2000), McCarthy (2000), Kingston (2001) com fortes crticas ao mtodo, e Li
(2000), Stamples (2000), Evans e Olson (1998), Nersesian (2000), Eraker (2001)
e Curry (2002), com argumentos favorveis ao mtodo.

Mesmos os mais crticos, entretanto, parecem admitir a utilizao do mtodo
quando impossvel prever com alguma exatido o comportamento futuro de
uma varivel. O futuro por natureza incerto. Se a SMC permite quantificar esta
incerteza, transformando-a em uma medida de risco, por que no us-la na
quantificao do risco de crdito?

Esta dissertao se prope a analisar a aplicabilidade do mtodo de Monte
Carlo para a simulao de fluxos de caixas alternativos cujos valores presentes
(VP) destes fluxos venham a gerar uma distribuio de freqncia e que, atravs
da medida da rea desta distribuio, na qual o VP menor que zero, obtenha-
se um valor que represente uma Freqncia Esperada de Inadimplncia EDF
(Expected Default Frequency), representando este valor a quantificao das
incertezas existentes no fluxo de caixa projetado e, sendo, portanto, a medida do
risco.

A Freqncia Esperada de Inadimplncia, entretanto, no pode ser entendida
como nico critrio de classificao de risco de crdito para a operao em
anlise, nem como um nico fator a determinar o preo da operao de crdito,
bem como seu spread. Para tanto, outros critrios tais como garantias e ndices
de recuperao devem ser considerados. Desta forma, este trabalho procura
avaliar uma componente especfica do processo decisrio que pretende gerar
uma medida de EDF, atravs da Simulao de Monte Carlo SMC.

1.3 Objetivos

O objetivo geral desse trabalho avaliar a pertinncia da informao gerada
atravs de Simulao de Monte Carlo, na quantificao das incertezas quanto ao
comportamento de variveis do fluxo de caixa projetado, objeto de estudo para
concesso de financiamento. Identifica-se, desta forma, se o mtodo agrega
21

valor capacidade preditiva de um modelo de avaliao de crdito em medir a
freqncia esperada de inadimplncia.

Este trabalho tem, ainda, como objetivo especfico avaliar, atravs de estudo
de caso, o modelo de anlise de risco de projetos, implantado na Agncia de
Fomento do Estado da Bahia DESENBAHIA, que utiliza a Simulao de Monte
Carlo para quantificar as incertezas inerentes ao projeto.

Entre os modelos e metodologias utilizados na anlise e quantificao do
risco de crdito, o presente estudo est circunscrito fundamentalmente
avaliao da capacidade preditiva de inadimplncia da medida resultante da rea
da distribuio de VPs gerada atravs de simulaes, utilizando o Mtodo de
Monte Carlo, limitando a referida rea aos VPs inferiores a zero.

Alm da reviso bibliogrfica, avaliou-se o modelo implantado na
DESENBAHIA, bem como se analisou uma amostra de projetos financiados por
esta agncia nos anos de 2000, 2001 e 2002, para os quais foi utilizada uma
metodologia de anlise de risco de crdito que contempla a utilizao de
simulaes atravs do Mtodo de Monte Carlo.

Do ponto de vista acadmico, a controvrsia existente sobre a aplicao da
metodologia justifica um estudo mais aprofundado sobre o assunto. Do ponto de
vista prtico, o estudo tem as seguintes aplicaes:

1) Fornecer elementos para atender Resoluo 2682 de dezembro de 1999 do
Banco Central do Brasil, que estabelece a obrigatoriedade para as
instituies financeiras implementarem seus modelos prprios de
classificao de risco de crdito e o respectivo aprovisionamento decorrente
desta classificao.

2) A determinao de um spread mnimo o qual garanta que o retorno do
financiamento seja minimamente atrativo em termos financeiros, sem que
haja perda da competitividade nos preos e que garanta tambm a
coerncia entre preos para diferentes qualidades de crdito, pressupe o
22

dimensionamento da Freqncia Esperada de Inadimplncia como condio
inicial e fundamental.

1.4 Metodologia

Para a classificao da pesquisa, tomou-se como base a taxionomia
apresentada por Vergara (1997), que a qualifica em relao a dois aspectos:
quanto aos fins e quanto aos meios.

Quanto aos fins, a pesquisa foi metodolgica e aplicada. Metodolgica, por se
referir ao estudo da aplicao de um mtodo especfico (Monte Carlo) como
forma de se quantificar a incerteza na estimativa de variveis utilizadas em um
modelo de medio de risco de crdito de uma operao de financiamento;
aplicada, na medida em que busca apontar solues para um problema concreto
e recorrente das instituies financeiras, qual seja, a medio do risco de crdito.

Para a coleta de dados primrios, realizou-se pesquisa documental,
instrumento pelo qual foram selecionadas 57, de um total de 97 operaes de
concesso de crdito analisadas no perodo de 2000 a 2002 pela DESENBAHIA
nas quais utilizou-se um modelo de quantificao de risco de crdito que utiliza o
Mtodo de Monte Carlo como meio de tentar quantificar as incertezas inerentes
s diversas variveis que afetam a capacidade de pagamento da empresa
tomadora e conseqentemente a probabilidade de default. Os dados foram
extrados diretamente dos documentos originais constantes das pastas dos
processos ou atravs do Sistema de Informaes Gerenciais SIG, Sistema de
Recuperao de Crdito SRC, Sistema de Acompanhamento de Processo
SAP e Sistema de Controle de Operaes SCO.

Para a reviso bibliogrfica, a ferramenta bsica utilizada foi o sistema de
busca de informao PROQUEST (http://proquest.umi.com/pqdweb), sendo
tambm auxiliado pelas ferramentas de busca na internet. Alm destas fontes,
foram pesquisados os bancos de dissertaes e teses de diversas universidades
brasileiras, notadamente a Universidade Federal de Santa Catarina, a Pontifcia
23

Universidade Catlica de So Paulo, a Escola de Administrao de Empresas de
So Paulo Fundao Getlio Vargas.

1.5 Estrutura da Dissertao

A dissertao est estruturada em trs captulos, alm desta introduo. O
captulo 2 apresenta o referencial terico, no qual se procedeu a uma reviso
bibliogrfica sobre as metodologias utilizadas para quantificar o risco de crdito
de uma empresa. Apresenta tambm uma rpida reviso das metodologias de
anlise de investimento aplicadas a projetos. Posteriormente, analisa-se a
construo de modelos e os processos de simulao, para, finalmente
aprofundar-se na Simulao de Monte Carlo e suas aplicaes em finanas. O
captulo 3 apresenta o estudo de caso realizado na DESENBAHIA Agncia de
Fomento do Estado da Bahia, onde so avaliadas 57 operaes cujos projetos
tiveram seus pedidos de financiamento avaliados atravs de um modelo que usa
Simulao de Monte Carlo. No captulo 4 so apresentadas as concluses e
recomendaes decorrentes desta pesquisa, alm de sugestes para trabalhos
futuros. Finalmente, nos apndices encontram-se os dados utilizados na
pesquisa.






















24

2 REVISO DE LITERATURA

Este captulo apresenta uma reviso bibliogrfica dos principais aspectos
tericos cujo conhecimento permitiu se realizar o estudo de caso apresentado neste
trabalho. Inicialmente, revisam-se as metodologias mais utilizadas, atualmente, para
medio do risco de crdito e de anlise de risco em projetos; em seguida, faz-se
uma breve anlise da construo de modelos, simulaes, aprofundando-se
especificamente na Simulao de Monte Carlo, cuja utilizao para determinao da
freqncia esperada de inadimplncia o objeto desta dissertao.

2.1 Uma reviso das abordagens Medio do Risco de Crdito

O Risco de Crdito conseqncia de uma transao financeira contratada e/ou
contingencial entre um fornecedor de fundos e um usurio desses fundos, o que
pode ser definido como a probabilidade de a contraparte de um emprstimo ou
operao financeira no cumprir suas obrigaes contratuais. A perda decorrente
deste risco pode acontecer de duas formas: Risco de Default quando a contraparte
deixa de honrar o contrato, gerando a perda do valor de face do emprstimo menos
uma taxa de recuperao, e Risco de Spread este decorre de alteraes na
classificao do risco da contraparte, alterando o valor de mercado do emprstimo
(CAOUETTE, ALTMAN e NARAYANAN, 1999).

A concesso de crdito sempre se realiza em um cenrio de incertezas,
constantes mutaes e informao assimtrica, sendo impossvel estabelecer
inequivocamente quais empresas entraro em Default e quais no sofrero este
risco. O mximo que se pode fazer uma avaliao probabilstica desta
possibilidade. O que se costuma chamar de risco de inadimplncia (SAUNDERS,
2000b).

A mensurao do risco de crdito fundamental para que as instituies
financeiras possam precificar um emprstimo corretamente e determinar o limite de
crdito a ser concedido a qualquer tomador, fixando assim a exposio aceitvel a
perdas.
25

As metodologias utilizadas para medio de risco de crdito tm sido, nos anos
recentes, objeto de estudo e de acaloradas discusses entre acadmicos e
executivos da rea. Novas tecnologias tm surgido derivadas, em muito, dos
estudos sobre risco de mercado cujos debates iniciaram em 1993.

Saunders (2000a) relaciona sete motivos para este surto de interesse, os quais,
segundo o autor, esto fomentando a discusso em nvel internacional e so
plenamente aderentes realidade brasileira, exceo da Desintermediao cujo
processo ainda muito incipiente no Brasil:

Aumento estrutural de falncias
O fenmeno ocorre em nvel mundial, possivelmente devido ao aumento
da competio global.
Desintermediao
Saunders (2000a) justifica este ponto pela expanso dos mercados de
capitais e a maior acessibilidade a estes por parte das pequenas e
mdias empresas, deixando para as Instituies Financeiras aqueles
tomadores menores ou com classificaes de crdito mais fraca,
exigindo, portanto, mais eficcia na anlise, medio e gesto do risco de
crdito.
Margens mais competitivas
Decorrentes da competio entre as Instituies Financeiras
Valores declinantes e volteis de garantias reais
Alm das dificuldades para prever e realizar, atravs de liquidao, os
valores de imveis e ativos fsicos, no Brasil a situao agravada pela
concorrncia de credores privilegiados s garantias, fruto de nossa
legislao.
O crescimento de derivativos extrabalano
Diminuindo a transparncia dos demonstrativos financeiros quanto ao
real nvel de alavancagem financeira das empresas.
Tecnologia


26

Os avanos em sistemas e tecnologia da informao tm permitido s
Instituies Financeiras testar novas e sofisticadas tcnicas de
modelagem.
As exigncias para capital baseadas no risco do BIS Bank for
International Settlements.

Quanto ao ltimo motivo, observam-se, pelo Banco Central do Brasil, polticas
de exigncias de capital na mesma linha defendida pelo BIS, e h, desde dezembro
de 1999, com a Resoluo 2682, uma exigncia de implantao de sistema
proprietrio de classificao de risco por parte das instituies financeiras, o qual
ainda que no afete a exigncia de capital (todos os emprstimos so tratados da
mesma forma para esse fim), afeta diretamente a necessidade de aprovisionamento
contbil.

Para quantificar o risco de crdito, existem diversas abordagens, desde as
relativamente qualitativas at as altamente quantitativas e, embora existam
semelhanas e aproveitamento de idias entre estas, tornando difcil sua
classificao, Saunders (2000a) apresenta uma separao em abordagens
tradicionais e novas abordagens com as seguintes classes para cada uma. As
abordagens tradicionais podem ser classificadas em: (1) sistemas especialistas de
crdito, (2) sistemas de classificao e (3) sistemas de pontuao de crdito. As
abordagens tidas como novas envolvem: (1) aplicao da teoria de precificao de
opes valorao de emprstimos, (2) a abordagem do Value at Risk VaR, (3) a
abordagem de valorao neutra ao risco e (4) abordagem de seguros.

Sero apresentadas, de forma sucinta, cada uma destas abordagens.
Primeiramente as tradicionais e posteriormente as tidas como novas.

2.1.1. Sistemas Especialistas de Crdito

A expresso Sistemas Especialistas, aqui adotada, no se refere ao conceito
homnimo utilizado em trabalhos de inteligncia artificial, e sim queles sistemas em
que a deciso de crdito fica a cargo do gerente de crdito e/ou de negcios local
ou da agncia, conforme define Saunders (2000a, p.7). O conhecimento
27

especializado desta pessoa, seu julgamento subjetivo, e sua atribuio de peso a
certos fatores-chave so, implicitamente, as mais importantes determinantes na
deciso de conceder crdito, ou no. Ou ainda nas palavras de Securato (2002,
p.271) Nos sistemas especialistas, a deciso de crdito fica com quem faz a
avaliao, ou seja, o expert deve ser capaz de emitir um julgamento subjetivo sobre
o emprstimo e ponder-lo com os fatores determinantes para este tipo de deciso.

Os sistemas especialistas dependem, portanto, fundamentalmente da
experincia e julgamento subjetivo de profissionais treinados.

So inmeros os critrios que podem ser utilizados como parmetros de anlise
em um sistema especialista, sendo que um dos modelos mais conhecidos e mais
comumente utilizados o que se baseia no que se convenciona chamar dos cinco
C do crdito: Carter, Capital, Capacidade, Colateral (Garantia) e Condies. Para
cada um desses fatores, o especialista atribui um peso e chega a uma deciso.

Saunders (2000b) aponta dois fatores como principais problemas utilizao de
sistemas especialistas como parte do processo decisrio de crdito:

1. Consistncia: dificuldade na determinao de fatores comuns importantes
anlise para diferentes tipos de tomadores.
2. Subjetividade: na definio dos pesos a serem atribudos aos fatores
escolhidos.

2.1.2 Sistemas de Classificao (Rating)

Conforme definio de Securato (2002), os sistemas de classificao (ou de
rating) dividem os emprstimos em classes diferentes de modo que sejam
aprovisionados valores para perdas segundo essa classificao. Quanto melhor o
rating, menor a parcela do emprstimo a ser aprovisionada.

A Resoluo 2682 do Banco Central do Brasil, de 21 de dezembro de 1999,
definiu os critrios de classificao das operaes de crdito e regras para
constituio de aprovisionamento para crditos de liquidao duvidosa, permitindo
28

que, baseado nestes critrios, cada instituio desenvolvesse seu prprio modelo de
classificao. Os critrios definidos como obrigatrios pelo Banco Central do Brasil
foram:
1) Em relao ao devedor e seus garantidores:
a. Situao econmico-financeira;
b. Grau de endividamento;
c. Capacidade de gerao de resultados;
d. Fluxo de caixa;
e. Administrao e qualidade de controles;
f. Pontualidade e atrasos nos pagamentos;
g. Contingncias;
h. Setor de atividade econmica;
i. Limite de crdito

2) Em relao operao:
a. Natureza e finalidade da transao;
b. Caractersticas das garantias, particularmente quanto
suficincia e liquidez;
c. Valor.

A resoluo tambm institui as seguintes faixas de aprovisionamento, funo
do rating da operao de crdito:








Tabela 1 - Nvel de proviso sobre o valor das
operaes para cada classe de risco (Banco
Central do Brasil, 1999).

Atualmente, a classificao de rating da operao determina exclusivamente o
nvel de aprovisionamento necessrio que a instituio financeira ter que fazer;
Rating
Nvel de
proviso
AA 0,0%
A 0,5%
B 1,0%
C 3,0%
D 10,0%
E 30,0%
F 50,0%
G 70,0%
H 100,0%
29

entretanto, o Banco Central do Brasil dever, em futuro prximo, utilizar este sistema
de classificao tambm para a determinao do nvel de exigncia de capital
destas mesmas instituies, as quais hoje possuem uma exigncia genrica de 11%
sobre qualquer ativo de crdito independente do nvel de risco que este oferea, o
que onera o custo do crdito.

2.1.3 Sistemas de Pontuao de Crdito (Credit Scoring)

Os modelos de escore de crdito utilizam dados relativos a caractersticas
observadas do tomador, seja para calcular a probabilidade de inadimplncia, seja
para colocar os tomadores em classes de risco de inadimplncia (SAUNDERS,
2000b, p. 210).

De acordo com Saunders (2000a, p.13), a idia : A pr-identificao de certos
fatores-chave que determinam a probabilidade de inadimplncia (em contraste com
o repagamento), e sua combinao ou ponderao para produzir uma pontuao
quantitativa.

Citado por Securato (2002) e por Saunders (2000a), o Modelo Escore Z de
Altman se presta como exemplo de sistema de pontuao. Trata-se de um modelo
de anlise discriminante mltipla, que utiliza ndices contbeis das empresas, com
base numa amostra de empresas falidas e solventes, para determinar um modelo de
pontuao. Os valores das variveis so combinados e ajustados por pesos para
produzir um escore de risco de crdito. Determina-se ento um ponto de corte nessa
pontuao, a fim de aprovar ou rejeitar crdito para a empresa.

O modelo de Altman tomou a seguinte forma para emprstimos comerciais:

Z = 1,2 X
1
+ 1,4 X
2
+ 3,3 X
3
+ 0,6X
4
+ 1,0X
5

Onde: X
1
= coeficiente entre capital de giro/ativos totais;
X
2
= coeficiente entre lucros acumulados/ativos totais;
X
3
= coeficiente entre lucro antes de impostos e juros/ativos totais;
30

+
n
j
ij j i
erro X Z
1

X
4
= coeficiente entre valor de mercado do capital/valor contbil do
passivo total;
X
5
= coeficiente entre vendas/ativos totais.

No estudo inicial de Altman, o valor crtico para Z foi de 1,81(SAUNDERS,
2000a).

Saunders (2000a) aponta algumas questes com relao ao mtodo. A
primeira diz respeito linearidade do modelo, haja vista que na realidade o processo
que leva uma empresa falncia pode ser altamente no-linear. A segunda questo
recai sobre o fato de o modelo ser construdo essencialmente ( exceo do valor de
mercado do capital) a partir de coeficientes contbeis, os quais sofrem restries
decorrentes do perodo de apurao e dos princpios de contabilidade. Questiona
ainda Saunders (2000a, p. 14) a eficincia destes modelos em detectar a insolvncia
iminente de uma empresa cuja condio financeira esteja em rpida deteriorao.

Alm do modelo construdo atravs de Anlise Discriminante Linear, os
modelos de escore de crdito incluem mais trs tipos: (1) modelos lineares de
probabilidade, (2) modelos logit, (3) modelos probit. (SAUNDERS, 2000b).

2.1.3.1 Modelo Linear de Probabilidade
um modelo que utiliza dados passados como entrada e visa explicar a
experincia de pagamento de emprstimos anteriormente contratados. O modelo
calcula p, a probabilidade de pagamento.

Os dados histricos referentes a emprstimos passados dividem-se em dois
grupos de observao: os que no foram pagos (Z
i
= 1) e os que foram pagos (Z
i
=
0).

Depois, atravs de regresso linear, relacionam-se essas observaes a um
conjunto de j variveis explicativas (X
ij
) que refletem informaes quantitativas sobre
os tomadores. O modelo estimado da seguinte forma:

31

Onde: Z = probabilidade de inadimplncia
= peso
X = varivel
Trata-se de uma tcnica simples, desde que haja informaes sobre as
variveis; sua principal deficincia est no fato de que as probabilidades estimadas
de inadimplncia podem ficar fora do intervalo entre 0 e 1.

2.1.3.2 Modelo Logit
A partir da suposio que a probabilidade acumulada de inadimplncia
obedece a uma distribuio logstica, este modelo restringe a probabilidade de
inadimplncia ao intervalo entre 0 e 1, atravs da seguinte forma funcional:



Onde: e = 2,71828
F(Z
i
) = Probabilidade acumulada de inadimplncia

E o valor de Z
i
calculado por regresso, da mesma forma como feito no
Modelo Linear de Probabilidade.










Figura 1 O Modelo Logit (Saunders, 2000b)

2.1.3.3 Modelo Probit
Este modelo tambm restringe a probabilidade projetada de inadimplncia ao
intervalo entre 0 e 1, mas diferentemente do modelo Logit, supe que a
( )
i
z i
e
Z F

1
1
0
1
Funo Logstica
F(Zi)
Zi
Valor Estimado de Z
Probabilidade Acumulada de
Inadimplncia
32

probabilidade de inadimplncia possui distribuio (acumulada) normal, e no
logstica.

Como exemplo da utilizao deste modelo, especificamente aplicado em
bancos de desenvolvimento, temos o trabalho desenvolvido por Campos (1981) cujo
estudo constri um modelo economtrico que permite calcular o risco de crdito
inerente aos projetos de financiamento.

Campos (1981) trabalhou com uma amostra de 1.000 casos coletados no
BRDE Banco Regional de Desenvolvimento do Extremo Sul, utilizando 22 variveis
independentes e uma dependente, como se segue:

Varivel dependente:
1- Sucesso do projeto: 0 - Adimplente ou inadimplente menos de 90 dias
1 Inadimplente mais de 90 dias.
Variveis independentes:
1 Valor do financiamento sobre o PL do banco;
1 Valor do projeto sobre o PL da empresa;
1 Saldo devedor + financiamento sobre o PL da
empresa;
4 Saldo devedor mais financiamento sobre o PL do banco;
1 Grau de endividamento da empresa sobre grau de
endividamento do setor;
6 Liquidez geral da empresa sobre liquidez geral do setor;
7 Rentabilidade da empresa sobre rentabilidade do setor;

Variveis independentes do tipo 0 ou 1
8 Operao para giro? Sim= 1, No =0;
9 Operao para investimento fixo? Sim=1, No=0;
10 Operao para saneamento financeiro? Sim= 1, No= 0;
11- A empresa pertence a grupo econmico? Sim = 1, No =0;
12- A empresa tem tradio no setor? Sim= 1, No= 0;
13- A empresa j Mutuaria? Sim = 1, No =0;
14- Condio cadastral: boa = 1, qualquer restrio = 0;
33

15- O projeto de produto inovador no mercado? Sim= 1, No= 0;
16 O produto novo para empresa? Sim= 1, No =0;
17 O processo inovador no mercado? Sim= 1, No = 0;
18 O processo novo na empresa? Sim= 1, No =0;
19 implantao? Sim= 1 No =0;
20 O porte da empresa ? Pequena ou mdia = 1, Grande= 0;
21 A macrolocalizao compatvel? Sim= 1, No =0;
22 Houve injunes polticas? Sim= 1, No =0.

Das 22 variveis testadas, apenas 06 apresentaram correlaes significativas,
resultando na seguinte equao:

I = (ENDIV x 1,54457) + (ILG x (- 0,103758)) + (SANE x 1,44080) +
(ENPG x 0,683130) + (NMUT x 0,264840) + (IMPLANT x 0,938190) 4,01617

Onde: ENDIV = Grau de endividamento da empresa sobre grau de
endividamento do setor (Varivel 5);
ILG = Liquidez geral da empresa sobre liquidez geral do setor
(varivel 6);
SANE = Varivel binomial: saneamento? Sim = 1, No =0
(Varivel 10);
ENPG = Varivel binomial: Empresa pertence a grupo
econmico? Sim = 1, No = 0 (Varivel 11);
NMUT = varivel binomial: Empresa j Mutuaria? Sim = 1, No
= 2 (Varivel 13);
IMPLANT = Varivel binomial: implantao de uma nova
empresa? Sim = 1, No =0 (varivel 19);
CONSTANTE = -4,01617,
e : I = ndice resultante que varia no intervalo (-3,09 ; +3,09).

Pela suposio do modelo de anlise Probit, utilizado por Campos (1981), a
probabilidade de inadimplncia possui distribuio (acumulada) normal
(SAUNDERS, 2000b) e, portanto, a escala de resultados possveis ao ndice, I, do
modelo de Campos (1981) normalizada, fazendo com que valores menores ou
34

0
A
1 B
A
2
Ativos
P
a
g
a
m
e
n
t
o

e
m

$
iguais a 0,84 correspondam a 20% de probabilidade de falha no projeto,
caracterizando, no seu modelo, um baixo risco, e valores superiores a 0,84
correspondam a 80% de probabilidade de falha no projeto, caracterizando um alto
risco.

2.1.4 Emprstimos como Opes e o modelo KMV

Saunders (2000a) estabelece a relao entre emprstimos e opes atravs
da seguinte suposio: seja uma operao de crdito com pagamento nico de
principal no vencimento e juros antecipados, representado na fig. 2 pelo segmento
0B. Se, ao chegar o vencimento deste emprstimo, o valor de mercado dos ativos da
empresa tomadora for superior ao valor do montante devido, o segmento 0A2, por
exemplo, os donos da empresa estaro incentivados a pagar o emprstimo (0B) e a
reter o valor residual como retorno sobre o investimento (0A2 0B). Entretanto, se
data do pagamento o valor de mercado dos ativos da empresa for menor que (0B),
os donos tero um incentivo (ou opo) de no pagar e entregar os ativos restantes
da empresa ao credor.







Figura 2 O pagamento a um banco credor (Saunders, 2000a).

Conforme Saunders (2000a), Merton, em 1974, no artigo intitulado On the
Pricing of Corporate debt: The Risk Structure of Interest Rates, observou que
quando um banco concede um emprstimo, seu pagamento isomrfico em relao
subscrio de uma opo de venda sobre ativos da empresa tomadora (conforme
fig. 3).


35

X
Preo da Ao (S)
P
a
g
a
m
e
n
t
o

e
m

$










Figura 3 O pagamento ao subscritor de uma opo de venda sobre uma ao (Saunders, 2000a).

Considerando-se a existncia de custos de falncia
1
diretos ou indiretos, o
prejuzo dos credores sobre um emprstimo poder exceder o principal mais os
juros. Isso torna o pagamento a um banco credor (fig. 2) mais semelhante opo
de venda de uma ao (fig.3) (SAUNDERS, 2000a).

Tal equivalncia de formas permite que se use um modelo para precificao
da opo de inadimplncia semelhante ao modelo clssico desenvolvido para
precificao de opes de venda de aes, conhecido por modelo BMS Black-
Scholes-Merton cujo valor resultante funo de cinco variveis:

Valor de uma opo de venda sobre uma ao = ( ) , , , ,
s
r X S f
Onde: S = Preo da Ao
X = Preo de exerccio da opo
r = Taxa de juros de curto prazo

s =
Volatilidade do valor do patrimnio lquido da empresa
= Prazo at o vencimento da opo

e um trao sobre a varivel significa que diretamente observvel.

Valor de uma opo de inadimplncia de um emprstimo de risco =

1
Para uma viso do conceito de custos de falncia ver Ross, Westerfield e Jordan (1998).
36

= ( ) , , , ,
A
r B A f
Onde: A = Valor de mercado dos ativos da empresa
B = Valor do endividamento
r = Taxa de juros de curto prazo

A =
Volatilidade do valor de mercado dos ativos da empresa
= horizonte de tempo do emprstimo

O que dificulta a aplicao do modelo de precificao de opes ao clculo do
valor da opo de inadimplncia justamente o fato de que o valor de mercado dos
ativos de uma empresa (A) e a volatilidade deste valor (
a
) no so diretamente
observveis. Para superar esta dificuldade, alguns analistas assumem o pressuposto
de que o valor contbil dos ativos igual ao valor de mercado dos ativos, o que
permite no s ter o valor dos ativos como tambm eliminar da equao sua
volatilidade implcita (SAUNDERS, 2000a).

Um modelo amplamente utilizado no mercado que aplica a teoria das opes
ao crdito o modelo Credit Monitor da KMV Corporation, que tem como
pressuposto bsico a hiptese de que o mercado a fonte mais eficiente de
informaes sobre a sade financeira de uma empresa e, portanto, assume-se que
os preos das aes de empresas negociadas em mercado aberto refletem as
expectativas do mercado acerca da empresa.

A KMV considera trs fatores para medir a EDF: 1) O Valor dos Ativos O
valor de mercado dos ativos da empresa, medido como valor presente dos fluxos de
caixa livre futuros; 2) O Risco dos Ativos A incerteza ou o risco acerca dos valores
dos ativos, e 3) O Nvel de Endividamento Corresponde relao entre o valor das
obrigaes e o valor de mercado dos ativos (CROSBIE e BOHN, 2002).

A probabilidade de inadimplncia aumenta quando o valor de mercado dos
ativos se aproxima do valor contbil das obrigaes, at que o valor do mercado dos
ativos se torne insuficiente para cobrir as obrigaes, caracterizando a insolvncia.

37

O modelo parte da percepo do isomorfismo entre uma opo de venda de
uma ao e a funo de pagamento de um emprstimo. Onde, se o valor de
mercado dos ativos de uma empresa superar o valor do emprstimo, os proprietrios
sero incentivados a pagar o emprstimo e a reter o valor residual como lucro. Caso
contrrio, a empresa exercer a opo e entregar seus ativos ao credor.

Estabelece, ainda, o conceito de Distance to Default DD, que a distncia
entre o valor do ativo at o ponto da inadimplncia em quantidades de desvios-
padro relativos distribuio de freqncia do valor dos ativos.

O valor do emprstimo pode ento ser medido atravs da utilizao do
modelo Black-Scholes-Merton BSM como a subscrio de uma opo de venda
sobre os ativos da empresa devedora:
Figura 4 O Capital como Opo de Compra sobre uma Empresa (Saunders,2000a)

Como se observa na figura 4, o resultado para o tomador do crdito apresenta
um risco de queda limitado e uma acentuada possibilidade de aumento, de maneira
isomrfica a uma opo de compra sobre uma ao. Desta forma, o valor de
mercado do capital de uma empresa alavancada pode ser valorado como:
( ) , , , , B r A h E
A

Onde: E = valor de mercado do capital da empresa tomadora.
A = Valor de mercado dos ativos da empresa
B = Valor do endividamento
r = Taxa de juros de curto prazo

A =
Volatilidade do valor de mercado dos ativos da empresa
= horizonte de tempo do emprstimo

Valor dos Ativos (A)
Val or do
Capi t al ( E) ( $)
38


Entretanto, como j apontado, persiste o problema de resoluo das duas
incgnitas (A e
a
), posto que as outras variveis so observveis.

A KMV resolveu este problema explorando uma segunda relao: A relao
terica entre a volatilidade observvel do valor do capital de uma empresa (
E
) e a
volatilidade no observvel do valor dos ativos da empresa (
A
) (SAUNDERS,
2000a).

Com duas equaes, podem-se ento calcular as duas incgnitas atravs de
interaes sucessivas. Depois de calculados, os valores de A e
A
podem ser
utilizados, juntamente com suposies sobre os valores de B e , para gerar uma
pontuao EDF terica para qualquer tomador dado.

A figura 5 demonstra a idia do modelo KMV. Supondo que o valor de
mercado dos ativos A igual a $100m, que sua volatilidade (
A
) igual a $10m e
que o valor do endividamento (B) de $80m. O EDF a rea sombreada da
distribuio de valores de ativos abaixo de B. Esta rea representa a probabilidade
de que o valor corrente dos ativos da empresa, $100m, cair abaixo de $80m no
horizonte de tempo de um ano.








Figura 5 Clculo do EDF terico (Saunders, 2000a).

+dA


-dA
Tempo (t) t = 1 t = 0
B = $ 80m
A = $100m
rea de
Inadimplncia
( )
A E
g
39

( )
A
B g A
DI

1
( ) ( ) ( )
1
]
1

+
,
_

2 1
1
h N h N
d
B F
i
l
A
B
i
l
Presumindo que os valores futuros dos ativos sejam distribudos normalmente
em torno do valor corrente dos ativos da empresa, pode-se medir a distncia da
inadimplncia no final do horizonte de um perodo como:

Para que a empresa entre na rea de inadimplncia (a rea sombreada), o
valor dos ativos deveria sofrer uma queda de $20m, ou 2 desvios-padro, ao longo
do perodo seguinte. Considerando que os ativos sejam normalmente distribudos,
sabe-se que h uma probabilidade de 95% de que os valores dos ativos variem
entre mais ou menos 2s de seu valor mdio. Portanto, h uma probabilidade de
2,5% de que o valor dos ativos caia em mais de 2s ao longo do prximo perodo. Ou
seja, h uma Freqncia Esperada de Inadimplncia de 2,5%.

O modelo pode incluir ainda, facilmente, uma taxa de crescimento dos ativos,
aproximando mais da realidade, conforme se segue:



Onde: g = taxa de crescimento dos ativos.
A equao para o valor de mercado da dvida de risco, F(t ), utilizando-se do
modelo de valorao de Merton, tem a seguinte forma:

Onde:

t = o perodo de tempo restante at a data de vencimento do emprstimo;
ou seja, t = T t, onde T a data de vencimento e t o momento
corrente.
D = o ndice de alavancagem da empresa (tomador), onde o valor de
mercado do endividamento valorado taxa i, a taxa de juros livre de
risco, e medido da seguinte forma:

padro desvios
m
m m B A
DI
A

2
10 $
80 $ 100 $

40

( )


1
]
1

d
h
ln
2
1
2
1
N(h) = um valor calculado a partir das tabelas estatsticas-padro de
distribuio normal. Este valor reflete a probabilidade de que ocorrer
um desvio que exceda o valor calculado de h.


Onde s
2
mede o risco dos ativos do tomador tecnicamente a varincia da
taxa de mudana de valor dos ativos subjacentes do tomador.

Saunders (2000a) relaciona os seguintes pontos fortes da abordagem de
precificao de opes previso de falncias: 1) Poder ser aplicado a qualquer
empresa de capital aberto; 2) Ser baseado em dados de bolsas de valores, ao invs
de dados contbeis, o que permite uma viso prospectiva; 3) Ter forte
fundamentao terica, por ser um modelo estrutural baseado na moderna teoria de
finanas corporativas e opes.

Em contraponto aos aspectos favorveis, Saunders (2000a) apresenta quatro
pontos fracos: 1) A dificuldade para desenvolver EDFs tericos sem o pressuposto
da normalidade dos retornos sobre ativos; 2) Os EDFs de empresas de capital
fechado s podem ser calculados atravs da utilizao de algum tipo de anlise de
comparabilidade com base em dados contbeis e outras caractersticas observveis
do tomador; 3) No distingue entre os diferentes tipos de Bonds de longo prazo em
relao a senioridade, garantias reais, condies ou conversibilidade; e 4) esttico.
O modelo supe que a estrutura de endividamento imutvel at o final do prazo de
emprstimo.

2.1.5 A Abordagem VaR: O CreditMetrics e outros modelos

A abordagem VaR (Value At Risk) originalmente foi concebida para quantificar
o risco de mercado e sintetiza a maior (ou pior) perda esperada dentro de
determinado perodo de tempo e intervalo de confiana (JORION, 1999).

( )


1
]
1

+

d
h
ln
2
1
2
2
41

Saunders (2000a) apresenta o seguinte exemplo como forma de descrever o
conceito bsico da metodologia VaR: suponha a existncia de um ttulo negocivel
cujo preo de mercado (P) seja, hoje, de $80 e o desvio-padro dirio estimado do
valor (s) seja de $10. O VaR indicar ento qual a perda (de valor) mxima que o
investidor poder ter nesse ttulo, para um determinado intervalo de confiana.

Pressupondo que os valores dirios que o ativo pode assumir so
normalmente distribudos em torno do valor atual do ttulo, de $ 80, a um nvel de
confiana de 99%, a perda mxima seria de $23,3 (equivalente a 2,33 desvios-
padro). Em outras palavras, existe 1% de chance de que no prximo perodo o
preo do ativo caia abaixo de $56,7 ($80$23,3).

A metodologia do VaR tem como premissa a Normalidade no comportamento
dos preos dos ativos (retornos), e a rea sobre a curva normal contm informaes
sobre probabilidades j conhecidas: aproximadamente 68% da rea situa-se entre
+1 e 1 desvio-padro em relao mdia; a rea compreendida entre +2 e 2
desvios-padro corresponde a 95% das observaes e para +2,33 e 2,33 desvios-
padro em torno da mdia, tem-se 98% de toda a rea sobre a curva de uma
distribuio Normal. Logo, a chance de que o preo do ativo, no prximo perodo,
seja inferior mdia menos 2,33 desvios-padro de 1% (rea sombreada na figura
6).





2,33 d = $23,3


Figura 6 O VaR de um ttulo negociado (Saunders, 2000a).

A metodologia VaR, para medio de risco de crdito, tem sido utilizada no
modelo CrediMetrics, introduzido pelo Banco de Investimentos J. P. Morgam do risco
de ativos no negociveis. Para uma viso detalhada do modelo, ver o Documento
0 1 dia
tempo

P = $80


P = $ 56,7


42

Tcnico CreditMetrics; J.P.Morgam, Nova York, 2 de abril de 1997, disponvel na
WEB, no site do banco.

2.1.6 A Abordagem da Simulao Macro

A metodologia do VaR, adotada no CreditMetrics e abordada no tpico
anterior, supe que as probabilidades de alterao de rating so estveis para todos
os tipos de tomadores ao longo de todo o ciclo do negcio (SAUNDERS, 2000a). E
seria razovel supor que, de modo geral, esta probabilidade mudasse durante o ciclo
de negcios e fosse mais elevada em recesses do que em expanses
(SAUNDERS, 2000a). A idia bsica do enfoque de Simulao Macro consiste
justamente em absorver os impactos de alteraes macroeconmicas nas
probabilidades de inadimplncia, o que representado atravs de uma matriz de
alterao (fig. 7).









Figura 7 Matriz de Alterao Histrica ( No Condicional), Fonte: Saunders (2000a)

A probabilidade de que um tomador classificado no nvel de risco C chegue
ao final do perodo com classificao D funo de um conjunto de fatores macros.

2.1.7 A abordagem da Valorao Neutra ao Risco

Esta abordagem supe um mercado com comportamento neutro ao risco.
Ou seja, todos os investidores esto dispostos a aceitar, de qualquer ativo, um
retorno esperado igual ao prometido pelo ativo livre de risco. A partir desta
suposio, se estabelece uma relao de equilbrio, na qual o retorno esperado
igual taxa livre de risco, que pode ser utilizada para inferir uma probabilidade
implcita de inadimplncia (SAUNDERS, 2000a).
AAA
AA
C
AAA AA C D
pCD
Fim do Perodo
Incio do
Perodo
43

1
1
1
1
1
k
i
P
+
+

Onde: P
1
= Probabilidade (RN) implcita de repagamento no ano 1,
1+ K
1
= O retorno prometido sobre o bonds (de risco) corporativo no ano 1,
1 + i
1
= O retorno livre de risco sobre o bonds do tesouro de um ano.

Por simplificao assume-se que, se o bonds de risco inadimplir, a perda
devida inadimplncia (LGD) igual a 1 e o detentor do bonds nada recebe.

Extrai-se a probabilidade de repagamento RN implcita (P
1
), como se segue:


E a probabilidade RN de inadimplncia P
*
1
:

P
*
1
= 1 P
1

Utilizando-se de curvas de estrutura a termo das taxas de juros de bonds do
tesouro e bonds corporativos, podem-se derivar probabilidades RN de inadimplncia
para diversos perodos futuros.

Outra forma alternativa de se derivarem probabilidades RN de inadimplncia,
apresentada por Delianedis e Geske (apud SAUNDERS, 2000a), explora os modelos
de precificao de opes do tipo Merton, no qual o capital visto como uma opo
de compra sobre o valor dos ativos da empresa e onde a probabilidade de que o
valor dos ativos de uma empresa, no momento do vencimento da dvida (T=1), seja
maior que o valor de face do endividamento da empresa N
1
(K). A probabilidade de
inadimplncia ser ento: P
*
1
= 1 (N
1
(K))

Onde: N
1
(K) a rea sob distribuio normal relacionada a uma varivel k,
que por sua vez depende do valor dos ativos da empresa, da volatilidade desses
ativos, da alavancagem, do prazo at o vencimento e da taxa livre de risco.

As probabilidades neutras de risco (RN) para valorao de emprstimos e
determinao de prmio de risco (spread) exigido sobre o emprstimo (GINZBERG
( )
1 1 1
1 1 i K P + +
44

( )
( )( ) ( ) [ ]
1
1
1 1 1
*
1
*
1

+
+ + +

r
LGD p s r p
VPL E
at al. Apud SAUNDERS, 2000a) atravs do seguinte modelo, que iguala o Valor
Presente Lquido Esperado E (VPL) a 1, pressupondo, portanto, ser esta uma
posio de equilbrio, em que no h perda de capital:




Onde: r = taxa livre de risco;
p
1
*
= probabilidade RN de inadimplncia;
LGD = perda dada inadimplncia (loss given default)

E o valor de s o spread do emprstimo.

A abordagem de valorao neutra ao risco tem sido utilizada pela KPMG em
seu sistema de anlise de emprstimos (LAS Loan Analysis System), procurando
estender a estrutura para valorao de emprstimos multiperodo (SAUNDERS,
2000a).

2.1.8 Abordagem de Seguros

Esta abordagem utiliza idias da rea de seguros para a medio e gesto do
risco de crdito. Duas aplicaes mais conhecidas deste enfoque so: a utilizao
de tabelas de mortalidade para emprstimos e ttulos, desenvolvida por Altman, a
partir de modelos utilizados por aturios de seguradoras para determinao de
prmios de seguros; outra a aplicao desenvolvida pela Crdit Suisse Financial
Products CSFP, conhecida como Credit Risk Plus (SAUNDERS, 2000a).

A idia de desenvolver uma tabela de mortalidade simples e baseia-se na
utilizao da inadimplncia histrica de uma carteira de emprstimos ou de ttulos, o
que pressupe que de alguma maneira estes emprstimos ou ttulos tenham sido
anteriormente classificados para que se possa observar, em separado, o
comportamento de cada nvel de tomador.


45

2.2 Anlise de Risco em Projetos de Investimento

Descritas as abordagens atuais de medio de risco de crdito, percebem-se
algumas limitaes que as tornam, se no completamente inadequadas, pelo menos
insuficientes para atender aos objetivos de mensurao de risco de inadimplncia
em projetos de investimento, objeto de financiamento das instituies financeiras de
fomento e desenvolvimento. Tais limitaes decorrem, principalmente, do fato de os
modelos serem desenvolvidos como modelos classificatrios de perfis de tomadores
(sistemas especialistas, de classificao e score) baseados em informaes
passadas da performance econmica e financeira do postulante ao crdito. Trata-se
de uma situao perceptivelmente inadequada aplicao em projetos de
investimento. E mesmo nas chamadas novas abordagens, depende-se sempre de
algum tipo de classificao de risco precedente ao modelo ou de dados de mercado,
nem sempre disponveis. Sendo estes modelos apropriados para utilizao em nvel
de carteira, necessita-se, ento, de um modelo que possa absorver as
especificidades de cada projeto.

Busca-se, ento, uma metodologia que permita medir o risco de inadimplncia
de um financiamento para um projeto de investimento; nesta perspectiva, o tpico
seguinte revisa os principais elementos da anlise de investimentos.

2.2.1 Tcnicas de Avaliao de Projeto

A avaliao de projetos de investimentos comumente envolve um conjunto de
tcnicas que buscam determinar sua viabilidade econmica e financeira,
considerando um determinado custo de oportunidade. Desta forma, normalmente
esses parmetros so medidos pelo Payback (prazo de retorno do investimento
inicial), pela TIR (Taxa Interna de Retorno) e/ou pelo VPL (Valor Presente Lquido)
(CASAROTTO e KOPPITKE, 2000). Contudo, poucas so as anlises formais sobre
os riscos que envolvem os fluxos de caixa de um projeto. Para isto, a forma mais
comum d-se pelo uso da anlise de sensibilidade, que procura envolver uma
simulao dos resultados obtidos para os vrios patamares de custo do capital e/ou
taxa de crescimento de receitas (BRUNI, FAM e SIQUEIRA, 1998).

46

O Payback - ou prazo de retorno de um projeto - a extenso de tempo
necessria para que seus fluxos de caixa nominais cubram o investimento inicial
(DAMODARAN, 2002). Tem como principais pontos fracos: no considerar o valor
do dinheiro no tempo, no considerar todos os capitais do fluxo de caixa, no ser
uma medida de rentabilidade do investimento (LAPPONI, 2000) e exigir um limite
arbitrrio de tempo para a tomada de deciso (ROSS, WESTERFIELD e JORDAN,
1998). possvel incluir o custo de oportunidade no clculo do payback, resultando
no que se convenciona chamar de payback descontado (LAPPONI, 2000).

Ao considerar as suas limitaes, e no obstante a sua simplicidade, muito
mais provvel que as empresas empreguem o perodo de payback de um
investimento como uma norma auxiliar na tomada de decises sobre investimentos,
utilizando-o, seja como um parmetro limitador (prazo mximo de retorno) sobre a
tomada de decises, seja para escolher entre projetos que tenham desempenho
igual em relao regra bsica de deciso (DAMODARAN, 2002).

A TIR - Taxa Interna de Retorno - aquela taxa de desconto que iguala os
fluxos de entradas com os fluxos de sadas de um investimento. Com ela procura-se
determinar uma nica taxa de retorno, dependente exclusivamente dos fluxos de
caixa do investimento, que sintetize os mritos de um projeto (ROSS,
WESTERFIELD e JORDAN, 1998).

O Valor Presente Lquido a ferramenta mais utilizada pelas grandes
empresas na anlise de investimentos (COPELAND, 2001) e consiste em calcular o
valor presente dos demais termos do fluxo de caixa para som-los ao investimento
inicial, utilizando para descontar o fluxo uma taxa mnima de atratividade
(CASAROTTO e KOPITTKE, 2000).

Tanto o payback quanto a TIR e o VPL so calculados a partir de fluxos de
caixa projetados que tentam retratar as condies econmicas e financeiras do
projeto.

Os projetos de investimentos tm seus fluxos de caixa construdos com
estimativas. Quanto maior for o tamanho e a complexidade do projeto, maiores sero
47

as dificuldades de realizar as estimativas e, portanto, maiores podero ser os erros
das estimativas (LAPPONI, 2000).

Segundo Lapponi (2000), ao realizar uma anlise de investimentos, deve-se
sempre levar em considerao que:

As estimativas e os resultados do investimento no so conhecidos
com certeza.
As estimativas do fluxo de caixa do projeto de investimento so valores
esperados, definidos, utilizando algum critrio.
Os resultados do VPL ou da TIR do fluxo de caixa tambm sero
valores esperados. Quanto maior for a disperso de cada estimativa ao
redor de seu valor esperado maior poder ser a disperso de cada
resultado do fluxo de caixa.
Essa incerteza o risco do projeto gerado pelas disperses das
estimativas esperadas (LAPPONI, 2000).

Para determinao de riscos de investimentos, inmeras tcnicas podem ser
utilizadas, dentre estas a utilizao do Mtodo de Monte Carlo no clculo da
variabilidade do VPL de um projeto.

2.2.2 Anlise de Sensibilidade

A Anlise de Sensibilidade consiste em estudar o efeito que a variao de um
dado de entrada pode ocasionar nos resultados. Quando uma pequena variao em
um parmetro altera drasticamente a rentabilidade de um projeto, diz-se que o
projeto muito sensvel a este parmetro (CASAROTTO e KOPPITKE, 2000).

2.2.3 rvores de Decises

rvore de deciso um instrumento de anlise que propicia melhores
condies ao decisor para visualizar os riscos, as opes e as vantagens financeiras
das diversas alternativas de ao.

48

FALSO 0
800 800
aceita o acordo?
975
50,0% 50%
300 300
VERDADEIRO Soluo judicial
0 975
50,0% 25%
2.000 2000
50,0% Recebe
0 1.650
Deciso 50,0% 13%
1.300 1.300
Evento 50,0% Leilo
0 1.300
Fim da alternativa 50,0% 13%
1.300 1.300
Caso Exemplo
Sim
No
Perde
Ganha
Em dinheiro
penhora de bens
Vende
Adjudica










Figura 8 - Modelo de rvore de Deciso

A resoluo clssica de uma rvore de deciso consiste em, comeando do
seu ponto final, multiplicar o valor de cada ramo pela sua probabilidade, at se
chegar raiz da rvore. O somatrio destes produtos o Valor Esperado para a
rvore.

A utilizao de valores determinsticos em uma rvore de deciso uma
soluo sub-tima, no mnimo por trs razes (KOLLER, 2000):

Ao trabalhar com valores determinsticos, uma nica assuno errada para o
valor de uma alternativa pode fazer com que o clculo da rvore oferea um
resultado intil.
A utilizao de valores determinsticos gera um resultado tambm
determinstico e no uma faixa de possveis valores.

Este ponto particularmente grave, pois, sendo o valor esperado um nmero
mdio, possvel que a volatilidade das variveis aumente, sem que este seja
alterado (COPELAND e ANTIKAROV, 2001).

A assuno de correlao zero entre as variveis.

Copeland e Antikarov (2001) consideram que a abordagem decisria atravs
de rvores de deciso, de modo geral, dar respostas erradas por pressupor uma
( ) ( ) ( ) ( ) ( ) 975 800 5 , 0 5 , 0 000 . 2 5 , 0 5 , 0 ) 300 . 1 5 , 0 ( ) 300 . 1 5 , 0 ( + + + VE
49

taxa de desconto constante ao longo de toda a rvore de deciso. Segundo estes
autores, a abordagem da rvore de decises transgride a lei do preo nico, a
qual diz que dois ativos que tm exatamente o mesmo retorno em qualquer
situao so substitutos perfeitos e, portanto, devem ter exatamente o mesmo
preo, de forma a impedir lucros por arbitragem.

J Andrade (2000) aponta os seguintes cuidados a serem tomados para que
uma rvore de deciso seja um instrumento eficaz de auxlio na tomada de
deciso:
A rvore deve ser simples e conter somente as informaes
necessrias, de forma a permitir uma comunicao fcil e
completa;
Os modelos para anlise de risco e sensibilidade devem ser,
dentro do possvel, simples e fceis de compreender, para que
seus resultados sejam bem aceitos;
As pessoas que vo decidir devem ser envolvidas no processo
de anlise, de forma a assegurar que:
- Estejam presentes todas as estratgias que devem ser
analisadas;
- O nvel de modelagem seja correto, sem simplificaes ou
complicaes desnecessrias;
- Os resultados obtidos sejam bem compreendidos e
discutidos.

2.2.4 O Tratamento Matemtico Convencional para o Risco

Para realizar-se o tratamento do fluxo de caixa em condies de risco, deve-
se considerar este como sendo dado pela seqncia de valores futuros
representados pela seguinte relao: {F
j
}
j=1,n
= {F
1
, F
2
, ..., F
n
}, onde tais valores so
variveis aleatrias, independentes e identicamente distribudas com uma funo
probabilstica g(F
j
). A estes valores, deve-se considerar tambm uma taxa de
desconto pr-determinada i% ao perodo (SECURATO, 1993).

50

Sendo assim, poder-se-ia fazer a distribuio discreta de probabilidade,
representando os fluxos de caixa e suas respectivas probabilidades de ocorrncia
(SECURATO, 1993).



Figura 9: Distribuio das Funes (Securato, 1993)

Cada VPL ser dado por

n
j
j
j
i
F
VPL
1
) 1 (
(DANTAS,1996; BRUTSHER,1999).

A esperana do VPL dos fluxos de caixa futuros ser expressa por:

n
j
j
j
i
F E
VPL E
1
) 1 (
] [
] [ (DANTAS,1996; BRUTSHER,1999).

O risco do projeto ser expresso sob a forma do desvio-padro destes fluxos
de caixa:

n
j
j
j
i
F Var
VPL Var
1
2
) 1 (
] [
] [ (DANTAS,1996; BRUTSHER,1999).
Desta forma, o clculo do risco do projeto dado em funo dos riscos
individuais (SECURATO, 1993).

2.2.5 Opes Reais e Anlise de Projetos

Os mtodos tradicionais de anlise de investimento, como o VPL e a TIR,
vm sendo alvo de importantes questionamentos nos ltimos anos, ao mesmo
tempo em que uma nova abordagem baseada nas similaridades entre oportunidades
de investimentos e opes financeiras vem sendo proposta como alternativa
(RIGOLON, 1999).

Esta nova abordagem conhecida como Anlise de Opes Reais (ROA Real
Options Analysis) permite captar a flexibilidade para reagir a eventos incertos,
existente nos projetos. Esta flexibilidade decorrente da existncia de opes, tais
como o abandono aps a fase de planejamento, a expanso ou prorrogao e o
F
j
f
j,1
f
j,2
... f
j,n

P(F
j
) P(f
j,1
) P(f
j,2
) P(f
j,n
)

51

deferimento da deciso de investir. Cada uma dessas opes possui valor que deve
ser adicionado ao valor do fluxo de caixa descontado. Assim as ferramentas
tradicionais, como VPL e TIR, geralmente subestimam o valor do projeto
(COPELAND e ANTIKAROV, 2001; RAPPAPORT e MAUBOUSSIN, 2002).

O valor das opes reais, assim como das opes financeiras, depende das
seguintes cinco variveis (COPELAND e ANTIKAROV, 2001; RAPPAPORT e
MAUBOSSIN, 2002):

1. Valor do projeto: o valor presente do fluxo de caixa livre esperado para o
projeto.
2. Custo do exerccio da opo: o investimento adicional necessrio ao exerccio
da opo.
3. Volatilidade do projeto: medida de variabilidade potencial do valor futuro do
projeto.
4. Prazo de vencimento da opo: prazo durante o qual a empresa pode deferir
uma deciso de investimento sem perder uma oportunidade.
5. Taxa de retorno livre de risco: no necessrio o uso de uma taxa de
desconto ajustada ao risco, pra valorar o projeto, porque se capta diretamente
o risco do projeto atravs da varivel volatilidade.

Copeland e Antikarov (2001) apontam ainda como uma sexta varivel os
fluxos de caixa perdidos para os concorrentes que j completaram o investimento.

Para o clculo do valor das opes reais existem alguns modelos j bastante
difundidos pela literatura como o binomial ou o de Black-Scholes.

A anlise de opes reais apresenta-se, portanto, como uma poderosa
ferramenta na avaliao de projetos. Seu enfoque, entretanto, o enfoque do
investidor e no do credor. Rigolon (1999), por outro lado, prope a utilizao desta
abordagem na anlise de crdito, particularmente o crdito de longo prazo. Este
autor argumenta que a natureza de opo da oportunidade de investir relevante
apenas no caso dos financiamentos de longo prazo, nos quais a irreversibilidade e a
baixa liquidez aumentam o risco. O enfoque permitiria, segundo Rigolon (1999),
52

identificar o melhor momento para financiar um investimento ou, alternativamente,
estimar a taxa de retorno requerida para o investimento imediato.

2.3 A construo de modelos

Modelo uma abstrao ou representao de um sistema real, uma idia ou
objeto (EVANS e OLSON, 1998).

Alguns modelos so prescritivos, determinam uma poltica tima (ex:
programao linear); outros so descritivos, isto , descrevem as relaes e
disponibilizam informaes para avaliao (ex: modelos de teoria das filas). Modelos
descritivos so utilizados para explicar o comportamento dos sistemas, para prever
eventos futuros, a partir de entradas do processo de planejamento e para ajudar os
decisores a escolherem a melhor soluo ou desenho do sistema (EVANS e
OLSON, 1998).

Os modelos tambm podem ser determinsticos ou probabilsticos. Nos
modelos determinsticos todas as informaes so conhecidas ou assumidas como
conhecidas, com certeza (CASAROTTO e KOPPITKE, 2000). Nos modelos
probabilsticos algumas informaes so descritas como distribuies de
probabilidades.

Modelos podem ainda ser discretos ou contnuos. Tal dicotomia se refere ao
tipo de varivel do modelo. Tambm se refere a como as variveis do modelo
mudam com o passar do tempo.

O primeiro passo da modelagem identificar as variveis do problema.
Posteriormente definir as relaes entre as variveis, as condies e restries do
sistema, de forma a possibilitar a construo de um modelo que represente, o mais
fielmente possvel, sua operao no mundo real. A construo do modelo consiste
na formulao das equaes que devem representar as inter-relaes do sistema e
no estabelecimento de limites de variao de resultados e valores (ANDRADE,
2000).

53

Andrade (1998) qualifica a modelagem como a parte mais difcil do processo
de simulao, pois, para que os modelos representem bem os sistemas, preciso
levar em conta todas as relaes importantes, tanto entre as variveis internas do
sistema quanto entre este e o meio que o cerca.

O modelo permite manipulaes que seriam inviveis no sistema real por ele
representado, devido ao custo ou impossibilidade de realiz-las (ANDRADE,
1998).

J Motta e Calba (2002) definem a modelagem como uma arte, pela qual se
busca o equilbrio entre uma impossvel reproduo completa da realidade e uma
simplificao excessiva que venha a prejudicar a aplicabilidade, na prtica, das
respostas obtidas com o experimento do modelo.

Depois de definido o modelo determinstico, possvel a aplicao da
simulao.

2.4. O Processo de Simulao

Uma simulao compreende a utilizao de uma representao ou modelo de
sistema real para analisar o comportamento ou desempenho deste sistema,
respeitando todas as regras e condies reais a que o sistema est submetido.
Simulaes so modelos descritivos cuja estrutura pode ser representada
como mostra a figura 10:






Figura 10 -Estrutura de modelos descritivos (Evans, 1998).

O modelo de simulao propriamente um conjunto de suposies ou
princpios que define o sistema ou problema. Ou ainda, como define Ingalls (2002),
Decises e
Variveis
Incontrolveis
Modelo
de
Simulao
Medida de
Performance do
Comportamento
Entradas Sadas
54

simulao o processo de projetar modelos dinmicos de sistemas dinmicos com
o propsito de entender o comportamento do sistema ou de avaliar estratgias
operacionais deste.

Esta dissertao versa sobre modelos de simulao descritivos e
probabilsticos, porque considera a aleatoriedade dos dados do sistema que
representa.

A simulao, como tcnica de anlise de sistemas e de decises de
problemas, vem sendo utilizada h bastante tempo ao longo da histria. Dezenas de
aplicaes de simulao esto a nossa volta, tais como: previso do tempo,
simuladores de vo, tticas militares, trajetrias de foguetes (EVANS e OLSON,
1998).

Segundo Evans e Olson (1998), o processo de simulao consiste em cinco
passos essenciais:
1. Desenvolver o modelo conceitual do sistema ou problema em estudo.
Definir o problema, identificar as metas e objetivos do estudo, determinar a
importncia das variveis de entrada e definir as medidas de sadas. Alm
disso, podemos incluir a descrio lgica do sistema cujo estudo est se
iniciando. Modelos de simulao devem ser os mais simples possveis, com
foco nos fatores crticos.

2. Construir o modelo de simulao
Desenvolver frmulas e/ou equaes, coletando todas as informaes
necessrias a serem utilizadas em cada varivel e definir a forma de registrar
os resultados. Isso implica desenhar uma planilha e desenvolver um
programa computacional.

3. Provar e validar o modelo
Provar refere-se ao processo de assegurar que o modelo est livre de erros
lgicos. Validar assegurar que o modelo uma representao razovel do
atual sistema ou problema. Estes so passos importantes para dar
55

credibilidade ao modelo de simulao e ganhar aceitao pelos gestores e
outros usurios.

Para provar o modelo, utilizam-se algumas tcnicas padro de engenharia de
software, tal como construir e programar o modelo em pequenos mdulos,
depurando cada mdulo, antes de coloc-los juntos. O modelo pode ser
revisto por especialistas, usando hipteses simplificadas, ento os resultados
podem ser comparados com os encontrados atravs de solues analticas,
usando um conjunto de dados reais, para checar se correspondem aos
resultados reais e rastreando em toda a extenso do modelo todos os seus
detalhes lgicos.

A Validao, assegurando que o modelo uma boa representao da
realidade, pode ser vista de algumas perspectivas diferentes: Validade
Aparente consiste em perguntar a especialistas se o modelo e/ou resultados
so razoveis. Isso pode incluir a comparao da estrutura do modelo de
simulao com o sistema presente, focando a ateno nas ligaes entre as
pequenas partes do modelo. Recursos grficos computacionais podem
auxiliar enormemente neste esforo. Um enfoque til, s vezes chamado de
Validao por Dados Histricos, compara as sadas do modelo, processando
dados histricos com um sistema real, usando os mesmos dados como
entradas. Validade dos Dados inclui assegurar que todos os dados de entrada
e as distribuies de probabilidade so verdadeiramente representativos do
sistema existente que foi modelado. Isto acarreta testes estatsticos de
excelncia de ajuste ou anlise de sensibilidade das sadas em relao s
variaes das entradas.

No existe um procedimento especfico para selecionar diferentes tcnicas de
verificao e validao; entretanto, extremamente importante que algum
mtodo ou ambos - validao e verificao - sejam utilizados.




56

4. Desenhar ensaios com o modelo
Determinar os valores das variveis controlveis a serem estudadas ou as
questes que devem ser respondidas, a fim de atingir os objetivos dos
decisores.

5. Realizar os experimentos e analisar os resultados.
Rodar a simulao para obter as informaes requeridas.

Pode ser necessrio retornar ao primeiro passo e levantar novas informaes
ou realizar modificaes no modelo. Portanto, simulao um processo evolutivo
que deve envolver no somente os analistas e os que desenvolvem o modelo, mas
tambm os usurios dos resultados (EVANS e OLSON, 1998).

Especificamente a modelagem proposta para anlise de risco de projetos de
investimento deve levar em considerao trs pontos: (GREY, 1995).

Volume total de recursos necessrios para o investimento proposto;
Cronograma de implantao do projeto;
Nvel de atividade e fluxo de caixa futuro.

Particularmente, o cronograma de implantao, no que diz respeito ao
cumprimento dos prazos, torna a estimativa mais complexa porque, alm da
varincia da estimativa em si, existem as ligaes lgicas (e, ou, se) entre as
diversas etapas da implantao do projeto. Existem processos subseqentes que
esto condicionados ao cumprimento de uma determinada etapa.

2.5 A Simulao de Monte Carlo

A Simulao ou Mtodo de Monte Carlo (MMC) pode ser conceituado como
um mtodo de simulao estatstica. Mtodos de simulaes estatsticas podem ser
definidos em termos gerais como qualquer mtodo que utilize uma seqncia de
nmeros randmicos para gerar a simulao. O Mtodo de Monte Carlo vem sendo
utilizado h sculos, mas somente nas ltimas dcadas esta tcnica ganhou status
57

de mtodo numrico completamente desenvolvido e habilitado a tratar das mais
complexas aplicaes.

Monte Carlo atualmente utilizado em diversos campos - da simulao de
complexos fenmenos fsicos, como a conduo da radiao na atmosfera terrestre
e a simulao de processos subnucleares esotricos de alta energia a situaes
bem mais triviais, como um jogo de Bingo.

Os mtodos de simulao estatstica podem ser diferenciados dos mtodos
numricos convencionais, nos quais geralmente so aplicadas equaes parciais
diferenciais que definem algum sistema fsico ou matemtico subjacente.

Em muitas aplicaes de Monte Carlo, o processo fsico simulado
diretamente e no necessrio escrever as equaes diferenciais que descrevem o
comportamento do sistema. A nica exigncia que o sistema seja descrito por
Funes Densidade de Probabilidade (FDP). Uma vez definidas as FDPs, a
Simulao de Monte Carlo pode proceder amostragem aleatria para as FDPs.
Algumas interaes so realizadas e o resultado desejado dado em funo da
mdia obtida das diversas observaes.

Para realizar o processo de amostragem, necessrio possuir algum mtodo
de gerao de nmeros aleatrios, uniformemente distribudos no intervalo [0,1]. Os
resultados destas amostras randmicas ou interaes devem ser acumulados de
maneira apropriada para produzir o resultado desejado, mas a caracterstica
fundamental do MMC usar tcnicas de amostragem randmica para chegar
soluo do problema.

O Mtodo de Monte Carlo fornece solues aproximadas a uma variedade de
problemas matemticos atravs de testes (experimentos) de amostragens
estatsticas em computador. O mtodo aplica-se extraordinariamente bem, tanto a
problemas absolutamente no probabilsticos, quanto a problemas com estrutura
inerentemente probabilstica. Somente isso no daria ao Mtodo de Monte Carlo
vantagem sobre outros mtodos de aproximao. Contudo, entre todos os mtodos
numricos que contam com n-pontos de avaliao em um espao m-dimensional
58

para produzir solues aproximadas, o MMC tem o erro absoluto de suas
estimativas, diminuindo a n
-1/2
, enquanto todas as outras tm erro absoluto de
estimativa, decrescendo a n
-1/m
no mximo. Esta propriedade d ao MMC uma
considervel vantagem na eficincia computacional quando m, o tamanho do
problema, aumenta (FISHMAN, 1995).

2.5.1. Histrico do Mtodo de Monte Carlo

O MMC teve trs desenvolvimentos histricos distintos, mas relacionados,
nas cincias matemticas: jogos de escolha motivaram os matemticos dos
sculos XVII e XVIII a considerar que os resultados de eventos sucessivos
formavam uma seqncia randmica de eventos. Observando que a mdia de uma
funo de variveis aleatrias contnuas tomava a forma de uma integral, estatsticos
dos sculos XIX e do incio do sculo XX posteriormente reconheceram que, em
princpio, nmeros sacados aleatoriamente podiam ser transformados de acordo
com regras prescritas e derivar uma soluo aproximada de uma integral de um
problema que intrinsecamente no possui qualquer contedo probabilstico (National
Bureau of Standards, 1951, p.40 apud FISHMAN, 1995). No fim do sculo XIX,
desenvolveu-se a segunda linha de questionamento, quando Lord Rayleigh mostrou
que o caminho aleatrio em uma dimenso (one-dimensional random walk) sem
barreiras absorventes (absorbing barriers) pode fornecer uma soluo aproximada
para a equao diferencial parablica. A terceira linha surge durante a Segunda
Guerra Mundial, quando cientistas precisavam resolver problemas de difuso de
nutrons.

Nesta terceira fase, surge o nome Monte Carlo, durante o desenvolvimento
do Projeto Manhattam na Segunda Guerra Mundial, quando Stanislaw Ulam e John
Von Neuman buscavam uma metodologia para estudo do comportamento da
trajetria do tomo durante sua fisso. O nome foi sugerido por Nicholas C.
Metroplis, doutor em fsica, que trabalhava junto com Neuman e Ulam, por causa
da similaridade entre a simulao estatstica e os jogos de azar, e por ser a capital
de Mnaco o centro do jogo. Metropolis e Ulam publicaram o primeiro trabalho sobre
o Mtodo de Monte Carlo, em 1949, no Journal of the American Statistical
Association, intitulado The Monte Carlo Method (PILANA, 2000).
59

Em 1964, foi conhecido o primeiro escrito em finanas especificamente
sugerindo a aplicao do Mtodo de Monte Carlo, quando David Hertz (1979)
publicou, na Harvard Business Review, um artigo intitulado Risk analysis in capital
investiment cujo texto sugeria a utilizao do Mtodo de Monte Carlo em avaliaes
de projetos, como forma de determinar o risco inerente a cada projeto. Este artigo
provocou grande repercusso no meio acadmico, tornando-se assunto obrigatrio
em todas as disciplinas de negcios e finanas. Artigos e livros sobre o assunto
foram publicados e a apologia a Monte Carlo continuou at 1972, quando Lewellen e
Long publicaram o artigo Simulation Versus Single-Value Estimates in Capital
Expenditure Analysis, no qual os autores questionam a capacidade do mtodo de
fornecer informao relevante e a relao custo-benefcio do mtodo (NAWROCKI,
2001).

2.5.2. Conceito fundamental

Conforme Andrade (1998), o Mtodo de Monte Carlo baseia-se em um
conceito estatstico simples.

Seja x uma varivel aleatria com as seguintes caractersticas:
Funo de distribuio de probabilidade f(x)
Funo cumulativa de probabilidade F(x)

Se definirmos uma nova varivel y = F(x), esta tem uma distribuio uniforme
sobre o intervalo fechado [0,1].

Assim como a funo cumulativa de probabilidades representa as caractersticas
aleatrias da varivel em questo, a funo y = F(x) uma relao entre
duas variveis:
Varivel x, com distribuio aleatria prpria.
Varivel y, com distribuio uniforme, entre 0 e 1 (ANDRADE, 1998).

2.5.3. Procedimento

O Mtodo de Monte Carlo consiste nos seguintes passos:
60

Dada a funo cumulativa de probabilidade da varivel em simulao
F(x), toma-se um nmero gerado aleatoriamente, no intervalo (0,1) ou
(0 a 100).
Usando a funo cumulativa de probabilidades, determina-se o valor da
varivel x, que corresponde ao nmero aleatrio gerado (ANDRADE,
1998).

Exemplo: f(x) Distribuio normal com = 7,00 e = 0,7











Figura 11 - Funo Densidade Normal com mdia 7 e desvio-padro 0,7

O gerador de nmeros aleatrios gera o nmero 0,5 no intervalo fechado (0,1) que,
quando plotado sobre a funo cumulativa, indica a valor 7,00 para a varivel
aleatria F(x) Funo cumulativa de probabilidades.









Figura 12 - Funo Normal Acumulada com mdia 7 e desvio-padro 0,7

Normal(7,00;0,70)
0.0
0.4
0.8
3.0 4.4 5.8 7.2 8.6 10.0
Normal(7,00;0,70)
0.0
0.5
1.0
3.0 4.4 5.8 7.2 8.6 10.0
61

A parte fundamental de um processo de simulao a construo do modelo.
A definio dos valores e eventos incertos - e como eles se relacionam - tarefa do
analista, o que determinante fundamental da qualidade do resultado. Os
mecanismos de gerao de nmero aleatrios, acumulao dos resultados e
gerao de relatrio so suportados por softwares j suficientemente validados
(figura 13) (GREY, 1995).










Figura 13 - Elementos da simulao (adaptado de Grey, 1995)

A realizao da Simulao de Monte Carlo pode ser esquematicamente
definida em trs etapas, conforme figura 14:













Figura 14 - Esquema do processo de Simulao de Monte Carlo
Suportado pelo Software
Definido pelo Analista
Descrio das
Incertezas de
Valores e
Eventos
Determinao
das Relaes
entre Valores e
Eventos
Mecanismo para
Gerao de
Nmeros
Aleatrios
Acumulao
Dos
Resultados

Anlise

Apresentao de
Relatrio
Gera nmero
aleatrio para
as Variveis
Calcula
O
Modelo
Registra o
Resultado no
Mapa
62

A partir da construo do conjunto de distribuies de freqncia e da
definio de suas inter-relaes possvel, atravs da utilizao de softwares,
realizar centenas ou milhares de interaes e armazenar os resultados destas
interaes (figura 15), criando assim uma distribuio de freqncia dos resultados
obtidos ((s) varivel (eis) definida(s) como de sada) (figura 16).














Figura 15 - Simulao de Monte Carlo O Processo (adaptado de Grey, 1995).


Figura 16 - Distribuio de freqncia da varivel de sada VPL

10.0000
1
Min. MP Max.
2
Mi n. MP Max.
3 Min. MP Max.
........ ..................................... ...............
n
Mi n. MP Ma x.
1
Min. MP Max.
2
Mi n. MP Max.
3 Min. MP Max.
........ ..................................... ...............
n
Mi n. MP Ma x.
1
Mi n. MP Max.
2
Min. MP Max.
3 Mi n. MP Max.
........ ..................................... ...............
n
Mi n. MP Ma x.
1
Mi n. MP Max.
2
Min. MP Max.
3 Mi n. MP Max.
........ ..................................... ...............
n
Mi n. MP Ma x.
1
Min. MP Max.
2
Mi n. MP Max.
3 Min. MP Max.
........ ..................................... ...............
n
Mi n. MP Ma x.
1
Min. MP Max.
2
Mi n. MP Max.
3 Min. MP Max.
........ ..................................... ...............
n
Mi n. MP Ma x.
1
Min. MP Max.
2
Mi n. MP Max.
3 Min. MP Max.
........ ..................................... ...............
n
Mi n. MP Ma x.
1
Min. MP Max.
2
Mi n. MP Max.
3 Min. MP Max.
........ ..................................... ...............
n
Mi n. MP Ma x.
1
Mi n. MP Max.
2
Min. MP Max.
3 Mi n. MP Max.
........ ..................................... ...............
n
Mi n. MP Ma x.
1
Mi n. MP Max.
2
Min. MP Max.
3 Mi n. MP Max.
........ ..................................... ...............
n
Mi n. MP Ma x.
1
Min. MP Max.
2
Mi n. MP Max.
3 Min. MP Max.
........ ..................................... ...............
n
Mi n. MP Ma x.
1
Min. MP Max.
2
Mi n. MP Max.
3 Min. MP Max.
........ ..................................... ...............
n
Mi n. MP Ma x.
1
Min. MP Max.
2
Mi n. MP Max.
3 Min. MP Max.
........ ..................................... ...............
n
Mi n. MP Ma x.
1
Min. MP Max.
2
Mi n. MP Max.
3 Min. MP Max.
........ ..................................... ...............
n
Mi n. MP Ma x.
1
2
Resultado

Armazena
Grfico de Frequncia
,000
,006
,012
,017
,023
0
28,75
57,5
86,25
115
(R$509,29) (R$193,61) R$122,08 R$437,76 R$753,44
5.000 Interaes 26 Outliers
VPL (em R$ mil)
P
r
o
b
a
b
i
l
i
d
a
d
e
F
r
e
q
u

n
c
i
a



63

A partir da distribuio de freqncia da varivel de sada pode-se medir a
rea de interesse desta distribuio. No caso especfico, medimos, novamente com
o apoio do software, a parte da distribuio que representa VPLs negativos (VPL<0)
(figura 17).


Figura 17 Anlise da Distribuio de freqncia da varivel de sada VPL . P(VPL<0) = 25,28%.

2.5.4 Principais componentes do algoritmo

A) Funes Distribuio de probabilidades
Uma distribuio de probabilidades uma distribuio de freqncias
relativas para os resultados de um espao amostral; mostra a proporo das
vezes em que a varivel aleatria tende a assumir cada um dos diversos valores
(STEVENSON, 1981). Um sistema deve ser descrito por um conjunto de Funes
de Distribuio de Probabilidades.

A identificao apropriada das distribuies de probabilidade dos dados de
entrada um importante elemento na modelagem para simulaes.
Freqentemente, para identificar estas distribuies necessrio realizar
anlises empricas ou histricas dos dados e adequ-los distribuio. Outras
vezes, os dados no esto disponveis e ser necessrio selecionar a
distribuio adequada e seus parmetros a partir do julgamento do analista
(EVANS e OLSON, 1998).

Grfico de Frequncia
Nvel de confiana de 25,28% para VPL<0
,000
,006
,012
,017
,023
0
28,75
57,5
86,25
115
(R$509,29) (R$193,61) R$122,08 R$437,76 R$753,44
5.000 Interaes 26 Outliers
VPL (em R$ mil)
F
r
e
q
u

n
c
i
a



P
r
o
b
a
b
i
l
i
d
a
d
e
64

B) Gerador de Nmeros Aleatrios
Uma fonte de nmeros aleatrios, uniformemente distribudos em um
intervalo, deve estar disponvel. Em realidade, os nmeros gerados por mtodos
computacionais so pseudo-aleatrios; porm, hoje os recursos existentes
permitem gerar sries to longas (milhes de nmeros) para estes nmeros
pseudo-randmicos que cientificamente eles so aceitos como se fossem
nmeros verdadeiramente aleatrios.

Para a aplicabilidade do MMC nos clculos desejados na anlise dos riscos
de projetos de investimentos, podem ser usados os seguintes critrios de
aleatoriedade dos nmeros gerados em computador: a) uniformemente
distribudos; b) estatisticamente independentes; c) reprodutveis, a fim de permitir
comparao entre programas; d) no repetibilidade da srie no intervalo de
interesse; e) velocidade de gerao; f) utilizao de memria mnima do
computador na gerao (COSTA e AZEVEDO apud SHIMIZU, 2000).

C) Regra de Amostragem
Apesar de o termo Monte Carlo ser utilizado como sinnimo de simulao,
strito sensu, ele refere-se ao processo de seleo amostral. Neste ponto dois
so os processos mais utilizados:
o Monte Carlo Sorteia variveis aleatrias uniformemente entre toda
a faixa de valores possveis.
o Latin Hypercube Assume que a distribuio de probabilidade est
dividida em intervalos com probabilidades iguais de sorteio. um
mtodo mais preciso do que o de Monte Carlo, j que utiliza
amostras de toda a faixa de distribuio, de maneira mais
consistente (EVANS e OLSON, 1998).

D) Scoring
Os resultados devem ser acumulados, de forma a gerar a distribuio de
resultados.



65

E) Erro de Estimativa
funo do nmero de interaes. O tamanho da amostra ou o nmero
de interaes da simulao afeta a qualidade do resultado. medida que o
nmero de interaes aumenta, a mdia e o desvio-padro tendem a se
estabilizar (figura 18). O erro-padro da mdia dado por:
epm =
n

Onde: = desvio padro da amostra
n = nmero de interaes
Figura 18 - Estabilizao da mdia e do desvio a partir do n de interaes

F) Tcnicas de Reduo de Varincia
Mtodos para reduzir a varincia da soluo estimada. Reduzem o tempo
computacional.

G) Paralelizao e Vetorizao
Algoritmos que permitem ao mtodo de Monte Carlo ser implementado
eficientemente em arquiteturas avanadas de computador.




Mdia e desvio versus n de simulaes
0
2.000
4.000
6.000
8.000
10.000
12.000
14.000
16.000
18.000
0 10 20 30 40 50 60 70 80 90 100
Nmero de simulaes
M

d
i
a

e

d
e
s
v
i
o
mdia desvio
66

2.5.5. A matemtica subjacente ao Mtodo de Monte Carlo

A) Teorema do Limite Central
Este teorema assegura que a soma ou a mdia de variveis aleatrias
independentes, as quais podem ser ou no normalmente distribudas, se
aproximaro de uma distribuio normal quando o nmero de variveis aleatrias
aumentar (DAMODARAN e BERNSTEIN, 2000).

Podemos resumir o Teorema do Limite Central a duas assertivas:
1. Se a populao sob amostragem tem distribuio normal, a distribuio das
mdias amostrais tambm ser normal para todos os tamanhos de amostra.
2. Se a populao bsica no-normal, a distribuio de mdias amostrais ser
aproximadamente normal para grandes amostras (STEVENSON, 1981).

B) Correlaes entre variveis
Freqentemente as variveis utilizadas nos modelos no so independentes. De
fato, a maioria delas mantm algum nvel de correlao entre as variveis e
temporal.
A correlao medida da seguinte forma:


( )
y x
y x Cov
r

,

Onde:
( ) ( )
y i x i
y x
n
Cov

1
- Covarincia entre X e Y


x x
var - Desvio-padro de X

( )
2 1
var

x i x
x
n
- Varincia de X
importante observar que desconsiderar as correlaes existentes conduz a
resultados cujo risco subestimado (NERSESIAN, 2000).

67


fenmeno
estacionrio
passado
frequncias relativas
futuro
probabilidades
fenmeno
estacionrio
freqncias relativas
probabilidades
2.5.6 Anlise Estatstica dos Dados

A maior dificuldade na aplicao de modelos de simulao no est na
operao do algoritmo, posto que hoje os softwares permitem faz-lo com segurana
e rapidez. O grande problema est na definio dos parmetros de entrada do
modelo. Basicamente existem duas situaes: quando existem dados (sries
histricas) disponveis e quando no existem.

2.5.6.1 Dados Disponveis
Quando existem dados disponveis, possvel realizar testes de aderncia.
Testes de aderncia servem para verificar se a distribuio de freqncia emprica
ou observada, em questo, aproxima-se de determinada distribuio de
probabilidades, e se isso passa em um teste de hipteses (MOTTA e CALBA,
2002).

Deve-se considerar que tal mtodo est fundamentado em duas suposies
(VEIGA, 2000):

A distribuio levantada com os dados j incorridos representa a variabilidade
do fenmeno analisado;
Este fenmeno manter sua estrutura no futuro (figura 19).








Figura 19 Estimando probabilidades com dados passados (VEIGA, 2000).

Existem softwares que realizam testes de aderncia dos dados, apontando a
funo terica que melhor se ajusta aos dados. Exemplos destes softwares so: O
BESTFIT

da Palisade Corporation e o BATCH FIT

da Decisioneering Inc.

68

Os mais conhecidos testes de aderncia so:
Qui-quadrado

( )

k
i
i
i i
t
t t
X
1
0
2
0
2

Onde:
i
t = a freqncia absoluta observada na amostra para k classes,

0
i
t = a freqncia absoluta que ser a esperada se a hiptese a
respeito da forma da distribuio for verdadeira.
Kolmogorov-Smirnov
o teste mais apropriado para pequenas amostras.
Anderson-Darling
Tem um enfoque similar ao Kolmogorov-Smirnov, exceto pela ponderao
dada s caudas, que maior que as faixas mdias. indicado quando se
necessita de uma funo que melhor se adapte nos extremos das caudas.

2.5.6.2 Dados no disponveis
Quando no h dados disponveis, podem-se consultar especialistas, como
consultores externos organizao, ou algum expert no assunto. Nesta hiptese,
utilizam-se probabilidades subjetivas, fruto do julgamento e crenas pessoais.
esta, hoje, a grande questo em discusso, quando se trata de Simulao de Monte
Carlo. O foco, hoje, volta-se para a qualidade das informaes que determinam as
distribuies de probabilidades.

Alguns autores - dentre eles Grey (1995), Savage (1996),) Clemen e Reilly
(2001) e Curry (2002) - esto convencidos de que possvel representar qualquer
situao atravs de distribuies uniformes ou triangulares, quando da ausncia de
srie de dados.

2.5.7 A Diferenciao entre Risco e Incerteza

Uma situao dita de Risco quando se conhece a exata distribuio de
probabilidades de cada um dos eventos possveis relacionados tomada de
deciso. Por outro lado, uma situao considerada como de Incerteza quando no
temos conhecimento objetivo da distribuio de probabilidades para um evento
69

futuro, utilizando, para isso, conhecimento acumulado de experincias passadas
(S, 1999).

2.5.8. A Escola Bayesiana

Na cincia estatstica, existe uma diviso bsica no que diz respeito
utilizao de probabilidades subjetivas para resultados de eventos futuros. A
chamada Escola Clssica afirma que o uso de probabilidades subjetivas no oferece
nenhum resultado coerente. J a chamada Escola Bayesiana considera impossvel
ignorar as probabilidades subjetivas. Os bayesianos alegam que o uso das
probabilidades subjetivas justificvel, uma vez que qualquer informao que se
tenha sobre determinado assunto, quando usada adequadamente, possibilita
maiores acertos do que os resultados obtidos de uma deciso sobre um assunto do
qual nada se sabe (S, 1999).

2.5.9. O uso do julgamento na modelagem

Segundo Evans e Olson (1998), quando no se dispe de informaes
empricas, tem-se que utilizar o julgamento para determinar as distribuies que
sero as entradas do modelo. Neste ponto, o conhecimento sobre o comportamento
das diferentes distribuies ajuda a estimativa. Entretanto, em muitos casos no se
dispe sequer de uma idia de qual distribuio usar. Atravs do julgamento de
especialistas, possvel definir um intervalo [a,b] no qual se acredita que a varivel
deve se situar. possvel, ento, modelar este julgamento atravs de trs tipos de
distribuio:

1) Se no existe razo para acreditar que qualquer valor
dentro deste intervalo tem uma probabilidade de ocorrncia
maior do que outros, ento uma escolha apropriada pode
ser uma distribuio uniforme.
2) Se se acredita que existe um valor c entre a e b que mais
provvel de ocorrer que os outros, a distribuio triangular
deve ser utilizada.
70

3) Se existe alguma razo para estimar um valor mdio m,
alm do valor mais provvel c, deve-se ento utilizar uma
distribuio beta com e definidos da seguinte forma
(EVANS e OLSON, 1998):


( ) ( )
( ) ( ) a b m c
b a c a m

2

( )
( )

a m
m b


Grey (1995) discorda da utilizao da funo beta para determinao de
probabilidades subjetivas; o autor alega a necessidade de construir modelos to
simples quanto possveis e diretamente relacionados com as informaes fornecidas
pelos especialistas envolvidos e nos mesmos termos a que eles esto acostumados.
Dessa forma, eles daro credibilidade aos resultados. Para Grey (1995), quando se
trabalha com probabilidades subjetivas, devem ser utilizadas unicamente
distribuies triangulares.

Na mesma linha de Grey, Savage (1996) acredita que possvel modelar
qualquer distribuio como triangular, especificando os valores mnimo, mximo e
mais provvel, gerando assim uma significante melhora na condio de falta de
informao emprica.

2.5.10 Probabilidade Subjetiva

Quando a probabilidade representa um nvel de crena pessoal sobre o
resultado de um evento especfico, estamos adotando uma interpretao subjetiva.
(CLEMEN e REILLY, 2001).

A avaliao subjetiva da incerteza tem sido um importante elemento na
anlise de decises. A tendncia bsica da moderna anlise de decises que
julgamentos subjetivos sob incerteza podem ser feitos em termos de probabilidade
(CLEMEN e REILLY, 2001).

Entretanto, o uso de probabilidades subjetivas requer o conhecimento dos
heursticos e suas tendncias.
71

2.5.11 Heursticos e Armadilhas Psicolgicas

Nossas mentes criam mecanismos inconscientes para lidar com a
complexidade inerente vida. Estes mecanismos, chamados heursticos, so teis a
um grande nmero de situaes (HAMMOND, KEENEY e RAIFFA, 1999).

Exemplo de processo heurstico o mecanismo que nossas mentes usam
para avaliar distncias, que relaciona a nitidez e a proximidade. Quanto mais ntido
parece um objeto, mais prximo deve estar. Quanto mais indefinido, mais distante.

Embora bastante teis no dia-a-dia, a maioria dos mecanismos heur sticos,
no segura. Pode-se identificar uma longa srie de falhas na maneira como
pensamos. Algumas tomam a forma de desvios na percepo sensorial; outras, a de
julgamentos tendenciosos; outras, ainda, se manifestam simplesmente como
anomalias irracionais do pensamento. O que torna todas estas falhas to perigosas
a sua invisibilidade. Pelo fato de que a maioria delas est solidamente enraizada
em nosso processo de raciocnio, deixa-se de reconhec-las mesmo quando se
torna vtima (HAMMOND, KEENEY e RAIFFA, 1999).

Hammond, Keeney e Raiffa (1999) chamam estas falhas de pensamento de
armadilhas psicolgicas, e no obstante seja impossvel livrar nossas mentes delas,
pode-se aprender a compreend-las e compensar sua existncia.

Um trabalho que tem sido referenciado na maioria dos textos sobre o assunto
o artigo publicado em 1974, por Amos Tversky e Daniel Kahneman, intitulado
Judgment under Uncertainty: Heuristics and Biases. Neste texto, os autores
apresentam trs processos heursticos empregados quando realizamos julgamentos
em condies de incerteza:

Representatividade (Representativeness) geralmente empregado quando
necessitamos julgar a probabilidade de um objeto ou evento qualquer
pertencer a uma determinada classe ou processo;
72

Viabilidade de um caso ou cenrio (Availability of instances or scenarios)
freqentemente empregado quando necessitamos avaliar a freqncia de
uma classe ou a plausibilidade de um desenvolvimento especfico;
Ajuste decorrente de uma ncora (Adjustment from an anchor) geralmente
empregado em predies numricas quando avaliamos valores importantes.

Tversky e Kahneman (1974) apresentam uma relao de armadilhas
psicolgicas que afetam cada um destes heursticos, e que conduzem a avaliaes e
predies incorretas.

A compreenso destes heursticos e das armadilhas em que se pode incorrer
quando se est empregando cada um deles de suma importncia, quando se
necessita utilizar probabilidades subjetivas, posto que no se podem eliminar estes
erros, a sua conscincia pode permitir suas compensaes (HAMMOND, KEENEY e
RAIFFA, 1999).

Expem-se, a seguir, algumas destas armadilhas e possveis tcnicas para
minimizar seus efeitos.

2.5.11.1 A armadilha da ncora: apegar-se demasiado primeira idia
Ao refletir sobre uma deciso, a mente d relevncia demasiada primeira
informao que recebe. Impresses, idias, estimativas ou dados iniciais funcionam
como ncora para a reflexo subseqente (HAMMOND, KEENEY e RAIFFA, 1999,
p.171).

O indivduo que faz a projeo toma como base um determinado nmero
histrico para o qual atribui peso demasiado, e este passa a funcionar como ncora,
impedindo que o responsvel pelas estimativas considere com a devida importncia
outros fatores. Principalmente em situaes caracterizadas por mudanas
repentinas, a ncora histrica capaz de levar a previses insatisfatrias e, por sua
vez, a escolhas mal orientadas (HAMMOND, KEENEY e RAIFFA, 1999).

Este tipo de armadilha muito comum na projeo de fluxos de caixa.

73

Hammond, Keeney e Raiffa (1999) sugerem a utilizao das seguintes
tcnicas como forma de reduzir o impacto da influncia do efeito das ncoras, j que
elimin-lo impossvel:

Observar sempre uma questo atravs de diferentes perspectivas. Tentar
utilizar pontos de partida e mtodos alternativos, em vez de se agarrar e
permanecer com a primeira linha de pensamento que ocorrer. Aps explorar
vrios caminhos, ajustar quaisquer diferenas nas implicaes que eles
trazem.
Pensar sobre o problema e decidir por si prprio, antes de consultar os outros,
evitando assim as ncoras que as idias alheias possam representar.
Buscar informao e opinies com uma variedade de pessoas, para expandir
a base de referncia, e levar a mente em novas direes.
Ser cuidadoso para no fornecer ncoras queles de quem solicita
informao e aconselhamento. Informe-os o mnimo possvel sobre suas
idias, estimativas e decises provisrias. Se voc falar demais, pode
simplesmente receber de volta seus prprios conceitos anteriores (que a essa
altura se tornaram ncoras para seu conselheiro).
Preparar-se bem antes de negociar. Assim ficar menos suscetvel a tticas
que o ancoram.

2.5.11.2 A armadilha do satus quo: manter o que vem sendo feito
A maior parte dos agentes de decises exibem firme predisposio no
sentido de alternativas que perpetuem a situao vigente (HAMMOND, KEENEY e
RAIFFA, 1999, p.172).

Hammond, Keeney e Raiffa (1999) lembram que a manuteno da ordem
vigente pode verdadeiramente ser a melhor escolha, mas esta no deve ser
escolhida simplesmente por ser a ordem vigente. Estes autores apresentam ainda
as seguintes tcnicas para reduo ao apelo da manuteno do status quo:

Relembrar sempre seus objetivos e examinar de que modo seriam eles
atendidos pela situao atual. Talvez se descubra que os elementos da
situao vigente so incompatveis com aqueles objetivos.
74

Nunca pensar no status quo como nica alternativa. Identificar outras opes
e utiliz-las como contrapesos, avaliando com cautela os prs e contras.
Analisar se a preferncia persistiria, caso a alternativa da situao presente
no fosse o status quo.
Evitar exagerar o esforo ou o custo envolvido em alterar a ordem vigente.
Testar rigorosamente a situao atual. No comparar simplesmente pelo que
contra o que as alternativas seriam. A realidade pode tambm se modificar,
juntamente com o status quo.
Se vrias alternativas forem claramente superiores ordem estabelecida, no
decidir manter tudo como est, pelo fato de que escolher a melhor alternativa
representaria grande esforo. Obrigue-se a escolher uma.

2.5.11.3 A armadilha do capital empatado: proteger decises j tomadas
Tendemos a fazer escolhas de modo a justificar decises anteriores, ainda
que estas j no paream mais vlidas (HAMMOND, KEENEY e RAIFFA, 1999, p.
174). As decises passadas criam custos afundados investimento de tempo ou
dinheiro que so irrecuperveis. Tais custos so irrelevantes para a deciso
presente. Ou, como nos lembram estes autores, as influncias das decises no
recairo sobre o passado, mas somente sobre o futuro.

2.5.11.4 Estimando probabilidades subjetivas
Clemen e Reilly (2001) apresentam trs mtodos bsicos de estimar
probabilidades subjetivas.

No primeiro mtodo, o decisor simplesmente avalia diretamente, respondendo
pergunta: qual a sua expectativa quanto probabilidade de o evento ocorrer?

O segundo mtodo consiste em perguntar sobre as apostas que o decisor
estaria inclinado a fazer. A idia encontrar uma quantia especfica para ganhar ou
perder tal que o decisor esteja indiferente s apostas, considerando que o valor
esperado destas o mesmo. Dadas estas condies, possvel encontrar uma
probabilidade.

75

Supe-se um jogo entre duas equipes (A e B) e admite-se que o decisor seja
indiferente a qualquer uma das seguintes apostas:
Aposta 1 (aposta em A): Ganha $X se A ganhar
Perde $Y se A perder

Aposta 2 (aposta contra A) : Perde $X se A ganhar
Ganha $Y se A perder

Figura 20 - rvore de deciso representativa da estimativa da probabilidade subjetiva via o mtodo da aposta
(CLEMEN e REILLY, 2001).

As apostas 1 e 2 so simtricas. So lados opostos da mesma aposta. Se o
decisor indiferente entre as apostas 1 e 2, ento, no seu julgamento, os valores
esperados devem ser iguais:

( ) ( ) [ ] ( ) ( ) [ ] Ganhar A P Y Ganhar A P X Ganhar A P Y Ganhar A P X + 1 1

que implica em:
( ) ( ) [ ] { } 0 1 2 Ganhar A P Y Ganhar A P X

dividindo por 2 e expandindo:
( ) ( ) 0 + Ganhar A P Y Y Ganhar A P X

( ) ( ) 0 + Y Ganhar A P Y X

X
-Y
-X
Y
Aposta em A
Aposta contra A
A Ganha
A Perde
A Ganha
A Perde
76

( )
Y X
Y
Ganhar A P
+


O enfoque da aposta, para estimar probabilidades, apresenta alguns
problemas: primeiramente, muitas pessoas simplesmente no gostam da idia de
aposta. Para estas pessoas, o enfoque pode ser inadequado. A maioria das pessoas
avessa ao risco. Portanto, as apostas devem considerar pequenas quantias para
que a possvel averso ao risco no interfira. Finalmente, o enfoque da aposta
tambm presume que, ao se fazer a aposta individualmente, no se podem fazer
outras apostas no evento especfico, ou em eventos relacionados. Isto , no
possvel se proteger de perdas (hedging).

O terceiro mtodo adota como estratgia um experimento de reflexo, no qual
o decisor compara dois jogos de loteria, cada qual com um prmio diferente.

Figura 21 - rvore de deciso representativa da estimativa da probabilidade subjetiva via o mtodo da loteria
(CLEMEN e REILLY, 2001).

2.5.12 Principais crticas ao mtodo de Monte Carlo

Em um artigo publicado no Journal of Financial Planning, em novembro de
2001, David Nawrocki Ph.D., professor de finanas da Universidade de Villanova na
Pennsylvania, critica duramente o emprego da simulao de Monte Carlo em
finanas, afirmando que a Simulao de Monte Carlo, na melhor das hipteses,
muito difcil de se implementar; e na pior, pode levar a decises incorretas. Segundo
Nawrock (2001), o problema reside basicamente no conjunto de premissas
Prmio
80,0%
20,0%
80,0%
0
20,0%
1 Cerveja
1 Ms de Frias no Hava
1 Cerveja
1 Ms de Frias no Hava
Loteria 1
Loteria 2 (loteria de referncia)
Ganha
Perde
P
( 1 - P )
77

tipicamente adotado na SMC, que assume distribuies normais e coeficientes de
correlao zero, premissas essas que no so representativas dos mercados
financeiros.

Em seu artigo, Nawrocki (2001) referencia autores como Lewellen e Long
(1972), Philippatos (1973), Myers (1976) e Rubinstein (1981), cujos trabalhos
tambm questionam a eficcia prtica do mtodo, devida grande dificuldade de
estabelecer distribuies de freqncia das variveis, bem como as correlaes
serial e entre-variveis. Ainda segundo Nawrocki, Rubinstein estabeleceu os critrios
que definiriam quando apropriado usar a simulao de Monte Carlo. Os quais
seriam:
A impossibilidade ou custo excessivo para obteno de informaes;
O sistema observado muito complexo;
muito difcil obter uma soluo analtica;
impossvel ou extremamente custoso validar matematicamente os
experimentos.

2.6 O Apoio Computacional na Simulao

Com o surgimento dos computadores digitais por volta de 1950 e 1960,
iniciou-se a programao computacional, utilizando-se as linguagens FORTRAN
para simulaes mais complicadas. Outros programas com o mesmo propsito
surgiram (GPSS, SIMSCRIPT, SLAM e SIMAN), facilitando os processos de
simulao (KELTON, SADOWSKI e SADOWSKI, 1998).

Atualmente, diversos aplicativos (softwares) de simulaes esto disponveis
no mercado, a exemplo de: Crystal Ball

da Decisoneering

, @ Risk

da Palisade
Corporation e o Xlsim. Todos esses aplicativos so acessveis do ponto de vista
tecnolgico e econmico, podendo ser utilizados em computadores pessoais com
timas performances.

Com algumas variaes, estes softwares possuem, no mnimo, as seguintes
caractersticas:

78

Simulao de Monte Carlo Calculam, automaticamente, mltiplos
cenrios de um modelo em planilha;
Conjunto de distribuies de probabilidades Permitem transformar as
variveis determinsticas em probabilsticas;
Grficos das projees Mostram o resultado das simulaes;
Anlise de sensibilidade e grfico Tornado Identificam as variveis de
entrada mais crticas e apresenta suas correlaes com as variveis de
sada;
Rotina de ajuste de distribuies a partir de uma srie de dados,
realizam testes de aderncia, a fim de definir qual a distribuio que
mais se ajusta srie;
Correlaes Modelam dependncias entre incertezas de variveis de
entrada;
Gerador de relatrios e grficos - Geram relatrios estatsticos com
dados e grficos dos resultados e das premissas adotadas;
Controle de preciso - Controlam o nvel de confiana dos resultados.

O surgimento destes softwares e de mquinas com alta performance,
capazes de processarem rapidamente milhares de simulaes e acumularem os
resultados destas interaes, a alta velocidade e a um custo relativamente baixo, foi
fator determinante para viabilizar a aplicao da Simulao de Monte Carlo em um
grande nmero de situaes do dia-a-dia.












79

3 ESTUDO DE CASO


Este captulo apresenta o estudo de caso realizado na DESENBAHIA
Agncia de Fomento do Estado da Bahia, que avalia um modelo de anlise de risco
de crdito, implantado nessa agncia durante o ano de 2000, o qual utiliza a
Simulao de Monte Carlo para quantificar as incertezas inerentes aos fluxos de
caixas projetados.

3.1 A Desenbahia

A DESENBAHIA Agncia de Fomento do Estado da Bahia surge em 2001
como sucessora do DESENBANCO Banco de Desenvolvimento do Estado da
Bahia, fundado em 1966. Trata-se de Instituio Financeira de capital fechado na
ordem de R$ 223 milhes e uma carteira de operaes de crdito de R$ 313 milhes
(base: junho/2003 exclusive os recursos administrados do FUNDESE) cujo
principal objetivo fomentar o desenvolvimento econmico e social do estado.

A transformao em Agncia de Fomento ampliou as atividades da
organizao, mas manteve seu brao financeiro, continuando, portanto, a financiar
empreendimentos no estado. Desta forma, para os objetivos deste trabalho, a
transformao de DESENBANCO para DESENBAHIA no relevante.

3.2 A Estrutura Organizacional e a rea de Risco

Na DESENBAHIA, a rea responsvel pela gesto de risco, na qual ocorre o
processo de quantificao do risco de projetos, est estruturalmente definida como
uma unidade, denominada Unidade de Gesto de Risco UGR, subordinada
Gerncia de Estudos e Assessoria GEA que, por sua vez, est lotada na Diretoria
de Desenvolvimento de Negcios DDN, conforme se observa na figura 22. O
organograma completo da DESENBAHIA pode ser observado no Anexo A.

Convm ressaltar que a estrutura atual decorrente de uma reestruturao
organizacional ocorrida em janeiro de 2003. Durante o perodo de 2000 a 2002,
quando se desenvolveu todo o trabalho de implantao e quando foram avaliados
80

todos os 57 projetos analisados neste estudo de caso, a UGR Unidade de Gesto
de Risco, apesar de desempenhar as mesmas funes que desempenha
atualmente, subordinava-se Gerncia de Negcios que, por sua vez, estava ligada
Diretoria de Operaes - DOP. Tal reestruturao baseou-se no princpio de
segregao das funes, posto que a rea de operaes tem objetivos de produo,
no devendo, portanto, exercer tambm atividades de anlise de risco e concesso
do crdito.
















Figura 22 Estrutura Organizacional e rea de Risco (Fonte: DESENBAHIA)


3.3 O Fluxo do Processo de Anlise e Quantificao do Risco do Projeto


De forma simplificada, o fluxo do processo de anlise e quantificao do risco
do projeto inicia-se com a apresentao de carta consulta ou do prprio projeto a
uma das gerncias de operaes ou diretamente UCD Unidade de Cadastro,
que realiza o enquadramento e anlise cadastral. Sendo o projeto enquadrado, este
encaminhado gerncia de operaes pertinente (Crdito Rural, Mdios
Negcios, Micro e Pequenas Empresas), nas quais efetivamente se realizam os
estudos de viabilidade tcnica, econmica e financeira do projeto. Caso obtenha
parecer favorvel deste setor, segue para a UGR Unidade de Gesto de Risco,
que ir quantificar o risco do projeto, emitindo um parecer opinativo e classificatrio
sobre o projeto, para deliberao nos comits e aladas competentes. No perodo
2000/2002, anterior reestruturao organi zacional j referida, a organizao
DESENVOLVIMENTO
DE NEGCIOS
DDN
DESENVOLVIMENTO
DE PRODUTOS
GDP
ESTUDOSE
ASSESSORIA
GEA

ASSESSORIA
INTERNA
UAS

ESTUDOSE
PESQUISA
UEP
SECRETARIA
EXECUTIVA DOS
FUNDOSESTADUAIS
SEF
MICROFINANAS
GMI

GESTO DE
RISCO
UGR
81

dispunha de uma Unidade de Anlise de Projetos UAP, subordinada a uma
Gerncia de Negcios GAN, que realizava as anlises de todos os projetos.
Existem, portanto, neste estudo, referncias UAP Unidade de Anlise de
Projetos,cuja funo precpua hoje realizada por analistas de cada gerncia e, no
obstante tais mudanas na estrutura organizacional, as atividades desenvolvidas no
fluxo do processo mantiveram-se as mesmas ao longo do perodo analisado e esto
descritas na figura 23.



Figura 23 Fases do processo de Concesso de Financiamento (Fonte: DESENBAHIA)


Observa-se que existem trs etapas, ligadas ao processo, porm distintas, a
saber: I) a anlise de viabilidade do empreendimento, II) a anlise de crdito e III) a
anlise de risco do projeto. A anlise de viabilidade do empreendimento constitui o
ponto central do processo e utiliza-se de metodologia bastante difundida e validada,
no qual se criticam os valores e clculos apresentados referentes ao
dimensionamento das necessidades de investimento fixo e em giro, dos nveis de
atividade e estrutura de custos e despesas apresentados. Seu relatrio final
conclusivo (o projeto s seguir adiante se aprovado nesta etapa) sobre a



Fases do Processo

de Concesso de
Financi amento

Deliberao

Tram ita processo
pelas diversas
instncias decisrias
da Agncia.

Contratao


Elabora e emite contrato;


Providencia assinaturas e
registro em cartrio.

Anlise de Risco

Afere risco do projeto,
simulando o fluxo de caixa
da empresa em vrios
cenrios e por um perodo
igual ao do financiamento.

Anlise

Analisa viabilidade do
empreendimento;

Analisa doc. dos bens
dados em garantia;

Realiza anlise de tcnica;

Avalia garantia;

Analisa crdito;

Afere aderncia final.

Enquadramento

Analisa cadastro;

Analisa critrios especficos
da linha e/ou programa;

Afere a aderncia;

Analisa outros critrios
descritos na Poltica
Operacional da Agncia.

Atendimento ao Cliente

Apresenta as linhas de
financiamento ofertadas
p ela Agncia;

Informa ao cliente a
documentao necessria;

Orienta o cliente quanto ao
preenchimento da
documentao.

82

viabilidade tcnica e a capacidade de pagamento do empreendimento. A Anlise de
crdito uma anlise retrospectiva baseada em informaes cadastrais da empresa
e dos empresrios e de demonstrativos financeiros. Utiliza-se de um modelo
matricial que conjuga questes cujos critrios se fundamentam nos cinco cs do
crdito (Carter, Capital, Capacidade, Colateral e Condies) com cenrios
macroeconmicos, sendo que o resultado classificado em uma escala de rating.
Por fim, a anlise de risco de projeto, em cuja temtica se concentra esta
dissertao, uma anlise prospectiva que, a partir do fluxo de caixa gerado pelos
analistas, identifica as variveis de maior influncia para o resultado do projeto,
define distribuies de probabilidades para estas variveis e simula o fluxo de caixa
(Mtodo de Monte Carlo), transformando o modelo de anlise - que at ento era
determinstico - em probabilstico. Como resultado final da classificao de crdito da
operao, valer a pior das avaliaes, seja ela proveniente da anlise de crdito,
seja da anlise de risco do projeto. Entretanto, esta avaliao pode ser melhorada
em funo das garantias apresentadas (figura 24).















Figura 24 Etapas da Anlise de Risco de Crdito.
Conforme exposto no pargrafo anterior, o processo de anlise de crdito que
subsidia a concesso de financiamento, na DESENBAHIA, em sua integridade
abrange mais do que unicamente o processo de simulao. Aspectos como carter e
capacidade gerencial dos dirigentes do empreendimento so avaliados na fase de
anlise de crdito. importante considerar isto ao analisar os dados da pesquisa,
Rating Final
da Operao

Anlise de Viabilidade
Tcnica, Econmica e
Financeira

Anlise Retrospectiva Matriz
de Crdito 5Cs versus
Cenrios
5 Cs Versus
Anlise Prospectiva
Simulao dos Fluxos de
Caixas Projetados


Rating da
Empresa

Rating
do Proj eto
Anlise das
Garantias

MIN(RE,RP)

Rating
Final da
Operao

83

pois nem todos os fatores que podem levar um projeto inadimplncia so avaliados
na fase de anlise de risco do projeto, prejudicando, portanto, o estabelecimento de
correlao entre os nveis de risco do projeto estabelecidos pelo modelo e a
ocorrncia da inadimplncia.


3.4. O Modelo de Quantificao do Risco do Projeto


O modelo implantado na DESENBAHIA utiliza como mtodo bsico de
avaliao o clculo do Valor Presente (VP) dos fluxos de caixa livres para o
acionista/quotistas projetados para o horizonte do prazo do financiamento.

No so projetados Demonstrativos de Resultados e nem Balanos
Patrimoniais. O fluxo de caixa construdo a partir de informaes de receitas e
custos extradas do projeto, devidamente criticadas pelos analistas de projetos.

Calcula-se o valor presente do fluxo de caixa livre para os acionistas (ou
quotistas), j abatido, portanto, dos juros e amortizaes dos financiamentos. Estes
fluxos so descontados a uma taxa que reflita o nvel de risco do empreendimento,
determinada atravs do modelo CAPM Capital Asset Pricing Model.

A idia central do modelo que o projeto deve remunerar satisfatoriamente o
investidor, e que o risco de inadimplncia surge a partir do momento em que o
investidor no se sente adequadamente remunerado, independente de que ainda
exista capacidade de pagamento do financiamento no projeto.

Posteriormente, os fluxos projetados so submetidos ao processo de
simulao, objeto deste estudo, utilizando-se, para tanto, o software Crystal Ball

.

O modelo de fluxo de caixa adotado tem uma estrutura genrica conforme
demonstrado na figura 25, mas bastante flexvel, sendo adaptvel a cada projeto
analisado em funo das necessidades apresentadas.



84

Discriminao Valor ano 1 Valor ano .....
Receita Bruta
(-) Impostos/ Devolues
(=) Receita Lquida
(-) Custos Operacionais Fixos
(-) Custos Operacionais Variveis
(=) Lucro Operacional Bruto
(-) Despesas Financeiras
(=) Lucro Antes do Imposto
(-) Proviso para IR e CS
(=) Lucro Lquido
(+) Depreciao
(+/-) Var. na NCG
(+/-) Var. Investimentos Fixos
(-) Amortizaes
(=) Fluxo de Caixa Livre para o acionista
Figura 25 Exemplo de modelagem de fluxo de caixa.

3.4.1 Identificao das variveis do modelo

A UGR Unidade de Gesto de Risco toma como ponto de partida o fluxo de
caixa projetado, com os anexos: planilha de financiamento e clculo da Necessidade
de Capital de Giro, provenientes dos analistas de projetos, que at este momento
constitui-se um modelo determinstico e foi elaborado a partir das informaes de
projeto, devidamente criticadas e ajustadas pelos analistas.

As principais variveis constantes do modelo de fluxo de caixa projetado so:

Receita Bruta
A receita operacional bruta o valor agregado das vendas de um ou de vrios
produtos e/ou servios. Este valor agregado estimado o ponto de partida de
qualquer modelo de projeo econmico-fi nanceira. Sua preciso e
acuracidade so fundamentais para a qualidade do resultado obtido. , em
geral, a mais importante varivel de entrada do modelo.

85

conveniente ter previses de preo e quantidade vendida em separado,
para permitir simulaes mais precisas. Caso seja necessrio e haja
disponibilidade de informao, podem-se construir matrizes auxiliares de
preo e quantidade vendida, por regio ou por produto, melhorando a
sensibilizao das projees. As entradas do modelo sero ento a
quantidade vendida total e o preo mdio ponderado, resultantes das
matrizes auxiliares. Deve-se, ainda, separar o faturamento em moeda
domstica e em moeda estrangeira.

necessrio atentar para que as previses estejam compatveis com a
capacidade de produo, e os custos decorrentes do regime de turnos
adotado.

Impostos (PIS, COFINS, ISS, ICMS, etc.).
Os impostos incidentes sobre o faturamento so modelados como uma
porcentagem destes.

Custos Variveis (CPV ou CSV, etc.).
extremamente importante que constem nessa rubrica apenas os custos
variveis e diretamente ligados produo. Os custos fixos devero ser
lanados em conta separada, de modo a permitir a sensibilizao do modelo
alavancagem operacional da empresa.

Sempre que se consegue desmembrar a receita em quantidade x preo, o
Custo Varivel ser custo varivel unitrio x quantidade, o que permitir uma
simulao mais fidedigna.

Custos Fixos
A segregao entre custos fixos e variveis fundamental para um resultado
mais consistente da simulao, na medida em que flutuaes de receitas
podem levar a empresa a no atingir seu ponto de equilbrio.
86

Devem-se observar as limitaes de capacidade produtiva, ou at que volume
de produo estes custos permanecero fixos a um patamar, no sendo
necessrio novos investimentos.


Depreciao
Os elementos que integram o ativo imobilizado tm um perodo limitado de
vida til econmica. Dessa forma, o custo de tais ativos deve ser alocado aos
exerccios beneficiados pelo seu uso no decorrer de sua vida til econmica.
A despesa ou custo correspondente a essa alocao chama-se de
depreciao, a qual possui a caracterstica de no representar um
desembolso, ou seja, no h sada de caixa. Por este motivo, reverte-se o
valor da depreciao para apurao do fluxo de caixa. Deve-se atentar,
entretanto, que tal procedimento pressupe a no reposio dos ativos
durante o perodo da projeo, o que pode no ser realista ou, no mnimo,
gerar custos de manuteno crescentes. Observa-se, ainda, que existem
ativos cuja necessidade de reposio ocorre antes do trmino de sua vida til
- ou por obsolescncia ou por terem atingido sua vida econmica
2
-, o que
no pode ser desconsiderado na projeo.

Despesas Financeiras
Representam o total dos juros pagos pela utilizao de capital de terceiros em
todas as suas modalidades.

Amortizao
Representa o total de valores pagos a credores como devoluo de principal
de operaes de crdito.

Necessidade de Capital de Giro
A conta NECESSIDADE DE CAPITAL DE GIRO (NCG) pode ser calculada
atravs da diferena entre o capital de giro lquido de um ano e do ano
anterior; para tanto, torna-se necessrio realizar a projeo dos balanos
patrimoniais ou, no mnimo, das contas de circulante.

2
Para uma melhor compreenso do conceito de vida econmica ver CASAROTTO FILHO e KOPITTKE (2000).
87


NCG
1
= CCL
1
- CCL
0
onde:
CCL
1
= AC
1
- PC
1

CCL
0
= AC
0
- PC
1


e: CCL
n
= Capital Circulante Lquido no instante n
AC
n
= Ativo Circulante no perodo n
PC
n
= Passivo Circulante Lquido no perodo n

No modelo de fluxo de caixa adotado pela DESENBAHIA, identificam-se duas
formas de clculo para a NCG. A primeira projeta as contas de circulante a
partir dos prazos mdios operacionais histricos, calcula o capital de giro
lquido para cada ano e determina variaes neste. A segunda, menos
precisa, atribui um percentual sobre o faturamento.

Necessidade de Investimentos
Os Ativos Fixos s no crescero se houver capacidade ociosa de produo
na empresa. A necessidade de investimentos fixos deve ser projetada de
forma coerente com as projees de vendas, ou seja, preciso estar atento
capacidade produtiva da empresa e dimensionar a necessidade para sua
manuteno ou crescimento.

A conta NECESSIDADE DE INVESTIMENTO mede, portanto, a necessidade
de aporte de capital para custear a compra de mquinas, equipamentos, e/ou
construo, ampliao, etc. Pode ser calculada pela previso de crescimento
do ativo permanente de um ano para o outro, o que novamente tornar
necessria a projeo dos balanos patrimoniais para o perodo em estudo.

Necessidade de Investimentos = Ativo Permanente
t
Ativo Permanente
t-1


Apesar da existncia desta conta no modelo de fluxo de caixa adotado pela
DESENBAHIA, em nenhum dos 57 projetos analisados constatou-se sua
88

utilizao. Portanto, as anlises foram realizadas sob o pressuposto da no
existncia de necessidade de novos investimentos, seja para suportar
aumento do nvel de produo, seja para reposio de ativos que atingiram o
limite de sua vida econmica e/ou se tornaram obsoletos.

3.4.2 Outras informaes

A UGR solicita que os analistas de cada projeto informem se existem - e como se
comportam - sazonalidades no empreendimento e as premissas utilizadas para as
projees do fluxo de caixa, tais como percentual de crescimento das vendas e
percentual de crescimento dos custos, bem como as suas respectivas justificativas.
preciso indicar as variveis micro e/ou macroeconmicas que mais venham a
interferir no fluxo de caixa para o dado projeto e no nvel de certeza das variveis,
inclusive com a faixa de valores que as mais importantes variveis podem assumir.
Neste ponto cobra-se dos analistas a apresentao de probabilidades subjetivas.


3.4.3 Identificao das Variveis Estocsticas

Atravs de anlise de sensibilidade so identificados os Value-drivers, aquelas
variveis cuja volatilidade provoca maior impacto na varivel de sada, no caso
especfico, o valor presente dos fluxos de caixa. Com base nas premissas da anlise
do projeto, so atribudas distribuies de freqncia para as variveis escolhidas e
so feitas distribuies para cada cenrio macroeconmico projetado.

Para se determinar os parmetros das distribuies de probabilidade das
variveis de entrada, adotam-se como premissas bsicas as projees de
especialistas da UAP, as projees do muturio, as caractersticas e condies do
projeto e o desempenho da empresa nos anos anteriores (histrico) e informaes
setoriais, ajustadas para cada cenrio.

As variveis que mais comumente so distribudas no fluxo de caixa, no modelo
da DESENBAHIA, so apresentadas a seguir:

89

Receita
As premissas com relao s vendas so as mais importantes, desde que so
a base para o desenvolvimento dos demais itens projetados. A projeo da
receita envolver variveis endgenas - capacidade instalada, ganho de
produtividade, novos investimentos na capacidade produtiva - e variveis
conjunturais - capacidade de absoro do mercado, ingresso de novos
concorrentes, preos, nvel de emprego, taxa de juros, etc. (SECURATO,
2002).

Brighan e Houston (apud SECURATO, 2002) chamam ateno para a
importncia da preciso na previso das vendas, mostrando que previses
subdimensionadas levaro a empresa a no estar pronta para atender a
demanda, podendo gerar perda de clientes para os concorrentes e
conseqente reduo na sua fatia de mercado; de outro lado, previses por
demais otimistas podem levar a superdimensionar a capacidade instalada e
os nveis de estoque, com reflexos nos custos de depreciao e
armazenagem.

Na DESENBAHIA, a distribuio de freqncia adotada pela UGR baseia-se
na estimativa feita pela UAP e nos diversos cenrios macroeconmicos. Para
fluxos de caixa simplificados, normalmente os oriundos de micro e pequenas
empresas, costuma-se adotar uma distribuio de percentual de crescimento
(ou decrscimo) nas vendas do ano anterior.

A composio da receita tambm pode ser feita, se houver informaes
suficientes, atravs da distribuio de duas variveis: preo e quantidade
vendida.

No foi constatado um processo metodolgico de utilizao geral para a
estimativa das receitas.

90

Custos
A distribuio feita baseando-se nas estimativas do projeto, nos parmetros
setoriais e no histrico dos balanos dos anos anteriores. So feitas
distribuies separadas para custos fixos e variveis.
TJLP
Por se tratar do indexador da maioria dos contratos (repasses do BNDES),
so consideradas as projees da TJLP (spread de Risco Brasil e correo
monetria), para cada ano e cada cenrio, elaboradas pelos especialistas.
Cmbio
Para projetos que envolvem receita oriunda de exportao ou custos
decorrentes da importao de insumos so consideradas as projees do
cmbio, para cada ano e cada cenrio, elaborados pelos especialistas. Neste
caso, a receita fica:

Receita = Preo em US$ X Taxa de Cmbio X Qtde. vendida

Composio das parcelas de pagamento
As contas de juros e de amortizaes, que compem o fluxo de caixa, so
calculadas na Planilha de Financiamento. Estas contm o valor do
financiamento, as parcelas de juros e de amortizao, o prazo de carncia e a
periodicidade de pagamento, bem como as projees das parcelas da TJLP
(Spread de risco Brasil e correo monetria) para cada ano e cada cenrio
macroeconmico, realizadas pela UEP.

3.4.4 Escolha das Funes Distribuio de Probabilidades

Embora seja possvel, teoricamente, utilizar quaisquer tipos de distribuio de
freqncia, na prtica, as distribuies mais usuais so a uniforme e a triangular,
posto que na maioria dos casos no se dispe de dados que permitam a definio
de outras formas de distribuio.

Em todos os casos analisados neste trabalho, o nico tipo de distribuio
utilizado foi a triangular (eqidistantes ou no) (figura 26) exceo de um caso
(projeto 17) em que se utilizou uma distribuio uniforme para representar a varivel
custo fixo.
91







Figura 26 Distribuies Triangulares
De fato, na construo de modelos de avaliao de risco no se procura
representar dados anteriormente medidos, at porque dificilmente eles existem. O
que se procura descrever a crena existente sobre a incerteza de valores e
eventos atravs de funes densidades de probabilidades, que possam ser
utilizadas nas amostragens aleatrias dos valores simulados (GREY, 1995). Este
posicionamento sustentado tambm por Savage (1996), Evans e Olson (1998) e
Clemen e Reilly(2001).

A utilizao de distribuies triangulares permite expressar com conforto uma
faixa de valores que representa um nvel de crena pessoal atravs da definio de
trs pontos: mximo, mnimo e mais provvel. Na inexistncia ou indefinio de um
valor mais provvel usa-se a distribuio uniforme (figura 27).
Figura 27 Distribuio Uniforme
3.4.5 Clculo da Taxa de Desconto

Como o modelo utiliza-se do fluxo de caixa livre para o acionista (quotista) -
aps o pagamento do capital de terceiros, a taxa de desconto utilizada reflete
unicamente o custo do capital prprio, utilizou-se para determinar esta taxa o modelo
0
1
1.0 1.5 2.0 2.5 3.0
0.0
0.5
1 2 3 4 5
0.0
0.5
1 2 3 4 5
0.0
0.2
1.0 3.3 5.5 7.8 10.0
92

CAPM Capital Asset Pricing Model, que procura expressar o custo de oportunidade
ajustado ao risco.

Optou-se por usar Betas e variveis americanas devido maior estabilidades
dos dados e da metodologia. Para tanto, o modelo original do CAPM sofre as
seguintes alteraes, conforme Damodaran (1997), e da seguinte forma utilizado
na DESENBAHIA:

1) Selecionam-se betas setoriais americanos desalavancados e os alavacam
com o nvel de endividamento padro para os respectivos setores no Brasil,
usando-se a relao a seguir.

( )

,
_

+
E
D
d
1 1

onde: = beta alavancado
= alquota do IR + Cont. Social.

d
= beta desalavancado.
D/E = grau de endividamento do setor em anlise.

2) Inclui-se no clculo do custo de oportunidade o Risco Brasil, calculado pela
diferena entre as taxas de retorno dos ttulos de longo prazo GB 27 (ttulo
pblico federal brasileiro) e T-Bond (ttulo pblico federal americano).
3) Deduz-se a expectativa de inflao americana.

Resulta-se, ento, no seguinte modelo CAPM ajustado:

( ) IA RB RF RM RF K
a
+ +

Onde: K
a
= Taxa de Retorno ajustada ao Risco (Taxa Mnima de
Atratividade exigida para o projeto).
RF = Retorno mdio para uma carteira livre de risco.
93

RM =Retorno mdio de longo prazo para uma carteira com
risco ( utilizado o retorno anual mdio projetado dos
ndices representativos das bolsas de valores. Para os
dados americanos, utilizado o retorno anual mdio do
ndice Dow Jones).
= ndice beta alavancado.
RB =Risco Brasil, calculado pela diferena entre as taxas de
retorno dos ttulos de longo prazo GB 27 (ttulo pblico
federal brasileiro) e T-Bond (ttulo pblico federal
americano).
IA = Inflao mdia anual americana estimada a partir de
dados atuais.

As fontes de informaes geralmente utilizadas pela DESENBAHIA so:

GB 27 e T-Bond - Fonte: Gazeta Mercantil
T Bill 90 (Retorno da carteira livre de risco) Fonte: Jornal
Gazeta Mercantil.
Inflao americana projetada Fonte: Comunicao pessoal do
Prof. Dr. Junio Fuentes (FIA/USP).
Betas - Fonte: Site de Aswath Damodaran.
(http://www.stern.nyu.edu/~adamodar/newhomepage/datafile/bet
a.html)
Nvel de endividamento setorial Fonte: Balano Anual
Publicao do Jornal Gazeta Mercantil
Alquotas de Imposto de Renda e Contribuio Social Fonte:
Valor Brasil
ndice Dow Jones (Retorno da carteira com risco) mdia dos
ltimos 10 anos. Foram identificados, tambm, casos com
projees do Prof. Dr. Junio Fuentes (FIA/USP).




94

3.4.6 Cenrios macroeconmicos

Visando subsidiar as estimativas dos analistas de projeto e de risco, a GEA
Gerncia de Estudos e Assessoria elabora cenrios macroeconmicos que, alm de
nortear as estimativas, proporciona coerncia entre as variveis do modelo.

O modelo utilizado sorteia aleatoriamente - respeitando a distribuio de
probabilidades adotada - um cenrio, e para cada interao gerada no processo de
simulao, as distribuies de freqncia das variveis utilizadas so consistentes
com o cenrio sorteado. Este procedimento d coerncia macroeconmica
simulao, resultando em maior fidedignidade e minimizando o efeito de
normalizao decorrente de um grande nmero de interaes de variveis aleatrias
independentes (teorema do limite central). Para as variveis consideradas sob
influncia direta dos fatores econmicos, notadamente a receita, o modelo
implantado adota uma distribuio de freqncia para cada cenrio
macroeconmico.

So tambm projetadas as variveis que influem diretamente nos resultados
dos fluxos de caixa. Tais como: cmbio em projetos de exportao e TJLP Taxa de
Juros de Longo Prazo para os financiamentos de longo prazo em moeda domstica.

O grupo de cenrios inicial era constitudo de sete cenrios para o comportamento
das principais variveis macroeconmicas do pas no perodo 2000/2009,
empregando o modelo de consistncia macroeconmica utilizado pelo BNDES
proposto nos trabalhos de Alm, Giambiagi e Pastoriza (1997), Giambiagi e
Pastoriza (1997) e Giambiagi (1999a e 1999b). Dos sete cenrios propostos, cinco
eram no heterodoxos (cenrio base, base otimista, otimista, base pessimista e
pessimista), os quais se apoiavam na pressuposio da manuteno em linhas
gerais, da poltica econmica adotada poca; dois outros eram heterodoxos (um
cenrio heterodoxo otimista e um cenrio heterodoxo pessimista). A tabela 2
apresenta as principais caractersticas dos cenrios propostos.


95

Cenrio 7:
Heterodoxo
Otimista
Cenrio 3:
Otimista
Cenrio 2:
Base
Otimista
Cenrio 1:
Cenrio
Base
Cenrio 4:
Base
Pessimista
Cenrio 5:
Pessimista
Cenrio 6:
Heterodoxo
Pessimista
Taxa Mdia de
Crescimento Real do PIB
(%)
6,0 5,0 4,0 3,2 2,0 1,0 0,5
Taxa de Cmbio R$/US$
em 2009
10,1494 2,3450 2,1793 2,2886 2,1793 2,3450 19,1068
Spread de Risco Brasil em
2009
2,75 2,75 3,00 3,00 8,00 11,00 12,00
ndice de Preos IPCA em
2009 (1999 = 100)
1272,5 149,3 131,1 139,9 131,1 149,3 1272,5
Taxa de Juros SELIC Real
Deflacionada pelo IPCA
(%, 2009)
4,52 7,82 8,50 8,94 15,28 18,57 25,13
Balana Comercial (% PIB,
2004)
0,52% -0,43%

-0,11% 0,20% 2,33% 3,52% 2,65%
Balana Comercial (% PIB,
2009)
1,07% -2,02% -1,53% 0,08% 3,72% 6,62% 5,96%
TJLP (%, 2009)
32,75 4,75 5,00 5,00 10,00 13,00 42,00
Probabilidade de
Ocorrncia
2% 12% 21% 30% 21% 12% 2%
Tabela 2: Principais caractersticas dos cenrios utilizados

Foram atribudas probabilidades de ocorrncia, utilizando-se a distribuio
normal de probabilidades (tabela 3). Na inexistncia de fatores que indiquem
perspectivas diferentes, tal procedimento foi considerado razovel, uma vez que,
pela grande quantidade de interaes realizadas, os resultados tendem a convergir
para a distribuio normal.










Tabela 3: Distribuio de probabilidade dos cenrios

3.4.7 Simulao

Os processos analisados na DESENBAHIA so submetidos a 10.000
interaes de fluxos de caixa, usando as distribuies propostas para cada varivel
Cenrio Probabilidade
Heterodoxo Otimista 2,00%
Otimista 12,00%
Base Otimista 21,00%
Base 30,00%
Base Pessimista 21,00%
Pessimista 12,00%
Heterodoxo Pessimista 2,00%
96

e cada cenrio que so sorteados aleatoriamente atravs da ferramenta Crystal
Ball

, que usa o modelo de Monte Carlo.

No se utilizou nenhum mtodo especfico para definir a quantidade de
interaes adotada (10.000); entretanto, este nmero grande o suficiente para
permitir que os resultados (mdia e desvio-padro das variveis de sada) se
estabilizem, alm de permitir que se obtenham grficos com uma maior densidade
de pontos. Poderia ser utilizada at uma quantidade menor de interaes, porm,
dada s performances de hardware e software utilizados permitirem operar 10.000
interaes em poucos minutos, no se tornou necessrio buscar a otimizao da
quantidade de interaes.

O software utilizado (Crystal Ball

) possui dispositivo de controle de preciso,

podendo o usurio determinar a quantidade de interaes ou estabelecer o nvel de
preciso dos resultados. Nesta hiptese, medida que a simulao vai se
desenvolvendo, so calculadas as mdias dos resultados obtidos, at que a
variao dessas mdias esteja dentro do intervalo de preciso definido, quando
ento o processo interrompido (WERCKMAN, HARDY e WAINWRIGHT, 2000,
P.243).

O modelo adotado na DESENBAHIA apresenta como principal varivel de
sada o Valor Presente (VP) dos fluxos de caixa livres para o acionista (ou quotista);
porm na maioria dos processos analisados (48 entre 57) considerou-se tambm a
varivel Disponibilidade (saldo do fluxo de caixa anual antes de abater as parcelas
de juros e amortizao), que indica a probabilidade de em um ano especfico o caixa
gerado no ser suficiente para pagar as parcelas do financiamento.

Sob o ponto de vista do investidor, a ocorrncia de valor menor que zero na
varivel de sada VP dos fluxos de caixa livre compreendida como indicador da
no existncia de retorno pelo empreendimento. Portanto - e de acordo com a
premissa do modelo de que o risco do credor inicia-se a partir do momento em que o
investidor tenha a percepo de no estar sendo adequadamente remunerado -, a
medida da probabilidade de ocorrncia deste evento passa a corresponder medida
de risco de crdito para a agncia.
97

Este risco calculado foi ento ajustado para uma curva que correspondesse
probabilidade de perda por default e definisse um nvel classificatrio (rating) para
cada faixa, conforme figura 28.












Figura 28 - Curva de ajuste entre o risco calculado e a probabilidade de perda.

O resultado uma correspondncia entre os nveis de risco calculados e os
nveis de provisionamento contbil, conforme representado na tabela 4.









Tabela 4 Correspondncia entre os nveis de risco e proviso.

No caso da disponibilidade, feita uma anlise para detectar a dificuldade de
pagamento das parcelas do financiamento ano a ano. feita ainda uma segunda
medida, isto , a probabilidade de estas parcelas corresponderem a mais de 60 %
da disponibilidade. A anlise da capacidade de pagamento ano a ano parece ser
Risco Calculado (%) Rating Proviso
0 - 1 AA 0,0%
1 - 3,8 A 0,5%
3,8 - 5,9 B 1,0%
5,9 - 10,7 C 3,0%
10,7 - 17,8 D 10,0%
17,8 - 25,0 E 30,0%
25,0 - 28,5 F 50,0%
28,5 - 30,8 G 70,0%
30,8 - 100 H 100,0%
Nveis de Rating
0,0%
5,0%
10,0%
15,0%
20,0%
25,0%
30,0%
35,0%
0% 10% 20% 30% 40% 50% 60% 70% 80% 90%
100
%
Probabilidade de Perda - PL (%)
AA
A
B
C
D
E
F
G
H
R
i
s
c
o


C
a
l
c
u
l
a
d
o

(
%
)

98

extremamente importante, pois podem ocorrer casos em que, embora a
probabilidade de VP negativo possa ser pequena, possvel que o projeto tenha
problemas pontuais de incapacidade de pagamento em alguns anos especficos. O
parmetro adotado, de que as parcelas de pagamento do financiamento no
ultrapassem 60%, no tem fundamento terico, foi definido arbitrariamente e vem
sendo utilizado pelo setor de anlise de projetos j anteriormente implantao do
modelo em questo.

Realiza-se ainda, uma anlise de sensibilidade, indicando qual a influncia
que cada varivel de entrada exerce sobre o resultado do VP, a varivel de sada.

3.5 A Implantao do Modelo

A aplicao de modelos de avaliao quantitativa requer algum conhecimento
especfico e o uso de ferramentas baseadas em programao computacional
(GREY, 1995).

Grey (1995) aponta dois caminhos para a implantao destes modelos em
uma empresa: capacitar todos os que estejam envolvidos no processo de anlise e
deciso, sob condies de risco ou prover especialistas para a instituio. De
qualquer forma, necessrio ter na organizao pelo menos uma pessoa que
domine a metodologia ou que tenha acesso a consultores externos.

A DESENBAHIA optou por criar uma clula de especialistas (a Unidade de
Gesto de Risco UGR) para atender as demandas da organizao.

No h uma posio definida sobre qual a melhor estratgia; entretanto, ainda
baseado em Grey (1995) e em evidncias empricas observadas durante a
realizao deste estudo, observa-se que o enfoque da criao de uma clula
exclusiva de analistas coloca a questo do risco como um tpico separado dentro do
processo de anlise. Isto perigoso, pois pode sugerir aos analistas de projeto, que
estes so responsveis exclusivamente pelo projeto e que algum posteriormente
analisar o risco. Desse modo, distanciam-se aqueles que conhecem os riscos
99

potenciais (a equipe de anlise de projetos) daqueles que querem quantificar este
risco (a clula de risco).

3.6 Um Estudo amostral Sobre a aplicao do Modelo

Os dados utilizados na pesquisa foram fornecidos pela Unidade de Gesto de
Risco UGR e/ou foram extrados do SAP Sistema de Acompanhamento de
Projetos, sistema que gerencia todo o fluxo de processo de concesso de
financiamento na DESENBAHIA e/ou do SIG Sistema de Informaes Gerenciais.

3.6.1 Como se comportaram os casos analisados em 2000, 2001 e 2002

1. Durante o perodo entre 2000 e 2002, 97 projetos foram analisados pela
rea de risco, dos quais nove tiveram suas propostas indeferidas,
dezoito, por motivos outros, no deram seqncia ao processo e seis s
tiveram seu crdito liberado no ano de 2003. Foram desconsiderados
ainda para efeito deste estudo seis projetos aprovados e liberados por
empresas sistemistas da FORD cujas caractersticas de anlise de risco
diferem das demais por considerar-se um projeto integrado (Projeto
Amazon) e um projeto cuja classificao foi D.

2 S foram analisados projetos classificados entre os ratings AA e C e para
os quais efetivamente foi concedido financiamento.

3. Desta forma, a amostra analisada foi de cinqenta e sete projetos
apresentados por cinqenta e cinco empresas (duas empresas
apresentaram dois projetos durante o perodo analisado), a saber: doze
projetos analisados no ano 2000, vinte e sete projetos analisados em
2001 e dezoito projetos analisados em 2002. A assiduidade dos
pagamentos foi observada at julho de 2003.

4. Consideraram-se como inadimplentes aqueles projetos que em julho de
2003 continuavam com posies vencidas, sejam de juros ou principal h
mais de 60 dias ou que regularizaram suas situaes atravs de
100

renegociao de suas dvidas. Atrasos at 60 dias que foram
regularizados durante o decorrer do perodo no foram considerados
para caracterizar a inadimplncia. O parmetro de 60 dias foi adotado por
ser um ponto de corte, definido na poltica da Agncia, na qual os
crditos vencidos so transferidos para uma carteira administrada pela
GRC Gerncia de Recuperao de Crdito.

5. A pesquisa levantou os seguintes dados:
5.1 Relativos s caractersticas da empresa, projeto e financiamento:
5.1.1 Nome e CGC da empresa que no relatrio final foram omitidos
a fim de preservar o sigilo bancrio;
5.1.2 Rating inicial de classificao de risco;
5.1.3 Rating de atraso em julho de 2003;
5.1.4 Data da primeira liberao de recursos;
5.1.5 Data de vencimento da primeira amortizao;
5.1.6 Data de vencimento do contrato;
5.1.7 Valor do financiamento;
5.1.8 Data de incio de inadimplncia;
5.1.9 Quantidade de dias entre a data de incio da inadimplncia e a
data de vencimento da primeira amortizao;
5.1.10 Porte da empresa segundo classificao do BNDES;
5.1.11 Capital Social;
5.1.12 Se possui experincia de crdito anterior com a DESENBAHIA;
5.1.13 Ramo segundo classificao CNAE Cdigo Nacional de
Atividades Econmicas do Instituto Brasileiro de Geografia e
Estatstica - IBGE (ver legenda no quadro 3).
5.1.14 Objetivo do financiamento (Implantao, Ampliao,
Relocalizao e/ou Modernizao);
5.1.15 Finalidade do financiamento (Capital de Giro, fixo, Misto);
5.1.16 Valor do investimento total;
5.1.17 Valor pleiteado.
5.2. Relativos ao processo de anlise
5.2.1 Variveis estocsticas escolhidas.
5.2.2 Tipo de distribuio de freqncia utilizada
101

Distribuio dos Valores Financiados
Amostra Total - 2000/2002
0
5
10
15
20
5
0
.
0
0
0
1
0
0
.
0
0
0
5
0
0
.
0
0
0
1
.
0
0
0
.
0
0
0
2
.
0
0
0
.
0
0
0
5
.
0
0
0
.
0
0
0
M
a
i
s
R$
F
r
e
q

n
c
i
a
,00%
20,00%
40,00%
60,00%
80,00%
100,00%
120,00%
Freqncia
% cumulativo
5.2.3 Relacionamento da varivel com o cenrio. (sim ou no)
5.2.4 Correlaes utilizadas
5.2.5 Mtodo de determinao da variao na Necessidade de Capital
de Giro NCG
5.2.6 Taxa de desconto utilizada.
5.2.7 N de anos projetados
5.2.8 Nvel de confiana para VP < 0 (A medida de risco do modelo)
5.2.9 Nvel de confiana para capacidade de pagamento anual no
ser suficiente para pagar as parcelas de financiamento.

O perfil da amostra, em relao a valores financiados, apresentado nas tabelas
5 e 6. E a distribuio de freqncia destes valores est representada na figura 29.
A grande amplitude entre os valores financiados reflete o redirecionamento poltico
da DESENBAHIA, voltando-se para o financiamento de pequenos e mdios
empreendimentos, continuando, entretanto, a participar de grandes projetos e
limitando sua participao ao valor mximo de R$ 5 milhes.

Tabela 5 Estatsticas dos Valores Financiados Tabela 6 Distribuio dos Valores Financiados










Figura 29 Distribuio de Freqncia dos Valores Financiados Amostra Total.
Mdia 783.656
Mediana 400.280
Intervalo 4.989.677
Mnimo 10.323
Mximo 5.000.000
Soma 44.668.364
Contagem 57
Estatsticas
Amostra Total
Bloco (R$)
Freqncia % cumulativo
0 9 15,79%
50.000 6
26,32%
100.000 16
54,39%
1.000.000 10 71,93%
2.000.000 10 89,47%
5.000.000 6 100,00%
Mais 0 100,00%
Total 57 100,00%
Distruio dos Valores Financiados
Amostra Total
102

N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Micro 5 11 5 21 Micro 2 1 1 4
Pequeno 4 4 6 14 Pequeno 3 1 0 4
Mdio 0 8 6 14 Mdio 0 3 0 3
Grande 3 4 1 8 Grande 1 0 0 1
Total 12 27 18 57 Total 6 5 1 12
% 2000 2001 2002 Consolidado % 2000 2001 2002 Consolidado
Micro 42% 41% 28% 37% Micro 33% 20% 100% 33%
Pequeno 33% 15% 33% 25% Pequeno 50% 20% 0% 33%
Mdio 0% 30% 33% 25% Mdio 0% 60% 0% 25%
Grande 25% 15% 6% 14% Grande 17% 0% 0% 8%
Total 100% 100% 100% 100% Total 100% 100% 100% 100%
N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Sim 4 13 8 25 Sim 1 3 0 4
No 8 14 10 32 No 5 2 1 8
Total 12 27 18 57 Total 6 5 1 12
% 2000 2001 2002 Consolidado % 2000 2001 2002 Consolidado
Sim 33% 48% 44% 44% Sim 17% 60% 0% 33%
No 67% 52% 56% 56% No 83% 40% 100% 67%
Total 100% 100% 100% 100% Total 100% 100% 100% 100%
N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Ampliao 4 13 12 29 Ampliao 1 2 0 3
Implantao 6 6 3 15 Implantao 5 1 1 7
Ampliao/Modernizao 2 2 3 7 Ampliao/Modernizao 0 1 0 1
Relocalizao 0 1 0 1 Relocalizao 0 0 0 0
Ampl/Mod/Rel 0 1 0 1 Ampl/Mod/Rel 0 1 0 1
Modernizao 0 3 0 3 Modernizao 0 0 0 0
No definida 0 1 0 1 No definida 0 0 0 0
Total 12 27 18 57 Total 6 5 1 12
% 2000 2001 2002 Consolidado % 2000 2001 2002 Consolidado
Ampliao 33% 48% 67% 51% Ampliao 17% 40% 0% 25%
Implantao 50% 22% 17% 26% Implantao 83% 20% 100% 58%
Ampliao/Modernizao17% 7% 17% 12% Ampliao/Modernizao0% 20% 0% 8%
Relocalizao 0% 4% 0% 2% Relocalizao 0% 0% 0% 0%
Ampl/Mod/Rel 0% 4% 0% 2% Ampl/Mod/Rel 0% 20% 0% 8%
Modernizao 0% 11% 0% 5% Modernizao 0% 0% 0% 0%
No definida 0% 4% 0% 2% No definida 0% 0% 0% 0%
Total 100% 100% 100% 100% Total 100% 100% 100% 100%
Quadro Resumo Geral do Perfil dos Projetos Analisados
Perfil dos Inadimplentes
Perfil das Empresas/ Projetos
Analisados
Extratificao por Porte da Empresa Postulante
Extratificao por experincia anterior com a Desenbahia
Extratificao por objetivo do projeto
Extratificao por Porte da Empresa Postulante
Extratificao por experincia anterior com a Desenbahia
Extratificao por objetivo do projeto
Os quadros 1 e 2 apresentam o perfil da amostra das empresas e
comparativamente o perfil das que inadimpliram; j o quadro 3 mostra um resumo do
processo de inadimplncia, devidamente separado por rating. Todas os dados foram
levantados e so apresentados, em separado, para os anos de 2000, 2001 e 2002.
So apresentados tambm os nmeros consolidados para os trs anos.

Quadro 1 Resumo Geral do perfil dos projetos Analisados

103


Quadro 2- Resumo Geral do perfil dos projetos Analisados - continuao
N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Fixo 7 11 14 32 Fixo 4 2 1 7
Giro 0 4 2 6 Giro 0 0 0 0
Misto 5 12 2 19 Misto 2 3 0 5
Total 12 27 18 57 Total 6 5 1 12
N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Fixo 58% 41% 78% 56% Fixo 67% 40% 100% 58%
Giro 0% 15% 11% 11% Giro 0% 0% 0% 0%
Misto 42% 44% 11% 33% Misto 33% 60% 0% 42%
Total 100% 100% 100% 100% Total 100% 100% 100% 100%
N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
1 a 10 2 2 0 4 1 a 10 0 0 0 0
11 a 50 0 8 4 12 11 a 50 0 1 0 1
51 a 100 0 2 0 2 51 a 100 0 1 0 1
> 100 10 15 14 39 > 100 6 3 1 10
Total 12 27 18 57 Total 6 5 1 12
% 2000 2001 2002 Consolidado % 2000 2001 2002 Consolidado
1 a 10 17% 7% 0% 7% 1 a 10 0% 0% 0% 0%
11 a 50 0% 30% 22% 21% 11 a 50 0% 20% 0% 8%
51 a 100 0% 7% 0% 4% 51 a 100 0% 20% 0% 8%
> 100 83% 56% 78% 68% > 100 100% 60% 100% 83%
Total 100% 100% 100% 100% Total 100% 100% 100% 100%
N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Sim 1 10 14 25 Sim 0 3 0 3
No 11 17 4 32 No 6 2 1 9
Total 12 27 18 57 Total 6 5 1 12
% 2000 2001 2002 Consolidado % 2000 2001 2002 Consolidado
Sim 8% 37% 78% 44% Sim 0% 60% 0% 25%
No 92% 63% 22% 56% No 100% 40% 100% 75%
Total 100% 100% 100% 100% Total 100% 100% 100% 100%
N. de projetos 2000 2001 2002 Consolidado N. de projetos 2000 2001 2002 Consolidado
1 1 2 1 4 1 0 0 0 0
24 2 1 4 7 24 0 0 0 0
36 1 3 1 5 36 1 1 0 2
52 2 5 0 7 52 0 0 0 0
55 4 3 4 11 55 3 2 0 5
80 1 2 2 5 80 1 1 0 2
85 0 3 4 7 85 0 0 1 1
Outros 1 8 2 11 Outros 1 1 0 2
Total 12 27 18 57 Total 6 5 1 12
% 2000 2001 2002 Consolidado % 2000 2001 2002 Consolidado
1 2% 4% 2% 7% 1 0% 0% 0% 0%
24 4% 2% 7% 12% 24 0% 0% 0% 0%
36 2% 5% 2% 9% 36 8% 8% 0% 17%
52 4% 9% 0% 12% 52 0% 0% 0% 0%
55 7% 5% 7% 19% 55 25% 17% 0% 42%
80 2% 4% 4% 9% 80 8% 8% 0% 17%
85 0% 5% 7% 12% 85 0% 0% 8% 8%
Outros 2% 14% 4% 19% Outros 8% 8% 0% 17%
Total 21% 47% 32% 100% Total 50% 42% 8% 100%
Extratificao por ramo Extratificao por ramo
Extratificao por estado de carncia
Extratificao por Finalidade
Quadro Resumo Geral do Perfil dos Projetos Analisados
Extratificao por Relao Inv/PL em %
Extratificao por estado de carncia
Perfil dos Inadimplentes
Perfil das Empresas/ Projetos
Analisados
Extratificao por Finalidade
Extratificao por Relao Inv/PL em %
104

Rating Faixa de Inad. Calculada Quant. anal Inadimpl. %
AA 0,0 % =< x <= 1,0% 4 1 25%
A 1,0 % < x <= 3,8% 6 4 67%
B 3,8 % < x <= 5,9% 2 1 50%
C 5,9 % < x <= 10,7% 0 0 0%
Rating Faixa de Inad. Calculada Quant. anal Inadimpl. %
AA 0,0 % =< x <= 1,0% 10 2 20%
A 1,0 % < x <= 3,8% 9 2 22%
B 3,8 % < x <= 5,9% 2 0 0%
C 5,9 % < x <= 10,7% 6 1 17%
Rating Faixa de Inad. Calculada Quant. anal Inadimpl. %
AA 0,0 % =< x <= 1,0% 3 0 0%
A 1,0 % < x <= 3,8% 8 0 0%
B 3,8 % < x <= 5,9% 4 0 0%
C 5,9 % < x <= 10,7% 3 1 33%
Rating Faixa de Inad. Calculada Quant. anal Inadimpl. %
AA 0,0 % =< x <= 1,0% 17 3 18%
A 1,0 % < x <= 3,8% 23 6 26%
B 3,8 % < x <= 5,9% 8 1 13%
C 5,9 % < x <= 10,7% 9 2 22%
Aprovaes Inadimpliram %
Total Geral 57 12 21%
2000
2001
2002
Consolidado
Quadro 3 Quadro de legenda dos cdigos de ramos Extrado da Tabela CNAE

Quadro Resumo da Inadimplncia por faixa de classificao



















Quadro 4 - Resumo da Inadimplncia por faixa de classificao
Cod.
1
24
36
52
55
80
85
EDUCAO
SADE E SERVIOS SOCIAIS
FABRICAO DE PRODUTOS QUMICOS
FABRICAO DE MVEIS E INDSTRIAS DIVERSAS
COMRCIO VAREJISTA E REPARAO DE OBJETOS PESSOAIS E DOMSTICOS
ALOJAMENTO E ALIMENTAO
Legenda dos Cdigos de Ramos - Tabela CNAE
Ramo
AGRICULTURA, PECURIA E SERVIOS RELACIONADOS COM ESSAS ATIVIDADES
105

3.6.2 Consideraes sobre o Perfil da Amostra

1. As operaes, poca da data de corte considerada para anlise,
encontravam-se ainda por vencer e, portanto, preciso levar em
considerao este fato, ao analisar os resultados da pesquisa;

2. Em todos os casos analisados, admite-se a legitima inteno de
repagamento por parte dos devedores. Ou seja, a questo carter
considerada como pr-requisito, sine qua non, cuja forma de avaliao
no est no escopo deste estudo.

3. Dos 57 projetos: 21 foram de microempresas, 14 de pequenas, 14 de
mdias e 6 de grandes empresas, representando respectivamente:
37%, 25%. 25% e 14%. Observa-se ao longo dos trs anos a
diminuio do nmero de financiamentos a projetos de grande porte.

4. 44% das empresas, cujos projetos foram analisados, j possuam
experincia de crdito anterior com a DESENBAHIA.

5. 26% dos projetos analisados destinaram-se implantao de novos
empreendimentos, 52% para ampliao e o restante um mix de
ampliao, modernizao e relocalizao.

6. 65% das operaes analisadas destinaram-se a inverses fixas.

7. 68% das operaes analisadas tinham investimento total superior a
100% do capital social.

8. 44% das empresas encontravam-se em perodo de carncia na data de
corte da pesquisa (junho/2003).




106

3.6.3 Anlise dos Resultados

1. Das 57 operaes realizadas, 12 inadimpliram, representando,
portanto, 21%. Apesar de as limitaes metodolgicas no permitirem
uma inferncia mais conclusiva, o resultado aponta para uma
necessidade de ajustes na metodologia e/ou de uma nova calibragem
na escala de ratings.

2. Os nveis de inadimplncia por rating so bastante superiores s faixas
definidas como esperadas para cada um destes ratings (tabela 7).

Rating Faixa de Inadimplncia esperada Inadimplncia efetiva
AA 0,0%=< x <= 1,0% 18%
A 1,0% < x <= 3,8% 26%
B 3,8% < x <= 5,9% 13%
C 5,9% < x <= 10,7% 22%
Tabela 7 Faixas de Inadimplncia calculadas versus efetivas

3. Os percentuais encontrados de inadimplncia, por rating, no so
coerentes entre si, conforme se observa na figura 30. Esperava-se que
o maior percentual de inadimplentes ocorresse no rating C, seguido
pelos ratings B e A, para finalmente no rating AA ocorrer o menor
ndice.









Figura 30 Distribuio percentual da inadimplncia por faixa de rating.

Inadimplncia por Classificao de Rating
18%
26%
13%
22%
0% 5% 10% 15% 20% 25% 30%
AA
A
B
C
107

4. De fato, no se encontrou uma correlao entre a inadimplncia e a
probabilidade de o VP dos fluxos de caixa livres para o acionista ser
menor que zero, conforme demonstra o grfico de disperso
apresentado na figura 31, onde 0 (zero) significa adimplncia e 1 (um)
inadimplncia. Para uma melhor visualizao, excluiu-se do grfico o
processo de n 56, classificado como adimplente, o nico com P(VP<0)
maior que 10%. (16,40%).









Figura 31 Grfico de Disperso Inadimplncia Versus P(VP<0).

5. Em 25% dos projetos que inadimpliram, a inadimplncia ocorreu ainda
durante o perodo de carncia e 58% antes do pagamento da 2
parcela de amortizao, o que refora a necessidade de avaliar as
incertezas inerentes s fases de implantao do projeto e pr-
operacional.

6. Observou-se, ainda, uma concentrao da inadimplncia no ramo 55-
Alojamento e Alimentao. Este ramo representou 19% das operaes
analisadas e 42% das que inadimpliram. A classificao utilizada pelo
CNAE Cdigo Nacional de Atividade Econmica do IBGE muita
ampla e contempla neste ramo desde lanchonetes e pousadas a
grandes hotis, conseqentemente prejudicando inferncias, posto que
no representa uma classe homognea.

7. Da amostra analisada, 26% dos projetos tiveram como objetivo a
implantao de empreendimentos; e dos que inadimpliram, 58% dos
Inadimplncia Versus P (VP < 0 )
0
1
0,00% 2,00% 4,00% 6,00% 8,00% 10,00%
P(VP < 0)
0

=

A
d
i
m
p
l
e
n
t
e

1
=

I
n
a
d
i
m
p
l
e
n
t
e
108

casos eram de implantao, dado que aponta para o aumento
expressivo do risco nestes casos. Tal anlise encontra ratificao no
trabalho realizado por Campos (Anlise de Risco em Bancos de
Desenvolvimento). Ou seja, ao trabalhar com 22 variveis dependentes
s conseguiu estabelecer correlaes significativas para 6, sendo que
a varivel binomial ser implantao ou no - foi a terceira varivel de
correlao mais forte identificada no trabalho. As outras duas variveis
que apresentaram correlaes mais fortes foram: nvel de
endividamento e saneamento financeiro (CAMPOS, 1981).

3.7 Concluses Decorrentes do Estudo e Sugestes para Aprimoramento

A seguir descrevem-se as principais concluses tiradas do estudo, alm de
algumas sugestes que podem aprimorar o modelo.

3.7.1 Concluses

A Sobre o modelo e suas premissas
1. O modelo tem como filosofia subjacente a idia de que o risco do
financiador inicia-se a partir da percepo, por parte do investidor, de
que este no est sendo devidamente remunerado. Para que o modelo
estivesse consistente com esta filosofia, seria necessrio considerar o
valor aportado pelo investidor, calculando, portanto, o Valor Presente
Lquido do projeto, o que paradoxalmente levaria a uma medida de
risco de crdito inadequada, posto que mensuraria o risco a que est
exposto o acionista e no o credor. Desta forma, no s o modelo no
est coerente com a filosofia subjacente a este, mas tambm
desconsidera o nvel de recursos aplicados pelo investidor como fator
determinante do nvel de risco do projeto, o que inconsistente com o
raciocnio desenvolvido por Merton (SAUNDERS, 2000a), identificando
um comportamento isomrfico entre uma Opo de Venda (Put) e o
pagamento de um emprstimo, na medida em que um maior volume de
recursos prprios aportados possa ser subentendido como uma maior
109

aplicao em ativos, fazendo com que o valor de mercado dos ativos
tenha uma probabilidade maior de superar o valor da dvida.

Testou-se a hiptese de que, na quantificao do risco, uma maior
participao de recursos prprios no projeto seria compensada por
uma reduo nas despesas financeiras e na taxa de desconto, caso o
beta fosse alavancado especificamente para cada nvel pontual de
endividamento. Tal compensao, entretanto, no ocorre de forma
linear, a ponto de se permitir desconsiderar o nvel de investimento
com recursos prprios. Ou seja, para projetos com as mesmas
caractersticas operacionais (no teste simplificou-se o modelo,
comeando-se a partir da margem operacional e considerando-se para
clculo do VPL o lucro lquido do perodo) o modelo aponta maior nvel
de risco para a alternativa de menor endividamento (figuras 32 e 33),
confirmando que o VPL inadequado como medida de avaliao de
risco de crdito. sim, uma importante ferramenta de avaliao de
investimentos do ponto de vista do investidor em capital de risco.


Figura 32 Utilizao do VPL como medida de risco: mesmo projeto e nveis de alavancagem
diferentes.


Teste 1 - Para o mesmo projeto nveis de endividamento diferentes
Beta Desalavancado 0,8
Hiptese 1 - 30% de Recursos de Terceiros
Recursos de Terceiros 100 Ano 1 Ano 2 Ano 3 Ano 4 Ano 5 Ano 6 Ano 7 Ano 8 Ano 9 Ano 10
Recursos Prprios 1.400 Margem 1.100 1.100 1.100 1.100 1.033 1.033 1.033 1.033 1.033 1.033
Investimento Total 1.500 CF 600 600 600 600 600 600 600 600 600 600
LAJIR 500 500 500 500 433 433 433 433 433 433
D/E 0,07 Juros -14 -13 -11 -10 -8 -7 -5 -4 -2 -1
Beta Alav. 0,84 LAIR 486 487 489 490 425 427 428 430 431 433
RF 17,0% IR -146 -146 -147 -147 -128 -128 -128 -129 -129 -130
Km 22,0% Amortizao -10 -10 -10 -10 -10 -10 -10 -10 -10 -10
CAPM 21,2% LL 330 331 332 333 288 289 290 291 292 293
Custo do Rec. De Terceiros 15,0%
Alquota IR 30% VPL 1 (128)
Hiptese 2 - 85% de Recursos de Terceiros
Recursos de Terceiros 1.000 Ano 1 Ano 2 Ano 3 Ano 4 Ano 5 Ano 6 Ano 7 Ano 8 Ano 9 Ano 10
Recursos Prprios 500 Margem 1.100 1.100 1.100 1.100 1.033 1.033 1.033 1.033 1.033 1.033
Investimento Total 1.500 CF 600 600 600 600 600 600 600 600 600 600
LAJIR 500 500 500 500 433 433 433 433 433 433
D/E 2,00 Juros -276 -247 -218 -189 -160 -131 -102 -73 -44 -15
Beta Alav. 2,40 LAIR 225 254 283 312 274 303 332 361 390 419
RF 17,0% IR 0 0 0 0 0 0 0 0 0 0
Km 22,0% Amortizao -100 -100 -100 -100 -100 -100 -100 -100 -100 -100
CAPM 29,0% LL 125 154 183 212 174 203 232 261 290 319
Custo do Rec. De Terceiros 29,0%
Alquota IR 0% VPL 2 70
110

Figura 33 Comparao dos resultados da utilizao do VPL como medida de risco de crdito.

2. O modelo considera como medida de risco a probabilidade de ser
negativo o Valor Presente dos fluxos de caixa livres para o investidor.
Considerando que o mtodo calcula o somatrio dos valores presentes
dos fluxos dos diversos anos do projeto, compensando, se for o caso,
fluxos positivos com negativos, dois pontos devem ser observados:
primeiro, para que o mtodo seja coerente necessrio que o
investidor realmente perceba o retorno do seu investimento com a
mesma concepo, isto , o investidor deve entender que um ano de
fluxo negativo no significa que ele no est sendo adequadamente
remunerado; e segundo, os impactos financeiros decorrentes de um
fluxo negativo devem ser considerados.

3. O modelo desconsidera, ainda, a existncia de qualquer valor residual
aps o trmino do prazo de financiamento. Embora nos financiamentos
de longo prazo (mais de oito anos) tal fato no seja to relevante em
virtude das altas taxas de desconto praticadas, esta atitude pode
demonstrar-se extremamente conservadora em financiamentos de
curto e mdio prazos, inviabilizado a aprovao do projeto, o que,
apesar de demonstrar um conservadorismo - que pode at ser
justificvel, em se tratando de um modelo de avaliao de risco de
crdito - , mais uma vez, inconsistente com a filosofia subjacente ao
modelo.

4. Buscando identificar vieses no modelo, testaram-se possveis
correlaes entre a probabilidade do Valor Presente dos fluxos de
caixa ser inferior a zero e: 1) quantidade de variveis utilizadas, 2)
Grfico de Frequncia
61,62% de probabilidade de VPL < 0
,000
,006
,012
,017
,023
0
29
58
87
116
-556 -314 -72 170 412
5.000 Interaes 50 Outliers
VPL da Hiptese 1
F
r
e
q
u

n
c
i
a
P
r
o
b
a
b
i
l
i
d
a
d
e
27,72% de probabilidade de VPL < 0
,000
,006
,011
,017
,022
0
28
55,99
84
112
-468 -175 117 409 701
5.000 Interaes 48 Outliers
VPL da Hiptese 2
Grfico de Frequncia
F
r
e
q
u

n
c
i
a
P
r
o
b
a
b
i
l
i
d
a
d
e
111

N de anos projetados Versus P (VP <0 )
0,00%
2,00%
4,00%
6,00%
8,00%
10,00%
12,00%
14,00%
16,00%
18,00%
0 2 4 6 8 10 12 14 16
N de anos projetados
P

(
V
P

<

0
)
nmero de anos projetados e 3) Taxa de desconto utilizada. Ao se
utilizar o coeficiente r de Pearson, para nenhuma das variveis
encontraram-se correlaes significativas, conforme demonstra a
tabela n 8 e as figuras 34 a 36.

Varivel Versus P(VP<0)
Coeficiente de
Correlao
N de variveis utilizadas versus P(VP<0) 0,30050
N de anos projetados versus P(VP<0) -0,09242
Taxa de desconto utilizada versus P(VP<0) 0,17636
Tabela 8 Coeficientes de correlao entre P(VP<0) e parmetros do modelo











Figura 34 Grfico de disperso entre N de variveis utilizadas e P(VP<0)














Figura 35 Grfico de disperso entre N de anos projetados e P(VP<0)
N de Var. utilizadas versus P(VP < 0 )
0,00%
2,00%
4,00%
6,00%
8,00%
10,00%
12,00%
14,00%
16,00%
18,00%
0 2 4 6 8 10
N de Variveis utilizadas
P

(
V
P

<

0
)
112












Figura 36 Grfico de disperso entre taxa de desconto e P(VP<0)

B - Sobre o processo de anlise

1. Em nenhum dos casos analisados foram consideradas as incertezas
inerentes s questes de implantao do projeto e pr-operacionais. Os
investimentos necessrios, bem como o cronograma de implantao, no
so sensibilizados pela rea de risco. Atrasos no cronograma de
implantao podem afetar as estimativas de fluxo de caixa futuros, assim
como a necessidade de investimentos.

2. Em 43% dos casos (25 entre 57), no se considera a existncia de
correlaes entre as variveis. Nos outros casos, identificou-se um nico
tipo de correlao utilizada. Correlao inversa (-0,8) entre o cenrio
sorteado e o nvel de custo fixo. A lgica subjacente para isto a de que
em tempos ruins (cenrios recessivos) tende-se a reduzir custos, e em
cenrios mais expansionistas da economia normalmente os gestores so
mais tolerantes tambm com as expanses dos custos. No obstante o
raciocnio esteja correto, observa-se que a adoo desta correlao
negativa reduz a volatilidade (risco) do resultado.

Observa-se, ainda, que a no determinao das correlaes positivas, que
porventura existam, conduz a subestimar o risco do projeto.
Taxa de Desconto versus P (VP < 0)
0,00%
2,00%
4,00%
6,00%
8,00%
10,00%
12,00%
14,00%
16,00%
18,00%
0,00% 5,00% 10,00% 15,00% 20,00% 25,00% 30,00% 35,00%
Taxas de Desconto
P

(
V
P

<

0
)
113


3. O dimensionamento da Necessidade de Capital de Giro tem sido feito
muitas das vezes (63% - 36 em 57) como um percentual das vendas.
Observam-se, tambm, 15 casos (26,3%) em que a Necessidade de
Capital de Giro no foi considerada no fluxo de caixa. Talvez a projeo
de balanos desse mais fidedignidade determinao da Necessidade
de Capital de Giro.

4. Em alguns projetos analisados, identificaram-se altas probabilidades de
incapacidade de pagamento em alguns perodos da projeo. No
entanto, o clculo completo do VP compensa uns perodos com outros
levando, em alguns casos, a uma probabilidade baixa de ocorrncia de
um VPL menor que zero, o que pode estar subestimando o verdadeiro
risco do projeto. Observa-se que em quase todos os 48 casos - entre os
57 analisados -, este risco de incapacidade de pagamento por perodo foi
identificado e relatado, apesar de no influir na medida e classificao
final do risco do projeto.

5. Existe um parmetro de 60% de capacidade de pagamento, que um
nmero arbitrrio para o qual no se encontrou nenhuma fundamentao
ou justificativa terica.

6. Nas primeiras avaliaes atravs do modelo (projetos 1 a 6) no se
destingiu o custo fixo dos variveis. Considerava-se um percentual do
faturamento como representao do custo total. Obviamente este
procedimento no correto, e prejudicou a avaliao dos referidos
projetos, subestimando seu real risco. Observa-se, ainda, que trs dos
citados projetos inadimpliram.

7. Tendo em vista que no so projetadas as necessidades de novos
investimentos, torna-se necessrio limitar os volumes produzidos
simulados capacidade instalada da empresa. Em alguns projetos esta
informao expressa e proveniente dos analistas de projeto, indicando
a capacidade instalada, e passa a funcionar com o limite mximo na
114

simulao da capacidade. Em outros casos, porm, no se identificou tal
preocupao.

3.7.2 Sugestes para aprimoramento do modelo e processo

1. A idia central do modelo - a percepo de que se o negcio no for vivel
ou no remunerar adequadamente o acionista, este ser fator de risco de
crdito, ou seja, de que o risco de crdito inicia-se a partir do momento em
que o investidor no se sente adequadamente remunerado - obedece a
uma lgica quase intuitiva e encontra respaldo na literatura (NERSESIAN,
2000; SECURATO, 2002). Portanto, avaliar o empreendimento sob este
enfoque salutar para o credor, porm, esta no pode ser a nica medida
do risco de crdito, pelos motivos j expostos.

Mesmo tornando o modelo inconsistente com a idia central que o
originou, a percepo das dificuldades de utilizarem-se mtodos de
anlise de investimento (VPL), que assumem o ponto de vista do
investidor, para mensurar o risco de crdito, resultou em que a varivel de
sada escolhida no fosse o VPL, e sim o VP dos fluxos de caixa livre do
acionista (conceito de Valuation). Contudo, esta alternativa levou ao
abandono da idia central, e tambm a desconsiderar o nvel de recursos
prprios aplicados no investimento como fator de risco, conforme j
explanado nas concluses.

Sugere-se, portanto, que se adote a medida de variabilidade do VPL,
captando o risco do projeto, sob o ponto de vista do investidor, no de
forma isolada, mas sim conjugada com a mensurao do conceito de
Emprstimo de Solvncia (NERSESIAN, 2000) na modelagem. A idia
criar uma linha de crdito fictcia que supra automaticamente a
necessidade de caixa, sempre que este for negativo. Com isto, provocam-
se as seguintes conseqncias:
i. O clculo do VPL considerar apenas fluxos positivos;
ii. O custo financeiro de suprir estes dficits de caixa ser
considerado;
115

iii. A medida do risco de crdito passar a ser extrada dos valores
e da freqncia com que o Emprstimo de Solvncia for
utilizado.

O rating final de classificao do risco do projeto pode ser desenvolvido a
partir de uma relao entre o valor mximo atingido pelo Emprstimo de
Solvncia e o volume total do investimento, ou da participao do
acionista.

2. A projeo dos demonstrativos financeiros (Balano Patrimonial e
Demonstrao de Resultados do exerccio) permitiria melhores condies
de estimativas da Necessidade de Capital de Giro, da Necessidade de
Novos Investimentos e do nvel de endividamento da empresa,
melhorando a qualidade da informao como um todo. Sugere-se,
portanto, que sejam feitas tais projees. Especificamente com relao
Necessidade de Novos Investimentos, deve-se atentar para os casos de
obsolescncia e trmino de vida econmica.

3. Sugere-se, ainda, que a taxa de desconto utilizada continue sendo
atribuda pelo mtodo CAPM, como o atualmente, mas que o coeficiente
beta seja alavancado pelo ndice de endividamento especfico da empresa
operando o projeto.

4. A fase de implantao do projeto, no que diz respeito ao volume total de
recursos necessrios ao investimento, bem como o cronograma fsico
financeiro devem obrigatoriamente fazer parte do modelo de quantificao
de risco. Suas variveis-chave devem ser identificadas e deve ter suas
probabilidades determinadas tanto como valores das variveis quanto da
probabilidade de ocorrncia de certos eventos. necessrio, ainda,
estabelecer as relaes de dependncia entre os eventos, percebendo
principalmente o caminho crtico do projeto e as conseqncias de atrasos
em eventos crticos.

116

A quantificao das incertezas inerentes ao projeto deve, portanto,
abranger trs pontos:
A estimativa da necessidade de recursos para implantao do projeto;
O cronograma fsico-financeiro da implantao;
O fluxo de caixa resultante do nvel de atividade projetado.

Conforme se evidenciou neste estudo, somente o ltimo tpico tem sido
tratado pelo modelo.

5. Sugere-se incluir no modelo o impacto dos ciclos econmicos, fazendo
com que perodos bons e ruins possam ocorrer dentro de um mesmo
fluxo, haja vista que a modelagem atual - nesta modelagem, cenrio
sorteado vlido para todos os anos de projeo - resulta, para as
variveis de sada, em representaes discretas para cada evento
(cenrio), com valores separados em agrupamentos, deixando o modelo
menos representativo da realidade.

6. Sugere-se, tambm, que a anlise de risco seja feita pelos analistas de
projetos, os quais possuem mais e melhores informaes. Tal processo
seria monitorado e assessorado pelos especialistas da UGR. Com isto,
no apenas a qualidade das estimativas melhoraria, mas tambm a
anlise de risco poderia resultar num processo de interao recorrente
junto ao proponente do financiamento. , pois, uma tentativa de avaliar
conjuntamente estas incertezas e perceber o quanto o proponente est
consciente e preparado atravs de planos de contingncias, alternativas
mercadolgicas, operacionais e administrativas para fazer frente a
possveis adversidades que venham a surgir.

7. Sugere-se por fim, a adoo de um relatrio mais amplo de anlise de
risco do projeto, o qual apresente:
A anlise da conta Emprstimo de Solvncia: valor mximo,
distribuio de freqncia e anos de ocorrncia;
A anlise do VPL: valor mdio e distribuio de freqncia;
117

Principais Value-drivers, as fontes de incerteza na estimativa uma
anlise de stress para cada um.
E por ltimo, a classificao de risco (rating).
O relatrio deve ter um objetivo bem mais informacional do que a simples
divulgao do rating do projeto. Seu contedo deve permitir queles que
participam do processo decisrio na concesso de financiamento entender
como as incertezas inerentes quele empreendimento podem afetar os
resultados futuros estimados, quais as fontes destas incertezas e que
medidas podem ser tomadas para mitig-las.

























118

4 CONCLUSES E RECOMENDAES


4.1 Concluses sobre o trabalho desenvolvido

O trabalho desenvolvido teve como objetivos - principal e geral - avaliar a
pertinncia da informao gerada atravs de Simulao de Monte Carlo, na
quantificao das incertezas quanto ao comportamento de variveis do fluxo de
caixa projetado.

No captulo 2, atravs de uma reviso bibliogrfica constata-se que:

O risco de crdito e as metodologias para sua avaliao tem sido objeto
de estudos e discusses recentes, e diversas metodologias aplicadas
quantificao do risco de mercado tm sido adaptadas mensurao do
risco de crdito.
As abordagens atuais de medio de risco de crdito possuem limitaes
que as tornam, se no completamente inadequadas, pelo menos
insuficientes para realizar a mensurao de risco de inadimplncia em
projetos de investimento.
A Simulao de Monte Carlo como ferramenta de mensurao de risco de
projetos, no obstante ser conhecida desde 1979 (HERTZ), ainda
polmica e no constitui um conceito fechado.
A evoluo tecnolgica (Hardware e Software) ocorrida nos ltimos anos
eliminou barreiras tcnicas e econmicas aplicao da Simulao de
Monte Carlo.
Atualmente, a grande questo em foco na discusso do mtodo a
utilizao de probabilidades subjetivas, o uso do julgamento e a
representao de crenas pessoais sobre as incertezas como funes
densidade de probabilidades.
O exerccio da Simulao de Monte Carlo permite ampliar a percepo
das incertezas de variveis, suas inter-relaes e conseqncias.

Sobre o mtodo, conclui-se, a julgar sua validade, que se trata de uma
poderosa ferramenta de anlise das incertezas. Reconhece-se, entretanto, que a
119

grande dificuldade de operacionalizao prtica est na assimetria da informao
disponvel ao analista, na medida em que, ainda hoje, os projetos apresentados
s fontes oficiais de crdito continuam por se confundir com instrumentos
justificadores para obteno de recursos, conforme apontou Casarotto em sua
tese de doutoramento (CASAROTTO, 1995).

A dificuldade aumenta em decorrncia do fato de as organizaes de
financiamento atualmente terem, em seus quadros, cada vez menos
especialistas que possam aferir, de forma crtica, informaes e especificidades
de setores e negcios cada vez mais complexos e cujo dinamismo da evoluo
tecnolgica coloc-os em constante mutao.

A criao de bancos de dados com informaes setoriais que servissem de
parmetro, associado construo de cenrios macroeconmicos e setoriais,
pode ser um atenuante para a questo informacional.

Teve ainda, este trabalho, como objetivo especfico avaliar, atravs de estudo
de caso, o modelo implantado na Agncia de Fomento do Estado da Bahia
DESENBAHIA, o qual apresentado no captulo 3 deste trabalho. Avalia-se um
modelo implantado no ano 2000, que utiliza a Simulao de Monte Carlo na
mensurao do risco de crdito e, apesar no ter sido possvel chegar a uma
concluso definitiva sobre o modelo, geraram-se concluses importantes:

1. A utilizao da Simulao de Monte Carlo na anlise de investimentos
contribui significativamente para a disseminao da cultura de risco
dentro da organizao, ampliando os horizontes do processo de
anlise de projetos.

2. A modelagem atualmente utilizada inconsistente com a idia - que
originalmente fundamentava a metodologia de anlise - de que o risco
de crdito inicia-se a partir da percepo, por parte do investidor, que
no est sendo devidamente remunerado pelo empreendimento, na
medida em que ela no mede a remunerao projetada para o
investidor e nem capaz de captar a percepo deste.
120

3. Os resultados obtidos atravs da utilizao do modelo so
inconsistentes, e isoladamente no levam a uma melhor informao
quanto possibilidade de inadimplncia. Observa-se, entretanto, a
existncia de falhas no processo, conforme relatado no captulo 3,
prejudicando, portanto, uma inferncia mais enftica sobre o acurcia
do modelo.

4.2 Recomendaes para trabalhos futuros


Tendo sido detectadas falhas no mtodo e no processo de anlise que
impedem uma colocao assertiva sobre a eficcia do mtodo ou no, na
gerao dos resultados a que se prope, sugere-se que seja feita uma nova
anlise do modelo aps adotar as medidas de ajustes apontadas neste trabalho,
no captulo 3. Sugere-se, ainda, que se sejam analisados, de forma aprofundada,
os projetos que inadimpliram, identificando os motivos da inadimplncia, de forma
a permitir avaliar o desempenho do modelo isolando os casos, se existirem, cuja
inadimplncia foi motivada por causas estranhas quelas que o modelo, se
prope a detectar. Seria conveniente tentar identificar projetos que tiveram seu
financiamento negado na DESENBAHIA, os que foram financiados por outras
instituies, a fim de se verificar seu desempenho, do ponto de vista creditcio,
como forma de validar o modelo atravs da anlise de uma amostra mais
completa, envolvendo projetos aceitos e recusados.

Sugere-se, ainda, para trabalhos futuros, aprofundar os estudos sobre
utilizao de probabilidades subjetivas e metodologias para minimizar as
armadilhas psicolgicas no julgamento, bem como reduzir problemas relativos
assimetria das informaes, posto que esta hoje a questo central para a
obteno de bons resultados travs da utilizao da Simulao de Monte Carlo.

A utilizao conjunta de Simulao de Monte Carlo em rvores de Deciso
tem aparecido na literatura (KOLLER, 2000; CLEMEN e REILLY, 2001;
MURTHA, 2001) como uma forma de modelagem eficaz para determinadas
situaes, permitindo retratar eventos e decises, dando maior fidedignidade aos
121

modelos, motivo pelo qual sugere-se em trabalhos futuros aprofundar-se os
estudos tambm nesta temtica.

Dentre as reas de que se tomou conhecimento no decorrer deste trabalho, a
Anlise de Opes Reais - apresentada na literatura como ROA Real Options
Analisys - parece ser a rea de estudos que poderia ser aplicvel eficazmente na
anlise de risco de crdito para operaes de longo prazo. Portanto, eis mais
uma sugesto para estudos futuros dentro da rea de pesquisa de risco de
crdito, considerando esta ferramenta e sua aplicabilidade nas instituies
financeiras de fomento e desenvolvimento.


































122

REFERNCIAS

ABEYSEKERA, Sarath P.; ROSENBLOOM, E. S. A simulation model for deciding
between lump-sum and dollar-cost averaging. in The Journal of Financial
Planning. Denver. Jun. 2000. Vol. 13 issue: 6 pgs. 86 96. [Acesso em: 6 de
fevereiro de 2002] Disponvel na World Wide Web:<http: //proquest.umi.com/pqdweb>

ALM, Ana Claudia; GIAMBIAGI, Fbio; PASTORIZA, Florinda. Cenrio
Macroeconmico. Rio de Janeiro: BNDES, 1997 (Texto para discusso, 56)

ANDRADE, Eduardo L. Introduo Pesquisa Operacional: mtodos e modelos
para a anlise de deciso. 2 ed. Rio de Janeiro: LTC, 2000.

ANDRADE, Sandro Canesso. Um Modelo de Medio de Risco de Crdito. Revista
Resenha BM&F , n 140 , p. 17 23, 1998.

ASSAF NETO, Alexandre ; SILVA, Csar T. Administrao de Capital de Giro. 2
ed. So Paulo: Atlas, 1997.

______, Alexandre. Estrutura e Anlise de Balanos. 4 ed. So Paulo: Atlas, 1998.

______, Alexandre. Mercado Financeiro So Paulo: Atlas, 1999.

Banco Central de La Repblica Argentina - Main Features Of the Regulatory
Framework of the Argentine Financial Sistem. Jan. 1999.

BANCO CENTRAL DO BRASIL Dispe sobre os critrios de classificao das
operaes de crdito e regras para constituio de aprovisionamento para crditos de
liquidao duvidosa. Resoluo n 2682 de 21 de dezembro de 1999.

Basle Committee on Banking Supervision - Credit Risk Modelling Current Practices
and Aplications. Basle Apr. 1999.

BELL, J. Harold; RAUF Jr. Robert C. Predicting and podering probable futures. In
Advisor Today. Washington. Dec. 2000 Vol. 95 issue: 12 pgs. 64 - 74. [Acesso em:
30 de janeiro de 2002] Disponvel na World Wide Web:<http:
//proquest.umi.com/pqdweb>

BERGAMINI JUNIOR, Sebastio. Classificao de Risco: o modelo em uso no
BNDES Working paper 1997.

BERNSTEIN, Peter L. - Desafio aos deuses: a fascinante histria do risco.
traduo Ivo Korytowski Rio de Janeiro: Campus, 1997.

BLATT, Adriano. Avaliao de risco e deciso de crdito : um enfoque prtico.
So Paulo: Nobel, 1999.

BORGES, Luis Ferreira Xavier. Securitizao como parte da segregao de risco.
Revista do BNDES, V. 6 N. 12, P. 123-136, Dez 1999.

123

BREALEY, A. Richard, MYERS, Stewart C. Princpios de Finanas Empresariais.
3 edio Portugal: Editora McGraw-Hill ,1992.

BRIGHAN, Eugene F., HOUSTON, Joel F. Fundamentos da Moderna
Administrao Financeira. Rio de Janeiro: Campus, 1999.

BRUNI, Adriano Leal; FAMA; Rubens; SIQUEIRA; Jos de Oliveira. Anlise do risco
na avaliao de projetos de investimento: uma aplicao do mtodo de Monte
Carlo. In Caderno de pesquisas em Administrao. So Paulo V.1 n 6 1 trim./98.

BRUTSHER, Snia M. Anlise de Investimentos e Projetos. Braslia. EdUNB, 1999.

CAMPOS, Edson Ferraz. Anlise de Risco em Bancos de Desenvolvimento.
PPGEP UFSC, Dissertao de Mestrado, 1981.

CAOUETTE, John B; ALTMAN, Edward I ; NARAYANAN, Paul. Gesto do risco de
crdito: o prximo grande desafio financeiro. traduo de Allan Hastings; reviso
tcnica Joo Carlos Douat -- Rio de janeiro: Qualitymark Ed., 1999.

CAREY, Mark. Dimensions Of Credit Risk and Their Relationship to Economic
Capital Requirements - Working Paper 7629 National Bureau Of Economic
ResearchMarch 2000.

CASAROTTO Filho, Nelson. Anteprojeto industrial: das estratgias empresariais
engenharia. PPEGP UFSC - Tese de Doutorado: Florianpolis, 1995.

______,Filho, Nelson; KOPITTKE, Bruno H. Anlise de investimentos. 9ed. So
Paulo: Atlas, 2000.

CAVALCANTE, Ricardo. Cenrios Macroeconmicos: projees de Longo Prazo
usando o Modelo BNDES, Salvador: DESENBAHIA, 2000 (Texto para Discusso
04/00)

CLARK, Dale E. Monte Carlo analysis: ten years of experience. In Cost
Engineering. Morgantown. Jun. 2001 Vol. 43 issue: 6 pgs. 40 - 45. [Acesso em: 29
de janeiro de 2002] Disponvel na World Wide Web:<http:
//proquest.umi.com/pqdweb>

CLEMEN, Robert T.; REILLY, Terence. Making hard decisions with
DecisionTools 2
nd
rev. ed. USA, Duxbury, 2001.

COPELAND, Tom , KOLLER, Tim, MURRIN, Jack. -Avaliao de empresas
Valuation: calculando e gerenciando o valor das empresas. So Paulo,
MAKRON Books, 2000.

COPELAND, Tom E.; ANTIKAROV, Vladimir. Opes Reais: um novo paradigma
para reinventar a avaliao de investimentos. Traduo de Maria Jos Cyhlar. Rio
de Janeiro: Campus, 2001.

CROSBIE, Peter J.; BOHN, Jeffrey R. Modeling Default Risk - KMV. San Francisco,
124

CA: KMV, LLC , 2002.

CURRY, Renwick E. The Problems with The Problems with Monte Carlo
Simulation 2002.

DAMODARAN, Aswath Avaliao de Investimentos: ferramentas e tcnicas para
a determinao do valor de qualquer ativo. traduo de Bazn Tecnologia e
Lingstica ( Carlos Henrique Trieschmann e Ronaldo de Almeida Rego; superviso
tcnica de Eduardo Fortuna Rio de Janeiro: Qualitymark, 1997.

______, Aswath. - Applied Corporate Finance. USA: John Wiley & Sons, Inc., 1999

______, Aswath - The Promise and Peril of Real Options Working Paper NewYork
1999.

______, Aswath; BERNSTEIN, Peter L. Administrao de Investimentos. Traduo:
Cyro C. Patarra e Jos Carlos Barbosa dos santos. Porto Alegre: BookMan, 2000.

______, Aswath Finanas Corporativas Aplicadas Manual do Usurio.
Traduo Jorge Ritter.- Porto Alegre: Bookman, 2002.

DANTAS, Antonio. Anlise de Investimentos e Projetos. Braslia. EdUNB, 1996.

DEY, Prasanta K.; OGUNLANA, Stephen O. Project time risk analysis through
simulation. In Cost Engineering. Morgantown. Jul. 2001 Vol. 43 issue: 7 pgs. 24 -
28. [Acesso em: 29 de janeiro de 2002] Disponvel na World Wide Web:<http:
//proquest.umi.com/pqdweb>

DIXIT, Avinash K ; PINDYCK, Robert S. Investment under uncertainty. New Jersey
USA: Princeton University Press, 1993.

DOUAT, Joo Carlos. Desenvolvimento de modelo para administrao de
carteiras de crdito a pessoas jurdicas em um banco comercial com base na
teoria da diversificao de riscos. Tese de Doutorado FGV/EAESP So Paulo,
1994.

ELTON, Edwin J., GRUBER, Martin j.. Modern Portfolio Theory and Investment
Analysis. 5
th
. . John Wiley & Sons, Inc. : 1995.

ERAKER, Bjorn. MCMC analysis of diffusion models with application to finance.
In Journal of Business & Economic Statistics. Alexandria. Apr. 2001 Vol. 19 issue: 2
pgs. 177 - 191. [Acesso em: 30 de janeiro de 2002] Disponvel na World Wide
Web:<http: //proquest.umi.com/pqdweb>

EVANS, JAMES R.; OLSON, DAVID L.. Introduction to Simulation and Risk
Analysis. Prentice Hall, Upper Saddle River, , New Jersey - 1998.

FINNERTY, John D.. Project Finance: engenharia financeira baseada em ativos.
Rio de Janeiro: Qualitymark, 1998.
FISHMAN, George S. Monte Carlo Concepts, Algorithms and applications.
125

USA: Springer, 1995.

GALDO, Almir, FAM, Rubens. A influncia das teorias do risco, da
alavancagem e da utilidade nas decises de investidores e administradores. III
SemeAd, 1998.

GAPENSKI, Louis C.. Debt-maturity structures match risk preferences. Healtcare
financial management, Westchester, Dec./1999.

GARTNER, Ivan Ricardo. Anlise de Projetos em Bancos de Desenvolvimento:
Proposio de um modelo de anlise. Dissertao de Mestrado, Universidade
Federal de Santa Catarina,1995

GIAMBIAGI, Fabio; PASTORIZA, Florinda. Modelo de Consistncia
Macroeconmica. Rio de Janeiro: BNDES, 1997 (Texto para discusso, 52)

______, Fabio. Perspectivas para a economia brasileira 1999/2006. Rio de
Janeiro: BNDES, 1999a (Texto para discusso,74)

______, Fabio. Perspectivas para a economia brasileira 1999/2006. Revista do
BNDES, Rio de Janeiro, v.6, n. 12, p.49-86, dez. 1999b.

GITMAN, Lawrence J. Princpios de Administrao Financeira. 7 ed. So
Paulo: Harbra, 1997.

GREY, Stephen. Practical Risk Assessment for Project Management. England:
John Wiley & Sons Ltda., 1995.

GROPPELLI, A.A., NIKBAKHT, Ehsan. Administrao financeira. 3 ed. So
Paulo: Saraiva,1998.

HAMMOND, John S.; KEENEY, Ralph L.; RAIFFA, Howard. Decises Inteligentes:
como avaliar alternativas e tomar a melhor deciso; traduo de Marcelo Filardi
Ferreira. Rio de Janeiro: Campus, 1999.

HELFERT, Erich A.. Tcnicas de anlise financeira: um guia prtico para medir o
desempenho dos negcios. 9 ed. Porto Alegre: Bookman, 2000.

HERTZ, David B. Risk Analysis in Capital Investment republished in Harvard
Business Review, september october, 1979.
HULL, John. Introduo aos Mercados Futuros e de Opes. 2 ed. Rev. e ampl.
Bolsa de Mercadorias e Futuros. 1996.

INGALLS, Ricki G. Introduction to simulation. Proceedings of the 2002 Winter
Simulation Conference.

JORION, Philippe Value at Risk Bolsa de Mercadorias e Futuros- So Paulo: 1999.

KAUTT, Glenn; WIELAND, Fred. Modeling the future: the full monte, the latin
hypercube and other curiosities. In Journal of Financial Planning. Denver. Dec.
126

2001 Vol. 14 issue: 12 pgs. 78 88 [Acesso em: 29 de janeiro de 2002] Disponvel
na World Wide Web:<http: //proquest.umi.com/pqdweb>

KELLIHER; Charles F.; MAHONEY, Lois S. Using Monte Carlo simulation to
improve long-term investiment decisions. In The Appraisal Journal. Chicago. Jan.
2000 Vol. 68 issue: 1 pgs. 44 56. [Acesso em: 29 de janeiro de 2002] Disponvel
na World Wide Web:<http: //proquest.umi.com/pqdweb>

KELTON, W.; SADOWSKI, R.; SADOWSKI, D. Simulation with Area. McGraw-
Hill,1998.

KINGSTON, John D. Monte Carlo simulation: challenging the sacred cow. In
Journal of Financial Planning. Denver. Nov. 2001 Vol. 14 issue: 11 pgs. 104 - 105.
[Acesso em: 30 de janeiro de 2002] Disponvel na World Wide Web:<http:
//proquest.umi.com/pqdweb>

KOLLER, Glenn R. Risk modeling for determining value and decision making.
Washington, D.C.: Chapman & Hall/CRC, 2000.

KOPITTKE, Bruno H.; GARTNER, Ivan R.; BR, Fernando L.. O Estudo do Perfil
Competitivo na Anlise de Projetos em Bancos de Desenvolvimento. Rio de
Janeiro: RAP, Set/Out/1997. Vol. 31 (5), Pg: 70-86.

LAKATOS, Eva Maria, MARCONI, Marina de Andrade. Metodologia do trabalho
cientfico : procedimentos bsicos, pesquisa bibliogrfica, projeto e relatrio,
publicaes e trabalhos cientficos. 4 ed. So Paulo: Atlas, 1992.

LAPPONI, Juan Carlos, Avaliao de Projetos de Investimentos: Modelos em
Excel. 3 ed. So Paulo:Lapponi,1996.

______, Juan Carlos, Estatstica usando Excel 5 e 7. So Paulo: Laponni
Treinamento e Editora, 1997.

______, Juan Carlos Projetos de investimento: construo e avaliao do fluxo
de caixa: modelos em Excel. So Paulo: Laponni Treinamento e Editora,2000.

LAW, Averill M.; KELTAN, W. David, Simulation modeling and analysis, 3 Ed.,
Tucson, Arizona EUA: McGraw-Hill, 1996.

LI, Ling Hin. Simple computer applications improve the versatility of discounted
cash flow analysis. in The Appraisal Journal. Chicago. Jan. 2000. Vol. 68 issue: 1
pgs. 86 92. [Acesso em: 30 de janeiro de 2002] Disponvel na World Wide
Web:<http: //proquest.umi.com/pqdweb>

MARKOWITZ; Harry M. Portfolio Selection. 2
nd
ed. Blackwell Publishers Ltd. 1991.

MATTAR, Fauze Najib . et al (Coord.) - Redao de documentos acadmicos:
contedo e forma. Caderno de pesquisas em administrao, So Paulo, V.1, n3,
2 SEM. / 1996.

127

McCARTHY, Ed. Monte Carlo Simulation: still stuck in low gear. In Journal of
Financial Planning. Denver. Jan. 2000. Vol. 13 issue: 1 pgs. 54 - 60 [Acesso em:
30 de janeiro de 2002] Disponvel na World Wide Web:<http:
//proquest.umi.com/pqdweb>

MOTTA, Regis da Rocha; CALBA, Guilherme Marques. Anlise de Investimentos
Tomada de deciso em projetos industriais. So Paulo: Atlas, 2002.

MURTHA, Jim. Risk Analysis for the Oil Industry. USA, HARTS E&P, 2001.

NAWROCKI, David The problems with Monte Carlo Simulation. in Journal of
Financial Planning; Vol. 14 issue: 11, pgs. 92-103. 2001. [Acesso em: 28 de janeiro de
2002] Disponvel na World Wide Web :<http: //proquest.umi.com/pqdweb>

NEELY, Christopher J.; WELLER, Paul. Predictability in international asset
returns: a reexamination. in Journal of Financial and Quantitative Analysis. Seattle.
Dec. 2000. Vol. 35 issue: 4 pgs. 601 - 620. [Acesso em: 30 de janeiro de 2002]
Disponvel na World Wide Web :<http: //proquest.umi.com/pqdweb>

NERSESIAN, Roy L. @Risk 4.0 Bank Credit Analysis. USA: Palisade Corporation,
2000.

PAIVA, Carlos Alberto. Administrao do risco de crdito. Rio de Janeiro:
Qualitymark Ed. 1997

PERERA, Luiz Carlos Jacob Quantificao e Precificao de Risco de Crdito
atravs do Modelo de Opes. RAE Revista de Administrao de Empresas
So Paulo , V.37, n. 3 , p.42-55 , Jul/Set 1997.

PILANA, Sabri. History of Monte Carlo Method, 2001.[Acesso em 05/01/01
Disponvel na World Wide Web em <
http://.geocities.com/collegePark/quad/2435/history.html>

PORTER, Michael E. Estratgia Competitiva: Tcnicas para anlise de indstrias
e concorrncia. Traduo de Elizabeth Maria de Pinho Braga; reviso tcnica Jorge
Garcia Gomez - 7 ed. - Rio de Janeiro: Campus, 1986.

______, Michael E. Vantagem Competitiva: Criando e sustentando um
desempenho superior. Traduo de Elizabeth Maria de Pinho Braga; reviso
tcnica de Jorge Garcia Gomez. - Rio de Janeiro: Campus, 1990.

RAPPAPORT, Alfred; MAUBOUSSIN, Michael J. Anlise de Investimentos Como
transformar incertezas em oportunidades lucrativas. Traduo: Maria Jos Cylhar
Monteiro. Rio de Janeiro: Campus, 2002.

RIGOLON, Francisco Jos Zagari. Opes Reais e Anlise de Projetos. Rio de
Janeiro: BNDES, 1999. (Texto para discusso, 66)

RONIK, Wolf Von. System testing via Monte Carlo. In Futures. Cedar Falls. Apr.
2001 Vol. 30 issue: 5 pgs. 44 - 46. [Acesso em: 30 de janeiro de 2002] Disponvel
128

na World Wide Web :<http: //proquest.umi.com/pqdweb>

ROSS, Stephen A., WESTERFIELD, Randolph W., JAFFE, Jeffrey F. Administrao
Financeira. So Paulo: Atlas. 1995.

ROSS, Stephen A. ; WESTERFIELD, Randolph W. E JORDAN, Bradford D.
Princpios de Administrao Financeira; traduo Antonio Zoratto Sanvicente.
So Paulo: Atlas, 1998.

S, Geraldo Tosta de. Administrao de investimentos: Teoria de carteiras e
gerenciamento do risco; superviso tcnica, Eduardo Fortuna. Rio de Janeiro:
Qualitymark Ed., 1999.

SANTI FILHO, Armando de. Avaliao de riscos de crdito: para gerentes de
operao. So Paulo: Atlas, 1997

SANTOS, Jos Odlio dos. Anlise de Crdito: Empresas e Pessoas Fsicas. So
Paulo: Atlas, 2000.

SAUNDERS, Anthony. Medindo o Risco de Crdito- Novas abordagens para Value
at Risk e outros paradigmas. traduo Bazan Tecnologia Linguistca: reviso tcnica
Luiz Afonso Cerqueira/ Joo Carlos Douat Rio de Janeiro: Qualitymark Editora,
2000a.

______, Anthony. Administrao de Instituies Financeiras. traduo Antonio
Zoratto Sanvicente So Paulo: Atlas, 2000b.

SAVAGE, Sam. Statistical Analysis For The Masses published in Statistics and
Public Policy, edited by Bruce Spencer, Oxford University Press, 1996.

______, Sam. The flaw of avarages. in The San Jose Mercury News. October, 8
2000. [Acesso em: 15 de fevereiro de 2002] Disponvel na World Wide Web:<http:
//www.analycorp.com.>


SCOTT, Robert W. Betting on Monte Carlo in Accounting Technology; Boston. Oct.
2000. Vol. 16 issue: 9, pgs. 67 - 71 [Acesso em: 30 de janeiro de 2002] Disponvel na
World Wide Web:<http: //proquest.umi.com/pqdweb>

SECURATO, Jos Roberto. Decises financeiras em contexto de risco. So
Paulo: Atlas, 1993.

______, Jos Roberto et. al. Clculo Financeiro das Tesourarias -- Bancos e
Empresas. So Paulo: Saint Paul, 1999.

______, Jos Roberto; PEROBELLI, Fernanda F. C.. Comparao entre mtodos
para determinao do valor presente de uma carteira de crdito e de seu risco.
In Caderno de Pesquisas em Administrao, So Paulo. V. 7 n 4 out/dez 2000.

______, Jos Roberto. Crdito e Avaliao do Risco Pessoas Fsicas e
129

Jurdicas. Coordenado por Jos Roberto Securato So Paulo: Saint Paul, 2002.

SHIMIZU, Tamio. Deciso nas organizaes: introduo aos problemas de
deciso encontrados nas organizaes e nos sistemas de apoio deciso. So
Paulo: Atlas. 2000.

SILVA, Antonio Carlos. Anlise de Risco e o Modelo Matricial de Crdito.
Dissertao de Mestrado, Pontficia Universidade Catlica de So Paulo, So Paulo,
1995.

SILVA, Edna Lucia de; MENEZES, Estera Muszkat. Metodologia da pesquisa e
elaborao de dissertao. Florianpolis: Laboratrio de ensino a distncia da
UFSC, 2000

SILVA, Jos Pereira da. Anlise e deciso de crdito. So Paulo: Atlas, 1988.

SOUZA, Arlindo A. de; LIGO, Alexandre; MOYA, Ricardo W. Gerenciamento,
avaliao e quantificao do risco de projetos. In Caderno de pesquisas em
Administrao. V.2 n 5 2 sem./97.

STAMPLES, Edward. Monte Carlo sims come to your PC. in Advisor Today.
Washington. Aug. 2000. Vol. 95 issue: 8 pgs. 124 - 125. [Acesso em: 30 de janeiro
de 2002] Disponvel na World Wide Web :<http: //proquest.umi.com/pqdweb>

STEVENSON, William J. Estatstica aplicada administrao; traduo Alfredo
Alves de Farias. So Paulo Harper & Row do Brasil, 1981.

TREACY, Wiliam F. Credit Risk Rating at Large U.S. Banks - Federal Reserve
Bulletin Nov. 1998.

TVERSKY, Amos; KAHNEMAN, Daniel. Judgment under Uncertainty: Heuristics
and Biases. Science, New Series, Volume 185, Issue 4157, 1974.

VEIGA, lvaro. Mtodos Estatsticos e Estocsticos Aplicados na Quantificao
de Incertezas na Anlise de Investimentos. Seminrio sobre quantificao de
incertezas e anlise de risco em projetos da E&P, Petrobrs/CENPES -
transparncias: Rio de Janeiro, 2000.

VERGARA, Sylvia Constant. Projetos e relatrios de pesquisa em administrao.
So Paulo: Atlas, 1997.

WERCKMAN, Carol; HARDY, Terry & WAINWRIGHT, Eric. Cristal Ball User Manual
Decisioneering, Inc. Denver, Colorado USA 2000.

WESTON, J. Fred; BRIGHAM, Eugene F. Fundamentos da Administrao
Financeira. So Paulo: MAKRON Books, 2000.

WINSTON L. Wayne. Financial Models Using Simulation and Optimization A
step-by-step guide guide with Excel and Palisades Decision Tools

Software
NY USA: Palisade Corporation, 1998.
130
N PERODO
RATING DE
RISCO DE
PROJETO
RATING DE
ATRASO Em
30/06/03
DATA DA
PRIMEIRA
LIBERAO
VENCIMENTO DA
PRIMEIRA
AMORTIZAO
DATA DE
VENCIMENTO DO
CONTRATO
VALOR DO
FINANCIAMENTO
DATA
INADIMPL
NCIA
DIAS DE
ATRASO
Porte Setor Capital Social
Experincia
anterior c/
Desenbahia
Ramo Objetivo
1 junho-00 A AA 12/12/2000 6/15/2001 5/15/2004 33.531,92 0 Micro Privado 20.000,00 No 52 Ampliao
2 agosto-00 AA AA 10/27/2000 11/15/2001 10/15/2005 53.583,92 0 Micro Privado 10.000,00 No 55 Ampliao
3 setembro-00 AA AA 2/5/2001 12/15/2001 4/15/2006 222.600,00 0 Grande Privado 60.570.000,00 Sim 24 Ampliao/Modernizao
4 setembro-00 A E 12/26/2000 2/15/2002 1/15/2005 400.279,69 3/15/2003 107 Pequeno Privado 150.000,00 Sim 63 Ampliao
5 outubro-00 A H 12/6/2000 12/15/2001 11/15/2005 33.053,62 4/15/2002 441 Micro Privado 30.300,00 No 36 Implantao
6 outubro-00 A AA 12/14/2000 1/15/2002 12/15/2005 53.600,00 0
*
Micro Privado 20.000,00 No 55 Implantao
7 novembro-00 AA AA 3/15/2001 8/15/2004 2/15/2001 2.072.961,10 6/15/2003 15 Pequeno Privado 10.000,00 No 1 Implantao
8 novembro-00 A AA 1/17/2001 2/15/2002 1/15/2007 122.998,95 6/15/2003 15 Micro Privado 98.100,00 Sim 80 Ampliao
9 novembro-00 B AA 9/20/2001 6/15/2002 5/15/2006 137.304,00 0 Grande Privado 1.547.000.899,52 Sim 24 Ampliao/Modernizao
10 novembro-00 AA C 11/29/2000 1/23/2003 12/23/2008 5.000.000,00 4/9/2003 82 Grande Privado 10.474.930,00 No 55 Implantao
11 dezembro-00 A C 3/5/2001 4/15/2003 3/15/2009 1.327.170,52 4/15/2003 76 Pequeno Privado 200.000,00 No 80 Implantao
12 dezembro-00 B C 3/6/2001 3/15/2003 2/15/2009 1.120.822,10 4/15/2003 76 Pequeno Privado 100.000,00 No 55 Implantao
13 janeiro-01 A D 3/9/2001 3/15/2003 2/15/2009 2.151.051,00 2/15/2003 135 Micro Privado 200.000,00 No 36 Ampl/Mod/Rel
14 maro-01 AA AA 6/19/2001 6/30/2004 6/30/2004 677.884,00 0 Grande Privado 10.423.527,00 Sim 19 Modernizao
15 abril-01 A AA 7/12/2001 7/15/2003 6/15/2009 409.000,00 0 Mdio Privado 100.000,00 Sim 36 Ampliao
16 maio-01 C B 8/30/2001 9/15/2002 2/15/2006 29.939,00 6/15/2003 15 Micro Privado 10.000,00 No 52 Implantao
17 maio-01 C AA 8/15/2001 12/15/2001 8/15/2002 15.000,00 0 Micro Privado 500.000,00 Sim 52 No definida
18 maio-01 A AA 8/23/2001 8/15/2002 7/15/2006 53.600,00 0 Micro Privado 543.720,00 Sim 52 Modernizao
19 agosto-01 A AA 11/27/2001 11/15/2001 10/15/2006 516.201,60 6/15/2003 15
*
Mdio Privado 2.200.000,00 Sim 63 Ampliao
20 agosto-01 C AA 4/4/2002 1/15/2004 4/4/2002 3.778.392,00 6/15/2003 15 Grande Privado 31.984.165,00 Sim 55 Ampliao
21 agosto-01 A AA 10/29/2001 5/15/2003 10/15/2008 622.230,00 0 Mdio Privado 6.500,00 Sim 52 Ampliao
22 agosto-01 A AA 10/22/2001 2/15/2003 2/15/2003 1.662.097,94 0 Mdio Privado 7.500.000,00 Sim 24 Ampliao
23 setembro-01 AA AA 7/19/2002 5/15/2003 4/15/2007 1.238.500,00 0 Mdio Privado 2.800.000,00 No 25 Ampliao
24 setembro-01 B AA 2/7/2001 11/15/2002 10/15/2006 260.841,00 0 Pequeno Privado 3.500.000,00 Sim 85 Ampliao
25 setembro-01 A AA 10/10/2002 10/31/2005 10/30/2005 52.148,61 0 Grande Privado 8.000.000,00 No 36 Implantao
26 setembro-01 C AA 12/17/2001 2/15/2002 10/15/2002 50.000,00 0 Micro Privado 463.400,00 No 80 Modernizao
27 outubro-01 AA AA 12/28/2001 12/9/2003 11/9/2009 1.000.000,00 0 Mdio Privado 15.000.000,00 Sim 17 Ampliao
28 outubro-01 A AA 1/28/2002 6/15/2004 12/15/2011 279.831,21 0 Micro Privado 3.517.000,00 Sim 5 Ampliao
29 outubro-01 AA E 4/17/2002 4/15/2004 3/15/2014 2.994.462,00 12/15/2002 197 Pequeno Privado 300.000,00 No 55 Implantao
30 novembro-01 AA AA 6/4/2002 3/15/2003 2/15/2007 452.028,00 0 Grande Privado 8.764.000,00 No 19 Ampliao
31 novembro-01 AA AA 1/25/2002 2/15/2003 1/15/2007 31.702,26 0 Micro Privado 3.000,00 No 15 Ampliao
32 novembro-01 AA AA 2/4/2002 2/15/2003 1/15/2008 294.637,61 6/15/2003 15 Pequeno Privado 74.000,00 No 85 Ampliao
33 novembro-01 AA C 1/28/2002 2/15/2004 1/15/2010 2.079.226,23 4/15/2003 76 Mdio Privado 2.750.000,00 Sim 80 Ampliao/Modernizao
34 novembro-01 C D 2/15/2002 3/15/2004 2/15/2012 1.276.476,00 4/15/2003 76 Mdio Privado 3.150.000,00 Sim 55 Ampliao
35 dezembro-01 B AA 2/22/2002 2/15/2002 1/15/2007 53.600,00 0 Micro Privado 15.000,00 No 85 Relocalizao
36 dezembro-01 AA AA 5/27/2002 4/15/2004 5/15/2012 998.202,87 6/15/2003 15 Pequeno Privado 100.000,00 No 1 Implantao
37 dezembro-01 AA B 2/5/2002 2/15/2003 1/15/2007 10.323,36 5/15/2003 46 Micro Privado 5.000,00 No 52 Implantao
38 dezembro-01 C AA 5/13/2002 10/15/2004 4/15/2014 503.151,00 0 Micro Privado 33.000,00 No 1 Implantao
39 dezembro-01 A AA 4/2/2002 4/15/2003 3/15/2007 53.600,00 0 Micro Privado 58.000,00 No 74 Ampliao/Modernizao
40 janeiro-02 AA AA 9/23/2002 9/30/2005 9/30/2005 382.140,95 0 Mdio Privado 10.200.000,00 No 5 Ampliao
41 janeiro-02 B AA 2/22/2002 3/15/2003 2/15/2010 182.795,55 6/15/2003 15 Micro Privado 147.000,00 Sim 80 Ampliao
42 janeiro-02 C C 3/15/2002 4/15/2003 3/15/2007 50.000,00 4/15/2003 76 Micro Privado 10.000,00 No 85 Implantao
43 janeiro-02 A AA 4/11/2002 5/15/2003 4/15/2010 395.138,00 0 Pequeno Privado 1.375.000,00 Sim 55 Ampliao/Modernizao
44 maro-02 AA AA 6/6/2002 6/15/2003 5/15/2007 567.383,00 0 Mdio Privado 100.000,00 Sim 36 Ampliao
45 maro-02 B AA 5/13/2002 6/9/2004 5/9/2012 1.884.000,00 0 Grande Privado 690.000,00 Sim 24 Ampliao
46 maro-02 C AA 6/21/2002 12/15/2004 6/15/2012 1.278.259,02 0 Pequeno Privado 3.299.910,00 No 1 Ampliao/Modernizao
47 maro-02 B B 9/13/2002 9/15/2003 8/15/2007 184.790,00 5/15/2003 46 Pequeno Privado 5.000,00 No 24 Implantao
48 maro-02 A AA 5/29/2002 6/15/2004 5/15/2010 540.872,00 0 Micro Privado 20.000,00 No 34 Ampliao
49 abril-02 A AA 7/8/2002 7/15/2004 6/15/2010 376.530,00 0 Mdio Privado 180.000,00 No 85 Ampliao
50 abril-02 A AA 8/20/2002 7/15/2004 6/15/2010 1.252.329,54 0 Micro Privado 24.000,00 No 85 Ampliao
51 maio-02 B AA 6/27/2002 12/15/2003 12/15/2003 954.052,00 0 Mdio Privado 7.500.000,00 Sim 24 Ampliao
52 maio-02 A AA 7/19/2002 8/15/2004 7/15/2010 896.095,00 0 Pequeno Privado 870.000,00 Sim 55 Ampliao
53 maio-02 A AA 7/19/2002 2/15/2004 7/15/2010 114.666,48 0 Micro Privado 5.000,00 No 55 Ampliao
54 julho-02 C AA 9/25/2002 10/15/2003 9/15/2007 179.998,26 6/15/2003 15 Pequeno Privado 1.000,00 No 55 Implantao
55 agosto-02 AA B 12/27/2002 12/15/2003 11/15/2007 36.019,20 5/31/2003 30 Mdio Privado 340.000,00 Sim 24 Ampliao
56 agosto-02 A AA 12/27/2002 12/15/2004 11/15/2010 1.880.000,00 0 Mdio Privado 50.000,00 No 80 Ampliao
57 agosto-02 A AA 11/14/2002 6/15/2004 5/15/2010 1.391.263,00 6/15/2003 15 Pequeno Privado 1.066.937,00 Sim 85 Ampliao/Modernizao
* renogociado
Quadro Resumo dos projetos analisados
APNDICE A - Quadro resumo dos projetos analisados
131
APNDICE B - Quadro do perfil dos projetos analisados - AA


N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Micro 1 2 0 3 Micro 0 0 0 0
Pequeno 1 3 0 4 Pequeno 0 1 0 1
Mdio 0 3 3 6 Mdio 0 1 0 1
Grande 2 2 0 4 Grande 1 0 0 1
Total 4 10 3 17 Total 1 2 0 3
% 2000 2001 2002 Consolidado % 2000 2001 2002 Consolidado
Micro 25% 20% 0% 18% Micro 0% 0% 0% 0%
Pequeno 25% 30% 0% 24% Pequeno 0% 50% 0% 33%
Mdio 0% 30% 100% 35% Mdio 0% 50% 0% 33%
Grande 50% 20% 0% 24% Grande 100% 0% 0% 33%
Total 100% 100% 100% 100% Total 100% 100% 0% 100%
N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Sim 1 3 2 6 Sim 0 1 0 1
No 3 7 1 11 No 1 1 0 2
Total 4 10 3 17 Total 1 2 0 3
% 2000 2001 2002 Consolidado % 2000 2001 2002 Consolidado
Sim 25% 30% 67% 35% Sim 0% 50% 0% 33%
No 75% 70% 33% 65% No 100% 50% 0% 67%
Total 100% 100% 100% 100% Total 100% 100% 0% 100%
N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Ampliao 1 5 3 9 Ampliao 0 0 0 0
Implantao 2 3 0 5 Implantao 1 1 0 2
Ampliao/Modernizao 1 1 0 2 Ampliao/Modernizao 0 1 0 1
Relocalizao 0 0 0 0 Relocalizao 0 0 0 0
Ampl/Mod/Rel 0 0 0 0 Ampl/Mod/Rel 0 0 0 0
Modernizao 0 1 0 1 Modernizao 0 0 0 0
No definida 0 0 0 0 No definida 0 0 0 0
Total 4 10 3 17 Total 1 2 0 3
% 2000 2001 2002 Consolidado % 2000 2001 2002 Consolidado
Ampliao 25% 50% 100% 53% Ampliao 0% 0% 0% 0%
Implantao 50% 30% 0% 29% Implantao 100% 50% 0% 67%
Ampliao/Modernizao25% 10% 0% 12% Ampliao/Modernizao 0% 50% 0% 33%
Relocalizao 0% 0% 0% 0% Relocalizao 0% 0% 0% 0%
Ampl/Mod/Rel 0% 0% 0% 0% Ampl/Mod/Rel 0% 0% 0% 0%
Modernizao 0% 10% 0% 6% Modernizao 0% 0% 0% 0%
No definida 0% 0% 0% 0% No definida 0% 0% 0% 0%
Total 100% 100% 100% 100% Total 100% 100% 0% 100%
N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Fixo 2 5 2 9 Fixo 1 1 0 2
Giro 0 0 1 1 Giro 0 0 0 0
Misto 2 5 0 7 Misto 0 1 0 1
Total 4 10 3 17 Total 1 2 0 3
N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Fixo 50% 50% 67% 53% Fixo 100% 50% 0% 67%
Giro 0% 0% 33% 6% Giro 0% 0% 0% 0%
Misto 50% 50% 0% 41% Misto 0% 50% 0% 33%
Total 100% 100% 100% 100% Total 100% 100% 0% 100%
Quadro Resumo do Perfil dos Projetos Analisados AA
Extratificao por Porte da Empresa Postulante
Extratificao por experincia anterior com a Desenbahia
Extratificao por objetivo do projeto
Perfil dos Inadimplentes
Perfil das Empresas/ Projetos
Analisados
Extratificao por Porte da Empresa Postulante
Extratificao por experincia anterior com a Desenbahia
Extratificao por objetivo do projeto
Extratificao por Finalidade Extratificao por Finalidade
132
APNDICE B - Quadro do perfil dos projetos analisados AA (continuao)














N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
1 a 10 1 0 0 1 1 a 10 0 0 0 0
11 a 50 0 2 1 3 11 a 50 0 0 0 0
51 a 100 0 0 0 0 51 a 100 0 0 0 0
> 100 3 8 2 13 > 100 1 2 0 3
Total 4 10 3 17 Total 1 2 0 3
% 2000 2001 2002 Consolidado % 2000 2001 2002 Consolidado
1 a 10 25% 0% 0% 6% 1 a 10 0% 0% 0% 0%
11 a 50 0% 20% 33% 18% 11 a 50 0% 0% 0% 0%
51 a 100 0% 0% 0% 0% 51 a 100 0% 0% 0% 0%
> 100 75% 80% 67% 76% > 100 100% 100% 0% 100%
Total 100% 100% 100% 100% Total 100% 100% 0% 100%
N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Sim 1 5 2 8 Sim 0 2 0 2
No 3 5 1 9 No 1 0 0 1
Total 4 10 3 17 Total 1 2 0 3
% 2000 2001 2002 Consolidado % 2000 2001 2002 Consolidado
Sim 25% 50% 67% 47% Sim 0% 100% 0% 67%
No 75% 50% 33% 53% No 100% 0% 0% 33%
Total 100% 100% 100% 100% Total 100% 100% 0% 100%
N. de projetos 2000 2001 2002 Consolidado N. de projetos 2000 2001 2002 Consolidado
1 1 1 0 2 1 0 0 0 0
24 1 0 1 2 24 0 0 0 0
36 0 0 1 1 36 0 0 0 0
52 0 1 0 1 52 0 0 0 0
55 2 1 0 3 55 1 1 0 2
80 0 1 0 1 80 0 1 0 1
85 0 1 0 1 85 0 0 0 0
Outros 0 5 1 6 Outros 0 0 0 0
Total 4 10 3 17 Total 1 2 0 3
% 2000 2001 3002 Consolidado % 2000 2001 3002 Consolidado
1 6% 6% 0% 12% 1 0% 0% 0% 0%
24 6% 0% 6% 12% 24 0% 0% 0% 0%
36 0% 0% 6% 6% 36 0% 0% 0% 0%
52 0% 6% 0% 6% 52 0% 0% 0% 0%
55 12% 6% 0% 18% 55 33% 33% 0% 67%
80 0% 6% 0% 6% 80 0% 33% 0% 33%
85 0% 6% 0% 6% 85 0% 0% 0% 0%
Outros 0% 29% 6% 35% Outros 0% 0% 0% 0%
Total 24% 59% 18% 100% Total 33% 67% 0% 100%
Quadro Resumo do Perfil dos Projetos Analisados AA
Perfil dos Inadimplentes
Perfil das Empresas/ Projetos
Analisados
Extratificao por estado de carncia
Extratificao por ramo Extratificao por ramo
Extratificao por Relao Inv/PL em %
Extratificao por estado de carncia
Extratificao por Relao Inv/PL em %
133


APNDICE C - Quadro do perfil dos projetos analisados A







N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Micro 4 4 3 11 Micro 2 1 0 3
Pequeno 2 0 3 5 Pequeno 2 0 0 2
Mdio 0 4 2 6 Mdio 0 1 0 1
Grande 0 1 0 1 Grande 0 0 0 0
Total 6 9 8 23 Total 4 2 0 6
% 2000 2001 2002 Consolidado % 2000 2001 2002 Consolidado
Micro 67% 44% 38% 48% Micro 50% 50% 0% 50%
Pequeno 33% 0% 38% 22% Pequeno 50% 0% 0% 33%
Mdio 0% 44% 25% 26% Mdio 0% 50% 0% 17%
Grande 0% 11% 0% 4% Grande 0% 0% 0% 0%
Total 100% 100% 100% 100% Total 100% 100% 0% 100%
N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Sim 2 6 3 11 Sim 1 1 0 2
No 4 3 5 12 No 3 1 0 4
Total 6 9 8 23 Total 4 2 0 6
% 2000 2001 2002 Consolidado % 2000 2001 2002 Consolidado
Sim 33% 67% 38% 48% Sim 25% 50% 0% 33%
No 67% 33% 63% 52% No 75% 50% 0% 67%
Total 100% 100% 100% 100% Total 100% 100% 0% 100%
N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Ampliao 3 5 6 14 Ampliao 1 1 0 2
Implantao 3 1 0 4 Implantao 3 0 0 3
Ampliao/Modernizao 0 1 2 3 Ampliao/Modernizao 0 0 0 0
Relocalizao 0 0 0 0 Relocalizao 0 0 0 0
Ampl/Mod/Rel 0 1 0 1 Ampl/Mod/Rel 0 1 0 1
Modernizao 0 1 0 1 Modernizao 0 0 0 0
No definida 0 0 0 0 No definida 0 0 0 0
Total 6 9 8 23 Total 4 2 0 6
% 2000 2001 2002 Consolidado % 2000 2001 2002 Consolidado
Ampliao 50% 56% 75% 61% Ampliao 25% 50% 0% 33%
Implantao 50% 11% 0% 17% Implantao 75% 0% 0% 50%
Ampliao/Modernizao 0% 11% 25% 13% Ampliao/Modernizao 0% 0% 0% 0%
Relocalizao 0% 0% 0% 0% Relocalizao 0% 0% 0% 0%
Ampl/Mod/Rel 0% 11% 0% 4% Ampl/Mod/Rel 0% 50% 0% 17%
Modernizao 0% 11% 0% 4% Modernizao 0% 0% 0% 0%
No definida 0% 0% 0% 0% No definida 0% 0% 0% 0%
Total 100% 100% 100% 100% Total 100% 100% 0% 100%
N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Fixo 4 4 7 15 Fixo 3 1 0 4
Giro 0 2 0 2 Giro 0 0 0 0
Misto 2 3 1 6 Misto 1 1 0 2
Total 6 9 8 23 Total 4 2 0 6
N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Fixo 67% 44% 88% 65% Fixo 75% 50% 0% 67%
Giro 0% 22% 0% 9% Giro 0% 0% 0% 0%
Misto 33% 33% 13% 26% Misto 25% 50% 0% 33%
Total 100% 100% 100% 100% Total 100% 100% 0% 100%
Quadro Resumo do Perfil dos Projetos Analisados A
Perfil dos Inadimplentes
Perfil das Empresas/ Projetos
Analisados
Extratificao por Porte da Empresa Postulante
Extratificao por experincia anterior com a Desenbahia
Extratificao por objetivo do projeto
Extratificao por Finalidade
Extratificao por Porte da Empresa Postulante
Extratificao por experincia anterior com a Desenbahia
Extratificao por objetivo do projeto
Extratificao por Finalidade
134


APNDICE C - Quadro do perfil dos projetos analisados A (continuao)








N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
1 a 10 0 1 0 1 1 a 10 0 0 0 0
11 a 50 0 4 1 5 11 a 50 0 1 0 1
51 a 100 0 0 0 0 51 a 100 0 0 0 0
> 100 6 4 7 17 > 100 4 1 0 5
Total 6 9 8 23 Total 4 2 0 6
% 2000 2001 2002 Consolidado % 2000 2001 2002 Consolidado
1 a 10 0% 11% 0% 4% 1 a 10 0% 0% 0% 0%
11 a 50 0% 44% 13% 22% 11 a 50 0% 50% 0% 17%
51 a 100 0% 0% 0% 0% 51 a 100 0% 0% 0% 0%
> 100 100% 44% 88% 74% > 100 100% 50% 0% 83%
Total 100% 100% 100% 100% Total 100% 100% 0% 100%
N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Sim 0 2 7 9 Sim 0 0 0 0
No 6 7 1 14 No 4 2 0 6
Total 6 9 8 23 Total 4 2 0 6
% 2000 2001 2002 Consolidado % 2000 2001 2002 Consolidado
Sim 0% 22% 88% 39% Sim 0% 0% 0% 0%
No 100% 78% 13% 61% No 100% 100% 0% 100%
Total 100% 100% 100% 100% Total 100% 100% 0% 100%
N. de projetos 2000 2001 2002 Consolidado N. de projetos 2000 2001 2002 Consolidado
1 0 0 0 0 1 0 0 0 0
24 0 1 0 1 24 0 0 0 0
36 1 3 0 4 36 1 1 0 2
52 1 2 0 3 52 0 0 0 0
55 1 0 3 4 55 1 0 0 1
80 2 0 1 3 80 1 0 0 1
85 0 0 3 3 85 0 0 0 0
Outros 1 3 1 5 Outros 1 1 0 2
Total 6 9 8 23 Total 4 2 0 6
% 2000 2001 3002 Consolidado % 2000 2001 3002 Consolidado
1 0% 0% 0% 0% 1 0% 0% 0% 0%
24 0% 4% 0% 4% 24 0% 0% 0% 0%
36 4% 13% 0% 17% 36 17% 17% 0% 33%
52 4% 9% 0% 13% 52 0% 0% 0% 0%
55 4% 0% 13% 17% 55 17% 0% 0% 17%
80 9% 0% 4% 13% 80 17% 0% 0% 17%
85 0% 0% 13% 13% 85 0% 0% 0% 0%
Outros 4% 13% 4% 22% Outros 17% 17% 0% 33%
Total 26% 39% 35% 100% Total 67% 33% 0% 100%
Quadro Resumo do Perfil dos Projetos Analisados A
Extratificao por Relao Inv/PL em %
Extratificao por estado de carncia
Perfil dos Inadimplentes
Perfil das Empresas/ Projetos
Analisados
Extratificao por Relao Inv/PL em %
Extratificao por ramo Extratificao por ramo
Extratificao por estado de carncia
135
APNDICE D - Quadro do perfil dos projetos analisados B







N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Micro 0 1 1 2 Micro 0 0 0 0
Pequeno 1 1 1 3 Pequeno 1 0 0 1
Mdio 0 0 1 1 Mdio 0 0 0 0
Grande 1 0 1 2 Grande 0 0 0 0
Total 2 2 4 8 Total 1 0 0 1
% 2000 2001 2002 Consolidado % 2000 2001 2002 Consolidado
Micro 0% 50% 25% 25% Micro 0% 0% 0% 0%
Pequeno 50% 50% 25% 38% Pequeno 100% 0% 0% 100%
Mdio 0% 0% 25% 13% Mdio 0% 0% 0% 0%
Grande 50% 0% 25% 25% Grande 0% 0% 0% 0%
Total 100% 100% 100% 100% Total 100% 0% 0% 100%
N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Sim 1 1 3 5 Sim 0 0 0 0
No 1 1 1 3 No 1 0 0 1
Total 2 2 4 8 Total 1 0 0 1
% 2000 2001 2002 Consolidado % 2000 2001 2002 Consolidado
Sim 50% 50% 75% 63% Sim 0% 0% 0% 0%
No 50% 50% 25% 38% No 100% 0% 0% 100%
Total 100% 100% 100% 100% Total 100% 0% 0% 100%
N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Ampliao 0 1 3 4 Ampliao 0 0 0 0
Implantao 1 0 1 2 Implantao 1 0 0 1
Ampliao/Modernizao 1 0 0 1 Ampliao/Modernizao 0 0 0 0
Relocalizao 0 1 0 1 Relocalizao 0 0 0 0
Ampl/Mod/Rel 0 0 0 0 Ampl/Mod/Rel 0 0 0 0
Modernizao 0 0 0 0 Modernizao 0 0 0 0
No definida 0 0 0 0 No definida 0 0 0 0
Total 2 2 4 8 Total 1 0 0 1
% 2000 2001 2002 Consolidado % 2000 2001 2002 Consolidado
Ampliao 0% 50% 75% 50% Ampliao 0% 0% 0% 0%
Implantao 50% 0% 25% 25% Implantao 100% 0% 0% 100%
Ampliao/Modernizao50% 0% 0% 13% Ampliao/Modernizao 0% 0% 0% 0%
Relocalizao 0% 50% 0% 13% Relocalizao 0% 0% 0% 0%
Ampl/Mod/Rel 0% 0% 0% 0% Ampl/Mod/Rel 0% 0% 0% 0%
Modernizao 0% 0% 0% 0% Modernizao 0% 0% 0% 0%
No definida 0% 0% 0% 0% No definida 0% 0% 0% 0%
Total 100% 100% 100% 100% Total 100% 0% 0% 100%
N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Fixo 1 1 2 4 Fixo 0 0 0 0
Giro 0 0 1 1 Giro 0 0 0 0
Misto 1 1 1 3 Misto 1 0 0 1
Total 2 2 4 8 Total 1 0 0 1
N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Fixo 50% 50% 50% 50% Fixo 0% 0% 0% 0%
Giro 0% 0% 25% 13% Giro 0% 0% 0% 0%
Misto 50% 50% 25% 38% Misto 100% 0% 0% 100%
Total 100% 100% 100% 100% Total 100% 0% 0% 100%
Quadro Resumo do Perfil dos Projetos Analisados B
Extratificao por Porte da Empresa Postulante
Extratificao por experincia anterior com a Desenbahia
Extratificao por objetivo do projeto
Perfil dos Inadimplentes
Perfil das Empresas/ Projetos
Analisados
Extratificao por Porte da Empresa Postulante
Extratificao por experincia anterior com a Desenbahia
Extratificao por objetivo do projeto
Extratificao por Finalidade Extratificao por Finalidade
136


APNDICE D - Quadro do perfil dos projetos analisados B (continuao)













N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
1 a 10 1 0 1 2 1 a 10 0 0 0 0
11 a 50 0 0 0 0 11 a 50 0 0 0 0
51 a 100 0 1 0 1 51 a 100 0 0 0 0
> 100 1 1 3 5 > 100 1 0 0 1
Total 2 2 4 8 Total 1 0 0 1
% 2000 2001 2002 Consolidado % 2000 2001 2002 Consolidado
1 a 10 50% 0% 25% 25% 1 a 10 0% 0% 0% 0%
11 a 50 0% 0% 0% 0% 11 a 50 0% 0% 0% 0%
51 a 100 0% 50% 0% 13% 51 a 100 0% 0% 0% 0%
> 100 50% 50% 75% 63% > 100 100% 0% 0% 100%
Total 100% 100% 100% 100% Total 100% 0% 0% 100%
N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Sim 0 0 3 3 Sim 0 0 0 0
No 2 2 1 5 No 1 0 0 1
Total 2 2 4 8 Total 1 0 0 1
% 2000 2001 2002 Consolidado % 2000 2001 2002 Consolidado
Sim 0% 0% 75% 38% Sim 0% 0% 0% 0%
No 100% 100% 25% 63% No 100% 0% 0% 100%
Total 100% 100% 100% 100% Total 100% 0% 0% 100%
N. de projetos 2000 2001 2002 Consolidado N. de projetos 2000 2001 2002 Consolidado
1 0 0 0 0 1 0 0 0 0
24 1 0 3 4 24 0 0 0 0
36 0 0 0 0 36 0 0 0 0
52 0 0 0 0 52 0 0 0 0
55 1 0 0 1 55 1 0 0 1
80 0 0 1 1 80 0 0 0 0
85 0 2 0 2 85 0 0 0 0
Outros 0 0 0 0 Outros 0 0 0 0
Total 2 2 4 8 Total 1 0 0 1
% 2000 2001 3002 Consolidado % 2000 2001 3002 Consolidado
1 0% 0% 0% 0% 1 0% 0% 0% 0%
24 13% 0% 38% 50% 24 0% 0% 0% 0%
36 0% 0% 0% 0% 36 0% 0% 0% 0%
52 0% 0% 0% 0% 52 0% 0% 0% 0%
55 13% 0% 0% 13% 55 100% 0% 0% 100%
80 0% 0% 13% 13% 80 0% 0% 0% 0%
85 0% 25% 0% 25% 85 0% 0% 0% 0%
Outros 0% 0% 0% 0% Outros 0% 0% 0% 0%
Total 25% 25% 50% 100% Total 100% 0% 0% 100%
Quadro Resumo do Perfil dos Projetos Analisados B
Perfil dos Inadimplentes
Perfil das Empresas/ Projetos
Analisados
Extratificao por estado de carncia
Extratificao por ramo Extratificao por ramo
Extratificao por Relao Inv/PL em %
Extratificao por estado de carncia
Extratificao por Relao Inv/PL em %
137

APNDICE E - Quadro do perfil dos projetos analisados C (continuao)







N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Micro 0 4 1 5 Micro 0 0 1 1
Pequeno 0 0 2 2 Pequeno 0 0 0 0
Mdio 0 1 0 1 Mdio 0 1 0 1
Grande 0 1 0 1 Grande 0 0 0 0
Total 0 6 3 9 Total 0 1 1 2
% 2000 2001 2002 Consolidado % 2000 2001 2002 Consolidado
Micro 0% 67% 33% 56% Micro 0% 0% 100% 50%
Pequeno 0% 0% 67% 22% Pequeno 0% 0% 0% 0%
Mdio 0% 17% 0% 11% Mdio 0% 100% 0% 50%
Grande 0% 17% 0% 11% Grande 0% 0% 0% 0%
Total 0% 100% 100% 100% Total 0% 100% 100% 100%
N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Sim 0 3 0 3 Sim 0 1 0 1
No 0 3 3 6 No 0 0 1 1
Total 0 6 3 9 Total 0 1 1 2
% 2000 2001 2002 Consolidado % 2000 2001 2002 Consolidado
Sim 0% 50% 0% 33% Sim 0% 100% 0% 50%
No 0% 50% 100% 67% No 0% 0% 100% 50%
Total 0% 100% 100% 100% Total 0% 100% 100% 100%
N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Ampliao 0 2 0 2 Ampliao 0 1 0 1
Implantao 0 2 2 4 Implantao 0 0 1 1
Ampliao/Modernizao 0 0 1 1 Ampliao/Modernizao 0 0 0 0
Relocalizao 0 0 0 0 Relocalizao 0 0 0 0
Ampl/Mod/Rel 0 0 0 0 Ampl/Mod/Rel 0 0 0 0
Modernizao 0 1 0 1 Modernizao 0 0 0 0
No definida 0 1 0 1 No definida 0 0 0 0
Total 0 6 3 9 Total 0 1 1 2
% 2000 2001 2002 Consolidado % 2000 2001 2002 Consolidado
Ampliao 0% 33% 0% 22% Ampliao 0% 100% 0% 50%
Implantao 0% 33% 67% 44% Implantao 0% 0% 100% 50%
Ampliao/Modernizao 0% 0% 33% 11% Ampliao/Modernizao 0% 0% 0% 0%
Relocalizao 0% 0% 0% 0% Relocalizao 0% 0% 0% 0%
Ampl/Mod/Rel 0% 0% 0% 0% Ampl/Mod/Rel 0% 0% 0% 0%
Modernizao 0% 17% 0% 11% Modernizao 0% 0% 0% 0%
No definida 0% 17% 0% 11% No definida 0% 0% 0% 0%
Total 0% 100% 100% 100% Total 0% 100% 100% 100%
N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Fixo 0 1 3 4 Fixo 0 0 1 1
Giro 0 2 0 2 Giro 0 0 0 0
Misto 0 3 0 3 Misto 0 1 0 1
Total 0 6 3 9 Total 0 1 1 2
N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Fixo 0% 17% 100% 44% Fixo 0% 0% 100% 50%
Giro 0% 33% 0% 22% Giro 0% 0% 0% 0%
Misto 0% 50% 0% 33% Misto 0% 100% 0% 50%
Total 0% 100% 100% 100% Total 0% 100% 100% 100%
Quadro Resumo do Perfil dos Projetos Analisados C
Perfil dos Inadimplentes
Perfil das Empresas/ Projetos
Analisados
Extratificao por Porte da Empresa Postulante
Extratificao por experincia anterior com a Desenbahia
Extratificao por objetivo do projeto
Extratificao por Finalidade
Extratificao por Porte da Empresa Postulante
Extratificao por experincia anterior com a Desenbahia
Extratificao por objetivo do projeto
Extratificao por Finalidade
138



APNDICE E - Quadro do perfil dos projetos analisados C (continuao)












N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
1 a 10 0 1 0 1 1 a 10 0 0 0 0
11 a 50 0 2 1 3 11 a 50 0 0 0 0
51 a 100 0 1 0 1 51 a 100 0 1 0 1
> 100 0 2 2 4 > 100 0 0 1 1
Total 0 6 3 9 Total 0 1 1 2
% 2000 2001 2002 Consolidado % 2000 2001 2002 Consolidado
1 a 10 0% 17% 0% 11% 1 a 10 0% 0% 0% 0%
11 a 50 0% 33% 33% 33% 11 a 50 0% 0% 0% 0%
51 a 100 0% 17% 0% 11% 51 a 100 0% 100% 0% 50%
> 100 0% 33% 67% 44% > 100 0% 0% 100% 50%
Total 0% 100% 100% 100% Total 0% 100% 100% 100%
N de projetos 2000 2001 2002 Consolidado N de projetos 2000 2001 2002 Consolidado
Sim 0 3 2 5 Sim 0 1 0 1
No 0 3 1 4 No 0 0 1 1
Total 0 6 3 9 Total 0 1 1 2
% 2000 2001 2002 Consolidado % 2000 2001 2002 Consolidado
Sim 0% 50% 67% 56% Sim 0% 100% 0% 50%
No 0% 50% 33% 44% No 0% 0% 100% 50%
Total 0% 100% 100% 100% Total 0% 100% 100% 100%
N. de projetos 2000 2001 2002 Consolidado N. de projetos 2000 2001 2002 Consolidado
1 0 1 1 2 1 0 0 0 0
24 0 0 0 0 24 0 0 0 0
36 0 0 0 0 36 0 0 0 0
52 0 2 0 2 52 0 0 0 0
55 0 2 1 3 55 0 1 0 1
80 0 1 0 1 80 0 0 0 0
85 0 0 1 1 85 0 0 1 1
Outros 0 0 0 0 Outros 0 0 0 0
Total 0 6 3 9 Total 0 1 1 2
% 2000 2001 3002 Consolidado % 2000 2001 3002 Consolidado
1 0% 11% 11% 22% 1 0% 0% 0% 0%
24 0% 0% 0% 0% 24 0% 0% 0% 0%
36 0% 0% 0% 0% 36 0% 0% 0% 0%
52 0% 22% 0% 22% 52 0% 0% 0% 0%
55 0% 22% 11% 33% 55 0% 50% 0% 50%
80 0% 11% 0% 11% 80 0% 0% 0% 0%
85 0% 0% 11% 11% 85 0% 0% 50% 50%
Outros 0% 0% 0% 0% Outros 0% 0% 0% 0%
Total 0% 67% 33% 100% Total 0% 50% 50% 100%
Quadro Resumo do Perfil dos Projetos Analisados C
Extratificao por Relao Inv/PL em %
Extratificao por estado de carncia
Perfil dos Inadimplentes
Perfil das Empresas/ Projetos
Analisados
Extratificao por Relao Inv/PL em %
Extratificao por ramo Extratificao por ramo
Extratificao por estado de carncia
139



APNDICE F - Quadro geral dos critrios utilizados na anlise por projeto.












SAP Triangular Sim
SAP + Histrico (Dem.) Triangular No
SAP Triangular Sim
SAP + Histrico (Dem.) Triangular No
SAP Triangular Sim
SAP Triangular Sim
SAP + Histrico (Dem.) Triangular No
SAP Triangular Sim
SAP + Hist. (Dem.)+ proj. Mut. Triangular No
SAP Triangular No
SAP Triangular No
SAP /SGR Triangular Sim
SAP /SGR Triangular Sim
SAP /SGR Triangular No
SAP Triangular Sim
SAP Triangular Sim
SAP Triangular No
Muturio/SAP Triangular Sim
Muturio/SAP Triangular No
SAP + Histrico (Dem.) Triangular No
SAP Triangular No
SAP + Histrico (Dem.) Triangular Sim
SAP Triangular No
SAP Triangular No
SAP Triangular No
SAP /SGR Triangular Sim
SAP Triangular Sim
SAP Triangular Sim
SAP + Histrico (Dem.) Triangular No
SAP + Histrico (Dem.) Triangular No
SAP Triangular Sim
SAP Triangular No
SAP Triangular No
SAP Triangular No
SAP Triangular Sim
SAP Triangular Sim
SAP Triangular Sim
SAP Triangular No
SAP Triangular No
SAP Triangular No
Muturio/SAP Triangular Sim
Muturio/SAP Triangular Sim
Muturio/SAP Triangular Sim
Muturio/SAP Triangular Sim
Muturio/SAP Triangular Sim
Muturio/SAP Triangular Sim
SAP Triangular No
SAP Triangular No
SAP / Dados Hist. Setoriais Triangular Sim
SAP + Histrico (Dem.) Triangular No
SAP + Histrico (Dem.) Triangular No
SAP / Dados Hist. Setoriais Triangular Sim
SAP / Dados Hist. Setoriais Triangular Sim
SAP + Histrico (Dem.) Triangular No
SAP + Histrico (Dem.) Triangular No
SAP Triangular Sim
SAP Triangular No
SAP Triangular No
SAP + Histrico (Dem.) Triangular No
Muturio/SAP Triangular Sim
SAP Triangular No
SAP Triangular No
SAP Triangular No
N/D N/D
N/D
N/D
26,59% 1 % Vendas 21,46% 5 9 No
0
8
No % Vendas 21,61% 6
4,94%
2,06% 0,45% 5
20,67% 10 0,39% 0,00% No No
No
% Vendas 2 20,26% 5 2,08% 47,14%
2
6
No
17,55%
4
No
Prazos
Mdios
3
No
PEM
1 22,24%
4 0,22% 0,52%
2 5 19,66%
Relacionada ao
cenrio
3 1,45% 4,50% % Vendas
Taxa
desconto
N de anos
projetados
N
% Vendas 18,55% 5
1 No
Origem da estimativa PDF
2,45% 0,00% 0
0,13% 1,50% No
4 1,16% 27,75%
No % Vendas 21,51% 5
0,27% 68,00%
11
No No
10
1
No % Vendas 20,99% 8 4,41% 94,00% 1
18,54% 8
4,19% 0% 12 No
Prazos
Mdios
0
13 No % Vendas 20,67% 8 2,08%
19,11% 8
15
14 No
Sim Custo
fixo -0,8
c/cen.
Sim Custo
fixo -0,8
c/cen.
16
Sim Custo
fixo -0,8
c/cen.
16,82% 5 7,67% % Vendas
Quadro Geral de Dados Extrados dos Processos de Anlise
7
VP < 0
Risco de exceder a
capacidade de
pagamento anual
Ano de
ocorrncia
Uso de
correlaes
Determina
o da Var.
da NCG
2
5
N/D
N/D
18,62% 10 2,05% N/D
0,01% 21,71% 13 N/D
140



APNDICE F - Quadro geral dos critrios utilizados na anlise por projeto.
(continuao)











SAP / Dados Hist. Setoriais Triangular Sim
SAP + Histrico (Dem.) Triangular No
SAP + Histrico (Dem.) Uniforme No
SAP / Dados Hist. Setoriais Triangular No
Histrico (Dem.) Triangular No
SAP + Histrico (Dem.) Triangular Sim
Histrico (Dem.) Triangular No
Muturio/SAP Triangular No
Histrico (Dem.) Triangular No
SAP + Histrico (Dem.) Triangular Sim
SAP + Histrico (Dem.) Triangular No
SAP + Histrico (Dem.) Triangular No
SAP + Histrico (Dem.) Triangular No
SAP + Histrico (Dem.) Triangular Sim
SAP + Histrico (Dem.) Triangular No
SAP + Histrico (Dem.) Triangular No
Histrico (Dem.) Triangular No
Histrico (Dem.) Triangular No
SAP / Dados Hist. Setoriais / Hist. (Dem.) Triangular Sim
SAP + Histrico (Dem.) Triangular No
SAP Triangular No
Histrico (Dem.) Triangular No
SAP Triangular Sim
SAP + Histrico (Dem.) Triangular No
SAP + Histrico (Dem.) Triangular No
SICM / Dados Hist. Setoriais Triangular Sim
SICM / Dados Hist. Setoriais Triangular Sim
SICM / Dados Hist. Setoriais Triangular No
SICM / Dados Hist. Setoriais Triangular No
SAP + Histrico (Dem.) Triangular Sim
SAP + Histrico (Dem.) Triangular No
SAP + Histrico (Dem.) Triangular No
Histrico (Dem.) Triangular No
SAP Triangular No
SAP / Dados Hist. Setoriais Triangular Sim
Muturio Triangular No
Muturio Triangular No
Muturio Triangular No
SAP + Histrico (Dem.) Triangular Sim
SAP + Histrico (Dem.) Triangular No
SAP Triangular Sim
SAP + Histrico (Dem.) Triangular No
Histrico (Dem.) Triangular No
SAP Triangular Sim
SAP Triangular No
SAP Triangular No
NCR Triangular No
NCR Triangular No
Muturio/SAP Triangular Sim
Muturio/SAP Triangular No
Muturio/SAP Triangular No
SAP Triangular No
Histrico (Dem.) Triangular No
SAP / Dados Hist. Setoriais Triangular Sim
SAP + Histrico (Dem.) Triangular No
SAP + Histrico (Dem.) Triangular No
SAP Triangular Sim
Histrico (Dem.) Triangular No
SAP + Histrico (Dem.) Triangular No
SAP + Histrico (Dem.) Triangular No
SAP / Dados Hist. Setoriais Triangular Sim
SAP Triangular No
SAP Triangular No
Histrico (Dem.) Triangular No
7,18%
1
2
0,26% N/D N/D
Sim % Vendas 23,33%
23 22,82%
Sim Custo
fixo -0,8
c/cen.
No
22
2,95% 1
Sim Custo
fixo -0,8
c/cen.
No 17,90% 3 N/D N/D
17,98% 5 1,27% ND
19
Sim Custo
fixo -0,8
c/cen.
% Vendas
Sim Custo
fixo 0,8 c/
Taxa de
Ocup.
Prazos
Mdios
% Vendas
Sim 25,73%
29 Sim 12 0,06%
21,10% 8 7,94%
8 0,17%
5
1,61%
15
21,51%
20
Sim Custo
fixo -0,8
c/cen.
Prazos
Mdios
21
18
Sim Custo
fixo -0,8
c/cen.
% Vendas
17
No % Vendas 19,70%
ND
0 0%
0% 0%
ND
ND
0,22%
21,60% 5 1,96%
18,67%
9 0,01%
Sim Custo
fixo -0,8
c/cen.
% Vendas 21,92% 6 0,35%
21,16% 5
Relacionada ao
cenrio
Taxa
desconto
N de anos
projetados
N Origem da estimativa PDF
24,25% 7 1,58%
5 8,94%
26
No 22,58%
Sim Custos -0,7
c/ cen.
3,94%
25 15 2,22%
7 24
Sim Custo
fixo -0,8
c/cen.
% Vendas
27
Sim
28
31
Sim Custo
fixo -0,8
c/cen.
30
No
32
% Vendas
19,12% 5
99,46%
58,98%
0,00% 0
0,00% 0
0,63% 2
99,37% 2
Quadro Geral de Dados Extrados dos Processos de Anlise
VP < 0
Risco de exceder a
capacidade de
pagamento anual
Ano de
ocorrncia
Uso de
correlaes
Determina
o da Var.
da NCG
N/D N/D
0,47% No 18,43% 1
5,37% No 18,93% 10 No
141


APNDICE F - Quadro geral dos critrios utilizados na anlise por projeto.
(continuao)










SAP + Proponente Triangular Sim
SAP + Proponente Triangular Sim
SAP + Proponente Triangular No
SAP + Proponente Triangular No
SAP Triangular Sim
SAP Triangular No
SAP Triangular No
SAP Triangular No
SAP Triangular No
Histrico (Dem.) Triangular No
SAP Triangular Sim
Histrico (Dem.) Triangular No
Histrico (Dem.) Triangular No
Histrico (Dem.) Triangular No
Histrico (Dem.) Triangular Sim
SAP Triangular No
SAP Triangular No
Histrico (Dem.) Triangular No
SAP Triangular Sim
SAP Triangular No
SAP Triangular No
Histrico (Dem.) Triangular No
SAP / Dados Hist. Setoriais / Hist. (Dem.) Triangular Sim
SAP / Dados Hist. Setoriais / Hist. (Dem.) Triangular Sim
SAP / Dados Hist. Setoriais / Hist. (Dem.) Triangular No
SAP Triangular No
SAP Triangular No
SAP Triangular Sim
SAP Triangular No
SAP Triangular No
UGR Triangular No
Dados Hist. Setoriais Triangular No
SAP Triangular No
SAP Triangular No
SAP Triangular Sim
Histrico (Dem.) Triangular No
UGR Triangular No
SAP / Dados Hist. Setoriais Triangular No
SAP Triangular Sim
Dados Hist. Setoriais Triangular No
UGR Triangular No
Histrico (Dem.) Triangular No
SAP + Histrico (Dem.) Triangular Sim
SAP + Histrico (Dem.) Triangular No
SAP Triangular No
Histrico (Dem.) Triangular No
Histrico (Dem.) Triangular No
SAP Triangular Sim
Histrico (Dem.) Triangular No
SAP Triangular No
SAP Triangular No
SAP Triangular No
SAP Triangular Sim
SAP Triangular No
SAP Triangular No
SAP Triangular No
BM&F e projees feito pela UEP Triangular Sim
Muturio / NCR Triangular No
NCR Triangular No
Muturio / NCR Triangular No
NCR Triangular Sim
NCR + Demonstrativo Triangular No
NCR Triangular No
SAP Triangular Sim
SAP/muturio Triangular No
SAP Triangular No
UGR Triangular No
4,00% 99,40% 1
3 99,61%
2 83,96%
No
Prazos
Mdios
22,55% 10
4,65% 2
3,89% 0
% Vendas
44 18,62% 9 0,06% % Vendas
Sim Custo
fixo -0,8
c/cen.
3
44,24% 2
39,15% 1
0,33% 6
1,30% 2
1,23% 2
0,73% 18,28% 10
18,03%
5 2,04%
8 5,07% 24,27%
23,39%
43
No
46
40
No
Sim Custo
fixo -0,8
c/cen.
No
39
No % Vendas
38
37
Sim Custo
fixo -0,8
c/cen.
% Vendas
8 0,50%
36
Sim Custo
fixo -0,8
c/cen.
% Vendas 0,02%
Sim No 24,32%
18,38% 10 8,51%
Relacionada ao
cenrio
Taxa
desconto
N de anos
projetados
N Origem da estimativa PDF
35
Sim Custo
fixo -0,8
c/cen.
Sim
33
% Vendas
34
% Vendas
22,56% 5 4,38%
12 6,61%
23,73% 5 0,11%
No 19,13% 0,38% 13
42
Sim Custo
fixo -0,8
c/cen.
% vendas
41
Sim Custo
fixo -0,8
c/cen.
% Vendas
22,14% 5 7,44%
11 8,74%
16,52% 8 1,67%
Sim No 16,41%
47
Sim Custo
fixo -0,8
c/cen.
% Vendas 19,14% 5 7,46%
Quadro Geral de Dados Extrados dos Processos de Anlise
VP < 0
Risco de exceder a
capacidade de
pagamento anual
Ano de
ocorrncia
Uso de
correlaes
Determina
o da Var.
da NCG
45
99,98% 1
0 0
0,00% 0
73,00% 1
142



APNDICE F - Quadro geral dos critrios utilizados na anlise por projeto.
(continuao)


















SAP Triangular Sim
SAP Triangular No
SAP Triangular No
Histrico (Dem.) Triangular No
SAP Triangular Sim
SAP Triangular No
SAP Triangular No
Histrico (Dem.) Triangular No
SAP Triangular Sim
SAP Triangular No
Projetidta Triangular No
Empresa solicitante Triangular No
UGR Triangular No
UGR Triangular No
UGR Triangular No
SAP Triangular Sim
Histrico (Dem.) Triangular No
Histrico (Dem.) Triangular No
SAP / Dados Hist. Setoriais / Muturio Triangular Sim
SAP / Muturio / Hist. (Dem.) Triangular No
SAP Triangular No
UGR Triangular No
SAP Triangular No
SAP Triangular Sim
SAP Triangular Sim
SAP/muturio Triangular Sim
SAP + Histrico (Dem.) Triangular No
SAP Triangular No
UGR Triangular No
SAP Triangular No
SAP/muturio Triangular No
Muturio Triangular No
Projetista Triangular No
UGR Triangular No
SAP + Histrico (Dem.) Triangular Sim
Histrico (Dem.) Triangular No
SAP + Histrico (Dem.) Triangular No
SAP + Histrico (Dem.) Triangular No
Histrico (Dem.) Triangular No
SAP Triangular Sim
SAP Triangular No
SAP / Muturio / Hist. (Dem.) Triangular No
SAP Triangular No
SAP Triangular Sim
SAP Triangular No
SAP Triangular No
Histrico (Dem.) Triangular No
UGR Triangular No
UGR Triangular No
17,32% 1
1,22% 2,24%
49
No
48 No
Relacionada ao
cenrio
Taxa
desconto
N de anos
projetados
N Origem da estimativa PDF
31,26% 8 16,70%
52
56
Sim Custo
fixo -0,8
c/cen.
% vendas
% Vendas 17,38%
% Vendas 20,76%
% Vendas
10 1,89%
22,46% 8 1,91%
Sim
No
27,18% 6 9,06%
53
54 No % Vendas
8 2,81%
55
Sim Custo
fixo -0,8
c/cen.
% Vendas 31,13% 6 0,81%
57
No % Vendas 28,41% 8 2,54%
Quadro Geral de Dados Extrados dos Processos de Anlise
VP < 0
Risco de exceder a
capacidade de
pagamento anual
Ano de
ocorrncia
Uso de
correlaes
Determina
o da Var.
da NCG
% Vendas
2
3,38% 6
6,22% 21,22% 4
% Vendas
16,09% 8
0
20,09% 8
51 20,19% 2
50
No
No No 4,65% 97,75%
2,00% 2
49,35% 1
1,41% 3
47,11% 2
9,47% 1
143

ANEXO A - Organograma da DESENBAHIA - atualizado em: 04/02/03



















































EXTRAJUDICIAL


RECUPERAO
JUDICIAL

CRDITOS
CEDIDOS


COBRANA
ADMINISTRATIVA

DIRETORIA
COLEGIADA

COMI T DE
RENEGOCIAO
DE CRDITO

COMIT DE
CONTROLES
INTERNOS

COMIT DE
CONCESSO
DE CRDITO

ASSEMBLIA
GERAL
CONSELHO
FISCAL
CONSELHO
DE
ADMINISTRAO

AUDITORIA
INTERNA
PRESIDNCIA

CMERA DE
PLANEJAMENTO
ESTRATGICO

GABINETE
DA
PRESIDNCIA
ASSESSORIA
TCNICA

AST
FINANAS
E
CONTROLE

TECNOLOGIA
DA
INFORMAO

D
I
R
E
T
O
R
I
A
S
U
N
I
D
A
D
E
S

ADMINISTRAO

DAD
RECURSOS
HUMANOS

CADASTRO
DE
PESSOAL

TREINAMENTO E
DESENVOLVIME
NTO
SERVIO
MDICO E
SOCIAL

COMISSO
PERMANENTE
DE LICITAO

SUPRIMENTOS
E
COMPRAS

SERVIOS
GERAIS

DOCUMENTA
O E ARQUIVO

SERVIOS
ADMINISTRATIVO
S
DESENVOLVIME
NTO
DE NEGCIOS

DESENVOLVIME
NTO
DE PRODUTOS
ESTUDOS
E ASSESSORIA

ASSESSORIA
INTERNA

ESTUDOS
E
PESQUISA
SECRETARIA
EXECUTIVA
DOS FUNDOS
ESTADUAIS

MICROFINANAS

GESTO
DE
RISCO

OPERAES

DOP
CRDITO RURAL

GCR
SERVIOS
TCNICOS
ACOMPANHAME
NTO
PRO ATIVO

CONTROLE
DE
PROJETOS


ENGENHARIA


CADASTRO

UCD
MDIOS
NEGCIOS
MICRO E
PEQUENAS
EMPRESAS

CONTROLE
CONTBIL

CONTROLE
FINANCEIRO

EXECUO
FINANCEIRA

FINANCEIRA

PROCESSOS
E
ORGANIZAO

RENEGOCIAO
DE
CRDITO

G
E
R

N
C
I
A
S
144

ANEXO B - Parecer de Quantificao de Risco de Crdito UGR (Modelo)



EMPRESA: Modelo
LINHA DE FINANCIAMENTO: BNDES/AUTO/COMP/COM. E SERV.
PROCESSO N.: 0705-2002/0283
1. INTRODUO

O presente relatrio visa, atravs da determinao dos resultados da simulao do
fluxo de caixa projetado, medir o risco do financiamento requerido pela empresa Modelo.
Ser utilizado para a simulao o modelo de Monte Carlo. O objetivo do projeto a
expanso do campus das faculdades Modelo, atravs da ampliao da sua rea fsica.

2. ANLISE DAS VARIVEIS CONSIDERADAS NO FLUXO DE CAIXA

Foram consideradas, na simulao da disponibilidade de cada ano e do VPL, a
distribuio das seguintes variveis: Inadimplncia/evaso; necessidade de capital de
giro; custos fixos e variveis e as projees da TJLP elaboradas pela UEP. Tambm
foram considerados parmetros de distribuio diferentes para cada cenrio
macroeconmico

com as probabilidades de ocorrncia distribudas conforme anexos II e
III, segundo estimativa da Unidade de Estudos Econmicos.

O fluxo de caixa projetado procura apresentar o valor efetivo disposio da
empresa. Retirando os componentes dos credores atravs de todas as contas do fluxo, ao
final resta o componente dos acionistas, que pode ser distribudo atravs de dividendos
e/ou reinvestido na empresa.


2.1 Variveis de entrada

As faixas de distribuio de cada varivel encontram-se no anexo I. A projeo da
receita encontra-se no anexo II. O fluxo de caixa projetado encontra-se no anexo III. As
tabelas com as projees dos pagamentos referentes aos financiamentos atual e anterior
encontram-se respectivamente nos anexos IV e V. No anexo VI est o clculo da taxa de
desconto utilizada para o clculo do VPL e, no anexo VII, a anlise de sensibilidade das
principais variveis.

Para se determinar os parmetros das distribuies de probabilidade das variveis de
entrada, foram adotadas como premissas bsicas as projees da UAP, as projees do
Muturio, os fatores de conjuntura e as caractersticas e condies do projeto.


Inadimplncia/Evaso

Com base na projeo da UAP para a receita, foi considerado que a sua variao se d
em funo da diferena entre o faturamento bruto e a mesma depois de descontadas as
inadimplncias e evases. Vale ressaltar que a inadimplncia considerada refere-se ao no
pagamento total das mensalidades e no ao simples atraso no pagamento de um ou mais
meses. Dessa forma, adotou-se uma distribuio de inadimplncia e evaso variando de 15
a 40%.
145

ANEXO B - Parecer de Quantificao de Risco de Crdito UGR (Modelo)
(continuao)


Custos Fixos

Tomando-se como referncia os DREs apresentados, a projeo do muturio e a
projeo estimada pela UAP, adotou-se a projeo da UAP como mais provvel.



Custos Variveis

Tomando os custos variveis como percentual do faturamento, montou-se uma
distribuio considerando a projeo da UAP. Assim, adotou-se como percentual mais
provvel, a partir do segundo ano, 9%.



Necessidade de Capital de Giro

A necessidade de capital de giro foi estimada como um percentual da receita.
Considerou-se o valor realizado para giro e o faturamento mximo projetados pela UAP. A
partir dessas estimativas, montou-se a distribuio para essa varivel.


2.2. Variveis de Sada

Foi escolhido como varivel de sada o parmetro Valor Presente Lquido (VPL),
que mede o valor atual da empresa a partir das projees futuras de receitas e custos. A
ocorrncia de valor menor do que zero na varivel de sada VPL implica no valor da
empresa ser negativo, ou seja, os seus custos superam a sua receita em todos ou em
alguns dos anos do projeto. Portanto, o percentual de ocorrncia de valores negativos na
distribuio desta varivel indica o risco do no pagamento do financiamento.


3. RESULTADOS

3.1 Valor Presente Lquido

De acordo com a simulao do fluxo de caixa projetado, onde foram geradas 10.000
variaes do fluxo de caixa inicial, obteve-se a distribuio do VPL (Figura 1) indicando
uma chance de 16,7% da ocorrncia de VPL negativo, ou seja, o risco do financiamento
no ser pago gira em torno deste percentual.










Percentual do VPL menor do que zero = 16,70%
,000
,009
,018
,028
,037
0
91,7
5
183,
5
275,
2
367
-
8.679.491,7
-
3.857.287,5
964.916,7
1
5.787.120,
95
10.609.325,
19
10.000 Iteraes
Distribuio do VPL
P
r
o
b
a
b
i
l
i
d
a
d
e
F
r
e
q

n
c
i
a

146


ANEXO B - Parecer de Quantificao de Risco de Crdito UGR (Modelo)
(continuao)



Como anlise complementar, foi determinada a distribuio da disponibilidade
(saldo do fluxo de caixa anual excludo as parcelas de pagamentos do financiamento)
procurando identificar a dificuldade de pagamento das parcelas do financiamento ano a
ano e a probabilidade destas corresponderem a mais de 60% da disponibilidade.

Atravs da anlise dos resultados da simulao da disponibilidade, pde ser
percebido que o risco da incapacidade de pagamento do financiamento relevante no
terceiro ano, atingindo um percentual de 52,59%. No que se refere ao risco dos juros e
amortizaes excederem de 60% da disponibilidade, foram observados valores
relevantes nos anos 2 e 3, com percentuais respectivos de 65,43% e 70,61%.

3.2 Anlise de Sensibilidade

De acordo com a simulao do fluxo de caixa projetado, foi realizada a anlise de
sensibilidade das variveis mais relevantes na determinao do VPL: Variao da
Inadimplncia/Evaso e variao dos custos fixos e variveis.

Os resultados, apresentados no anexo VII, indicam que, mantidas constantes e
iguais aos cenrios base as outras variveis, um crescimento da inadimplncia/evaso
superior a 32% em ralao receita projetada pode levar a um VPL negativo. O custo
varivel pode crescer at 17% em relao receita sem comprometer o VPL. Em
relao ao custo fixo, este no pode crescer mais que 45% em relao ao projetado pela
UAP para o ano 2 sem levar a um VPL negativo.

4. CONCLUSES

Analisando os resultados obtidos com a simulao do fluxo de caixa projetado
verificou-se, atravs do resultado da distribuio do VPL, que o risco de o
financiamento no ser pago gira em torno de 16,7%. Esse resultado refere-se
basicamente capacidade de pagamento apresentada pelo fluxo de caixa projetado.

Dessa forma, a quantificao do risco de crdito para o projeto levou
classificao do mesmo no rating de Risco D.


Salvador,.




_____________________________ ______________________
Analista de Risco Unidade de Gesto de Risco



147


ANEXO B - Parecer de Quantificao de Risco de Crdito UGR (Modelo)
(continuao)






















PARECER DE ANALISE
ANEXO: I - FAIXAS DE DISTRIBUIO DE PROBABILIDADES
EMPRESA: Modelo
BP BP
BP
BO BO BO
P P P O O O
HP HP HP HO HO HO
2) Variveis com distribuio nica Min MP Max GC
*
VARIAO DO CUSTO VARIVEL ANO 1 (% DA RECEITA) 7 8 9
VARIAO DO CUSTO VARIVEL ANOS 2 A 8 (% DA RECEITA) 8 9 10
VARIAO DO CUSTO FIXO ANO 1 (% EM RELAO A PROJEO DA
UAP) 0 0 4 -0,8
VARIAO DO CUSTO FIXO ANOS 2 A 8 (% EM RELAO A
PROJEO DA UAP) 0 0 4
VARIAO DA NCG ANOS 1 A 8 (% DA RECEITA) 3 4 5
* Grau de Correlao
Obs: Para as variveis acima foram adotadas distribuies triangulares contnuas.
ANLISE DA DISPONIBILIDADE
RISCOS 1 2 3 4 5 6 7 8
19,63 1,43 1,87 1,91 0,94 0,30
RISCO DA INCAPACIDADE DE PAGAMENTO DO FINANCIAMENTO (%)
RISCO DAS PARCELAS DE JUROS E AMORTIZAO EXCEDEREM
60% DA DISPONIBILIDADE (%)
0,03
72,95
47,11
0,14
Cenrio Base
1) Variveis com distribuies construidas em funo dos cenrios:
Correlacionado com:
VARIAO DA INADIMPLNCIA/EVASO ANOS 1 A 8 (% EM RELAO
A RECEITA PROJETADA PELA UAP) 40,0 37,0 35,0 16,0 15,0
CENRIO
30,0 25,0 20,0 18,0
1,31 1,88
ANOS
0,18 3,10 0,21 0,04
148

ANEXO B - Parecer de Quantificao de Risco de Crdito UGR (Modelo)
(continuao)



















PARECER DE ANALISE
ANEXO:II - PROJEO DA RECEITA
EMPRESA: Modelo
DISCRIMINAO
CAPAC VALOR RECEITA CAPAC VALOR RECEITA CAPAC VALOR RECEITA CAPAC VALOR
Mensal R$ R$ Mensal R$ R$ Mensal R$ R$ Mensal R$
CURSOS EXISTENTES 3.091 19.106.274,00 3.091 19.106.274,00 3.749 23.221.236,00 3.949
GRADUAO 3.091 19.106.274,00 3.091 19.106.274,00 3.749 3.949
Adm/anlise de sistemas 246 535,00 1.579.320,00 246 535,00 1.579.320,00 260 535,00 1.669.200,00 260 535,00
Adm/Marketing 268 535,00 1.717.350,00 268 535,00 1.717.350,00 308 535,00 1.977.360,00 308 535,00
Adm/Finanas 220 535,00 1.412.400,00 220 535,00 1.412.400,00 267 535,00 1.714.140,00 267 535,00
Adm/Hospitalar 391 535,00 2.507.010,00 391 535,00 2.507.010,00 484 535,00 3.107.280,00 484 535,00
Cincias Contbeis 295 392,00 1.385.328,00 295 392,00 1.385.328,00 332 392,00 1.561.728,00 332 392,00
Letras c/Ingles ou Espanhol 504 340,00 2.054.280,00 504 340,00 2.054.280,00 582 340,00 2.374.560,00 582 340,00
Relaes Internacionais 288 535,00 1.845.750,00 288 535,00 1.845.750,00 431 535,00 2.763.810,00 463 535,00
Direito 599 667,00 4.794.396,00 599 667,00 4.794.396,00 685 667,00 5.478.738,00 754 667,00
Sistemas de Informao 144 535,00 924.480,00 144 535,00 924.480,00 195 535,00 1.248.690,00 236 535,00
Turismo 138 535,00 885.960,00 138 535,00 885.960,00 207 535,00 1.325.730,00 263 535,00
NOVOS CURSOS 564 3.799.860,00 497 10.328.060,00 4.420 22.007.340 5.013
GRADUAO 497 3.519.860,00 497 3.519.860,00 1.206 8.508.540,00 1.799
Design 69 620,00 512.120,00 69 620,00 512.120,00 189 620,00 1.406.160,00 286 620,00
Engenharia de Produo 0 570,00 0,00 570,00 0,00 50 570,00 342.000,00 100 570,00
Engenharia de Telecomunicaes 128 620,00 952.320,00 128 620,00 952.320,00 294 620,00 2.183.640,00 428 620,00
Rdio/Tv 0 520,00 0,00 0 520,00 0,00 50 520,00 312.000,00 100 520,00
Jornalismo 150 570,00 1.026.000,00 150 570,00 1.026.000,00 312 570,00 2.130.660,00 443 570,00
Publicidade e Propaganda 151 570,00 1.029.420,00 151 570,00 1.029.420,00 312 570,00 2.134.080,00 443 570,00
LICENCIATURA 67 280.000 6.808.200,00 3.214 13.498.800,00 3.214
Matemtica 0 350,00 0,00 145 350,00 609.000,00 308 350,00 1.291.500,00 308 350,00
Fsica 0 350,00 0,00 145 350,00 609.000,00 308 350,00 1.291.500,00 308 350,00
Qumica 0 350,00 0,00 145 350,00 609.000,00 308 350,00 1.291.500,00 308 350,00
Biologia 0 350,00 0,00 145 350,00 609.000,00 308 350,00 1.291.500,00 308 350,00
Lingua Portuguesa 0 350,00 0,00 145 350,00 609.000,00 308 350,00 1.291.500,00 308 350,00
Histria 0 350,00 0,00 145 350,00 609.000,00 308 350,00 1.291.500,00 308 350,00
Geografia 0 350,00 0,00 145 350,00 609.000,00 308 350,00 1.291.500,00 308 350,00
CNS/Ensino Fundamental 33 350,00 140.000,00 231 350,00 968.100,00 377 350,00 1.583.400,00 377 350,00
CNS/ Ensino de 1 a 4 srie 33 350,00 140.000,00 231 350,00 968.100,00 377 350,00 1.583.400,00 377 350,00
CNS/ Ensino de para Jovens e Adultos 0 350,00 0,00 145 350,00 609.000,00 308 350,00 1.291.500,00 308 350,00
TOTAL BRUTO 3.655 22.906.134,00 3.588 29.434.334,00 45.228.576,00
INADIPLNCIA/ 5.726.533,50 7.358.583,50 11.307.144,00
EVASO ESCOLAR
TOTAL 3.655 17.179.600,50 3.588 22.075.750,50 8.169 33.921.432,00 8.962
PARMETROS
C. HET. OTIMISTA C. OTIMISTA C. BASE OTIMISTA C. BASE C. BASE PESSIMISTA C. PESSIMISTA C. HET. PESSIMISTA VARIVEL
INADIMPLNCIA/EVASO ano 1 16% 19% 22% 25% 29% 31% 33% 25%
INADIMPLNCIA/EVASO ano 2 16% 19% 22% 25% 29% 31% 33% 25%
INADIMPLNCIA/EVASO ano 3 16% 19% 22% 25% 29% 31% 33% 25%
INADIMPLNCIA/EVASO ano 4 16% 19% 22% 25% 29% 31% 33% 25%
INADIMPLNCIA/EVASO ano 5 16% 19% 22% 25% 29% 31% 33% 25%
INADIMPLNCIA/EVASO ano 6 16% 19% 22% 25% 29% 31% 33% 25%
INADIMPLNCIA/EVASO ano 7 16% 19% 22% 25% 29% 31% 33% 25%
INADIMPLNCIA/EVASO ano 8 16% 19% 22% 25% 29% 31% 33% 25%
ATUAL (2002) ANO I ANO II ANO III
149

ANEXO B - Parecer de Quantificao de Risco de Crdito UGR (Modelo)
(continuao)





















PARECER DE ANALISE
ANEXO: III - FLUXO DE CAIXA PROJETADO
EMPRESA: Modelo
CAPACIDADE DE PAGAMENTO
DISCRIMINAO ATUAL ANO I ANO II ANO III ANO IV ANO V ANO VI ANO VII
2002 2003 2004 2005 2006 2007 2008 2009
RECEITAS OPERACIONAIS 17.180.000 22.075.751 33.921.432 38.089.173 38.089.173 38.089.173 38.089.173 38.089.173
IMPOSTOS 627.070 805.765 2.934.204 3.294.713 3.294.713 3.294.713 3.294.713 3.294.713
RECEITA LQUIDA 16.552.930 21.269.986 30.987.228 34.794.460 34.794.460 34.794.460 34.794.460 34.794.460
CUSTOS FIXOS 13.572.200 15.226.551 25.786.021 25.786.021 25.786.021 25.786.021 25.786.021 25.786.021
CUSTOS VARIVEIS 1.546.200 1.766.060 3.052.929 3.428.026 3.428.026 3.428.026 3.428.026 3.428.026
LUCRO OPERACIONAL 1.434.530 4.277.375 2.148.278 5.580.413 5.580.413 5.580.413 5.580.413 5.580.413
JUROS 0 228.887 310.286 308.823 265.755 218.779 167.593 111.825
JUROS OUTROS FINANC. 206.758 175.061 126.786 74.158 2.026 0 0 0
RESULTADO ANTES DO IR 1.227.772 3.873.426 1.792.605 5.195.968 5.269.564 5.314.658 5.361.633 5.412.820
IMPOSTO DE RENDA/ CONT SOCIAL 0,00 0,00 585.485,70 1.742.629,28 1.767.651,88 1.782.983,70 1.798.955,38 1.816.358,66
RESULTADO APOS IR 1.227.772 3.873.426 1.207.119 3.453.339 3.501.912 3.531.674 3.562.678 3.596.461
DEPRECIACAO 363.000 363.000 363.000 363.000 363.000 363.000 363.000 363.000
NECESSIDADE DE CAP. GIRO 0 195.846 473.827 166.710 0 0 0 0
DISPONIBILIDADE 1.590.772 4.040.580 1.096.292 3.649.630 3.864.912 3.894.674 3.925.678 3.959.461
AMORTIZAO DESENBANCO 0 0 86.191 358.055 372.989 388.941 406.287 425.999
OUTRAS AMORTIZAES (BBV) 298.208 414.346 433.457 456.356 124.653 0 0 0
CAIXA LIVRE 1.292.564 3.626.234 576.645 2.835.218 3.367.270 3.505.733 3.519.392 3.533.462
VPL 8.015.710
DISPONIBILIDADE 1.499.322 4.030.182 1.013.717 3.218.199 3.635.051 3.724.513 3.686.985 3.645.287
prestaes/0,6 841.610 1.363.824 1.594.533 1.995.654 1.275.704 1.012.867 956.466 896.372
prestaes 504.966 818.295 956.720 1.197.392 765.423 607.720 573.880 537.823
PARMETROS
Necessidade Op. em Giro 687.184,02 883.030,02 1.356.857,28 1.523.566,92 1.523.566,92 1.523.566,92 1.523.566,92 1.523.566,92
TAXA DE DESCONTO 31,26%
CUSTO FIXO ANO 1 (UAP) 15.026.201,55
CUSTO FIXO ANO 2 (UAP) 25.446.731,41
variao CF (%) ano 1 1%
variao CF (%) ano 2 1%
variao CF (%) ano 3 1%
variao CF (%) ano 4 1%
variao CF (%) ano 5 1%
variao CF (%) ano 6 1%
variao CF (%) ano 7 1%
variao CF (%) ano 8 1%
C VAR - % RECEITA ano 1 8,00%
C VAR - % RECEITA ano 2 9,00%
C VAR - % RECEITA ano 3 9,00%
C VAR - % RECEITA ano 4 9,00%
C VAR - % RECEITA ano 5 9,00%
C VAR - % RECEITA ano 6 9,00%
C VAR - % RECEITA ano 7 9,00%
C VAR - % RECEITA ano 8 9,00%
CENRIO 4
% giro /fat 4,00%
150

ANEXO B - Parecer de Quantificao de Risco de Crdito UGR (Modelo)
(continuao)

















PARECER DE ANLISE
ANEXO : IV - TABELA DO FINANCIAMENTO
EMPRESA: Modelo
FINANCIAMENTO 1.880.000,00
FGPC 0,00
% FINANCIAMENTO 0,00
TAXA 14,40%
SALDO DEVEDOR 1.880.000,00
AMORTIZAO E JUROS
PRAZO 8
CARENCIA 2 ANO(S)
AMORTIZAO 6 ANOS
JUROS 5,0% % A . A
TABELA DE PAGAMENTO
ANO SALDO INIC AMORTIZ SALDO FIN. SALDO MD JUROS
1 1.880.000 - 1.956.442 1.918.221 -
2 1.956.442 - 2.030.269 1.993.356 228.887
3 2.030.269 86.191 2.106.883 2.068.576 310.286
4 2.020.693 358.055 2.096.945 2.058.819 308.823
5 1.738.890 372.989 1.804.508 1.771.699 265.755
6 1.431.519 388.941 1.485.539 1.458.529 218.779
7 1.096.598 406.287 1.137.979 1.117.288 167.593
8 731.692 425.999 759.303 745.498 111.825
9 333.304 333.304 166.652 18.748
VARIVEIS MACROECONMICAS
TJLP C. HET. OTIMISTA C. OTIMISTA C. BASE OTIMISTA C. BASE C. BASE PESSIMISTA C. PESSIMISTA C. HET. PESSIMISTA
2002 34,00% 7,56% 7,81% 10,81% 10,81% 13,81% 42,00%
2003 33,75% 6,06% 6,31% 10,31% 10,31% 13,31% 30,00%
2004 33,25% 5,25% 5,50% 10,00% 10,00% 13,00% 30,00%
2005 33,00% 5,00% 5,25% 10,00% 10,00% 13,00% 30,00%
2006 32,75% 4,75% 5,00% 10,00% 10,00% 13,00% 30,00%
2007 32,75% 4,75% 5,00% 10,00% 10,00% 13,00% 30,00%
2008 32,75% 4,75% 5,00% 10,00% 10,00% 13,00% 30,00%
2009 32,75% 4,75% 5,00% 10,00% 10,00% 13,00% 30,00%
2010 32,75% 4,75% 5,00% 10,00% 10,00% 13,00% 30,00%
2002 4,54%
2003 4,07%
2004 3,77%
2005 3,77%
2006 3,77%
2007 3,77%
2008 3,77%
2009 3,77%
2010 3,77%
151


ANEXO B - Parecer de Quantificao de Risco de Crdito UGR (Modelo)
(continuao)

















PARECER DE ANLISE
ANEXO : V - TABELA DO FINANCIAMENTO ANTERIOR
EMPRESA: Modelo
FINANCIAMENTO ANTERIOR
SALDO DEVEDOR 1.500.000,00
FGPC 0,00
% FINANCIAMENTO 0,00
TAXA 9,00%
SALDO DEVEDOR 1.500.000,00
AMORTIZAO E JUROS
PRAZO 5
CARENCIA 1
AMORTIZAO 4
JUROS 3% % A . A
TABELA DE PAGAMENTO OBS: O ANO 1 DESTE FINANCIAMENTO 2001
ANO SALDO INIC AMORTIZ SALDO FIN. SALDO MD JUROS
1 1.500.000 1.560.991 1.530.495 152.782
2 1.560.991 298.208 1.619.896 1.590.443 206.758
3 1.321.688 414.346 1.371.563 1.346.625 175.061
4 957.217 433.457 993.338 975.277 126.786
5 559.881 456.356 581.009 570.445 74.158
6 124.653 124.653 62.326 2.026
VARIVEIS MACROECONMICAS
TJLP - Correo monetria
C. HET. OTIMISTA C. OTIMISTA C. BASE OTIMISTA C. BASE C. BASE PESSIMISTA C. PESSIMISTA C. HET. PESSIMISTA
2001 34,00% 7,56% 7,81% 10,81% 10,81% 13,81% 42,00%
2002 33,75% 6,06% 6,31% 10,31% 10,31% 13,31% 30,00%
2003 33,25% 5,25% 5,50% 10,00% 10,00% 13,00% 30,00%
2004 33,00% 5,00% 5,25% 10,00% 10,00% 13,00% 30,00%
2005 32,75% 4,75% 5,00% 10,00% 10,00% 13,00% 30,00%
2006 32,75% 4,75% 5,00% 10,00% 10,00% 13,00% 30,00%
2007 32,75% 4,75% 5,00% 10,00% 10,00% 13,00% 30,00%
2008 32,75% 4,75% 5,00% 10,00% 10,00% 13,00% 30,00%
2009 32,75% 4,75% 5,00% 10,00% 10,00% 13,00% 30,00%
TJLP Reduzida 2001 4,54%
TJLP Reduzida 2002 4,07%
TJLP Reduzida 2003 3,77%
TJLP Reduzida 2004 3,77%
TJLP Reduzida 2005 3,77%
TJLP Reduzida 2006 3,77%
TJLP Reduzida 2007 3,77%
TJLP Reduzida 2008 3,77%
TJLP Reduzida 2009 3,77%
152


ANEXO B - Parecer de Quantificao de Risco de Crdito UGR (Modelo)
(continuao)































PARECER DE ANLISE
ANEXO : VI - MEMRIA DE CLCULO DA TAXA DE DESCONTO
EMPRESA: Modelo
GB 30 20,33% FONTE: GAZETA MERCANTIL
TBond 30 anos 4,93% FONTE: GAZETA MERCANTIL
Risco Brasil 15,40%
Beta desalavancado 0,88 Americano - FONTE: DAMODARAN
alquota do IR/Cont. Social 10,00%
Grau de endividamento por setor 32,50% FONTE: BALAO ANUAL - GAZETA MERCANTIL
Beta alavancado 1,1374
Retorno da carteira livre de risco (T-Bill 90) 1,65% FONTE:Federal Reserve Statistical Release
Inflao projetada americana 2,00% Projeo UGR a partir da tendncia atual
Risco Brasil 15,40%
Retorno da carteira com risco 15,90% Retorno Mdio dos ltimos 10 anos_
Taxa de Desconto 31,26% _do ndice Dow Jones (Dow Jones Indexes)
153

ANEXO B - Parecer de Quantificao de Risco de Crdito UGR (Modelo)
(continuao)





PARECER DE ANALISE
ANEXO: VII - ANLISE DE SENSIBILIDADE DAS VARIVEIS
EMPRESA: Modelo
8.015.709,86
15% 13.565.763,65
20% 10.790.736,76
25% 8.015.709,86
38% 77.185,85
39% (762.866,80)
45% (5.808.370,25)
50% (10.012.956,45)
55% (14.217.542,66)
60% (18.422.128,86)
8.015.709,86
3% 11.048.526,14
6% 9.532.118,00
9% 8.015.709,86
15% 4.921.071,26
23% 279.949,00
24% (477.965,88)
30% (5.073.142,06)
35% (8.902.455,54)
40% (12.731.769,03)
VARIAO CUSTO FIXO ANOS 1 A 8 VPL
8.015.709,86
-5% 8.486.071,00
1% 8.015.709,86
20% 6.629.382,28
35% 4.997.913,19
50% 3.310.014,35
65% 1.622.115,52
79% 46.743,27
80% (65.783,32)
90% (1.191.049,21)
PERCENTUAL MAIS PROVVEL DA DISTRIBUIO DE PROBABILIDADE
VPL
VARIAO DA INADIMPLNCIA/EVAS0
ANOS 1 A 8
VPL
PERCENTUAL ONDE OCORRE A MUDANA DE SINAL DO VPL
VARIAO CUSTO VARIVEL
ANOS 2 A 8 (% DA RECEITA)
VPL X VARIAO DA INADIMPLNCIA/EVASO
(25.000.000,00)
(20.000.000,00)
(15.000.000,00)
(10.000.000,00)
(5.000.000,00)
0,00
5.000.000,00
10.000.000,00
15.000.000,00
20.000.000,00
15% 20% 25% 38% 39% 45% 50% 55% 60%
VPL X VARIAO CUSTO VARIVEL (% DA RECEITA)
(15.000.000,00)
(10.000.000,00)
(5.000.000,00)
0,00
5.000.000,00
10.000.000,00
15.000.000,00
3% 6% 9% 15% 23% 24% 30% 35% 40%
VPL X VARIAO DO CUSTO FIXO
(2.000.000,00)
0,00
2.000.000,00
4.000.000,00
6.000.000,00
8.000.000,00
10.000.000,00
-5% 1% 20% 35% 50% 65% 79% 80% 90%
NESSA ANLISE DE SENSIBILIDADE, PROCURA-SE VERIFICAR OS IMPACTOS SOBRE O VPL ATRAVS DA VARIAO DE CADA VARIVEL
ISOLADAMENTE.