Escolar Documentos
Profissional Documentos
Cultura Documentos
http://www.anpad.org.br/tac
Marcio Targa *
E-mail: marcio.targa@shoppinggranjavianna.com.br
Shopping Granja Vianna
Cotia, SP, Brasil.
Copyright © 2011 TAC. Todos os direitos, até mesmo de tradução, são reservados. É
permitido citar parte de artigos sem autorização prévia, desde que seja identificada a fonte.
Modelo para Gestão de Lojistas em Shopping Centers 33
Resumo
Como todo investimento, o setor de shoppings centers está sujeito a riscos, dentre os quais o da descontinuidade
do lojista no empreendimento. Este risco está relacionado com o custo total de ocupação no shopping, composto
pelo somatório das despesas de aluguel, condomínio e fundo de promoções. Assim, são necessários instrumentos
que permitam identificar e analisar esses riscos. O objetivo do presente trabalho foi o de construir um modelo
preditivo, baseado na técnica estatística da análise de sobrevida, que permita ao administrador do shopping
center identificar a partir de qual percentual de custo total de ocupação em relação às vendas, índice este
conhecido no setor por Key Performance Cost (KPC), se caracteriza a existência do risco de continuidade do
lojista no shopping. Utilizou-se uma amostra composta pelos dados de 896 lojas, instaladas em seis shoppings
centers, referentes a um período de 32 meses. Os resultados obtidos revelam que o modelo se mostrou adequado
para indicar, com antecedência, potenciais situações de inadimplência do lojista junto ao shopping. Essa
capacidade preditiva possibilita a adoção, a tempo, pelos administradores do shopping de medidas corretivas
para mitigar esse tipo de risco.
Abstract
Like any investment, the shopping mall sector is subject to risks, among which is the retailer's discontinuity in
the mall. This risk is related to the total cost of occupancy composed of the sum of the rent, rates and the mall's
marketing fund. Thus, tools are needed to identify and analyze these risks. The aim of this study is to build a
model based on the survival analysis's statistical technique, which enables the managers of a shopping mall to
identify from what percentage of the total cost of occupancy in relation to sales Key Performance Cost (KPC), it
is possible to gauge a retailer's continuity risk. We used a data sample consisting of 896 stores, located in six
malls, for a period of 32 months. The results show that the model proved to be appropriate for indicating
potential situations of default in advance. This predictive capability enables the shopping mall’s manager to
adopt corrective measure to mitigate this kind of risk while there is still time.
Introdução
O setor é responsável por 18,3% do total do varejo brasileiro e por 2% do Produto Interno Bruto
(PIB) (Guidolin, Costa, & Rocha, 2009) e, além de constituir importante meio de distribuição,
transformou-se em um tipo de investimento imobiliário atraente, do qual participam, além de outros
investidores, grandes fundos de previdência privada. Como todo investimento, este também está
sujeito a riscos dentre os quais, se destaca o da descontinuidade do lojista no empreendimento. Este
risco está relacionado aos custos de ocupação e são constituídos pelo somatório das despesas de
aluguel, condomínio e fundo de promoções.
Desta forma, o problema de pesquisa que motivou a realização do presente estudo pode ser
sintetizado na seguinte questão de pesquisa: Qual o valor do KPC máximo, na amostra objeto do
estudo, que permite ao administrador do shopping identificar risco de continuidade do lojista no
empreendimento?
Para responder a esta questão, utilizou-se a técnica estatística da análise de sobrevida que, no
dizer de Allison (2008, p. 1), “é um ramo da estatística que trata de previsibilidade de eventos no
tempo.”
O indicador proposto, KPC, que é um percentual do custo total de ocupação para um lojista em
relação às suas vendas, tem por objetivo permitir ao administrador do shopping avaliar o risco de
continuidade dele no empreendimento.
Assim, a loja de shopping center possui a premência de continuidade. É certo que há o risco
envolvido e a possibilidade de avaliá-lo constitui o foco deste trabalho. Para tanto se construiu um
modelo preditivo, baseado na técnica estatística de Análise de Sobrevida, de uso consagrado em
epidemiologia. Trata-se de técnica estatística não paramétrica desenvolvida por Kaplan e Meier
(1958).
A análise de sobrevida, conforme Allison (2008, p. 1), “é um ramo da estatística que trata de
previsibilidade de eventos no tempo. A morte ou o fracasso é considerado um evento e o tempo é a
variável a ser estudada”. Uma definição mais detalhada é fornecida por Bustamente-Teixeira,
Faerstein e Latorre (2002, p. 579) para quem “essa técnica é utilizada quando se pretende analisar um
fenômeno em relação ao tempo transcorrido entre um evento inicial, no qual um sujeito ou um objeto
entra em um estado particular e um evento final, que modifica este estado.”
A análise de sobrevida tem sido largamente utilizada no campo da medicina e, partir da década
de 1990, passou também a ser usada nas pesquisas em finanças. Dentre estas pesquisas, cabe citar as
seguintes: (a) A de Laitinen (2005) relacionada com a previsão de falências. Neste estudo o autor
utiliza a análise de sobrevida para modelar a duração de tempo que precede o momento em que o
devedor deixa de honrar seus compromissos junto ao credor (default) e compara os resultados
encontrados com os obtidos pela aplicação, na mesma amostra, de um modelo de previsão de
inadimplência baseado em regressão logística (logistic risk). A análise comparativa dos resultados
permite concluir que a técnica da análise de sobrevida se mostra mais adequada, para modelagem do
tempo prévio de default. (b) A de Jain e Martin (2005) relacionada com a estimação do tempo de
sobrevida pós-oferta pública inicial (post-IPO survival time) de empresas americanas em função da
qualidade da empresa de auditoria contratada na oferta pública inicial. Com base nos resultados
obtidos, concluíram que a qualidade da empresa de auditoria está relacionada, de forma significativa,
com o tempo de sobrevida após a oferta pública inicial. (c) A de Baba e Goko (2006), relacionada com
a sobrevida dos fundos de investimento alavancados (hedge funds), que são fundos de investimento de
risco que, além dos recursos de seus cotistas, utilizam também empréstimos de terceiros para aplicar
no mercado de capitais. Neste trabalho os autores utilizaram a técnica da análise de sobrevida para
estimar o tempo de sobrevida desses fundos e concluíram que fundos com taxas de retorno mais
elevadas e fundos com menor volatilidade na taxa de retorno têm maior probabilidade de sobrevida.
(d) A de Alves, Kalatzis e Matias (2009), relacionada com a insolvência dos bancos brasileiros. Neste
caso os autores utilizaram a análise de sobrevida para selecionar em uma amostra de 66 bancos
brasileiros, os principais indicadores financeiros característicos do fenômeno da insolvência.
Observa-se nestes estudos uma característica comum, que é a modelagem para o tempo de
ocorrência de um evento, o que confirma a adequação da aplicação desta técnica estatística no presente
estudo.
Amostra
A amostra utilizada foi obtida por acessibilidade. Foram analisados os dados de 6 shoppings
centers: 1 na Capital do Estado de São Paulo; 2 na Grande São Paulo; 1 no interior do Estado de São
Paulo; 1 na Capital do Estado do Rio de Janeiro e 1 no interior do Estado do Rio de Janeiro. Todos
eles possuem mais de 150 lojas e 1.000 vagas de estacionamento.
A análise limitou-se às lojas com área entre 30 e 150 m2, o que, excluídas as do setor de
alimentação, resultou em amostra constituída por 869 lojas. Destas foram levantados os valores do
faturamento mensal e dos montantes pagos mensalmente a título de aluguel, condomínio e fundo de
promoção, no período de janeiro de 2007 a agosto de 2009. A partir desses valores calcularam-se, os
respectivos KPCs, o que resultou em banco de dados composto por 27.808 itens, (32 meses x 869
lojas)
Constatou-se que, das 869 lojas componentes da amostra inicial, 153 tornaram-se inadimplentes
durante os 32 meses em análise.
Os dados foram tratados por meio de planilhas eletrônicas e com apoio do software estatístico
SPSS, Statistical Package for the Social Science, o qual possui capacidade para tratamento de dados
longitudinais denominados survival analysis.
Tabela 1
Cluster Nº Nº de Censurado
total eventos Nº %
Até 10% 64 5 59 92,19
De 10,1% a 15% 211 11 200 94,79
De 15,1% a 18% 117 8 109 93,16
De 18,1% a 25% 196 27 169 86,22
Acima de 25% 281 102 179 63,70
Total 869 153 716 82,39
Conforme se pode observar na Tabela 1, das 64 que constituem o Cluster 1 (KPC até 10%) , 5
delas encerraram suas atividades durante o período de 32 meses em análise, enquanto 59
permaneceram em atividade. Já no Cluster 2, que é constituído por 211 lojas, 11 encerraram suas
atividades, enquanto 200 permaneceram em atividade e assim sucessivamente.
Cluster 1
Este cluster é formado por 64 lojas que, durante o período em análise (32 meses), apresentaram
um KPC de até 10%. Neste caso, ocorreram 5 eventos, ou seja 5 lojas encerraram suas atividades,
revelando que a probabilidade de um lojista com KPC inferior a 10% não encerrar sua atividades
durante 32 meses de atividade é de 92,19%.
A figura 1 apresenta a curva de sobrevida deste cluster e que, durante os primeiros 10 meses, a
probabilidade de sobrevivência neste caso é de 100%; as primeiras ocorrências de encerramento de
atividades aconteceram a partir do 11º, reduzindo essa probabilidade paulatinamente para 92,19% a
partir do 23º mês.
Cluster 2
Neste cluster, ficaram 211 lojas que apresentaram, durante o período em questão, um KPC entre
10,1% e 15%. Neste caso, 11 lojas encerraram suas atividades durante o período em análise, o que
revela que a probabilidade de um lojista continuar operando nesta faixa de KPC é de 94,79%. A figura
2 apresenta a curva de sobrevida deste cluster e revela que, neste caso, o período de probabilidade de
sobrevivência (não encerramento de atividades) de 100% fica reduzido aos nove primeiros meses, a
partir dos quais começam a surgir as primeiras ocorrências de encerramento de atividades.
Cluster 3
O cluster 3 é composto por 117 lojas que apresentaram, durante o período em questão, um KPC
entre 15,1% e 18%. Neste caso, ocorreram oito eventos de encerramento de atividades no período,
revelando que a probabilidade de um lojista continuar operando nesta faixa de KPC é de 93,16%.
Afigura 3 apresenta a curva de sobrevida deste cluster.
partir do 27º mês; todavia a probabilidade de sobrevivência, no período em análise (93,16%), não é
muito diferente do que no caso do cluster 2 (94,79%).
Cluster 4
O cluster 4 é composto por 196 lojas que apresentaram, durante o período em questão, um
KPCS entre 18,1% e 25%. Neste cluster, ocorreram 27 eventos no período, o que revela que a
probabilidade de um lojista sobreviver nesta faixa de KPCS é de 86,22%. A figura 4 apresenta a curva
de sobrevida deste cluster. Neste caso, já se observa um período bem mais reduzido, sem a ocorrência
de eventos de encerramento de atividades (6 meses) e uma redução quase linear da probabilidade de
sobrevivência a partir de então.
Cluster 5
Tabela 2
Media(a)
Intervalo de confiança a 95%
Cluster Estimação Erro Limite Inferior Limite superior
Até 10% 30,767 0,566 29,656 31,877
De 10% a 15% 31,078 0,286 30,518 31,638
De 15% a 18% 31,278 0,287 30,716 31,839
De 18% a 25% 29,682 0,464 28,773 30,592
Acima de 25% 25,161 0,614 23,958 26,364
Total 28,900 0,256 28,399 29,400
Os erros ficaram dentro da normalidade e houve similaridade entre os três primeiros clusters.
Nota-se que nos dois últimos clusters, as médias diminuíram em função dos eventos que ocorreram em
maior quantidade.
Considerações Finais
Para a amostra estudada, os resultados sugerem que até um nível de 18% de KPC, ou seja, para
aquelas lojas que, durante o período em análise, as despesas mensais totais de ocupação em um
percentual em relação às suas vendas mensais igual ou inferior a 18%, o que abrange os três primeiros
clusters, a probabilidade de encerramento de atividades é baixa. A partir deste nível, o número de
eventos aumenta consideravelmente, resultando em probabilidade de encerramento de atividades bem
superior ao nível dos três primeiros clusters. Desta forma, o presente estudo atingiu o objetivo de
responder à questão de pesquisa formulada, ou seja: Qual o valor do KPC máximo, na amostra objeto
do estudo, que permite ao administrador do shopping identificar risco de continuidade do lojista no
empreendimento?
Em se tratando de amostra não probabilística, o nível de KPC, aqui obtido, não pode ser
generalizado. Mas o modelo de análise sugerido pode ser utilizado pelas empresas do setor, cada uma
das quais, devido a suas peculiaridades, possivelmente encontrará um nível crítico de KPC diferente.
Para aperfeiçoamento do modelo de análise proposto, sugere-se a realização estudos com dados
estratificados por ramo de atividade dos lojistas.
Referências
Allison, P. D. (2008). Survival analysis using SAS – a practical guide. Cary: SAS Institute Inc.
Alves, K. L. F., Kalatzis, A. E. G., & Matias, A. B.(2009, julho). Análise de sobrevivência de bancos
privados no Brasil. Anais do Encontro Brasileiro de Finanças, São Leopoldo, RS, Brasil, 9.
Baba, N., & Goko, H. (2006). Survival analysis of hedge funds [Working Paper nº 06-E-05]. Bank of
Japan, Chuo-ku, Tokyo.
Bustamente-Teixeira, M. T., Faerstein, E., & Latorre, M. R. (2002). Técnicas de análise de sobrevida.
Cadernos de Saúde Pública, 18(3), 579-594. doi: 10.1590/S0102-311X2002000300008
Carvalho, M. S., Andreozzi, V. L., Codeço, C. T., Barbosa, M. T. S., & Shimakura, S. E. (2005).
Análise de sobrevida: teoria e aplicações em saúde. Rio de Janeiro: Fiocruz.
Guidolin, S. M., Costa, A. C. R., & Rocha E. R. P. (2009, agosto). O setor de shopping center no
Brasil. Informe Setorial do Banco Nacional de Desenvolvimento – Área Industrial, (12), 1-8.
Recuperado de
http://www.bndes.gov.br/SiteBNDES/export/sites/default/bndes_pt/Galerias/Arquivos/conheci
mento/setorial/informe-12AI.pdf
Jain, B. A., & Martin, C. L., Jr. (2005). The association between audit quality and post-IPO
performance: a survival analysis approach. Review of Accounting & Finance, 4(4), 50-75. doi:
10.1108/eb043437
Kaplan, E. L., & Meier, P. (1958). Nonparametric estimation from incomplete observations. Journal
of American Statistic Association, 53(282), 457-481. doi: 10.2307/2281868
Laitinen, E. K. (2005). Survival analysis and financial distress prediction: finnish evidence. Review of
Accounting & Finance, 4(4), 76-90. doi: 10.1108/eb043438
Schellenberger, C., & Almeida, V. (1999). Manual de shopping centers: sistema VS. Rio de Janeiro:
VS.