INSPER - INSTITUTO DE ENSINO E PESQUISA

Programa de Mestrado Profissional em Economia

JOSÉ ROSOSCHANSKY

ANÁLISE DO Z’’-SCORE DE EDWARD I. ALTMAN PARA O BRASIL

São Paulo
2017
 José Rososchansky

ANÁLISE DO Z’’-SCORE DE EDWARD I. ALTMAN PARA O BRASIL

Dissertação apresentada ao Programa

de Mestrado Profissional em Economia
do Insper Instituto de Ensino e
Pesquisa, como parte dos requisitos para
a obtenção do título de Mestre em
Economia.
Área de concentração: Finanças de
Apreçamento e Finanças Corporativas.

Orientador: Prof. Dr. Michael Viriato

Araújo – Insper

São Paulo
2017
 ANÁLISE DO Z’’-SCORE DE EDWARD I. ALTMAN PARA O BRASIL

Dissertação apresentada ao Programa

de Mestrado Profissional em Economia
do Insper Instituto de Ensino e
Pesquisa, como parte dos requisitos para
a obtenção do título de Mestre em
Economia.
Área de concentração: Finanças de
Apreçamento e Finanças Corporativas.

Orientador: Prof. Dr. Michael Viriato

Araújo – Insper

DATA DE APROVAÇÃO: __/__/__

BANCA EXAMINADORA

__________________________________________________
Orientador Prof. Dr. Michael Viriato Araújo
Insper Instituto de Ensino e Pesquisa

__________________________________________________
Prof. Dr. Adhemar Villani Junior
Insper Instituto de Ensino e Pesquisa

__________________________________________________
Prof. Dr. Alessandro Marques
Fundação Getúlio Vargas
Rososchansky, José
Previsão de dificuldades financeiras em empresas de
médio e grande porte no Brasil com o uso de indicador Z-
Score de Edward I. Altman /
José Rososchansky – São Paulo: Insper, 2017.

Dissertação (Mestrado – Programa de Mestrado

Profissional em Economia. Área de concentração:
Finanças – Insper Instituto de Ensino e Pesquisa.
Orientador: Michael Viriato Araújo
1. Altman Z-Score 2. Risco de Crédito, 3. Análise
discriminante múltipla (AMD)
 Um sonho sonhado sozinho é só um sonho.
Um sonho sonhado junto é realidade.
Dedico esta obra a quem sempre sonha comigo,
minha amada esposa Claudia.
E aos meus filhos, Isabela e Felipe.
 AGRADECIMENTOS

Um sábio judeu, certa vez, proferiu a seguinte frase: “Na procura de

conhecimentos, o primeiro passo é o silêncio, o segundo ouvir, o terceiro

relembrar, o quarto praticar e o quinto ensinar aos outros.” Inspirado por esta

frase, para a realização deste trabalho escutei meus professores e orientador,

relembrei, e pratiquei os ensinamentos com os meus colegas. Espero que com o

resultado alcançado possa também, ao compartilhar o que aprendi, ensinar.

Não foi fácil concluir este trabalho. E como muitos me ajudaram deixo aqui

nestas pequenas frases os meus mais sinceros agradecimentos.

Em primeiro lugar agradeço aos professores Adriana Bruscato Bortoluzzo,

Antônio Morales, Regina Carla Madalozzo e Rinaldo Artes que com muita

paciência ajudaram a desvendar os dilemas da economia.

Meu agradecimento à Serasa Experian que, através de Lisias Lauretti e

Guilherme Fernandes, possibilitaram que tivesse acesso aos dados para

realização deste estudo.

Agradeço especialmente ao Michael Viriato Araújo, meu Orientador, meu

professor e, agora amigo, que me guiou nesta jornada de conhecimentos.

Também agradeço ao amigo German Becker, um exemplo de profissional

brilhante, que me apoio e que acreditou no meu potencial.

E aos meus pais, Judy e Milton, que com muito amor me fizeram chegar

até aqui.

À minha amada esposa e sempre companheira, Claudia, que me incentivou

e me ajudou em todos os momentos, dos mais difíceis aos menos difíceis, para a

realização deste curso.

E um profundo agradecimento, com muito amor, aos meus filhos Isabela e

Felipe, e à minha família: Judy, Milton, Joel, Joyce, Cesar, Neusa e Eduardo.
Não podemos resolver nossos problemas com o

mesmo pensamento que usamos quando os

criamos.

Albert Einstein
 SUMÁRIO EXECUTIVO

Os modelos que auxiliam a previsão de risco de crédito são de grande

importância para empresas financeiras, principalmente bancos, investidores e

gestores de fundos, dado que um não pagamento ou um pagamento parcial ou ainda

um pagamento com prazo acima do pré-estabelecido por contrato, pode significar

prejuízo para o doador do empréstimo.

Partindo-se deste pressuposto, neste estudo buscou-se analisar a validade e

aplicabilidade para o Brasil, do modelo Z’’-Score, que é uma revisão do modelo Z-

Score original, de Altman (1968), o qual utilizou a metodologia estatística de

análise discriminante múltipla, conhecida por AMD.

Também neste estudo houve a elaboração da fórmula !" -Score, pelo autor,

a ser aplicada para previsão de concordata de empresas brasileiras de médio e

grande porte, a partir da atualização do indicador Z’’-Score para o Brasil.

E, adicionalmente, houve a comparação da acuracidade da modelagem

estatística realizada por Análise Discriminante Múltipla com a de Regressão

Logística (Logit).

Para a realização destes objetivos é importante ressaltar a grande

dificuldade em se obter dados contábeis de empresas de capital fechado, uma vez

que não há obrigatoriedade de publicação de balanço e de informações financeiras.

Suplantou-se esta barreira, neste estudo, através da amostra extraída da base de

dados da Serasa Experian. Assim sendo, a amostra utilizada para o cálculo destes

indicadores, neste estudo, foi de 10.000 empresas, no período compreendido entre

2011 a 2016, sendo estas de capital aberto ou fechado.

Concluindo-se, o Modelo Z’’-Score de Altman (1983, 2005) apresentou-se

válido, uma vez que após os testes com a amostra, apontou acerto na previsão de

empresas concordatárias e não concordatárias de 84%.

 Os três modelos, Z’’-Score, !" -Score e Logit também apresentaram resultados

muito satisfatórios para a classificação das empresas concordatárias e não

concordatárias.

Ao comparar-se as metodologias de classificação por rating, como a elaborada

por Altman (2005), conclui-se que a metodologia de Análise Discriminante

Múltipla apresenta uma melhor resposta de classificação do que a de Regressão

Logística.

Finalizando, uma nova fórmula foi elaborada, !" -Score, com definição de novos

Betas (#$ ) para o Z-Score de Altman (1983, 2005). Concluiu-se que, além de

aplicável para a previsão de risco de crédito para empresas brasileiras de capital

fechado e de capital aberto, o !" -Score também apresentou o melhor resultado para

a previsão de risco de crédito.

.
 RESUMO

Modelos que auxiliam a previsão de risco de crédito são de grande importância

para empresas financeiras. A metodologia Z’’-Score foi desenvolvida por Edward

I. Altman (1968,1983) para prever o risco de inadimplência em empresas

americanas. Neste estudo, explorou-se a validade desta metodologia focando em

empresas brasileiras, de capital fechado e aberto. Neste estudo também foi

elaborada uma nova equação do Z’’-Score para o Brasil, sendo denominada neste

contexto de !" -Score. Também se realizou uma comparação das metodologias

estatísticas Análise Discriminante Múltipla e Regressão Logística utilizando-se

os mesmos índices contábeis do Z’’-Score. Desta forma, ao se replicar o Z’’-Score

para o Brasil, considerando-se o período de 2011 a 2016, e tomando-se por base

dados atuais de empresas brasileiras, observou-se como resultado fortes

evidências de que há validade na utilização da metodologia Z’’-Score de Altman

(1983, 2005) para a previsão de risco de crédito de empresas brasileiras. Outro

resultado obtido refere-se à nova equação elaborada, o !" -Score, que apresentou

resultados superiores para a classificação de companhias que estão em processo

de recuperação judicial quando comparado ao do modelo original.

Palavras-chave: Z-Score. Z’’-Score. Previsão de Inadimplência. Análise

Discriminante Múltipla. Regressão Logística. Risco de Crédito.
 ABSTRACT

The Z''-Score methodology was published by Edward I. Altman in 1968 as a tool

to predict default risk for American companies. The purpose of this study is to

review Altman’s methodology for applicability to Brazilian companies, with

private and open capital. A comparison of the statistical methodologies Multiple

Discriminant Analysis and Logistic Regression was performed using Z''-Score

accounting indexes. Thus, when the Z’’-Score is replicated for Brazil, considering

the period from 2011 to 2016, and based on current data from Brazilian

companies, strong evidence has been found demonstrating that there is validity

in the use of Altman's Z''-Score methodology (1983, 2005) to predict credit risk for

Brazilian companies. As part of this work, we also developed a variation of the

formula for the Z’’-Score for Brazil, named in this article !" -Score. This formula

presented higher results to classify default companies than the original model.

Keywords: Z-Score. Z’’-Score. Prediction of Default. Multiple Discriminant

Analysis. Logit Regression. Credit Risk.
 LISTA DE FIGURAS

Figura 01: Z’’-Score vs. S&P Rating ........................................................................ 25

Figura 02: Função do Modelo de Altman para os modelos Z-Core e Z’-Score ....... 30

Figura 03: Áreas de Classificação Modelo Z-Score ................................................. 30

Figura 04: Função do Modelo de Altman para os modelos Z-Core e Z’-Score ....... 31

Figura 05: Z Crítico Modelo !"-Score vs. S&P Rating........................................... 41

Figura 06: Probabilidade Regressão Logística vs. S&P Rating ............................ 42

 LISTA DE TABELAS

Tabela 01: Porte pessoa jurídica ............................................................................. 37

Tabela 02: Porte das empresas selecionadas .......................................................... 37

Tabela 03: Distribuição da amostra selecionada .................................................... 38

Tabela 04: Resultado Regressão Análise Discriminante Múltipla ........................ 40

Tabela 05: Resultado Regressão Logística.............................................................. 42

Tabela 06: Classificação das empresas concordatárias e não concordatárias ...... 43

Tabela 07: Teste estatístico de proporcionalidade para total da amostra ............ 44

Tabela 08: Classificação das empresas concordatárias (erro Tipo I) ..................... 46

Tabela 09: Classificação das empresas não-concordatárias (erro Tipo II) ............ 47

Tabela 10: Classificação das empresas conforme rating ........................................ 49

Tabela 11: Classificação das empresas conforme rating ........................................ 50

 LISTA DE SIGLAS

AMD Análise Discriminante Múltipla

BIS Banco de Compensações Internacionais
KMV Kealhofer, McQuown and Vasicek
NYSE New York Stock Exchange
S&P Standard & Poor’s
 SUMÁRIO

1 INTRODUÇÃO ................................................................................................... 14

2 REFERENCIAL TEÓRICO ............................................................................. 18

3 MODELO Z-SCORE .......................................................................................... 27

4 METODOLOGIA ESTATÍSTICA .................................................................... 32

4.1 Análise Discriminante Múltipla ........................................................... 32

4.2 Modelo Estatístico de Regressão Logística....................................... 34

5 DESCRIÇÃO DA BASE DE DADOS AMOSTRAL ....................................... 36

6 PROPOSIÇÃO DE EQUAÇÕES COM BASE AMOSTRAL ........................ 39

7 ANÁLISE DOS RESULTADOS ....................................................................... 43

8 CONCLUSÃO ..................................................................................................... 51

REFERÊNCIAS BIBLIOGRÁFICAS ................................................................. 54

 14

1 INTRODUÇÃO

Modelos que auxiliam a previsão de risco de crédito são de grande

importância para empresas financeiras, principalmente bancos, investidores e

gestores de fundos, uma vez que estas empresas, por sua natureza, atuam

emprestando dinheiro ou investindo em outras empresas.

A utilização de modelos para previsão do risco de crédito ou risco de default

(não pagamento) são importantes, dado que um não pagamento ou um

pagamento parcial ou ainda um pagamento com prazo acima do pré-estabelecido

por contrato, pode significar prejuízo para o doador do empréstimo.

Desta forma, quanto melhor for o modelo do ponto de vista estatístico e

mais fácil de se aplicar para a previsão de risco de crédito, menos custos e ou

prejuízos as empresas que efetuam empréstimos ou investimentos poderão ter.

Na literatura atual, segundo Balcaen e Ooghe (2006) pode-se destacar

cinco modelos que são mais conhecidos na previsão de risco de crédito, e que

adotam diferentes abordagens em suas análises.

Há os modelos Univariados, como por exemplo o desenvolvidos por Beaver

(1966,1968), que utilizam a técnica estatística de Análise Discriminante

Univariável.

Também pode-se encontrar modelos de probabilidade condicional, como os

que foram elaborados utilizando-se análise de Logit, Probit e probabilidade

linear, desenvolvidos por Zavgren (1983), Doumpos e Zopoudinis (1999).

Já os modelos de Credit Scoring, baseados em modelos de rede neural, vêm

sendo muito utilizados por instituições financeiras, tendo-se como exemplo o

modelo desenvolvido por Jensen (1992).

 15

Um outro tipo de modelo, conhecido por modelos condicionais de crédito,

são modelos baseados na teoria de precificação de opções e créditos condicionais,

desenvolvido por Vassalou e Xing (2004) e comercializado sob o nome de KMV.

E, finalmente, existem também os modelos que utilizam análise

discriminante múltipla, conhecidos por AMD, que foram desenvolvidos a partir

do trabalho desenvolvido por Altman (1968), cujo modelo é conhecido como Z-

Score.

Apesar da grande gama de modelos de previsão de risco de crédito, como

citado anteriormente, o Modelo Z-Score, desenvolvido por Altman (1968), segundo

Altman, Iwanicz-Drozdowska, Laitinen, e Suvas, (2014), é um dos modelos mais

utilizados e conhecidos por analistas de crédito que, desta forma, buscam

verificar a probabilidade de pagamento ou não de empréstimos ou outros tipos de

financiamento em suas operações de crédito.

Portanto, neste estudo busca-se analisar a validade ou aplicabilidade do

modelo Z’’-Score, que é uma revisão do modelo Z-Score original, de Altman (1968).

É esperado como resultado deste estudo um desempenho similar ao que

Altman e Spivack (1983), desenvolveu em seus estudos, uma vez que há fortes

indicativos de que esta metodologia apresente validade teórica e prática.

O resultado objetivo deste estudo, tanto para a academia quanto para a

indústria financeira, será a publicação da fórmula a ser aplicada para previsão de

concordata de empresas brasileiras de médio e grande porte, a partir da

atualização do indicador Z’’-Score.

Importante ressaltar a grande dificuldade em se obter dados contábeis de

empresas de capital fechado, uma vez que não há obrigatoriedade da publicação

de balanço e de informações financeiras.

 16

Suplantou-se esta barreira, neste estudo, através da amostra extraída da

base de dados da Serasa Experian, empresa líder mundial em serviços de

informação, que fornece dados e ferramentas de análise a clientes ao redor do

mundo.

Assim sendo, a amostra utilizada para o cálculo destes indicadores, neste

estudo, a partir da base de informações da Serasa Experian, implicou em 10.000

empresas, no período compreendido entre 2011 a 2016, sendo estas de capital

aberto ou fechado.

Neste estudo, busca-se como objetivo analisar o Z’’-Score, de Edward I.

Altman, para o Brasil.

Já os objetivos específicos são:

• Verificar a aplicabilidade da metodologia Z’’-Score, desenvolvida

por Altman (1983) para a previsão de concordatas, através de

indicadores contábeis para empresas brasileiras;

• Atualizar o indicador Z’’-Score, isto é, sua formulação para a

previsão de concordata para as empresas brasileiras;

• Comparar, como parte da validação do modelo de Análise

Discriminante Múltipla, com a metodologia estatística de

Regressão Logística.

Para atender aos objetivos propostos este estudo foi organizado da seguinte

forma: no capítulo 2 desenvolve-se uma revisão do referencial teórico, no qual

busca-se entender as metodologias estudadas, bem como os seus resultados. Já no

capítulo 3, aborda-se o Modelo Z-Score, desenvolvido por Edward I. Altman,

assim como suas revisões. No capítulo 4 elabora-se uma breve análise das

metodologias estatísticas empregadas neste estudo; enquanto no 5o capítulo

 17

apresenta-se a descrição da base amostral, bem como a forma pela qual a

amostra foi selecionada. No capítulo 6 mostra-se a proposição das equações

elaboradas a partir da base amostral e o aprofundamento da análise sobre os

resultados obtidos são apresentados no 7o capítulo. Por fim, no capítulo 8

desenvolve-se a conclusão deste trabalho.

 18

2 REFERENCIAL TEÓRICO

Após uma extensa pesquisa de artigos sobre modelos de previsão de

inadimplência utilizando índices financeiros, os artigos expostos a seguir

mostram a contribuição de vários autores sobre o tema, assim como ressaltam a

importância do estudo deste tema para o segmento financeiro.

O primeiro estudo a utilizar o ferramental estatístico Análise

Discriminante Univariada para prever o risco de empresas virem a ser

concordatárias, através de índices financeiros, foi elaborado por Beaver (1966).

Neste artigo, Beaver, utilizou uma amostra de 158 empresas americanas,

das quais 79 empresas concordatárias e outras 79 empresas sem problemas

financeiros, isto é, não concordatárias. Inicialmente, Beaver selecionou 30

indicadores, sendo que o indicador que ele considerou como o mais eficiente para

prever o evento de concordata foi a variável: fluxo de caixa sobre o total da dívida.

Posteriormente, Beaver (1968), realizou outro estudo com os dados da

mesma amostra de empresas, introduzindo uma variável para medir a mudança

do preço de mercado da ação das empresas. Concluiu que esta variável se

mostrou irrelevante para a previsão de risco de concordata, o que fortaleceu o

indicador anteriormente definido.

Neste mesmo ano, Altman E. (1968) cria o modelo Z-Score utilizando o

ferramental estatístico Análise Discriminante Múltipla (AMD), com uma lista

preliminar de 22 indicadores contábeis e uma amostra 66 empresas, com os dados

compreendidos no período entre 1946 e 1965.

Destas 66 empresas, 33 empresas eram concordatárias, com ativos entre

US$ 0.7 milhões e US$ 25.9 milhões, com uma média de US$ 6.4 milhões em

ativos. Já as outras 33 empresas, não concordatárias, apresentavam ativos

variando entre US$ 1.0 milhão a US$ 25.0 milhões.

 19

Para a seleção das variáveis em seu modelo, Altman (1968) definiu os

seguintes critérios:

a. observação da significância estatística de várias funções alternativas;

b. avaliação das inter-correlações entre as variáveis e as variáveis relevantes;

c. observação da precisão da previsão dos vários perfis;

d. julgamento do analista.

Altman (1968) então, define o modelo clássico Z-Score com 5 variáveis:

• %& Capital de giro sobre ativo total;

• %' Lucros retidos sobre total dos ativos;

• %( Lucro antes de juros e imposto de renda sobre ativo total;

• %) Valor de mercado do patrimônio líquido sobre valor contábil do

exigível total e %* Vendas sobre ativo total.

Altman, Haldeman e Narayanan (1977) utilizando a análise discriminante

múltipla, desenvolveram um novo modelo para a previsão de risco de concordata:

ZETA TM* ANALYSIS, onde o principal motivador para a criação deste modelo

foi o tamanho das empresas concordatárias.

Neste modelo foram incluídos na amostra empresas com patrimônio

superior a US$ 100 milhões, atualização da base de dados com informações mais

recentes, inclusão de informações de empresas de varejo e incorporação de

atualizações das regras contábeis, o que muda os indicadores do modelo.

Para a elaboração do Zeta, neste estudo, foram utilizados dados de uma

amostra com 111 empresas, para o período compreendido entre 1962 a 1975,

sendo que destas 111, 53 empresas concordatárias, com patrimônio médio de US$
 20

100 milhões e, 58 empresas não concordatárias, com patrimônio médio de

US$167 milhões.

Altman (1977) também selecionou 27 indicadores contábeis, que foram

classificados em seis categorias: rentabilidade, índices de cobertura, liquidez,

índices de capitalização, variação da rentabilidade e outros.

O modelo, então, foi elaborado com apenas sete dos vinte e sete indicadores

analisados, sendo os seguintes selecionados: retorno sobre ativo, estabilidade das

receitas, cobertura de juros, lucro acumulado sobre ativo total, liquidez corrente,

capitalização (patrimônio líquido sobre capital), tamanho do ativo. Contudo, o

resultado do modelo, ou seja, a fórmula do Z-Score, não foi publicado.

Já em 1979, Altman, Baidya e Dias, testaram a aplicabilidade do modelo

clássico Z-score para o Brasil. Devido a diferenças entre os critérios contábeis

americanos e os critérios contábeis brasileiros, os indicadores X' e X) foram

alterados para uma melhor análise do modelo. O resultado apresentado foi de que

o modelo conseguiu prever a concordata para 88% das empresas com

antecedência de 1 ano. Já quando o modelo era aplicado com 03 anos de

antecedência, a previsão caía para 78%.

Ohlson, J.A. (1980), desenvolveu uma metodologia através de uma

combinação linear, modelo Logit, com nove indicadores financeiros, que ficou

conhecido como o O-Score.

Para o desenvolvimento deste previsor, Ohlson (1980) utilizou uma

amostra de 105 empresas de capital aberto, com dados financeiros entre 1970-

1976, e cujas ações tivessem sido negociadas em bolsa ou no mercado de balcão.

De acordo com estas premissas, a formulação do modelo O-Score foi:

 21

9:; 9A; BC; CA;

, = −1.32 − 0.407 log + 6.03 − 1.43 + 0.0757 − 1.72% −
<=> 9:; 9:; C:;
=E; GGH; =E; J=E;KL
2.37 − 1.83 + 0.285I − 0.521 (1)
9:; 9A; |=E; J|=E;KL

Na qual:

a. TA = Total dos Ativos

b. TL = Total dos Passivos
c. WC = Capital de Giro
d. CL = Passivo Circulante
e. CA = Ativo Circulante
f. NI = Resultado Líquido
g. FFO = Fundos Operacionais
h. GNP = Produto Interno Bruto
i. X = 1 se TL > TA, se não 0
j. Y = 1 se prejuízo tiver ocorrido nos últimos dois anos, se não 0

A interpretação do resultado para a previsão de concordata ou problemas

financeiros é conhecido quando os valores obtidos através do cálculo de O-Score

Ohlson (1980) são maiores que 0,5.

Já Tafller, R. (1983) utilizou a metodologia desenvolvida por Altman

(1968), Z-Score, e a modelagem estatística análise discriminante múltipla,

desenvolvendo um modelo similar ao Z-Score para o Reino Unido, com a seguinte

formulação:

! = 3.2 + 12.18%& + 2.50%' − 10.68%( + 0.029%) (2)

Na qual:

a. %& : EBIT / Passivo Circulante

b. %' : Ativo Circulante/ Total do Passivo

c. %( :Passivo Circulante / Total do Ativo

:xyz{ Cy|}~ÄxÅJ>ÄÇÇyz{ Cy|}~ÄÉxÅ
d. %) :Intervalo de não Crédito ( ÑÅÇÖÅÇÄÇ HÖÅ|Ä}y{ÉÄyÇ Ñyá|yÄÇ
)
 22

A interpretação do resultado do modelo de Tafller (1983) ocorre da seguinte

maneira: se o Z-Score for menor que zero, a empresa tem risco de apresentar

dificuldades financeiras; já para a empresa que apresentar Z-Score maior que

zero, há o risco de que esta venha a ser concordatária.

Altman (1983) revisou o modelo original ou comumente conhecido Z-Score

clássico, uma vez que sua elaboração se deu com dados de empresas públicas.

Esta revisão foi publicada no seu estudo A Complete Guide to Predicting,

Avoiding, and Dealing With Bankruptcy (1983). Altman, então, estimou um

modelo para empresas com capital fechado chamado Z’-Score. Contudo, não

realizou um segundo teste, neste estudo, dada a falta de dados de empresas

privadas para a sua execução.

Neste mesmo trabalho Altman (1983) estimou o Z’’-Score para empresas

manufatureiras e prestadoras de serviços, com capital fechado e aberto. Altman

excluiu do modelo original a variável %* (Vendas / Total do ativo) devido ao

potencial efeito do tipo de indústria a ser mais ou menos sensível ao volume de

negócios.

Zmijewski M. (1984), utilizando a metodologia estatística Probit,

desenvolveu uma função log de probabilidade para prever em dois anos o risco de

inadimplência para empresas.

Diferentemente de Altman (1968), Zmisjewski utilizou em seu estudo uma

amostra com todas as empresas listadas na Bolsa de Valores de Nova York

(NYSE - New York Stock Exchange), isto é, em sua amostra haviam empresas

dos mais diversos setores. A amostra foi selecionada entre o período de 1972 a

1978 e o número de empresas variou de 2082 a 2241 durante o período estudado.

O modelo Zmijewski Score (1984) tem a seguinte formulação:

 23

îÅÇ~xÄï{ Aíñ~yï{
!àâäãåçéâ èêëíã = −4.336 − 4.513 ∗ + 5.679 ∗
9{xÄ ïÅ :xyz{Ç
9{xÄ ï{ >ÄÇÇyz{ :xyz{ Cy|}~ÄÉxÅ
+ 0.004( ) (3)
9{xÄ ï{ :xyz{ >ÄÇÇyz{ Cy|}~ÄÉxÅ

A interpretação deste modelo é feita considerando-se a probabilidade de

inadimplência, portanto, quanto maior for o resultado Zmijewiski Score, maior

será a probabilidade de inadimplência.

Dimitras, Zanakis e Zopounidis (1996) analisaram em sua pesquisa 59

modelos de previsão de inadimplência através de indicadores financeiros. Estes

modelos foram acessados através de 47 artigos publicados entre 1932 a 1994. As

principais conclusões foram:

a. ocorreu um interesse mundial em modelos para a previsão de

inadimplência empresarial durante o período de 1932 a 1994;

b. o método de análise discriminante foi o mais utilizado, sendo que em

segundo lugar aparece a análise Logit;

c. os índices financeiros mais importantes decorreram da categoria de

solvência, que tem como exemplo os seguintes indicadores: Capital de giro

sobre Ativos totais e Dívidas totais sobre Ativos totais. Os indicadores de

rentabilidade são também considerados importantes, uma vez que indicam

a viabilidade da empresa.

Por sua vez, Vasalou e Xing (2004) desenvolveram um modelo utilizando a

modelagem de precificação, opção de Merton (1974), para calcular o risco de

crédito individual das empresas, bem como o impacto deste risco nos retornos das

ações. Este modelo foi então comercializado por Kealhofer, McQuown e Vasicek

(2004) conhecido como modelo KMV, o qual atualmente pertence a empresa

Moody’s.
 24

Há artigos, como o elaborado por Hillegeist, Keating, Cram e Lundstedt

(2004), que questionam a qualidade previsiva dos modelos que utilizam dados

contábeis como fontes de informação a fim de estimar a probabilidade de risco de

inadimplência. Esta crítica advém da utilização de dados contábeis, que são

elaborados com dados passados, para atuarem como previsores do futuro,

assumindo assim a continuidade dos índices contábeis.

Outra crítica feita por estes autores é que modelos, tais como o Z-Score e

O-Score, não incorporam na modelagem medidas relativas a volatilidade dos

ativos, sendo que a volatilidade de ativos é uma medida crucial para o cálculo de

previsão de inadimplência.

Hillegeist, Keating, Cram e Lundstedt (2004) defendem o modelo elaborado

baseado na metodologia de precificação de opções desenvolvida por Black, Scholes

(1973) e Merton (1974) tem uma melhor capacidade preditiva que outros modelos.

Altman (2005) testou o modelo Z’’-Score para os mercados emergentes,

sendo que uma de suas principais contribuições foi a elaboração de uma tabela de

classificação do resultado do obtido pelo Z’’-Score com os ratings de crédito

elaborados pela empresa Standard & Poor’s (S&P), que são mundialmente

utilizados pelos mais diversos setores financeiros.

 25

Figura 01: Z’’-Score vs. S&P Rating

Fonte: Altman (2005 pg. 314)

Altman, Danovi e Falini (2013) testaram o modelo Z’’-Score de Altman

(1983) para empresas italianas. Utilizando uma amostra de 89 empresas, com

dados contábeis de 2000 a 2010, puderam verificar que para a amostra

selecionada o resultado preditivo do modelo, quando aplicado 1 ano antes da

empresa vir a ser concordatária foi que 65,9% das empresas tinham uma

classificação "D" e 95,5% estavam na zona de concordata.

Os autores, neste trabalho, concluem o estudo confirmando que o modelo

tem aplicabilidade para a Itália e que o modelo Z’’-Score ainda nos tempos atuais

é um bom previsor para inadimplência através de indicadores financeiros.

Contudo, estes mesmos autores testaram um caso de fraude contábil muito

conhecido na Itália, a concordata da empresa Parmalat. Neste caso, não só

classificaram a empresa como segura, como dois anos antes da falência seu rating

pelo Z’’-Score foi A-. Isto é, sem risco de a empresa ser concordatária.

Logo, o modelo mostrou-se falho para eventos onde as informações

contábeis não são fidedignas.

Altman e Sabato (2007) elaboraram um modelo de previsão de risco de

crédito no qual aplicaram a técnica estatística de regressão Logística. Neste

 26

Modelo os autores utilizaram uma amostra de 2.000 empresas americanas de

pequeno e médio porte e com faturamento anual menor que US$ 65 milhões.

O principal diferenciador deste novo modelo, dos desenvolvidos

anteriormente por Altman, foi a técnica estatística empregada. Altman

anteriormente, optou por utilizar a técnica estatística de Análise Discriminante

Múltipla.

Além da Regressão logística, Altman e Sabato empregaram o

transformador Logaritmo para os valores dos indicadores utilizados no modelo.

Para comprovar a eficácia do modelo, os autores compararam o resultado do

Modelo Log Logístico com o Modelo corporativo Z’’-Score do próprio autor (1983),

O Modelo Log Logístico mostrou-se neste estudo superior ao modelo de Análise

Discriminante Múltipla.
 27

3 MODELO Z-SCORE

Conforme exposto anteriormente, o primeiro modelo multivariado para

prever concordatas ou risco de crédito foi elaborado por Altman E. I. (1968) “Z-

Score Financial Ratios, Discriminant Analysis and The Prediction of Corporate

Bankruptcy”.

Este modelo Multivariado “Z-Score” é importante não só por ter sido o

primeiro modelo multivariado a ser elaborado para esta finalidade, como mesmo

após mais de cinquenta anos de sua elaboração, continua sendo um dos modelos

mais utilizados tanto na academia, como no mercado financeiro, para a previsão

de risco de crédito Altman, Iwanicz-Drozdowska, Laitinen, e Suvas (2014).

O Banco de Compensações Internacionais - Bank for International

Settlements - BIS1, no seu documento Principles for financial market

infrastructures (Abril, 2012), define risco de crédito como: “risco de uma

contraparte ou outra entidade, ser incapaz de cumprir com as suas obrigações

financeiras no vencimento, ou em qualquer momento no futuro”.

Desta forma, neste estudo utilizaremos o modelo proposto por Altman

(1968), para a previsão de risco de crédito conforme definição do BIS.

Apresenta-se a seguir a função a ser estudada do modelo Z-Score de

Altman (1968) para empresas de capital aberto:

ó = ò. òôöõô + ò. òôúõö + ò. òùùõù + ò. òòûõú + ò. üüüõ† (4)

1
Bank for International Settlements - BIS1, BIS - Banco de Compensações
Internacionais ou Banco de Pagamentos Internacionais (em inglês: Bank for International
Settlements) é uma organização internacional responsável pela supervisão bancária. Visa
"promover a cooperação entre os bancos centrais e outras agências na busca de estabilidade
monetária e financeira". Sediado em Basileia, na Suíça, reúne 55 bancos centrais de todo o
mundo.
 28

갢⣰§ •ã ¶âíë
%& =
°£âßë £ë£°§
§®êíëç íã£â•ëç
%' =
°£âßë £ë£°§
§®êíë °©£ãç •ã ä®íëç ã âà¢ëç£ë •ã íã©•°
%( =
°£âßë £ë£°§
ß°§ëí •ã àãíê°•ë •ë ¢°£íâàô©âë §í´®â•ë
%) =
ß°§ëí êë©£á¨â§ •ë ã≠â¶íß㧠£ë£°§
ßã©•°ç
%* =
°£âßë £ë£°§

Altman (1968) descreve os indicadores utilizados da seguinte maneira:

• Capital de giro divido por ativo total (%& ) é uma medida de liquidez da

empresa relativa a sua capitalização total. O capital de giro é definido

como a diferença entre os ativos correntes e os passivos correntes.

• Lucro retido dividido por ativo total (%' ): Lucros retidos é considerado

como o valor total de lucros ou (prejuízos) que não foram distribuídos por

meio de dividendos e, por consequência, valores considerados reinvestidos

na empresa. As empresas com lucro retido alto relativamente ao seu ativo

total, financiam seus investimentos através de capital próprio, e não

através de empréstimos. Contudo, esta variável, neste estudo, será

alterada para uma melhor adequação à forma contábil utilizada no Brasil.

Altman e Ribeiro-Dias (1979) utilizaram a seguinte variável:

©ãë ã≠â¶íß㧠− 갢⣰§ °¢ëí£°•ë ¢ã§ëç °êâë©â磰ç

%' = (5)
°£âßë £ë£°§

Dado que no Brasil há uma diferença de critério contábil de incorporação

dos lucros ao capital, com distribuição de bonificações em ações e ajustes

para corrigir a inflação, acaba-se por não ter um equivalente exato aos
 29

lucros retidos na forma contábil americana. Desta forma, os autores

Altman e Ribeiro-Dias (1979), em seu estudo, utilizaram o não-exigível

menos capital aportado pelos acionistas pois este representa o aumento de

capital por subscrição.

• Lucro antes de juros e imposto de renda divido por ativo total (%( ): Este

indicador mede a verdadeira lucratividade da empresa, independente de

alíquotas de impostos e dívidas. Este indicador é baseado na capacidade da

empresa de gerar lucro com os seus ativos. Logo, para se verificar se a

empresa entrará em concordata ou não, esta informação mostra-se de

extrema importância, Altman (1968).

• Valor de mercado do patrimônio líquido dividido pelo valor contábil do

exigível total (%) ): Valor de mercado da empresa mostra o quanto o valor

da empresa pode diminuir em valor até esta se tornar insolvente. O valor

de mercado das ações serve também como uma proxy dos valores dos ativos

da empresa. Contudo, como foi utilizada uma amostra de empresas cujo

capital não necessariamente é negociado na bolsa de valores (capital

fechado), não há como se obter este dado. Logo, este indicador será

substituído da mesma maneira utilizada por Altman e Dias-Ribeiro (1979):

ß°§ëí êë©£á¨â§ •ë ¢°£íâàô©âë §í´®â•ë

%) = (6)
ß°§ëí êë©£á¨â§ •ë ã≠â¶íß㧠£ë£°§

• Vendas dividido pelo ativo total (%* ):Este indicador, conhecido como “giro
do capital”, é uma medida que mostra a capacidade da empresa em gerar
vendas sobre os seus ativos. É também uma medida para se verificar a
capacidade da administração em relação à concorrência. Este indicador
tem uma pequena significância estatística, mas a sua relação com as
outras variáveis faz com que seja extremamente importante para o modelo.
 30

ß°§ëí •°ç Æã©•°ç

%* = (7)
ß°§ëí •ë Ø£âßë £ë£°§

Figura 02: Função do Modelo de Altman para os modelos Z-Core e Z’-Score

Z Score (1968) Z’ Score (1983)

∞ ô : Capital de Giro / Total do Ativo
∞ ö : Lucros Retidos / Total do Ativo
∞ ù :EBIT / Total do Ativo
∞ ú :Valor de Mercado da Empresa / Valor
Contábil das Dívidas Totais
∞ † : Vendas / Total do Ativo
X& : Capital de Giro / Total do Ativo
X ' :Lucros Retidos / Total do Ativo
X ( :EBIT / Total do Ativo
X ) :Valor de Mercado da Empresa / Valor das
Dívidas Totais
X * : Vendas / Total do Ativo

Fonte: Altman (1968 pg. 595) Fonte: Altman (1983 pg. 122)

Nos dois casos a função linear foi definida da seguinte forma:

! ¥ = 0.717%& + 0.847%' + 3.10%( + 0.420%)

! = 1.2%& + 1.4%' + 3.3%( + 0.6%) + 0.999%* (8)
+ 0.998%* (9)

Fonte: Altman (1968 pg. 603) Fonte: Altman (1983 pp. 122)

A interpretação do modelo Z-Score de Altman (1968) é obtido da seguinte

forma:

Figura 03: Áreas de Classificação Modelo Z-Score

Área de Insolvência Área de Cinza Área de solvência

(alto risco de concordata) (Resultado Incerto) (baixo risco de concordata)
ó < ô, ∂ô ô, ∂ô < ó < ö. üü ó > ö, üü
1,81 2,675 2,99

! − ∑®£ë∏∏
Fonte: Altman e Hotchkiss (2006, p. 314)

Para valores em que o resultado de Z é inferior a 1,81, há um alto risco de

a empresa vir a ser concordatária; já para valores onde Z se encontre entre 1,81 e

2,99 o resultado preditivo do risco de inadimplência é incerto; e, para valores

 31

onde o resultado de Z é superior a 3,0 a empresa tem um baixo risco de vir a ser

concordatária.

Altman (1983), então, formulou modelo Z’’-Score da seguinte maneira:

Figura 04: Função do Modelo de Altman para os modelos Z-Core e Z’-Score

Z’’ Score (1983 / 1995)
∞ ô : Capital de Giro / Total do Ativo
∞ ö :Lucros Retidos / Total do Ativo
∞ ù :EBIT / Total do Ativo
∞ ú :Valor de Mercado da Empresa / Valor das Dívidas Totais

ó = ù. ö† + û. †õô + ù. öûõö + û. πöõù + ô. ò†õú (ôò)

Fonte: Altman, Hartzell e Peck (1995 p. 3)

Conforme exposto acima, neste estudo, algumas modificações serão feitas

na formulação dos indicadores e, por consequência, na fórmula final do Z-Score.

Há duas justificativas para esta decisão: a utilização de dados não públicos

acarreta na falta do dado de valor de mercado da empresa e; diferenças de

padrões contábeis entre o Brasil e Estados Unidos que, por consequência,

necessitam de uma adaptação, levando à substituição da variável Lucros Retidos

por Não Exigível menos Capital Aportado pelos Acionistas.

 32

4 METODOLOGIA ESTATÍSTICA

Neste estudo serão utilizadas duas metodologias estatísticas: a análise

discriminante múltipla (AMD) e a regressão logística.

4.1 Análise Discriminante Múltipla

Segundo Hair et al. (2005), a técnica AMD é utilizada quando a variável

que se quer verificar na pesquisa estatística é uma categoria dependente, ou seja,

qualitativa (não métrica) e as variáveis independentes são quantitativas

(métricas).

Esta análise estatística busca determinar uma variável estatística através

de uma combinação linear de variáveis independentes que discriminarão melhor

dois ou mais grupos previamente definidos.

A discriminação é obtida através de pesos da variável estatística para cada

variável, com o objetivo de maximizar a diferença entre os grupos. Esta

combinação linear é o que determina a função discriminante, na qual se busca

calcular um escore, também conhecido como Z-Score.

Na metodologia de análise discriminante múltipla, os pesos atribuídos aos

índices ou coeficientes (α, β) são calculados por processos estatísticos e excluem

qualquer subjetividade do modelo ou do analista estatístico. O modelo da função

linear discriminante é dado da seguinte forma:

! = ° + ∫& %& + ∫' %' + ∫( %( +...+∫É %É (11)

Onde Z é a variável; dependente/categórica, a é o intercepto da função

quando todo %ª = 0, ∫É é o coeficiente discriminante ou a capacidade que cada

 33

variável independente tem em discriminar e %É são as variáveis independentes

do modelo ou da função discriminante.

O escore crítico, segundo Hair et al. (2005), pode ser calculado com
amostras de população com o mesmo tamanho ou com tamanhos diferentes. Dado
que neste estudo a amostra tem tamanhos diferentes, a fórmula a ser utilizada
para o Z-score crítico será:

©' !& + ©& !'

º∑Ö = (12)
©& + ©'

Onde: ©& número de elementos da população 1; ©' número de elementos da

população 2; !& a média dos valores da função discriminante da população 1; e !'

a média dos valores da função discriminante da população 2.

O resultado deste Z-Score discriminante é calculado para cada

indivíduo/empresa da amostra. Calculando-se a média dos grupos são obtidos os

centróides que, por sua vez, tornam-se o ponto de comparação para a

determinação sobre em qual grupo o indivíduo ou empresa será classificado.

Desta forma, faz-se possível determinar um critério de corte, o qual poderá será

comparado com o escore Z discriminante.

Altman (1968) utilizou esta metodologia para o cálculo do escore Z com o

objetivo de identificar estatisticamente as variáveis que discriminam grupos de

empresas, que são definidos como: 1. empresas que pagarão os seus empréstimos

(não concordatárias) ou 2. empresas que não pagarão seus empréstimos

(concordatárias).

Assim, o objetivo foi o de elaborar previsões a respeito de uma nova

observação, identificando o grupo mais adequado ao qual ela deverá pertencer,

em função de suas características.

 34

Para alcançar esse objetivo, a AMD gera funções discriminantes

(combinações lineares das variáveis) que ampliam a discriminação dos grupos

descritos pelas variáveis dependentes, segundo Fávero et al. (2009).

O uso da metodologia multivariada construída com base nos valores de

medidas univariadas de nível de índices e categorias, possibilita uma

comparabilidade entre empresas de mesmo setor e também facilita e cria uma

metodologia única para a avaliação do tomador de crédito.

4.2 Modelo Estatístico de Regressão Logística

Outra metodologia estatística que será utilizada é o modelo estatístico de

regressão logística. A regressão logística é utilizada para a previsão e explicação

de uma variável dependente binária. No caso em questão há empresas

concordatárias categorizadas como 1 (um) na amostra e empresas não

concordatárias caracterizadas com o número 0 (zero). Desta forma, a variável

concordata, neste estudo, é definida como uma variável binária, concordatária e

não concordatária.

Como a metodologia da regressão logística tem por objetivo definir a

probabilidade de ocorrência, ou não, de um certo evento. O resultado da regressão

logística irá, portanto, variar entre 0 e 1.

Para se determinar a probabilidade através desta metodologia, utiliza-se a

seguinte fórmula:

1
Ω I=1 = (13)
1+ ã J æø∑¡¬ √¬
 35

Onde os termos α e βi, no modelo, são parâmetros estimados pelo método

da máxima verossimilhança (maximiza a probabilidade de obter o grupo

observado de dados).
 36

5 DESCRIÇÃO DA BASE DE DADOS AMOSTRAL

Como citado anteriormente, neste estudo, a amostra utilizada para os

cálculos compreende dados de 10.000 empresas, no período de 2011 a 2016.

Contudo, foram selecionados os dados de empresas cujo faturamento anual seja

superior a R$25 milhões e ou ativo igual superior a R$50 milhões, no período

compreendido entre 2011 a 2016, sendo estas de capital aberto ou fechado.

A motivação para limitação do número de empresas a serem estudadas,

advém de que há dúvidas sobre a acuracidade dos dados contábeis de empresas

cujo faturamento é pequeno e, portanto, podendo colaborar para um desvio nos

resultados.

Adicionalmente a este fator, há também a volatilidade das informações

contábeis, o que pode vir a desvirtuar o modelo, uma vez que pequenas e médias

empresas podem ser muito suscetíveis a alterações de mercado e ou comerciais,

que produzam mudanças significativas nos balanços destas empresas.

Isto posto, a amostra foi limitada a 3.348 empresas. Destas, de forma

randômica, foram selecionadas 1.229 empresas, das quais 200 empresas

concordatárias e 1.029 não concordatárias.

Há alguns motivos para a seleção amostral de 1.229 empresas:

1. Exclusão de empresas que, durante o período selecionado,

tiveram uma mudança para um porte menor a 4, isto é

faturamento menor do que o pré-defino anteriormente;

2. Exclusão de empresas que se mostraram outliers para os

indicadores da modelagem do Z’’-Score;

3. Manter-se um mesmo percentual de empresas concordatárias e

não concordatárias, durante os seis anos da amostra.

 37

Os dados foram extraídos da base de informações da Serasa Experian, que

como empresa líder mundial em serviços de informação, fornece dados e

ferramentas de análise a clientes ao redor do mundo.

Na Tabela 01 há o descritivo de como as empresas incluídas na amostra

foram categorizadas por tamanho de pessoa jurídica. Logo, conforme exposto

acima, foram utilizadas as empresas categorizadas entre 4 e 6, entre os anos de

2011 a 2016.

Tabela 01: Porte pessoa jurídica

Fonte: Serasa Experian

A Tabela 02 apresenta a composição do porte das empresas selecionadas

na amostra durante o período e também a proporção de empresas concordatárias

e não concordatárias.

Tabela 02: Porte das empresas selecionadas

Porte / Ano 2011 2012 2013 2014 2015 2016
Não Concordatária 1029 1029 1029 1029 1029 1029
4 426 355 270 233 200 190
5 469 525 563 583 595 584
6 134 149 196 213 234 255
Concordatária 200 200 200 200 200 200
4 67 86 70 86 83 71
5 112 86 91 80 72 97
6 21 28 39 34 45 32
Grand Total 1229 1229 1229 1229 1229 1229

Fonte: o autor
 38

Da amostra de 1.229 empresas, extraiu-se um total de 7.374 dados, sendo

que para o desenvolvimento das equações, por meio das regressões análise

discriminante múltipla e logística, a amostra foi dividida de forma randômica em

uma proporção 70/30: 70% para o desenvolvimento das equações e 30% para a

elaboração de testes posterior das equações elaboradas.

Tabela 03: Distribuição da amostra selecionada

2,011 2,012 2,013 2,014 2,015 2,016 Total
Desenvolvimento 865 891 863 840 854 848 5,161
Não Concordatária 726 745 722 704 706 712 4,315
Concordatária 139 146 141 136 148 136 846
Teste 364 338 366 389 375 381 2,213
Não Concordatária 303 284 307 325 323 317 1,859
Concordatária 61 54 59 64 52 64 354
Total 1,229 1,229 1,229 1,229 1,229 1,229 7,374

Fonte: o autor
 39

6 PROPOSIÇÃO DE EQUAÇÕES COM BASE AMOSTRAL

Com a utilização da amostra foram elaboradas dois modelos, uma com base

nos modelos estatísticos de análise discriminante múltipla e uma com regressão

logística.

Os indicadores para a determinação das fórmulas produzidas são os

mesmos indicadores elaborados por Altman (1983), Z’’-Score, e adaptados aos

padrões contábeis do Brasil, em conformidade com a pesquisa elaborada por

Altman e Dias-Ribeiro (1979).

Tomou-se esta decisão, pois o principal objetivo desta pesquisa é a

verificação da aplicabilidade deste modelo e compará-lo com uma nova

formulação baseada em dados contábeis de empresas brasileiras atuais.

Adicionalmente, comparar a metodologia de Análise Discriminante Múltipla com

a metodologia de regressão Logística, com o objetivo de se verificar a efetividade

da Análise Discriminante Múltipla.

Consequentemente, os parâmetros utilizados para o cálculo das equações

são:

%& : Capital de Giro / Total do Ativo

%' : Não Exigível - Capital Aportado pelos Acionistas / Total do Ativo

%( : EBITA / Total do Ativo

%) : Valor Contábil do patrimônio Líquido / Valor das Dívidas Totais

A regressão obtida por meio da análise discriminante produziu o seguinte

resultado:
 40

Tabela 04: Resultado Regressão Análise Discriminante Múltipla

Canon. EIGEN- Variance Likelihood

FCN Prob>F
Corr. VALUE Prop. Cumul. Ratio F df1 df2

1 0,3374 0,128479 1,000 1,000 0,8861 165,61 4 5156 0.000

Estrutura Canônica:
%& 0,9184075
%' 0,1426230
%( 0,5169494
%) 0,4072370
Fonte: o autor

Utilizando-se os coeficientes do resultado da estrutura canônica, a equação

a ser utilizada para o cálculo do Z-Score ficou com a seguinte formulação:

Z = X& ∗ 0.9184075 + X' ∗ 0.142623 + X( ∗ 0.5169494 + X) ∗ 0.407237 (14)

E empregando-se a fórmula de cálculo Escore Crítico, Hair et al.(2005),

com os coeficientes estimados e as estatísticas extraídas da base de dados, o

resultado obtido é:

©' !& + ©& !' 846 ∗ 0,9671 + (4.315 ∗ 0.0129387)

!ê = = (15)
©& + ©' (846 ∗ 4.315)

ó≈ = ò, ôûüù†

Desta maneira, chamaremos esta fórmula, elaborada neste estudo, com a

metodologia de Análise Discriminante Múltipla e os indicadores contábeis

selecionados por Edward I. Altman (1983) no seu Modelo Z’’-Score (1983), de

Modelo !" -Score, onde a fórmula é:

 41

!"-Score = X& ∗ 0.9184075 + X' ∗ 0.142623 + X( ∗ 0.5169494 + X) ∗ 0.407237 (16)

Com base no resultado do Z crítico da modelagem e a tabela de Ratings

S&P, Z-Score, elaborado por Altman (2005), produziu-se uma tabela similar de

Rating, como mostrado na figura 04.

Figura 05: Z Crítico Modelo !" -Score vs. S&P Rating

Fonte: o autor

Posteriormente, estes Ratings foram usados para análise da validade do modelo

de Análise Discriminante Múltipla.

A Regressão Logística, nos mesmos dados, e com as mesmas variáveis

aplicadas na análise discriminante múltipla, produziu o seguinte resultado:

 42

Tabela 05: Resultado Regressão Logística

Numero de Observações= 5161 Wald chi2(4) = 427,45
Log Likelihood = -1920,9094 Prob>chi2 = 0,000
FlProcRec
Coef. Std. Err. Z P>|Z| [95% Conf. Interval]
JudCon
%& -1,359784 0,159760 -8.51 0,000 -1,67290 -1,04666
%' -6,974396 1,647074 -4.23 0,000 -10,2026 -3,74619
%( -1,310592 0,274955 -4.77 0,000 -1,84946 -0,77168
%&) -0,853534 0,084290 -10.13 0,000 -1,01874 -0,68332
_êë©ç -0,992704 0,525022 -18.91 0,000 -1,09560 -0,88980
Fonte: o autor
Logo, utilizando-se os coeficientes do resultado da regressão logística, a

equação a ser utilizada para o cálculo da probabilidade ficou com a seguinte

formulação:
1
Ω I=1 = (17)
1+ ã J æø∑¡¬ √¬

1
Ω I=1 = (18)
1+ ã J J«.»»'…ø L ∗J&.(*»…À)ø à ∗Õ.»…)(»Õø Œ ∗J&.(&«*»'ø œ ∗J«.À*(*((»

Figura 06: Probabilidade Regressão Logística vs. S&P Rating

Fonte: o autor

Para este modelo será assumido um ponto de corte de 60% para definir a

classificação entre empresas concordatárias e não concordatárias. Esta premissa

será usada para a análise comparativa entre os três modelos.

 43

7 ANÁLISE DOS RESULTADOS

Conforme exposto anteriormente, os resultados aqui apresentados são

respostas à aplicação de três modelos. O primeiro modelo é o Z’’-Score de Altman

(1983), o qual chamaremos de Z’’-Score Altman; o segundo modelo, que foi

elaborado neste estudo, com a mesma metodologia do Z’’-Score, de Altman (1983,

2005), através de Análise Discriminante Múltipla e com dados da amostra desta

pesquisa, que denominamos anteriormente, neste estudo, de: Modelo !" -Score e;

um terceiro modelo, que também foi elaborado neste estudo, com os mesmos

indicadores de Altman (1983), através da regressão Logística, o qual

denominaremos de: Modelo Logit.

O modelo que apresentou o menor erro de classificação das empresas foi o

Modelo Logit, com 15% de erro. O modelo Z-Score Altman obteve 16%; e o Modelo

!"-Score, 26% de erro. Na tabela 04 encontra-se o detalhamento de erros e

acertos das previsões dos modelos.

Tabela 06: Classificação das empresas concordatárias e não concordatárias

Classificação das empresas concordatárias e não-concordatárias
Z''-Score Modelo Modelo
Altman Zκ-Score Logit
Amostra Completa 7,374 7,374 7,374
Concordatária / Não Concordatária 6,165 5,466 6,258
(acerto) 84% 74% 85%
Concordatária / Não Concordatária 1,209 1,908 1,116
(erro Tipo I e Tipo II) 16% 26% 15%
Amostra de desenvolvimento 5,161 5,161 5,161
Concordatária / Não Concordatária 4,332 3,832 4,391
(acerto) 84% 74% 85%
Concordatária / Não Concordatária 829 1,329 770
(erro Tipo I e Tipo II) 16% 26% 15%
Amostra Teste 2,213 2,213 2,213
Concordatária / Não Concordatária 1,833 1,634 1,867
(acerto) 83% 74% 84%
Concordatária / Não Concordatária 380 579 346
(erro Tipo I e Tipo II) 17% 26% 16%

Fonte: o autor
 44

Efetuando-se um teste estatístico de proporção nos três modelos: Z’’-Score

Altman, Modelo !" -Score e Modelo Logit, pode-se verificar, com 95% de

confiança, que o erro em relação ao total da população não é superior a 17,12%

para o Z’’-Score Altman; 26,72% para o Modelo !" -Score; e 15,89% para o Modelo

Logit.

Teste estatístico de proporcionalidade: neste teste busca-se verificar se a

proporcionalidade do erro da previsão é compatível com o percentual de erro

esperado.

–« : — = —« ë©•ã —« e

–Ä : — < —« ë©•ã —«

Onde:

(— − —« )
!Å = (19)
(—« ∗ (1 − —« )
“

Tabela 07: Teste estatístico de proporcionalidade para total da amostra

Z''-Score Modelo Modelo
Altman Zκ-Score Logit
Erro 1,209 1,908 1,116
n 7,374 7,374 7,374

16.40% 25.87% 15.13%

17.12% 26.72% 15.83%

Z Normal (1.64) (1.64) (1.64)

Confidence Level 95% 95% 95%

Fonte: o autor
 45

Contudo, há a necessidade de se diferenciar o erro estatístico nas

estimativas, uma vez que a relevância de se classificar uma empresa como

concordatária, quando na realidade esta empresa não é concordatária é

profundamente diferente de se classificar uma empresa como não concordatária,

quando esta é concordatária, para fins de tomada de decisão.

Isto porque, a classificação de uma empresa não saudável em saudável é

excessivamente ruim para o agente que está disponibilizando crédito, dado que a

probabilidade de não recebimento deste crédito é demasiadamente superior.

Considerando o risco de se incorrer em erros nas estimativas, pode-se

distinguir estes erros em duas categorias: Tipo I ou Tipo II, segundo Stevenson

(1981) “[...] comete-se um erro Tipo I, rejeitando–se H« quando H« é verdadeira. A

probabilidade de um erro Tipo I é igual ao nível de significância de um teste de

hipótese. Comete-se um erro Tipo II aceitando-se H« quando ela não é

verdadeira.”

Utilizando a mesmo argumento de Altman (1977), é considerado que o erro

Tipo I refere-se a empresas concordatárias, classificadas como não

concordatárias; e o erro tipo II refere-se a empresas não concordatárias,

classificadas como concordatárias.

Diferenciando os tipos de erro nas estimativas, pode-se verificar que o erro

Tipo I é altamente superior ao erro Tipo II para os três modelos. E, uma

consideração que torna este ponto ainda mais relevante ao se utilizar estes

modelos é que, para os provedores de crédito, o erro Tipo I é mais importante que

o erro Tipo II.

Os dados da tabela 06 mostram os percentuais do erro Tipo I por modelo. O

modelo Logit é o que apresenta o pior resultado, neste caso, com 88% de erro. Já o
 46

modelo Z’’-Score Altman tem um erro de 73%; e o Modelo !" -Score é o que

apresenta o melhor resultado, com 41% de erro.

Tabela 08: Classificação das empresas concordatárias (erro Tipo I)

Empresas concordatárias classificadas conforme modelos
Z''-Score Modelo Modelo
Altman Zκ-Score Logit
Amostra Completa 1,200 1,200 1,200
Concordatária 321 707 150
(acerto) 27% 59% 13%
Não Concordatária 879 493 1,050
(erro Tipo I) 73% 41% 88%
Amostra de desenvolvimento 846 846 846
Concordatária 243 504 119
(acerto) 29% 60% 14%
Não Concordatária 603 342 727
(erro Tipo I) 71% 40% 86%
Amostra Teste 354 354 354
Concordatária 78 203 31
(acerto) 22% 57% 9%
Não Concordatária 276 151 323
(erro Tipo I) 78% 43% 91%

Fonte: o autor

Em contrapartida, os erros Tipo II são os que apresentaram menos

problemas nos modelos, tendo o Modelo Logit apresentado 1% de erro Tipo II; Z’’-

Altman, com 5%; e o Modelo !" -Score com 23%. Na tabela 07 apresentam-se os

detalhes dos erros Tipo II.

 47

Tabela 09: Classificação das empresas não-concordatárias (erro Tipo II)

Classificação da empresas não concordatárias conforme modelos
Z''-Score Modelo Modelo
Altman Zκ-Score Logit
Amostra Completa 6,174 6,174 6,174
Não Concordatária 5,844 4,759 5,844
(acerto) 95% 77% 95%
Concordatária 330 1,415 66
(erro Tipo II) 5% 23% 1%
Amostra de desenvolvimento 4,315 4,315 4,315
Não Concordatária 4,089 3,328 4,272
(acerto) 95% 77% 99%
Concordatária 226 987 43
(erro Tipo II) 5% 23% 1%
Amostra Teste 1,859 1,859 1,859
Não Concordatária 1,755 1,431 1,836
(acerto) 94% 77% 99%
Concordatária 104 428 23
(erro Tipo II) 6% 23% 1%

Fonte: o autor

Uma outra forma de se analisar a validade dos modelos é verificando-se a

classificação dos modelos vis-à-vis os Ratings S&P. Visto que na tabela de ratings

elaborado por Altman (2005) há três áreas de classificação de solvência,

possibilita-se uma maior sensibilidade na análise dos resultados.

A primeira área onde os ratings variam de AAA até BBB é considerada a

área de solvência, isto é, empresas não concordatárias. A segunda área, chamada

de cinza, onde há dúvidas na classificação de solvência e insolvência dos ratings,

que variam entre BBB- até B. E; por último, a área classificada como insolvente e

que tem ratings que variam de B- até D.

Conforme descrito anteriormente, utilizaremos as classificações dos ratings

por modelo para analisar melhor a acuracidade dos mesmos.

Na amostra, de um total de 7.374 dados de empresas, 1.200 são de

empresas concordatárias ou 16,27% do total. Utilizando-se o Modelo Z’’ Altman, a

classificação das empresas ficou da seguinte maneira: 2.324 estão classificadas na

 48

categoria de área de Insolvência, ratings B, B-,CCC, CCC- e D, ou seja, Z”-Score

inferior a 4,15, sendo que destas, 716 são concordatárias.

Na Área Cinza há 1.784 empresas, com rating variando entre B+ e BBB-.

As empresas compreendidas nesta área são empresas que não são possíveis de se

classificar se são ou não concordatárias, conforme a metodologia de previsão Z-

Score (Altman, 2005).

E, há também na amostra 3.276 empresas classificadas na área de

solvência, isto é, Z’’-Score superior a 5,83 e ratings que variam entre BBB a AAA.

Contudo, 200 empresas com esta classificação são concordatárias.

A mesma metodologia foi feita para os outros dois modelos, sendo que o

resultado para o Modelo !" -Score foi: 3.514 classificadas na área de insolvência;

779 na área cinza; e 3.081 na área de solvência, sendo que destas, 172 são

concordatárias.

Para o Modelo Logit o resultado encontrado foi: 31 empresas classificadas

na área de insolvência; 134 na área cinza; e 7.209 na área de solvência, sendo que

destas, 1.074 são concordatárias.

Na tabela 08 disponibiliza-se o detalhamento do resultado da classificação

dos ratings vis-à-vis o Score de cada modelo.

 49

Tabela 10: Classificação das empresas conforme rating

Fonte: o autor

Considerando o erro Tipo I (empresas concordatárias, porém, classificadas

como não-concordatárias), somente com a área de solvência, os percentuais deste

erro para os modelos são: Z’’-Score Altman: 2,7%; Modelo !" -Score: 2,3%; e para o

modelo Logit: 14,6%.

E, considerando-se a área de insolvência como o acerto, quando o modelo

classifica corretamente as empresas concordatárias, os percentuais apresentados

são: 9,7% para o Modelo Z’’-Score Altman; 12,7% para o Modelo !" -Score; e 0,4%

para o modelo Logit.

 50

Complementando a análise de solvência e rating, na tabela 09 há uma

análise por porte das empresas. Pode-se verificar uma melhor classificação

quanto ao tamanho da empresa, ou seja, quanto maior o porte da empresa,

melhor foi o resultado apresentado dos modelos, tanto para a diminuição do erro

Tipo I, quanto também para o acerto na classificação de empresas concordatárias.

Para empresas de porte Grande (06), isto é, empresas cujo ativo ou

faturamento anual é superior a R$250 milhões, o modelo que apresenta o pior

resultado é o Modelo Logit, com um percentual de erro Tipo I de 12,8% e, no

acerto, de 1%.

O Modelo Z’’-Score Altman apresenta um percentual de erro Tipo I de

1,5%, e de acerto de classificação de 71%.

Já o Modelo !" -Score, desenvolvido neste estudo, foi o modelo que teve o

melhor resultado apresentado, com um percentual de erro Tipo I de 1,5% e com

acerto de classificação de 82%.

Tabela 11: Classificação das empresas conforme rating

Fonte: o autor
 51

8 CONCLUSÃO

Neste estudo, o principal objetivo foi a verificação se a utilização do Modelo

Z’’-Score, desenvolvido por Altman (1983, 2005), é válida para as empresas

brasileiras, tanto de capital fechado, como de capital aberto para os tempos

atuais.

Como exposto na Análise dos Resultados, item 7, conclui-se que o Modelo Z’’-

Score de Altman (1983, 2005) apresentou-se válido, uma vez que após os testes

com a amostra de 7,374 dados, o resultado apontou acerto na previsão de

empresas concordatárias e não concordatárias de 84%.

Outro objetivo proposto para este estudo foi a atualização da equação do

Modelo Z’’-Score, de Altman (1983, 2005), com base em dados de empresas

brasileiras. Neste estudo, esta atualização da equação recebeu a denominação

Modelo !" -Score, desenvolvido pelo autor; e, adicionalmente, como objetivo,

comparar a acuracidade da modelagem estatística realizada por Análise

Discriminante Múltipla com a de Regressão Logística, aqui chamada de Logit.

Os três modelos, Z’’-Score, !" -Score e Logit apresentaram resultados muito

satisfatórios para a classificação das empresas concordatárias e não

concordatárias, com percentuais de acerto variando de 74% para o Modelo !" -

Score; 84% para o Z’’-Score; e 85% para o Modelo Logit.

Contudo, ao contrário do que se possa concluir, o Modelo Logit, que foi

elaborado neste estudo utilizando a Regressão Logística, não é melhor que os

modelos elaborados por meio de análise discriminante múltipla para a

classificação de empresas concordatárias, uma vez que, ao se avaliar mais

profundamente os resultados obtidos neste estudo, verifica-se que o percentual de

erro Tipo I é muito elevado para este modelo na comparação com os demais

modelos.
 52

Esta análise mostra-se de alta relevância, na medida em que se encontra

maior aplicabilidade para estes modelos de previsão de risco de crédito de acordo

com sua capacidade de melhor classificar as empresas concordatárias e

minimizar os erros Tipo I.

Desta forma, utilizando a classificação por rating, como a elaborada por

Altman (2005)2, e as classificações por rating baseadas nesta mesma metodologia

para os demais modelos3, conclui-se que a metodologia de Análise Discriminante

Múltipla tem uma melhor resposta de classificação do que a Regressão Logística.

Além disso, os resultados obtidos com a fórmula atualizada desenvolvida

neste estudo, !" -Score, têm ainda um melhor acerto de classificação, conforme os

testes realizados, uma vez comparados com o Modelo Z’’-Score de Altman (1983,

2005) e o Modelo Logit.

Considerando-se somente a área de solvência como principal ponto para se

verificar a precisão de classificação dos modelos, o percentual do erro Tipo I dos

modelos elaborados por Análise Discriminante Múltipla para as empresas de

maior porte apresentam-se abaixo de 2%. Pode-se inferir, desta maneira, que os

Modelos Z’’-Score e !" -Score conseguem um nível de acerto de 98% para a

classificação de empresas de maior porte e de 95% para a classificação de

empresas médias (04).

Outra consideração a ser feita a respeito dos modelos elaborados através da

metodologia estatística de Análise Discriminante Múltipla refere-se também ao

percentual de acerto na classificação da área de insolvência.

2
Figura 01: Z’’-Score vs. S&P Rating
3
Figuras : 06: Z Crítico Modelo !" -Score vs. S&P Rating e 08: Probabilidade Regressão
Logística vs. S&P Rating
 53

Usando a mesma metodologia de classificação de ratings, é possível verificar

que o percentual de empresas concordatárias classificadas corretamente na área

de insolvência é muito superior ao modelo elaborado por Regressão Logística.

Neste aspecto, o Modelo Z’’-Score Altman teve um acerto de classificação de

71%, enquanto o Modelo !" -Score obteve um acerto de 82%, excluindo-se a área

cinza ou área de difícil classificação.

Assim sendo, a partir destas considerações, pode-se afirmar que os objetivos

deste estudo foram alcançados. Portanto, o Modelo Z’’-Score, de Edward I.

Altman, é aplicável para a previsão de risco de crédito para empresas brasileiras

de grande porte, sejam estas de capital fechado ou aberto.

E, uma fórmula com novos Betas (∫y ) para o Z-Score de Altman (1983, 2005)

foi elaborada, a qual denominou-se de !" -Score, sendo esta também aplicável

para a previsão de risco de crédito para empresas brasileiras de capital fechado e

de capital aberto, e tendo apresentado melhor resultado na previsão de risco de

crédito.
 54

REFERÊNCIAS BIBLIOGRÁFICAS

ALMEIDA, Josemir R. e RODRIGUES, Elisângela da S. "Análise Discriminante:

Critérios para alocação de novas observações ás populações correspondentes."
2012.

ALTMAN, Edward I.; Financial Ratios, Discriminant Analysis and The

Prediction of Corporate Bankruptcy, Journal of Finance, 23(4) pp 586-609,
1968.

ALTMAN, Edward I.; HALDEMAN; Robert G. e NARAYANAN, P. “Zetaâ

Analysis: A New Model to Identify Bankruptcy Risk of Corporations, Journal of
Banking & Finance, pp 29-54 Junho 1977.

ALTMAN, Edward I; BAIDYA, Tara K. N e DIAS, Luiz Manoel Ribeiro. Previsão

de problemas financeiros em empresas. Rev. Administração de
Empresas, São Paulo , v. 19, n. 1, p. 17-28, Mar. 1979.

ALTMAN, Edward I. e SPIVACK, J. Predicting Bankruptcy: The Value Line

Relative Financial Strength System vs. The Zeta® Bankruptcy Classification
Approach. Financial Analysts Journal. 39, 6, 60-67, Nov. 1983

ALTMAN, Edward I. Predicting Financial Distress of Companies: Revisiting the

Z-score and Zetaâ Models, New York: Stern Business School, New York
University, Julho, 2000.

ALTMAN, Edward I. An emerging market credit scoring system for corporate

bonds. Emerging markets review, v. 6, n. 4, p. 311-323, 2005.

ALTMAN, Edward I.; e SABATO, G. Modelling Credit Risk for SMEs: Evidence
from the U.S. Market. Abacus, 43(3), 332–357, 2007.

ALTMAN, Edward I.; DANOVI A. e FALINI, A., Z-Score Models' Application to

Italian Companies Subject to Extraordinary Administration, Journal of
Applied Finance (Formerly Financial Practice and Education), Vol. 23,
No. 1, 2013
 55

ALTMAN, E. I.; IWANICZ-DROZDOWSKA, M.; LAITINEN, E. K. e SUVAS, A.,

Distressed Firm and Bankruptcy Prediction in an International Context: A
Review and Empirical Analysis of Altman's Z-Score Model, Agosto, 2014.

BALCAEN, Sofie; OOGHE, Hubert. 35 years of studies on business failure: an

overview of the classic statistical methodologies and their related problems. The
British Accounting Review, v. 38, n. 1, p. 63-93, 2006.

Bank for International Settlements (BIS) and International Organization of

Securities Commissions (IOSC) - Principles for financial market infrastructures,
(Abril, 2012).

BEAVER, WILLIAM H. Financial Ratios as Predictors of Failure, Journal of

Accounting Research. Supplement, Vol. 4, Issue 3, p71-111. 41p. 1966.

BEAVER, WILLIAM H. Alternative accounting measures as predictors of failure.

The Accounting Review, vol. 43, no. 1, pp. 113–122, 1968.

BEAVER, William H.; MCNICHOLS, Maureen F. e RHIE , Jung-Wu,. Have

Financial Statements Become Less Informative? Evidence from the Ability of
Financial Ratios to Predict Bankruptcy. Review of Accounting Studies. 10, 1,
93-122, Mar. 2005.

BLACK Fischer e SCHOLES, Myron The pricing of options and corporate

liabilities. Journal of Political Economy, 81(3), 637–654, 1973.

DIMITRAS, Augustinos I.; ZANAKIS, Stelios H.; ZOPOUNIDIS, Constantin. A

survey of business failures with an emphasis on prediction methods and
industrial applications. European Journal of Operational Research, v. 90, n.
3, p. 487-513, 1996.

DOUMPOS, Michael; ZOPOUNIDIS, Constantin. A multicriteria discrimination

method for the prediction of financial distress: The case of Greece.
Multinational Finance Journal, v. 3, n. 2, p. 71, 1999.

FÁVERO, L. P.; BELFIORE, P.; SILVA, F. L.; CHAN, B. L. Análise de dados:

modelagem multivariada para tomada de decisões. Rio de Janeiro: Elsevier, 2009.
 56

HAIR, Joseph F. et al. Multivariate data analysis . Uppersaddle River.

Multivariate Data Analysis (5th ed) Upper Saddle River, 1998.

HILLEGEIST, S. A.; KEATING, E. K.; CRAM, D. P. e LUNDSTEDT, K. G..

Assessing the Probability of Bankruptcy. Review of Accounting Studies, 9(1),
pp. 5–34, 2004.

JENSEN, Herbert L. Using Neural Networks for Credit Scoring, Managerial

Finance, Vol. 18, pp.15 – 26, 1992,

KHATTREE, Ravindra; NAIK, Dayanand N. Multivariate data reduction and

discrimination with SAS software. Sas Institute, 2000.

MERTON, Robert C. On the pricing of corporate debt: The risk structure of

interest rates. The Journal of finance, v. 29, n. 2, p. 449-470, 1974.

OHLSON, James A. Financial ratios and the probabilistic prediction of

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

STEVENSON, Wiliam J.; DE FARIAS, Alfredo Alves. Estatística aplicada à

administração. 1981.

TAFFLER, Richard J. The assessment of company solvency and performance

using a statistical model. Accounting and Business Research, v. 13, n. 52, p.
295-308, 1983.

VASSALOU, Maria; XING, Yuhang. Default risk in equity returns. The Journal
of Finance, v. 59, n. 2, p. 831-868, 2004.

ZMIJEWSKI, Mark E. Methodological Issues Related to the Estimation of

Financial Distress Prediction Models. Journal of Accounting Research 22,
1984.

ZAVGREN, Christine V. The Prediction of Corporate Failure: The State of the

Art. Journal of Accounting Literature 2, 1983.