PREDIÇÃO DE INSOLVÊNCIA DE EMPRESAS ATRAVÉS DA INTELIGÊNCIA ARTIFICIAL - TÉCNICAS DE APRENDIZADO DE MÁQUINA
DOI:
https://doi.org/10.51923/repae.v9i1.292Palavras-chave:
Insolvência, Aprendizado de Máquina, Análise de Risco., Ferramenta CheckUp .Resumo
Qualquer empresa que possua um processo de tomada de decisões em relação a concessão de crédito mais ágil e com um modelo confiável servindo de apoio para as análises de insolvência das organizações terá vantagens no mercado. Assim, o objetivo deste artigo foi desenvolver e testar um modelo de predição de insolvência com base no aprendizado em máquina. A metodologia do artigo enquadra-se por meio de uma pesquisa bibliográfica, descritiva e quantitativa. Para a amostra da pesquisa foram selecionadas 24 empresas de capital aberto do setor de comércio, e a base de dados utilizada para a coleta foi a Economatica no período entre 2014 e 2019. O modelo preditivo desenvolvido está estruturado baseado em 16 variáveis preditoras, onde existem informações financeiras e não financeiras, e a verificação do modelo se faz por meio de uma análise ferramental CheckUp+. As evidências mostram que o modelo embasado na aprendizagem de máquina conseguiu alcançar bons patamares de acerto e previsibilidade nas verificações, os valores são semelhante aos modelos de previsão tradicionais baseados em análise discriminante e regressão. O trabalho é relevante, pois contribui para a teoria e para a prática com o aprimoramento dos modelos de previsões de risco, e fornece suporte para as instituições financeiras tomarem decisões mais assertivas sobre concessões de crédito.
Downloads
Referências
Camargos, M. A.; Araújo, E. A. T.; & Camargos, M. C. S. (2012). A inadimplência em um programa de crédito de uma instituição financeira pública de Minas Gerais: uma análise utilizando regressão logística. REGE - Revista de Gestão, 19(3), 473-492. DOI: https://doi.org/10.5700/rege475
Cervo, A. L.; & Bervian, P. A. (2007). Metodologia Cientifica. 6ª ed. São Paulo: Pearson Prentice Hall.
De Souza, C. A.; & Dos Santos, D. H. A. (2013). A situação econômica e financeira das empresas com negociação suspensa na BOVESPA e os modelos de previsão de falência. Revista Mineira de Contabilidade, 4(52), 6-14.
Facelli, K.; Lorena, A. C., Gama, J., Almedia, T. A.; & Carvalho, A. C. P. F. L. (2011). Inteligência Artificial Uma Abordagem de Máquina. 2ª ed. São Paulo: LTC.
Gouvêa, M. A.; Gonçalves, E. B.; & Mantovani, D. M. N. (2013). Análise de risco de crédito com aplicação de regressão logística e redes neurais. Contabilidade Vista & Revista, 24(4), 96-123. DOI: https://doi.org/10.5007/2175-8069.2013v10n20p139
Gozer I. C.; Gimenes, R. M. T.; Menezes, E. A.; De Albuquerque, A. R. P. L.; & Isotani, S. (2014). Avaliação de insolvência em cooperativas de crédito: uma aplicação de redes neurais artificiais e do sistema PEARLS. Informe Gepec, 18(1), 6-30.
Haykin, S. (2007). Redes neurais: princípios e prática. 2ª ed. São Paulo: Bookman, 2007.
Horta, R. A. M.; Borges, C. C. H.; Carvalho, F. A. A. D.; & Alves, F. J. D. S. (2011). Previsão de insolvência: Uma estratégia para balanceamento da base de dados utilizando variáveis contábeis de empresas brasileiras. Sociedade, Contabilidade e Gestão, 6(2). DOI: https://doi.org/10.21446/scg_ufrj.v6i2.13236
Horta, R. A. M.; Alves, F. J. S.; & Carvalho, F. A. A. (2014). Seleção de atributos na previsão de insolvência: aplicação e avaliação usando dados brasileiros recentes. RAM - Revista de Administração Mackenzie, 15, 125-151. DOI: https://doi.org/10.1590/S1678-69712014000100006
Horta, R. A. M.; Borges, C. C. H.; & Dos Santos Alves, F. J. (2015). Previsão de Insolvência no Setor de Materiais Básicos Aplicando Mineração de Dados. Revista Universo Contábil, 11(3), 43-62. DOI: https://doi.org/10.4270/ruc.2015321
Marconi, M. A.; & Lakatos E. M. (2021). Fundamentos da Metodologia Científica. 9ª ed. São Paulo: Atlas.
Minatto, F.; & Borba, J. A. (2022). Insolvência em clubes de futebol brasileiros: proposição de modelos baseados em redes neurais. BBR - Brazilian Business Review, 18, 624-642. DOI: https://doi.org/10.15728/bbr.2021.18.6.2
Nunes, R. V.; & Sales, G. A. W. (2020). Quais as Condições de Liquidez e Insolvência das Empresas Estatais S/A não Financeiras?. Revista de Contabilidade e Gestão Contemporânea UFF, 3(1), 76-87.
Pereira, J. M.; Domínguez, M. Á. C.; & Ocejo, J. L. S. (2007). Modelos de previsão do fracasso empresarial: aspectos a considerar. Tékhne-Revista de Estudos Politécnicos, 7, 111-148.
Pinto, A. C. (2021). O poder preditivo dos modelos com aprendizado de máquina é superior aos modelos tradicionais para análise do risco de crédito?. Revista Debates em Economia Aplicada, 1(1).
Ribeiro, E. M. S.; Neto, J. D. D. O.; Merlo, E. M.; & Mello, C. R. G. D. C. (2005). Aplicação das Redes Neurais na Concessão de Crédito - Um Estudo de Caso em uma Empresa de Consórcio. Congresso USP de Controladoria e Contabilidade, VI, Anais. São Paulo.
Santos, J. A. D. (2012). Metodologia Científica. 2ª ed. São Paulo: Cengage Learning.
Scarpel, R. A. (2005). Utilização de Support Vector Machine em previsão de insolvência de empresas. Simpósio Brasileiro de Pesquisa Operacional, XXXVII, Anais, 671-677.
Silva, J. O. da; Wienhage, P.; Souza, R. P. S. de; Bezerra, F. A.; & Lyra, R. L. W. C. de. (2012). Capacidade Preditiva De Modelos De Insolvência Com Base Em Números Contábeis E Dados Descritivos. Revista de Educação e Pesquisa em Contabilidade (REPeC), 6(3), 246–261. DOI: https://doi.org/10.17524/repec.v6i3.268
Silva, J. P. (2017). Gestão e Análise de Risco de Crédito. 9ª ed. São Paulo: Cengage Learning.
Selau, L. P. R.; & Ribeiro, J. L. D. (2009). Uma sistemática para construção e escolha de modelos de previsão de risco de crédito. Gestão & Produção, 16, 398-413. DOI: https://doi.org/10.1590/S0104-530X2009000300007
Soares, G. O. G.; Coutinho, E. S.; & Camargos, M. A. (2012). Determinantes do Rating de Crédito de Companhias Brasileiras. Revista Contabilidade Vista & Revista, 23(3), 109–143.
Soares, R. A.; & Rebouças, S. M. D. P. (2015). Avaliação do desempenho de técnicas de classificação aplicadas à previsão de insolvência de empresas de capital aberto brasileiras. Revista ADM MADE, 18(3), 40-61.
Souza, C. R. (2010). Modelos para Previsão do Risco de Crédito. 105 f. 2010. Dissertação de Mestrado, Universidade de Campinas, Campinas.
Szymanski, S. (2017). Entry into exit: insolvency in English professional football. Scottish Journal of Political Economy, 64(4), 419-444. DOI: https://doi.org/10.1111/sjpe.12134
Thomaz, C. E.; & Vellasco, M. M. (2005). Análise de Tendências de Mercado por Redes Neurais Artificiais. Congresso Brasileiro de Redes Neurais, VII, Anais, Natal.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2023 Sr. Rafael de Almeida, Prof. George Sales, Prof. Rodolfo Nunes (Autor)
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Esta obra está licenciada sob uma licença Creative Commons Atribuição - No comercial - Sin derivaciones 4.0 Internacional
1.O(s) autor(es) autoriza(m) a publicação do artigo na revista;
2.O(s) autor(es) garante(m) que a contribuição é original e inédita e que não está em processo de avaliação em outra(s) revista(s);
3.A revista não se responsabiliza pelas opiniões, ideias e conceitos emitidos nos textos, por serem de inteira responsabilidade de seu(s) autor(es);
4.É reservado aos editores o direito de proceder ajustes textuais e de adequação do artigos às normas da publicação.
1.1 Copyright Statement
This journal is licensed under a Creative Commons Attribution-Non Commercial-No Derivers 4.0 International license.
1. The author (s) authorize the publication of the article in the journal;
2. The author (s) warrant that the contribution is original and unpublished and is not in the process of being evaluated in other journal (s);
3. The journal is not responsible for the opinions, ideas and concepts emitted in the texts, as they are the sole responsibility of its author (s);
4. The editors are entitled to make textual adjustments and to adapt the articles to the standards of publication.
