ArticlePDF Available

A análise discriminante na previsão de falência – Classificação da indústria transformadora ibérica

Authors:

Abstract

The financial crisis and the increasing closure of companies make it crucial to understand the causes of bankruptcy and efficient ways of predicting it, considering the importance of crafting potential mitigation techniques to re-duce the negative outcomes.In this context, twenty-one (21) multisectoral models were selected accor-ding to their literature presence, temporal coverage and diversity of country of origin, and were ranked according to their efficiency in forecasting bankruptcy among Portuguese and Spanish companies operating in the manufacturing in-dustry (CAE C) and subject to statutory audit, and precision in classifying them into two categories; one representative of the bankrupt and another of the heal-thy ones, in a total of 104 companies. Besides the reflection on the causes of bankruptcy, conclusions can be drawn about Altman’s et al. (1979), Altman’s (1993) and Lizarraga’s (1998) models being the most accurate predictors of bankruptcy among the provided sample and stu-dy conditions. Keywords: Multivariate Discriminant Analysis, Business Bankruptcy, Fore-cast Models, Financial Statistics.
Lusíada. Economia & Empresa. n.º 31 (2021) 109
A ANÁLISE DISCRIMINANTE NA PREVISÃO DE FALÊNCIA
– CLASSIFICAÇÃO DA INDÚSTRIA TRANSFORMADORA
IBÉRICA
DISCRIMINANT ANALYSIS IN BANKRUPTCY FORECAST
– THE IBERIAN MANUFACTURING INDUSTRY CASE
Mário A. Guerreiro Antão
Faculdade de Ciências da Economia e da Empresa, Universidade Lusíada de Lisboa
Orcid: 0000-0003-4551-4737
maga@lis.ulusiada.pt
M.C.J. Peres
Instituto Superior de Contabilidade e Administração de Lisboa, Instituto Politécnico de
Lisboa
Orcid: 0000-0001-5499-2402
cjperes@iscal.ipl.pt
Ricardo M.E. de Oliveira
Instituto Superior Técnico, Universidade de Lisboa
ricardo.m.oliveira@tecnico.ulisboa.pt
DOI: https://doi.org/10.34628/wwqd-pa54
Data de submissão / Submission date: 24.11.2021
Data de aprovação / Acceptance date: 17.03.2022
REE_31.indd 109 30/03/2022 17:18:32
REE_31.indd 110 30/03/2022 17:18:32
A análise discriminante na previsão de falência, p. 109-128
Lusíada. Economia & Empresa. n.º 31 (2021) 111
Resumo: Considerando o recente cenário de crise financeira, a tendência
crescente relativa ao encerramento de empresas e as constantes flutuações do
contexto socioecónomico, é de importância crucial entender as causas por detrás
da falência empresarial, com o objetivo principal de descobrir as formas mais
eficientes de a prever.
Neste seguimento, o interesse recai sobre a validação da eficiência dos mo-
delos existentes, de forma a identificar a alternativa mais precisa na previsão de
falência na indústria transformadora, numa distância temporal de até seis (6)
anos antes.
Para o estudo referido foram criadas duas amostras constituídas por empre-
sas portuguesas e espanholas com operações na indústria transformadora (CAE
C), sujeitas a revisão legal de contas, agrupadas consoante a sua condição de em-
presa falida ou saudável, contabilizando um total de 104 empresas. Sobre estas
amostras, foram aplicados os 21 modelos multissectoriais com maior presença na
literatura, desenvolvidos em diversos países e direcionados para vários horizon-
tes temporais.
Além da reflexão sobre as causas da falência, foi possível identificar que,
no universo de modelos estudados, os de Altman et al. (1979), Altman (1993) e
Lizarraga (1998) constituem os melhores previsores de falência, nas condições de
estudo referidas, nomeadamente, até 6 anos antes, para as indústrias transforma-
doras (CAE C) ibéricas.
Palavras-chave: Análise Discriminante Multivariada, Falência Empresarial,
Modelos de Previsão, Estatística Financeira.
Abstract: The financial crisis and the increasing closure of companies make
it crucial to understand the causes of bankruptcy and efficient ways of predicting
it, considering the importance of crafting potential mitigation techniques to re-
duce the negative outcomes.
In this context, twenty-one (21) multisectoral models were selected accor-
ding to their literature presence, temporal coverage and diversity of country of
origin, and were ranked according to their efficiency in forecasting bankruptcy
among Portuguese and Spanish companies operating in the manufacturing in-
dustry (CAE C) and subject to statutory audit, and precision in classifying them
into two categories; one representative of the bankrupt and another of the heal-
thy ones, in a total of 104 companies.
REE_31.indd 111 30/03/2022 17:18:32
Mário A. Guerreiro Antão, M. C. J. Peres e Ricardo M. E. de Oliveira
112 Lusíada. Economia & Empresa. n.º 31 (2021)
Besides the reflection on the causes of bankruptcy, conclusions can be drawn
about Altman’s et al. (1979), Altman’s (1993) and Lizarraga’s (1998) models being
the most accurate predictors of bankruptcy among the provided sample and stu-
dy conditions.
Keywords: Multivariate Discriminant Analysis, Business Bankruptcy, Fore-
cast Models, Financial Statistics.
REE_31.indd 112 30/03/2022 17:18:32
A análise discriminante na previsão de falência, p. 109-128
Lusíada. Economia & Empresa. n.º 31 (2021) 113
1. Introdução
Nos últimos anos, o mundo financeiro, tornou-se muito diferente do que ti-
nha sido desde a recuperação da Grande Depressão de 1929, destacando a recen-
te crise financeira, desencadeada em 2007, que fez com que a economia mundial
voltasse a bater no fundo.
Na origem desta crise, a do subprime, estava à disposição das instituições
financeiras para aprovar créditos de baixa qualidade, como os empréstimos de
tipo NINJA (No Income, No Job, No Assets), concedido a um tipo incomum de
clientes conhecidos por não terem rendimentos fixos, emprego fixo ou proprie-
dade de ativos. A introdução deste modelo de crédito de maior risco resultou
numa crise, considerada por muitos como a pior da história do capitalismo desde
1929, que provocou uma contração económica prolongada e profunda, e afetou
de forma directa ou indirecta todos os setores de atividade e países.
Como consequência, surgiram acontecimentos como a crise da dívida pú-
blica grega, os resgates de outros países europeus e o apoio de liquidez presta-
do a bancos e outras instituições financeiras em todo o mundo, evidenciando a
necessidade de antecipar e prever estas situações desfavoráveis, possibilitando
tomadas de medidas de contingência atempadas, de forma a mitigar os efeitos
adversos.
Nas últimas décadas, desde o trabalho preliminar de Beaver (1966) na apli-
cação da Análise Univariada (UA) à previsão de falência, seguido por Altman
(1968) e a sua Análise Discriminante Multivariada (MDA), vários autores desen-
volveram diferentes técnicas e modelos para esse fim, desde o mais simples ao
mais complexo, sendo possível encontrar diversas tentativas de prever a falência
empresarial - alguns, é claro, mais precisos que outros.
No universo de técnicas aplicadas e desenvolvidas em quase 50 anos de
estudo e previsão da falência, destacamos a MDA pela sua aplicabilidade, sim-
plicidade e eficácia duradouras, considerando que, apesar das limitações conhe-
cidas deste modelo, ainda não foi identificado nenhum outro tipo de modelo que
combine a sua simplicidade em termos de gestão, interpretação e aplicação, ao
mesmo tempo atingindo níveis semelhantes de eficiência em termos de classifi-
cação da condição de falência.
REE_31.indd 113 30/03/2022 17:18:32
Mário A. Guerreiro Antão, M. C. J. Peres e Ricardo M. E. de Oliveira
114 Lusíada. Economia & Empresa. n.º 31 (2021)
2. A abordagem estatística à previsão de falência empresarial: características e
limitações
Nos EUA, na década de 1930, após a Grande Depressão, surgem os primei-
ros estudos sobre esta temática, embora Divsalar et al. (2011) afirme que o inte-
resse sobre este tema apenas cresceu após 1960, considerando a introdução de
técnicas estatísticas que originaram o primeiro modelo de UA, introduzido com
o estudo de Beaver conduzido em 1966, que utiliza um conjunto de indicadores
aplicados sucessivamente e separadamente para classificar a condição de uma
empresa como saudável ou falência, sendo simples, fácil e rápido de usar.
No entanto, esta abordagem tinha algumas limitações inerentes. Altman
(1968, p.591) deu um exemplo desta questão, afirmando que “a firm with a poor
profitability and/or solvency record may be regarded as a potential bankrupt. However,
because of its above average liquidity, the situation may not be considered serious”. Na
mesma linha, Divsalar et al. (2011) argumenta que rácios diferentes podem mo-
ver-se em direções opostas, produzindo assim diferentes previsões. A evolução
natural levou à extensão da análise univariada considerando simultaneamente
vários indicadores. De acordo com Bellovary et al. (2007, p.4), Beaver, nas suas
sugestões para investigações futuras “indicated the possibility that multiple ratios
considered simultaneously may have higher predictive ability than single ratios - and so
began the evolution of bankruptcy prediction models.
Como consequência, em 1968, Altman combinou vários indicadores numa
função discriminante, demonstrando uma forte melhoria na previsão, criando
assim o modelo Z-Score, e com ele, a aplicação de MDA, demonstrando uma
acentuada melhoria na precisão da previsão.
Desde o aparecimento destes métodos que marcaram o início da pesquisa
da previsão de falência, muitos investigadores têm explorado e abordado estas
questões, sendo importante realçar que a abordagem estatística inclui mais que
as versões univariada e multivariada da análise discriminante, como também a
análise discriminante de mínimos quadrados parciais, logit, probit, cumulative sum
control charts e análise de sobrevivência, entre outros.
3. Análise discriminante
Como método de abordagem estatística, a análise discriminante detecta os
atributos distintivos de cada elemento de um grupo e, com base nestas diferentes
características, consegue prever a classificação de qualquer novo elemento nos
grupos existentes. Assim, depois de ser formulado e aplicado, este método irá,
essencialmente, identificar se as características da empresa em análise são mais
semelhantes aos elementos pertencentes ao grupo A (falidas) ou B (não falidas).
REE_31.indd 114 30/03/2022 17:18:32
A análise discriminante na previsão de falência, p. 109-128
Lusíada. Economia & Empresa. n.º 31 (2021) 115
Do ponto de vista técnico, presume-se que os dados seguem uma distribui-
ção multivariada normal. Adicionalmente, também é assumido que as matrizes
de variância / covariância são homogêneas entre os grupos. Embora a violação
destas suposições não tenha geralmente implicações sérias, permanecendo a aná-
lise válida, mesmo sem o estrito cumprimento desses pressupostos.
Uma vez que esta é a técnica mais extensivamente estudada, também é mais
fácil ver as suas limitações. Como qualquer outro método, o seu desempenho
é fortemente dependente dos dados disponíveis para a amostra de treino. Isso
significa que ela pode ser afetada, entre outras coisas, pela fiabilidade das de-
monstrações financeiras utilizadas para calcular as suas variáveis independentes.
Além disso, apresenta também um conjunto de fatores que devem ser considera-
dos numa análise de sensibilidade.
(1) Sensibilidade Territorial: um modelo concebido para determinado país
ou região terá um desempenho potencialmente diferente quando aplicado a
uma amostra de localização geográfica diferente. Os países diferem em termos
de requisitos legais, contabilísticos, impostos, características dos seus sistemas
financeiros e, em última instância, políticas macro e microeconómicas, questões
culturais e de tradição que afetam o estilo de gestão;
(2) Sensibilidade Sectorial: cada setor tem características específicas, do de-
sempenho dos seus indicadores financeiros às características intrínsecas da sua
operação. Por exemplo, o setor de hotelaria e restauração inclui tanto hotéis de 5
estrelas como pequenos restaurantes, com estruturas muito diferentes; no entan-
to, há uma diferença ainda maior entre a indústria pesada e a de serviços. É claro
que existem indicadores financeiros que se comportam de maneira específica de-
pendendo do setor. Um modelo que não tenha isso em conta e agregue diferentes
setores económicos em conjunto poderá excluir indicadores que, embora possam
não ser bons preditores para alguns setores, podem sê-lo para outros;
(3) Sensibilidade Temporal: é improvável que um modelo projetado em
meados do século XX produza o mesmo desempenho de classificação quando
aplicado a empresas actuais, mesmo sendo do mesmo país e sector, com o mesmo
tamanho e características que as utilizadas para projetar o modelo. Os negócios,
como os sistemas de informação e tratamento contabilístico mudaram substan-
cialmente desde o século passado;
(4) Sensibilidade ao Enviesamento na seleção da amostra: a amostragem
não aleatória, sem tratamento específico ou selecionando toda a população, re-
sulta na inclusão de mais casos parciais a tender para uma condição (saudável
ou falido) na fase de construção do modelo. Como consequência, o desenvolvi-
mento de um modelo nestas condições poderá fazer com que ele seja tendencioso
mais tarde quando se tratar de classificar empresas;
(5) Sensibilidade aos pressupostos de seleção: além das sensibilidades ante-
riores, o modelo também é definido pela opinião do analista sobre os indicadores
REE_31.indd 115 30/03/2022 17:18:32
Mário A. Guerreiro Antão, M. C. J. Peres e Ricardo M. E. de Oliveira
116 Lusíada. Economia & Empresa. n.º 31 (2021)
que devem ou não ser incluídos, bem como as suposições em relação aos testes
a serem realizados e a outras medidas a serem implementadas para enfrentar os
problemas que vão surgindo.
4. Modelos analisados
Em linha com o preconizado por Peres e Antão (2017, p. 118-120; 2018a,
2018b, 2018c) e com o objetivo de explorar as características intrínsecas e mais
comuns dos modelos de abordagem MDA, através de uma amostra de cariz mul-
tissectorial que engloba autores Portugueses, Espanhóis ou Edward Altman, in-
vestigador ímpar na área da previsão de falência empresarial. Assim, foi possível
identificar vinte e um (21) diferentes modelos no período 1979-2014 em estudo.
A Tabela 1 resume a distribuição dos estudos identificados pelos países das
amostras utilizadas pelos seus respectivos autores. Procurámos obter os mode-
los, multissectoriais, tidos como mais relevantes na literatura para os países de
onde são provenientes as amostras a que os aplicaremos, Portugal e Espanha, aos
quais acrescentamos os, que com as mesmas características, foram mais recente-
mente desenvolvidos por Edward Altman.
Tabela 1 - Modelos pesquisados por país
País de Origem N.º de Modelos
Brasil 2
Canadá 1
Espanha 14
Portugal 2
USA 2
Total 21
Relativamente ao tipo de tratamento dos dados que compõem a amostra,
a Tabela 2 mostra que a alternativa mais frequente é a amostra de tipo Paired;
esta preconiza que para cada empresa considerada falida terá correspondência
na amostra de saudáveis a apenas uma outra com tamanho e características simi-
lares. Já nas amostras correspondentes (Matched) haverá uma ou mais empresas
na amostra de saudáveis com características semelhantes.
Uma nota importante a deixar é relativa a que cerca de 24% dos autores não
aplicaram nenhum tratamento à amostra de empresas que utilizaram.
REE_31.indd 116 30/03/2022 17:18:32
A análise discriminante na previsão de falência, p. 109-128
Lusíada. Economia & Empresa. n.º 31 (2021) 117
Tabela 2 - Número de modelos por tipo de tratamento de dados da amostra
Tipo de Tratamento N.º de Modelos
Matched 2
Paired 14
Sem Tratamento 5
Total 21
No âmbito da distribuição das amostras entre empresas falidas e não fali-
das, importa realçar que o primeiro conjunto representa cerca de 58% das empre-
sas analisadas.
É possível observar que os estudos utilizam em média quatro (4) indicadores,
obtendo uma taxa média global de classificações correctas de cerca de 83%, sendo
a taxa de erro média global de aproximadamente 19%. A tabela 3 mostra ainda que
os modelos cobrem um período médio de oito anos de dados financeiros.
Tabela 3 - Principais características dos modelos recolhidos
Amostra Classificações
Correctas Erros
N.º
Anos
N.º
Indicadores N.º F N.º NF % F % NF Tipo I Tipo II
Media 8 4 79 58 83,53% 78,77% 16,47% 21,23%
Desvio Padrão 4,88 1,52 77,52 26,26 7,87% 23,40% 7,87% 23,40%
5. Análise financeira e os indicadores e rácios componentes dos modelos
Amplas são as características que podem ser deduzidas dos indicadores que
contêm informações contabilísticas da empresa, como a sua saúde financeira, de-
sempenho e a tendência competitiva. De acordo com Brealey e Myers (2010), a
análise financeira é geralmente vista como a chave que revela o que está oculto
nas informações contabilísticas, mas não é, por si só, uma bola de cristal, é antes
uma vela acesa numa sala escura, ou seja, como Brealey et al. (2001) e Ross et al.
(2002) argumentam, apresenta o resumo de uma grande quantidade de informa-
ção e, desta forma, auxilia os analistas a fazer as perguntas certas.
Assim, segundo Breia, et al. (2014), é possível observar a relação entre os
itens contabilísticos, interpretando de forma ampla como ferramenta de suporte
às exigências do departamento financeiro e das entidades que se relacionam com
a empresa no seu âmbito de operações (fornecedores, bancos, credores em geral,
clientes, investidores, designadamente).
REE_31.indd 117 30/03/2022 17:18:32
Mário A. Guerreiro Antão, M. C. J. Peres e Ricardo M. E. de Oliveira
118 Lusíada. Economia & Empresa. n.º 31 (2021)
Os vinte e um (21) modelos identificados utilizam vinte e seis (26) indi-
cadores económico-financeiros diferentes, tal como consta do Apêndice I. Cada
modelo combina entre dois (2) a (oito) 8 com o objectivo de prever o estado fi-
nanceiro da empresa em análise, sendo possível dividir esses indicadores em
grandes grupos.
(1) Estrutura de Capital ou endividamento: orientados essencialmente para
o longo prazo, mostram-nos quão sobrecarregada de dívida estará a empresa, ou
seja, o grau de recurso desta a capitais alheios. Deste grupo fazem parte os rácios
número 9, 10, 12, 14, 19 e 22;
(2) Liquidez: avaliam a capacidade de satisfazer os compromissos de curto
prazo, em sentido geral; quanto mais elevados forem, maior a capacidade para
fazer face a compromissos no curto prazo. Têm algumas características eventual-
mente ambíguas para o utilizador da informação como o facto de os Activos e
Passivos Correntes serem facilmente alteráveis, fazendo com que as medidas de
liquidez facilmente se encontrem desactualizadas. Neste grupo enquadram-se os
indicadores número 1, 2, 5, 6 e 15;
(3) Rendibilidade: correspondem à relação entre resultados obtidos e meios
utilizados. Estes rácios são uteis como análise complementar mais do que como
efectivas fontes de informação por si só. São exemplo deste grupo os rácios nú-
mero 7, 13, 17, 18, 24 a 26;
(4) Funcionamento ou eficiência: procuram caracterizar aspectos da activi-
dade, como a eficiência na utilização de recursos ou activos afectos à empresa, a
eficiência fiscal e financeira, entre outros. Pertencem a este grupo os indicadores
número 8, 11 e 16;
(5) Rácios de peso relativo: correspondendo ao peso de determinada rubrica
na massa patrimonial a que pertence. São elementos deste grupo os rácios núme-
ro 3, 4 e 23.
(6) Dummys e dicotómicos: utilizam linguagem máquina ou binária e assu-
mem o valor 0 ou 1 consoante a entidade em análise cumpra ou não o critério a
que se referem. São elementos deste grupo os rácios número 20 e 21.
Após a análise dos indicadores expostos, e em particular dos grupos a que
pertencem, conclui-se que nos vinte e um (21) modelos a maior parte dos (90)
rácios que os compõe pertencem principalmente aos grupos de endividamento
ou estrutura (32), rendibilidade (25) e actividade (15). Importa deixar a ressalva
que, tal como nos é indicado por Carvalho (2013), “uma previsão de falência não
significa necessariamente que esta venha a acontecer”. Assim, também é relevan-
te indicar que os grupos de peso relativo e dicotómicos (com 3 e 2 indicadores,
respectivamente) encontram-se em menor número em relação aos anteriores, es-
sencialmente por poderem apresentar fortes variações em função do sector de
actividade ou tipologia de negócio da empresa.
REE_31.indd 118 30/03/2022 17:18:32
A análise discriminante na previsão de falência, p. 109-128
Lusíada. Economia & Empresa. n.º 31 (2021) 119
Na Tabela 4 é feito um mapeamento entre o número de vezes que cada um
dos diferentes indicadores aparece nos modelos analisados, considerando que
aqueles que se apresentavam semelhantes, equivalentes ou complementares fo-
ram alvo de reconversão. Assim, é possível identificar uma ténue predominância
daqueles com presença em 14% ou menos (1 a 3 ocorrências, 18 indicadores) dos
diferentes modelos em análise, representando 69% do total dos identificados. Os
remanescentes 31% dizem respeito a indicadores que têm entre quatro (4) e dez
(10) ocorrências, e que se encontram presentes em 19 a 48% do universo de mo-
delos em estudo, resumindo-se a (oito) 8 indicadores, mais concretamente os com
os números 9 a 13, 15, 16 e 19 que constam do Apêndice I, pertencendo estes aos
grupos de estrutura, liquidez, rendibilidade e actividade, descritos no ponto 4.1,
havendo uma predominância clara do primeiro destes.
Tabela 4 – Repetição de Indicadores Observadas nos Modelos em Estudo
N.º Ocorrências N.º Indicadores
1 8
2 2
3 8
4 1
5 1
6 2
7 2
9 1
10 1
Total 26
6. Metodologia
A metodologia utilizada envolveu um conjunto de fases com vista a atingir
o objectivo de identificar o modelo de previsão de falência mais eficaz no sector
dos transportes e armazenagem em Portugal e em Espanha, de acordo com as
especificações referidas que orientaram a selecção de empresas. O plano metodo-
lógico foi composto por diversas fases, descritas de seguida.
F1. Pré-qualificação dos modelos de previsão de falência a serem envolvi-
dos na selecção do mais adequado aos objectivos traçados.
F2. Validação da correcta classificação das empresas a integrar na amostra
como falidas.
REE_31.indd 119 30/03/2022 17:18:32
Mário A. Guerreiro Antão, M. C. J. Peres e Ricardo M. E. de Oliveira
120 Lusíada. Economia & Empresa. n.º 31 (2021)
6.1. Selecção de empresas Portuguesas e Espanholas com as seguintes ca-
racterísticas:
a) que desenvolvam a sua actividade no CAE C – Indústrias Transformado-
ras;
b) sujeitas a Revisão Legal de Contas, de acordo com o Art.º 262 Código das
Sociedades Comerciais Português e com o Art.º 263 Real Decreto Legisla-
tivo 1/2010 de 2 de julho Espanhol;
c) que em 2016 cumpram o critério de falidas selecionado (Capitais Pró-
prios inferiores a zero, tal como indicam Peres e Antão (2017; 2018a;
2018b; 2018c), OTOC (2011) e Aziz e Dar (2006)) e cumulativamente não
cumpram esse critério entre 2010 e 2015.
F3. Validação da correcta classificação das empresas a integrar na amostra
como não falidas.
6.2. Selecção de empresas Portuguesas e Espanholas com as seguintes ca-
racterísticas:
a) que desenvolvam a sua actividade no CAE C – Indústrias Transformado-
ras;
b) sujeitas a Revisão Legal de Contas, de acordo com o Art.º 262 Código das
Sociedades Comerciais Português e com o Art.º 263 Real Decreto Legisla-
tivo 1/2010 de 2 de julho Espanhol;
c) que entre 2010 e 2016 não cumpram cumulativamente o critério de falidas
para esta dissertação (Capitais Próprios inferiores a zero, tal como indi-
cam Peres e Antão (2017; 2018a; 2018b; 2018c), OTOC (2011) e Aziz e Dar
(2006));
d) em amostra emparelhada por dimensão com as do ponto 2.1. da metodo-
logia.
F4. Aplicação dos modelos em estudo - a fim de recolher a classificação de
cada um deles - às empresas das amostras indicadas nos pontos 2 e 3 da meto-
dologia.
F5. Avaliar qual o(s) modelo(s) que consubstancia(m) o maior nível de efi-
cácia e/ou o menor nível de erro na classificação das empresas como falidas e
não falidas.
REE_31.indd 120 30/03/2022 17:18:32
A análise discriminante na previsão de falência, p. 109-128
Lusíada. Economia & Empresa. n.º 31 (2021) 121
7. A amostra e tratamento de dados
Após a aplicação dos critérios de segmentação referidos nos subpontos 2.1 e
3.1 do ponto anterior às bases de dados SABI e AMADEUS da Bureau Van Dijk,
foi possível obter uma amostra emparelhada total composta por cento e quatro
(104) empresas, das quais quarenta e oito (48) se enquadram na subamostra de
empresas falidas (subponto 2.1) e as restantes cinquenta e seis (56) na subamostra
de empresas não falidas (subponto 3.1). Da base de dados citada foram recolhi-
das as informações financeiras dos anos de 2010 a 2016, bem como o número de
trabalhadores.
Toda essa informação foi compilada, junto com a formulação dos indica-
dores económico-financeiros utilizados na elaboração dos vinte e um (21) mode-
los em estudo identificados na fase 5 que se consubstanciam concretamente em
combinações de vinte e seis (26) indicadores diferentes (Apêndice I), tendo sido
elaborada uma matriz por empresa que disponibiliza a classificação atribuída
por cada modelo cruzando-o com os sete (7) anos em análise.
Apesar de ter sido efectuado o cálculo, análise e classificação também para
o ano de 2016, este não será considerado na selecção do modelo mais eficaz uma
vez que será através desse ano que cada uma das empresas é pré-classificada
como falida ou não falida, tal como indicado na fase 3 do plano metodológico
apresentado.
Após a obtenção para cada empresa e ano da classificação atribuída pelos
modelos em estudo, procedemos a conversão dessa classificação segundo os pa-
râmetros de cada um dos modelos em Falidas e Não Falidas, que seguidamente
foram convertidas em percentagens em relação à população total de classifica-
ções.
Comparando a classificação obtida pelos modelos com a classificação atri-
buída a cada empresa no ano de 2016 (falida ou não falida) foi dessa forma per-
mitido validar a eficácia de cada um dos modelos em classificar correctamen-
te as empresas em estudo, tendo então chegado aos respectivos erros de Tipo I
(classificação de empresas falidas como não falidas) e de Tipo II (classificação de
empresas não falidas como falidas) e assim elaborar um ranking de eficácia de
classificação atribuída pelos modelos estudados para cada um dos anos em aná-
lise e dessa forma aferir conclusões constantes do Apêndice II.
8. Síntese da eficácia dos modelos estudados
A Figura 5 apresenta a média das eficácias de classificação de cada um dos
modelos no total dos anos em análise, destacando desses os três mais eficazes.
REE_31.indd 121 30/03/2022 17:18:32
Mário A. Guerreiro Antão, M. C. J. Peres e Ricardo M. E. de Oliveira
122 Lusíada. Economia & Empresa. n.º 31 (2021)
Figura 5 – Quadro Síntese da Eficácia Média dos Modelos e sua Classificação
Final
Na Figura 6, confrontamos a percentagem de classificação correcta e respec-
tivos erros das amostras de base de cada um dos modelos mais eficazes com as
obtidas com a aplicação à amostra em estudo descrita no ponto 7.
Figura 6 – Quadro de Comparação entre as Amostras de Base e a Estudada
9. Conclusões e oportunidades de melhoria
É possível observar ao aplicar os vinte e um (21) modelos multissectoriais
que utilizam a técnica de Análise Discriminante Multivariada a uma amostra de
REE_31.indd 122 30/03/2022 17:18:32
A análise discriminante na previsão de falência, p. 109-128
Lusíada. Economia & Empresa. n.º 31 (2021) 123
empresas Portuguesas e Espanholas do sector das indústrias transformadoras
(CAE C), os resultados mais precisos para a previsão da falência empresarial até
(seis) 6 anos antes são obtidos com os modelos apresentados por Altman et al.
(1979), Altman (1993) e Lizarraga (1998).
Podemos verificar que algumas das limitações mencionadas na secção 3 fo-
ram consideradas na construção dos modelos estudados; no entanto, importa
referir que algumas limitações se mantêm e traduzem um efeito no estudo con-
duzido.
(1) Sensibilidade Territorial: podemos supor que esta questão foi considera-
da pelos autores, uma vez que não identificamos modelos com amostra de em-
presas de vários países; porém, apesar de surgirem como mais eficientes modelos
das respectivas nacionalidades das empresas estudadas, não foram identificadas
medidas nas fases de construção dos modelos, que os potenciassem ou não gan-
hos de eficiência dessa escolha;
(2) Sensibilidade Sectorial: o uso de modelos multissetoriais construídos so-
bre amostras que procuram retratar a economia como um todo, como é o caso
dos modelos aqui estudados, revelam níveis consistentes de eficiência de classi-
ficação no sector estudado;
(3) Sensibilidade Temporal: nenhum dos modelos estudados aplica qual-
quer tratamento para a distância temporal entre o momento da concepção e a
aplicação;
(4) Sensibilidade à qualidade da informação: conforme indica a secção 2,
quanto melhor a informação, melhor será o modelo. Não sendo indicado pelos
autores nenhum cuidado especial sob a informação a utilizar, todavia para ga-
rantir qualidade da informação, selecionamos empresas sujeitas a revisão legal
de contas, conforme descrito no ponto7;
(5) Sensibilidade aos pressupostos da selecção: todos os modelos analisados
seleccionam naturalmente as empresas activas como saudáveis. Para as empre-
sas falidas, normalmente escolhem aquelas que, no período em análise, apresen-
tam um Patrimônio Líquido < 0, que é o mesmo que dizer Ativos < Passivos. A
inclusão de parâmetros diferenciais de separação de amostras na fase de treino
dos modelos poderá vir a revelar-se benéfica.
Em conclusão, o cenário atual promove a trivialização do termo falência,
onde o incumprimento das obrigações ou compromissos com os credores já não
é como outrora uma falha grave que implicava pesadas sanções, tendo-se tor-
nado, aliás, num acidente comum da vida económica. As técnicas apresentadas
representam uma contribuição valiosa para predizer a falência e ajudar a manter
condições económicas estáveis. Ao mesmo tempo, as possibilidades de aprofun-
damento da investigação incluem as questões levantadas, que têm o potencial de
melhorar os modelos, tornando-os mais estáveis e mais amplamente aplicáveis.
REE_31.indd 123 30/03/2022 17:18:33
Mário A. Guerreiro Antão, M. C. J. Peres e Ricardo M. E. de Oliveira
124 Lusíada. Economia & Empresa. n.º 31 (2021)
Referências bibliográficas
ALTMAN, E. I. (1968). Financial ratios, Discriminant Analysis and the Prediction
of Corporate Bankruptcy, Journal of Finance, 22, pp. 589-610.
ALTMAN, E. I. (1993). Corporate Financial Distress and Bankruptcy: A Com-
plete Guide to Predicting & Avoiding Distress and Profiting from Bankruptcy.
John Wiley & Sons.
ALTMAN, E. I.; BAIDYA, T.; DIAS, L. (1979). Previsão de problemas financeiros
em empresas, Revista de Administração de Empresas, 19(1), pp. 17-28.
ALTMAN E. I.; HARTZELL, J.; PECK, M. (1995). Emerging Markets Corporate
Bonds: A Scoring System. Salomon Brothers Inc. New York
ALTMAN, E. I.; LEVALLEE, M. Y. (1980). Business Failure Classification in Ca-
nada. Journal of Business Administration 12 (1): 147-164.
AZIZ, M. A.; DAR, H. A. (2004). Predicting corporate bankruptcy: Whither we
stand?, Economic Research Papers, 4(1), pp. 324-341.
AZIZ, M. A.; DAR, H. A. (2006). Predicting corporate bankruptcy: where we
stand?, Corporate Governance: The international journal of business in society,
6(1), pp.18-33.
BEAVER, W. H. (1966). Financial Ratios as Predictors of Failure, Empirical resear-
ch in accounting: selected studies, Journal of Accounting Research, 4, pp. 71-111.
BELLOVARY, J.; GIACOMINO, D.; AKERS, M. (2007). A Review of Bankruptcy
Prediction Studies: 1930 to Present, Journal of Financial Education, 33, pp. 124-
146.
BREALEY, R. A.; MYERS, S.C. (2010). Principles of Corporate Finance, McGraw-
-Hill, New York.
BREALEY, R. A.; MYERS, S. C.; MARCUS, A.J. (2001). Fundamentals of Corporate
Finance, McGraw-Hill, New York.
BREIA, A. F.; MATA, N. N. S.; PEREIRA, V. M. M. (2014). Análise Económica e
Financeira: Aspectos Teóricos e Casos Práticos, Rei dos Livros, Lisbon.
CARVALHO, P. (2013). Continuidade: Estudo de um Caso. Revisores e Audito-
res, Revista da Ordem dos Revisores Oficiais de Contas, 63.
CARVALHO DAS NEVES, J.; SILVA, J. A. (1998). Análise do Risco de Incum-
primento: na Perspectiva da Segurança Social, Segurança Social Portuguesa,
Lisboa.
Código das Sociedades Comerciais. Procuradoria-Geral Distrital de Lisboa.
DIVSALAR, M.; JAVID, M. R.; GANDOMI, A. H.; SOOFI, J. B.; MAHMOOD, M.
V. (2011). Hybrid Genetic Programming-Based Search Algorithms for Enterpri-
se Bankruptcy Prediction, Applied Artificial Intelligence: An International Journal,
25(8), pp. 669-692.
FERNÁNDEZ, M. T.; GUTIÉRREZ, F. J. (2012). Variables y modelos para la iden-
tificación y predicción del fracaso empresarial: Revisión de la investigación
REE_31.indd 124 30/03/2022 17:18:33
A análise discriminante na previsão de falência, p. 109-128
Lusíada. Economia & Empresa. n.º 31 (2021) 125
empírica reciente, Revista de Contabilidad, 15(1), pp. 7-58.
GARCÍA, D.; ARQUÉS, A.; CALVO-FLORES, A. (1995). Un modelo discriminan-
te para evaluar el riesgo bancario en los créditos a empresas, Revista Española
de Financiación y Contabilidad, 24(82), pp. 175-200.
JACKSON, R. H. G.; WOOD, A. (2013). The performance of insolvency prediction
and credit risk models in the UK: A comparative study, The British Accounting
Review, 45, pp. 183-202.
LIZARRAGA, D. F. (1998). Modelos de predicción del fracaso empresarial: ¿Fun-
ciona entre nuestras empresas el modelo de Altman de 1968?, Revista de Con-
tabilidad, 1(1), pp. 137-164.
LÓPEZ, M. R.; Monelos, P.L. e Sánchez, C.P. (2014). DEA as a business failure
prediction tool – Application to the case of Galician SMEs. Contaduría y Admi-
nistración, 59(2), pp. 65-96.
MONELOS, P. L.; SÁNCHEZ, C. P.; LÓPEZ, M. R. (2011). Fracaso Empresarial y
Auditoría de Cuentas. European Academy of Management and Business Eco-
nomics Annual Meeting, Valencia.
MORGADO, A. V. (1997). A contribuição da análise discriminante na previsão
do risco de insolvência financeira. VII Jornadas de Contabilidade e Auditoria,
“Século XXI: os novos contextos da globalização, contabilidade e auditoria”,
Coimbra.
Ordem dos Técnicos Oficiais de Contas – Anuário do Sector Empresarial do Es-
tado e do Sector Empresarial Regional 2011. [em linha]. [Consult. 24 Jan. 2018].
Disponível em: http://pt.calameo.com/read/000324981b6a000f7b4b4
PEREIRA, J. M.; BASTO, M.; GOMÉZ, F. D.; ALBUQUERQUE, E. B. (2010). Los
modelos de predicción del fracasso empresarial. Propouesta de um ranking,
in XIV encontro da Asociación Española de Contabilidad y Administración de
Empresas.
PERES, C. J. (2014). A Eficácia dos Modelos de Previsão de Falência Empresa-
rial: Aplicação ao Caso das Sociedades Portuguesas, Master Thesis, Instituto
Politécnico de Lisboa, Instituto Superior de Contabilidade e Administração de
Lisboa, Lisboa.
PERES, C.; ANTÃO, M. (2017). The use of multivariate discriminant analysis to
predict corporate bankruptcy: A review AESTIMATIO, The IEB International
Journal of Finance, 14, pp. 108-13.
PERES, C.; ANTÃO, M. (2018). Eficiência dos Modelos Multissectoriais de Pre-
visão de Falência Empresarial – O Caso do Sector Primário Ibérico, XVIII En-
cuentro Asociación Española de Contabilidad y Administración de Empresas.
PERES, C. e; ANTÃO, M. (2018-a). Eficácia dos Modelos de Previsão de Falência
Empresarial nas Empresas de Transportes Ibéricas, Conference: Conference:
XXXII Congreso Internacional de Economia Aplicada -Economia del Transpor-
te y Logistica Portuaria.
REE_31.indd 125 30/03/2022 17:18:33
Mário A. Guerreiro Antão, M. C. J. Peres e Ricardo M. E. de Oliveira
126 Lusíada. Economia & Empresa. n.º 31 (2021)
PERES, C.; ANTÃO, M. (2018-b). Eficácia dos Modelos de Previsão de Falência
Empresarial nas Portuguesas e Espanholas – O Caso do Sector do Turismo, The
International Conference of Applied Business and Management.
PERES, C.; ANTÃO, M. (2018-c) Eficiência dos modelos multissectoriais de pre-
visão de falência empresarial: o caso do sector terciário ibérico - Lusíada. Eco-
nomia & Empresa. ISSN: 1647-4120.
Real Decreto Legislativo 1/2010 de 2 de julho, Agência Estatal Boletín Oficial del
Estado.
ROSS, S. A.; WESTERFIELD, R. W.; JAFFE, J. (2002). Corporate Finance, Mcgraw-
-Hill, New York.
SANTOS, B.; SIMÕES, J. (2019). A análise económico-financeira como instrumen-
to de suporte para a previsão das insolvências, Contabilista, 226, 64-66.
SUN, J.; LI, H.; HUANG, Q.; HE, K. (2014). Predicting financial distress and cor-
porate failure: A review from the state-of-the-art definitions, modeling, sam-
pling, and featuring approaches, Knowledge-Based Systems, 57, pp. 41-56.
REE_31.indd 126 30/03/2022 17:18:33
A análise discriminante na previsão de falência, p. 109-128
Lusíada. Economia & Empresa. n.º 31 (2021) 127
APÊNDICE I – Tipos de Indicadores
REE_31.indd 127 30/03/2022 17:18:33
Mário A. Guerreiro Antão, M. C. J. Peres e Ricardo M. E. de Oliveira
128 Lusíada. Economia & Empresa. n.º 31 (2021)
APÊNDICE II – Quadro Síntese da Aplicação dos Modelos
REE_31.indd 128 30/03/2022 17:18:33
ResearchGate has not been able to resolve any citations for this publication.
Conference Paper
Full-text available
A crise financeira e o crescimento das “falências”, torna crucial compreender causas e encontrar formas eficazes de as antecipar. Validaremos a eficácia dos modelos existentes, a capacidade de disponibilizarem informação para a previsão de “falência” no sector primário, até 6 anos antes desse facto. Seleccionámos, 80 empresas portuguesas e espanholas, dos CAEs A e B, sujeitas a revisão legal de contas. Aplicámos 21 modelos multissectoriais com maior presença na literatura, de diversos países e horizontes temporais. Conclui-se, além da reflexão sobre as causas das “falências”, que as formulações de Altman et al. (1979) e Lizarra (1998) constituem os melhor previsores.
Article
Full-text available
Abstract: Efficiency of the Multisector Models of Forecasting Corporate Bankruptcy - The Case of the Iberian Tertiary Sector Abstract: The global financial crisis and the increasing number of company closures in Portugal and Spain make it crucial to understand the current causes of corporate “bankruptcy”, as well as the most effective way of predicting and anticipating this reality. The objective of this study is to validate the effectiveness of existing models and their ability to provide useful information for decision making, proposing mechanisms to choose the model that, at any moment, is the best alternative for predicting corporate “bankruptcy” companies in the tertiary sector, up to 6 years before bankruptcy declaration. In this way, we select Portuguese and Spanish companies from the tertiary sector (CAEs G to U), subject to statutory audit, split by two paired samples; one with “bankrupt” companies and another with regular companies, in a total of 136 companies. We applied 21 MDA multisectoral models to the samples, with greater presence in the literature, for several time horizons and originated in a high diversity of countries. As a main conclusion, besides a reflection on the current causes of “bankruptcies”, it is observed that of the models studied, those developed by Lizarraga (1998), Altman et al. (1979) and Altman (1993) are the best predictors of “bankruptcy” (up to 6 years before this occurs) for Portuguese and Spanish companies, with a main activity in the tertiary sector (CAEs G a U). Keywords: Multivariate discriminant analysis, Bankruptcy, Forcasting models, Tertiary sector.
Thesis
Full-text available
The growth in the number of “bankruptcies” in Portugal is the outcome of the hard times that the country is living and has increased the interest in predicting corporations "bankruptcy". In this study we aim to validate the effectiveness of the existing models and their ability to provide useful information for decision-making, allowing an effective choice to substantiate the best alternative for predicting firm "bankruptcy" up to 6 years before thereof . Thus, we select from among the Portuguese Companies, subject to statutory audit, two samples: - one of 47 companies that were considered healthy, according to Aziz and Dar (2006), had equity above zero between 2005 and 2009 and that in 2011 were considered "bankrupted" (with equity below zero); - another, paired, with 28 companies that presented throughout all the period analyzed equity above zero, thus granting the models under review a potential of full forecast. To the sample were applied 12 models, namely, Altman’s Z (1968), Kanitz (1974), Elizabetsky (1976), Gordon and Springate (1978), Altman, Baidya and Dias (1979) Z4 and Z5, Mathias (1982), CA-score of Bilanas (1987), Pascale (1988), Carvalho das Neves (1998), Santos (2000) and Nunes (2012). The main conclusion that we want to withdraw from the study is which of these models will be the best predictor of "bankruptcy" for Portuguese Companies.
Article
Full-text available
Abstract The ongoing and increasingly devastating global financial crisis makesit ever more crucial to understand the causes of business failure, epitomized in the concept of “bankruptcy”, with a particular emphasis on its prediction and anticipation. Although one “bankruptcy” event may differ significantly from another, and not just in terms of differences relating to geography or activity sectors, there tend to be some common difficulties and limitations in its prediction. This article presents a review of the applications of multivariate discriminant analysisto the prediction of business “bankruptcy”. We collected 123 functions or discriminant models, developed or revised by researchers between 1968 and 2014, for varioustime horizons, countries and sectors. We aim to identify the procedures and common features of these analyses, the main constraintsthey faced and the measures taken by the authors to ensure optimum conditions for the stability and effectiveness of the models. This article thus suggests opportunities for improving the performance of discriminant models, in terms of the data used and its treatment.
Article
Full-text available
Este grupo de investigación busca aportar mayor evidencia del pronóstico del fracaso empresarial. La construcción de modelos de ajuste complejos, el estudio de variables tales como el impacto de la auditoría en el pronóstico del fracaso, así como el tratamiento de variables y ratios clásicas nos lleva a determinar un punto de partida mediante la construcción de un modelo matemático que sirva de referencia. En este sentido, hemos reducido el ámbito de estudio a Pyme no financieras gallegas con el fin de desarrollar un modelo que permita diagnosticar y pronosticar el fracaso empresarial. Hemos desarrollado los modelos con base en variables financieras relevantes desde la óptica de la lógica financiera, la tensión y el fracaso financiero, aplicando tres metodologías de análisis: discriminante, logit y lineal multivariante. Por último, hemos cerrado el primer ciclo, utilizando la programación matemática DEA (Data Envelopment Analysis) con el fin de fundamentar la determinación del fracaso. El uso simultáneo de los modelos se explica por la voluntad de comparar sus respectivas conclusiones y buscar elementos de complementariedad. La capacidad de pronóstico lograda nos permite afirmar que los modelos obtenidos son satisfactorios. No obstante, el DEA presenta determinados puntos críticos significativos en cuanto a su aplicabilidad al pronóstico del fallo empresarial.
Article
Full-text available
Este trabajo analiza la evolución en el tiempo de los estudios sobre fracaso empresarial. Con carácter general, partimos de la revisión crítica realizada en la literatura previa, y aportamos un análisis de la evidencia empírica adicional, con especial atención a la obtenida durante la última década. Pero además, para subsanar algunas deficiencias detectadas en las revisiones anteriores, nos ocupamos de tres aspectos, que pueden considerarse la principal contribución de este trabajo: primero, analizamos la evolución en las últimas décadas del concepto de fracaso empresarial o fallido, detectando cierta evolución desde la identificación hacia la predicción; segundo, analizamos las variables empleadas en los modelos, aportando un estudio de los rasgos empresariales que se representan con las variables (frente al tradicional análisis de frecuencia de las propias variables individuales), siendo los resultados más acordes con los planteamientos y desarrollos teóricos clásicos sobre el fracaso empresarial; y, finalmente, destacamos los puntos fuertes y débiles de las metodologías que, por su reciente aparición, no habían sido analizadas o muy poco por revisiones anteriores: las técnicas de inteligencia artificial y el análisis envolvente de datos (DEA). Adicionalmente, integramos en la revisión el numeroso grupo de trabajos empíricos publicados en España sobre la cuestión, y que no aparecían en ninguna de las revisiones previas analizadas.
Conference Paper
A crise financeira global e o crescente número de encerramentos de empresas em Portugal e Espanha, torna crucial compreender as actuais causas da “falência” empresarial, bem com a forma mais eficaz de previsão e antecipação desta realidade. Uma “falência” difere significativamente de outra, não apenas nas diferenças relacionadas com a geografia ou setores de actividade, mas também em muitas outras variáveis o que justifica as dificuldades e limitações na sua previsão. Neste estudo temos por objectivo validar a eficácia dos modelos existentes e a sua capacidade de disponibilizar informação útil para a tomada de decisão, propondo mecanismos de escolha do modelo que, em cada momento, consubstancie a melhor alternativa para a previsão de “falência” empresarial para as empresas do sector do turismo, até 6 anos antes desse facto se concretizar. Desta forma seleccionamos, de entre as empresas portuguesas e espanholas, as do sector do alojamento, restauração e similares (CAE I), sujeitas a revisão legal de contas, repartindo-as por duas amostras; uma representativa das empresas “falidas” e outra das não “falidas”. Às amostras foram aplicadas 21 formulações com maior presença na literatura, multissectoriais, para diversos horizontes temporais e com origem numaelevada diversidade de países. Como principal conclusão, alem de uma reflexão sobre as actuais causas das falências, observa-se que das formulações estudadas, as desenvolvidas por Altman et al. (1979), Lizarraga (1998) e Monelos et al. (2011) se constituem nos melhor previsores de “falência”, até 6 anos antes desta ocorrer, para as empresas portuguesas e espanholas com actividade principal no sector do alojamento, restauração e similares (CAE I).
Article
As a hot topic, financial distress prediction (FDP), or called as corporate failure prediction, bankruptcy prediction, acts as an important role in decision-making of various areas, including: accounting, finance, business, and engineering. Since academic research on FDP has gone on for nearly eighty years, there are abundant literatures on this topic, which may appear chaotic to the researchers of the field and make them feel confused. This paper contributes to the current review researches by making a full summary, analysis and evaluation on the current literatures of FDP. The current literatures of FDP are reviewed from the following four unique aspects: definition of financial distress in the new century, FDP modeling, sampling approaches for FDP, and featuring approaches for FDP. By considering the new state-of-the-art techniques in this area, FDP modeling are classified and reviewed by the following groups: namely, modeling with pure single classifier, modeling with hybrid single classifier, modeling by ensemble techniques, dynamic FDP modeling, and modeling with group decision-making techniques. Sampling methods for FDP are classified and reviewed by the following paired groups, namely: training sampling and testing sampling, single industry sampling and cross-industry sampling, balanced sampling and imbalanced sampling. Featuring methods for FDP are categorized and reviewed by qualitative selection and combination of qualitative and quantitative selection. We comment on the current researches from the view of each category and propose further research topics. The review paper is valuable to guide research and application of the area.