Indicadores financeiros trimestrais para prever falências nos setores de mineração, óleo e gás

Detalhes bibliográficos
Autor(a) principal: Chieh, Roberto Shanrey
Data de Publicação: 2018
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional do FGV (FGV Repositório Digital)
Texto Completo: http://hdl.handle.net/10438/24613
Resumo: O objetivo dessa dissertação é identificar os melhores modelos para prever falência de empresas dos setores de mineração, óleo e gás no período entre 1998 e 2017. Em termos metodológicos, buscou-se estimar um modelo de regressão logística para prever as falências das empresas por meio de indicadores financeiros. Estimam-se modelos com dados anuais e trimestrais utilizando informações dos últimos três, dois e um ano anteriores às falências, contados a partir de um ano antes da formalização da falência. Conclui-se que o melhor modelo é aquele que utiliza as informações mais recentes, do último ano, e com dados trimestrais. As variáveis de patrimônio líquido sobre passivo total e fluxo de caixa de investimentos sobre passivo total se destacaram dentre os demais indicadores, sendo somente a primeira significativa em todos os modelos. O melhor modelo teve 79,1% de acerto geral e 85,5% de acerto para as empresas que faliram.
id FGV_879acf5da9586df4fbc986b3787b5019
oai_identifier_str oai:repositorio.fgv.br:10438/24613
network_acronym_str FGV
network_name_str Repositório Institucional do FGV (FGV Repositório Digital)
repository_id_str 3974
spelling Chieh, Roberto ShanreyEscolas::EESPRochman, Ricardo RatnerMilan, Pedro Luiz Albertin BonoSampaio, Joelson Oliveira2018-08-27T13:48:01Z2018-08-27T13:48:01Z2018-07-31http://hdl.handle.net/10438/24613O objetivo dessa dissertação é identificar os melhores modelos para prever falência de empresas dos setores de mineração, óleo e gás no período entre 1998 e 2017. Em termos metodológicos, buscou-se estimar um modelo de regressão logística para prever as falências das empresas por meio de indicadores financeiros. Estimam-se modelos com dados anuais e trimestrais utilizando informações dos últimos três, dois e um ano anteriores às falências, contados a partir de um ano antes da formalização da falência. Conclui-se que o melhor modelo é aquele que utiliza as informações mais recentes, do último ano, e com dados trimestrais. As variáveis de patrimônio líquido sobre passivo total e fluxo de caixa de investimentos sobre passivo total se destacaram dentre os demais indicadores, sendo somente a primeira significativa em todos os modelos. O melhor modelo teve 79,1% de acerto geral e 85,5% de acerto para as empresas que faliram.The objective of this study is to identify the best models for predicting bankruptcy of companies from the mining, oil and gas industries between 1998 and 2017. It was estimated a logistic regression model to predict business failure given their financial indicators. It was estimated models with yearly and quarterly information figures using figures from the last three years, last two years, and also last one year prior to the year just before the formalization of the bankruptcy event. The results show that the best model is the one using the most recent information, from the last one year, and using quarterly available data. The ratios total equity to total liabilities and cash flow from investments to total liabilities are the most important indicators to predict bankruptcy, even though only the first one is significant in all models. The best model correctly predicted 79.1% among all firms and 85.5% of the firms that went bankrupt.porBankruptcy predictionFinancial ratiosMiningOil and gasPrevisão de falênciaIndicadores financeirosMineraçãoÓleo e gásEconomiaFalênciaIndicadores econômicosÓleo - IndústriaGás - IndústriaMinas e recursos minerais - IndústriaIndicadores financeiros trimestrais para prever falências nos setores de mineração, óleo e gásinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional do FGV (FGV Repositório Digital)instname:Fundação Getulio Vargas (FGV)instacron:FGVTEXTDissertação MPE - Roberto Chieh - v24.pdf.txtDissertação MPE - Roberto Chieh - v24.pdf.txtExtracted texttext/plain102084https://repositorio.fgv.br/bitstreams/88f8056f-8a07-44f3-a491-8c556c13e53b/download3b0c504352249b21d4edbc78c5dafc0dMD57ORIGINALDissertação MPE - Roberto Chieh - v24.pdfDissertação MPE - Roberto Chieh - v24.pdfapplication/pdf961253https://repositorio.fgv.br/bitstreams/06d31f0f-9ae7-4869-a952-3ebca658c720/download1b330f244eb5945c4c15d9d2165215e2MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-84707https://repositorio.fgv.br/bitstreams/5d6d730c-6a2c-4b16-ba32-efd8c1319a7f/downloaddfb340242cced38a6cca06c627998fa1MD54THUMBNAILDissertação MPE - Roberto Chieh - v24.pdf.jpgDissertação MPE - Roberto Chieh - v24.pdf.jpgGenerated Thumbnailimage/jpeg2367https://repositorio.fgv.br/bitstreams/ff2aa935-e4a7-438b-8d02-d76c5b545ddb/download4391b06480ce8a5d075a5897d4880b26MD5810438/246132023-11-28 10:53:01.505open.accessoai:repositorio.fgv.br:10438/24613https://repositorio.fgv.brRepositório InstitucionalPRIhttp://bibliotecadigital.fgv.br/dspace-oai/requestopendoar:39742023-11-28T10:53:01Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV)falseVEVSTU9TIExJQ0VOQ0lBTUVOVE8gUEFSQSBBUlFVSVZBTUVOVE8sIFJFUFJPRFXDh8ODTyBFIERJVlVMR0HDh8ODTwpQw5pCTElDQSBERSBDT05URcOaRE8gw4AgQklCTElPVEVDQSBWSVJUVUFMIEZHViAodmVyc8OjbyAxLjIpCgoxLiBWb2PDqiwgdXN1w6FyaW8tZGVwb3NpdGFudGUgZGEgQmlibGlvdGVjYSBWaXJ0dWFsIEZHViwgYXNzZWd1cmEsIG5vCnByZXNlbnRlIGF0bywgcXVlIMOpIHRpdHVsYXIgZG9zIGRpcmVpdG9zIGF1dG9yYWlzIHBhdHJpbW9uaWFpcyBlL291CmRpcmVpdG9zIGNvbmV4b3MgcmVmZXJlbnRlcyDDoCB0b3RhbGlkYWRlIGRhIE9icmEgb3JhIGRlcG9zaXRhZGEgZW0KZm9ybWF0byBkaWdpdGFsLCBiZW0gY29tbyBkZSBzZXVzIGNvbXBvbmVudGVzIG1lbm9yZXMsIGVtIHNlIHRyYXRhbmRvCmRlIG9icmEgY29sZXRpdmEsIGNvbmZvcm1lIG8gcHJlY2VpdHVhZG8gcGVsYSBMZWkgOS42MTAvOTggZS9vdSBMZWkKOS42MDkvOTguIE7Do28gc2VuZG8gZXN0ZSBvIGNhc28sIHZvY8OqIGFzc2VndXJhIHRlciBvYnRpZG8sIGRpcmV0YW1lbnRlCmRvcyBkZXZpZG9zIHRpdHVsYXJlcywgYXV0b3JpemHDp8OjbyBwcsOpdmlhIGUgZXhwcmVzc2EgcGFyYSBvIGRlcMOzc2l0byBlCmRpdnVsZ2HDp8OjbyBkYSBPYnJhLCBhYnJhbmdlbmRvIHRvZG9zIG9zIGRpcmVpdG9zIGF1dG9yYWlzIGUgY29uZXhvcwphZmV0YWRvcyBwZWxhIGFzc2luYXR1cmEgZG9zIHByZXNlbnRlcyB0ZXJtb3MgZGUgbGljZW5jaWFtZW50bywgZGUKbW9kbyBhIGVmZXRpdmFtZW50ZSBpc2VudGFyIGEgRnVuZGHDp8OjbyBHZXR1bGlvIFZhcmdhcyBlIHNldXMKZnVuY2lvbsOhcmlvcyBkZSBxdWFscXVlciByZXNwb25zYWJpbGlkYWRlIHBlbG8gdXNvIG7Do28tYXV0b3JpemFkbyBkbwptYXRlcmlhbCBkZXBvc2l0YWRvLCBzZWphIGVtIHZpbmN1bGHDp8OjbyDDoCBCaWJsaW90ZWNhIFZpcnR1YWwgRkdWLCBzZWphCmVtIHZpbmN1bGHDp8OjbyBhIHF1YWlzcXVlciBzZXJ2acOnb3MgZGUgYnVzY2EgZSBkaXN0cmlidWnDp8OjbyBkZSBjb250ZcO6ZG8KcXVlIGZhw6dhbSB1c28gZGFzIGludGVyZmFjZXMgZSBlc3Bhw6dvIGRlIGFybWF6ZW5hbWVudG8gcHJvdmlkZW5jaWFkb3MKcGVsYSBGdW5kYcOnw6NvIEdldHVsaW8gVmFyZ2FzIHBvciBtZWlvIGRlIHNldXMgc2lzdGVtYXMgaW5mb3JtYXRpemFkb3MuCgoyLiBBIGFzc2luYXR1cmEgZGVzdGEgbGljZW7Dp2EgdGVtIGNvbW8gY29uc2Vxw7zDqm5jaWEgYSB0cmFuc2ZlcsOqbmNpYSwgYQp0w610dWxvIG7Do28tZXhjbHVzaXZvIGUgbsOjby1vbmVyb3NvLCBpc2VudGEgZG8gcGFnYW1lbnRvIGRlIHJveWFsdGllcwpvdSBxdWFscXVlciBvdXRyYSBjb250cmFwcmVzdGHDp8OjbywgcGVjdW5pw6FyaWEgb3UgbsOjbywgw6AgRnVuZGHDp8OjbwpHZXR1bGlvIFZhcmdhcywgZG9zIGRpcmVpdG9zIGRlIGFybWF6ZW5hciBkaWdpdGFsbWVudGUsIHJlcHJvZHV6aXIgZQpkaXN0cmlidWlyIG5hY2lvbmFsIGUgaW50ZXJuYWNpb25hbG1lbnRlIGEgT2JyYSwgaW5jbHVpbmRvLXNlIG8gc2V1CnJlc3Vtby9hYnN0cmFjdCwgcG9yIG1laW9zIGVsZXRyw7RuaWNvcywgbm8gc2l0ZSBkYSBCaWJsaW90ZWNhIFZpcnR1YWwKRkdWLCBhbyBww7pibGljbyBlbSBnZXJhbCwgZW0gcmVnaW1lIGRlIGFjZXNzbyBhYmVydG8uCgozLiBBIHByZXNlbnRlIGxpY2Vuw6dhIHRhbWLDqW0gYWJyYW5nZSwgbm9zIG1lc21vcyB0ZXJtb3MgZXN0YWJlbGVjaWRvcwpubyBpdGVtIDIsIHN1cHJhLCBxdWFscXVlciBkaXJlaXRvIGRlIGNvbXVuaWNhw6fDo28gYW8gcMO6YmxpY28gY2Fiw612ZWwKZW0gcmVsYcOnw6NvIMOgIE9icmEgb3JhIGRlcG9zaXRhZGEsIGluY2x1aW5kby1zZSBvcyB1c29zIHJlZmVyZW50ZXMgw6AKcmVwcmVzZW50YcOnw6NvIHDDumJsaWNhIGUvb3UgZXhlY3XDp8OjbyBww7pibGljYSwgYmVtIGNvbW8gcXVhbHF1ZXIgb3V0cmEKbW9kYWxpZGFkZSBkZSBjb211bmljYcOnw6NvIGFvIHDDumJsaWNvIHF1ZSBleGlzdGEgb3UgdmVuaGEgYSBleGlzdGlyLApub3MgdGVybW9zIGRvIGFydGlnbyA2OCBlIHNlZ3VpbnRlcyBkYSBMZWkgOS42MTAvOTgsIG5hIGV4dGVuc8OjbyBxdWUKZm9yIGFwbGljw6F2ZWwgYW9zIHNlcnZpw6dvcyBwcmVzdGFkb3MgYW8gcMO6YmxpY28gcGVsYSBCaWJsaW90ZWNhClZpcnR1YWwgRkdWLgoKNC4gRXN0YSBsaWNlbsOnYSBhYnJhbmdlLCBhaW5kYSwgbm9zIG1lc21vcyB0ZXJtb3MgZXN0YWJlbGVjaWRvcyBubwppdGVtIDIsIHN1cHJhLCB0b2RvcyBvcyBkaXJlaXRvcyBjb25leG9zIGRlIGFydGlzdGFzIGludMOpcnByZXRlcyBvdQpleGVjdXRhbnRlcywgcHJvZHV0b3JlcyBmb25vZ3LDoWZpY29zIG91IGVtcHJlc2FzIGRlIHJhZGlvZGlmdXPDo28gcXVlCmV2ZW50dWFsbWVudGUgc2VqYW0gYXBsaWPDoXZlaXMgZW0gcmVsYcOnw6NvIMOgIG9icmEgZGVwb3NpdGFkYSwgZW0KY29uZm9ybWlkYWRlIGNvbSBvIHJlZ2ltZSBmaXhhZG8gbm8gVMOtdHVsbyBWIGRhIExlaSA5LjYxMC85OC4KCjUuIFNlIGEgT2JyYSBkZXBvc2l0YWRhIGZvaSBvdSDDqSBvYmpldG8gZGUgZmluYW5jaWFtZW50byBwb3IKaW5zdGl0dWnDp8O1ZXMgZGUgZm9tZW50byDDoCBwZXNxdWlzYSBvdSBxdWFscXVlciBvdXRyYSBzZW1lbGhhbnRlLCB2b2PDqgpvdSBvIHRpdHVsYXIgYXNzZWd1cmEgcXVlIGN1bXByaXUgdG9kYXMgYXMgb2JyaWdhw6fDtWVzIHF1ZSBsaGUgZm9yYW0KaW1wb3N0YXMgcGVsYSBpbnN0aXR1acOnw6NvIGZpbmFuY2lhZG9yYSBlbSByYXrDo28gZG8gZmluYW5jaWFtZW50bywgZQpxdWUgbsOjbyBlc3TDoSBjb250cmFyaWFuZG8gcXVhbHF1ZXIgZGlzcG9zacOnw6NvIGNvbnRyYXR1YWwgcmVmZXJlbnRlIMOgCnB1YmxpY2HDp8OjbyBkbyBjb250ZcO6ZG8gb3JhIHN1Ym1ldGlkbyDDoCBCaWJsaW90ZWNhIFZpcnR1YWwgRkdWLgoKNi4gQ2FzbyBhIE9icmEgb3JhIGRlcG9zaXRhZGEgZW5jb250cmUtc2UgbGljZW5jaWFkYSBzb2IgdW1hIGxpY2Vuw6dhCkNyZWF0aXZlIENvbW1vbnMgKHF1YWxxdWVyIHZlcnPDo28pLCBzb2IgYSBsaWNlbsOnYSBHTlUgRnJlZQpEb2N1bWVudGF0aW9uIExpY2Vuc2UgKHF1YWxxdWVyIHZlcnPDo28pLCBvdSBvdXRyYSBsaWNlbsOnYSBxdWFsaWZpY2FkYQpjb21vIGxpdnJlIHNlZ3VuZG8gb3MgY3JpdMOpcmlvcyBkYSBEZWZpbml0aW9uIG9mIEZyZWUgQ3VsdHVyYWwgV29ya3MKKGRpc3BvbsOtdmVsIGVtOiBodHRwOi8vZnJlZWRvbWRlZmluZWQub3JnL0RlZmluaXRpb24pIG91IEZyZWUgU29mdHdhcmUKRGVmaW5pdGlvbiAoZGlzcG9uw612ZWwgZW06IGh0dHA6Ly93d3cuZ251Lm9yZy9waGlsb3NvcGh5L2ZyZWUtc3cuaHRtbCksIApvIGFycXVpdm8gcmVmZXJlbnRlIMOgIE9icmEgZGV2ZSBpbmRpY2FyIGEgbGljZW7Dp2EgYXBsaWPDoXZlbCBlbQpjb250ZcO6ZG8gbGVnw612ZWwgcG9yIHNlcmVzIGh1bWFub3MgZSwgc2UgcG9zc8OtdmVsLCB0YW1iw6ltIGVtIG1ldGFkYWRvcwpsZWfDrXZlaXMgcG9yIG3DoXF1aW5hLiBBIGluZGljYcOnw6NvIGRhIGxpY2Vuw6dhIGFwbGljw6F2ZWwgZGV2ZSBzZXIKYWNvbXBhbmhhZGEgZGUgdW0gbGluayBwYXJhIG9zIHRlcm1vcyBkZSBsaWNlbmNpYW1lbnRvIG91IHN1YSBjw7NwaWEKaW50ZWdyYWwuCgoKQW8gY29uY2x1aXIgYSBwcmVzZW50ZSBldGFwYSBlIGFzIGV0YXBhcyBzdWJzZXHDvGVudGVzIGRvIHByb2Nlc3NvIGRlCnN1Ym1pc3PDo28gZGUgYXJxdWl2b3Mgw6AgQmlibGlvdGVjYSBWaXJ0dWFsIEZHViwgdm9jw6ogYXRlc3RhIHF1ZSBsZXUgZQpjb25jb3JkYSBpbnRlZ3JhbG1lbnRlIGNvbSBvcyB0ZXJtb3MgYWNpbWEgZGVsaW1pdGFkb3MsIGFzc2luYW5kby1vcwpzZW0gZmF6ZXIgcXVhbHF1ZXIgcmVzZXJ2YSBlIG5vdmFtZW50ZSBjb25maXJtYW5kbyBxdWUgY3VtcHJlIG9zCnJlcXVpc2l0b3MgaW5kaWNhZG9zIG5vIGl0ZW0gMSwgc3VwcmEuCgpIYXZlbmRvIHF1YWxxdWVyIGRpc2NvcmTDom5jaWEgZW0gcmVsYcOnw6NvIGFvcyBwcmVzZW50ZXMgdGVybW9zIG91IG7Do28Kc2UgdmVyaWZpY2FuZG8gbyBleGlnaWRvIG5vIGl0ZW0gMSwgc3VwcmEsIHZvY8OqIGRldmUgaW50ZXJyb21wZXIKaW1lZGlhdGFtZW50ZSBvIHByb2Nlc3NvIGRlIHN1Ym1pc3PDo28uIEEgY29udGludWlkYWRlIGRvIHByb2Nlc3NvCmVxdWl2YWxlIMOgIGFzc2luYXR1cmEgZGVzdGUgZG9jdW1lbnRvLCBjb20gdG9kYXMgYXMgY29uc2Vxw7zDqm5jaWFzIG5lbGUKcHJldmlzdGFzLCBzdWplaXRhbmRvLXNlIG8gc2lnbmF0w6FyaW8gYSBzYW7Dp8O1ZXMgY2l2aXMgZSBjcmltaW5haXMgY2Fzbwpuw6NvIHNlamEgdGl0dWxhciBkb3MgZGlyZWl0b3MgYXV0b3JhaXMgcGF0cmltb25pYWlzIGUvb3UgY29uZXhvcwphcGxpY8OhdmVpcyDDoCBPYnJhIGRlcG9zaXRhZGEgZHVyYW50ZSBlc3RlIHByb2Nlc3NvLCBvdSBjYXNvIG7Do28gdGVuaGEKb2J0aWRvIHByw6l2aWEgZSBleHByZXNzYSBhdXRvcml6YcOnw6NvIGRvIHRpdHVsYXIgcGFyYSBvIGRlcMOzc2l0byBlCnRvZG9zIG9zIHVzb3MgZGEgT2JyYSBlbnZvbHZpZG9zLgoKClBhcmEgYSBzb2x1w6fDo28gZGUgcXVhbHF1ZXIgZMO6dmlkYSBxdWFudG8gYW9zIHRlcm1vcyBkZSBsaWNlbmNpYW1lbnRvIGUKbyBwcm9jZXNzbyBkZSBzdWJtaXNzw6NvLCBjbGlxdWUgbm8gbGluayAiRmFsZSBjb25vc2NvIi4K
dc.title.por.fl_str_mv Indicadores financeiros trimestrais para prever falências nos setores de mineração, óleo e gás
title Indicadores financeiros trimestrais para prever falências nos setores de mineração, óleo e gás
spellingShingle Indicadores financeiros trimestrais para prever falências nos setores de mineração, óleo e gás
Chieh, Roberto Shanrey
Bankruptcy prediction
Financial ratios
Mining
Oil and gas
Previsão de falência
Indicadores financeiros
Mineração
Óleo e gás
Economia
Falência
Indicadores econômicos
Óleo - Indústria
Gás - Indústria
Minas e recursos minerais - Indústria
title_short Indicadores financeiros trimestrais para prever falências nos setores de mineração, óleo e gás
title_full Indicadores financeiros trimestrais para prever falências nos setores de mineração, óleo e gás
title_fullStr Indicadores financeiros trimestrais para prever falências nos setores de mineração, óleo e gás
title_full_unstemmed Indicadores financeiros trimestrais para prever falências nos setores de mineração, óleo e gás
title_sort Indicadores financeiros trimestrais para prever falências nos setores de mineração, óleo e gás
author Chieh, Roberto Shanrey
author_facet Chieh, Roberto Shanrey
author_role author
dc.contributor.unidadefgv.por.fl_str_mv Escolas::EESP
dc.contributor.member.none.fl_str_mv Rochman, Ricardo Ratner
Milan, Pedro Luiz Albertin Bono
dc.contributor.author.fl_str_mv Chieh, Roberto Shanrey
dc.contributor.advisor1.fl_str_mv Sampaio, Joelson Oliveira
contributor_str_mv Sampaio, Joelson Oliveira
dc.subject.eng.fl_str_mv Bankruptcy prediction
Financial ratios
Mining
Oil and gas
topic Bankruptcy prediction
Financial ratios
Mining
Oil and gas
Previsão de falência
Indicadores financeiros
Mineração
Óleo e gás
Economia
Falência
Indicadores econômicos
Óleo - Indústria
Gás - Indústria
Minas e recursos minerais - Indústria
dc.subject.por.fl_str_mv Previsão de falência
Indicadores financeiros
Mineração
Óleo e gás
dc.subject.area.por.fl_str_mv Economia
dc.subject.bibliodata.por.fl_str_mv Falência
Indicadores econômicos
Óleo - Indústria
Gás - Indústria
Minas e recursos minerais - Indústria
description O objetivo dessa dissertação é identificar os melhores modelos para prever falência de empresas dos setores de mineração, óleo e gás no período entre 1998 e 2017. Em termos metodológicos, buscou-se estimar um modelo de regressão logística para prever as falências das empresas por meio de indicadores financeiros. Estimam-se modelos com dados anuais e trimestrais utilizando informações dos últimos três, dois e um ano anteriores às falências, contados a partir de um ano antes da formalização da falência. Conclui-se que o melhor modelo é aquele que utiliza as informações mais recentes, do último ano, e com dados trimestrais. As variáveis de patrimônio líquido sobre passivo total e fluxo de caixa de investimentos sobre passivo total se destacaram dentre os demais indicadores, sendo somente a primeira significativa em todos os modelos. O melhor modelo teve 79,1% de acerto geral e 85,5% de acerto para as empresas que faliram.
publishDate 2018
dc.date.accessioned.fl_str_mv 2018-08-27T13:48:01Z
dc.date.available.fl_str_mv 2018-08-27T13:48:01Z
dc.date.issued.fl_str_mv 2018-07-31
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10438/24613
url http://hdl.handle.net/10438/24613
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Institucional do FGV (FGV Repositório Digital)
instname:Fundação Getulio Vargas (FGV)
instacron:FGV
instname_str Fundação Getulio Vargas (FGV)
instacron_str FGV
institution FGV
reponame_str Repositório Institucional do FGV (FGV Repositório Digital)
collection Repositório Institucional do FGV (FGV Repositório Digital)
bitstream.url.fl_str_mv https://repositorio.fgv.br/bitstreams/88f8056f-8a07-44f3-a491-8c556c13e53b/download
https://repositorio.fgv.br/bitstreams/06d31f0f-9ae7-4869-a952-3ebca658c720/download
https://repositorio.fgv.br/bitstreams/5d6d730c-6a2c-4b16-ba32-efd8c1319a7f/download
https://repositorio.fgv.br/bitstreams/ff2aa935-e4a7-438b-8d02-d76c5b545ddb/download
bitstream.checksum.fl_str_mv 3b0c504352249b21d4edbc78c5dafc0d
1b330f244eb5945c4c15d9d2165215e2
dfb340242cced38a6cca06c627998fa1
4391b06480ce8a5d075a5897d4880b26
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV)
repository.mail.fl_str_mv
_version_ 1813797840310239232