Proposição de modelos de previsão de risco de crédito para pequenas e médias empresas por meio da regressão logística

• Autor(a) principal: Führ, Flávio
• Data de Publicação: 2018
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
• Texto Completo: http://repositorio.utfpr.edu.br/jspui/handle/1/3582
• topic: CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO; Análise de crédito; Sistema de avaliação de risco de crédito (Finanças); Pequenas e médias empresas; Credit analysis; Credit scoring systems; Small business; Engenharia de Produção

O presente trabalho, busca contribuir com o setor financeiro de fomento de crédito para pequenas e médias empresas (PMEs). Para isso propõe a elaboração de modelos de previsão de risco de crédito para PMEs por meio da Regressão Logística (RL). Utilizando de informações de cadastro e histórico de crédito, foram extraídas variáveis, com relevante significância, para a definição da probabilidade de ocorrência de inadimplência. O levantamento do dados e geração de informações, foram feitos por meio da pesquisa exploratória, com procedimentos experimentais, tendo como campo de exploração banco de dados de uma Cooperativa de Crédito. Metodologicamente, criou-se 4 classes de empresas: Microempreendedor Individual (MEI), Microempresa (ME), Pequena Empresa (PE) e Média Empresa (MédE), sendo que a base de dados geral, foi redistribuída conforme faixas de faturamento, surgindo assim as 4 novas bases de dados. Para melhoria dos modelos e redução das diferenças, dentro da base de dados, de cada classe de empresas, utilizou-se o processo de discretização e a criação de variáveis “dummy” ou artificiais. Como resultado da aplicação da técnica estatística na base de dados, nas 4 classes de empresas: MEI, ME, PE, MédE e nos Dados Gerais (DG), obteve-se uma confirmação da relevância da RL na elaboração dos modelos. As acurácias dos modelos apresentaram percentuais expressivos para base de dados com variáveis não contábeis e não auditáveis, atingindo percentuais satisfatórios. Para MEI, o percentual de acurácia foi de 83%, utilizando 2 variáveis na composição do modelo. Quanto a ME, apresentou um acurácia 84,9%, utilizando 5 variáveis na composição do modelo. Para PE a acurácia atingiu 88,5%, porém incluindo apenas 1 variável no modelo. Para MédE a acurácia foi de 83%, apresentando 3 variáveis no modelo e para os DG, a acurácia foi de 85%, apresentando 5 variáveis na composição do modelo. Ainda foi possível observar quais variáveis possuem maior relevância dentro da base de dados. Os modelos desenvolvidos são ferramentas que podem contribuir com o analista de crédito na identificação de possíveis adimplentes ou inadimplentes para instituições financeiras que possuem PMEs em seu portfólio.