Após a segmentação da carteira de clientes pelo critério de porte, percebeu-se que a segmentação efetuada sobre a amostra do presente trabalho não se aplicava ao modelo de árvore de decisão, pois, em relação a amostra do presente trabalho, houve uma redução de acurácia se comparado ao modelo de árvore de decisão anterior à segmentação. Apesar da leve melhora na acurácia dos adimplentes, houve uma queda brusca no acerto dos inadimplentes.
A tabela a seguir indicando os clientes adimplentes, categorizados como 0 e os inadimplentes, categorizados como 1, demonstra a redução do poder preditivo do modelo em relação ao modelo anterior a segmentação, conforme citou-se.
Nota-se também que cada um dos segmentos, mantiveram um índice de curva ROC médio adequado de 0,8077, porém inferior ao obtido quando processado o modelo geral, anterior a segmentação.
Tabela 16 – Árvore de decisão com segmentação
Fonte: O autor
A tabela 17 a seguir mostra os principais resultados encontrados pós segmentação, analisando-se os segmentos combinados com o modelo anterior a segmentação. Na amostra subdvidida em três segmentos conforme tabela 15, o percentual combinado de acertos de bons
pagadores foi de 92,32% e 68,66% para os inadimplentes, obtendo-se uma redução global de acurácia no modelo segmentado de 0,3% (89,4% - 89,7%).
Tabela 17 - Comparação de resultado da amostra original versus segmentada – Árvore de decisão
Fonte: O autor
5 CONSIDERAÇÕES FINAIS
A concessão de crédito é uma atividade que sempre estará ligada ao risco. Em função deste contexto, diversas metodologias têm sido desenvolvidas, pelo mercado e pela academia, a fim de, com certo grau confiável de acurácia, separar bons e maus pagadores.
Diante deste panorama, aliado a importância deste tema não só a Indústria BASE, mas ao mercado como um todo, o presente trabalho objetivou avaliar alguns destes modelos a fim de testar suas acurácias antes e após segmentação da amostra, a fim de verificar a influência deste procedimento.
A presente pesquisa não tem a pretensão de comparar os três modelos utilizados na mesma com o intuito de informar qual o melhor, e sim avaliar a influência da técnica de agrupamento/segmentação em relação as acurácias dos modelos. A que se ressaltar que se trabalhou uma amostra específica pertencente à Indústria BASE.
Optou-se, conforme metodologia da presente pesquisa, pela utilização de três modelos para a avaliação do risco de crédito, sendo dois paramétricos, análise discriminante e regressão logística, e um não paramétrico, árvore de decisão.
O modelo de árvode de decisão, conforme amplamente citou-se no presente trabalho, se refere a um método não paramétrico e, consequentemente, não está subordinado aos pressupostos estatísticos de modelos como a análise discriminante e regressão logística.
Sendo assim, analisando o processo sem segmentação, o melhor desempenho foi o do modelo CART que classificou corretamente 89,7% das observações, sendo que 82,1% dos maus pagadores foram classificados corretamente; saliente-se que o modelo de Regressão Logística classificou corretamente 91,4% das observações, no entanto, apenas 44,8% dos os maus pagadores foram classificados corretamente. Isto é relevante porque os maus pagadores têm um custo de classificação errada (falta de pagamento do bem entregue em confiança) bem maior que o custo de classificar erradamente um bom pagador (perda da margem de lucro da venda).
Figura 31 – Comparativo de acurácia dos modelos – pré segmentação
Fonte: O autor
Pós segmentação, os dois modelos que tiveram melhora em sua performance foram os modelos paramétricos, análise discriminante e regressão logística, sendo que houve uma redução na performance do modelo não paramétrico de árvore de decisão – CART.
Considerando o processo com segmentação nota-se que os modelos paramétricos tiveram ganhos significativos, sendo que o modelo de Regressão Logística alcançou um resultado expressivo com 98,0% do total de acertos, identificando corretamente 91% dos maus pagadores. Não surpreendeu o CART ter piorado seu desempenho, pois sendo um modelo não paramétrico não foi influenciado pela redução da variância e sim pelas características das novas subamostras analisadas.
A figura 32 demostra a evolução, pós segmentação, da acurácia dos modelos paramétricos em relação ao modelo não paramétrico. A que se ressaltar que não é o objetivo do presente estudo avaliar se métodos paramétricos são mais eficazes que os não paramétricos e vice-versa.
Figura 31 – Comparativo de acurácia dos modelos – pós segmentação
Face os resultados encontrados, pode-se afirmar que a técnica de segmentação melhorou o resultado dos modelos paramétricos pela redução da variância das subamostras (estratos) analisadas, no entanto não surtiu efeito favorável no modelo não paramétrico. O modelo de Regressão Logística com segmentação apresentou um resultado superior, no entanto deve-se considerar que o modelo está ajustado para a amostra que foi selecionada.
Finalizando, conclui-se que o objetivo da presente pesquisa foi alcançado ao identificar que os métodos testados possuem capacidade preditiva adequada e, portanto, são capazes de separar, com taxa robusta de acurácia, bons e maus pagadores. Ressalvando-se o aspecto de validação e a possibilidade de ajustes nos modelos, pode-se afirmar que a Indústria Base pode contar com uma ferramenta adicional, prática e eficiente, de seleção de clientes.
Obviamente, há questões que não foram consideradas ou aprofundadas na presente pesquisa, abrindo, portanto, a oportunidade para explorá-las em estudos futuros.
Sendo assim, diante deste contexto, poder-se-á verificar em estudos adicionais os seguintes aspectos:
a) Avaliação do ponto de corte adequado aos modelos paramétricos, à luz do item 2.8.6.2 do presente trabalho, frente ao objetivo final de qualquer companhia que é o de maximizar seus resultados, levando em consideração que os erros tipo I e tipo II possuem custos diferenciados para a companhia.
b) Avaliar com qual período de antecedência o modelo é capaz de prever os eventos de default, com o mesmo poder adequado de acurácia.
c) Comparar os níveis de acurácia do modelo de árvore de decisão, pela metodologia CART, antes e pós segmentação, porém, para uma amostra percentual mais expressiva em relação a população.
REFERÊNCIAS
ALTMAN, Edward I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance, p. 589-609. Vol. XXIII, September 1968.
ANDERSON, Raymond. The Credit Scoring Toolkit: Theory and Pratice for Retail Credit Risk Management and Decision Automation. Oxford: Oxford University Press, 2007.
BARBOSA, Anderson Henrique; FREITAS, Marcílio Souza da Rocha; NEVES, Francisco de Assis das. Confiabilidade estrutural utilizando o método de Monte Carlo e redes neurais. Rev. Esc. Minas vol.58 n°3 Ouro Preto Jul./Set. 2005. Disponível em: <
http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0370-44672005000300011>. Acesso em: 11/06/2014.
BASGALUPP, Marcio Porto. Legal-Tree: Um algoritmo genético multi-onjetivo lexicográfico para indução de árvores de decisão. 2010. 94 f. Tese (Doutorado em Ciências da Computação e Matemática Computacional). Universidade de São Paulo, São Carlos. 2010
BHATIA, Mohan. Credit Risk Management and Basel II: An Implementation Guide. London: Risk Books, 2006.
BERNSTEIN, Peter L. Desafio aos Deuses. A fascinante história do Risco. 3 ed. Rio de Janeiro: Campus, 1997.
BEUREN, I.M. Como elaborar trabalhos monográficos em contabilidade. 3 ed. São Paulo: Atlas, 2009.
BOOTH, W.C.; COLOMB, G.G.; WILLIAMS, J.M. A arte da pesquisa. São Paulo: Martins Fontes, 2005
BREIMAN, Leo; FRIEDMAN, Jerome H; OLSHEN, Richard A; STONE, Charles J. Classification and Regression Trees. California: Wadsworth, 1984.
BRITO, Giovani Antonio Silva; NETO, Alexandre Assaf. Modelo de Classificação de risco de crédito de empresas. R. Cont. Fin. USP. São Paulo. V.19. n.46.Janeiro/abril 2008.
CALIN, Adrian Cantemir. POPOVIC, Oana Cristina. Modeling Credit Risk Through Credit Scoring. Internal Auditing & Risk Management, p. 99-109. Ano IX, n° 2 (34), June 2014. CAOUETTE, John B.; ALTMAN, Edward I. e NARAYANAN, Paul. Gestão do risco de crédito. O próximo grande desafio financeiro. Rio de Janeiro: Qualitymark, 1999
CAOUETTE, John B.; ALTMAN, Edward I.; NARAYANAN, Paul. e NIMMO, Robert W. J. Gestão do risco de crédito. O grande desafio dos mercados financeiros globais. Rio de Janeiro: Qualitymark, 2009
CHAIA, Alexandre Jorge. Modelos de gestão do risco de crédito e sua aplicabilidade ao mercado brasileiro. 2003. 88 f. Dissertação (Mestrado em Administração) - Curso de Pós- Graduação em Administração, Universidade de São Paulo, São Paulo, 2003.
CORRAR, Luiz J.; PAULO, Edilson; FILHO, José Maria Dias. Análise Multivariada para os cursos de Administração, Ciências Contábeis e Economia. São Paulo: Editora Atlas, 2007. CROUHY, Michel; GALAI, Dan; MARK, Robert. Fundamentos da Gestão de Risco. Rio de Janeiro: Qualitymark, 2007.
CULP, Christopher L. The Art of Risk Management: Alternative Risk Transfer, Capital Structure, and the Convergence of Insurance and Capital Markets. New York: John Wiley & Sons, 2002.
DUARTE JR., Antonio M.; VARGA, Gyorgy. Gestão de Riscos no Brasil. Rio de Janeiro: Financial Consultoria, 2003.
EXAME. A contribuição de cada estado para o PIB do Brasil. Disponível em: <http://www.exame.abril.com.br/ecomomia/album-de-fotos/a-contribuicao-de-cada-estado- para-o-pib-do-brasil.html >. Acesso em 22/02/2015.
FIELD, Andy. Descobrindo a Estatística Utilizando o SPSS. Rio Grande do Sul: Artmed Editora, 2009.
GAGANIS, Chrysovalantis. FOTIOS, Pasiouras. SPATHIS, Charalambos. ZAPOUNIDIS, Constantin. A Comparison of Nearest Neighbors, Discriminat and Logit Models for Auditing Decisions. Intelligent Systems in Accounting, Finance and Management. n° 15. p. 23-40, 2007. GELPI, Rosa-Maria; LABRUYERE, François Julien. História do Crédito ao Consumo. S. Joao do Estoril, 2000.
HALMENSCHLAGER. Carine. Um Algoritmo para Indução de Árvores e Regras de Decisão. 2002. 111 f. Dissertação. (Mestrado em Ciência da Computação). Programa de Pós-Graduação em Computação. Universidade Federal do Rio Grande do Sul, Rio Grande do Sul, 2002. HAYKIN, Simon. Redes Neurais. Princípios e prática. 2.Ed. Porto Alegre. Bookman, 2001. HAIR JR., Joseph F.; ANDERSON, Rodolph E.; TATHAM, Ronald L.; BLACK, William C. Análise Multivariada de Dados. 5. Ed. São Paulo. Bookman, 2007.
HOSMER, David W. LEMESHOW, Stanley. Applied logistic Regression. 2° ed. John Wiley & Sons. New York, 2000.
HOUAISS, Antônio; VILLAR, Mauro de Salles; FRANCO, Francisco Manoel de Mello. Dicionário Houaiss da Língua Portuguesa. 1. Ed. Rio de Janeiro. Objetiva, 2009.
HALE, Roger H. Credit Analysis. A complete Guide. John Wiley & Sons, 1983.
LIMA, Fabiano Guasti; PERERA, Luiz Carlos Jacob; KIMURA, Herbert; FILHO, Antonio Carlos da Silva. Aplicação de redes neurais na análise e na concessão de crédito ao consumidor. R. Adm., São Paulo, v. 44, n.1, p. 34-45, jan./fev./mar. 2009.
MARGOTTO, Paulo R. Curva ROC. Como fazer e interpretar no SPSS. Disponível em:
http://www.paulomargotto.com.br/documentos/Curva_ROC_SPSS.pdf. Acesso em 27/05/15.
MEI, Cheng Wang. LI, Shanshan. ROC analysis for multiple markers with tree-based classification. Lifetime Data Anal, p. 257-277, 2013.
MENARD, Scott. Applied Logistic Regression Analysis. 2° ed. California. Sage Publications, 2001.
MILERIS, Ricardas. Estimation of Loan Applicants Default Probability Applying Discriminant Analysis and Simple Bayesian Classifier. Economics and Management, p. 1078-1084, 2010. MURANAGA, Jun; OHSAWA, Makoto. Measurement of liquidity risk in the context of market risk calculation. Institute for monetary and economic studies. Bank of Japan, 1997. Disponível em:<http://www.researchgate.net/publication/255499915_Measurement_of_liquidity_risk_in _the_context_of_market_risk_calculation >. Acesso em: 27/05/2014.
PERERA, Luiz Carlos Jacob. Crédito. História, fundamentos e modelos de análise. São Paulo. Saint Paul, 2013.
PERERA, Luiz Carlos Jacob. Decisões de crédito para grandes corporações. 1998. Tese de Doutorado. Universidade de São Paulo. São Paulo, 1998.
PICININI, Ronaldo; OLIVEIRA, Gina Maria Barbosa de; MONTEIRO, Luiz Henrique Alves. Mineração de critério de Credit Scoring utilizando algoritmos genéticos. 6º Simpósio Brasileiro de Automação Inteligente. Bauru, 2003. Disponível em: <http://fei.edu.br/sbai/SBAI2003/index.html> Acesso em 09/06/14.
RODRIGUES, Agatha Sacramento. Regressão Logística com erro de medida: comparação de métodos de estimação. 2013. Dissertação de Mestrado. Universidade de São Paulo. São Paulo, 2013.
ROSSETTI, José Paschoal; ANDRADE, Adriana. Governança Corporativa. Fundamentos, Desenvolvimento e Tendências. 6. Ed. São Paulo: Atlas, 2012.
SANTOS, José Odálio dos; FAMÁ, Rubens. Avaliação da aplicabilidade de um modelo de credit scoring com varíaveis sistêmicas e não-sistêmicas em carteiras de crédito bancário rotativo de pessoas físicas. Revist. Contabilidade e finanças. Vol.18 n° 44. São
Paulo Mai/Ago. 2007. Disponível em :<
http://www.scielo.br/scielo.php?script=sci_arttext&pid=S1519-70772007000200009>. Acesso em 08/06/2014.
SCHRICKEL, Wolfgang Kurt. Análise de crédito. Concessão e Gerência de Empréstimos. 4. ed. rev. e atual. São Paulo: Atlas, 1998.
SECURATO, José Roberto. Crédito. Análise e avaliação de risco. São Paulo: Saint Paul, 2007. SECURATO, Jose Roberto. Cálculo Financeiro das Tesourarias. São Paulo: Saint Paul, 2005. SERASA EXPERIAN. Credit Rating. Perguntas Frequentes. Disponível em: <http://www.serasaexperian.com.br/consultas/risco-credito/perguntas.html>. Acesso em 01/06/2014.
SERASA EXPERIAN. Credit Riskscoring. Perguntas Frequentes. Disponível em: <http://www.serasaexperian.com.br/analise/avaliar-riscos-expandir-
negocios/perguntas.html>. Acesso em 17/02/2015.
SILVA, José Pereira da. Gestão e análise de risco de crédito. São Paulo: Atlas, 2003. SILVA, José Pereira da. Gestão e análise de risco de crédito. São Paulo: Atlas, 2013.
STOLF, Wagner Albres. Quantificação do risco de crédito. Um estudo de caso utilizando o modelo CreditRisk+. 2008. 108 f. Dissertação de Mestrado. Universidade de São Paulo, Escola Superior de Agricultura “Luiz de Queiroz”, Piracicaba, 2008.
STUCHI, Luciano Gabas. Quantificação do risco de crédito. Uma aplicação do modelo CreditRisk+ para financiamento de atividades rurais e agroindustriais. 2003. 107 f. Dissertação de Mestrado. Universidade de São Paulo, Escola Superior de Agricultura “Luiz de Queiroz”, Piracicaba, 2003.
SUMIHARA FILHO, Hideo. SLEEGERS, Líneke Clementino. Valores de Referência para os Principais Indicadores de Acurácia dos Modelos de Escoragem. São Paulo, Serasa Experian: Tecnologia de Crédito, n. 73, ago. 2010.
THOMAS, Lyn C. Consumer Credit Models. Pricing, Profit, and Portfolios. New York: Oxford University Press, 2009.
VALOR. Desembolso do BNDES para máquinas e equipamentos desacelera no ano. Disponível em: <http://www.valor.com.br/empresas/3594038/desembolso-do-bndes-para- maquinas-e-equipamentos-desacelera-no-ano.html >. Acesso em 22/02/2015.
APÊNDICES
Apêndice A – PRINCIPAIS OUTPUTS SPSS (CARTEIRA SEGMENTADA – ANÁLISE
DISCRIMINANTE)... 120 Apêndice B – PRINCIPAIS OUTPUTS SPSS (CARTEIRA SEGMENTADA – REGRESSÃO
LOGÍSTICA)... 121 Apêndice C – PRINCIPAIS SAÍDAS CART 6.0 (CARTEIRA SEGMENTADA – ÁRVORE DE DECISÃO)... 122
Apêndice A – PRINCIPAIS OUTPUTS SPSS (CARTEIRA SEGMENTADA – ANÁLISE DISCRIMINANTE)
Segmento Corporate Plus – categoria 3465
Segmento Corporate – categoria 1000
Apêndice B – PRINCIPAIS OUTPUTS SPSS (CARTEIRA SEGMENTADA – REGRESSÃO LOGÍSTICA)
Segmento Corporate Plus – categoria 3465
Segmento Corporate – categoria 1000
Apêndice C – PRINCIPAIS SAÍDAS CART 6.0 (CARTEIRA SEGMENTADA – ÁRVORE DE DECISÃO)
Segmento Corporate Plus – categoria 3465