Modelagem do risco de crédito: um estudo do segmento de pessoas físicas em um banco de

varejo.

Antônio Alves Amorim Neto

Universidade Federal de Pernambuco Centro de Ciências Sociais Aplicadas Curso de Mestrado em Administração

Modelagem do risco de crédito: um estudo do segmento de pessoas físicas em um banco de

varejo.

Antônio Alves Amorim Neto

Dissertação apresentada como requisito complementar para obtenção do grau de Mestre em Administração

Recife, 2002.

Agradecimentos

Ao meu orientador Professor Charles Carmona, pelas contribuições à

dissertação, e, por todo apoio e incentivo em prosseguir na carreira acadêmica.

À Fátima Braga, colega do Banco do Brasil, por todo o apoio concedido

durante o curso de mestrado.

Aos meus pais que sempre me deram segurança e apoio em todas as situações.

Gostaria de agradecer especialmente à minha companheira, Ana Paula Cabral,

pelos intermináveis finais de semana que trabalhou junto comigo neste trabalho, pela

eterna disposição em me ajudar, pelo estímulo para eu prosseguir no curso de mestrado,

enfim, por viver cada momento deste trabalho ao meu lado.

Resumo

As mudanças testemunhadas na economia brasileira após a introdução do Plano

Real em julho de 1994, alçaram a questão de administração de risco de crédito a uma

posição de destaque nas instituições financeiras nacionais. Antes disso, a alta inflação

havia inibido o crescimento do mercado de empréstimos no país.

A expansão das operações de crédito, no Brasil após o Plano Real foi

abrangente em vários segmentos da economia, entretanto, as operações de crédito para

pessoas físicas foram as que mais cresceram nos últimos anos. Nas últimas décadas

diversos modelos estatísticos de probabilidade foram desenvolvidos pelas instituições

financeiras, porém, estes modelos, na maioria das vezes, são específicos para o segmento

de pessoas jurídicas. A funcionalidade de modelos estatísticos quando aplicados ao

gerenciamento do crédito para pessoas físicas no Brasil ainda é uma incógnita.

Diante disso, este trabalho apresenta o desenvolvimento de modelos

probabilísticos multivariados para o segmento de pessoas físicas em um banco de varejo

brasileiro. Para a construção desses modelos aplicou-se às técnicas de regressão logística e

análise discriminante. Foram desenvolvidos dois tipos de modelos: Modelos específicos

para a concessão de crédito, e modelos específicos para o gerenciamento do risco de

crédito (behavioural scoring). Por fim faz-se uma avaliação comparativa das técnicas

estatísticas utilizadas e da funcionalidade dos modelos apresentados.

Abstract

The changes that happened in Brazil after the introduction of the Plano Real, in

July 1994, raised credit risk management to a highlight position in the national financial

institutions. Before that, the high inflation rate has inhibited the growth of the loan market

in the country.

The expansion of loan operations after Plano Real, was wide in several

economic segments, however, the personal credit loans presents the higher rates of growth

in the last few years. In the last decades, several probability models were developed by the

financial institutions, however this models, several times, are specifics for the firms sector.

The functionality for statistical models when applied at the personal loans remains a doubt.

This Work shows the application of the multivariate probabilistic models for

the personal credit loans in a Brazilian commercial bank. For the construction of the

models we apply the logistic regression and discriminant analysis techniques. We develop

two models: Loan concession specific models, and behavioral scoring models. Finally, we

do a comparative evaluation of the statistical techniques and the functionality of the

models.

Sumário

Pg. 1 Introdução 09 1.1 Apresentação do Tema 09 1.2 Justificativa 11 1.3 Problema de pesquisa 12 1.4 Objetivos da pesquisa 14 1.5 Delimitação 15 2 Aspectos conceituais e considerações 16 2.1 Risco 16 2.2 Crédito 19 2.2.1 Definição 19 2.2.2 Crédito bancário 20 2.3 Crédito pessoal 22 2.3.1 Evolução recente 22 2.3.2 Operações 24 2.3.2.1 Crédito rotativo 26 2.3.2.2 Crédito fixo 27 3 Referencial teórico 29 3.1 Definição e classificação de risco de crédito 29 3.2 Modelos 31 3.2.1 Conceito e história 31 3.2.2 Classificação dos modelos 33 3.2.3 Sistemas especialistas 33 3.2.4 Sistemas de pontuação de crédito (credit scoring) 39 3.2.4.1 Conceito 39 3.2.4.2 Behavioural scoring 41 3.2.4.3 Histórico 42 3.2.4.4 Vantagens dos modelos de credit scoring 46 3.2.4.5 Limitações e desvantagens dos modelos de credit scoring 47 3.2.5 Sistemas de classificação (rating) 49 3.2.6 A abordagem da carteira 51 3.2.6.1 Conceito 51 3.2.6.2 Creditmetrics 53 3.3 Métodos estatísticos aplicados em modelos de credit scoring 54 3.3.1 Análise dicriminante 55 3.3.2 Regressão logística 59 3.3.3 Redes neurais artificiais 61

4 Metodologia 64 4.1 Credit scoring 64 4.2 Finalidade 65 4.2.1 Modelo de concessão de crédito 65 4.2.2 Modelo de concessão de crédito 65 4.3 Base de dados 66 4.3.1 Composição da amostra 66 4.3.2 Conceito de cliente inadimplente 67 4.3.3 Método de seleção 67 4.3.4 Parâmetro da amostra 68 4.3.5 Tratamento dos dados 69 4.4 Variáveis 69 4.4.1 Descrição das variáveis originais 69 4.4.2 Estudo das variáveis originais 70 4.4.3 Descrição das variáveis derivadas 74 4.4.4 Estudo das variáveis derivadas 75 4.4.5 Variáveis utilizadas para desenvolver os modelos 76 4.5 Avaliação dos modelos 77 4.6 Principais limitações da metodologia 78 5 Resultados 81 5.1 Modelos de concessão de crédito 81 5.1.1 Análise discriminante 81 5.1.2 Regressão logística 82 5.2 Modelos de escoragem de crédito 84 5.2.1 Análise discriminante 84 5.2.2 Regressão logística 86 6 Conclusões 88 Referências bibliográficas 95 Apêndices 99 Anexos 104

9

1 Introdução

1.1 Apresentação do tema

As mudanças na economia mundial nas últimas décadas, ocasionadas pelo

fenômeno da globalização e intensificadas pela introdução de novas tecnologias de

comunicação e informação provocaram mudanças bruscas no cenário financeiro mundial.

A desregulamentação da taxa de juros e de câmbio resultantes da queda de fronteiras das

atividades financeiras, assim como alterações repentinas na situação macroeconômica dos

países e o aumento da competição bancária geraram a necessidade de administrar de forma

eficaz o risco de crédito.

Segundo Saunders (2000) existem pelo menos sete motivos para o súbito

interesse na gestão do risco de crédito observado na última década:

a) Aumento estrutural de falências – Embora a recessão tenha atingido diferentes países em

momentos diferentes, as estatísticas mostram um significativo aumento de falências em

comparação com a recessão anterior, especula-se que isto seja conseqüência do aumento da

competição global.

10

b) Desintermediação – A expansão dos mercados de capitais fez com que estes se

tornassem acessíveis as maiores empresas, ou seja, grandes empresas deixaram de tomar

recursos junto a bancos e outras instituições financeiras tradicionais.

c) Margens mais competitivas – As margens de juros, ou spreads, especialmente em

mercados de empréstimos por atacado tem se tornado mais estreitas, ou seja, a

compensação risco-retorno piorou. Várias razões são citadas, mas um fator importante tem

sido a competição por tomadores de menor qualidade, intensificada por parte das empresas

financeiras.

d) Valores declinantes e voláteis de garantias reais – Valores de imóveis e de ativos físicos

são muitos difíceis de prever e de realizar através de liquidação. Quanto mais fracos e

incertos forem os valores das garantias reais, mais arriscada se torna a concessão de

empréstimos. Com efeito, preocupações atuais com a “deflação” em todo o mundo

acentuaram as preocupações com o valor de garantias reais como ativos físicos.

e) O crescimento de derivativos extrabalanço – Devido à fenomenal expansão dos

mercados de derivativos, a exposição ao risco estendeu a necessidade da análise de crédito

para além dos registros contábeis de empréstimos.

f) Tecnologia – Avanços em sistemas de computadores e avanços relacionados com a

tecnologia da informação, têm dado aos bancos e às instituições financeiras a oportunidade

de testar técnicas sofisticadas de modelagem.

g) As exigências para capital baseado no risco do Bank of International Settlements (BIS)

Um dos grandes motivos para os bancos desenvolverem novos modelos de risco de crédito

deve-se provavelmente as exigências de capital para empréstimos impostas pelo BIS, uma

política de tamanho único, em que todos empréstimos a contrapartes do setor privado estão

sujeitos ao mesmo coeficiente de capital, independente da qualidade do crédito.

Diante desta realidade, os bancos vêm desenvolvendo modelos internos de

gerenciamento de risco de crédito que buscam oferecer ferramentas mais eficientes para a

11

valoração da carteira, medição de riscos, e precificação de novos empréstimos,

potencializando os ganhos dos capitais emprestados, e adequando ao montante de capital

que estes devem manter como parte de sua estrutura de capital.

1.2 Justificativa

As mudanças testemunhadas na economia brasileira após a introdução do Plano

Real em julho de 1994, alçaram a questão de administração de risco de crédito a uma

posição de destaque nas instituições financeiras locais. Antes disso, a alta inflação havia

inibido o crescimento do mercado de empréstimos no país. “Ao invés de emprestar a

clientes do setor privado (a um risco de crédito maior), os grandes bancos comerciais

preferiam financiar a dívida interna do país (a um risco de crédito menor), com maior

liquidez, mas ainda assim cobrando taxas de juros substanciais” (PRADO, BASTOS e

DUARTE JR., 2000).

A expansão das operações de crédito, no Brasil após o Plano Real foi

abrangente em vários segmentos da economia, entretanto, as operações de crédito para

pessoas físicas foram as que mais cresceram nos últimos anos. As informações

consolidadas divulgadas pelo Banco Central do Brasil para cada modalidade de credito do

sistema financeiro nacional mostram que já no início do ano 2001 o saldo total das

operações concedidas a pessoas físicas representava um volume superior a 50% do saldo

total das operações concedidas a pessoas jurídicas (ver anexo 1), esclarecimentos

adicionais sobre a metodologia usada na prestação dessas informações podem ser obtidos

na Circular nº 2.957, de dezembro de 1999 (ver anexo 2).

12

O crédito para pessoa física extrapolou as barreiras bancárias e cresceu através

do comércio, cooperativas de crédito mútuo, empresas de cartões de crédito, etc. Apesar de

apresentar um volume de operações de crédito expressivo e crescente, este segmento

tradicionalmente tem sido pouco abordado pela literatura especializada.

Sobre a tendência mundial de ênfase no estudo e desenvolvimento do risco de

crédito Kassai e Kassai (1998, p.6) dizem: “No Brasil, ainda que com certo atraso, essa

tendência se repetirá. Para isso, a academia pode contribuir de forma significativa,

explorando com mais força o tema. Novos estudos sobre o assunto - incluindo a elaboração

de modelos preditivos revisados ou atualizados - serão, com certeza, muito bem vindos”.

O presente trabalho justifica-se por tratar de um tema de fundamental

importância para as empresas que trabalham com crédito para pessoas físicas. O propósito

deste trabalho, portanto, consiste em preencher uma lacuna existente no meio acadêmico

no que se refere ao gerenciamento e concessão do crédito para pessoas físicas.

1.3 Problema de pesquisa As instituições financeiras constituem sua Provisão para Crédito de Liquidação

Duvidosa (PCLD), normalmente, nos valores de contas a receber vencidos, voltadas

exclusivamente para fins fiscais, desprezando os aspectos históricos e as características do

tomador do crédito. A imposição de normas internacionais pelo Bank of International

13

Settlements (BIS)1, e, o próprio reconhecimento da necessidade de controle do risco de

crédito através de procedimentos gerenciais determinou o uso de modelos estatísticos de

probabilidade pelas instituições financeiras para prever, adequar e ajustar seu volume de

crédito a PCLD.

Nas últimas décadas diversos modelos estatísticos de probabilidade foram

desenvolvidos pelas instituições financeiras. Estes modelos, no entanto, na maioria das

vezes são específicos para análise do crédito de empresas. O segmento de pessoas físicas

ao contrário do segmento de pessoas jurídicas é bastante homogêneo sob a ótica financeira,

isto é este segmento possui poucos índices financeiros para serem analisados. As principais

diferenças entre os clientes bancários do segmento de pessoas físicas estão relacionadas ao

seu comportamento. A func ionalidade de modelos estatísticos multivariados quando

aplicados ao gerenciamento do crédito para pessoas físicas no Brasil ainda é uma

incógnita.

Diante deste contexto, podemos formular a seguinte questão-problema:

É possível através de modelagem estatística fazer a previsão da inadimplência em

operações de crédito do segmento de pessoas físicas em um banco de varejo brasileiro?

1 A resolução 2.682 do Banco Central do Brasil dispõe sobre critérios de classificação das operações de crédito e regras para a constituição de provisão para créditos de liquidação duvidosa, determinando nove categorias de risco (Rating) e o valor percentual da provisão para devedores duvidosos.

14

1.4 Objetivos da pesquisa Este trabalho visa atingir o seguinte objetivo geral:

• Aplicar técnicas estatísticas multivariadas no desenvolvimento de modelos para

previsão de inadimplência no segmento de pessoas físicas em um banco comercial

brasileiro.

Para atingirmos este objetivo, delineamos os seguintes objetivos específicos:

• Definir risco financeiro e suas modalidades;

• Apresentar o conceito de crédito, crédito bancário e crédito pessoal;

• Definir e classificar risco de crédito;

• Classificar e dissertar sobre as principais abordagens de medição do risco de

crédito.

• Apresentar e descrever os métodos estatísticos aplicados nos modelos de escoragem

de crédito (credit scoring);

• Descrever detalhadamente a metodologia selecionada e especificar seus

parâmetros;

• Apresentar as principais limitações da metodologia selecionada;

• Identificar e descrever as variáveis determinantes da inadimplência;

• Desenvolver um modelo de credit scoring para a concessão de crédito utilizando a

técnica de análise discriminante;

• Desenvolver um modelo de credit scoring para a concessão de crédito utilizando a

técnica de regressão logística;

• Comparar a eficácia dos modelos de credit scoring para a concessão de crédito e

avaliar se esses modelos são instrumentos eficazes para determinar a

inadimplência;

15

• Desenvolver um modelo de credit scoring para o gerenciamento do crédito

utilizando a técnica de análise discriminante;

• Desenvolver um modelo de credit scoring para o gerenciamento do crédito

utilizando a técnica de regressão logística;

• Fazer uma avaliação comparativa das técnicas estatísticas utilizadas para a

construção dos modelos;

• Comparar a eficácia dos modelos de credit scoring para gerenciamento do crédito e

avaliar se os modelos desenvolvidos para gerenciamento do crédito são

instrumentos eficazes para determinar a inadimplência;

1.5 Delimitação Serão utilizados dados referentes a operações de crédito concedidas

exclusivamente a pessoas físicas. A amostra é composta por indivíduos clientes de um

único banco comercial brasileiro, e limita-se aos indivíduos coletados de agências sediadas

no município de Recife (PE).

16

2 Aspectos conceituais e considerações

2.1 Risco

Gitman (1994) tem uma definição simples para risco: “No sentido básico, risco

pode ser definido como a probabilidade de perda”. Os estatísticos utilizam conceitos

diferentes para risco e incerteza. Resumidamente podemos dizer que:

Risco – Existe quando o tomador da decisão pode embasar-se em

probabilidades para estimar diferentes resultados, de modo que sua expectativa se baseie

em dados históricos. Isto é a decisão é tomada a partir de estimativas julgadas aceitáveis.

Incerteza – Ocorre quando o tomador da decisão não dispõe de dados históricos

acerca de um fato, o que poderá exigir que a decisão se faça de forma subjetiva.

Para Ross, Westerfield e Jaffe (1995) não há definição universalmente aceita

de risco. Uma das maneiras de pensar a respeito do risco dos retornos em ações ordinárias

é em termos do grau de dispersão da distribuição de freqüências. A dispersão de uma

distribuição é uma medida de quanto um dado retorno pode se afastar do retorno médio. Se

a distribuição apresentar uma dispersão muito grande, os retornos que poderão ocorrer

serão muito incertos. Ao contrário, uma distribuição cujos retornos se situam todos dentro

17

de uns poucos percentuais de distância do retorno médio é concentrada e os retornos são

menos prováveis.

Existem várias abordagens para classificação do risco em finanças. Uma das

abordagens mais simples e mais utilizadas é a de classificar o risco em sistemático e não

sistemático. Um risco sistemático seria aquele com origem nas flutuações da economia,

risco que atinge um maior número de ativos, com diferentes graus de intensidade para cada

um. O risco não sistemático trata-se da parcela do risco total associado às características ou

atividade da empresa ou segmento empresarial. É o risco que afeta especificamente um

ativo, ou um pequeno grupo de ativos.

Dentro dessa classificação o risco de crédito, objeto de estudo desta pesquisa, é

especificado por muitos autores como risco não-sistemático, no entanto, essa conceituação

não é valida quando utilizamos modelos em que os parâmetros usados para estimar o risco

de crédito são baseados no mercado de ações.

Segundo Duarte Jr. (2000) o risco está presente em qualquer operação do

mercado financeiro, e apresenta outro sistema classificatório para os riscos: “Risco é um

conceito multidimensional que cobre quatro grandes grupos: risco de mercado, risco

operacional, risco de crédito e risco legal”. Conforme ilustrado na figura 2.1.

O primeiro grande grupo, o risco de mercado depende do comportamento do

preço do ativo diante das condições de mercado e está dividido em quatro áreas: risco do

mercado acionário, risco do mercado de câmbio, risco do mercado de juros e risco de

comoditties.

O risco operacional está relacionado a possíveis perdas como resultado de

sistemas e/ou controles inadequados, falhas de gerenciamento e erros humanos. O risco

operacional, por sua vez, está dividido em três grandes áreas: risco organizacional relativo

à ineficiência da organização (administração ineficiente), risco relativo a operações de

18

sistemas (telefonia, elétrico, computacional, etc), e risco de pessoal (falta de qualificação,

motivação, etc).

O risco legal está relacionado a possíveis perdas quando um contrato não pode

ser legalmente amparado. Pode-se incluir aqui riscos de perdas por documentação

ineficiente, insolvência, ilegalidade, falta de representatividade e/ou autoridade por parte

de um negociador, etc.

Finalmente, o risco de crédito, está relacionado a possíveis perdas quando um

dos contratantes não honra seus compromissos. As perdas aqui estão relacionadas aos

recursos que não mais serão recebidos.

Figura 2.1 Quatro grandes grupos de risco.

Fonte: DUARTE JÚNIOR, 2000, p.3

A atividade de concessão de crédito está sujeita a uma série de riscos. “Nem

sempre é fácil diferenciar qual o tipo de risco presente em determinada situação. O tipo de

risco pode variar dependendo da ótica sob o qual o problema é observado” DUARTE JR

(2000).

19

Apesar do risco de mercado atuar diretamente sobre a capacidade de

pagamento dos clientes, assim como no custo do capital, nesta pesquisa será utilizada uma

abordagem objetiva, focada exclusivamente em variáveis cadastrais, portanto, alijando de

nossos modelos variáveis conjunturais e demais espécies de risco.

2.2 Crédito

2.2.1 Definição

A palavra “crédito” deriva do latim credere, que significa acreditar, confiar, ou

seja: acreditamos, confiamos nos compromissos de alguém para conosco (PAIVA, 1997,

p.3). No Novo Dicionário da Língua Portuguesa, Aurélio Buarque de Holanda Ferreira

(1993), traz que: crédito (sm)- palavra que significa confiança entre duas ou mais pessoas.

São muitos e variados os modos pelos quais o crédito é visto, gerando

conseqüentemente uma série de conceitos, de acordo com cada aspecto. Sob o ponto de

vista empresaria l, a concessão de crédito significa a transferência da posse de um bem, ou

de uma quantia em dinheiro, mediante a promessa de pagamento futuro. De acordo com

este conceito, pode-se entender o crédito a disposição de uma pessoa, física ou jurídica,

como a capacidade da mesma em obter dinheiro, produtos ou serviços mediante

compromisso de pagamento num determinado período de tempo (GUIMARÃES, 2000).

No dicionário de economia encontramos que crédito é toda transação comercial

em que um comprador recebe imedia tamente um bem ou serviço adquirido, mas só fará

20

pagamento depois de algum tempo determinado (SANDRONI, 1992, p.72). É possível

observar que o crédito no aspecto econômico, basicamente tem a mesmo significado, a

diferença, portanto, é que sob esse aspecto a confiança é estabelecida entre pessoas que

têm interesse comercial comum.

A definição de crédito, portanto, encontra-se associada à troca de bens ou

serviços oferecidos no presente, por uma promessa de pagamento no futuro das

compensações relativas ao fornecimento de bens e serviços.

2.2.2 Crédito bancário

O crédito bancário, no contexto desse trabalho, pode ser definido como todo

crédito concedido por bancos comerciais2 e/ou bancos múltiplos (que possuam carteira

comercial) integrantes do Sistema Financeiro Nacional (SFN).

Segundo Cavalcante e Neto (2002), o crédito bancário pode ser dividido em 6

grupos distintos quanto a sua destinação: crédito industrial, crédito para o comércio,

crédito para o setor de serviços, crédito para habitação, crédito rural e crédito pessoal.

O crédito industrial engloba o crédito concedido para financiamento das

atividades de extração, beneficiamento e transformação, inclusive de produtos

agropecuários, construção de edificações residenciais e não residenciais e outras obras

contratadas por pessoas jurídicas, serviços industriais de utilidade pública, produção,

2 Instituições financeiras cujo controle acionário pode ser público ou privado, constituído sob a forma de sociedade anônima, especializada em operações de curto e médio prazo, oferecendo capital de giro para o comércio, indústria, empresas prestadoras de serviço, pessoas físicas, e, ainda atuando no crédito rural.

21

transmissão e distribuição de energia elétrica, distribuição de gás encanado e água, e

serviços de saneamento.

O crédito para o setor comercial refere-se aos valores concedidos às entidades

que operam como intermediários na compra e venda de bens, abrangendo as atividades

atacadistas e varejistas.

O crédito para o setor serviços compreende as operações concedidas as

entidades do setor privado que atuam, entre out ras, nas áreas de transporte, serviços postais

e de telecomunicações, educação e cultura, assistência médico-hospitalar, conservação e

reparação, diversões, jornais, rádio e televisão, publicidade e propaganda, informática,

segurança, mão de obra, assessoria e consultoria, filantropia, etc.

O crédito habitacional abrange as operações realizadas com pessoas físicas ou

cooperativas habitacionais com a finalidade de construção, reforma ou aquisição de

unidades residenciais. As operações de crédito voltadas a empreendimentos imobiliários

não residenciais classificam-se em crédito industrial.

O crédito rural compreende as operações realizadas em conformidade com as

normas específicas do crédito rural, deferidas a produtores rurais.

Finalmente, o setor de crédito pessoal, objeto de estudo desse trabalho refere-se

às operações de responsabilidade direta de pessoas físicas, exceto as deferidas para

construção, reforma ou aquisição de habitações.

22

2.3 Crédito pessoal

2.3.1 Evolução recente

Definimos, anteriormente, crédito pessoal como operações de responsabilidade

direta de pessoas físicas, exceto as deferidas para construção, reforma ou aquisição de

habitações. Dentro desse conceito é importante salientar que as operações específicas para

produtores rurais pessoa física não são classificadas como crédito pessoal.

As operações destinadas ao crédito pessoal foram as que mais cresceram desde

a estabilização da moeda brasileira com a implantação do plano Real em 1994. Cavalcante

e Neto (2002) elaboraram um quadro com base em informações do banco central que

mostra a evolução das operações de crédito do sistema financeiro privado para os diversos

setores privados sobre o PIB mensal.

Quadro 2.3.1.a Crédito do sistema financeiro privado para o setor privado sobre o PIB mensal.

Fonte: CAVALCANTE e NETO, 2002, p.14

Sobre a expansão do setor de pessoa física Cavalcante e Neto (2002)

acrescentam:

23

Note que o crédito para pessoa física não foi priorizado inicialmente pelas instituições privadas, onde as operações de crédito dessa rubrica se mostrava com tímida evolução até meados de 1996. Duas fases de forte expansão são observadas entre meados de 1996 e meados de 1997, e após o primeiro trimestre de 2000. Isto mostra que o nicho de mercado de crédito para pessoas físicas não foi devidamente explorado após a expansão de crédito, sendo intensivamente explorado posteriormente.

O crescimento do segmento de pessoas físicas continuou após o ano 2000. Os

dados do Banco Central, em conformidade com a circular 2.957/99 (ver Anexo 2) que

dispõe sobre a prestação de informações relativas a operações de credito praticadas no

mercado financeiro, mostram que entre maio de 2000 e agosto de 2002 as operações de

crédito para o segmento de pessoas físicas tiveram um crescimento de 99,87%, enquanto o

crescimento das operações de crédito para o segmento de pessoa jurídica evoluiu 54,69%

no mesmo período.

O gráfico da figura 2.3.1.b apresenta a evolução do crédito concedido aos

segmentos de pessoa física e jurídica entre maio de 2000 e agosto de 2002, segundo dados3

do Banco Central do Brasil (ver anexo 1). Em maio de 2000 o volume de crédito

concedido ao segmento de pessoas físicas correspondia a R$ 38,13 bilhões, enquanto que o

volume de crédito concedido ao segmento de pessoa jurídica correspondia a R$ 85,34

bilhões. No mês de agosto de 2002 o volume de crédito concedido ao segmento de pessoas

físicas correspondia a R$ 76,21 bilhões, e o volume de crédito concedido ao segmento de

pessoa jurídica correspondia a R$ 132,02 bilhões.

3 Metodologia de cálculo, instituições prestadoras de informação e produtos bancários estão delimitados na circular 2.957/99 do Banco Central do Brasil (Anexo 2).

24

Figura 2.3.1.b Volume de crédito concedido aos segmentos de pessoa física e jurídica em R$ milhões.

0

20 000

40 000

60 000

80 000

100 000

120 000

140 000

160 000

mai/00

jul/00

set/0

0

nov/0

0

jan/01

mar

/01

mai/01

jul/01

set/0

1

nov/0

1

jan/02

mar

/02

mai/02

jul/02

Pessoa Física

PessoaJurídica

Fonte: Banco Central do Brasil – Set/2002

2.3.2 Operações

As operações bancárias de crédito pessoal podem ser divididas em dois grupos:

crédito rotativo e crédito fixo. O crédito rotativo é caracterizado por operações de curto

prazo onde o limite é composto de acordo com a cobertura do saldo devedor. O crédito

fixo é caracterizado por operações de médio prazo, normalmente de 3 a 36 meses, onde os

recursos são colocados a disposição do consumidor para sua livre utilização, ou para

financiamento destinado a aquisição de bens ou serviços.

Em geral os produtos de crédito oferecidos pelas instituições financeiras para o

segmento de pessoas físicas são bastante homogêneos. A circular 2.957/99 do Banco

Central do Brasil, através de seu Artigo 1. , apresenta as seguintes classificações de

produto para fins de prestação de informações pelos bancos:

25

Art. 1. Estabelecer que os bancos múltiplos, bancos comerciais, bancos de investimento, bancos de desenvolvimento, sociedades de crédito, financiamento e investimento, sociedades de credito imobiliário, associações de poupança e empréstimo e Caixa Econômica Federal devem remeter ao Banco Central do Brasil/Departamento de Cadastro e Informações do Sistema Financeiro (DECAD) informações sobre as taxas medias ponderadas, as taxas mínimas e máximas, o valor liberado na data-base, o saldo dos créditos concedidos, os respectivos níveis de atraso e os prazos médios das operações abaixo especificadas, segregadas por tipo de encargo pactuado: I - com pessoas jurídicas: a) hot money; b) desconto de duplicatas; c) desconto de notas promissórias; d) capital de giro; e) conta garantida; f) financiamento imobiliário; g) aquisição de bens; h) "vendor"; i) adiantamentos sobre contratos de cambio; j ) export notes; l) repasses de empréstimos externos, com base na Resolucao n. 63, de 21 de agosto de 1967; m) outras; II - com pessoas físicas: a) cheque especial; b) credito pessoal; c) financiamento imobiliário; d) aquisição de bens - veículos automotores; e) aquisição de bens - outros bens; f) oriundas de cartão de credito; g) outras.

A figura 2.3.2, obtida através de dados do Banco Central do Brasil apresenta a

distribuição percentual das operações de crédito para o segmento de pessoas físicas em

agosto de 2002: cheque especial (12%), crédito pessoal (33%), financiamento imobiliário

(2%), aquisição de bens – veículos automotores (35%), aquisição de bens – outros bens

(5%), operações oriundas de cartão de crédito (6%), demais operações não classificadas

anteriormente (7%).

26

Figura 2.3.2 Gráfico de distribuição das operações no segmento de pessoas físicas

Cheque Especial

12%

Cartão de Credito

6%

Crédito Pessoal

33%

Fin.Imobil.2%

Fin.Veículos 35%

Fin.Outros5%

Demais Operacoes

7%

Fonte: Banco Central do Brasil – Set/2002

2.3.2.1 Crédito rotativo

O cheque especial e o cartão de crédito são os produtos de crédito para pessoa

física classificados, nesse trabalho, como crédito rotativo conforme definição anterior. A

taxa de juros do crédito rotativo em geral, por se tratar de recurso de curto prazo, é bastante

elevada, logo, sua utilização racional deve restringir-se a necessidades eventuais e de

curtíssimo prazo.

Cheque Especial - O cheque especial se caracteriza como um crédito rotativo pré-aprovado

que os bancos colocam a disposição dos clientes para ser usado sempre que haja um débito

na conta corrente superior ao saldo disponível, assim, o limite é recomposto de acordo com

a cobertura do saldo devedor. Na prática é um "saldo extra", que o cliente pode utilizar

27

quando não possuir saldo disponível na conta corrente para débitos como cheques, tarifas,

os próprios juros do cheque especial, etc.

Cartão de Crédito - O cartão de crédito é um produto de múltiplas características e funções.

A função mais utilizada é a de financiamento de compras, que podem ser financiadas

através do pagamento mínimo mensal da fatura, que normalmente corresponde a 20% do

valor total, ou através de parcelamento com os juros prefixados da empresa administradora

do cartão de crédito, ou, do próprio estabelecimento de venda. A sua segunda função seria

a de limite adicional de crédito, também chamada de limite de crédito rotativo, ou seja, o

detentor de uma conta de cartão de crédito pode sacar um limite pré-estabelecido e pagar

os juros mensais proporcionais aos dias em que utilizou esses recursos.

2.3.2.2 Crédito fixo

Para essa pesquisa, classificamos como crédito fixo de acordo com a divisão

dos produtos bancários para pessoa física da circular 2.957/99 do Banco Central do Brasil

(ver anexo 2) segundo definição anterior os seguintes produtos: crédito pessoal, crédito

para aquisição de bens - veículos automotores/outros bens:

Crédito Pessoal – Se caracteriza por um empréstimo onde os recursos são colocados à

disposição do tomador para sua livre utilização. A livre destinação do recurso é a principal

característica desse produto, que normalmente tem um prazo para pagamentos entre 1 e 24

meses.

Crédito para aquisição de bens - veículos automotores / outros bens – É um financiamento

destinado à aquisição de bens duráveis e serviços, também conhecido como crédito direto

28

ao consumidor (CDC). Caouette, Altman e Narayanan (1998, p.175.) apresentam a

seguinte delimitação para crédito ao consumidor: “crédito ao consumidor inclui crédito a

curto e médio prazos que são estendidos por canais de negócios comuns para financiar a

compra de mercadorias e serviços de consumo pessoal, ou para refinanciar dívidas

incorridas para tais propósitos”. Em geral são operações com juros prefixados, em que os

bens financiados são dados como garantia através de alienação fiduciária e possuem prazo

que variam normalmente entre 3 e 36 meses.

29

3 Referencial teórico

3.1 Definição e classificação de risco de crédito

O risco de crédito é a mais antiga forma de risco no mercado financeiro. É

conseqüência de uma transação financeira contratada entre um fornecedor de fundos

(doador do crédito) e um usuário (tomador do crédito). Antes de qualquer sofisticação,

produto da engenharia financeira, o puro ato de emprestar uma quantia a alguém traz

embutido em si a probabilidade de ela não ser recebida, a incerteza em relação ao retorno.

Isto é, na essência, o risco de crédito, e que se pode definir como: o risco de uma

contraparte, em um acordo de concessão de crédito, não honrar seu compromisso

(FIGUEIREDO, 2001).

Caouette, Altman e Narayanan (1998, p.1) dizem que se podemos definir

crédito como “a expectativa de uma quantia em dinheiro, dentro de um espaço de tempo

limitado”, então o risco de crédito é a chance que esta expectativa não se cumpra. Na

administração financeira, portanto, risco de crédito é a possibilidade de perda ou falha nos

pagamentos durante a vida de uma transação financeira.

30

Silva (2000) classifica o risco de crédito de um banco em quatro grupos: risco

de administração do crédito, risco da operação, risco de concentração, e risco do cliente.

O risco de administração do crédito está relacionado aos recursos humanos do

banco, ou seja, quanto maio r for a capacidade da instituição na avaliação do risco do

cliente, menor será a probabilidade de perda.

O risco da operação, por sua vez, está relacionado aos componentes de uma

operação. Os principais componentes de uma operação são: produto, montante, prazo,

forma de pagamento, garantias e o preço (SILVA, 2000, p.79). A inadequação na

determinação do produto ou do valor pode levar o tomador a inadimplência.

O risco de uma carteira de crédito de um banco depende de sua diversificação,

a regra geral diz que quanto maior a diversificação menor será o risco da carteira.

Caouette, Altman e Narayanan (1998, p.103) dizem que muitas das recentes perdas em

créditos sofridas por bancos resultaram de concentrações excessivas de carteiras em setores

específicos.

Finalmente, o risco do cliente, ou risco intrínseco, modalidade do risco de

crédito bancário foco deste trabalho. Risco intrínseco compreende o tomador de crédito e

decorre de suas características. Logo, nessa modalidade de risco de crédito o não

cumprimento da promessa de pagamento pelo devedor decorre de um conjunto de fatores

associados ao próprio devedor (SILVA, 2000, p.78).

31

3.2 Modelos

3.2.1 Conceito e história

Sousa e Chaia (2000 p.13) dizem que de acordo com a literatura financeira, o

objetivo principal do administrador é a maximização da riqueza dos proprietários, no

entanto existe um dilema: Qual a melhor opção para o administrador financeiro maximizar

os lucros e reduzir a segurança ou aumentar a segurança e reduzir os lucros?

A função financeira de crédito é a administração de ativos com a disposição de

assumir riscos, visando o melhor resultado. A alocação eficiente do capital usado para as

operações de crédito, com vistas a maximizar o retorno frente ao risco é o principal

objetivo e fator comum aos diversos modelos de medição e gestão do risco de crédito.

As preocupações formais com o risco de uma concessão de crédito

problemática remontam o século XIX, vide a fundação da Dun & Bradstreet, Inc. em 1849

com o objetivo de fornecimento de informações independentes de crédito.

Na área acadêmica não existe um consenso sobre o início das pesquisas sobre

modelos de risco de crédito. Silva (2000) diz que os estudos acadêmicos sobre modelagem

quantitativa do risco de crédito iniciaram-se no início da década de 30 com modelos

univariados (ver Quadro 3.2.1), e, evoluíram para modelos multivariados a partir do

desenvolvimento do modelo Escore-Z de Altman (1968).

O quadro 3.2.1 foi construído com base nos modelos de risco de crédito

univariados apresentados por Silva (2000, p. 278-280).

32

Quadro 3.2.1 Modelos de risco de crédito univariados

Autor Período Amostra Resultados

Paul J. Fitz Patrick (EUA-1932).

1920 a 1929.

38 empresas americanas: 19 empresas falidas, e, 19 empresas bem sucedidas.

Os índices financeiros das empresas bem sucedidas ultrapassavam, na maioria dos casos, os índices das empresas falidas.

Winakor e Smith (EUA).

1923 a 1931.

183 empresas americanas falidas.

Em um estudo que utilizou 21 índices financeiros em um período de 10 anos antecedentes à falência, observou-se que à medida que se aproximava o ano da falência, os índices financeiros iam-se deteriorando.

Charles L. Merwin (EUA).

???? Sociedades anônimas manufatureiras americanas, com ativos totais inferiores a US$ 250.000.

Após examinar três índices financeiros diferentes, Merwin concluiu que o Capital de Giro sobre ativo total foi o melhor indicador de falência.

Tamari (EUA). 1956 a 1960.

Empresas industriais americanas.

Foram utilizados seis índices, cujos valores foram obtidos um ano antes da falência destas empresas. A conclusão do estudo foi que os índices eram indicadores de insolvência, porém não necessariamente implicavam em falência.

Beaver (EUA-1966). 1954 a 1964.

158 empresas americanas: 79 empresas inadimplentes ou falidas, e, 79 empresas com boa saúde financeira.

A pesquisa mostrou que dos trinta índices financeiros inicialmente examinados, com apenas dois índices chegava-se a um erro de 13% para previsão de falências na amostra para o intervalo de um ano.

Fonte: SILVA (2000, p. 278-280)

Posteriormente, seguiram-se várias publicações acadêmicas que tentavam, de

diversas maneiras, prever falências, e evitar inadimplementos. Estes trabalhos consistiram

no desenvolvimento de sistemas de classificação de crédito/alerta prematuro novos e mais

33

sofisticados; no abandono da análise exclusiva do risco de crédito de empréstimos pessoais

e valores mobiliários para o desenvolvimento de medidas de risco de concentração de

crédito (como a mensuração do risco de portfólio de valores mobiliários de renda fixa); na

criação de novos modelos para dar preço ao risco de crédito; no aperfeiçoamento de

modelos para mensurar melhor o risco de crédito de instrumentos fora do balanço

patrimonial. Em outras palavras, um processo de contínua evolução (BRUNI, MURRAY e

FAMÁ, 1998).

3.2.2 Classificação dos modelos

Neste trabalho os modelos estão classificados de acordo com Saunders (2000),

que divide as abordagens de medição do risco de crédito em tradicionais e novas. As novas

abordagens seriam os modelos de gestão de carteiras, enquanto que os modelos

tradicionais seriam divididos em três classes:

(1) Sistemas especialistas;

(2) Credit Scoring - sistemas de pontuação de crédito e;

(3) Rating - sistemas de classificação.

3.2.3 Sistemas Especialistas

Conforme foi visto anteriormente a análise do crédito preocupa-se em

examinar as condições do candidato frente a um determinado volume solicitado. A análise

34

clássica do crédito é um sistema especializado que depende, acima de tudo, do julgamento

subjetivo de profissionais treinados (CAOUETTE, ALTMAN e NARAYANAN, 1998,

p.93). Em um sistema especialista, a decisão de crédito fica a cargo do gerente de crédito

e/ou de negócios local ou da agência. “O conhecimento especializado desta pessoa, seu

julgamento subjetivo, e sua atribuição de peso a certos fatores-chave são, implicitamente,

as mais importantes determinantes na decisão de conceder, ou não” (SAUNDERS, 2000, p. 7).

Muitos autores apresentam os chamados “Cs” do crédito para ilustrar a

definição de sistemas especialistas:

“Os fatores potenciais e os sistemas que um gerente de crédito poderia

examinar são infinitos; entretanto, um dos sistemas especialistas mais comuns os cinco “C’

do crédito oferecerá compreensão suficiente. O especialista analisa estes cinco fatores-

chaves, atribui peso a cada um subjetivamente, e chega a uma decisão de crédito”

(SAUNDERS, 2000, p. 7).

“As idéias de Weston (1972, p. 536-537) dos chamados C’s do crédito é uma

das formas mais utilizadas como base para a análise de crédito, somadas às suas variações,

são várias as formas adaptadas de análise do crédito” (SECURATO, 1998).

Os 6 Cs do crédito, amplamente utilizados no desenvolvimento de sistemas

especialistas no Brasil, são uma adaptação do professor José Pereira da Silva dos 5 Cs do

crédito enumerados pelos autores Weston e Brigam (1972):

Há cerca de vinte anos, era comum se quantificar o risco de uma eventual inadimplência com base em análises subjetivas ou em sistemas especialistas bancários. Os analistas, solicitavam determinadas informações do tomador de empréstimos, também chamadas de os cinco Cs do crédito, e procuravam decidir se o solicitante mereceria ou não o empréstimo. Isso incluiria análises do capital , caráter, colateral (ou garantias associadas diretamente ao empréstimo), capacidade e condições. Alguns autores, como Silva (1983), ainda incluiriam um sexto C : o do conglomerado (onde o crédito da empresa deveria ser analisado de forma conjunta para companhias coligadas)” (BRUNI, FUENTES e FAMÁ, 1997, p.2)

35

Os chamados Cs do crédito (Caráter, Capital, Capacidade, Colateral,

Conglomerados e Condições) contêm as variáveis relacionadas com o risco do cliente

(risco intrínseco), as quais poderão fornecer a base para a classificação do risco (rating)

(SILVA, 2000, p.79). Abaixo a descrição dos seis Cs do crédito:

Caráter

Refere-se a intenção do devedor (ou mesmo do garantidor) de cumprir a

promessa de pagamento. Mesmo sendo uma característica essencialmente subjetiva, uma

forma de apurá- la é obter informações junto à banco de dados (SERASA, SPC, CADIN) e

cartórios de títulos e protestos. Essas informações versam sobre a conduta do cliente no

que diz respeito à pontualidade e constância com que tem liquidado seus títulos e

obrigações.

Capacidade

Envolve o gerenciamento da empresa em sua plenitude. A capacidade de

gestão está intimamente relacionada ao desempenho da empresa. Em outras palavras, o

fator capacidade avalia a possibilidade da empresa satisfazer seus compromissos. Os

elementos base para essa ava liação são os dados relativos a fluxos de rendimentos e

despesas, no entanto, seu desempenho não está ligado somente ao demonstrativo de

resultados, mas a outros fatores, tais como participação relativa no mercado, níveis de

qualidade e produtividade, e grau de satisfação e lealdade dos clientes. Estes são fatores

difíceis de se mensurar sem uma profunda pesquisa na empresa e a outras fontes de

informações.

36

Condições

Refere-se aos fatores não controláveis pela empresa. Mencionam-se os

seguintes fatores: legais (legislações interna e externa, nacional e internacional),

econômicos (desenvolvimento global e setorial, condições de oferta e demanda), sócio-

culturais (mudanças nos hábitos de consumo, normas culturais, nível de satisfação dos

funcionários, comportamento político), ecológicos (reação a novos regulamentos, reação a

pressão de grupos).

Capital

Abrange a análise financeira e patrimonial do tomador de recursos. Ele

estende-se desde a provisão de receitas e despesas, passando pelos investimentos no ativo

permanente, pelo comportamento das contas no balanço patrimonial, pelo prazo das

obrigações, até à análise da qualidade dos ativos. Em síntese, busca-se confrontar, por

meio de índices extraídos do balanço patrimonial, os quais estabelecem sua situação

econômico-financeira, todos os bens e recursos possuídos pela empresa com suas

obrigações.

Colateral

Refere-se à capacidade do cliente em oferecer garantias colaterais, espécie

de segurança adicional necessária à concessão do crédito que atenua o risco da operação.

As garantias são divididas em reais e pessoais. As garantias reais são o direito especial de

garantia sobre móveis ou imóveis, além da promessa de contra prestação, tais como

alienação fiduciária, hipoteca, penhor mercantil, caução, ações, cédula hipotecária,

certificado de depósito, debêntures, duplicatas, letras de câmbio, letra, hipotecária, nota

promissória, título de dívida, etc. As garantias pessoais se resumem à promessa de contra-

37

prestação. Neste caso, o credor se contenta com a garantia comum representada pelo

patrimônio presente e futuro do devedor, avalista ou fiador. Como exemplos de garantias

pessoais, tem-se: aval, carta de crédito e carta de fiança.

Conglomerado

Abrange a apreciação dos fatores de risco relativos a coligações, controles e

vínculos. Conglomerado diz respeito à análise não apenas de uma empresa específica que

esteja pleiteando crédito, mas ao exame do conjunto, do conglomerado de empresas no

qual a pleiteante de crédito esteja contida. É preciso termos uma visão global (do

conjunto), para sabermos qual o risco que esse conjunto de empresas controladas por uma

família ou grupo de pessoas. Ocasionalmente, podemos encontrar situações de empresas

que se apresentam com aparência aceitável para crédito que fazem parte de um conjunto de

empresas em fase de deterioração financeira. A tomada de recursos de uma empresa no

mercado financeiro, por uma empresa, e o repasse interno desses recursos para outras

empresas do grupo pode ser uma prática que acarreta perigo para os credores.

Sobre as vantagens e desvantagens dos sistemas especialistas:

Vicente (2001, p.42) diz que as formas qualitativas têm a grande vantagem de

tratar caso-a-caso, onde o cliente tomador de crédito e o representante da organização que

concede o crédito podem interagir e obter informações não quantitativas, um em relação ao

outro. Tem, porém a desvantagem de grande dependência da experiência do analista, do

baixo volume de produção da análise e do envolvimento pessoal do concedente.

Sousa e Chaia (2000, p.19) acrescentam que apesar da análise dos 5 C’s do

crédito ser bem tradicional, ela apresenta três desvantagens, do ponto de vista da empresa:

38

• Não apresenta consistência temporal nas decisões de concessão

• Necessita que o analista possua Experiência anterior para que possa obter bons

resultados

• Não está ligada diretamente ao objetivo final da empresa, isto é, esse método não

considera as perdas geradas pela recusa de financiamento a bons clientes, o que

reduz a margem de lucro.

Embora muitos bancos ainda utilizem sistemas especialistas como parte de seus

processos de tomada de decisões de crédito, estes sistemas têm dois problemas principais:

consistência (quais os fatores comuns importantes a serem analisados em diferentes tipos

de tomadores?) e subjetividade (quais os pesos ótimos a serem atribuídos aos fatores

escolhidos). Como resultado, padrões bastante diferentes podem ser aplicados por gerentes

de crédito em um dado banco ou instituição financeira (IF), para tipos semelhantes de

tomadores. (SAUNDERS, 2000, p. 8-9).

Diante de uma série de desvantagens em relação aos modelos mais recentes de

avaliação do risco de crédito, a limitação para atuar em mercados massificados é sem

dúvida o maior motivo para a rejeição desse modelo pelas instituições financeiras:

“A análise clássica de crédito está intimamente associada a uma maneira

altamente burocrática de se fazerem negócios. Nos mercados de hoje, contudo, a guerra de

guerrilha é, cada vez mais, a ordem do dia. O mundo financeiro recompensa agilidade,

sofisticação e flexibilidade” (CAOUETTE, ALTMAN e NARAYANAN, 1998, p.102).

39

3.2.4 Sistemas de pontuação de crédito (credit scoring)

3.2.4.1 Conceito

Sistemas de pontuação de crédito ou credit scoring pode ser definido como o

processo de atribuição de pontos às variáveis de decisão mediante técnicas estatísticas.

Trata-se de processo que define a probabilidade de que um cliente com certas

características, pertença ou não a um grupo possuidor de outras determinadas

características consideradas desejáveis, hipótese em que se aprova um limite de crédito,

esta técnica, portanto, estabelece uma regra de discriminação de um determinado cliente

solicitante de crédito (VICENTE, 2001, p.49).

Os sistemas de pontuação de crédito definem a probabilidade de um cliente

vir a ser “bom pagador” ou “mau pagador” com base em suas características: “Existem

vários fatores que estão associados à possibilidade de inadimplência. Um modelo de

escoragem de crédito combina os fatores mais importantes associados à possibilidade de

inadimplência, determina o inter-relacionamento entre eles e atribui números para gerar o

escore final. A prática tem por objetivo produzir um modelo de escoragem de crédito no

qual quanto maior for o escore, menor será o risco de perda com devedores duvidosos”

(GHERARDI e GHIELMETTI, 1997).

Os sistemas de pontuação de crédito são encontrados em praticamente todos os

tipos de análises de crédito, desde crédito ao consumidor até empréstimos comerciais. A

idéia é essencialmente a mesma: A pré- identificação de certos fatores-chave que

determinam a probabilidade de inadimplência, e sua combinação ou ponderação para

produzir uma pontuação quantitativa (SAUNDERS, 2000, p. 13).

40

Os modelos tradicionais de credit scoring atribuem pesos estatisticamente

predeterminados a alguns dos atributos dos solicitantes, para gerar um escore de crédito. Se

esse escore é favorável, quando comparado a um valor de corte, então a solicitação é

aprovada (CAOUETTE, ALTMAN e NARAYANAN, 1998, p.182).

A figura abaixo, apresentada por Sousa e Chaia (2000) ilustra o processo de

concessão de crédito através do uso de modelos de credit scoring:

Figura 3.2.4.1 Processo de concessão de crédito através do uso de modelos de credit scoring

Fonte: SOUSA e CHAIA, 2000, p.21

Apesar do credit scoring representar um processo científico, ele não inibe a

possibilidade de se recusar um bom pagador ou se aceitar um “mau” pagador. Isto ocorre

porque nenhum sistema de gestão de crédito consegue o total de informações relevantes na

classificação do devedor, e, mesmo que conseguisse, o seu custo tornaria a análise

economicamente inviável (SOUSA e CHAIA, 2000, p.21).

41

3.2.4.2 Behavioural scoring

Os modelos de credit scoring se dividem em duas categorias: modelos de

aprovação de crédito e modelos de escoragem comportamental, também conhecidos como

behavioural scoring (CAOUETTE, ALTMAN e NARAYANAN, 1998, p.180).

O behavioural scoring é uma ferramenta para previsão de eventos associados

ao risco de crédito, como a inadimplência e pagamentos em dia, entre outras

características. Para tanto leva em consideração aspectos comportamentais e de atividades

de clientes da instituição (VICENTE, 2001, p.47).

A principal diferença entre as duas categorias é que nos modelos de escoragem

comportamental, a instituição financeira analisa o comportamento do cliente em operações

anteriores, enquanto que nos modelos de aprovação de crédito a instituição financeira não

conhece o cliente: A informação adicional no behavioural scoring é o histórico de compras

e pagamentos do cliente (THOMAS, 2000).

No behavioural scoring são utilizadas variáveis tais como número de atrasos

no último ano, volume da transação, utilização média da linha. Desta maneira cada

operação recebe uma classificação, que representa seu risco de crédito relacionado ao

comportamento do tomador.

Enquanto os modelos de aprovação de crédito preocupam-se apenas com a

concessão e o volume de crédito, os modelos de escoragem comportamental podem ser

utilizados para gestão de limites de crédito rotativo, autorizações de compra acima do

limite em caso de cartões de crédito, ofertas de crédito, cobrança preventiva, entre outras

estratégias (VICENTE, 2001, p.48).

42

3.2.4.3 Histórico

David Durand em 1941 foi o primeiro a reconhecer que a técnica de análise

discriminante, inventadas por Fisher em 1936, poderia ser usada para separar bons e maus

empréstimos (THOMAS, 2000, p. 6). Em “Risk Elements in Consumer Installment

Financing, 1941 (National Bureau of Economic Research, N.Y.)”, Durand apresentou um

modelo que atribuía pesos para cada uma das variáveis usando análise discriminante

(KANG e SHIN, 2000, p.2198).

A popularização dos sistemas de credit scoring, no entanto, só ocorreu nos

anos 60: “A chegada dos cartões de crédito na década de 60 fez com que os bancos

intensificassem o uso de credit scoring. O número de pessoas que solicitavam cartão de

crédito a cada dia tornou economicamente impossível ter mão-de-obra suficiente para

decisões de empréstimos que não fossem automatizadas” (THOMAS, 2000).

O quadro 3.2.4.3.a apresenta um exemplo de um sistema de pontuação de

crédito para pessoa física:

Quadro 3.2.4.3.a Exemplo de sistema de pontuação de crédito para pessoa física

Fonte: SOUSA e CHAIA, 2000, p. 22

43

No meio acadêmico os estudos começaram na década de 60. O modelo de

Altman (1968) é considerado um marco teórico no estudo do risco de crédito:

Os estudos acadêmicos sobre o risco, no entanto, remontam ao final da década de 60, num dos trabalhos pioneiros sobre risco de crédito, Altman (1968) argumentava que o desenvolvimento de um novo modelo preditivo era necessário em função do crescimento das falências e mudanças financeiras nas organizações, agravado pelo drástico aumento do tamanho médio de empresas falidas. Apresentou então, o clássico modelo de análise discriminante de sete variáveis ZETA, continuação dos trabalhos já apresentados em 1968 com cinco variáveis”(BRUNI, FUENTES e FAMÁ, 1997, p.1)

“Na linha de análise financeira tem-se o modelo de análise discriminante de

ALTMAN (1968), que procura estabelecer a possibilidade de uma empresa estar ou não

insolvente” (SECURATO e PEROBELLI, 2000).

Um dos pioneiros na análise discriminante múltipla, como previsão de

falência, Altman (1968) tenta superar as deficiências das análises com base em um único

índice e obtém o modelo Z (VICENTE, 2001).

O quadro 3.2.4.3.b mostra o resumo do estudo de Altman (1968) entre outros

modelos multivariados de previsão de insolvência para pessoa jurídica que Silva (2000)

relaciona como os mais relevantes.

Em relação aos modelos desenvolvidos no Brasil:

“No Brasil, podemos relacionar os trabalhos sobre risco de crédito de Kanitz,

Elizabetzky, Matias, Altman4, Pereira, Bragança - baseados em modelos de análise

discriminante - e Matias e Siqueira - usando análise logit – buscaram desenvolver técnicas

que permitissem a previsão de problemas financeiros futuros, fornecendo novas

ferramentas de análise” (BRUNI, MURRAY e FAMÁ, 1998).

44

Quadro 3.2.4.3.b Modelos de risco de crédito multivariados

Autor Período Amostra Resultados

Edward I. Altman (EUA-1968).

1946 a 1965.

66 empresas americanas de manufatura, separadas em dois grupos: Grupo 1 = 33 empresas falidas; Grupo 2 = 33 empresas saudáveis.

Altman através da técnica estatística de análise discriminante desenvolveu um modelo de abordagem multivariada construída com base nos valores das medidas univariadas de nível de índice e categóricas, que ficou conhecido como Escore-Z.

Morton Backer e Martin Gosman. (EUA-1978).

1947 a 1975.

Debêntures, Crédito Comercial, e Empréstimos Bancários de empresas americanas.

Backer e Gosman analisaram 33 índices financeiros em sua pesquisa sobre o nível de liquidez. Na análise estatística os autores utilizaram: teste T, análise fatorial e análise discriminante. Os resultados da pesquisa indicaram que os fatores responsáveis sobre o declínio da liquidez foram: a insuficiência de fluxo de caixa para satisfazer o pagamento de dividendos e as necessidades de investimentos, assim como a tendência de alavancagem financeira através do endividamento.

Letícia E. Topa (Argentina-1979)

???? Empresas Argentinas Topa utilizou um modelo de probabilidade subjetiva, baseado no Teorema de Bayes. A autora classificou os fatores a serem considerados para fins de concessão de crédito em duas categorias: fatores determinantes e fatores complementares. O modelo foi submetido pela autora a uma comprovação empírica, tendo sido constatado sua validade em um teste com 55 empresas

Fonte: SILVA (2000, p. 278-280)

4 Altman desenvolveu um modelo com empresas brasileiras em 1978

45

“No Brasil o modelo de Kanitz foi um dos precursores. Atualmente outros

pesquisadores já desenvolveram modelos semelhantes e mais atualizados, como

Elizabetski, Matias e Pereira” (KASSAI e KASSAI, 1998).

O quadro 3.2.4.3.c mostra o resumo dos modelos brasileiros multivariados de

previsão de insolvência5 para pessoa jurídica que Silva (2000) relaciona como os mais

relevantes:

Quadro 3.2.4.3.c Modelos de risco de crédito multivariados brasileiros

Autor Período Amostra Grau de Precisão6

Stephen Charles Kanitz – 1978.

1970 a 1974.

42 médias empresas brasileiras – 21 falidas e 21 não-falidas.

74%.

Roberto Elizabetsky - 1976.

1976. 373 empresas brasileiras do ramo de confecções sendo 99 más e 274 boas.

69%.

Alberto Borges Matias – 1978.

1978 100 empresas (50 boas e 50 insolventes).

74%.

José Pereira da Silva – 1982.

1977 a 1980 419 empresas brasileiras (160 empresas insolventes).

88%.

Fonte: SILVA (2000, p. 278-280)

As técnicas de credit scoring, graças ao uso de computadores, atualmente são

bastante populares em todo o mundo: “Graças ao uso difundido de avançadas tecnologias

computacionais, o acesso a poderosos sistemas de simulação capazes de modelar a

exposição ao crédito, estão disponíveis para o usuário médio” (BRUNI, FUENTES e

FAMÁ, 1997).

5 Todos os modelos utilizaram a técnica de análise discriminante. 6 Grau de precisão segundo estudo de SILVA(2000)

46

O avanço na computação permitiu o uso de outras técnicas na construção de

sistemas de credit scoring. Nos anos 80 foram introduzidas as técnicas de regressão

logística e regressão linear, as duas principais técnicas utilizadas atualmente para a

construção dos modelos. Mais recentemente técnicas de inteligência artificial como

sistemas especialistas e redes neurais artificiais foram implantadas com sucesso

(THOMAS, 2000, p.7).

3.2.4.4 Vantagens dos modelos de credit scoring

Sobre as vantagens relativas ao uso dos modelos de credit scoring:

Os modelos de credit scoring oferecem muitas vantagens. São objetivos e consistentes, que são características desejáveis para qualquer instituição, e especialmente para aquelas que não possuem uma forte cultura de crédito. Se desenvolvidos apropriadamente, eles podem eliminar práticas discriminatórias nos empréstimos. Eles tendem a ser relativamente inexpressivos, bastante simples e de fácil interpretação. A instalação de tais modelos é relativamente fácil. As metodologias usadas para construir esses modelos são comuns e bem entendidas, assim como as abordagens usadas para avalia -los. Os regulamentadores aprovam modelos bem projetados e baseados em estatísticas. Uma instituição é capaz de proporcionar melhor serviço ao consumidor pela sua habilidade de aprovar ou negar um pedido de empréstimo rapidamente. Esse é um fator importante no mundo de mudanças rápidas como o atual (CAOUETTE, ALTMAN e NARAYANAN, 1998)

Silva (2000) diz: “A agilidade que o banco ou a empresa que concede crédito

ganha é altamente valiosa, pois ao invés do analista ficar examinando e concluindo sobre

cada um dos índices, poderão dedicar seus tempos a outros assuntos relevantes e que não

possam ser sistematizados”.

Parkinson e Ochs (1998, p.26-27) elaboraram um resumo com as principais

vantagens do uso de sistemas de credit scoring:

47

Revisões de crédito consistente: Os dados históricos de outros devedores são um bom

indicador de consistência para revisão de crédito.

Informações Organizadas: A sistematização e organização das informações contribuem

para a melhoria do processo.

Eficiência no trato de dados fornecidos por terceiros: O processo de credit scoring torna as

informações de banco de dados fornecido por terceiros, anteriormente classificadas como

dados acessórios, parte integrante do sistema.

Diminuição da metodologia subjetiva: O uso de um sistema quantitativo parametrizado

minimiza o subjetivismo.

Compreensão do processo: O modelo construído sintetiza o processo de concessão de

crédito da empresa, fornecendo maiores subsídios para entendê- lo.

Maior eficiência do processo: A análise de crédito é centrada em um número menor de

fatores, reduzindo o tempo do processo e melhorando a eficiência.

3.2.4.5 Limitações e desvantagens dos modelos de credit scoring

Entre as principais limitações dos modelos de credit scoring, Silva (2000)

destaca o aspecto temporal da amostra:

O tempo (a época) é uma das principais limitações apresentadas pelos modelos desenvolvidos a partir do uso de análise discriminante. Com o decorrer do tempo, tanto as variáveis quanto seus pesos relativos sofrem alterações. As variáveis que, segundo a análise discriminante, são as que melhor classificam sob determinada conjuntura econômica, podem não ser em outra situação.

Caouette, Altman e Narayanan (1998) também destacam o aspecto temporal:

“Um modelo de credit scoring pode degradar-se pelo tempo se a população que ele é

aplicado diverge da população original que foi usada para construir o modelo”.

48

O aspecto geográfico é outra grande limitação para os sistemas de credit

scoring: “Os aspectos da região geográfica limitam o uso de um modelo único, sendo que o

desenvolvimento de diversos modelos poderá exigir que se disponha de amostras muito

grandes” (SILVA, 2000, p.308).

Parkinson e Ochs (1998, p.26-27) destacaram as seguintes desvantagens do uso

de sistemas de credit scoring:

Custo de desenvolvimento: o desenvolvimento de um sistema de credit scoring traz não

apenas os custos do sistema, mas altos custos de manutenção com suporte técnico e

recursos humanos.

Modelos com “excesso de confiança”: Os modelos de credit scoring podem adquirir

rótulos de “Perfeitos”, não permitindo crítica de seus resultados.

Problemas de “Valores não preenchidos”: A falta de dados não característicos de

determinados clientes, ou mesmo a falta de informação pode causar problemas na sua

utilização, assim como resultados não esperados.

Interpretação equivocada dos escores: O uso inadequado do sistema devido à falta de

conhecimento pode ocasionar problemas para a instituição.

Kassai e Kassai (1998) fazem o seguinte comentário no final do artigo:

“Esperamos ter contribuído para despertar nos leitores o interesse pelo uso das técnicas

estatísticas, em especial a análise discriminante e alertamos para o fato de que, apesar da

perfeição matemática desses modelos preditivos, ainda não substituem o ser humano em

suas decisões”.

49

3.2.5 Sistemas de classificação (rating)

Os sistemas de classificação de crédito são sistemas em que se classificam os

empréstimos de acordo com a sua probabilidade de perda. Cada classe possui uma reserva

de capital que identifica uma probabilidade de inadimplência diferente.

Para elaboração de um sistema de rating consideram-se escalas de alta, média e

baixa qualidade de crédito por meio de parâmetros geralmente simbolizado por letras e

números (BRITO, 2000, p.82). Um exemplo de sistema de classificação de empréstimos,

apresentado por Saunders (2000) com escala de 1 a 10, e seu mapeamento em

classificações equivalentes para bonds é mostrado no quadro 3.2.5.

Quadro 3.2.5 Classificação de rating

Classificação Classificação Nível de Risco

AAA 1 Mínimo

AA 2 Modesto

A 3 Médio

BBB 4 Aceitável

BB 5 Aceitável com cautela

B 6 Atenção

CCC 7 Menção Especial

CC 8 Abaixo do padrão

C 9 Duvidoso

D 10 Prejuízo

FONTE: SAUNDERS, 2000, p.11

Ao implantar-se um sistema de avaliação da qualidade do crédito de uma

transação, definindo-se conceitos, procedimentos e atribuindo-se a cada categoria um

50

escore. Institui-se um importante instrumento de gestão e controle da carteira de risco de

crédito que permitirá analisá-la segundo diversas óticas. A avaliação da análise do crédito

de uma transação consiste na análise dos elementos que a constituem, ou seja, o cliente, a

garantia e a natureza da operação (BRITO, 2000, p.83).

Além de servir como referencial para a inadimplência de operações, os

sistemas de rating visam atender as exigências das autoridades monetárias do país, que

segue uma tendência internacional de utilização de sistemas de classificação de risco

(rating) como uma forma de graduar a carteira de crédito de um banco e,

conseqüentemente orientar a PCLD (SILVA, 2000, p.76).

No Brasil a classificação adotada pela resolução nº 2682/99 do Banco Central

do Brasil (ver anexo 3) definiu as classes de risco e o respectivo provisionamento para as

operações de crédito conforme o nível de risco. O quadro 3.2.5.2 apresenta a classificação

adotada pelo Banco Central do Brasil mostrando as classes de risco e o percentual de

provisão de cada classe de acordo com o tempo de atraso.

Quadro 3.2.5.2 Rating Resolução nº 2682/99

CLASSES DE RISCO DIAS DE ATRASO PROVISIONAMENTO

A Até 14 dias 0,5 %

B De 15 até 30 dias 1,0 %

C De 31 até 60 dias 3,0 %

D De 61 até 90 dias 10,0 %

E De 91 até 120 dias 30,0 %

F De 121 até 150 dias 50,0 %

G De 151 até 180 dias 70,0 %

H Acima de 180 dias 100,0 %

Fonte: Banco Central do Brasil – Resolução 2.682/99

51

A resolução nº 2682/99 determina, também, que as operações sejam revisadas

mensalmente, com base nos atrasos, e, que os dias de atraso impõem automaticamente

nova classificação de risco.

3.2.6 A abordagem da carteira

3.2.6.1 Conceito

A distinção entre as abordagens tradicionais à medição do risco de credito e as

"novas abordagens" é difícil, pois as novas abordagens utilizam-se de muitas idéias dos

modelos tradicionais. Como apresentamos anteriormente, a abordagem regulatória

“simplista” recomendada pelo BIS a partir do final da década de 1990 e estabelecida por

bancos centrais de todo o mundo fez com que o mercado financeiro concentrasse

substancial esforço no desenvolvimento de “modelos internos” de medição de risco. A

tendência atual é que estes modelos, advindos do mercado, devido a sua maior eficácia na

gestão do risco de crédito substituam gradualmente o modelo proposto pelo BIS.

As novas abordagens de gestão do risco de crédito estão intimamente ligadas

aos modelos de carteira. A abordagem de carteira tem sua origem na teoria da

diversificação de Harry Markowitz (1952). A idéia por trás da teoria de Markowitz é que o

risco do retorno de um título pode ser caracterizado por sua variância. Esta variância,

combinada à covariância de um grupo de títulos determina o retorno da carteira composta

por esses títulos. O estudo apresentado por Harry Markowitz apresenta um modelo de

52

diversificação que propõe reduzir o risco até muito próximo ao risco sistemático, caso o

analista consiga formar carteiras cujos títulos tenham correlação suficientemente baixa.

A diversificação, entretanto, não deve ser supérflua ou aleatória. Análises

posteriores demonstraram que uma diversificação "máxima" poderia reduzir o retorno da

carteira desnecessariamente e os investidores preferem carteiras com retorno maior e risco

menor ou vice-versa. Em um mercado eficiente, portanto, o investidor deveria preocupar-

se com o relacionamento do título com a carteira.

Perera (1999) diz que a importância da metodologia do portfolio tem dois

aspectos relevantes: o primeiro considera não somente o risco do próprio ativo, mas o

relaciona com o risco geral do portfolio, considerando-o numa base agregada; segundo, a

correlação de qualidade do crédito também é levada em consideração. Conseqüentemente

os benefícios da diversificação e custos de concentração podem ser adequadamente

quantificados. A abordagem da carteira permite aos administradores: quantificar e

controlar a concentração de risco que aumenta a partir da exposição de um devedor ou

grupo correlacionado de devedores, o qual somente pode ser reduzido através da

diversificação ou hedging.

Segundo Andrade (2000) no mercado internacional existem duas abordagens

para a construção de modelos de medição do risco de crédito de uma carteira: a chamada

abordagem de “default” e a “marcada a mercado”. A primeira considera que uma perda

devido a risco de crédito só ocorre quando um devedor se torna inadimplente. A outra, que

geralmente é associada ao modelo creditmetrics do J.P.Morgan, reconhece que a

deterioração da qualidade de crédito de um devedor, mesmo antes da inadimplência de

fato, pode reduzir o valor de mercado de uma posição, desta forma, o risco de crédito é

tratado como uma fonte adicional de risco de mercado.

53

3.2.6.2 Creditmetrics

Em abril de 1997, o J.P. Morgan anunciou o creditmetrics (GUPTON,

FINGER e BATHIA, 1997), um modelo de avaliação de riscos, específico para riscos de

crédito. Este modelo foi projetado para captar riscos de concentração, quantificando por

ramo, localização geográfica e setor, além de disponibilizar quanto uma tomada de posição

(empréstimo ou ativo) ou saída traz de risco à carteira, calculando as contribuições de risco

marginais baseadas na quantidade de diversificação ou de concentração que cada posição

traz.

Uma das principais vantagens do creditmetrics é medir a deterioração através

de matrizes de probabilidade de inadimplência: “Técnicas ad hoc utilizadas até muito

recentemente por profissionais de crédito experientes são hoje consideradas obsoletas. Elas

têm sido substituídas por metodologias que levam em consideração a migração dos

créditos e todos os efeitos de diversificação de portfólio” (PRADO, BASTOS e DUARTE

JR, 2000).

Dentro da análise e avaliação do risco de crédito, a metodologia apresentada

trata as mudanças de qualidade de crédito, desenvolvendo três componentes básicos:

1 - Definição do valor exposto ao risco de crédito;

2 - Mensuração das volatilidades de valor devido à mudança da qualidade do crédito;

3 - Medição das correlações entre os ativos.

O creditmetrics procura identificar o Value-at-Risk (VaR) da carteira de

empréstimos em um horizonte de risco que inclui valorizações e desvalorizações da

qualidade de crédito, as possíveis migrações de classificação (rating), além da

probabilidade de inadimplência. O objetivo do creditmetrics é proporcionar um processo

de estimativa da distribuição de valor de qualquer carteira de ativos sujeitos a alterações de

qualidade de crédito (inclusive de inadimplência).

54

O cálculo das contribuições de riscos marginais é efetuado de acordo com a

concentração e diversificação que cada nome traz a carteira. Por exemplo, nos Estados

Unidos, se um empréstimo para uma empresa de serviços públicos elétricos não-nucleares

for acrescentado a uma carteira já concentrada, em exposição, do setor bancário, então as

correlações e o risco marginal resultante do empréstimo novo serão bastante altos porque

tanto os bancos como as empresas de energia elétrica são sensíveis à taxa de juros. O

creditmetrics oferece, assim, uma abordagem mais ponderada aos limites de crédito.

3.3 Métodos estatísticos aplicados em modelos de credit scoring

As três principais técnicas para elaboração de sistemas de credit scoring são a

análise discriminante, a regressão logística e, mais recentemente modelos baseados em

redes neurais. A técnica de análise discriminante foi a primeira técnica estatística utilizada

na criação de modelos de escoragem de crédito:

A aplicação de modelos matemáticos e estatísticos para a decisão de concessão de crédito ganhou reconhecimento quando David Duran, da National Bureau of Economic Research (Agência Nacional de Pesquisa Econômica), em Nova Iorque, publicou o seu estudo em 1941 intitulado “Risk Elements in Consumer Installment Financing” (Elementos de Risco no Financiamento a Prazo do Consumidor). Ele foi o primeiro a usar a análise discriminante para medir o risco de crédito. Subseqüentemente, foram feitas várias tentativas para investigar os sistemas de crédito estatísticos, mas a indústria de crédito não considerou seriamente os modelos de pontuação de crédito até meados da década de sessenta” (COLE e MISHLER, 1998).

55

A partir da década de 80 foi introduzida a técnica de regressão logística, e mais

recentemente foram implantados métodos de análise de crédito baseados em redes neurais

(THOMAS, 2000).

Os modelos mais utilizados atualmente continuam sendo os modelos de

análise discriminante e os modelos de regressão logística: “A evolução das técnicas

preditivas de insolvência possibilitou a utilização de modelos estatísticos mais sofisticados

como a Análise Discriminante Múltipla (ADM) ou a Análise de Regressão Logística

(Logit), presentes em boa parte dos modelos acadêmicos elaborados” (BRUNI, MURRAY

e FAMÁ, 1998).

Caouette, Altman e Narayanan (1998, p.182) dizem que em geral utiliza-se

técnicas estatísticas multivariadas tais como análise discriminante e análise de regressão.

Sobre o uso de redes neurais os autores comentam: “A tecnologia de redes neurais vem

sendo aplicada mais recentemente aos sistemas de credit scoring”.

3.3.1 Análise discriminante

Os primeiros estudos acadêmicos sobre riscos de insolvência se baseavam em

análises de quocientes, índices contábeis, e deduziam que empresas em processos de

insolvência apresentavam quocientes bastante diferenciados das solventes. Nestes estudos,

uma das principais questões levantadas consistia em se determinar quais índ ices seriam os

mais importantes na predição e qual a ponderação ideal desses índices. Surgiu, então, a

análise discriminante multivariada como capaz de solucionar este questionamento

(BRUNI, MURRAY e FAMÁ, 1998).

56

Segundo Guimarães (2000, p.31), a análise discriminante consiste em uma

técnica estatística multivariada usada na resolução de problemas que envolvem separação

de conjuntos distintos de objetos, ou observações, e a alocação de novos objetos, ou

observações em um grupo específico.

A análise discriminante, também chamada de análise do fator discriminante ou análise discriminante canônica, é uma técnica estatística desenvolvida a partir dos cálculos de regressão linear e, ao contrário desta, permite resolver problemas que contenham não apenas variáveis numéricas, mas também variáveis de natureza “qualitativa”, como é o exemplo de empresas “solventes” e “insolventes”. KASSAI E KASSAI (1998, p.6)

A análise discriminante permite descobrir as ligações que existem entre um

caráter qualitativo a ser explicado e um conjunto de caracteres quantitativos explicativos.

Também permite prever, por meio de um modelo, os valores da variável que derivam dos

valores tomados pelas variáveis explicativas (GIMENES e URIBE-OPAZO, 2001, p.67).

O objetivo fundamental da análise discriminante é a alocação de todos os

elementos da amostra em grupos bem definidos, evitando todas as formas de superposição.

Os dados de cada elemento, de cada um dos grupos, são coletados e, em seguida procura-se

derivar uma função, que nada mais é que uma combinação linear, para melhor discriminar

os grupos entre si. O resultado almejado é a obtenção de um conjunto único de coeficientes

para cada uma das variáveis independentes e que classifique, com a máxima precisão, cada

elemento observado nos grupos previamente definidos (GUIMARÃES 2000, p.33).

A função discriminante linear tem a forma:

Yx = â0 + â1X1 + â2X2 + â3X3 + …. + ÂnXn

57

Onde:

Yx = Variável Dependente, reflete o valor do escore;

â0 = Intercepto;

â1, â2, â3, … , ân = Pesos atribuídos a cada variável;

X1, X2, X3, … , Xn = Variáveis discriminantes;

A classificação de cada cliente é efetuada a partir da função discriminante

estimada, e através do cálculo do valor dessa função para cada cliente (escore). De acordo

com o critério de classificação de Fisher para dois grupos, o cliente deverá ser classificado

como bom pagador se estiver mais próximo do centróide deste grupo do que do centróide

do grupo dos maus pagadores, isto é, se a distância entre o seu escore discriminante e o

centróide do grupo 1 for menor que a distância entre o seu escore e o centróide do grupo 2,

e no grupo dos maus pagadores no caso contrário (COSTA, 1992, p.62).

Sejam X1 e X2 as variáveis observadas para cada indivíduo de cada grupo. No

gráfico abaixo estão representadas as observações efetuadas:

Figura 3.3.1 Espaço discriminante

Fonte: GUIMARÃES, 2000, p.33

58

A função de análise discriminante assume os seguintes pressupostos:

(COSTA,1992, p.60)

• As variáveis discriminantes têm uma distribuição normal multivariada;

• A variabilidade interna dos grupos são idênticas, ou seja, as matrizes de variância e

covariância são iguais;

• Existem pelo menos duas observações em cada grupo;

• O número total de variáveis discriminantes (n) é menor que o número total de

clientes (C) menos dois (0 < n < C-2);

• Nenhuma das variáveis independentes é combinação linear das restantes.

Por causa da natureza ad hoc, os autores raramente citam em seus trabalhos os

pressupostos do modelo de análise discriminante linear, e conseqüentemente, as limitações

desses modelos.

Gimenes e Uribe-Opazo (2001, p.67) justificam essa ausência de testes para os

pressupostos: “Para análise discriminante, bem como para outros métodos multivariados,

existe a necessidade de suposições que nem sempre podem ser verificadas. Por exemplo, a

multinormalidade requerida em alguns testes, além de difícil constatação nas situações

gerais, torna-se as vezes impossível de ser constatada nos estudos de finanças”.

Muitos autores consideram o fato de o modelo de análise discriminante usar

apenas dois valores (0 e 1) para representar os indivíduos ser mais uma limitação dessa

técnica: “A limitação da metodologia do modelo de regressão linear é não representar

valores entre 0 e 1, que costumam ser úteis para interpretar a probabilidade” (HAND,

2001, p.146).

59

3.3.2 Regressão logística

Os modelos de risco de crédito que utilizam a regressão logística começaram a

ser usados na década de 80: “Desde Ohlson (1980) a análise LOGIT é usada

freqüentemente para a avaliação de riscos de inadimplência, baseada em características

financeiras (i.e: índices) das empresas” (ALMEIDA e DUMONTIER, 1996, p.57).

A análise de regressão logística é uma técnica de probabilidade condicional

que é usada para estudar a relação entre uma série de características de um indivíduo e a

probabilidade de que o indivíduo pertença a um entre dois grupos estabelecidos

anteriormente (GIMENES e URIBE-OPAZO, 2001).

A técnica de regressão logística (LOGIT) é aplicada em situações nas quais se

deseja prever a presença ou ausência de uma característica, ou resultado, baseado em

valores de um conjunto de variáveis independentes. No caso da mensuração do risco de

crédito, a regressão logística é utilizada para a avaliação da probabilidade de insolvência

(ou inadimplência) de determinado grupo de clientes, relativos a situações de empréstimo

ou financiamento (VICENTE, 2001, p.82).

Os modelos elaborados com base na análise LOGIT usam um conjunto de

variáveis contábeis para prever a probabilidade de inadimplência do tomador de

empréstimo, assumindo que a probabilidade de inadimplência é distribuída logisticamente,

ou seja, estatisticamente assume uma forma funcional logística, e é, por definição, forçada

a cair entre 0 e 1 (BRUNI, MURRAY e FAMÁ, 1998).

O modelo LOGIT cria para cada empresa um escore Z:

Z = á + âXi

Onde Xi é o valor da i-ésima variável.

60

A função de probabilidade é dada por:

Como P se situa entre 0 e 1, o escore Z é freqüentemente interpretado como a

probabilidade de inadimplência. Esta capacidade de estimar as probabilidades individuais

constitui a principal vantagem da regressão logística em relação à análise discriminante.

Estudos comparativos entre modelos que utilizam técnicas de regressão

logística e os modelos de análise discriminante mostrou que a capacidade de previsão

desses modelos são similares, portanto, não existe uma técnica estatística predominante.

Gimenes e Uribe-Opazo (2001, p.74) concluem a comparação entre as técnicas

de análise discriminante e LOGIT com o seguinte comentário: “Na realidade, não há uma

metodologia única para a construção de modelos de previsão de insolvência: muito menos

existe um consenso teórico sobre qual das metodologias é a melhor”. Os autores dizem

também que é importante destacar que na análise LOGIT não existem restrições à

normalidade multivariada na distribuição das variáveis independentes, nem a igualdade de

matrizes de covariância dos dois grupos, como ocorre na análise discriminante, onde se

pressupõe a existência dessas condições.

61

3.3.3 Redes neurais artificiais

Caouette, Altman e Narayanan (1998, p.188) dizem que redes neurais são

sistemas de inteligência artificial desenvolvidos para simular os processos humanos de

raciocínio e aprendizado:

Os algoritmos de redes neurais são um conjunto de dados (neste caso variáveis usadas na solicitação do crédito) que são transformadas matematicamente através de uma função de transferência para gerar um resultado (no caso, se o crédito de um solicitante seguirá curso normal ou será cancelado). Durante a fase de treinamento ou de aprendizado, os pesos serão modificados para reduzir a diferença entre o resultado desejado (previsão correta) e o resultado real (previsão gerada).

Diversos modelos de redes neurais são encontrados na literatura. Os modelos

são divididos em dois grupos principais: redes feed-forward e redes feed-backward. Uma

rede neural compreende um conjunto de nós interligados. Esses dois modelos diferem

quanto à maneira pela qual estes nós, os neurônios, se interligam para transmitir a

informação. Em redes feed-backward há apenas uma camada de neurônios e todos os

neurônios são interligados entre si (ALMEIDA e DUMONTIER, 1996, p.3). A rede tipo

feed-forward, por sua vez, possui multicamadas. A figura 3.3.3 apresenta um exemplo de

uma rede tipo feed-forward.

Sobre o poder explicativo das redes neurais, Saunders (2000, p.14) diz que em

vez de presumir existir apenas um efeito linear e direto das variáveis Xi sobre Z (a

pontuação de crédito) ou na linguagem de redes neurais da camada de entrada para a

camada de saída, as redes neurais permitem poder explicativo adicional através de

complexas correlações e interações entre as variáveis Xi.

62

Figura 3.3.3 Um exemplo de rede do tipo multicamada

Fonte: ALMEIDA, 1995, p.51

O autor critica os modelos de redes neurais artificiais por causa de suas tênues

ligações com a teoria econômica existente e exemplifica: “Por exemplo, qual o significado

econômico de uma soma exponencialmente transformada do coeficiente de alavancagem

com o coeficiente de vendas para ativos totais”.

Caouette, Altman e Narayanan (1998, p.188) argumentam que devido a

dificuldade de explorar as previsões em termos de entrada de dados, os modelos baseados

em redes neurais são mais úteis para revisão de limites e detectação de fraudes: “Nestas

situações , a precisão do resultado é o critério primeiro, e não a teoria por trás do método”.

Os modelos de redes neurais artificiais, apesar de utilizar uma técnica mais

avançada, possuem a mesma capacidade de previsão dos modelos que utilizam a regressão

logística e análise discriminante (ALMEIDA e SIQUEIRA, 1997).

Apesar de apresentar capacidade de previsão similar aos outros métodos, a

dificuldade de interpretar o modelo resultante a luz da teoria financeira é o principal

63

entrave para a aplicação desses modelos, diante disso, detectar fraudes é o verdadeiro

sucesso dos modelos baseados em redes neurais nas aplicações referentes ao crédito

(THOMAS, 2000, p.19).

O quadro 3.3.3 mostra os resultados obtidos através de um estudo comparativo

entre as taxas de acertos das técnicas de redes neurais e regressão logística (Regressão

logística 1 - Método FORWARD STEPWISE com estatística WALD; Regressão logística

2 - Método ENTER - todas as variáveis obrigatoriamente entram no modelo) em modelos

de previsão de inadimplência para bancos brasileiros.

Quadro 3.3.3 Comparação entre regressão logística e redes neurais

Fonte: ALMEIDA e SIQUEIRA, 1997

64

4 Metodologia

4.1 Credit scoring

A premissa fundamental do credit scoring é que as características dos clientes

que ficarão inadimplentes no futuro serão similares às características dos clientes que

ficaram inadimplentes no passado. A amostra deve ser extraída de período de tempo

adequado. Os enquadramentos devem ser suficientemente antigos para permitir classificar

as operações como “boas” ou “más”, mas não tão antigos que não possam representar a

população atual dos solicitantes de crédito.

As características associadas aos indivíduos são determinadas pelo uso de

metodologias estatísticas. Cada característica dá origem a pesos numéricos, fornecendo um

ponto de escore do qual deriva a probabilidade de risco.

4.2 Finalidade

Conforme conceituação anterior: “Os modelos de credit scoring se dividem em

duas categorias: modelos de aprovação de crédito e modelos de escoragem

65

comportamental, também conhecidos como behavioural scoring” (CAOUETTE,

ALTMAN e NARAYANAN, 1998, p.180).

4.2.1 Modelo de concessão de crédito (modelo 1)

OBJETIVO: Definir se deve ou não ser concedido crédito a um novo cliente.

VARIÁVEIS: Serão utilizadas variáveis referentes a dados pessoais,

profissionais e residenciais.

4.2.2 Modelo de escoragem comportamental (modelo 2)

OBJETIVOS: Gestão de limites de crédito, ofertas de crédito e cobrança

preventiva.

VARIÁVEIS: Serão utilizadas variáveis referentes a dados pessoais,

profissionais e residenciais, histórico de restrições e saldo devedor, ou seja, neste tipo de

modelo analisa-se o comportamento do cliente em relação ao histórico de suas operações.

66

4.3 Base de dados

4.3.1 Composição da amostra

Sobre a amostra ideal para um sistema de pontuação de crédito:

Em geral, seleciona-se subamostras com tamanhos que variam entre 500 a 1500 clientes. Em muitos casos por limitações operacionais, trabalha-se com amostras de tamanho bem menor. Isto compromete a segmentação da amostra e a sua divisão em duas, para desenvolvimento e teste, mas viabiliza o desenvolvimento de um primeiro sistema de credit scoring (SICSU, 1998).

A proposta inicial deste trabalho era coletar dados referentes a 1000 indivíduos,

no entanto, devido a limitações técnicas isso não foi possível. Coletamos dados de

aproximadamente 500 indivíduos, porém, eliminamos os que não satisfaziam os

parâmetros da amostra. Por motivo de segurança, o sistema de informações do banco que

cedeu a amostra é “fechado”, ou seja, os dados não puderam ser importados e convertidos,

mas impressos individualmente e depois digitados em uma planilha eletrônica. O período

de coleta de dados durou cerca de 4 meses e encerrou-se por causa de mudanças no sistema

de informações do banco, que passou a não disponibilizar tais informações.

A amostra desta pesquisa está formada por dois grupos de indivíduos

selecionados aleatoriamente entre os tomadores de empréstimo pessoa física de um banco

comercial:

a) Grupo “A” = 172 clientes sem atraso no pagamento de suas operações, classificados

como risco nível “A”;

b) Grupo “H” = 172 clientes inadimplentes.

67

4.3.2 Conceito de cliente inadimplente

Nessa pesquisa os clientes inadimplentes são caracterizados como indivíduos

com atraso no pagamento de suas operações superior a 180 dias e inferior a 360 dias,

classificados de acordo com a resolução 2.682/99 do Banco Central do Brasil como risco

nível “H”.

4.3.3 Método de seleção

Os dados utilizados referem-se a operações de crédito concedidas a pessoas

físicas pelas agências sediadas na cidade de Recife (PE) de um banco comercial brasileiro.

Estas informações estão disponíveis em seu sistema de informações interno através do

aplicativo específico para esse fim. Os dados coletados foram impressos e arquivados para

futuras eventuais consultas.

Para selecionar os indivíduos da amostra utilizamos métodos de aleatoriedade

baseados em números gerados por computador (aplicativo Microsoft Excel). Todos os

indivíduos foram numerados. Atribuiu-se uma numeração para os indivíduos alocados na

classe de risco “A” e outra numeração para os indivíduos alocados na classe de risco “H”.

Eliminamos da amostra 4 agências pelo motivo de que estas não se relacionavam com

indivíduos do segmento de pessoas físicas. Outras duas agências foram eliminadas porque

eram muito recentes, logo, seus clientes não possuíam um ciclo de operações de crédito

maduro. Duas agências com um quantitativo de clientes pouco significante no conjunto,

não tiveram clientes contemplados na amostra gerada por números aleatórios.

68

4.3.4 Parâmetros da amostra

A classificação consiste em dados referentes à situação/classificação das

operações no mês de julho do ano de 2001, e obedece aos seguintes parâmetros:

a) Indivíduos com responsabilidade cujo valor seja superior a R$ 200,00 – Foram

relacionados apenas indivíduos cujo valor mínimo do somatório de suas operações seja de

duzentos reais, pois operações cujo limite seja inferior a 200 reais muitas vezes são

deferidas sem a necessidade da atualização de dados cadastrais, o que impossibilita a coleta

de dados. Será assumido o pressuposto de que as operações com valores inferiores a

duzentos reais representam um percentual insignificante no montante da carteira de

crédito;

b) Clientes que possuam operações a pelo menos 12 meses – Será assumido o

pressuposto que clientes com operações com prazo menor que 12 meses em julho/2001

podem estar classificados indevidamente no grupo de “bons pagadores” devido ao curto

período de tempo analisado;

c) Clientes que permaneceram 12 meses no mesmo “status” – Em julho/2002 foram

eliminados da amostra clientes inadimplentes que pagaram suas dívidas, assim como,

clientes adimplentes que se tornaram inadimplentes.

69

4.3.5 Tratamento dos dados

O tratamento dos dados consistiu em criar variáveis a partir dos dados

coletados, identificar as variáveis estatisticamente significantes e desenvolver os modelos

de escoragem do crédito.

Para desenvolver os modelos de escoragem do crédito utilizamos duas

técnicas estatísticas distintas, Análise Discriminante e Regressão Logística, sendo que para

cada técnica foram desenvolvidos dois modelos: Um modelo classificatório para a

concessão do crédito, e um modelo classificatório para o gerenc iamento do crédito. Estes

modelos foram comparados e avaliados.

4.4 Variáveis

4.4.1 Descrição das variáveis originais

Conforme visto anteriormente. Os modelos deste trabalho foram divididos em:

Modelos de concessão de crédito e modelos de escoragem comportamental (Behavioural

scoring). Para o modelo de concessão de crédito foram utilizadas inicialmente as variáveis

presentes no quadro 4.4.1.a.

70

Quadro 4.4.1.a Variáveis originais do modelo de concessão de crédito

VARIÁVEL DEFINIÇÃO FORMATO/VALORES

NATURAL A naturalidade (origem de nascimento) do tomador de crédito.

1 = Recife – Capital. 2 = Pernambuco – Interior. 3 = Outro Estado da Federação. 4 = Outro País.

IDADE A idade do tomador de crédito. Números inteiros (anos).

ESCOLAR Grau de escolaridade. 1 = Nível Fundamental. 2 = Nível Médio. 3 = Nível Superior.

SEXO Sexo do tomador de crédito. 1 = Masculino. 2 = Feminino.

ESTCIVIL Estado Civil. 1 = Solteiro 2 = Casado + União estável 3 = Separado ou divorciado. 4 = Viúvo.

LRESID Local onde reside atualmente o tomador de crédito.

1 = Recife – Capital. 2 = Pernambuco – Interior 3 = Outro Estado da Federação.

NOCUP Quantidade de ocupações (ou fontes de renda) declaradas.

Números Inteiros.

NATOCUP Natureza da ocupação principal. 1 = Funcionário de empresa privada ou autônomo. 2 = Funcionário de empresa de economia mista. 3 = Funcionário Público.

RENDA Renda mensal declarada pelo proponente.

Números Inteiros. Valor em Reais (R$).

TPOSSE Tempo de posse na ocupação principal, ou desde quando o indivíduo recebe a renda principal.

Números inteiros Anos.

71

Para desenvolver o modelo de escoragem comportamental, além das variáveis

utilizadas no modelo de concessão de crédito, foram utilizadas as seguintes variáveis:

Quadro 4.4.1.b Variáveis adicionadas ao modelo de concessão de crédito para desenvolvimento do modelo de escoragem comportamental

VARIÁVEL DEFINIÇÃO FORMATO/VALORES

TCADAST Tempo de cadastro no banco. Anos.

RESTBX Já possuiu restrição de crédito em seu tempo de cadastro no banco.

0 = Não. 1 = Sim.

ENDIVIDA Dívida total no banco, em julho/2001, dividida pela renda mensal.

Percentual.

CARTAO Dívida total oriunda de cartão de crédito no banco, em julho/2001, dividida pela renda mensal.

Percentual.

CHEQUE Dívida total oriunda de cheque especial no banco, em julho/2001, dividida pela renda mensal.

Percentual.

PESSOAL Dívida total oriunda de empréstimos pessoais sem garantias reais no banco, em julho/2001, dividida pela renda mensal.

Percentual.

VEICULO Dívida oriunda de empréstimos para financiamento de veículos no banco (julho/2001dividida pela renda mensal).Garantia = Alienação do Bem.

Percentual.

4.4.2 Estudo das variáveis originais

Os quadros 4.4.2.a e 4.4.2.b apresentam os resultados do teste “t” de diferença

de médias para amostras independentes e os significados das análises. Para efetuar o teste

“t de student” foi utilizado um intervalo de confiança de 95%.

72

Quadro 4.4.2.a Estudo das variáveis originais do modelo de concessão de crédito

Variável Média de “A” (Adimplentes)

Média de “H” (Inadimplentes)

A diferença é significativa? Principais Conclusões. (Teste “t” – Sig. = 5%).

NATURAL 1,6047. 1,5523. Não. A naturalidade não tem influência sobre a inadimplência.

IDADE 46,1744. 37,1919. Sim. Os indivíduos do grupo dos inadimplentes são mais jovens.

ESCOLAR 2,250. 1,697. Sim. Os indivíduos do grupo dos inadimplentes possuem menor grau de escolaridade.

SEXO 1,4477. 1,4070. Não. O sexo não tem influência sobre a inadimplência.

ESTCIVIL 1,7267. 1,5523. Sim. O grupo dos inadimplentes tem maior proporção de indivíduos solteiros.

LRESID 1,2384. 1,4826. Sim. O grupo dos inadimplentes tem maior proporção de indivíduos que moram fora da capital.

NOCUP 1,1395. 1,0755. Não. A quantidade de fontes de renda não possui influência na inadimplência.

NATOCUP 2,2267. 1,7151. Sim. O grupo de inadimplentes tem maior proporção de indivíduos oriundos de empresas privadas.

RENDA 1987,31. 855,50. Sim. A renda mensal média do grupo dos inadimplentes é sensivelmente menor.

TPOSSE 12,6802. 6,7616. Sim. O tempo de posse dos indivíduos do grupo de inadimplentes é sensivelmente menor.

73

Quadro 4.4.2.b Estudo das variáveis originais adicionadas para desenvolvimento do modelo

de escoragem comportamental

TCADAST 1,9186. 1,3488. Sim. Os indivíduos do grupo de inadimplentes possuem cadastros mais recentes.

RESTBX 47,09%. 79,65%. Sim. O grupo de inadimplentes possui maior proporção de restrições de crédito baixadas.

ENDIVIDA 237%. 324%. Não. O endividamento médio dos dois grupos é equivalente.

CARTAO 14,38%. 3,2%. Sim. Os indivíduos do grupo de inadimplentes possuem menor taxa de endividamento em cartão de crédito.

CHEQUE 34,52% 43,51%. Não. O endividamento médio em cheque especial dos dois grupos é equivalente.

PESSOAL 135%. 271%. Sim. Os indivíduos do grupo de inadimplentes possuem maior taxa de endividamento em empréstimos pessoais.

VEICULO 9,4% 0. Não, apesar de nenhum indivíduo do grupo dos inadimplentes utilizar linha de crédito para financiamento de veículos, o volume do grupo dos adimplentes é estatisticamente insignificante.

Variável Média de “A”

(Adimplentes)

Média de “H”

(Inadimplentes)

A diferença é significativa? Principais Conclusões. (Teste “t” – Sig. = 5%).

74

4.4.3 Descrição das variáveis derivadas

As variáveis derivadas foram criadas a partir das variáveis originais com o

objetivo de melhorar a capacidade de predição dos modelos.

O quadro 4.4.3.a foi elaborado através das variáveis do modelo de concessão

de crédito apresenta os seus respectivos valores:

Quadro 4.4.3.a Variáveis derivadas do modelo de concessão de crédito

Variável Original Variável Derivada. Valores.

SOLTEIRO 1 = Solteiro. 0 = Outro Estado Civil.

CASADO 1 = Casado. 0 = Outro Estado Civil.

SEPARADO 1 = Separado. 0 = Outro Estado Civil.

ESTCIVIL

VIUVO 1 = Viúvo. 0 = Outro Estado Civil.

O quadro 4.4.3.b. apresenta as variáveis criadas para o modelo de escoragem

comportamental:

4.4.3.b Variáveis derivadas do modelo de escoragem comportamental

Variável Original Variável Derivada. Valores. CARTAO PCARTAO 1 = Possui Cartão de Crédito do banco;

0 = Não Possui.

PESSOAL PPESSOAL 1 = Possui Empréstimo Pessoal no banco; 0 = Não Possui.

VEICULO PVEICULO 1 = Possui Financiamento de veículo no banco; 0 = Não Possui.

75

4.4.4 Estudo das variáveis derivadas

O processo utilizado para a identificação das variáveis estatisticamente

significantes para as variáveis derivadas foi o mesmo utilizado para identificação das

variáveis originais: O pacote estatístico SPSS 10.0 (Statistical Package for Social Science)

foi utilizado para comparar as médias do grupo dos adimplentes (“bons pagadores”) com o

grupo dos inadimplentes (“maus pagadores”) através do teste t de student, foram rejeitadas

as variáveis cujas médias dos dois grupos eram indiferentes utilizando um nível de

significância de 5%.

O quadro 4.4.4.a apresenta os resultados dos testes para as variáveis derivadas

do modelo de concessão de crédito, enquanto que o quadro 4.4.4.b apresenta os resultados

para o modelo de escoragem comportamental (behavioural scoring).

Quadro 4.4.4.a Estudo das variáveis derivadas do modelo de concessão de crédito

SOLTEIRO 38,37%. 55,23%. Sim. O grupo de inadimplentes tem maior proporção de indivíduos solteiros.

CASADO 52,91%. 36,63%. Sim. O grupo de inadimplentes tem menor proporção de indivíduos casados.

SEPARADO 6,39%. 5,81%. Não existe diferença significativa entre os dois grupos.

VIÚVO 2,32%. 2,32%. Não existe diferença significativa entre os dois grupos.

Variável Média de “A” (Adimplentes)

Média de “H” (Inadimplentes)

A diferença é significativa? Principais Conclusões. (Teste “t” – Sig. = 5%).

76

Quadro 4.4.4.b Estudo das variáveis derivadas do modelo de escoragem comportamental

PCARTAO 40,70%. 8,72%. Sim. O grupo de inadimplentes tem maior proporção de indivíduos que possuem cartão do banco.

PPESSOAL 71,50%. 80,23%. Não. A proporção de indivíduos que possuem empréstimo pessoal é similar nos dois grupos.

PVEICULO 2,32% 0%. Sim. O grupo de inadimplentes tem menor proporção de indivíduos com veículos financiados pelo banco.

4.4.5 Variáveis utilizadas para desenvolver os modelos

A figura 4.4.5 ilustra as variáveis selecionadas para serem utilizadas no

desenvolvimento dos modelos de credit scoring:

Figura 4.4.5 Variáveis selecionadas para desenvolvimento dos modelos de credit scoring

Variável Média de “A” (Adimplentes)

Média de “H” (Inadimplentes)

A diferença é significativa? Principais Conclusões. (Teste “t” – Sig. = 5%).

77

Logo,

MODELO 1 - Modelo de concessão de crédito. Variáveis com diferença de média

significante entre os dois grupos: IDADE, ESCOLAR, LRESID, SOLTEIRO, CASADO,

RENDA, TPOSSE, NATOCUP.

MODELO 2 - Modelo de escoragem comportamental – behavioural scoring. Variáveis

com diferença de média significante entre os dois grupos: IDADE, ESCOLAR, LRESID,

SOLTEIRO, CASADO, RENDA, TPOSSE, NATOCUP, TCADAST, RESTBX, CARTAO,

PESSOAL, PCARTAO, PVEICULO.

4.5 Avaliação dos modelos

“Se o modelo de previsão for exato, a exatidão da previsão será melhor que 80

ou 90% sobre o horizonte de previsão” (CAOUETTE, ALTMAN e NARAYANAN, 1998,

p.214). Assumindo que consideramos um modelo funcional quando este apresenta uma

taxa de sucesso (número de acertos por casos totais) superior a 80%, podemos expressar a

seguinte hipótese:

H 0: µ1 ≥ 80%

H 1: µ1 < 80%

Onde: µ1 = Média de acertos do modelo.

Logo, se H0 não for rejeitada, pode-se considerar o modelo de risco de crédito

desenvolvido válido para o objetivo proposto.

78

4.6 Principais limitações da metodologia

Abaixo enumeramos as principais limitações metodológicas desta pesquisa:

• Tamanho da amostra. De uma forma geral quanto maior a amostra, maior será a

credibilidade do modelo. No entanto, devido a limitações técnicas e temporais, a

amostra limitou-se a 344 indivíduos;

• Ausência da amostra de validação. Antes de desenvolver a fórmula de escoragem

de crédito, o ideal é dividir a amostra total em: amostra de desenvolvimento e

amostra de validação. A fórmula de escoragem de crédito é desenvolvida através da

amostra de desenvolvimento e testada através da amostra de validação, ou seja, a

comparação do comportamento previsto com o comportamento real, usando as

amostras de desenvolvimento e validação. O teste de validação mostra se o sistema

de escoragem de crédito está funcionando, independentemente da amostra na qual

foi desenvolvido. No caso dessa pesquisa, e, em muitos outros trabalhos a limitação

quantitativa da amostra total impede a divisão em dois grupos;

• Ausência de indivíduos com classificações de crédito intermediárias. Conforme

visto anteriormente os modelos mais recentes de avaliação do risco de crédito

avaliam a deterioração do crédito, ou seja, avaliam também as classes

intermediárias entre a classe de risco “A” e “H”. A amostra presente nessa pesquisa

limita-se a utilizar clientes sem atrasos, e, clientes com atraso superior a 180 dias;

79

• Período de análise. A análise de um período temporal maior traria uma maior

compreensão dos modelos. A partir dessas informações seria possível arbitrar o

período de análise ideal. A limitação técnica, no entanto, fez com que fosse

utilizado o período de 1 ano;

• Ausência da taxa de recuperação de crédito. Um percentual reduzido dos créditos

inadimplentes é renegociado. Especialistas calculam que entre 1,5% e 3% das

operações em prejuízo (atraso superior a 1 ano) são recuperadas. Atualmente já

existem instituições que compram o chamado “crédito podre”. Nos modelos

presentes nessa pesquisa a taxa de recuperação de crédito não é utilizada, pois,

faltavam dados abertos sobre a recuperação de crédito, assim como o perfil dos

clientes destas operações, além disso, o período analisado não era suficientemente

grande para auferir tais operações;

• Limitação institucional e geográfica. A amostra está limitada a um único banco e

uma única cidade. A segmentação do mercado bancário faz com que os bancos

atuem em segmentos diferentes, o que pode ocasionar um viés da amostra. A

cidade de Recife, assim, como outras capitais, possui características econômicas

peculiares que também pode trazer vieses a amostra;

• Número limitado de informações. Um cadastro com maior número de informações

poderia aumentar a capacidade preditiva aos modelos. Informações tais como

número de filhos, hábitos de consumo, propriedade de bens, endividamento em

outras instituições, podem aumentar sensivelmente a qualidade dos modelos.

80

• Qualidade das informações. A velocidade do mercado e a dificuldade de alcançar

as metas impostas pelos bancos fazem com que muitas vezes o analista de crédito

não preencha campos importantes, ou simplesmente altere dados cadastrais para

garantir a venda (produto de crédito) ao cliente. Como exemplo de ausência de

informações citamos o caso dos bens móveis e imóveis que servem como garantia,

e não foram utilizados nessa pesquisa pela quantidade mínima de clientes com

essas informações em cadastro. O conhecimento dos sistemas de escoragem de

crédito por parte dos analistas faz com que muitas vezes ele cadastre o tipo de

moradia como própria, quando na verdade ela é alugada. Por esse motivo, por

exemplo, o tipo de propriedade não foi utilizado nessa pesquisa.

• Abstração de princípios éticos e legais. Não foram analisados princípios éticos e

legais nessa pesquisa. Em todo o mundo existem legislações que protegem o

consumidor. Nos Estados Unidos a Lei Equal Credit Oportunity de 1975 é

específica em relação à discriminação do consumidor. O estado civil e o sexo do

consumidor, por exemplo, não podem ser motivos de recusa de crédito (MISHLER

e COLE, 1998, p.191). No Brasil, o código do consumidor rege essas relações. Em

entrevista ao autor desse trabalho, o gerente regional de uma das maiores empresas

de consultoria de crédito citou os sistemas de seguros automotivos, que variáve is

como sexo e idade são explícitas, em seguida disse que os modelos desenvolvidos

para risco de crédito por essa empresa, assim como os sistemas de seguros

automotivos, não levam em consideração princípios éticos e legais em suas

variáveis.

81

5 Resultados

5.1 Modelos de concessão de crédito

5.1.1 Análise discriminante

A opção “STEPWISE” para análise discriminante do software SPSS 10.0 foi

utilizada para gerar o seguinte modelo:

Tabela 5.1.1.a Modelo 1: Análise discriminante

VARIÁVEIS Coeficientes

ESCOLAR –Grau de escolaridade 0,942 LRESID – Local onde reside -0,532 NATOCUP – Natureza da ocupação principal 0,282 IDADE – Idade 0,039 (Constante) -3,332

O quadro 5.1.1.b mostra as médias dos escores e os parâmetros de classificação

(Ponto de corte dos escores) dos dois grupos.

82

Quadro 5.1.1.b Análise discriminante: médias e parâmetros de classificação do modelo 1

Escore Grupo “A”

(Adimplentes)

Grupo “H”

(Inadimplentes)

Média 0,572. -0,572.

Parâmetro de classificação Escore > 0 Escore < 0

O quadro 5.1.1.c apresenta o percentual de classificações dos modelos em cada um dos grupos:

Quadro 5.1.1.c Análise discriminante (modelo 1): percentual de acertos

Classificação do Modelo

Classificação Original Grupo “A” (Adimplentes)

Grupo “H” (Inadimplentes)

Grupo “A” (Adimplentes) 71,5% 28,5%

Grupo “H” (Inadimplentes) 25% 75%

O modelo de concessão de crédito desenvolvido com a técnica de análise

discriminante conseguiu alocar corretamente 73,3% dos indivíduos da amostra.

5.1.2 Regressão logística

A opção “FORWARD: CONDITIONAL” para regressão logística do software

SPSS 10.0 foi utilizada para gerar o seguinte modelo:

83

Tabela 5.1.2.a Modelo 1: Regressão logística

VARIÁVEIS Coeficientes

ESCOLAR –Grau de escolaridade -1,014 LRESID – Local onde reside 0,623 NATOCUP – Natureza da ocupação principal -0,314 IDADE – Idade -0,042 (Constante) 3,526

As regras de decisão para classificação diferem em relação à técnica estatística

utilizada para gerar o modelo de credit scoring. O quadro 5.1.2.b mostra as médias dos

escores e os parâmetros de classificação (ponto de corte) dos dois grupos:

Quadro 5.1.2.b Regressão logística: médias e parâmetros de classificação do modelo 1

Escore Grupo “A” (Adimplentes)

Grupo “H” (Inadimplentes)

Média 0,375. 0,625.

Parâmetro de classificação Escore < 0,50 Escore > 0,50

O percentual de acertos do modelo baseado em regressão logística, assim como

aconteceu no modelo gerado através da aplicação de análise discriminante, mostra que o

modelo é mais efic iente na classificação de clientes inadimplentes. O quadro 5.1.2.c

apresenta o percentual de acerto do grupo “A” e do grupo “H”:

Quadro 5.1.2.c Regressão logística (modelo 1): percentual de acertos

Classificação do Modelo

Classificação Original Grupo “A” (Adimplentes)

Grupo “H” (Inadimplentes)

Grupo “A” (Adimplentes) 70,9% 29,1%

Grupo “H” (Inadimplentes) 26,2% 73,8%

84

A taxa geral de acertos do modelo de concessão de crédito desenvolvido com a

técnica de regressão logística (72,4%) foi bem próxima a taxa encontrada no modelo

desenvolvido com a aplicação de análise discriminante (73,3%).

5.2 Modelos de escoragem comportamental

5.2.1 Análise discriminante

O software e os parâmetros utilizados para gerar o modelo de escoragem

comportamental foram os mesmos utilizados para gerar o modelo de concessão de crédito.

A tabela 5.2.1.a apresenta o modelo final de escoragem comportamental (behavioural

scoring) gerado através da aplicação de análise discriminante:

Tabela 5.2.1.a Modelo 2: Análise discriminante

VARIÁVEIS Coeficientes

ESCOLAR –Grau de escolaridade 0,665 LRESID – Local onde reside -0,425 NATOCUP – Natureza da ocupação principal 0,226 IDADE – Idade 0,030 RESTBX – Já possuiu restrição de crédito -0,816 PVEICULO – Possui financiamento de veículos 2,008 PCARTAO – Possui cartão de crédito do banco. 1,193 (Constante) -2,213

85

Os parâmetros de classificação da análise discriminante aplicada a escoragem

comportamental são os mesmos aplicados ao modelo de concessão de crédito. As médias

dos escores dos dois grupos, no entanto, tornaram-se mais distantes do ponto de corte, o

que indica uma melhoria de eficiência em relação ao modelo de concessão de crédito:

Quadro 5.2.1.b Análise discriminante: médias e parâmetros de classificação do modelo 2

Escore Grupo “A” (Adimplentes)

Grupo “H” (Inadimplentes)

Média 0,771. -0,771.

Parâmetro de classificação Escore > 0 Escore < 0

O quadro 5.2.1.c apresenta o percentual de classificações corretas e incorretas

efetuadas pelo modelo para cada um dos grupos (grupo “A” e grupo “H”):

Quadro 5.2.1.c Análise discriminante (modelo 2): percentual de acertos

Classificação do Modelo

Classificação Original Grupo “A” (Adimplentes)

Grupo “H” (Inadimplentes)

Grupo “A” (Adimplentes) 76,7% 23,3%

Grupo “H” (Inadimplentes) 14% 86%

Assim como no modelo 1 (concessão de crédito) verificou-se que o modelo 2

(escoragem comportamental) desenvolvido com a técnica de análise discriminante possui

maior capacidade de predição para o grupo dos clientes inadimplentes (86%) do que no

grupo dos adimplentes (76,7%). O modelo 2 desenvolvido com a técnica de análise

discriminante conseguiu alocar corretamente 81,4% dos indivíduos da amostra, o que

demonstra um ganho considerável de eficiência em relação ao modelo 1 (73,3%).

86

5.2.2 Regressão logística

O modelo 2 gerado através de regressão logística apresentou as mesmas

variáveis do modelo 2 gerado através de análise discriminante:

Tabela 5.2.2.a Modelo 2: Regressão logística

VARIÁVEIS Coeficientes

ESCOLAR –Grau de escolaridade -0,991 LRESID – Local onde reside 0,686 NATOCUP – Natureza da ocupação principal -0,332 IDADE – Idade -0,039 RESTBX – Já possuiu restrição de crédito 1,405 PVEICULO – Possui financiamento de veículos -8,049 PCARTAO – Possui cartão de crédito do banco. -1,667 (Constante) -2,213

O mesmo software (SPSS 10.0) e parâmetros foram usados para gerar o

modelo 2 de regressão logística, logo, o ponto de corte da regressão logística para o

modelo 2 é o mesmo do modelo 1. Ainda em relação ao modelo 1, os escores se tornaram

mais distantes do ponto de corte (0,50) indicando maior precisão do modelo 2.

Quadro 5.2.2.b Regressão logística: médias e parâmetros de classificação do modelo 2

Escore Grupo “A”

(Adimplentes)

Grupo “H”

(Inadimplentes)

Média 0,297. 0,703.

Parâmetro de classificação Escore < 0,50 Escore > 0,50

O quadro 5.2.2.c apresenta o percentual de classificações corretas e incorretas

para os dois grupos:

87

Quadro 5.2.2.c Regressão logística (modelo 2): percentual de acertos

Classificação do Modelo

Classificação Original Grupo “A” (Adimplentes)

Grupo “H” (Inadimplentes)

Grupo “A” (Adimplentes) 78,5% 21,5%

Grupo “H” (Inadimplentes) 15,1% 84,9%

O modelo 2 desenvolvido com a técnica de regressão logística, assim como os

demais modelos desenvolvidos, também mostrou classificar melhor os clientes

inadimplentes (84,9%) do que os clientes adimplentes (78,5%). A capacidade de predição

desse modelo (81,7%) é ligeiramente superior ao modelo desenvolvido com a técnica de

análise discriminante (81,4%).

88

6 Conclusões

Os dois modelos de concessão de crédito apresentaram as mesmas variáveis.

Três variáveis que haviam passado pela etapa de seleção ficaram fora dos modelos finais

de concessão de crédito: SOLTEIRO, CASADO, RENDA. O quadro abaixo apresenta as

variáveis incluídas nos modelos de concessão de crédito e seus efeitos sobre a

inadimplência:

Tabela 6.2.1.a Variáveis dos modelos de concessão de crédito e seus efeitos sobre a inadimplência

VARIÁVEIS Efeitos sobre a inadimplência

ESCOLAR Quanto maior a escolaridade do indivíduo menor a probabilidade de

inadimplência.

LRESID Quanto mais distante da capital onde estão localizadas as agências cedentes do crédito, maior a probabilidade de inadimplência.

NATOCUP Em uma escala onde 1 = empresa privada, 2 = economia mista e 3 = público. Quanto maior a participação do capital público na propriedade da empresa pagadora menor a probabilidade de inadimplência. Funcionários públicos e aposentados possuem maior estabilidade no emprego, além de renda mais elevada.

IDADE Quanto menor a idade maior a probabilidade de inadimplência.

As variáveis que compõem o modelo e seus efeitos sobre a inadimplência

seguiram um padrão consistente. A lógica do modelo está relacionada à renda, apesar da

89

variável RENDA não está presente do modelo. O quadro 6.2.1.b relaciona as variáveis do

modelo com a renda:

Quadro 6.2.1.b Variáveis dos modelos de concessão de crédito e a renda média dos subgrupos

Variável Original Subgrupo Renda média.

Em Reais (R$).

Nível Fundamental 531,41.

Nível Médio 1.159,94.

ESCOLAR

Nível de escolaridade.

Nível Superior 2.922,32.

Recife

1.609,66.

Interior de Pernambuco.

1.090,86.

LRESID

Local da residência.

Reside fora de Pernambuco. 596,92.

Funcionário de empresa privada

1.262,12.

Funcionários de economia mista

2.410,90.

NATOCUP

Natureza da ocupação.

Funcionários públicos e aposentados.

1.534,24.

Até 30 anos. 742,98.

De 31 a 45 anos. 1.138,95.

IDADE

Mais de 46 anos. 2.174,68.

A única variável que não possui diferença significativa de renda entre os

grupos é a variável NATOCUP, apesar da renda dos funcionários de empresas de economia

mista ser maior, o quantitativo da amostra de apenas 10 indivíduos não foi representativo

para a diferença no teste “t de student”. A explicação para essa variável pode está

relacionada à estabilidade e assiduidade de pagamentos por parte da administração pública.

90

Os modelos de escoragem comportamental incluíram três variáveis além das

variáveis incluídas nos modelos de concessão de crédito: PVEICULO, RESTBX,

PCARTAO. Os pesos atribuídos a estas variáveis foram maiores que os pesos atribuídos as

variáveis que já haviam sido incluídas no modelo de concessão de crédito. A tabela abaixo

apresenta as variáveis incluídas nos modelos de escoragem comportamental (modelo 2) e a

classificação dos seus pesos em ordem decrescente:

Tabela 6.2.1.c Variáveis do modelo de escoragem comportamental e a classificação de seus pesos em ordem decrescente

VARIÁVEIS PESOS (Coeficientes)

Classificação do maior para o menor.

PVEICULO 1º RESTBX 2º PCARTAO 3º ESCOLAR 4º LRESID 5º NATOCUP 6º IDADE 7º

Nos modelos de escoragem comportamental a ordem de classificação dos pesos

das variáveis incluídas nos modelos de concessão de crédito permaneceu a mesma.

A variável PVEICULO foi a que obteve a maior ponderação nos dois modelos

de behavioural scoring desenvolvidos. A presença desta variável no modelo significa que

os indivíduos da amostra que possuem financiamento de veículos pelo banco possuem

menor probabilidade de estarem alocados no grupo dos inadimplentes. A quantidade de

indivíduos da amostra que possuem financiamento de veículos é pequena, porém, mostra

que são indivíduos com uma renda média mais de duas vezes maior que os clientes que não

possuem financiamento.

Dados do Banco Central do Brasil (ver anexo 4) mostram que em agosto de

2002 menos de 3% dos financiamentos para aquisição de veículos para pessoa física

91

estavam com atraso superior ao período de 90 dias. Além de atingir um segmento com

renda mais elevada esse produto possui baixa inadimplência devido à questão da garantia.

O bem está alienado ao banco, e, conseqüentemente se o cliente se torna inadimplente

perde a posse do mesmo. Logo, a probabilidade que um cliente que possua financiamento

de veículos ficar inadimplente, mesmo em outros produtos, é bem menor, já que todos os

débitos de empréstimos (inclusive o financiamento de veículos) são efetuados através da

conta corrente.

A segunda variável com maior peso incluída nos modelos de escoragem

comportamental foi a variável RESTBX. A inclusão desta variável indica que clientes que

já tiveram alguma restrição de crédito (ex: atraso de pagamento superior a 60 dias)

possuem maior probabilidade de se tornarem inadimplentes, ou seja, clientes que já foram

inadimplentes estão mais propensos a se tornar inadimplentes novamente do que os que

nunca atrasaram pagamentos.

A terceira variável incluída nos modelos de escoragem comportamental foi a

variável PCARTAO, a presença dessa variável no modelo indica que pessoas detentoras

cartão de crédito do banco têm menor probabilidade de se tornar inadimplentes. A

explicação lógica para essa variável é difícil. Apesar de os clientes com maior renda ser o

público alvo dos cartões de crédito, comparamos clientes com renda superior a R$

1.500,00 e verificamos que a diferença entre os grupos continuou a ser significante: A

análise mostra que mesmo entre os indivíduos com renda superior a R$ 1.500,00 o grupo

dos adimplentes possui proporção de clientes com cartão de crédito significativamente

maior que o grupo de inadimplentes.

A multiplicidade de instituições financeiras e a assimetria dessas informações

contribuem para a incompreensão dessa variável. É possível que a explicação para a

presença desta variável esteja relacionada ao relacionamento do cliente com o banco, já

92

que testes de diferença de médias mostraram que os clientes detentores de cartão de crédito

do banco possuem cadastros mais antigos, além de menor endividamento no cheque

especial. Uma hipótese seria a de que os clientes detentores de cartão de crédito do banco

sejam mais fiéis a esta instituição, enquanto que os que não possuem utilizam serviços de

outras instituições financeiras. A explicação lógica desta variável, no entanto, permanece

uma incógnita nos modelos.

A análise dos modelos confirma a similaridade da eficiência das técnicas de

análise discriminante e regressão logística. A diferença da taxa de sucesso nos dois

modelos foi mínima: No modelo 1 a técnica de análise discriminante conseguiu uma taxa

de sucesso superior (73,3%) a taxa obtida através da aplicação da regressão logística

(72,4%), enquanto que no modelo 2, a técnica de regressão logística obteve taxa de sucesso

(81,7%) superior ao da aplicação da técnica de analise discriminante.

Outro ponto que diz respeito à similaridade dos modelos refere-se as variáveis

obtidas. Os dois modelos possuem as mesmas variáveis, e, respeitando-se as regras de

decisão de cada modelo, estas variáveis possuem pesos (coeficientes) bem parecidos. O

resultado é que o percentual de indivíduos que recebeu a mesma classificação dos modelos

desenvolvidos com a aplicação da análise discriminante e regressão logística é de 98,5%

no modelo 1, e 98% no modelo 2, ou seja, apenas 5 indivíduos receberam classificações

diferentes no modelo de concessão de crédito, enquanto que no modelo de escoragem

comportamental o quantitativo foi de 7 indivíduos.

As semelhanças acima citadas conjuntamente com a ausência de uma técnica

estatística com taxa de sucesso predominante nos dois modelos corroboram a idéia,

presente em outros estudos comparativos, de que não existe uma técnica estatística

predominante no desenvolvimento de modelos de credit scoring.

93

De acordo com a metodologia dessa pesquisa um modelo é considerado

funcional quando apresenta uma taxa de sucesso superior a 80%, além disso, para ser

aplicável na realidade um modelo tem que estar de acordo com a legislação sobre provisão

de crédito.

O perfil conservador dos modelos, ou seja, o fato de alocar mais clientes no

grupo dos inadimplentes do que no grupo dos adimplentes, fazem com que os mesmos

estejam em conformidade com a resolução 2.682/99 do Banco Central do Brasil (ver anexo

3), que dispõe sobre critérios de classificação das operações de crédito e regras para a

constituição de provisão para créditos de liquidação duvidosa.

Os estudos sobre finanças corporativas incorporam uma multiplicidade de

índices, estratégias e variáveis. Os estudos sobre finanças pessoais, no entanto, limitam-se

a poucos índices financeiros, assim, o comportamento humano é quem determina a

heterogeneidade desse segmento. Mensurar o comportamento humano e suas variáveis,

porém, é uma tarefa árdua. É comum ver indivíduos de origem, formação e renda

semelhante seguirem caminhos divergentes em suas finanças pessoais.

Os modelos desenvolvidos para fins de concessão de crédito desenvolvidos

com as técnicas de análise discriminante e regressão logística tiveram taxas de sucesso de

73,3% e 72,4% respectivamente. Os modelos de concessão de crédito apresentam

geralmente taxas de sucesso menores devido ao número limitado de variáveis. Nos

modelos desenvolvidos nessa pesquisa, variáveis importantes como renda familiar,

restrições do cônjuge, e quantidade de instituições que o cliente opera, ficaram ausentes.

Apesar disso, as taxas de sucesso média dos modelos de concessão de crédito ficaram

próximas de 73% de acerto. A hipótese de funcionalidade dos modelos de concessão de

crédito foi rejeitada, no entanto, esse modelo gerou importantes informações que podem

melhor subsidiar as decisões de um analista de crédito.

94

Os modelos de escoragem comportamental envolvem um maior número de

variáveis, e, conseqüentemente apresentam maiores taxas de sucesso. Os modelos de

behavioural scoring desenvolvidos nessa pesquisa tiveram, além da limitação das

variáveis, a limitação temporal, já que normalmente o período analisado é duas vezes

maior que o aqui utilizado. Apesar disso o modelo gerado através da análise discriminante

obteve uma taxa de sucesso de 81,4%, enquanto que o modelo gerado através de regressão

logística obteve um taxa de sucesso de 81,7%.

De acordo com esses valores a hipótese de funcionalidade dos modelos não foi

rejeitada, ou seja, os modelos foram considerados funcionais para o objetivo proposto. A

natureza “ad hoc” impede, no entanto, a generalização e inferência dos resultados obtidos

neste trabalho para outras realidades. Apesar de ser improvável, é possível que em uma

outra região geográfica, por exemplo, as amostras dos dois grupos (adimplentes e

inadimplentes) sejam tão homogêneas que torne impossível desenvolver modelos de credit

scoring funcionais.

95

Referências Bibliográficas

ALMEIDA, Fernando C. Desve ndando o uso de redes neuronais em problemas de administração de empresas. Revista de Administração de empresas EASP/FGV, Vol. 35, nº1, p.46-55. São Paulo: Janeiro, 1995.

ALMEIDA, Fernando C., DUMONTIER, Pascal. O uso de redes neurais em avaliação de riscos de inadimplência. Revista de Administração FEA/USP, Vol. 31, nº1, p.52-63. São Paulo: Março, 1996.

ALMEIDA, Fernando C., SIQUEIRA José O. Comparação entre regressão logística e redes neurais na previsão de falência de bancos brasileiros. Terceiro congresso brasileiro de redes neurais. Florianópolis: 1997.

ALTMAN, E. I., Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. Journal of Finance, Sep 1968, p. 589-609.

ANDRADE, Sandro C. Um modelo de medição de risco de crédito. Resenha BM&F – São Paulo, 2000.

BANCO CENTRAL DO BRASIL – BACEN. Circular 2.957/99. Dispõe sobre a prestação de informações relativas a operações de credito praticadas no mercado financeiro. Brasília: www.bacen.gov.br , 1999.

BANCO CENTRAL DO BRASIL – BACEN. Resolução 2.682/99. Dispõe sobre critérios de classificação das operações de crédito e regras para a constituição de provisão para créditos de liquidação duvidosa. Brasília: www.bacen.gov.br , 1999.

BASLEE COMMITTEE ON BANKING SUPERVISION. Credit Risk Modelling: Current Practices and Applications. Bank for International Settlements (BIS), April 1999.

BASLEE COMMITTEE ON BANKING SUPERVISION. Range of Practice in Banks Internal Rating Systems. Bank for International Settlements (BIS), January 2000.

BRITO, Osias S. Contribuição ao estudo de modelo de controladoria de risco-retorno em bancos de atacado. Tese de Doutorado, USP. São Paulo: 2000.

96

BRUNI, A. L., FUENTES J., FAMÁ, R. Risco de crédito: Evolução teórica e mecanismo de proteção desenvolvido nos últimos 20 anos. Anais do II SEMEAD da FEA/USP. São Paulo: 1997.

BRUNI, A. L., MURRAY, A. D. , FAMÁ, R. Modelos Brasileiros Preditivos de Risco de Crédito: Um Estudo Exploratório Atual sobre as suas Eficácias. Periódico Tema, número 32, p. 148-167, janeiro/junho 1998.

CAOUETTE, J.B. E.J. ALTMAN, e P. NARAYANAN, Gestão do Risco de Crédito: O próximo grande desafio financeiro. – Rio de Janeiro: Qualitymark Ed. 1999.

CAVALCANTE, Luiza H.S. e NETO Paulo M. O impacto da entrada dos bancos estrangeiros na oferta de credito dos bancos privados nacionais. Fórum Banco do Nordeste de Desenvolvimento – VII Encontro Regional de Economia. Fortaleza (CE): Julho/2002.

COLE, R., MISHLER L. Gestão de Crédito. 11ª Edição. São Paulo: Ed. McGraw-Hill, 1998.

COSTA, Francisco C. Avaliação de crédito pessoal. Dissertação de Mestrado. Instituto Superior de Ciências do Trabalho e da Empresa – Portugal. Lisboa: Julho/1992.

DUARTE JR., Antonio M. Riscos: Definições, Tipos, Medição e Recomendações para o seu gerenciamento. Working Paper, IBMEC. São Paulo: 2000.

FIGUEIREDO, Romana P. Gestão de Riscos Operacionais em Instituições Financeiras – Uma abordagem qualitativa. Dissertação de Mestrado, Universidade da Amazônia. Belém (PA): 2001.

FORTUNA, Eduardo. Mercado Financeiro: Produtos e Serviços. 7ª ed. Rio de Janeiro: Qualitymark Ed. 1995.

GHERARDI, Carlo e GHIELMETTI, Sílvia – Revista “Tecnologia do Crédito”, ANO 01, Nº 02, Artigo Escoragem de Crédito: Metodologia que identifica Estatisticamente o Risco de Crédito – São Paulo: Serasa, setembro/97.

GIMENES, Régio M. T., URIBE-OPAZO, Miguel A. Modelos Multivariantes para a previsão de insolvência em cooperativas agropecuárias: Uma comparação entre a Análise Discriminante e a Análise de Probabilidade Condicional - Logit. Caderno de Pesquisas em Administração, v.08, nº 03, pp 65-76. São Paulo: Julho/2001.

GUIMARÃES, Inácio A. Construção e avaliação de uma regra de conhecimento e classificação de clientes de uma instituição financeira com base em análise multivariada. Dissertação de Mestrado, Universidade Federal do Paraná. Curitiba: 2000.

GUPTON, Greg M., C.C. FINGER e M. BHATIA. Creditmetrics Technical Document. Nova Iorque: J. P. Morgan Inc. ,Abril/1997.

GUPTON, Greg M. – Revista “Tecnologia do Crédito”, ANO 01, Nº 05. A Novidade do Momento: Creditmetrics, uma Abordagem de Valores Expostos ao Risco de Crédito – São Paulo: Serasa, março/98.

97

HAIR, J. F., ANDERSON, R .E., TATHAM, R. L. e BLACK, W. C. Multivariate Data Analysis, 4th edition, Nova Jersey: Prentice Hall, 1995.

HAND, David J. Modelling consumer credit risk. Journal of Management Mathematics, n 12, p. 139-155. London, U.K: 2001.

KANG, S., SHIN, K. Custumer credit scoring model using analytic hierarchy process. Informs & Korms, Seoul, p.2197-2204. Korea: 2000.

KASSAI, J. R., KASSAI S. O termômetro de kanitz. Trabalho apresentado no ENAPAD/98. Foz do Iguacu/PR. Setembro/98.

MARKOWITZ, Harry. Portfólio Selection. Journal of Finance. New York: v.7, n.1, p 77-91, mar. 1952.

OHLSON, J.A. Financial Ratios and the Probabilistic Prediction of Bankruptcy. Journal of Acounting Research, Spring, p.109-131, 1980.

PAIVA, Carlos A. de Carvalho. Administração do Risco de Crédito. Rio de Janeiro: Qualitymark Ed. 1997.

PARKINSON, Kenneth L. & OCHS, Joyce R. Using credit screening to manage credit risk. Business Credit, p.23-27, mar., 1998.

PEREIRA, Alexandre. Guia prático de utilização do SPSS – Análise de dados para ciências sociais e psicologia. Lisboa: Edições Silabo, 1999.

PERERA, Luiz C. Jacob. Administrando o risco de crédito com o Creditmetrics. Working Paper Universidade de São Paulo 1999.

PRADO, Renata G. A., BASTOS, Norton T., DUARTE JR, Antônio M. Gerenciamento de Riscos de Crédito em Bancos de Varejo no Brasil. Global Risk Management – Unibanco S.A. São Paulo, 2000.

ROSS, Stephen A, WESTERFIELD, Randolph W., JAFFE, Jeffrey F. Administração Financeira. São Paulo: Editora Atlas S. A, 1995.

SANDRONI, Paulo. Dicionário de Economia. 5ª ed. São Paulo: 1992.

SANVICENTE, Antônio Z., MINARDI, Andréa M. A. Migração de risco de crédito de empresas brasileiras: Uma aplicação de análise de clusters na área de crédito. Instituto Brasileiro de Mercado de Capitais, São Paulo: 1999.

SAUNDERS, Anthony. Medindo o Risco de Crédito: Novas abordagens para value at risk e outros paradigmas. Rio de Janeiro: Qualitymark Ed., 2000.

SECURATO, José R. Um modelo para determinar o valor presente de uma carteira de crédito e de seus riscos. Anais do III SEMEAD da FEA/USP. São Paulo:1998.

SECURATO, José R., PEROBELLI, Fernanda F. C. Comparação entre métodos do valor presente de uma carteira e seu risco. Caderno de Pesquisas em Administração, v.07, nº 04, p. 01-12. São Paulo: Outubro/2000.

98

SICSU, Abraham L. Revista “Tecnologia do Crédito”, ANO 01, Nº 05, Artigo Desenvolvimento de um Sistema de Credit Scoring. São Paulo: Serasa, Março/98.

SILVA, José Pereira. Gestão e análise do risco de crédito. – 3 ed. São Paulo: Atlas, 2000.

SOUSA, Almir F., CHAIA, Alexandre J. Política de crédito: uma análise qualitativa dos processos das empresas. Caderno de Pesquisas em Administração, v.07, nº 03, pp 13-25. São Paulo: Julho/2000.

STEVENSON, William J. Estatística aplicada à administração. São Paulo: Editora Harbra ltda, 1986.

THOMAS, Lyn C., HO J., SCHERER W. T. Time will tell: Behavioural scoring and the dinamics of consumer credit assessment. University of Edinburgh, Edinburgh, U.K, 2001.

THOMAS, Lyn C. A survey of credit and Behavioural Scoring; Forecasting financial risk of lending to consumers . University of Edinburgh, Edinburgh, U.K, 2000.

VICENTE, Ernesto F. R. A estimativa do risco na constituição da PDD. Dissertação de Mestrado, USP. São Paulo: Maio/2001.

WESTON, J. Fred, BRIGHAM, Eugene P. Managerial Finance. New York: Holt, 1972.

99

Apêndices

100

Apêndice 1 – Lista de Figuras

FIGURA Pg.

2.1 Quatro grandes grupos de risco……………………………………….…………... 18

2.3.1.b Volume de crédito concedido aos segmentos de pessoa física e jurídica em R$ milhões……………………………………………………………………………..

24

2.3.2 Gráfico de distribuição das operações no segmento de pessoa física……….…….. 26 3.2.4.1 Processo de concessão de crédito através do uso de modelos de credit

scoring……………………………………………………………………………... 40

3.3.1 Espaço discriminante……………………………………………………………… 57 3.3.3 Um exemplo de rede do tipo multicamada………………………………………... 62 4.4.5 Variáveis selecionadas para o desenvolvimento dos modelos de credit

scoring……………………………………………………………………………... 76

101

Apêndice 2 – Lista de Quadros

QUADRO Pg.

2.3.1.a Crédito do sistema financeiro privado para o setor privado sobre o PIB mensal……............................................................................................................

23

3.2.1 Modelos de risco de crédito univariados................................................................ 32 3.2.4.3.a Exemplo de sistema de pontuação para pessoa física............................................. 43 3.2.4.3.b Modelos de risco de crédito multivariados............................................................. 44 3.2.4.3.c Modelos de risco de crédito multivariados brasileiros........................................... 45 3.2.5 Classificação de rating........................................................................................... 49 3.2.5.2 Rating – Resolução nº 2682/99.............................................................................. 50 3.3.3 Comparação entre regressão logística e redes neurais........................................... 63 4.4.1.a Variáveis originais do modelo de concessão de crédito........................................ 70 4.4.1.b Variáveis adicionadas ao modelo de concessão de crédito para desenvolvimento

do modelo de escoragem comportamental............................................................. 71

4.4.2.a Estudo das variáveis originais do modelo de concessão de crédito....................... 72 4.4.2.b Estudo das variáveis originais do modelo de escoragem comportamental............ 73 4.4.3.a Variáveis derivadas do modelo de concessão de crédito....................................... 74 4.4.3.b Variáveis derivadas do modelo de escoragem comportamental............................ 74 4.4.4.a Estudo das variáveis derivadas do modelo de concessão de crédito...................... 75 4.4.4.b Estudo das variáveis derivadas do modelo de escoragem comportamental........... 76 5.1.1.b Análise discriminante: médias e parâmetros de classificação do modelo 1........... 82 5.1.1.c Análise discriminante (modelo 1): percentual de acertos...................................... 82 5.1.2.b Regressão logística: médias e parâmetros de classificação do modelo 1.............. 83 5.1.2.c Regressão logística (modelo 1): percentual de acertos.......................................... 83 5.2.1.b Análise discriminante: médias e parâmetros de classificação do modelo 2........... 85

102

5.2.1.c Análise discriminante (modelo 2): percentual de acertos...................................... 85 5.2.2.b Regressão logística: médias e parâmetros de classificação do modelo 2............... 86 5.2.2.c Regressão logística (modelo 2): percentual de acertos.......................................... 87 6.2.1.b Variáveis dos modelos de concessão de crédito e renda média dos subgrupos..... 89

103

Apêndice 3 – Lista de Tabelas

TABELA Pg.

5.1.1.a Modelo 1: Análise discriminante………………………………………………... 81 5.1.2.a Modelo 1: Regressão logística…………………………………………………... 83 5.2.1.a Modelo 2: Análise discriminante………………………....................................... 84 5.2.2.a Modelo 1: Regressão logística………………………………............................... 86 6.2.1.a Variáveis dos modelos de concessão de crédito e seus efeitos sobre a

inadimplência......................................................................................................... 88

6.2.1.c Variáveis dos modelos de escoragem comportamental e a classificação de seus

pesos em ordem crescente………………...................................…………….….. 90

104

Anexos

Anexo 1 – Volume das operações de crédito (R$ milhões)

Mês Pessoa jurídica Pessoa física TOTAL

Total Total

2000 Jan 69 746 24 199 93 945 Fev 68 851 25 839 94 690 Mar 69 675 27 076 96 751

Abr 74 260 28 891 103 151 Mai 85 344 38 132 123 476

Jun 85 386 39 670 125 056 Jul 86 530 41 084 127 614 Ago 87 090 43 171 130 261

Set 90 686 45 575 136 261 Out 94 939 48 064 143 002

Nov 99 740 50 669 150 409 Dez 102 622 51 336 153 958

2001Jan 102 425 54 637 157 062

Fev 105 764 56 305 162 069

Mar 111 022 59 418 170 440 Abr 115 313 61 426 176 739

Mai 117 856 63 939 181 795 Jun 118 845 65 604 184 449 Jul 121 761 66 496 188 257

Ago 124 982 67 870 192 852 Set 129 601 68 914 198 515

Out 129 503 70 398 199 900 Nov 127 717 70 227 197 944 Dez 124 165 69 941 194 105

2002Jan 124 854 72 214 197 068

Fev 125 085 72 631 197 716 Mar 125 118 73 799 198 917 Abr 126 269 75 277 201 547

Mai 127 725 76 463 204 188 Jun 132 987 76 519 209 506

Jul 137 263 75 875 213 138 Ago 132 022 76 215 208 238

Fonte: Banco Central do Brasil – Set/2002

Anexo 2 – Circular 2.957/99 – Banco Central do Brasil

Dispoe sobre a prestacao de infor- macoes relativas a operacoes de credito praticadas no mercado fi- nanceiro. A Diretoria Colegiada do Banco Central do Brasil, em sessao realizada em 28 de dezembro de 1999, tendo em vista o disposto no art. 37 da Lei n.. 4.595, de 31 de dezembro de 1964, e no art. 3., inciso IX, da Lei n.. 4.728, de 14 de julho de 1965, D E C I D I U: Art. 1. Estabelecer que os bancos multiplos, bancos comerci ais, bancos de investimento, bancos de desenvolvimento, sociedades de credito, financiamento e investimento, sociedades de credito imobili- ario, associacoes de poupanca e emprestimo e Caixa Economica Federal devem remeter ao Banco Central do Brasil/Departamento de Cadastro e Informacoes do Sistema Financeiro (DECAD) informacoes sobre as taxas medias ponderadas, as taxas minimas e maximas, o valor liberado na data-base, o saldo dos creditos concedidos, os respectivos niveis de atraso e os prazos medios das operacoes abaixo especificadas, segre- gadas por tipo de encargo pactuado: I - com pessoas juridicas: a) hot money; b) desconto de duplicatas; c) desconto de notas promissorias; d) capital de giro; e) conta garantida; f) financiamento imobiliario; g) aquisicao de bens; h) "vendor"; i) adiantamentos sobre contratos de cambio; j ) export notes; l) repasses de emprestimos externos, com base na Resolucao n. 63, de 21 de agosto de 1967; m) outras;

II - com pessoas fisicas: a) cheque especial; b) credito pessoal; c) financiamento imobiliario; d) aquisicao de bens - veiculos automotores; e) aquisicao de bens - outros bens; f) oriundas de cartao de credito; g) outras. Art. 2. A prestacao de informacoes de que trata o artigo an- terior deve ser feita de acordo com as instrucoes constantes do docu- mento anexo, observada a seguinte codificacao do Catalogo de Documen- tos - CADOC: Associacoes de Poupanca e Emprestimo 12.1.0.302-9 Bancos Comerciais 20.1.0.302-8 Bancos de Desenvolvimento 22.1.0.031-1 Bancos de Investimento 24.1.0.401-6

Bancos Multiplos 26.1.0.401-4 Caixa Economica Federal 38.0.0.401-6 Sociedades de Credito Imobiliario 83.1.0.302-7 Art. 3. As informacoes de que trata esta Circular devem ser fornecidas diariamente, a partir da data-base de 31 de marco de 2000, ate o quinto dia util posterior a data a que se referirem, exceto as relativas as taxas medias, minimas e maximas praticadas nas operacoes de cheque especial que devem ser informadas por meio da transacao PESP500 do Sistema de Informacoes Banco Central - SISBACEN, opcao "Taxas Cheque Especial", ate dois dias uteis apos a sua concessao. Art. 4. As informacoes relativas aos niveis de atraso das operacoes de que trata o art. 1. devem ser atualizadas somente na data-base que representar o ultimo dia util do mes de referencia e classificadas nas seguintes faixas: I - ate 15 dias de atraso; II - atraso entre 15 e 30 dias; III - atraso entre 31 e 90 dias; IV - atraso superior a 90 dias. Art. 5. As operacoes de credito rural, de repasses do Banco Nacional de Desenvolvimento Economico e Social (BNDES) ou quaisquer outras lastreadas em recursos compulsorios ou governamentais nao de- vem ser consideradas para efeito desta Circular. Art. 6. O nao fornecimento, fornecimento com atraso ou reti- ficacao extemporanea das informacoes requeridas por esta Circular en- sejara a aplicacao das penalidades previstas na Resolucao n. 2.194, de 31 de agosto de 1995. Paragrafo 1. Para efeito da aplicacao das penalidades pre- vistas nesse artigo, devem ser informados ao DECAD, e mantidos perma- nentemente atualizados, o nome, a inscricao no Cadastro de Pessoas Fisicas (CPF) e o telefone dos responsaveis pela elaboracao e presta- cao das informacoes, bem como, no caso de instituicoes nao detentoras de conta "Reservas Bancarias", o nome e a inscricao no Cadastro Naci- onal de Pessoa Juridica (CNPJ) da instituicao financeira, cuja con- ta sera utilizada para debito das multas eventualmente devidas. Paragrafo 2. As instituicoes que possuirem saldos nulos em todas as modalidades de credito elencadas no art. 1. estao dispensa- das da remessa das informacoes de que trata esta Circular, desde que referida condicao seja formalmente comunicada ao DECAD. Paragrafo 3. Caso volte a realizar alguma operacao de credi- to e financiamento passivel de enquadramento no art. 1. desta Circu- lar, a instituicao devera comunicar tal situacao imediatamente ao DECAD. Paragrafo 4. O DECAD e o Departamento de Informatica (DEINF) do Banco Central do Brasil divulgarao o leiaute por meio do qual de- vem ser prestadas as informacoes de que se trata. Art. 7. Esta Circular entra em vigor na data de sua publica- cao, produzindo efeitos a partir da data-base de 31 de marco de 2000, quando ficarao revogadas as Circulares n.s 2.720, de 6 de setembro de 1996, e 2.937, de 14 de outubro de 1999, a Carta-Circular n. 2.882, de 24 de novembro de 1999, e os Comunicados n.s 5.307, de 24 de se-

tembro de 1996, 7.018, de 27 de outubro de 1999, e 7.038, de 4 de no- vembro de 1999. Brasilia, 30 de dezembro de 1999 Sergio Darcy da Silva Alves Diretor

Anexo 3 – Resolução 2.682/99 – Banco Central do Brasil

Dispoe sobre criterios de classi- ficacao das operacoes de credito e regras para constituicao de provi- sao para creditos de liquidacao duvidosa. O BANCO CENTRAL DO BRASIL, na forma do art. 9. da Lei n. 4.595, de 31 de dezembro de 1964, torna publico que o CONSELHO MONETARIO NACIONAL, em sessao realizada em 21 de dezembro de 1999, com base no art. 4., incisos XI e XII, da citada Lei, R E S O L V E U: Art. 1. Determinar que as instituicoes financeiras e demais instituicoes autorizadas a funcionar pelo Banco Central do Brasil de- vem classificar as operacoes de credito, em ordem crescente de risco, nos seguintes niveis: I - nivel AA II - nivel A III- nivel B IV - nivel C V - nivel D VI - nivel E VII -nivel F VIII-nivel G IX - nivel H. Art. 2. A classificacao da operacao no nivel de risco cor- respondente e de responsabilidade da instituicao detentora do credito e deve ser efetuada com base em criterios consistentes e verifica- veis, amparada por informacoes internas e externas, contemplando, pelo menos, os seguintes aspectos: I - em relacao ao devedor e seus garantidores: a) situacao economico-financeira; b) grau de endividamento; c) capacidade de geracao de resultados; d) fluxo de caixa; e) administracao e qualidade de controles; f) pontualidade e atrasos nos pagamentos; g) contingências; h) setor de atividade economica; i) limite de credito; II - em relacao a operacao: a) natureza e finalidade da transação; b) caracteristicas das garantias, particularmente quanto a suficiencia e liquidez; c) valor. Paragrafo unico. A classificacao das operacoes de credito de titularidade de pessoas fisicas deve levar em conta, tambem, as situ- acoes de renda e de patrimonio bem como outras informacoes cadastrais do devedor.

Art. 3. A classificacao das operacoes de credito de um mesmo cliente ou grupo economico deve ser definida considerando aquela que apresentar maior risco, admitindo-se excepcionalmente classificacao diversa para determinada operacao, observado o disposto no art. 2., inciso II. Art. 4. A classificacao da operacao nos niveis de risco de que trata o art. 1. deve ser revista, no minimo: I - mensalmente, por ocasiao dos balancetes e balancos, em funcao de atraso verificado no pagamento de parcela de principal ou de encargos, devendo ser observado o que segue: a) atraso entre 15 e 30 dias: risco nivel B, no mínimo; b) atraso entre 31 e 60 dias: risco nivel C, no mínimo; c) atraso entre 61 e 90 dias: risco nivel D, no minimo; d) atraso entre 91 e 120 dias: risco nivel E, no minimo; e) atraso entre 121 e 150 dias: risco nivel F, no mínimo; f) atraso entre 151 e 180 dias: risco nivel G, no mínimo; g) atraso superior a 180 dias: risco nivel H; II - com base nos criterios estabelecidos nos arts. 2. e 3.: a) a cada seis meses, para operacoes de um mesmo cliente ou grupo economico cujo montante seja superior a 5% (cinco por cento) do patrimonio liquido ajustado; b) uma vez a cada doze meses, em todas as situacoes, exceto na hipotese prevista no art. 5.. Paragrafo 1. As operacoes de adiantamento sobre contratos de cambio, as de financiamento a importacao e aquelas com prazos inferi- ores a um mes, que apresentem atrasos superiores a trinta dias, bem como o adiantamento a depositante a partir de trinta dias de sua ocorrencia, devem ser classificados, no minimo, como de risco nivel G. Paragrafo 2. Para as operacoes com prazo a decorrer superior a 36 meses admite-se a contagem em dobro dos prazos previstos no in- ciso I. Paragrafo 3. O nao atendimento ao disposto neste artigo im- plica a reclassificacao das operacoes do devedor para o risco nivel H, independentemente de outras medidas de natureza administrativa. Art. 5. As operacoes de credito contratadas com cliente cuja responsabilidade total seja de valor inferior a R! 50.000,00 (cin- quenta mil reais) podem ter sua classificacao revista de forma auto- matica unicamente em funcao dos atrasos consignados no art. 4., inci- so I, desta Resolucao, observado que deve ser mantida a classificacao original quando a revisao corresponder a nivel de menor risco. Paragrafo 1. O Banco Central do Brasil podera alterar o va- lor de que trata este artigo. Paragrafo 2. O disposto neste artigo aplica-se as operacoes contratadas ate 29 de fevereiro de 2000, observados o valor referido no caput e a classificacao, no minimo, como de risco nivel A. Art. 6. A provisao para fazer face aos creditos de liquida- cao duvidosa deve ser constituida mensalmente, nao podendo ser infe- rior ao somatorio decorrente da aplicacao dos percentuais a seguir mencionados, sem prejuizo da responsabilidade dos administradores das

instituicoes pela constituicao de provisao em montantes suficientes para fazer face a perdas provaveis na realizacao dos creditos: I - 0,5% (meio por cento) sobre o valor das operacoes clas- sificadas como de risco nivel A; II - 1% (um por cento) sobre o valor das operacoes classifi- cadas como de risco nivel B; III - 3% (tres por cento) sobre o valor das operacoes clas- sificadas como de risco nivel C; IV - 10% (dez por cento) sobre o valor das operacoes classi- ficados como de risco nivel D; V - 30% (trinta por cento) sobre o valor das operacoes clas- sificados como de risco nivel E; VI - 50% (cinquenta por cento) sobre o valor das operacoes classificados como de risco nivel F; VII - 70% (setenta por cento) sobre o valor das operacoes classificados como de risco nivel G; VIII - 100% (cem por cento) sobre o valor das operacoes classificadas como de risco nivel H. Art. 7. A operacao classificada como de risco nivel H deve ser transferida para conta de compensacao, com o correspondente debi- to em provisao, apos decorridos seis meses da sua classificacao nesse nivel de risco, nao sendo admitido o registro em periodo inferior. Paragrafo unico. A operacao classificada na forma do dispos- to no caput deste artigo deve permanecer registrada em conta de com- pensacao pelo prazo minimo de cinco anos e enquanto nao esgotados to- dos os procedimentos para cobranca. Art. 8. A operacao objeto de renegociacao deve ser mantida, no minimo, no mesmo nivel de risco em que estiver classificada, ob- servado que aquela registrada como prejuizo deve ser classificada como de risco nivel H. Paragrafo 1. Admite-se a reclassificacao para categoria de menor risco quando houver amortizacao significativa da operacao ou quando fatos novos relevantes justificarem a mudanca do nivel de ris- co. Paragrafo 2. O ganho eventualmente auferido por ocasiao da renegociacao deve ser apropriado ao resultado quando do seu efetivo recebimento. Paragrafo 3. Considera-se renegociacao a composicao de divi- da, a prorrogacao, a novacao, a concessao de nova operacao para li- quidacao parcial ou integral de operacao anterior ou qualquer outro tipo de acordo que implique na alteracao nos prazos de vencimento ou nas condicoes de pagamento originalmente pactuadas. Art. 9. E vedado o reconhecimento no resultado do periodo de receitas e encargos de qualquer natureza relativos a operacoes de credito que apresentem atraso igual ou superior a sessenta dias, no pagamento de parcela de principal ou encargos. Art. 10. As instituicoes devem manter adequadamente documen- tadas sua politica e procedimentos para concessao e classificacao de operacoes de credito, os quais devem ficar a disposicao do Banco Cen- tral do Brasil e do auditor independente. Paragrafo unico. A documentacao de que trata o caput deste artigo deve evidenciar, pelo menos, o tipo e os niveis de risco que se dispoe a administrar, os requerimentos minimos exigidos para a concessao de emprestimos e o processo de autorizacao.

Art. 11. Devem ser divulgadas em nota explicativa as demons- tracoes financeiras informacoes detalhadas sobre a composicao da car- teira de operacoes de credito, observado, no minimo: I - distribuicao das operacoes, segregadas por tipo de cli- ente e atividade economica II - distribuicao por faixa de vencimento III - montantes de operacoes renegociadas, lancados contra prejuizo e de operacoes recuperadas, no exercício Art. 12. O auditor independente deve elaborar relatorio cir- cunstanciado de revisao dos criterios adotados pela instituicao quan- to a classificacao nos niveis de risco e de avaliacao do provisiona- mento registrado nas demonstracoes financeiras. Art. 13. O Banco Central do Brasil podera baixar normas com- plementares necessarias ao cumprimento do disposto nesta Resolucao, bem como determinar: I - reclassificacao de operacoes com base nos criterios es- tabelecidos nesta Resolucao, nos niveis de risco de que trata o art. 1.; II - provisionamento adicional, em funcao da responsabili- dade do devedor junto ao Sistema Financeiro Nacional; III - providencias saneadoras a serem adotadas pelas insti- tuicoes, com vistas a assegurar a sua liquidez e adequada estrutura patrimonial, inclusive na forma de alocacao de capital para operacoes de classificacao considerada inadequada; IV - alteracao dos criterios de classificacao de creditos, de contabilizacao e de constituicao de provisão; V - teor das informacoes e notas explicativas constantes das demonstracoes financeiras; VI - procedimentos e controles a serem adotados pelas ins- tituicoes. Art. 14. O disposto nesta Resolucao se aplica tambem as ope- racoes de arrendamento mercantil e a outras operacoes com caracteris- ticas de concessao de credito. Art. 15. As disposicoes desta Resolucao nao contemplam os aspectos fiscais, sendo de inteira responsabilidade da instituicao a observancia das normas pertinentes. Art. 16. Esta Resolucao entra em vigor na data da sua pu- blicacao, produzindo efeitos a partir de 1. de marco de 2000, quando ficarao revogadas as Resolucoes n.s 1.748, de 30 de agosto de 1990, e 1.999, de 30 de junho de 1993, os arts. 3. e 5. da Circular n. 1.872, de 27 de dezembro de 1990, a alinea "b" do inciso II do art. 4. da Circular n. 2.782, de 12 de novembro de 1997, e o Comunicado n. 2.559, de 17 de outubro de 1991. Brasilia, 21 de dezembro de 1999 Arminio Fraga Neto Presidente

Anexo 4 – Operações aquisição de bens PF veículos (R$ milhões)

Mês Novas concessões Saldo

Concessões Sem Faixas de atraso Saldo

Total mês atraso 15 a 31 a Acima de total

30 dias 90 dias 90 dias

2000 Jun 1 272 7 712 220 178 201 8 312

Jul 1 421 8 605 281 206 192 9 284

Ago 1 758 9 756 294 207 192 10 449

Set 1 537 11 012 348 302 248 11 910

Out 1 810 11 957 458 415 240 13 070

Nov 1 933 13 259 459 413 251 14 382

Dez 1 973 14 441 459 420 277 15 597

2001 Jan 1 940 15 598 541 459 300 16 898

Fev 1 749 16 331 583 524 323 17 760

Mar 2 100 17 392 661 549 366 18 968

Abr 1 818 18 170 692 640 384 19 887

Mai 1 850 19 052 755 662 442 20 910

Jun 1 707 19 677 773 704 494 21 647

Jul 1 680 20 044 868 800 550 22 262

Ago 1 734 20 645 854 787 567 22 852

Set 1 427 20 946 856 874 605 23 281

Out 1 648 21 341 971 928 591 23 778

Nov 1 835 21 616 952 1 020 636 24 224

Dez 1 824 22 056 930 975 735 24 672

2002 Jan 1 833 23 032 1 007 992 778 25 808

Fev 1 499 23 001 945 1 025 746 25 718

Mar 1 830 23 402 1 043 965 788 26 197

Abr 2 072 23 810 1 008 1 024 783 26 625

Mai 1 912 24 094 1 075 1 033 803 27 004

Jun 1 513 24 289 1 016 1 083 814 27 202

Jul 1 520 24 048 1 066 1 003 789 26 906

Ago 1 512 24 295 974 912 779 26 959 Fonte: Banco Central do Brasil – Set/2002.