Fatores determinantes da recuperação judicial considerando os fluxos de caixa das firmas

Abstract

Os efeitos da insolvência das organizações para os credores, acionistas e a sociedade em geral (stakeholders) levou, desde o início dos anos 1930, inúmeros pesquisadores a investigarem as causas da falência, desenvolvendo modelos que buscassem prever (e prevenir) a ocorrência desses eventos. Ao longo dos anos, e com o desenvolvimento de novas ferramentas e tecnologias no campo da estatística e informática, esses modelos foram submetidos a um processo de evolução, o que permite, hoje, identificar-lhes por meio de seus componentes histórico-cronológicos, como sendo modelos teóricos (que focam nas causas qualitativas da falência), estatísticos (que focam nos sintomas da falência) e de inteligência artificial (que também focam nos sintomas da falência, mas com um componente tecnológico adicional). Os chamados modelos estatísticos destacaram-se, desde cedo, como parte do mainstream da pesquisa em previsão de insolvência, o que levou a uma concentração das pesquisas na área, mesmo em tempos mais recentes, quando o desenvolvimento tecnológico demonstra que os modelos de inteligência artificial podem apresentar resultados melhores. Muito além da controvérsia em torno da eficácia da grande maioria desses modelos para dados brasileiros, outros fatores justificam a necessidade de novos trabalhos na área: (i) o Brasil e o mundo experimentam, desde a crise mundial de 2008, um crescimento no número de falências e recuperações judiciais; (ii) no país, o advento da LRF em 2005 modificou significativamente o mapa de falências com a introdução da figura da recuperação judicial; e, por fim, (iii) as pesquisas na área, em sua maioria, além de adotarem modelos estatísticos clássicos, consideram como evento de interesse que pretendem observar, a ocorrência da falência ou a constatação da insolvência (técnica ou baseada em fluxos), quando, na verdade, existem inúmeros elementos que demonstram a supremacia da recuperação judicial como evento determinante a ser investigado. Outro fator que distingue os modelos clássicos dos modelos de inteligência artificial diz respeito a seleção das variáveis, majoritariamente indicadores financeiros extraídos de BP e DRE, mesmo diante das evidências de que os fluxos de caixa têm impacto mais decisivo nos ciclos de vida das organizações, o que inclui a necessidade de buscarem ferramentas para superar períodos de crise, como a recuperação judicial e a falência. Portanto, o objetivo desta pesquisa consiste no desenvolvimento de um modelo de previsão para dados brasileiros, que investigue, por intermédio das RNA, a existência de relação entre certos componentes da DFC e o fato de a entidade apresentar (ou não) pedido de recuperação judicial como alternativa a insolvência, permitindo, ainda, a estimação desse lapso temporal. Espera-se que o modelo proposto seja capaz de aprimorar a capacidade preditiva da recuperação judicial em comparação com os modelos atuais e forneça maiores informações sobre as organizações em estado de insolvência, com inúmeras aplicações para o mercado e a academia. Palavras-chave: ...

Recuperação judicial: um estudo sobre os indicadores determinantes da recuperação de empresas brasileiras

“…La Font, Ruiz, Gil-Gómez e Oltra-Badenes (2020) fazem uma revisão bibliográfica e concluem que o interesse de pesquisa em geração de valor cresce desde 2000 e quase dobrou o número de citações de 2017 para 2018. Nota-se ainda que existem pesquisas que focam na análise de empresas em recuperação judicial, mas utilizam outros modelos, como o modelo de Merton (1974) (Szturo et al, 2021), foco no fluxo de caixa (Scabora, 2019), variáveis econômicas e financeiras, como margem líquida, lucro líquido e ROA (Firk, Richter, & Wolff, 2021e Jaki & Cwiek, 2020 e variáveis de controle, como o tempo em recuperação judicial, setor da empresa, se a recuperação é voluntária ou obrigatória, entre outros (Belli, 2020;.…”

“…As técnicas mais utilizadas que demonstram maior capacidade preditiva são as redes neurais e a Análise por Envoltória de Dados (DEA). Sobre os estudos que seguem a abordagem de utilização de machine learning para análise incluem os trabalhos deScabora (2019) e Vargas e Miñano (2012). Scabora (2019) utiliza da metodologia de redes neurais artificiais, combinado com as informações obtidas via…”