1

UM MODELO DE ANLISE DA RENTABILIDADE DE EMPRESAS USANDO A LGICA NEBULOSA Autores JOS ALONSO BORBA Universidade Federal de Santa Catarina RODRIGO PRANTE DILL Universidade Federal de Santa Catarina RESUMO O propsito deste estudo consiste em propor um modelo que utiliza a lgica nebulosa para a anlise da rentabilidade de empresas. Neste estudo, entrevistou-se uma amostra de vinte analistas financeiros para identificar junto aos mesmos os principais ndices que revelam a rentabilidade de empresas do setor de alimentos, utilizando-se dados de sessenta e trs empresas do setor de alimentos publicados pelo Valor1000 do Jornal Valor Econmico, edio 2003. De acordo com a escala de Matarazzo (2003), os dados coletados foram analisados e classificados e a cada ndice de rentabilidade foi atribuda uma varivel qualitativa conforme sua posio em relao ao decil. Utilizando-se um software especfico (Matlab) definiram-se as funes de pertinncia e implementaram-se 2401 regras de inferncia para implementao do sistema. Os resultados obtidos pelo sistema nebuloso, utilizando diferentes mtodos de defuzzificao, foram confrontados com a avaliao de analistas financeiros do Banco de Desenvolvimento do Extremo Sul BRDE. Os resultados dessa pesquisa demonstram que modelos nebulosos podem ser utilizados como ferramentas eficazes no auxlio e na validao dos pareceres de especialistas na anlise de rentabilidade das empresas. 1 INTRODUO De uma maneira geral, pode-se afirmar que a maioria das pessoas, de alguma forma, j tiveram contato com a denominada lgica clssica ou booleana. Neste tipo de lgica, uma certa afirmao ou verdadeira ou falsa. Nada existe entre o verdadeiro e o falso, a chamada lgica binria: chover, no chover, aceso ou apagado. Este princpio de verdadeiro ou falso foi formulado por Aristteles (384 322 a.C.). Porm, em certos momentos, afirmaes envolvendo somente verdadeiro ou falso no fazem sentido. Por exemplo, a afirmao A rentabilidade da empresa Alfa alta. A rentabilidade ser alta uma afirmao totalmente verdadeira ou totalmente falsa? Provavelmente nenhuma delas. E a mesma dvida pode ocorrer quanto a qualquer outra afirmao pequena ou grande, etc. Pelo que se verifica, na lgica clssica h, limites bruscos, pontualmente definidos entre os elementos que pertencem e os que no pertencem. Seja tomado como exemplo uma empresa com 101 funcionrios e outra com 499 funcionrios. Pelo IBGE ambas so consideradas mdias. Pela lgica booleana, uma empresa com 101 funcionrios e outra com 499 funcionrios so, ambas, considerados mdias. Todavia, essa mesma lgica nos faz considerar que outra empresa com 99 funcionrios mdia, pelo contrrio, deve ser considerada uma empresa pequena. Na prtica, dificilmente um especialista atribuir pesos iguais para duas empresas que tenham 101 e 499 funcionrios, apesar de estarem enquadradas no porte: empresas mdias pelo IBGE, pois 389 funcionrios separam ambas, sendo que a primeira est mais para pequena e a segunda para grande. Assim como, no ter grande diferena entre duas empresas

com 99 e 101 funcionrios, apesar de serem definidas como de portes diferentes ambas, so realmente pequenas. Neste sentido, a Lgica Fuzzy mais apropriada para representao da maneira como um especialista constri a sua deciso quanto ao porte de uma empresa eliminando os limites bruscos definidos na lgica booleana. Aparentemente, a Lgica Fuzzy revela-se uma ferramenta til para a rea de anlise de balano, particularmente para a anlise da rentabilidade de empresas devido grande ambigidade e impreciso inerente rea. Conforme Iudcibus (1998, 21), a anlise de balanos uma arte, pois, embora existam alguns clculos razoavelmente formalizados, no existe forma cientfica ou metodologicamente comprovada de relacionar os ndices de maneira a obter um diagnstico preciso. Em outras palavras, cada analista pode, com o mesmo conjunto de informaes e de quocientes, chegar a concluses ligeira ou at completamente diferenciadas. Matarazzo (2003, 205) tambm concorda, afirmando que comum dois analistas de balanos chegarem a concluses diferentes a respeito de balanos de uma mesma empresa. Assim, o uso da Lgica Fuzzy para construo de sistemas especialistas proporciona um mtodo para incorporar as ambigidades na anlise de balanos. 2 ANLISE DAS DEMONSTRAES CONTBEIS A anlise de balanos visa extrair informaes das demonstraes financeiras para a tomada de decises. O perfeito conhecimento do significado do que representa cada conta que nelas figura, facilita a busca de informaes precisas. A anlise de balanos transforma os dados extrados das demonstraes financeiras em informaes. O grau de excelncia pode ser alcanado pela qualidade e extenso dessas informaes. Matarazzo (2003), Iudcibus (1998) e Marion (2002) apresentam os ndices financeiros como a tcnica de anlise mais conhecida e empregada, e so considerados como os melhores instrumentos para avaliar a sade das empresas. ndice a relao entre contas ou grupos de contas do Balano Patrimonial e da Demonstrao dos Resultados do Exerccio, com o objetivo de determinar qual a relao entre os itens de ambas as Demonstraes Financeiras, bem como medir determinado aspecto da situao econmica ou financeira da empresa, conforme apresentado por Mararazzo (2003) e Iudcibus (1998). A caracterstica fundamental dos ndices fornecer viso da situao econmica e/ou financeira da empresa. ndices servem de medida dos diversos aspectos econmicos e financeiros das empresas. Assim como um mdico usa indicadores, como presso e temperatura, para elaborar o quadro clnico do paciente, os ndices financeiros permitem construir um quadro de avaliao da empresa. Matarazzo (2003, 183) afirma que h trs tipos bsicos de avaliaes de um ndice: pelo significado intrnseco; pela comparao ao longo de vrios exerccios e pela comparao com ndices de outras empresas ndices-padro. Conforme o mesmo autor, a anlise do valor intrnseco de um ndice limitada e s deve ser utilizada quando no se dispe de ndices-padro proporcionados pela anlise de um conjunto de empresas. A anlise pela comparao ao longo de vrios exerccios revela-se bastante til por mostrar tendncias seguidas pela empresa. Permite formar uma opinio a respeito de diversas polticas seguidas pela empresa, bem como das tendncias que esto sendo registradas. A anlise por comparao com padres permite a avaliao de um ndice e a sua conceituao qualitativa como: Ruim, Satisfatrio, Bom, etc.; s pode ser feita atravs da comparao com padres. No existe o bom ou o deficiente em sentido absoluto, o bom s bom em relao a outros elementos. Assim, preciso definir um conjunto (Universo) e, em seguida, comparar um elemento com os demais do conjunto para atribuir-lhe determinada qualificao. Esse um

processo natural do raciocnio humano em que todas as avaliaes so feitas por comparaes, ainda que quase nunca tabuladas metodologicamente. 2.1 ndices de rentabilidade H muitas medidas de rentabilidade (ndices). Cada uma delas relaciona os retornos da empresa a suas vendas, a seus ativos, ao seu patrimnio ou ao valor da ao. Como um todo, essas medidas permitem avaliar os lucros da empresa em confronto com um dado nvel de vendas, um certo nvel de ativos, os investimentos, ou o prprio valor da ao. O Quadro 01 demonstra os ndices comuns aos autores Gitman (2005), Iudcibus (1998), Matarazzo (2003), Brigham e Houston (1999), Assaf Neto (2003) e Marion (2002). Quadro 01 ndices comuns
Autor ndice Giro do ativo Lucro por ao Margem bruta Margem lquida Margem operacional Retorno sobre o ativo (ROA) Retorno sobre o investimento (ROI) Retorno sobre o patrimnio lquido (ROE) Matarazzo Brigham e Houston Iudcibus Gitman Marion Assaf Neto

Fonte: Autores da pesquisa

2.2 Lgica nebulosa Em 1965, o professor Lotfi Zadeh publicou o primeiro trabalho de pesquisa sobre a teoria da Lgica Fuzzy, tambm conhecida como lgica nebulosa, que trata dos conjuntos no totalmente verdadeiros nem tampouco totalmente falsos. De maneira geral, a Lgica Fuzzy deve ser vista como uma teoria matemtica formal para a representao de incertezas (YAGER et. al., 1987, 52). Como exemplos de pesquisas pioneiras que utilizaram os conceitos dos sistemas especialistas na rea dos negcios, podem-se destacar os trabalhos de Steinbart (1987) no julgamento da materialidade nos processos de auditoria, Harrington e Twark (1991) na avaliao dos preos das aes e pagamento de dividendos e Borthick (1987) no planejamento de auditoria. Recentemente, Korvin, Shipley e Omer (2004) propuseram um modelo para auxiliar a identificao de riscos potenciais no sistema de informaes contbeis; Lin, Hwang e Becker (2003), propuseram uma rede neurofuzzy para identificar fraudes financeiras; Siegel, Korvin e Omer (1998), Siegel, Korvin, Omer e Zebda (1995), aplicaes fuzzy na evidenciao contbil; Deshmukh e Talluru (1998), lgica fuzzy aplicada s decises do cliente; Friedlob e Schleifer (1999), um modelo de aplicao fuzzy para mensurar risco e incerteza; Syau, Hsieh e Lee (2001), modelo fuzzy aplicado na avaliao de crdito; Serguieva e Hunter (2004), modelo fuzzy para analisar julgamentos de materialisdade; outros acadmicos e profissionais vm estudando e aplicando a Teoria dos Conjuntos Nebulosos no desenvolvimento de modelos contbeis e financeiros. Mais especificamente, Kaneko (1996) desenvolveu um sistema simples para diagnose financeira baseada na teoria dos conjuntos nebulosos. Neste estudo, foi desenvolvido um modelo baseado em um software especfico (FuzzyTech) para auxiliar os especialistas quando da anlise de rentabilidade. Utilizando tambm o mesmo software, McNeill e Freiberger (1993) in Von Altrock (1997, 277) desenvolveram um sistema nebuloso utilizado pelo Swiss Bank para dar suporte a especialistas na anlise de deciso de crdito. Gllich

(1996) in Von Altrock (1997, 283) desenvolveu um sistema nebuloso utilizado pela BMW na Alemanha para concesso de leasing de automveis. Bojadziev e Bojadziev (1997, 130) usaram um modelo para mensurar a tolerncia ao risco de investidores financeiros. Rangone (1997) props um modelo analtico que une a efetividade organizacional, os fatores chave de sucesso e medidas de desempenho. Antunes (2004) props um modelo de avaliao de risco de controle utilizando a lgica nebulosa. O referencial terico que se segue encontra-se embasado em Shaw e Simes (2001), Von Altrock (1998), Bojadziev e Bojadziev (1997) e Matlab Fuzzy Logic Toolbox Users Guide (2002).Controladores fuzzy so muito simples conceitualmente, pois consistem de um estgio de entrada (crisp1), um estgio de processamento e um estgio de sada. O estgio de entrada mapeia dados de entrada de maneira apropriada s funes consecutivas e valores verdadeiros. O estgio de processamento aquele em que se procura alcanar a soluo para os problemas, podendo ser dividido em trs passos bsicos: fuzzificao, regras de avaliao e defuzzificao. Aqui invocada cada regra adequada que gera um resultado para cada uma delas e, ento, combinam-se os resultados dessas regras. Por ltimo, tem-se um estgio de sada cujo resultado, j defuzzificado da operao, colocado para dentro do sistema, executando um controle (sada crisp). a) Fuzzificao e Funes de Pertinncia: o processo de colocar nomes no universo de discurso de cada entrada crisp. O universo de discurso pode ser descrito como a faixa de valores associados a uma varivel fuzzy, onde so definidos vrios conjuntos fuzzy dentro de um universo de discurso, cada qual com o seu prprio domnio que sobrepe com os domnios dos seus conjuntos fuzzy vizinhos. Pode-se tomar como exemplo a metodologia utilizada para classificao do porte de uma empresa em relao ao nmero de funcionrios, para mostrar como se estabelece o domnio de cada funo de pertinncia. Na Figura 01, cada um dos conjuntos recebe um rtulo, ou seja, um nome: Pequena, Mdia e Grande. Figura 01 Variveis lingsticas
A (x) 1

0 100 250 400

Fonte: Adaptado de Bojadziev e Bojadziev (1997)

Cada conjunto tambm recebe uma faixa de valores correspondendo ao nome que lhe foi dado. Este valor chamado de grau de pertinncia. Por exemplo, a condio Mdia obtm um domnio de 100 a 400 funcionrios. No eixo vertical (Y), podem-se verificar os valores referidos para os graus de pertinncia das entradas crisp em cada conjunto fuzzy. As funes de pertinncia, tambm conhecidas como conjuntos fuzzy so, na verdade, funes matemticas que fornecem um significado numrico para um conjunto fuzzy. A etapa de fuzzificao mapeia a entrada (um valor definido, ou crisp) entre valores de 0 a 1, atravs das funes de pertinncia, que o grau de pertinncia, mencionado anteriormente. As funes mais utilizadas so demonstradas no Quadro 02. Quadro 02 funes de pertinncia fuzzy

Entradas discretas atreladas a algum tipo de escala numrica.

Triangular

( x a ) (c x ) Tringulo ( x, a, b, c) = max 0, min , (b a ) (c b)

( x a) (d x) Trap ( x, a, b, c, d ) = max 0, min ,1, (b a ) (d c) ( x c) Gaussiana ( x, s, c) = exp Gaussiana 2 s 1 Sig ( x, a, c) = Sigmoidal 1 + exp[ a( x c)] Fonte: Adaptado de Bojadziev e Bojadziev (1997)
Trapezoidal

b) Regras de Avaliao: O segundo passo do processo de controle fuzzy so as regras de avaliao. As regras fuzzy so declaraes SE ENTO (IF-THEN) que descrevem a ao a ser feita em resposta a vrias entradas fuzzy. Pode-se usar como exemplo um sistema de classificao do perfil do investidor quanto poltica de investimentos financeiros, onde uma das regras poderia ser a seguinte: SE idade Jovem E Renda Alta, ENTO perfil de investimento Arrojado. Em sntese, o formato das regras obedece ao seguinte padro: SE (antecedente 1) E (antecedente 2)... ENTO (conseqente 1) Sistemas fuzzy baseados em regras, traduzem expresses qualitativas, vagas e imprecisas, provenientes de observaes de especialistas. Tais regras possibilitam formulaes que permitem controlar os sistemas em questo. c) Defuzzificaao: O sistema fuzzy, ao receber uma entrada, transforma-a em uma entrada fuzzy que, por sua vez, submetida ao sistema de inferncia (regras fuzzy) que devolve uma sada fuzzy para este sistema. Porm, em muitos casos, desejvel um valor numrico na sada. A defuzzificao (apesar do nome) no exatamente o processo inverso da fuzzificao. Diversos mtodos tm sido propostos na literatura, entre os quais pode-se destacar o Centro-da-rea, a Mdia-dos-Mximos e a Mdia-dos-Centros. No Quadro 03 resumidamente demonstrado os grficos e frmulas de cada um dos mtodos citados. Quadro 03 Mtodos de defuzzificao
Centro-da-rea
1
1

Mdia-dos-Mximos
1

Mdia-dos-Centros

x Resultado da defuzzificao

x Resultado da defuzzificao

x Resultado da defuzzificao

y0 =

( y). y.dy ( y).dy

B' B'
j j

y0

( y ). y = ( y)
j B' j _ j B' j

,yj

y0

( y ). y = (y )
j B' * j j B' j * j

, y* j

onde fina; B.

B ' ( y ) = T ( k , B ( y )), y Y , contribuio da concluso Bj da regra k na concluso

Fonte: Adaptado de Shaw e Simes (2001)

Centro-da-rea (C-o-A)- Calcula o centride da rea composta pelo termo de sada fuzzy; esse termo de sada composto pela unio de todas as contribuies de regras. O centride um ponto que divide a rea em duas partes iguais.

Mdia-dos-Mximos (M-o-M) - Uma abordagem para a defuzzificao pode ser a de se utilizar a sada cujo valor tenha o maior valor de pertinncia. Essa abordagem tambm no funciona bem, devido necessidade de se escolher qual o mximo utilizar. Mdia-dos-Centros (C-o-M) - Neste mtodo os picos das funes de pertinncia so usados, enquanto se ignoram as reas das funes de pertinncia; as contribuies mltiplas de regras so consideradas por esse mtodo. Os valores no nulos do vetor de possibilidades de sada so posicionados nos picos correspondentes. O valor de defuzzificao determinado achando-se o ponto de apoio onde os pesos ficam equilibrados. Assim, as reas das funes de pertinncia no desempenham nenhum papel e apenas os mximos so usados. 3 METODOLOGIA O primeiro passo para a construo do modelo de anlise da rentabilidade de empresas constituiu-se em determinar a importncia de cada ndice de rentabilidade na opinio de analistas financeiros (especialistas). Desta forma, foi enviado por correio eletrnico (e-mail) para 20 Analistas Financeiros do Banco Regional de Desenvolvimento do Extremo Sul BRDE, Unidade Florianpolis, um instrumento de pesquisa, contendo os ndices de rentabilidade de empresas utilizados pelos autores pesquisados. A fim de verificar se a amostra de especialistas selecionados adequada ao modelo proposto, procurou-se primeiramente identificar o perfil dos mesmos. Dentre os entrevistados, 80% so formados em Administrao, Cincias Contbeis e Economia, 45% possuem mestrado ou doutorado e 45% possuem mais de 10 anos de experincia em anlise financeira. Os entrevistados responderam, de acordo com a escala Likert, seu grau de concordncia ou discordncia, numa categoria de cinco respostas, variando de 1 a 5, quanto importncia de cada ndice para mensurao da rentabilidade de empresas. Tabela 01 Avaliao dos ndices de rentabilidade: por pontos totais e mdios
Soma Margem Operacional Retorno sobre o Patrimnio Lquido (ROE) Retorno sobre o Investimento (ROI) Margem Lquida Retorno sobre o Ativo (ROA) Margem Bruta Giro do Ativo Lucro por Ao 88 84 84 81 74 73 71 66 Mdia 4,40 4,20 4,20 4,05 3,70 3,65 3,55 3,30 Desvio Padro 0,99 0,83 0,62 0,69 0,80 1,09 0,83 0,98 CV* 22,61 19,85 14,66 16,95 21,66 29,85 23,26 29,66

Fonte: Autores da pesquisa

Analisando a pontuao total da importncia dos ndices de rentabilidade na anlise da rentabilidade de empresas do setor de alimentos na escala Likert, tem-se uma viso geral mais compactada da importncia de cada um na opinio dos especialistas pesquisados. Assim, Margem Operacional o ndice de maior importncia, destacado nas anlises das respostas da escala, apresentando mdia de 4,40. Tambm com importncia de destaque, tem-se o Retorno sobre o Patrimnio Lquido (ROE) e o Retorno sobre o Patrimnio Lquido (ROI), ambos com 4,20 na mdia; a Margem Lquida alcanou a mdia de 4,05. Com menor nfase, aparece o Retorno sobre o Ativo (ROA) com mdia 3,70, Margem Bruta com mdia 3,65, Giro do Ativo com mdia 3,55 e, em ltimo, Lucro por Ao com mdia 3,30.

CV: coeficiente de variao. um indicador de variabilidade em torno da mdia. O mximo de variabilidade em torno da mdia. O mximo de variabilidade admitida, para que a mdia seja considerada representativa, de 30%.

Desta forma, para construo do modelo nebuloso foram selecionados os ndices Margem Operacional, Retorno sobre o Patrimnio Lquido (ROE), Retorno sobre o Investimento (ROI) e Margem Lquida, por terem atingido a maior soma de pontos e a maior mdia de pontos. No segundo passo para a construo do modelo utilizou-se base de dados da publicao do Jornal Valor Econmico Valor1000, edio de 2004, onde se buscaram indicadores de empresas do setor de alimentos. A escolha do setor de alimentos como alvo deste estudo deu-se de forma intencional e aleatria. O Valor1000 rene dados de mil empresas de diversos setores; destas, oitenta so do setor de alimentos. Neste estudo, foram retiradas da base de dados, treze empresas por no estar divulgada a receita lquida, o ativo, o lucro lquido, entre outros, imprescindveis para o clculo dos ndices de rentabilidade. Dessa forma, foram selecionadas sessenta e sete empresas. Utilizando-se o software SPSS, foi extrado da base de dados o decil dos ndices de rentabilidade mais relevantes. Aps, de acordo com a escala de Matarazzo (2003, 200), os dados foram classificados e, a cada ndice, foi atribuda uma varivel qualitativa conforme sua posio em relao ao decil. Tabela 02 Distribuio dos ndices no decil
Decil 1 2 3 4 5 6 7 8 9 Margem Operacional -2,58 -0,04 1,72 3,04 3,69 4,86 6,33 7,59 9,98 Retorno sobre o Patrimnio Lquido (ROE) -5,70 1,90 6,10 10,10 11,50 13,80 15,60 26,50 35,40 Retorno sobre o Investimento (ROI) -4,73 0,92 3,35 4,30 6,25 7,44 9,68 11,55 14,22 Margem Lquida -1,30 0,40 0,90 1,60 2,00 2,60 4,00 5,10 6,20 Classificao Pssimo Deficiente Fraco Razovel Satisfatrio Bom timo

Fonte: Autores da pesquisa

4 CONSTRUO DO SISTEMA NEBULOSO Para a implementao de sistemas que envolvem lgica fuzzy, muitas vezes, faz-se necessria utilizao de um software especfico; dentre eles, destacam-se FuzzyTech, Fuzzy Calc e o Matlab. Este ltimo um poderoso e muito utilizado software de computao numrica desenvolvido para usurios das reas industrial e acadmica que necessitam de um ambiente capaz de, alm de realizar clculos matemticos, possibilitar o desenvolvimento de algoritmos, a modelagem, a simulao de prottipos e a utilizao de importantes rotinas internas. O Matlab (MATrix LABoratory) um programa interativo para clculos (e visualizao) numricos cientficos e de engenharia. Originalmente voltado para a lgebra linear numrica e o clculo matricial, tem seus recursos bsicos estendidos atravs de toolboxes (conjunto de funes ou M-files). Foi utilizada para a implementao do modelo nebuloso proposto neste estudo a toolbox Fuzzy Logic Toolbox que uma coleo de funes construdas no Matlab que disponibiliza ao usurio ferramentas para criao e edio de sistemas fuzzy.

a) Construo da rvore de decises: O primeiro passo do carregamento do sistema consiste em determinar a rvore de decises que o sistema utilizar, qual seja, quais so as variveis lingsticas de entrada, as variveis de sada, qual a escala de valores atribuda a cada varivel, as regras de conduta e o tipo de mtodo de implicao e inferncia que sero utilizados. Conforme a Figura 02, a rvore de decises do modelo proposto composta por quatro entradas (Margem Operacional, Retorno sobre o Patrimnio Lquido (ROE), Retorno sobre o Investimento (ROI) e Margem Lquida), uma base de regras e uma sada (Avaliao). Figura 02 rvore de decises

Fonte: Autores da pesquisa

b) Construo das variveis de entrada (input) e sada (output): O primeiro passo na fuzzificao o processo de colocar nomes no universo de discurso de cada entrada. O universo de discurso pode ser descrito como a faixa de valores associados a uma varivel fuzzy, onde so definidos vrios conjuntos fuzzy, dentro de um universo de discurso, cada qual com o seu prprio domnio, que se sobrepe com os domnios dos seus conjuntos fuzzy vizinhos. Ou seja, o universo de discurso se refere ao domnio que se d a um determinado conjunto. Cada varivel de entrada Margem Operacional, Retorno sobre o Patrimnio Lquido (ROE), Retorno sobre o Investimento (ROI) e Margem Lquida, alm da varivel de sada Avaliao, recebeu, de acordo com a escala de Matarazzo (2003), sete termos qualitativos (Pssimo, Deficiente, Fraco, Razovel, Satisfatrio, Bom e timo) de acordo com um decil correspondente. Cada conjunto recebeu uma faixa de valores correspondendo ao nome que lhe foi dado. Este valor chamado de grau de pertinncia. Figura 03 Funo fuzzy de entrada: Margem Operacional

Fonte: Autores da pesquisa

O rtulo Pssimo possui grau de pertinncia igual a um para qualquer valor menor que -2,58, e deste a -0,04 pertinncia decrescente at zero. Deficiente possui pertinncia crescente de -2,58 a -0,04 e decrescente de -0,04 a 1,72. Fraco possui pertinncia crescente de -0,04 a

1,72 e decrescente de 1,72 a 3,04. Razovel possui pertinncia crescente de 1,72 a 3,04 e decrescente de 3,04 a 3,69. Satisfatrio possui pertinncia crescente de 3,04 a 3,69 e decrescente de 3,69 a 7,59. Bom possui pertinncia crescente de 3,36 a 7,59 e decrescente de 7,59 a 9,98. timo possui pertinncia crescente de 7,59 a 9,98 e pertinncia igual a um acima deste valor. Figura 04 Funo fuzzy de entrada: Retorno sobre o Patrimnio Lquido (ROE)

Fonte: Autores da pesquisa

O rtulo Pssimo possui grau de pertinncia igual a um para qualquer valor menor que -5,70, e deste a 1,90 pertinncia decrescente at zero. Deficiente possui pertinncia crescente de -5,70 a 1,90 e decrescente de 1,90 a 6,10. Fraco possui pertinncia crescente de 1,90 a 6,10 e decrescente de 6,10 a 10,10. Razovel possui pertinncia crescente de 6,10 a 10,10 e decrescente de 10,10 a 11,50. Satisfatrio possui pertinncia crescente de 10,10 a 11,50 e decrescente de 11,50 a 26,50. Bom possui pertinncia crescente de 11,50 a 26,50 e decrescente de 26,50 a 35,40. timo possui pertinncia crescente de 26,50 a 35,40 e pertinncia igual a um acima deste valor. Figura 05 Funo fuzzy de entrada: Retorno sobre o Investimento (ROI)

Fonte: Autores da pesquisa

O rtulo Pssimo possui grau de pertinncia igual a um para qualquer valor menor que -4,73, e deste a 0,92 pertinncia decrescente at zero. Deficiente possui pertinncia crescente de -4,73 a 0,92 e decrescente de 0,92 a 3,35. Fraco possui pertinncia crescente de 0,92 a 3,35 e decrescente de 3,35 a 4,30. Razovel possui pertinncia crescente de 3,35 a 4,30 e decrescente de 4,30 a 6,25. Satisfatrio possui pertinncia crescente de 4,30 a 6,25 e decrescente de 6,25 a 11,55. Bom possui pertinncia crescente de 6,25 a 11,55 e decrescente de 11,55 a 14,22. timo possui pertinncia crescente de 11,55 a 14,22 e pertinncia igual a um acima deste valor. Figura 06 Funo fuzzy de entrada: Margem Lquida

10

Fonte: Autores da pesquisa

O rtulo Pssimo possui grau de pertinncia igual a um para qualquer valor menor que -1,30, e deste a 0,40 pertinncia decrescente at zero. Deficiente possui pertinncia crescente de -1,30 a 0,40 e decrescente de 0,40 a 0,90. Fraco possui pertinncia crescente de 0,40 a 0,90 e decrescente de 0,90 a 1,60. Razovel possui pertinncia crescente de 0,90 a 1,60 e decrescente de 1,60 a 2,00. Satisfatrio possui pertinncia crescente de 1,60 a 2,00 e decrescente de 2,00 a 5,10. Bom possui pertinncia crescente de 2,00 a 5,10 e decrescente de 5,10 a 6,20. timo possui pertinncia crescente de 5,10 a 6,20 e pertinncia igual a um acima deste valor. Figura 07 Funo fuzzy de sada: Avaliao

Fonte: Autores da pesquisa

O rtulo Pssimo possui grau de pertinncia igual a um para qualquer valor menor que 1,00, e deste a 2,00 pertinncia decrescente at zero. Deficiente possui pertinncia crescente de 1,00 a 2,00 e decrescente de 2,00 a 3,00. Fraco possui pertinncia crescente de 2,00 a 3,00 e decrescente de 3,00 a 4,00. Razovel possui pertinncia crescente de 3,00 a 4,00 e decrescente de 4,00 a 5,00. Satisfatrio possui pertinncia crescente de 4,00 a 5,00 e decrescente de 5,00 a 8,00. Bom possui pertinncia crescente de 5,00 a 8,00 e decrescente de 8,00 a 9,00. timo possui pertinncia crescente de 8,00 a 9,00 e pertinncia igual a um acima deste valor. c) Regras de produo: Para se utilizar sistemas que envolvem lgica fuzzy, so necessrias regras (R) do tipo IF-THEN. Para a implementao desse sistema nebuloso, foram utilizadas todas as combinaes possveis de regras. Essa combinao implicou o desenvolvimento de 2401 (duas mil, quatrocentos e uma) regras. A Figura 08 demonstra uma pequena quantidade das possibilidades de regras. O software, em uso, permite que o usurio exclua, inclua ou limite as regras que devero ser acionadas e as que devero ser desprezadas. A opo Weight (ltimo valor entre parnteses ao final de cada regra) significa o grau de verdade que o especialista atribui regra para que o conseqente seja gerado. Assim, se o grau de verdade for, por exemplo, zero, a regra sequer ser acionada. Por outro lado, o valor um indica que a regra tem 100% de fora para gerar a ao conseqente. Figura 08 Conjunto de regras do sistema

11

Fonte: Autores da pesquisa

d) Sadas discretas: Completadas todas as etapas de construo do modelo nebuloso, o sistema apresenta as sadas discretas. A Figura 09 demonstra as entradas (inputs) inseridas no sistema, as regras ativadas e a sada (output) discreta. Assim, supondo-se como exemplo uma empresa com os seguintes ndices de rentabilidade: Margem Operacional = 5,4, Retorno sobre o Patrimnio Lquido (ROE) = 16,0, Retorno sobre o Investimento (ROI) = 9,6 e Margem Lquida = 3,5, o sistema retorna uma sada discreta para a Avaliao igual a 6,262.

Figura 09 Valores discretos de entradas e sada

Fonte: Autores da pesquisa

4 TESTE PRTICO NO MODELO CONCEITUAL O modelo de anlise da rentabilidade de empresas implementado foi testado junto a Analistas Financeiros do BRDE, quanto sua capacidade de oferecer respostas consistentes com os objetivos para os quais foi concebido. Dentre os Analistas Financeiros do BRDE, de acordo com o perfil levantado neste estudo, onze possuem experincia em anlise financeira de empresas do setor de alimentos. Assim, foi realizado contato com estes solicitando sua participao nesta etapa, sendo que quatro analistas se prontificaram em participar. Dessa forma, foram enviados dados de cinco
2

O mtodo de defuzzificao utilizado foi Centro da rea.

12

empresas para cada analista. O nmero de cinco empresas por analista foi estipulado pelos mesmos de acordo com sua disponibilidade de tempo. Selecionou-se de forma aleatria vinte (cinco para cada analista) empresas da base de dados. O processo de aleatoriedade deu-se da seguinte forma: as empresas foram listadas em ordem de classificao conforme o ranking Valor 1000 e divididas em dezessete grupos de quatro empresas (apenas o ltimo grupo ficou com trs empresas). Dentro de cada grupo, as empresas foram numeradas de 1 a 4. Sorteou-se um nmero e as empresas que possuam este nmero foram selecionadas. Neste processo, ficaram faltando ainda trs empresas para completar o total de vinte. Sorteou-se um novo nmero e selecionaram-se as trs primeiras. Aps, as empresas foram classificadas em ordem alfabtica: o primeiro especialista analisou as cinco primeiras empresas; o segundo da sexta dcima e, assim, consecutivamente. Destas vinte empresas, foram extrados os ndices de rentabilidade utilizados no modelo, e construdo um instrumento de pesquisa para que os analistas atribussem nota quantitativa entre 0 e 10 para a rentabilidade de cada empresa. No referido instrumento de pesquisa, foi excludo o nome da empresa, pois este, de certa forma, poderia influenciar na anlise dos especialistas. Os ndices de rentabilidade destas vinte empresas foram inseridos no modelo nebuloso utilizando-se cada um dos trs principais mtodos de defuzzificao propostos pela literatura para comparao com a anlise dos especialistas. Tabela 03 Sistema nebuloso x Especialistas
Empresa Aurora Barry Callebaut Braswey Brejeiro Copacol Encomind Frisa Garoto Itaimb Kraft Foods Lder Alimentos Melitta Oleoplan Pamplona Perdigo Raes Guabi Raes Total Sadia SLC Alimentos Yoki Diferena mnima Diferena mxima Diferena mdia Desvio-padro Especialistas 3,00 10,00 5,00 6,00 5,00 1,00 2,00 7,00 5,00 8,00 4,00 4,00 3,00 5,00 7,00 3,00 7,00 9,00 1,00 6,00 Centro da rea C-o-A Difer. 3,00 9,16 5,67 6,23 5,69 0,75 1,14 7,25 5,67 5,68 5,82 3,62 3,00 4,00 6,34 4,00 5,74 9,13 0,79 4,00 0,00 0,84 -0,67 -0,23 -0,69 0,25 0,86 -0,25 -0,67 2,32 -1,82 0,38 0,00 1,00 0,66 -1,00 1,26 -0,13 0,21 2,00 -2,3200 1,8200 -0,2160 0,9997 Centro do Mximo C-o-M 3,00 9,20 5,50 6,20 5,60 0,70 1,00 7,30 5,60 5,60 5,80 3,70 3,00 4,00 6,20 4,00 5,70 9,10 0,80 4,00 Difer. 0,00 0,80 -0,50 -0,20 -0,60 0,30 1,00 -0,30 -0,60 2,40 -1,80 0,30 0,00 1,00 0,80 -1,00 1,30 -0,10 0,20 2,00 -2,4000 1,8000 -0,2500 1,0013 Mdia do Mximo M-o-M 3,00 9,30 5,00 5,75 5,20 0,50 0,70 7,60 5,10 5,15 5,55 4,00 3,00 4,00 5,50 4,00 5,00 9,25 0,60 4,00 Difer. 0,00 0,70 0,00 0,25 -0,20 0,50 1,30 -0,60 -0,10 2,85 -1,55 0,00 0,00 1,00 1,50 -1,00 2,00 -0,25 0,40 2,00 -2,8500 1,5500 -0,4400 1,0767

Fonte: Autores da pesquisa

13

A Tabela 03 demonstra comparativamente os trs mtodos de defuzzificao em relao s anlises feitas pelos especialistas. O mtodo Mdia do Mximo foi o que mais diferiu negativamente ao atribuir -2,85 pontos em uma das anlises. A menor diferena negativa ocorreu com o mtodo Centro da rea com -2,32 pontos. Os mtodos Centro da rea e Centro do Mximo obtiveram concordncia absoluta em duas anlises e a Mdia do Mximo obteve concordncia absoluta em quatro anlises. Com 1,82 pontos o Centro da rea foi o mtodo que obteve a maior diferena positiva, seguido pelo mtodo Centro do Mximo com 1,80 pontos e o mtodo com menor discordncia positiva foi o mtodo Mdia do Mximo com 1,55 pontos. Utilizando a diferena mdia e o desvio-padro para analisar o desempenho de cada um dos mtodos, observa-se que o Centro da rea obteve diferena mdia de -0,2160 pontos e desvio-padro igual a 0,9997 pontos, podendo-se afirmar que, em 68% das anlises realizadas pelo modelo nebuloso, diferiu entre -1,2157 e 0,7837 pontos. O mtodo Centro do Mximo obteve diferena mdia igual -0,2500 pontos e desvio-padro de 1,0013 pontos, o que significa que, em 68% das anlises, a diferena ficou entre -1,2513 e 0,7513 pontos. O mtodo Mdia do Mximo obteve diferena mdia de -0,4400 pontos e desvio-padro 1,0767 pontos, podendo-se afirmar que, em 68% das anlises, a diferena variou entre -1,5167 e 0,6367 pontos. Para determinar a possibilidade de existncia de diferena das mdias entre os especialistas e o mtodos de defuzzificao, utilizou-se o TesteZ (bi-caudal) de diferena entre as mdias com nvel de significncia igual 0,05 Desta forma foram formulas as seguintes hipteses: H0: no h diferena entre as mdias e H1: h diferena entre as mdias. Tabela 04 Teste Z
Mdia Especialistas Centro da rea Centro do Mximo Mdia do Mximo 5,0500 4,8340 4,8000 4,6100 Varincia 6,2605 5,7278 5,7421 5,8715 n 20 20 20 20 Hipteses da diferena de mdia 0 0 0 z P(Z z) Bi-caudal 0,7803 0,7469 0,5721 z crtico Bi-caudal 1,9600 1,9600 1,9600

0,2790 0,3227 0,5649

Fonte: Autores da pesquisa

Observa-se na Tabela 04 que em todos os trs mtodos de defuzzificao a hiptese H0 foi aceita, pois o mtodo Centro da rea obteve valor de P = 0,7803, Centro do Mximo obteve o valor de P = 0,7469 e Mdia do Mximo obteve valor de P = 0,5721, sendo todos eles maiores que 0,05. Como o Teste Z no confirmou a existncia de diferena entre as mdias dos mtodos utilizados no modelo nebuloso e os especialistas todos os trs mtodos podem ser utilizados. 5 CONCLUSO A proposta deste estudo foi a construo de um modelo para anlise da rentabilidade de empresas utilizando uma abordagem baseada na lgica nebulosa (fuzzy lgic), visando estabelecer uma base cientfica com a utilizao de um mtodo quantitativo. Para simulao e testes de funcionamento do modelo, utilizou-se um software (Matlab 6.0 Release 12) e a sua validao operacional foi realizada tanto atravs de entrevistas aplicadas junto a especialistas e obras literrias, quanto pela utilizao de base de dados para processamento e anlise comparativa dos resultados de anlises realizadas por especialistas. Os tpicos conclusivos deste estudo, bem como sugestes, so as seguintes:

14

O grupo de ndices para a anlise da rentabilidade de empresas mais relevantes para os especialistas pesquisados coincidiu apenas com os ndices de rentabilidade utilizados por Iudcibus (1998), sendo que os demais autores divergiram em relao a um ou dois ndices de rentabilidade. O Retorno sobre o Patrimnio Lquido destacado pelos autores pesquisados e pelos especialistas como importante ndice de rentabilidade. Salienta-se que a Margem Operacional foi o ndice mais importante conforme os especialistas pesquisados sendo que este, muitas vezes, no definido como ndice de rentabilidade por alguns dos autores pesquisados. A discordncia, talvez, possa ser explicada pelo fato de a pesquisa ter-se restringido ao setor de alimentos, sendo que foi solicitado aos especialistas que apontassem os ndices mais importantes para anlise da rentabilidade de empresas do referido setor, enquanto os autores visitados propem um conjunto de ndices genricos para anlise de empresas de todos os setores. A determinao do melhor mtodo de defuzzificao foi uma preocupao constante neste estudo por no haver na literatura especializada consenso quanto ao mtodo mais apropriado ao propsito deste modelo. Assim, verificou-se pequena diferena entre os mtodos, ou seja, qualquer um dos mtodos de defuzzificao podem ser utilizados neste modelo. Quanto aos aspectos operacionais em si do sistema, observou-se que o software utilizado de fcil manuseio, com bons recursos de auxlio ao usurio e com um conjunto de recursos grficos e visuais que facilitam o entendimento do processo e dos resultados apurados. As evidncias coletadas em decorrncia dos testes aplicados permitem aceitao do modelo proposto, bem como indicam que o modelo concebido com o uso da lgica nebulosa contempla os aspectos ambguos e incertos inerentes anlise da rentabilidade de empresas. A lgica nebulosa permitiu tratar, de forma numrica, predicados tais como pssimo, deficiente, fraco, razovel, satisfatrio, bom e timo. Como decorrncia dos adequados tratamentos, o resultado da avaliao expresso em um valor numrico que representa a avaliao quantitativa da rentabilidade das empresas. O modelo conceitual se mostrou plenamente operacional e, portanto, aplicvel na atividade de anlise de rentabilidade de empresas. O potencial de aplicao de verses ampliadas e aperfeioadas do modelo em questo, assim como a lgica nebulosa e outros mtodos quantitativos podem ser voltados especificamente para a sinalizao de ocorrncias de fraudes ou, at mesmo, para corrigir desvios involuntrios de analistas ao mensurar rentabilidade de empresas. Outros mtodos quantitativos, tais como as redes neurais e os algoritmos genricos, poderiam ser aplicados em modelos de anlise da rentabilidade de empresas, tendo como base o presente modelo, ou desenvolvidos para aplicaes similares. Como eventual desvantagem, poderia ser aqui reconhecida a necessidade de capacitar os analistas financeiros nos conceitos de lgica nebulosa e de operar com esse aplicativo de informtica ou com outros congneres. Espera-se que o presente estudo possa contribuir para a anlise de balanos e, mais especificamente, para a anlise da rentabilidade de empresas na medida em que visou demonstrar a viabilidade da aplicao prtica de um instrumento das Cincias Exatas para tentar mensurar elementos tpicos das Cincias Sociais Aplicadas. Naturalmente, em razo do seu carter inovador, tanto a proposta do estudo em si, como o modelo conseqentemente gerado, demandam o envolvimento de pesquisadores tambm de outras disciplinas para melhorar e ampliar as oportunidades de aplicao.

15

BIBLIOGRAFIA ANTUNES, Jernimo. Modelo de Avaliao de risco de controle utilizando a lgica nebulosa. So Paulo: 2004. Tese (Doutorado em Contabilidade e Controladoria) Departamento de Contabilidade e Aturia da Faculdade de Economia, Administrao e Contabilidade da Universidade de So Paulo. ASSAF NETO, Alexandre. Finanas e Valor Corporativo. So Paulo: Atlas, 2003. BOJADZIEV, George e BOJADZIEV, Maria. Fuzzy Logig for Business, Finance ans Management. London: World Scientific, 1997. BRIGHAM, Eugene F. e HOUSTON, Joel F. Fundamentos da Moderna Administrao Financeira. Rio de Janeiro: Campus, 1999. DESHMUKH, A; TALLURU, L. A fuzzy set approach to client acceptance decisions. Applications of Fuzzy Sets and the Theory of Evidence to Accounting, II. JAI Press. Stanford, p 131-150, 1998. FRIEDLOB, George Thomas. SCHLEIFER, Lydida L. F. Fuzzy Logic: Application for auditing risk and Uncertainty. Managerial Auditing Journal. 14, 3, 1999, pp. FUZZY LOGIC TOOLBOX USERS GUIDE, COPYRIGHT 19952002 by The MathWorks, Inc. GITMAN, Lawrence J. Princpios de Administrao Financeira. 10a ed. So Paulo: Pearson Education, 2005. IUDCIBUS, Srgio de. Anlise de Balanos. Anlise da liquidez e do endividamento; Anlise do giro, rentabilidade e alavancagem financeira. So Paulo: Atlas, 1998. KANEKO, T. Building a financial diagnosis system based on fuzzy logic production system. Computers Ind. Engenhering. Vol. 31, . 1996. LIN, Jerry W.; HWANG, Mark and BECKER, Jack D.. A fuzzy neural network for assessing the risk of fraudulent financial reporting. Managerial Auditing Journal, v.18, p.657-665, 2003. MARION, Jos Carlos. Anlise das Demonstraes Contbeis. Contabilidade Empresarial. 2a ed. So Paulo: Atlas, 2002. MATARAZZO, Dante C. Anlise Financeira de Balanos. 6a ed. So Paulo: Atlas, 2003. RANGONE, Andra. Linking organizational effectiveness, key success factors and performace measures: an analytical framework. Management Accounting Research, 1997, 8, 207-219. SERGUIEVA, Antoaneta. HUNTER, John. Fuzzy interval methods in investment risk appraisal. Fuzzy Sets and Systems. Vol. 142. 443-466. 2004. SHAW, Ian S. e SIMES, Marcelo Godoy. Controle e Modelagem Fuzzy. So Paulo: Edgard Blcher, 2001. SIEGEL, Philip H. KORVIN, Andre de, OMER, Khursheed, ZEBDA, Awni. (Editors). Applications of Fuzzy Sets and the Theory of Evidence to Accounting. JAI Press. Stanford. 1995. SIEGEL, Philip H., KORVIN, Andre de, OMER, Khursheed. (Editors). Applications of Fuzzy Sets and the Theory of Evidence to Accounting, II. JAI Press. Stanford. 1998. SYAU, Yu-Ru, et alii. Fuzzy numbers in the credit rating of enterprise financial condition. Review of Quantitative Finance and Accounting. 17: 35. 2001. TREUHERZ, Rolf M. Anlise financeira por objetivos. 3a ed. So Paulo: Pioneira, 1978. VON ALTROCK, Constantin. Fuzzy logic and neroFuzzy applications in business and finance. New Jersey: Prentice Hall, 1995. YAGER, R.S.; OVCHINNOIKOV, r Tong and NGUYEN, H. Fuzzy Sets and Applications. Slected paper by L. A. Zadeh, New York: John Wiley, 1987. ZADEH, Lotfi A. Outline of a new approach to the analysis of complex systems and decision processes. IEEE Trans. on Systems Man Cybernet, 3, pp. 28-44, 1973.

16