Um Estudo Comparativo entre Metodologia Fuzzy e Programação Linear para Análise da Rentabilidade de Empresas

Um Estudo Comparativo entre Metodologia Fuzzy e Programação Linear para Análise da Rentabilidade de Empresas Autoria: Rodrigo Prante Dill, Jose Alonso Borba RESUMO O propósito deste estudo consiste em comparar um modelo que utiliza a lógica nebulosa com resultados obtidos utilizando programação linear confrontados com especialistas para a análise da rentabilidade de empresas. Neste estudo, entrevistou-se uma amostra de vinte analistas financeiros para identificar unto aos mesmos os principais índices que revelam a rentabilidade de empresas do setor de alimentos, utilizando-se dados de sessenta e três empresas do setor de alimentos publicados pelo Valor1000 do Jornal Valor Econômico. De acordo com a escala de Matarazzo (2003), os dados coletados foram analisados e classificados e a cada índice de rentabilidade foi atribuída uma variável qualitativa conforme sua posição em relação ao decil. Utilizando-se software específico definiram-se as funções de pertinência e implementaram-se 2401 regras de inferência para implementação do sistema nebuloso. Os resultados obtidos pelo sistema nebuloso foram confrontados com a avaliação de analistas financeiros do Banco de Desenvolvimento do Extremo Sul e comparados com modelo baseada em programação linear. Os resultados demonstram que tanto modelos nebulosos como modelos derivados da programação linear podem ser utilizados como ferramentas no auxílio e na validação dos pareceres de especialistas na análise de rentabilidade das empresas. 1 INTRODUÇÃO A finalidade do controle gerencial é assegurar que as estratégias seam obedecidas, de forma que os obetivos da organização seam atingidos (ANTHONY e GOVINDARAJAN, 2002). Contudo, as práticas de controle gerencial vêm sofrendo reformulações. Segundo Pereira e Guerreiro (2005), devido ao novo ambiente econômico e social, as organizações têm implementado mudanças profundas nos negócios, e conseqüentemente nas suas práticas de controle gerencial. Essas mudanças acabam por tornar a gestão mais complexa (FREZATTI et al., 2005). Neste sentido, quando a complexidade de uma decisão aumenta, a habilidade de tomar decisões precisas sobre o comportamento desta decisão diminui, até o ponto onde a precisão e a relevância se tornam mutuamente exclusivas (ZADEH, 1978). Conseqüentemente, quanto mais detalhadamente se analisam os complexos problemas das corporações, mais nebulosa se tornam as explicações (SIEGEL et al., 1998). No cenário de incertezas que permeia as organizações, inúmeras ferramentas de diversas áreas da ciência têm sido trazidas por especialistas para o auxílio na resolução de problemas gerenciais. Áreas tradicionais de negócios estão sendo invadidas por especialistas de outras áreas, como os analistas de sistemas, programadores de computação e especialistas em pesquisa operacional que trazem para a contabilidade e administração suas diferentes qualidades e conhecimento (GLAUTIER e UNDERDOWN, 1994). O obetivo deste estudo é confrontar um modelo que utiliza a lógica fuzzy para análise da rentabilidade de empresas com especialistas e um modelo utilizando a programação linear. 2 REFERENCIAL TEÓRICO 2.1 Índices de rentabilidade Há muitas medidas de rentabilidade (índices). Cada uma delas relaciona os retornos da empresa às suas vendas, a seus ativos, ao seu patrimônio ou ao valor da ação. Como um todo, essas medidas permitem avaliar os lucros da empresa em confronto com um dado nível de vendas, um certo nível de ativos, os investimentos, ou o próprio valor da ação. O Quadro 01 demonstra os índices de rentabilidade comuns aos autores Gitman (2005), Iudícibus (1998), Matarazzo (2003), Brigham e Houston (1999), Assaf Neto (2003) e Marion (2002). 1

Autor Assaf Neto Brigham e Houston Índice Giro do ativo Lucro por ação Margem bruta Margem líquida Margem operacional Retorno sobre o ativo (ROA) Retorno sobre o investimento (ROI) Retorno sobre o patrimônio líquido (ROE) Quadro 01 Índices comuns Giro do Ativo - Matarazzo (2003, 420) enfatiza que o Giro do Ativo é um índice de medição da eficiência de vendas em relação ao investimento total. Lucro por Ação - O Lucro por Ação da empresa geralmente interessa aos acionistas atuais e potenciais e aos administradores. Conforme Gitman (2005, 54), o Lucro por Ação representa o valor auferido sobre cada ação ordinária emitida. Margem Bruta - Conforme Gitman (2005, 52), a Margem Bruta mede a porcentagem de cada unidade monetária de venda que restou, após a empresa ter pago seus produtos. Quanto mais alta a margem bruta, tanto melhor e menor o custo relativo dos produtos vendidos. Margem Líquida - De acordo com Assaf Neto (2003, 114), a Margem Líquida mede a eficiência de uma empresa em produzir lucro por meio de suas vendas, sendo apurado em termos líquidos. Margem Operacional - De acordo com Assaf Neto (2003, 114), a Margem Líquida mede a eficiência de uma empresa em produzir lucro por meio de suas vendas, sendo apurado em termos operacionais. Retorno sobre o Ativo (ROA) - Conforme Assaf Neto (2003, 112), esta medida revela o retorno produzido pelo total das aplicações realizadas por uma empresa em seus ativos. Retorno sobre o Investimento (ROI) - Uma alternativa ao uso do ROA, para avaliar o retorno produzido pelo total dos recursos aplicados por acionistas e credores no negócio, é a medida do Retorno sobre o Investimento (ROI). Enquanto os ativos incorporam todos os bens e direitos mantidos por uma empresa, o investimento equivale aos recursos deliberadamente levantados pela empresa e aplicados em seus negócios (ASSAF NETO, 2003, 113). Retorno sobre o Patrimônio Líquido (ROE) - De acordo com Brigham e Houston (1999, 90), é o quociente do lucro líquido pelo patrimônio líquido e mede a taxa de retorno do investimento dos acionistas. Índice é a relação entre contas ou grupos de contas do Balanço Patrimonial e da Demonstração dos Resultados do Exercício, com o obetivo de determinar qual a relação entre os itens de ambas as demonstrações financeiras, bem como medir determinado aspecto da situação econômica ou financeira da empresa, conforme apresentado por Mararazzo (2003) e Iudícibus (1998). Os índices são relações que se estabelecem entre duas grandezas, ou sea, o índice de um número é o quociente do primeiro dividido pelo segundo, conforme a definição dada por Treuherz (1978, 76), e o mesmo autor apresenta duas vantagens da análise por meio de Gitman Iudícibus Marion Matarazzo 2

índices que são: (1) possibilitar a identificação de tendências e localizar desvios em torno de certos padrões considerados adequados, (2) evitar a necessidade de se adaptar os números dos demonstrativos financeiros ao poder aquisitivo da moeda (ambos podem ter sofrido o mesmo impacto de queda). Uma vantagem adicional é que o uso de índices proporciona comparabilidade entre organizações de portes e de setores diferentes. Dessa forma, pode-se afirmar que a característica fundamental dos índices é fornecer visão da situação econômica e/ou financeira da empresa. Índices servem de medida dos diversos aspectos econômicos e financeiros das empresas. Assim como um médico usa indicadores, como pressão e temperatura, para elaborar o quadro clínico do paciente, os índices financeiros permitem construir um quadro de avaliação da empresa. Assim, é preciso definir um conunto (Universo) e, em seguida, comparar um elemento com os demais do conunto para atribuir-lhe determinada qualificação. Esse é um processo natural do raciocínio humano em que todas as avaliações são feitas por comparações, ainda que quase nunca tabuladas metodologicamente. 2.2 Lógica nebulosa Em 1965, o professor Lotfi Zadeh publicou o primeiro trabalho de pesquisa sobre a teoria da lógica fuzzy, também conhecida como lógica nebulosa, que trata dos conuntos não totalmente verdadeiros nem tampouco totalmente falsos. De maneira geral, a lógica fuzzy deve ser vista como uma teoria matemática formal para a representação de incertezas (YAGER et al., 1987, 52). Como exemplos de pesquisas pioneiras que utilizaram os conceitos dos sistemas especialistas na área dos negócios, podem-se destacar os trabalhos de Steinbart (1987) no ulgamento da materialidade nos processos de auditoria, Harrington e Twark (1991) na avaliação dos preços das ações e pagamento de dividendos e Borthick (1987) no planeamento de auditoria. Autores Área do Estudo/ Aplicação Revista / Congresso Kaneko (1996) Sistema para diagnose financeira Computers Ind. Engineering. Efetividade organizacional, fatores chave de Rangone (1997) Management Accounting Research sucesso e medidas de desempenho. Bayou e Reinstein (1997) Custo meta para a indústria automobilística Journal of Cost Management Mensuração e combinação dos sinais de alerta Journal of Accounting and Deshmukh e Romine (1998) nas fraudes financeiras. Computers Friedlob e Schleifer (1999) Modelo para mensurar risco e incerteza Managerial Auditing Journal. Syau et. al. (2001) Avaliação e risco de crédito Review of Quantitative Finance and Accounting Shehab e Abdalla (2002) Modelagem de um sistema de custeio Advanced Manufacturing Technology. Sahin & Dogan (2003) Relacionamento entre fornecedores clientes. Logistics Information Management Jiang & Hsu (2003) Avaliação de manufatura e ciclo do de vida dos produtos. Journal of Intelligent Manufacturing Lin, Hwang e Becker (2003) Detecção de fraudes contábeis Managerial Auditing Journal Serguieva e Hunter (2004) Análise dos ulgamentos de materialidade Fuzzy Sets and Systems. Análise e determinação dos preços dos The International Journal of Beynon, Peel e Tang (2004) serviços de auditoria. Management Science Lee, Tzeng e Wang (2005) Modelo de Opções de Precificação (OPM) Review of Quantitative Finance and Accounting Pathak, Vidyarthi e Detecção dos sinais de alerta nas fraudes de Summers (2005) seguro Murcia, Borba e Souto- Target Costing e tomada de decisão Maior (2005) Quadro 2 Pesquisas em periódicos internacionais Managerial Auditing Journal. The International Journal of Digital Accounting Research 3

Autores Área do Estudo/ Aplicação Revista / Congresso Antunes (2004) Avaliação do risco de controle no processo de auditoria Tese de Doutorado USP Dill e Borba (2005) Análise da rentabilidade das empresas Congresso USP de Contabilidade Silva e Oliveira (2005) Gestão Estratégica e Visão Resource-Based EnANPAD Wakamatsu e Cheng (2005) Análise de opinião na tomada de decisão em grupo EnANPAD Dill et AL (2006) Satisfação do cliente EnANPAD Quadro 3 Pesquisas em periódicos/congressos nacionais 2.2.1 Operacionalização da lógica fuzzy O referencial teórico que se segue encontra-se embasado em Shaw e Simões (2001), Von Altrock (1998), Boadziev e Boadziev (1997) e Matlab Fuzzy Logic Toolbox User s Guide (2002). Os controladores fuzzy consistem de um estágio de entrada (crisp Entradas discretas atreladas a algum tipo de escala numérica), um estágio de processamento e um estágio de saída. O estágio de entrada mapeia dados de entrada de maneira apropriada às funções consecutivas e valores verdadeiros. O estágio de processamento é aquele em que se procura alcançar a solução para os problemas, podendo ser dividido em três passos básicos: fuzzificação, regras de avaliação e defuzzificação. Aqui é invocada cada regra adequada que gera um resultado para cada uma delas e, então, combinam-se os resultados dessas regras. Por último, tem-se um estágio de saída cuo resultado, á defuzzificado da operação, é colocado para dentro do sistema, executando um controle (saída crisp). 2.2.2 Fuzzificação e Funções de Pertinência Fuzzificação é 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 variável fuzzy, onde são definidos vários conuntos fuzzy dentro de um universo de discurso, cada qual com o seu próprio domínio que sobrepõe com os domínios dos seus conuntos fuzzy vizinhos. Ou sea, o universo de discurso se refere ao domínio que se dá a um determinado conunto. Pode-se tomar como exemplo a metodologia utilizada para classificação do porte de uma empresa em relação ao número de funcionários, para mostrar como se estabelece o domínio de cada função de pertinência. Verifica-se, na Figura 1, que cada um dos conuntos recebe um rótulo, ou sea, um nome: Pequena, Média e Grande. Cada conunto também recebe uma faixa de valores correspondendo ao nome que lhe foi dado. Este valor é chamado de grau de pertinência. Por exemplo, a condição Média obtém um domínio de 100 a 400 funcionários. No eixo vertical (Y), podem-se verificar os valores referidos para os graus de pertinência das entradas crisp em cada conunto fuzzy. μ A (x) 1 Pequena Média Grande 0 100 250 400 Fonte: Adaptado de Boadziev e Boadziev (1997) Figura 1 Variáveis lingüísticas As funções de pertinência, também conhecidas como conuntos fuzzy são, na verdade, funções matemáticas que fornecem um significado numérico para um conunto fuzzy. A etapa de fuzzificação mapeia a entrada (um valor definido, ou crisp) entre valores de 0 a 1, através 4

das funções de pertinência, que é o grau de pertinência, mencionado anteriormente. As funções mais utilizadas são demonstradas no Quadro 4. Triangular ( x a) ( c x) Triângulo ( x, a, b, c) = max 0, min, ( b a) ( c b) Trapezoidal ( x a) ( d x) Trap ( x, a, b, c, d) = max 0, min,1, ( b a) ( d c) Gaussiana ( x c) Gaussiana ( x, s, c) = exp 2 s Sigmoidal 1 Sig ( x, a, c) = 1 + exp a( x c) [ ] Fonte: Adaptado de Boadziev e Boadziev (1997) Quadro 4 Funções de pertinência fuzzy O segundo passo do processo de controle fuzzy são as regras de avaliação. As regras fuzzy são declarações SE ENTÃO (IF-THEN) que descrevem a ação a ser feita em resposta a várias entradas fuzzy. Pode-se usar como exemplo um sistema de classificação do perfil do investidor quanto à política de investimentos financeiros, onde uma das regras poderia ser a seguinte: SE idade é Jovem E Renda é Alta, ENTÃO perfil de investimento é Arroado. Em síntese, o formato das regras obedece ao seguinte padrão: SE (antecedente 1) E (antecedente 2)... ENTÃO (conseqüente 1) Um sistema fuzzy baseado em regras pode aprender relações entre dados por intermédio da modificação das regras durante a fase de aprendizado. Esse procedimento, geralmente realizado por meio de redes neurais, leva a uma relação fuzzy alterada dinamicamente, ou sea, à base de conhecimento se amolda dinamicamente aos dados que foram utilizados para a aprendizagem. 2.2.3 Defuzzificação O sistema fuzzy, ao receber uma entrada, transforma-a em uma entrada fuzzy que, por sua vez, é submetida ao sistema de inferência (regras fuzzy) que devolve uma saída fuzzy para este sistema. Porém, em muitos casos, é deseável um valor numérico na saída. A defuzzificação (apesar do nome) não é exatamente o processo inverso da fuzzificação. Diversos métodos têm sido propostos na literatura, entre os quais se pode destacar o Centroda-Área, a Média-dos-Máximos e a Média-dos-Centros. A Figura 2 evidencia resumidamente os gráficos e fórmulas de cada um dos métodos citados. Centro-da-Área Média-dos-Máximos Média-dos-Centros 1 1 1 0 x Resultado da defuzzificação 0 x Resultado da defuzzificação 0 x Resultado da defuzzificação onde y 0 μ μ B' ( y). y. dy = μ ( y). dy B' B' ( y) = T ( μ, μ ( y)), y Y k B y μ B y y _ ' ( ). _ * μ B' ( y ). y * 0 =, y y _ 0 =, y * B' ( y ) μ B' ( y) μ, é contribuição da conclusão B da regra k na conclusão final B. Fonte: Adaptado de Shaw e Simões (2001) Figura 02 Métodos de defuzzificação 5

2.3 Programação linear Remontar às origens da Teoria da Programação Matemática e rastrear os pensamentos que influenciaram a busca de soluções ótimas para problemas é um convite a ingressar numa máquina do tempo e revirar as gavetas das necessidades militares, da indústria, da economia. (GOMES, GOMES e ALMEIDA, 2006) Todavia, foi somente após a Segunda Guerra Mundial que se deu a maior contribuição ao desenvolvimento da programação matemática, com base nos esforços do Governo Americano, no intuito se aplicarem técnicas matemáticas aos problemas orçamentários e planeamento militar. De lá aos dias atuais, a programação linear vem encontrando aplicações nos mais distintos ramos do conhecimento humano. (GOMES, GOMES e ALMEIDA, 2006) A utilização de modelos de Programação Matemática para resolução de problemas de decisão empresarial constitui-se na aplicação dos conhecimentos científicos oriundos, inicialmente, do campo de conhecimento da Pesquisa Operacional (PO). Nessa abordagem, a modelagem matemática corresponde à codificação do obetivo e das restrições do problema em linguagem simbólica; no caso, por meio de equações matemáticas; e a solução é obtida pela utilização de métodos sistemáticos de resolução, ou sea, por meio de algoritmos matemáticos compatíveis com a modelagem realizada. (REIS E MARTINS, 2001) A formulação padrão de um problema de Programação Matemática pode ser apresentada pelo seguinte modelo: 1. Maximizar (ou Minimizar) z = f(x1, x 2,...,xn) (1) 2. sueito a gi (x1, x 2,...,xn) >, = ou < bi, i: 1...m (2) 3. S = { x = (x1, x2,..., xn) / gi (x) >, = ou < bi, i: 1...m} (3) onde x1 - são denominadas variáveis de decisão e representam as qualidades ou recursos que se quer denominar para maximizar (ou minimizar) o valor da função obetivo; bi - representa,em geral, as quantidades disponíveis de cada recurso; n - quantidade de variáveis de decisão do problema; m - quantidade de restrições do problema. e (1) é a função matemática que codifica o obetivo do problema e é denominada função obetivo do modelo; (2) são as equações matemáticas que codificam as restrições do problema; (3) é o conunto de soluções viáveis do problema. Qualquer solução viável x*, que torna o valor da função z máximo (ou mínimo), é considerada uma solução ótima para o problema. Se a função obetivo (fx) e as m restrições gi(x) são representadas por funções lineares, o modelo é classificado como sendo um modelo de Programação Linear (PL). Se pelo menos uma das funções não é linear, então o modelo é classificado como um modelo de Programação Não-Linear (PNL). Nos modelos probabilísticos, é considerada a distribuição de probabilidades de uma ou mais variáveis do problema, e nos modelos determinísticos pressupõe-se que os dados são obtidos com certeza. (REIS E MARTINS, 2001) 3 METODOLOGIA O primeiro passo para a construção dos modelos de análise da rentabilidade de empresas constituiu-se em determinar a importância de cada índice de rentabilidade na opinião de analistas financeiros (especialistas). Desta forma, foi enviado por correio eletrônico (e-mail) para 20 Analistas Financeiros do Banco Regional de Desenvolvimento do Extremo Sul BRDE, Unidade Florianópolis, um instrumento de pesquisa, contendo os índices de rentabilidade de empresas utilizados pelos autores pesquisados. A fim de verificar se a amostra de especialistas selecionados é adequada, procurou-se 6

primeiramente identificar o perfil dos mesmos. Dentre os entrevistados, 80% são formados em Administração, Ciências Contábeis e Economia, 45% possuem mestrado ou doutorado e 45% possuem mais de 10 anos de experiência em análise financeira. Os entrevistados responderam, de acordo com a escala Likert, seu grau de concordância ou discordância, numa categoria de cinco respostas, variando de 1 a 5, quanto à importância de cada índice para mensuração da rentabilidade de empresas. Soma Média Desvio Coeficiente Padrão de Variação Margem Operacional 88 4,40 0,99 22,61 Retorno sobre o Patrimônio Líquido (ROE) 84 4,20 0,83 19,85 Retorno sobre o Investimento (ROI) 84 4,20 0,62 14,66 Margem Líquida 81 4,05 0,69 16,95 Retorno sobre o Ativo (ROA) 74 3,70 0,80 21,66 Margem Bruta 73 3,65 1,09 29,85 Giro do Ativo 71 3,55 0,83 23,26 Lucro por Ação 66 3,30 0,98 29,66 Tabela 01 Avaliação dos índices de rentabilidade: por pontos totais e médios Analisando a pontuação total da importância dos índices de rentabilidade na análise da rentabilidade de empresas do setor de alimentos na escala Likert, tem-se uma visão geral mais compactada da importância de cada um na opinião dos especialistas pesquisados. Assim, Margem Operacional é o índice de maior importância, destacado nas análises das respostas da escala, apresentando média de 4,40. Também com importância de destaque, tem-se o Retorno sobre o Patrimônio Líquido (ROE) e o Retorno sobre o Investimento (ROI), ambos com 4,20 na média; a Margem Líquida alcançou a média de 4,05. Com menor ênfase, aparece o Retorno sobre o Ativo (ROA) com média 3,70, Margem Bruta com média 3,65, Giro do Ativo com média 3,55 e, em último, Lucro por Ação com média 3,30. Desta forma, para este estudo foram selecionados os índices Margem Operacional, Retorno sobre o Patrimônio Líquido (ROE), Retorno sobre o Investimento (ROI) e Margem Líquida, por terem atingido a maior soma de pontos e a maior média de pontos. A publicação Valor 1000 reúne dados de mil empresas de diversos setores; destas, oitenta são do setor de alimentos, a escolha do setor de alimentos se deu de forma intencional. Neste estudo, foram retiradas da base de dados, treze empresas por não estar divulgada a receita líquida, o ativo, o lucro líquido, entre outros, imprescindíveis para o cálculo dos índices de rentabilidade. Dessa forma, foram selecionadas sessenta e sete empresas. Utilizando-se o software SPSS, foi extraído da base de dados o decil dos índices de rentabilidade mais relevantes. Após, de acordo com a escala de Matarazzo (2003, p. 200), os dados foram classificados e, a cada índice, foi atribuída uma variável qualitativa conforme sua posição em relação ao decil. Decil Margem Operacional Retorno sobre o Patrimônio Líquido (ROE) Retorno sobre o Investimento (ROI) Margem Líquida Classificação 1º -2,58-5,70-4,73-1,30 Péssimo 2º -0,04 1,90 0,92 0,40 Deficiente 3º 1,72 6,10 3,35 0,90 Fraco 4º 3,04 10,10 4,30 1,60 Razoável 5º 3,69 11,50 6,25 2,00 6º 4,86 13,80 7,44 2,60 Satisfatório 7º 6,33 15,60 9,68 4,00 8º 7,59 26,50 11,55 5,10 Bom 9º 9,98 35,40 14,22 6,20 Ótimo Tabela 02 Distribuição dos índices no decil 7

3.1 Construção do sistema nebuloso Para a implementação de sistemas que envolvem lógica fuzzy, muitas vezes, faz-se necessária utilização de um software específico; dentre eles, destacam-se FuzzyTech, Fuzzy Calc e o Matlab. Este último é um poderoso e muito utilizado software de computação numérica desenvolvido para usuários das áreas industrial e acadêmica que necessitam de um ambiente capaz de, além de realizar cálculos matemáticos, possibilitar o desenvolvimento de algoritmos, a modelagem, a simulação de protótipos e a utilização de importantes rotinas internas. O Matlab (MATrix LABoratory) é um programa interativo para cálculos (e visualização) numéricos científicos e de engenharia. Originalmente voltado para a álgebra linear numérica e o cálculo matricial, tem seus recursos básicos estendidos através de toolboxes (conunto de funções ou M-files ). Foi utilizada para a implementação do modelo nebuloso proposto neste estudo a toolbox Fuzzy Logic Toolbox que é uma coleção de funções construídas no Matlab que disponibiliza ao usuário ferramentas para criação e edição de sistemas fuzzy. a) Construção da árvore de decisões O primeiro passo do carregamento do sistema consiste em determinar a árvore de decisões que o sistema utilizará, qual sea, quais são as variáveis lingüísticas de entrada, as variáveis de saída, qual a escala de valores atribuída a cada variável, as regras de conduta e o tipo de método de implicação e inferência que serão utilizados. Conforme a Figura 03, a árvore de decisões do modelo é composta por quatro entradas (Margem Operacional, Retorno sobre o Patrimônio Líquido (ROE), Retorno sobre o Investimento (ROI) e Margem Líquida), uma base de regras e uma saída (Avaliação). Figura 03 Árvore de decisões b) Construção das variáveis de entrada (input) e saída (output) O primeiro passo na fuzzificação é 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 variável fuzzy, onde são definidos vários conuntos fuzzy, dentro de um universo de discurso, cada qual com o seu próprio domínio, que se sobrepõe com os domínios dos seus conuntos fuzzy vizinhos. Ou sea, o universo de discurso se refere ao domínio que se dá a um determinado conunto. Cada variável de entrada Margem Operacional, Retorno sobre o Patrimônio Líquido (ROE), Retorno sobre o Investimento (ROI) e Margem Líquida, além da variável de saída Avaliação, recebeu, de acordo com a escala de Matarazzo (2003), sete termos qualitativos (Péssimo, Deficiente, Fraco, Razoável, Satisfatório, Bom e Ótimo) de 8

acordo com um decil correspondente. Cada conunto recebeu uma faixa de valores correspondendo ao nome que lhe foi dado. Este valor é chamado de grau de pertinência. Figura 04 Função fuzzy de entrada: Margem Operacional A Figura 04 exemplifica a construção da variável de entrada Margem Operacional, onde o Quadro 05 demonstra o rótulo, o grau de pertinência e os limites inferior e superior. RÓTULO Grau de pertinência Limite inferior Limite superior Péssimo 1 Menor que -2,58 Péssimo Crescente de -2,58 a 0,04 Deficiente Crescente de -2,58 a -0,04 Deficiente Descrescente de -0,04 a 1,72 Fraco Crescente de -0,04 a 1,72 Fraco Decrescente de 1,72 a 3,04 Razoável Crescente de 1,72 a 3,04 Razoável Descrescente de 3,04 a 3,69 Satisfatório Crescente de 3,04 a 3,69 Satisfatório Descrescente de 3,69 a 7,59 Bom Crescente de 3,36 a 7,59 Bom Descrescente de 7,59 a 9,98 Ótimo Crescente de 7,59 a 9,98 Ótimo 1 Acima de 9,98 Quadro 05 Funções de pertinência A Figura 05 exemplifica a variável de saída Avaliação, onde rótulo Péssimo possui grau de pertinência igual a um para qualquer valor menor que 1,00, e deste a 2,00 pertinência decrescente até zero. Deficiente possui pertinência crescente de 1,00 a 2,00 e decrescente de 2,00 a 3,00. Fraco possui pertinência crescente de 2,00 a 3,00 e decrescente de 3,00 a 4,00. Razoável possui pertinência crescente de 3,00 a 4,00 e decrescente de 4,00 a 5,00. Satisfatório possui pertinência crescente de 4,00 a 5,00 e decrescente de 5,00 a 8,00. Bom possui pertinência crescente de 5,00 a 8,00 e decrescente de 8,00 a 9,00. Ótimo possui pertinência crescente de 8,00 a 9,00 e pertinência igual a um acima deste valor. Figura 05 Função fuzzy de saída: Avaliação c) Regras de produção Para se utilizar sistemas que envolvem lógica fuzzy, são necessárias regras (R) do tipo IF-THEN. Para a implementação desse sistema nebuloso, foram utilizadas todas as combinações possíveis de regras. Essa combinação implicou o desenvolvimento de 2401 9

(duas mil, quatrocentos e uma) regras. A Figura 06 demonstra uma pequena quantidade das possibilidades de regras. O software, em uso, permite que o usuário exclua, inclua ou limite as regras que deverão ser acionadas e as que deverão ser desprezadas. A opção Weight (último valor entre parênteses ao final de cada regra) significa o grau de verdade que o especialista atribui à regra para que o conseqüente sea gerado. Assim, se o grau de verdade for, por exemplo, zero, a regra sequer será acionada. Por outro lado, o valor um indica que a regra tem 100% de força para gerar a ação conseqüente. Figura 06 Conunto de regras do sistema d) Saídas discretas Completadas todas as etapas de construção do modelo nebuloso, o sistema apresenta as saídas discretas. A Figura 07 demonstra as entradas (inputs) inseridas no sistema, as regras ativadas e a saída (output) discreta. Assim, supondo-se como exemplo uma empresa com os seguintes índices de rentabilidade: Margem Operacional = 5,4, Retorno sobre o Patrimônio Líquido (ROE) = 16,0, Retorno sobre o Investimento (ROI) = 9,6 e Margem Líquida = 3,5, o sistema retorna uma saída discreta para a Avaliação igual a 6,26. Salienta-se que este resultado foi obtido com método de defuzzificação Centro da Área. Pois, em simulações realizadas obteve-se o melhor resultado. Figura 07 Valores discretos de entradas e saída 10

3.2 Construção do modelo utilizando programação linear (PL) Dentre os analistas financeiros do BRDE, de acordo com o perfil levantado neste estudo, onze possuem experiência em análise financeira de empresas do setor de alimentos. Assim, foi realizado contato com estes solicitando sua participação nesta etapa, sendo que quatro analistas se prontificaram em participar. Dessa forma, foram enviados dados de cinco empresas para cada analista. O número de cinco empresas por analista foi estipulado pelos mesmos de acordo com sua disponibilidade. Selecionou-se de forma aleatória vinte empresas (cinco para cada analista) da base de dados. O processo de aleatoriedade deu-se da seguinte forma: as empresas foram listadas em ordem de classificação conforme o ranking Valor 1000 e divididas em dezessete grupos de quatro empresas (apenas o último grupo ficou com três empresas). Dentro de cada grupo, as empresas foram numeradas de 1 a 4. Sorteou-se um número e as empresas que possuíam este número foram selecionadas. Neste processo, ficaram faltando ainda três empresas para completar o total de vinte. Sorteou-se um novo número e selecionaram-se as três primeiras. Após, as empresas foram classificadas em ordem alfabética: o primeiro especialista analisou as cinco primeiras empresas; o segundo da sexta à décima e, assim, consecutivamente. Destas vinte empresas, foram extraídos os índices de rentabilidade utilizados no modelo, e construído um instrumento de pesquisa para que os analistas atribuíssem nota quantitativa entre 0 e 10 para a rentabilidade de cada empresa. No referido instrumento de pesquisa, foi excluído o nome da empresa, pois este, de certa forma, poderia influenciar na análise dos especialistas. As vinte empresas foram separadas em dois grupos de 10 empresas, o primeiro grupo de empresas serviu para austar os pesos de cada índice conforme respostas obtidas unto aos especialistas. Desta forma, cada índice de rentabilidade recebeu arbitrariamente peso igual a 0,25 totalizando 1,0. Margem Margem Empresa ROE ROI Especialista PL Diferença Operacional Líquida Líder Alimentos 5,0 9,0 3,0 3,0 4,0 5,00-1,00 Melitta 4,0 4,0 5,0 4,0 4,0 4,25-0,25 Oleoplan 3,0 4,0 4,0 3,0 3,0 3,50-0,50 Pamplona 5,0 4,0 6,0 5,0 5,0 5,00 0,00 Perdigão 7,0 8,0 8,0 7,0 7,0 7,50-0,50 Rações Guabi 1,0 6,0 6,0 5,0 3,0 4,50-1,50 Rações Total 7,0 10,0 8,0 8,0 7,0 8,25-1,25 Sadia 9,0 9,0 10,0 10,0 9,0 9,50-0,50 SLC Alimentos 2,0 1,0 1,0 1,0 4,0 1,25 2,75 Yoki 9,0 7,0 4,0 3,0 6,0 5,75 0,25 Diferença mínima -1,50 Diferença máxima 2,75 Diferença média -0,25 Desvio-padrão 1,18 Tabela 03 Especialistas x Programação Linear (antes do auste dos pesos) Cada índice de rentabilidade das empresas constante na Tabela 03, recebeu nota quantitativa conforme o decil correspondente. Exemplificando-se a empresa Líder Alimentos possui Margem Operacional igual a 3,4 que corresponde o quinto decil, recebendo assim nota igual a 5,0, raciocínio idêntico as demais empresas e índices. A coluna Especialista mostra a nota atribuída pelos especialistas para rentabilidade de cada empresa, a coluna PO é a nota arbitrariamente atribuída a rentabilidade de cada empresa utilizando-se peso igual a 0,25 para 11

cada índice de rentabilidade. A coluna Diferença expressa a diferença da nota atribuída à rentabilidade de cada empresa e o sistema utilizando os pesos arbitrários. Finalmente, tem-se a diferença máxima, mínima, média e o desvio-padrão. Utilizando a função Solver do Microsoft Excel implementou a seguinte função obetivo: n n Min [ ( P1 X 1 + P2 X 2 + P3 X 3 + P4 X 4 )] [ R] 1 10 sueito às seguintes restrições: X 1, X 2, X 3 e X 4 0,0 X 1, X 2, X 3 e X 4 1,0 X 1 + X 2 + X 3 + X 4 = 1 Onde: X 1, X 2, X 3 e X 4 = variáveis; P 1 = Margem Operacional, P 2 = ROE, P 3 = ROI e P 4 = Margem Liquida; X 1 = peso atribuído a variável Margem Operacional; X 2 = peso atribuído a variável ROE; X 3 = peso atribuído a variável ROI e X 4 = peso atribuído a variável Margem L iquida; R = nota atribuída pelos especialistas para a rentabilidade da empresa. Após a aplicação da ferramenta Solver foram obtidos os seguintes pesos para cada um dos índices de rentabilidade: Margem Operacional= 0,5525, ROE= 0,0, ROI= 0,0 e Margem Líquida= 0,4475. 4 TESTE PRÁTICO Os modelos de análise da rentabilidade de empresas implementados foram testados unto a Analistas Financeiros do BRDE, quanto à sua capacidade de oferecer respostas consistentes com os obetivos para os quais foram concebidos. Os índices de rentabilidade das dez empresas restantes analisadas pelos especialistas foram inseridos no modelo nebuloso e também foram analisados utilizando-se os pesos obtidos por meio da programação linear. Empresa MarOper ROE ROI MarLiq Especialistas PL Difer. Fuzzy Difer. Aurora 0,7 6,8 3,9 0,9 3,0 3,00 0,00 3,0 0,00 Barry Callebaut 11,3 37,1 20,5 5,6 10,0 9,55 0,45 9,3 0,70 Braswey -14,8 735,8 37,6 17,5 5,0 5,03-0,03 5,0 0,00 Breeiro 4,9 13,8 11,5 1,7 6,0 6,10-0,10 5,8 0,30 Copacol 3,0 11,2 6,9 2,1 5,0 4,90 0,10 5,2-0,20 Encomind -2,8-29,0-14,2-5,0 1,0 1,00 0,00 0,5 0,50 Frisa -0,9-3,8-2,3-0,7 2,0 2,00 0,00 0,7 1,30 Garoto 7,0 20,3 10,9 6,2 7,0 8,90-1,90 7,6-0,60 Itaimbé 3,0 11,5 6,4 2,3 5,0 4,90 0,10 5,1-0,10 Kraft Foods 7,0 10,1 6,5 6,3 8,0 8,90-0,90 5,2 2,85 Diferença mínima -1,90-0,60 Diferença máxima 0,45 2,85 Diferença média -0,23 0,47 Desvio-padrão 0,68 0,99 Tabela 04 Especialistas x Programação Linear x Fuzzy A Tabela 04 demonstra comparativamente o método fuzzy com a programação linear em relação às análises feitas pelos especialistas. A programação linear foi a que mais diferiu negativamente ao atribuir -1,90 pontos em uma das análises, porém a programação linear obteve menor diferença máxima em relação ao método fuzzy com 0,45 pontos. Destaca-se a que o método utilizando a programação linear obteve concordância absoluta em três análises, enquanto que o método fuzzy obteve duas concordâncias. Utilizando a diferença média e o 1 10 12

desvio-padrão para analisar o desempenho dos métodos, observa-se que a programação linear obteve menor diferença média -0,23 e também, menor desvio-padrão 0,47 enquanto que o método fuzzy obteve diferença média igual a 0,47 e desvio-padrão igual a 0,99. 5 CONCLUSÃO A proposta deste estudo foi à construção e comparação de dois modelos para mensuração análise da rentabilidade de empresas. Para simulação e testes de funcionamento dos modelos, utilizou-se o software Matlab e a ferramenta Solver do Microsoft Excel, suas validações operacionais foram realizadas por meio de entrevistas aplicadas unto a especialistas e obras literárias, quanto pela utilização de base de dados para processamento e análise comparativa dos resultados de análises realizadas. Os tópicos conclusivos deste estudo, bem como sugestões, são as seguintes: O grupo de índices para a análise da rentabilidade de empresas mais relevantes para os especialistas pesquisados coincidiu apenas com os índices de rentabilidade utilizados por Iudícibus (1998), sendo que demais autores divergiram em relação a um ou dois índices de rentabilidade. O Retorno sobre o Patrimônio Líquido é destacado pelos autores pesquisados e pelos especialistas como importante índice de rentabilidade. Salienta-se que a Margem Operacional foi o índice mais importante conforme os especialistas pesquisados sendo que este, muitas vezes, não é definido como índice de rentabilidade por alguns dos autores pesquisados. A discordância, 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 índices mais importantes para análise da rentabilidade de empresas do referido setor, enquanto os autores visitados propõem um conunto de índices genéricos para análise de empresas de todos os setores. As evidências coletadas em decorrência dos testes aplicados permitem aceitação de ambos os modelos propostos, bem como indicam que o modelo concebido com o uso da lógica nebulosa contempla os aspectos ambíguos e incertos inerentes à análise da rentabilidade de empresas. Ressalta-se, que o modelo baseado na programação linear atribuiu peso igual à zero para dois importantes índices, segundo a literatura e especialistas, o Retorno sobre o Patrimônio Líquido (ROE) e o Retorno sobre o Investimento (ROI). Na prática, acredita-se que dificilmente especialistas desconsiderariam estes índices, restringindo, talvez, a utilizado deste modelo. A lógica fuzzy provê uma interface de alto nível amigável para se desenvolver programas, auxiliando os proetistas a se concentrarem nos obetivos funcionais em vez dos detalhes matemáticos. A tecnologia fuzzy está dentro da área denominada computação suave, mostrando um enorme potencial para aplicações que combinem conhecimento qualitativo com robustez. A programação linear, por sua vez, requer, talvez, maior conhecimento matemático na elaboração das funções obetivo e inserção das respectivas restrições dificultando, muitas vezes, sua utilização por aqueles que não possuem razoável familiaridade com a técnica. Quanto aos aspectos operacionais em si, observou-se que o software MatLab, utilizado no modelo fuzzy é de fácil manuseio, com bons recursos de auxílio ao usuário e com um conunto de recursos gráficos e visuais que facilitam o entendimento do processo e dos resultados apurados. Enquanto que, a ferramenta Solver mostrou-se mais trabalhosa na introdução e análise dos dados. A lógica nebulosa permitiu tratar, de forma numérica, predicados tais como péssimo, deficiente, fraco, razoável, satisfatório, bom e ótimo. Enquanto que a o modelo baseado na programação linear não possibilitou a mesma flexibilidade no tratamento das variáveis qualitativas. 13

Os modelos mostraram-se operacionais e, portanto, aplicável na atividade de análise de rentabilidade de empresas. O potencial de aplicação de versões ampliadas e aperfeiçoadas dos modelos em questão, como a lógica nebulosa, a programação linear e outros métodos quantitativos podem ser voltados especificamente para a sinalização de ocorrências de fraudes ou, até mesmo, para corrigir desvios involuntários de analistas ao mensurar rentabilidade de empresas. Por não ter-se encontrado na literatura especializada consenso quanto ao método de fuzzificação e defuzzificação mais apropriado ao propósito deste modelo recomenda-se em estudos posteriores a utilização comparativa dos diferentes métodos de fuzzificação e defuzzificação. Outros métodos quantitativos, como os algoritmos genéricos, redes neurais, fuzzy paramétrico que utiliza equações estruturais ao invés de base de regras poderiam ser aplicados em modelos de análise de rentabilidade de empresas, tendo como base os presentes modelos, ou desenvolvidos para aplicações similares. Finalizando, espera-se que o presente estudo possa contribuir para mensuração da análise de rentabilidade de empresas na medida em que visou demonstrar a viabilidade da aplicação prática de um instrumento das Ciências Exatas para tentar mensurar elementos típicos das Ciências Sociais Aplicadas. Naturalmente, em razão do seu caráter, a proposta do estudo em si e os modelos conseqüentemente gerados também demandam o envolvimento de pesquisadores de outras disciplinas para melhorar e ampliar as oportunidades de aplicação. BIBLIOGRAFIA ANTHONY, R; GOVINDARAJAN, V. Sistemas de Controle Gerencial. Editora Atlas. São Paulo, 2002. ANTUNES, Jerônimo. Modelo de Avaliação de risco de controle utilizando a lógica nebulosa. São Paulo: 2004. Tese (Doutorado em Contabilidade e Controladoria) Departamento de Contabilidade e Atuária da Faculdade de Economia, Administração e Contabilidade da Universidade de São Paulo. ASSAF NETO, Alexandre. Finanças e Valor Corporativo. São Paulo: Atlas, 2003. BAYOU, Mohamed E.; REINSTEIN, Alan. Formula for success: target costing for cost-plus pricing companies. Journal of Cost Management, p. 30-34, sep/oct 1997. BEYNON, Malcolm J; PEEL, Michael J.; TANG, Yu-Cheng. The application of fuzzy decision tree analysis in an exposition of the antecedents of audit fees. The International Journal of Management Science. n 32, p. 231-244. 2004. BOJADZIEV, George e BOJADZIEV, Maria. Fuzzy Logig for Business, Finance ans Management. London: World Scientific, 1997. BORTHICK, FAYE. Artificial Inteligence in auditing: assumption and preliminary development. Advances in Accounting. Vol.5, p.179-204, 1987. BRIGHAM, Eugene F. e HOUSTON, Joel F. Fundamentos da Moderna Administração Financeira. Rio de Janeiro: Campus, 1999. DESHMUKH, Ashutosh. ROMINE, Jeff. Assessing the Risk of Management Fraud Using Red Flags: A Fuzzy Number Based Spreadsheet Approach. Journal of Accounting and Computers. (4), 3, 1998. p. 5-15. DILL, Rodrigo P. ; BORBA, José Alonso. Um Modelo de Análise da Rentabilidade de Empresas usando a Lógica Nebulosa. 5º Congresso USP de Contabilidade e Controladoria, São Paulo, 2005. DILL, Rodrigo P. ; MURCIA, Fernando Dal Ri ; MAIOR, César Duarte Souto ; DAROS, L. ; SOUTO, J. M.. Contemplando a Subetividade na Mensuração do Nível de Satisfação do Cliente: Uma Abordagem Experimental Utilizando os Conceitos da Lógica Fuzzy. EnANPAD, Salvador, 2006. 14

FREZATTI, F et al. Análise do relacionamento entre a contabilidade gerencial e o processo de planeamento das organizações brasileiras. Enanpad. Brasília, 2005. 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 USER S GUIDE, COPYRIGHT 1995 2002 by The MathWorks, Inc. GITMAN, Lawrence J. Princípios de Administração Financeira. 10 a ed. São Paulo: Pearson Education, 2005. GLAUTIER, M.; UNDERDOWN, B.; Accounting Theory and Practice. Vol. 5 Pitmam Publishing, 1994. GOMES, Luiz F. A. Monteiro; GOMES, Carlos F. S. e ALMEIDA, Adiel Teixeira de. Tomada de decisão gerencial: um enfoque multicritério. 2ª ed. São Paulo: Atlas 2006. HARRINGTON, Susan; TWARK, Allan. The application of expert systems to security analysis. Review of Business. Vol.12, n.4 p.24-30, 1991. IUDÍCIBUS, Sérgio de. Análise de Balanços. Análise da liquidez e do endividamento; Análise do giro, rentabilidade e alavancagem financeira. São Paulo: Atlas, 1998. JIANG, Bernard; HSU, Chi. Development of a fuzzy decision model for manufacturing. Journal of Intelligent Manufacturing. V. 14, p.169-181, 2003. KANEKO, T. Building a financial diagnosis system based on fuzzy logic production system. Computers Ind. Engenhering. Vol. 31, ¾. 1996. LEE, Cheng, TZENG, Gwo, WANG, Shin. A fuzzy set approach for generalized CRR model: nan empirical analysis of S&S 500 Index Options. Review of Quantitative Finance and Accounting. Vol.25, n.3, p.255-275, 2005. 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, José Carlos. Análise das Demonstrações Contábeis. Contabilidade Empresarial. 2 a ed. São Paulo: Atlas, 2002. MATARAZZO, Dante C. Análise Financeira de Balanços. 6 a ed. São Paulo: Atlas, 2003. MURCIA, Fernando Dal-Ri; BORBA, José Alonso; SOUTO-MAIOR, Cesar Duarte. Modelling the Subectivity of the Target Costing Process with Fuzzy Logic Concepts. The International Journal of Digital Accounting Research. Decembro, 2005 PATHAK, Jagdish; VIDYARTHI, Navneet; SUMMERS, Scott. A Fuzzy-based Algorithm for Auditors to Detect Element of Fraud in Settled Insurance. Managerial Audinting Journal, Vol. 20, v.6, 2005. PEREIRA, C; GUERREIRO, R. Avaliação do processo de mudança da contabilidade gerencial sob o enfoque da teoria institucional: o caso do Banco do Brasil. Enampad. Brasília, 2005. RANGONE, Andréa. Linking organizational effectiveness, key success factors and performace measures: an analytical framework. Management Accounting Research, 1997, 8, 207-219. REIS, Solange G. dos, MARTINS, Eliseu. Planeamento do Balanço Bancário: Desenvolvimento de um Modelo Matemático de Otimização do Retorno Econômico Austado ao Risco. Revista Contabilidade & Finanças FIPECAFI - FEA - USP, São Paulo, FIPECAFI, v.15, n. 26, p. 58-80, maio/agosto 2001. SAHIN, Ugur; DOGAN, Ibrahim. Supplier selection using activity based costing and fuzzy present-worth techniques. Logistics Information Management. Vol. 16, p.420-426. 2003. SERGUIEVA, Antoaneta. HUNTER, John. Fuzzy interval methods in investment risk appraisal. Fuzzy Sets and Systems. Vol. 142. 443-466. 2004. SHAW, Ian S. e SIMÕES, Marcelo Godoy. Controle e Modelagem Fuzzy. São Paulo: Edgard Blücher, 2001. 15

SHEHAB, E.; ABDALLA, H. Intelligent Knowledge based system for product cost modeling. Advanced Manufacturing Technology. Vol 19, p.49-65, 2002. 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. SILVA, Jorge; OLIVERIA, Carlos. Grupos estratégicos e visão resource-based: uma aplicação de sistemas neuro-fuzzy. Enampad. Brasília, 2005. STEINBART, Paul. The construction of a ruled-based expert system as a method for studying materiality udgments. The Accounting Review. n.1, p.97-116, January 1987. 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. Análise financeira por obetivos. 3 a ed. São Paulo: Pioneira, 1978. VON ALTROCK, Constantin. Fuzzy logic and nerofuzzy applications in business and finance. New Jersey: Prentice Hall, 1995. WAKMATSU, Andre; CHENG, Liang. Metodologia para analise de opiniões na tomada de decisão em grupo utilizando a teoria de sistemas fuzzy aplicação na alocação dos elementos do canteiro de obras. Enampad. Brasília, 2005. 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. Fuzzy Sets. Information and Control. Vol.8, p.338-353, 1965. 16