Proposal of credit risk forecast models for small and medium-sized enterprises through logistic regression

The present work seeks to contribute to the financial sector of credit promotion for small and medium enterprises (SMEs). For this purpose, it proposes the elaboration of credit risk forecasting models for SMEs through Logistic Regression (RL). Using data from credit registry and credit history, variables with significant significance were extracted for the definition of probability of occurrence of default. Data collection and generation of information was done through the exploratory research, with experimental procedures, having as the field of exploitation a credit cooperative database. Methodologically, four classes of companies were created: Individual Microentrepreneur (MEI), Microenterprise (SM), Small Business (PE) and Medium Enterprise (MédE). The general database was redistributed according to the billing ranges. the 4 new databases. To improve the models and reduce the differences, within the database, of each class of companies, the process of discretization and the creation of dummy or artificial variables was used. As a result of the application of the statistical technique in the database, in the 4 classes of companies: MEI, ME, PE, MédE and in the General Data (DG), a confirmation of the relevance of the RL in the elaboration of the models was obtained. The accuracy of the models presented expressive percentages for the database with non-accounting and non-auditable variables, reaching satisfactory percentages. For MEI, the percentage of accuracy was 83%, using 2 variables in the composition of the model. As for ME, it presented an accuracy of 84.9%, using 5 variables in the model composition. For PE the accuracy reached 88.5%, however including only 1 variable in the model. For MEc the accuracy was 83%, presenting 3 variables in the model and for the DGs, the accuracy was of 85%, presenting 5 variables in the composition of the model. It was still possible to observe which variables have greater relevance within the database. The models developed are tools that can contribute to the credit analyst in the identification of possible good payer or defaulters for financial institutions that have SMEs in their portfolio.O presente trabalho, busca contribuir com o setor financeiro de fomento de crédito para pequenas e médias empresas (PMEs). Para isso propõe a elaboração de modelos de previsão de risco de crédito para PMEs por meio da Regressão Logística (RL). Utilizando de informações de cadastro e histórico de crédito, foram extraídas variáveis, com relevante significância, para a definição da probabilidade de ocorrência de inadimplência. O levantamento do dados e geração de informações, foram feitos por meio da pesquisa exploratória, com procedimentos experimentais, tendo como campo de exploração banco de dados de uma Cooperativa de Crédito. Metodologicamente, criou-se 4 classes de empresas: Microempreendedor Individual (MEI), Microempresa (ME), Pequena Empresa (PE) e Média Empresa (MédE), sendo que a base de dados geral, foi redistribuída conforme faixas de faturamento, surgindo assim as 4 novas bases de dados. Para melhoria dos modelos e redução das diferenças, dentro da base de dados, de cada classe de empresas, utilizou-se o processo de discretização e a criação de variáveis “dummy” ou artificiais. Como resultado da aplicação da técnica estatística na base de dados, nas 4 classes de empresas: MEI, ME, PE, MédE e nos Dados Gerais (DG), obteve-se uma confirmação da relevância da RL na elaboração dos modelos. As acurácias dos modelos apresentaram percentuais expressivos para base de dados com variáveis não contábeis e não auditáveis, atingindo percentuais satisfatórios. Para MEI, o percentual de acurácia foi de 83%, utilizando 2 variáveis na composição do modelo. Quanto a ME, apresentou um acurácia 84,9%, utilizando 5 variáveis na composição do modelo. Para PE a acurácia atingiu 88,5%, porém incluindo apenas 1 variável no modelo. Para MédE a acurácia foi de 83%, apresentando 3 variáveis no modelo e para os DG, a acurácia foi de 85%, apresentando 5 variáveis na composição do modelo. Ainda foi possível observar quais variáveis possuem maior relevância dentro da base de dados. Os modelos desenvolvidos são ferramentas que podem contribuir com o analista de crédito na identificação de possíveis adimplentes ou inadimplentes para instituições financeiras que possuem PMEs em seu portfólio