Determinants of judicial reorganization considering the cash flows of firms

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 academiaFrom the beginning of the 1930s onwards, the effects of insolvency on creditors, shareholders and society (stakeholders) led researchers to investigate the causes of bankruptcy and developing forecasting models to predict (and prevent) its occurrence. Over the years, the technological development in the fields of statistics and computer science conducted an evolution of these models, which allows to identify them through their historical-chronological components, as theoretical (focusing on the qualitative causes of bankruptcy), statistical (focusing on the symptoms of bankruptcy) and artificial intelligence ones (also focusing on the symptoms of bankruptcy, but with an additional technological component). So-called statistical models have early emerged as part of the mainstream of insolvency forecasting, concentrating the researches on the field even before recent demonstrations that artificial intelligence models may present better results. Beyond the controversy over the effectiveness of these models for Brazilian data, other factors justify new researches: (i) Brazil and abroad experience since the 2008 crisis a growth in the number of bankruptcies and judicial reorganization, (ii) Brazilian LRF of 2005 significantly modified the bankruptcy map introducing the judicial reorganization in the country, (iii) most researches adopt classic statistical models and consider the occurrence of bankruptcy or insolvency (flow-based or stock-based) as the main forecasting event despite of evidences that demonstrate the superiority of judicial recovery as the determining event to be investigated. Another factor that distinguishes both classic and artificial intelligence models involves the selection of variables, mostly financial indicators from BP and DRE, even before evidences supporting that cash flows impact decisively the firm life cycles, including decisions to overcome periods of crisis, such as seeking for judicial reorganization or bankruptcy. Therefore, the objective of this research is to develop a prediction model for Brazilian data, which investigates, through RNA, the existence of a relationship between certain components of the DFC and the judicial reorganization of the firms as well as make possible the estimation of the time lapse until the occurrence of the event (judicial reorganization). It is expected that the proposed model will be able to enhance the prediction of judicial reorganization in comparison with current models and provide more information on insolvent firms with numerous applications for market and other researches purpose