Printer Friendly

Trade credit profitability measurement: application in a wholesaler-distributor case/Mensuracao da rentabilidade do credito comercial: aplicacao em um caso atacadista-distribuidor.

1. INTRODUCTION

The role of the financial manager is of fundamental importance in a context of constant changes, mainly in the functions of financial analysis and planning, investment decisions ad financing operations. This is because he is responsible for managing the entire organization's capital, due to its adequacy to the lowest possible risk level.

In a research conducted by Rajan and Zingales (1995) in G-7 countries, it was verified that credit stands for 11.5% (Germany) to 17% (France) of all trade companies' liabilities. However, despite this importance and the great theoretical framework, about trade credit, little has been produced in terms of empirical tests, this, mainly, due to the scarcity of data.

In business organizations credit decision-making, generally, is based on credit risk and customer's business potential. Traditionally, for calculation of credit limit amount made available to customer, magnitude referentials are used (size classification): gross billing, share capital, purchase volume made on the market, etc; and credit risk. Therefore, a breakeven point is achieved in which credit extension is adequate to customer's risk profile and business potential.

Another important factor is that in these companies credit treatment as an investment is not always possible, mainly due to lack of tools. In this way, the hypothesis of the paper is that credit extension is made regardless if the limit amount used by the customer is being profitable or not to the granting company.

Profitability obtained by means of loans made by financial institutions is usually evaluated and there are financial models available to obtain this result, such as for example the RAROC model. However, in companies, when credit extension profitability calculation becomes necessary, there is no specific model that enables this measurement.

Thus, the following research problem comes up: How can trade credit profitability adjusted to credit risk be measured? What is the influence that this index can exert on credit extension decision-making process?

It is proposed for settling these issues the development of a model that will measure trade credit extension profitability adjusted to credit risk and, to this end, the Theory of Restriction (TOC) profitability concept and RAROC model (Risk-Adjusted Return on Capital) will be adopted for its calculation. The model application was performed in wholesaler-distributor branch company.

For credit extension performance measurement, RAROC methodology adoption is justified, which relates return on capital offered by a transaction, or a deal, at the investment risk rate, in other words, risk-adjusted return on capital (CROUHY, GALAI and MARK, 2004).

With exclusion of this introduction, the article is structured on four sections: the second part will do the theoretical referential description; the purpose of part three will be to present proposed model; in the fourth section practical application of the model in a trade company of the wholesaler-distributor branch will be made; and section five will remain for final considerations of the paper.

2. UNDERSTANDING CREDIT AND TOC

Credit policy is divided, usually, into three parts: credit terms, credit analysis and collection policy. Credit also can be subdivided into bank credit and trade credit, in addition to credit for individuals and credit for legal entities. Each of these subdivisions has its particularities and treatment within literature. This paper is focused, only, on credit analysis and trade credit.

In the literature about trade credit, some theories that explain its existence and use prevail: financing motive, price description motive and transaction motive.

In financing motive credit providers have advantages over financial institutions, because trade credit allows them to have buyers and saving goods/values for subsequent redeployment of these goods on the market. Thence the justification for their use by trade companies (SCHWARTZ, 1974; PETERSON and RAJAN, 1997).

For price description motive, credit providers may offer to different customers several price levels, pricing the loan according to the operation risk, its due date and future agreement expectations with the customer (BRENNAN, MIKSIMOVIC and ZECHNER, 1988; PETERSON and RAJAN, 1997).

In trade credit transaction theory, since there are two transactions in the operation (of goods for the loan and the loan for payment), it is possible for buyers to organize their payments with greater certainty, separating them in cycles, eliminating the need for cash reserve for precaution (FERRIS, 1981; PETERSON and RAJAN, 1997).

To Peterson and Rajan (1997), suppliers are better specialists than financial institutions in credit risk evaluation and control of their buyers' credit risk. But after all, what is credit risk? How is it measured?

The main purpose of credit analysis is to check the borrower's credit application compatibility with his financial and payment ability. In this credit policy stage risk assessment becomes one of its main analyses.

Credit risk can be defined as the credit grantor's likelihood of not receiving from debtor in stipulated term and conditions. According to Saunders (2000), credit risk assessment can be divided into traditional approaches: specialist systems, ratings and credit scoring models; and into new approaches to measure credit risk, highlighting portfolio risk models, such as KMV Credit Monitor model, J. P. Morgan CreditMetrics do, Credit Suisse CreditRisk+ and RAROC model. Credit scoring, RAROC model and CreditRisk+ will be important to this paper.

According to Altman and Haldeman (1995, p. 11, our translation), "the mistrust about subjective credit scoring consistence and a wish for mathematical 'definition' for such scorings [...] have generated interest in objective and reproducible models", such as credit scoring and CreditRisk+.

According to Saunders (2000), seven main reasons stand out for the sudden surge of interest in the development of credit risk measuring statistical models: structural bankruptcy increase; financial disintermediation; more competitive margins; declining and volatile values of collateral securities; extra-balance derivative growth; technology; and regulatory agency requirements.

And according to Altman and Saunders (1998), academicians and market practitioners have responded in the following manner: with the development of new and more sophisticated credit scoring systems; with a change of direction from individual credit risk analysis to the development of credit concentration risk measures; with the development of new credit risk pricing models (RAROC); and through the development of models for better extra-balance instrument measuring.

The purpose of credit scoring models is to define to likelihood of a customer becoming a defaulter, in other words, becoming a good or poor payer based on his characteristics. To that end, they assign statistically preset weights for certain attributes of credit applicants, so generating a score for each customer. If the customer has a higher score than cutoff point (minimum credit approval score), the credit must be approved, otherwise, it will be rejected.

These systems are divided into two categories: credit approval or credit scoring models and behavioral scoring models, also known as behavioral scoring (CAOUETTE et al, 2009). In credit scoring credit applications of new applicants are rated and behavioral scoring is a scoring system based on customer's behavioral analysis.

According to some authors (CAOUETTE et al, 2009; THOMAS et al, 2002; ALTMAN and SAUNDERS, 1998; PARKINSON and OCHS, 1998) the main advantages of credit scoring models are: it allows constant credit reviews; they tend to eliminate discriminatory credit extension practices; they are objective and consistent; they are simple, easy to interpret and install; it provides greater efficiency in treatment of outside data and extension processes; and it allows better organization of information. And its disadvantages are: degradation over the time if the population to apply the model is divergent from the original population when it was developed; too much user confidence; and lack of data and information causes problems in its utilization.

CreditRisk+, prepared by Credit Suisse in 1997, is "a default mode model" (SAUNDERS, 1998, p. 73), in other words, only the risk of default is modeled, "there is no rating change risk" (SECURATO, 2002, p. 286). In order to calculate risk in CreditRisk+, first an assessment of uncertainties is made (of the likelihood of default and intensity of losses), and only a later do these estimates generate loss distribution throughout the loan portfolio. When measuring loss percentage in each credit rating, loss distribution by default is found throughout the portfolio.

Profitability calculation proposed in the article will be based on RAROC model, this being a risk-adjusted return on invested capital methodology, which "reveals the necessary economic capital amount for each line of business, product or customer--and how these needs create total return on capital produced by the company" (CROUHY, GALAI and MARK, 2004, p.467). However, in this model the numerator is adjusted to catch expected with the transaction and the denominator to reflect the actual investment at risk.

Under RAROC point of view, measurement of return on capital invested in customer (please read in this case credit extended to customer) will be solely adjusted to credit risk. And under TOC point of view, in credit constraint conditions, adoption of profitability concept is justified by prioritizing credit extension to customers that provide greater return on investment (greater profitability in credit extension).

TOC (Theory of Constraints) premises were structured for production line problems, however, they quickly penetrated into the most varied areas of managerial knowledge and in different sectors (PADOVEZE, 2005). It generalizes optimization thinking in three principles:

1) The company is a system, a set of elements among which there is an interdependence relationship, where each element depends on the other somehow and, so, the overall system performance depends on joint efforts of all its elements;

2) The target of companies must be to make money, today and in the future; and

3) Every company, in the process of reaching its target, always presents one or more constraints, because, if it did not, its performance would be infinite.

A constraint in TOC is anything that limits better performance of a system, such as the weakest link of a chain, or something that we do not have enough (GOLDRATT, 1992). Therefore, standards, procedures, practices, supplier markets, equipment, materials, orders, people and credit may be a constraint.

Normally, constraints that are related to materials and production capacity are easily viewed, whereas behavior and management constraints, which also exist in companies, are not usually recognized as resource restrictors (GUERREIRO, 1999), as is the case of credit.

There is a general corporate decision-making process so that TOC will work and the five steps to this end are: identifying system constraints, deciding how to exploit system constraints, subordinating any other thing to the prior decision, increasing system constraints and, last, if in the previous steps a constraint is breached, return to step 1. (GOLDRATT, 1992)

TOC condemns the use of physical measures to measure performance, insisting on financial measures. There are three main key measures for TOC result measurement: gain (G), inventories (I) and operating expenses (DO). Gain is the index by which the system generates money through sales, in other words, sales revenues (R) less fully variable cost (CTV). Inventories are all money invested in purchasing things we intend to sell and operating expenses are all money spent on converting inventory into gain.

It can be said that the purpose of TOC is to maximize gain while it minimizes inventories and operating expenses. To TOC all measures oriented to overall company performance measurement (target) are: net profit (LL), return on investment (RSI) and cash flow. Cash flow is considered as more a financial situation to company survival than, properly, a performance measure.

LL and RSI measures in TOC context can be observed below:

LL = G - DO (1)

RSI = (G - DO)/I (2)

3. TRADE CREDIT EXTENSION PROFITABILITY MODEL

Traditional credit extension models generally take into consideration and/or give greater importance to customers' credit risk and his business potential, so, decision-making to grant or not credit and how much to grant is related to the rating of good/poor payer.

In order to have a basis of how flawed can credit extension decision be in this approach, consider the following decision. Two customer of an X trade company apply to increase their respective credit limits. Since these customers are in the same size bracket, the analysts then check the customer's risk class and find and customer Y has A rating and customer Z has D rating. Area analysts, more than quickly, approve a hither limit to customer Y in opposition to customer Z.

However, when an analyzing both customers' purchasing history in the last years, it is verified that customer Z essentially purchases electro-electronic products that yield an 18% average annual profitability to the company, and customer Y buys, practically, food products that contribute to the company with a 5% average annual profitability 5%. Therefore, the following questions arise: how greater is customer Z credit risk in relation to customer Y, which compensates a greater credit limit to him in relation to customer Z? Is credit extension made by taking into consideration his risk and size only the most adequate?

3.1 The Formula Numerator

The purpose of the paper to adjust RAROC to TOC gain concept, so that gain obtained by the difference between sales revenues and their fully variable costs ([CTV.sub.i]) will be reduced by expected loss with granted credit. We have that in RAROC numerator adjusted profit is obtained in a loan transaction by means of the sum of spread with fees and commission by subtracting expected losses and operating costs.

The reason of the gain consideration (contribution margin) as a profitability measure, and not any other measure that builds fixed cost allocation, is justified by TOC. According to this theory, regardless or not of sale to customer, or accomplishing or not the transaction, fixed costs do not fail to exist and do not diminish, at least, in short term.

By following this logic, adjusted gain (GAi) as a result or credit risk would be:

[GA.sub.i] = [R.sub.i] - [CTV.sub.i] - [P.sub.i] (3)

Where, [R.sub.i] would be revenues originating from sales, [CTV.sub.i] fully variable costs and [P.sub.i] expected losses due to customer i credit risk.

All Sales Revenues ([R.sub.i]) must enter gain calculation, irrespective of terms of payment no. Entrance into calculation of sales on installment only could be justified, because they would be the true investments made as a result of credit extension. However, customer relation obtained by credit extension also produces to granting company cash sales, and this relation, probably, would be interrupted, if the company stopped granting credit to customer, thus losing all source of gain originating from him (cash sales and sales on installments).

In proposed model, for [P.sub.i] estimate it will be considered that only the likelihood of default is modeled according to CreditRisk+, and that the company has a credit scoring system in which it is possible to obtain this likelihood per credit risk class. In this case, expected loss with customer can be estimated as follows (SECURATO, 2002):

[P.sub.i] = [EDF.sub.j] x [LGD.sub.j] (4)

Where, [EDF.sub.j] represents the likelihood of customer's default given credit risk class j where it is located; and [LGD.sub.j] (loss give default) represent loss given the customer's default (in monetary values) according to credit risk class j where he is located, in other words, company net loss after discounting recovery rate.

This net loss, or [LGD.sub.j], will be calculated as follows:

[LGD.sub.j] = [E.sub.i] x (1 - [T.sub.j]) (5)

Where, [E.sub.i] is credit level practiced in the period, or sales on installment amount; and [T.sub.j] credit recovery rate in credit risk class j where customer i is located.

In order to calculate expected loss historic recovery rate can be measured having as a basis similar customer profiles, for example, historic recovery rate is measured by credit risk rating. So, the formula numerator would be:

[GA.sub.i] = [R.sub.i] - [CTV.sub.i] - [[EDF.sub.j] x [E.sub.i](1 - [T.sub.j])] (6)

If all company revenues originate from sales on installments, [R.sub.i] becomes equal to [E.sub.i].

3.2 Formula Denominator

Investment amount at risk used in RAROC model denominator is calculated by some VAR measure, and it "measures the worst loss expected over a certain time interval, under normal market conditions and within a certain level of confidence" (JORION, 1998, p. 82). Projections are made, generally, for a short period of time and confidence interval is 99% or 95%.

Financial literature (JORION, 1998; CHRISTOFFERSEN, HAHN and INOUE, 1999; SAUNDERS, 2000; BAMS, JEHNERT and WOLFF, 2001; SECURATO, 2002; CROUHY, GALAI and MARK, 2004; AUSSENEGG and MIAZHYNSKAIA, 2006) discusses two approaches for VAR determination: (a) non-parametric (historical simulations); and (b) parametric.

In non-parametric approach, information is collected about levels affected by market variables every day and for a long period of the past. And in order to obtain VAR, the current financial position market value is recalculated for each market variable historical level, until finding the worst loss in desired confidence level (LEMGRUBER and OHANIAN, 2006).

In parametric analysis, asset and/or liability profit and/or loss distribution is estimated based on historical data, or determined a priori from a known likelihood distribution, such as normal or t-Student. In this case, estimates of averages and standard deviations are obtained, and if working with asset and/or liability portfolios, correlations of profit and/or loss series are. These parameters, used both in analytical manner and in a Monte Carlo simulation, allow calculating the worst hypothesis loss in desired confidence level of a financial position.

A parametric VAR measure will be adopted in this model. Equation 7 shows VAR calculation according to variables adopted in the model:

[VAR.sub.i] = [PI.sub.i] - [P.sub.i] (7)

Where, [P.sub.i] is expected loss and [PI.sub.i] is the worst loss in desired confidence level, and its calculation occurs as follows:

[PI.sub.i] = c x [sigma]j x [LGD.sub.j] (8)

Being that [LGD.sub.j] was already in Equation 5, c is Z standardized variable with normal distribution and [[sigma].sub.j] represents the customer's likelihood of default standard deviation given credit risk class j where it is located.

Loss standard deviation value would be obtained by binomial distribution approximation as follows:

[[sigma].sub.J] = [square root of ([EDF.sub.j](1-[EDF.sub.j]))] (9)

In this way, the model general denominator expression will be:

[VAR.sub.i] = [c x [square root of ([EDF.sub.j](1-[EDF.sub.j]))] x [E.sub.i](1 - [T.sub.j])] - [[EDF.sub.j] x [E.sub.i] (1 - [T.sub.j])] (10)

3.3 General Formula Philosophy and Adjustment Proposal

Called [RAGOC.sub.i] work (risk-adjusted gain on credit) proposed general decision measure formula is summarized as:

[MATHEMATICAL EXPRESSION NOT REPRODUCIBLE IN ASCII] (11)

However, if it is not modeled in variable [T.sub.j] or [E.sub.i], customer's debt payment time factor to the company may impact decision-making based on [RAGOC.sub.i] measure.

For example, assuming that customer Oliveira Mercearia Ltda and Supermercado Pet Ltda are similar (credit risk, credit limit, average negotiation, etc) and with the same [RAGOC.sub.i] estimate, except for the fact that average reception time (PMR) of customer Oliveira is 30 days and customer Supermercado Pet it is 60 days. In this case, In this case, considering the two-month period, obtained gain with customer Oliveira might be increased without additional risk, because it is enough to reapply gain for another 30 days at risk-free rate ([I.sub.F]). A natural and simple adjustment proposal so that [RAGOC.sub.i] of both customers to become comparable would be to transform this rate to reflect the company's money opportunity. To this end, it is enough to discount [RAGOC.sub.i] rate by a risk-free rate.

Considering an annual horizon (360 days), [RAGOC.sub.i] measure, discounted at the cost to invest risk-free would be as follows:

[MATHEMATICAL EXPRESSION NOT REPRODUCIBLE IN ASCII] (12)

Where, [RAGOC'.sub.i] was freely called adjusted risk-adjusted gain on credit of customer i; [RAGOC.sub.i] is the risk-adjusted gain on credit (equation 11); [PMR.sub.i] is average reception time with customer i in days; [I.sub.F] is the annual risk-free rate (and SELIC, CDI or Savings may be used). Company average reception time may be obtained by periodic balance sheets through the following formulation.

[PMR.sub.i] = 360 [DR/V] = 360/[G.sub.i] (13)

Where, DR represents trade bill receivable average for analyzed year; V is sales volume for analyzed year; and [G.sub.i] represents the rotation (turnover) of trade bills receivable (V / DR). Equation 13 shows the company's [PMR.sub.i] and not or a specific customer, so, in order to calculate of a customer separately, terms of its purchases must be analyzed and weigh by the value of their titles.

However, [PMR.sub.i] as traditionally calculated, may result in serious problems in this proposal. In practice, trade companies grant a "revolving predetermined credit" to their customers: any purchase that does not exceed credit limit, in general, is automatically approved. If customer A buys on average with 7.5-day term and has R$ 10-thousand reais credit limit, it means that it can buy around R$ 40 thousand reais from the company in the month without necessarily going through credit analysis, in other words, it a 4-time turnover the limit granted over the month. If another customer B has R$ 20-thousand reais limit and seldom buys more than R$ 5 thousand reais, its turnover is 0,25.

In any situation, the investment that is exposed is the granted credit limit: customer A with R$ 10-thousand reais limit and fully using it may buy up to this amount and is in default and customer B, even with 20-thousand reais limit and not exceeding this threshold, may shop in this amount and fail to pay it fully. Under this perspective, knowledge of "revolving credit" turnover becomes of fundamental importance to extract information from [PMR.sub.i.]. To the model this variable no longer has traditional meaning, but it will translate the time in which credit limit becomes, once again, available to be used by customer. In these conditions, assuming annual sales data, we have:

[PMR'.sub.i] = 360[[L.sub.i]/[E.sub.i]] (14)

Where, [PMR'.sub.i] represents average customer's i credit limit restoration in days; [L.sub.i] is the credit limit granted to customer i; [E.sub.i] is practiced credit level, or sales on installment amount, by customer i. The relevant comparison to be made based on [RAGOC'.sub.I] measure is between customers with different risks, because otherwise it would be enough to analyze the gain rate (G in %) average credit limit restoration time (equation 14). To this end, consider that all purchases are on installment so that Ei = Ri. In these terms, after equation 11 rearrangement, we have the following formula:

[MATHEMATICAL EXPRESSION NOT REPRODUCIBLE IN ASCII] (15)

Note that the second term of the numerator and the second term of the denominator are equal for all customers in the same risk bracket j. What differentiates RAGOCi measure without adjustment, in this case, is solely the gain rate [(Ri - CTVi) / Ri] (See equation 3). When making the adjustment proposed in equation 12, the point of differentiation is variable PMR'i (equation 14). Thus, it can be inferred that the main determining factors of customers' profitability are the gain rate and credit revolving limit turnover ([E.sub.i]/[L.sub.i]).

3.4 Decision-making with RAGOC

Once [RAGOC'.sub.i] measure (Equation 12) is estimated for each company customer, how to proceed with decision-making about credit extension having proposed model as a basis? The work is proposed in three decision-making manners from the model:

1) Once credit profitability of each customer is measured, a natural analysis becomes to compare this profitability among customers by risk rating (equal and different from each other).

2) From [RAGOC'.sub.i] measure estimate adopted for each customer, they can be classified by profitability ratings. So, from an aggregate analysis of the entire company, a distribution of [RAGOC'.sub.i] measure probabilities can be calculated, and propose profitability ratings. This classification is flexible enough in order to contemplate several proposals: 1) classification of independent customers from degree of risk; 2) categorization of customers by risk bracket; 3) in possession of [RAGOC'.sub.i] rate likelihood distribution, under hypothesis 1 and 2, we have the option of segregating this distribution: a) median; b) average; c) quartiles; d) decis; or e) another statistical classification. We would also have the option of segregating likelihood distribution in order to classify customers below and over a barrier rate.

3) From [RAGOC'.sub.i] and credit risk classification, a joint classification by profitability and credit risk is made. Thus, assuming that the company has a risk classification system, this classification can be added to any other obtained in proposal 2.

4. PRACTICAL APPLICATION OF THE MODEL

This section will apply presented model in a real trade company of wholesaler-distributor line. In order to estimate the relevant variables of the model, a database of 9,381 active customers was used. For the sample survey, company active customers with a longer than 6 month history were selected.

This amount has statistical validity because it is representative of total company active customers and is minimum 6-month history period is justifiable because this is the necessary time for company behavioral scoring time.

4.1 Decision-making according to Proposal 1

For application of this proposal four company customers with distinct sizes and lines of business were selected for detailing RAGOC measure calculation (equation 11 and 12): Empreiteira Simao, Informatica real time, Mercearia do Joao and JJRR Eletrodomesticos. From this time on, equation 11 will be named RAGOC only and equation 12 RAGOC'.

By the company's credit scoring system the four selected customers had the following scoring: Empreiteira Simao and Informatica real time in AAA bracket, Mercearia do Joao in rating A and JJRR Eletrodomesticos in rating B. Loss likelihood in each rating is: 0.0060% for AAA bracket, 0.0814% in rating A and 0.3108% for B bracket. Considering that all sales were made on installments table 1 shows adjusted gain calculations (see equation 3) of these four customers.

By multiplying risk bracket loss likelihood by total sales on installments of each customer, we obtain expected loss amount for each customer (equation 4 and 5). By subtracting this G amount (in reais) from Table 1 we have adjusted gain to credit risk for each customer (equation 6), in other words, the formula numerator. Table 2 shows mentioned calculations.

It becomes necessary to establish the confidence level and standardized variable Z in order to calculate the model's denominator. For confidentiality reasons, recovery rate was not informed at company request, therefore, it is not possible to inform its net loss (LGD). However, it is known that the company seeks not to lose more than 0.15% of sales, generating a 99.85% confidence level. Therefore, Z value, according to normal distribution, is 2.9677. Through equation 9 we have standard deviation values for each customer: Empreiteira Simao and Informatica real time (1.0409%); Mercearia do Joao (3.8448%); and JJRR Eletrodomesticos (7.4960%). Expected loss having already been calculated, c stipulated and standard deviation informed before, by equation 8 unexpected loss for each customer is calculated. Having calculated expected loss and unexpected loss it is possible to calculate VAR (See equation 11 and 7), or the formula denominator, consequently, profitability value adjusted to credit risk for each customer.

Definitive proposed profitability measure value (equation 12) is obtained with average credit restoration time adjustment (PMR'). In this example, the ratio ([L.sub.i]/[E.sub.i]) of equation 13 must be multiplied by 180, since we are working with a six-month history. At last, the 11.25% p.a. value of SELIC rate was used as risk-free rate for RAGOC measure adjustment. In table 4 we have RAGOC calculation.

Table 5 shows a summary of analyzed customers' profitability rates and from DRE analysis and wholesaler-distributor's Balance sheet, we arrived at its RSI overall performance measure that was around 34% in the last six months. When this measure is adjusted by average reception time we have a 33.63% figure.

In a decision situation on credit limit increase of these four customers, the traditional credit analysis view would indicate to grant a greater limit to Empreiteira Simao or Informatica real time because they have the lowest credit risk, considering that their sizes are similar. However, through table 5 it is possible o reach some conclusions that contradict this view:

1) Even Informatica real time having the lowest risk level (AAA), when compared to its credit extension profitability by proposed model (RAGOC or RAGOC) with the company's overall performance measure (RSI), it is not viable not even if the company grants it a loan, because its 30.96% RAGOC or its 27.94% RAGOC is lower than the company's 33.63% RSI.

2) The company with the highest credit risk, JJRR Eletrodomesticos in rating B, is the company that has the highest profitability measures, both RAGOC and RAGOC. Therefore, considering the sizes of all company equal, it should be the company with the highest credit limit, unlike the traditional view that would grant higher volumes to Informatica real time and Empreiteira Simao.

4.2 Decision-Making According to Proposal 2

In a first moment, it becomes interesting to show how the definitive profitability measure (RAGOC') behaves in relation to the company's risk classes. Table 6 presents how willing customers are in relation to credit risk ratings, as well as some descriptive statistics of RAGOC' variable. When analyzing the number of customers in each risk rating and their frequency, it is evidenced that a large part (approximately 74%) have a low degree of risk (AAA and AA). The closeness of averages and medians within risk classes shows that, internally, RAGOC' variable distribution is relatively symmetrical.

By means of RAGOC' variable standard deviation in each risk class, it is possible to obtain the variation coefficient described in Table 6. This measure allows identifying homogeneity within each risk class. It is evidenced that AAA customers' variation coefficient is low in comparison to other risk ratings, with growth trend up to A rating, in order to reduce later and grow again to class B. From class CCC, heterogeneity within the class increases when compared to rating AAA. This information demonstrates that lowest risk customers (AAA to A) are more homogenous in terms of profitability when comparing them to the highest risk customers (CC and C).

There could be several profitability rating proposals: from statistical measure-based categorization to subjective classification with theoretical base a priori. In order to simplify understanding, it is proposed in this application to divide RAGOC variable distribution into decis according to the amount of the sample customers. In table 7 we have that ratings follow the traditional nomenclature (by letters) and the classification score in each rating is based on RAGOC' variable value: as an example, values with RAGOC' over 581.57% are classified in AAA, and customers below 34.09% are classified in D. Note that at ends, in AAA and D, profitability distributions are not so symmetrical as in classifications by credit risk.

From the company's financial statements, it is verified that overall performance measure (RSI) was 33.63% in the last six months. This information translates that the entire inventory at risk in the company generates gain at a 33.63% rate. So, decision-making on credit by using this profitability rating (Table 6) could be from not extending limit to customers in ratings D, taking into account that these customers are with a lower return than obtained by the company through its other assets.

The logic of this conclusion does not suggest stopping selling on installments to customers below the barrier rate, but in the following meaning: in credit constraint conditions, customers below the barrier rate will always be the last on the list of priorities for extension.

4.3 Decision-Making According to Proposal 3

A joint classification that takes into account credit risk and profitability may undergo as many variations as there are individual classification proposals. As an extension of profitability classification by decis and discussed in the previous section, we have Table 8, where absolute cross frequency between risk and profitability ratings are evidenced.

Table 8 brings decisive information for credit decision-making: lowest risk customers are those presenting greater profitability, however, this statement is not a general rule. There low credit risk customers presenting low or even negative profitability, as well as there are high risk and good profitability customers. When very low risk customers (AAA) are analyzed, it is noticed that there are 94 customers with profitability in classification C (low) and 174 with classification D (negative).

Considering that the target of studied company is a 0.15% net loss, customers above B risk rating would have approved credit, so totaling 659 customers. However, a large part of customers (above C rating) are with higher profitability than the company's RSI (33.63%), which allows concluding that they could have approved credit even being in a non-acceptable risk level by it.

Table 9 supplements the preceding information by segregating RAGOC' variable average by profitability and risk brackets. The presence of some negative profitability is observed in this Table. Thus, overall system performance can be optimized by excluding customers that present negative gain.

5. FINAL CONSIDERATIONS

The purpose of the work was to present trade credit extension profitability measurement having as a theoretical foundation the Theory of Constraints (TOC). By TOC theoretical grounding that the main purpose of an organization is to make money today and always, it was possible to direct the study to calculation of an overall performance measure for the credit decision-making process. Thereby it is sought to cause companies to see the need for them to get out of the credit risk only when extending credit, to the profitability focus of this extension, in other words, "get out of the worlds of risk and go into the world of gains".

By means of calculating credit extension index for a company in the wholesaler-distributor branch, the conclusion was reached that, in some situations, extension to low-risk customers was not viable because the extension profitability was low when this index was compared to the return on the company's investment.

The contrary also proved to be true, namely, high-risk customers with high credit extension profitability rates, but that were not receiving credit from the company, or it was restricting offered amount. In this situation, credit extension in terms of profitability would be viable for these high-risk customers, while when verifying their risk only it would not be possible to reach this same conclusion.

By practical application of the model it was possible to conclude that credit extension decision must not only consider credit risk and the size of the customer, because it may be decreasing the wealth of its shareholders. Therefore, joint credit extension analysis by credit risk classification and the profitability index of the extension becomes necessary and fundamental so that companies will make more correct financial decisions and that these decisions will bring wealth increase to their shareholders.

And as shown, it is also possible to conclude that once the profitability index is calculated, it may provide the credit manager with an important point in the credit extension decision-making process. In some cases this indicator may have a more relevant contribution in the decision-making process than other analyzed factors, mainly when a customer has a high risk and high profitability, or low risk and negative/low profitability.

REFERENCES

ALTMAN, E. I.; HALDEMAN, R. Corporate credit scoring models: approaches and tests for successful implementation, Journal of commercial lending, p. 10-22, May 1995.

ALTMAN, E. I.; SAUNDERS, A. Credit risk measurement: developments over the last 20 years. Journal of banking & finance, v. 21, p. 1721-1742, 1998.

AUSSENEGG, W.; MIAZHYNSKAIA, T. Uncertainty in value-at-risk estimates under parametric and non-parametric modeling, Financial Markets and Portfolio Management, v. 20, n. 3, p. 243-264, September 2006.

BAMS, D.; LEHNERT, T.; WOLFF, C. C. P. An evaluation framework for alternative VAR models, Journal of International Money and Finance, v. 24, n. 6, p. 944-958, October 2005.

BRENNAN, M. J.; MIKSIMOVIC, V. ZECHNER, J. Vendor Financing, The journal of finance, v. 43, n. 5, p. 1127-1141, Dec. 1988.

CAOUETTE, J. B.; ALTMAN, E.; NARAYANAN, P.; NIMMO, R. W. Gestao do risco de credito: o proximo grande desafio financeiro. 2. ed., Rio de Janeiro: Qualitymark, SERASA, 2009.

CHRSTOFFERSEN, P.; HAHN, J.; INOUE, A. Testing, comparing, and combining value-atrisk measures. Working Paper, University of Michigan, October 1999. Available at: <http://www.ssrn.com>. Access on 04/06/2010.

CROUHY, M.; GALAI, D.; MARK, R. Gerenciamento de risco: abordagem conceitual e pratica: uma visao integrada dos riscos de credito operacional e de mercado. Rio de Janeiro: Qualitymark; Sao Paulo: Serasa, 2004.

FERRIS, J. S. A Transactions Theory of Trade Credit Use, Quarterly Journal of Economics, v. 96, n. 2, p. 243-270, May 1981.

GOLDRATT, E. M. A sindrome do palheiro: garimpando informacao num oceano de dados. Sao Paulo: Educador, 1992.

GUERREIRO, R. A meta da empresa: seu alcance sem misterios. Sao Paulo: Atlas, 1999.

JORION, P. Value at risk: A nova fonte de referencia para o controle do risco de mercado. Sao Paulo: BM&F, 1998.

LEMGRUBER, E. J.; OHANIAN, G. O modelo de projecao de volatilidade do riskmetricsTM e a hipotese de distribuicao normal condicional para alguns fatores de risco no Brasil. In: LEMGRUBER, E. J. CARVALHAL DA SILVA, A. L.; LEAL, R. P. C.; COSTA JUNIOR, N. C. A. Gestao de risco e derivativos: aplicacoes no Brasil. Sao Paulo: Atlas, 2006.

MELTZER, A. H. Mercantile credit, monetary policy and size of firms, The review of Economics and Statistic, v. 42, n. 4, p. 429-437, Nov. 1960.

PADOVEZE, C. L. Controladoria Avancada. Sao Paulo: Pioneira Thomson Learning, 2005.

PARKINSON, K. L.; OCHS, J. R. Using credit screening to manage credit risk, Business Credit, p. 23-27, March 1998.

PETERSON, M. A.; RAJAN, R. G. Trade credit: theories and evidence, The review of financial studies, v. 10, n. 3, p. 661-691, Autumn, 1997.

RAJAN, R. G; ZINGALES, L. What do we know about capital structure? Some evidence from international data, The journal of finance, v. 50, n. 5, p. 1421-1460, Dec., 1995.

SAUNDERS, A. Medindo o risco de credito: novas abordagens para value at risk e outros paradigmas. Rio de Janeiro: Qualitymark, 2000.

SCHRICKEL, K. W. Analise de credito: concessao e gerencia de emprestimos. 2. ed., Sao Paulo: Atlas, 1995.

SCHWARTZ, R. A. An economic model of trade credit, The journal of financial and quantitative analysis, v. 9, n. 4, p. 643-657, Sep. 1974.

SECURATO, J. R. (Coord.). Credito: analise e avaliacao do risco--pessoas fisicas e juridicas. Sao Paulo: Saint Paul, 2002.

SMITH, J. K. Trade credit and informational asymmetry, The journal of finance, v. 42, n. 4, p. 863-872, Sep. 1987.

THOMAS, L. C.; EDELMAN, D. B.; CROOK, J. N. Credit scoring and its applications. Philadelphia: SIAM, 2002.

Dany Rogers Silva ([dagger])

Federal University of Uberlandia

Karem Cristina de Sousa Ribeiro ([OMEGA])

Federal University of Uberlandia

Hsia Hua Sheng ([yen])

Getulio Vargas Foundation

Received on 07/10/2009; reviewed on 06/01/2010; accepted on 10/14/2010; available in 04/29/2011

Author's correspondence*:

([dagger]) Master in Administration by the School of Management and Business of the Federal University of Uberlandia.

Link: Federal University of Uberlandia

Address: Rua Antonio Salviano de Rezende. 1544, Apt. 01, Uberlandia--MG-38408-228

E-mail: DanyrogersigjPontal.Ufu.Br

Telephone: (34) 8836-9997

([OMEGA]) Post-Doctorate in Administration/ Finances by the School of Economics, Administration and Accounting of the University of Sao Paulo--FEA/USP.

Link: Federal University of Uberlandia

Address: Rua Joao Ramalho, 86, Apt. 100, Uberlandia-Minas Gerais-CEP 38408-668

E-mail: Kribeiro@Ufu.Br

Telephone: (34) 3211-5197

([yen]) Doctor In Administration (Finances) By Getulio Vargas Foundation

Link: Getulio Vargas Foundation.

Address: Rua Itapeva, 474, 8th Floor, Department CFC, Sao Paulo--SP--CEP 01332-000, Brazil..

E-mail: Hsia.Sheng@Fgv.Br

Telephone: (11) 9558-2669

Editor's Note: This paper was accepted by Antonio Lopo Martinez.
TABLE 1--ADJUSTED CUSTOMERS' GAIN

 Customer       Revenues           CTV        G (in reais)   G (in %)

Empreiteira   R$   4.742,42   R$   4.649,41   R$    93,01      1,96
Simao
Informatica   R$ 109.742,08   R$ 109.160,28   R$   581,80      0,53
real time
Mercearia     R$  77.204,90   R$  72.394,78   R$ 4.810,12      6,23
do Joao
JJRR Eletro   R$  21.121,38   R$  17.038,26   R$ 4.083,12     19,33
domesticos

Source: Prepared by authors.

TABLE 2--ADJUSTED GAIN TO CUSTOMERS' CREDIT RISK

       Customer             Loss         GA

Empreiteira Simao         R$  0,28   R$    92,73
Informatica real time     R$  6,54   R$   575,26
Mercearia do Joao         R$ 62,86   R$ 4.747,26
JJRR Eletrodomesticos     R$ 65,65   R$ 4.017,48

Source: Prepared by authors.

TABLE 3--CUSTOMERS' RAGOC

      Customer              PI            VAR       RAGOC (in %)

Empreiteira Simao       R$    80,57   R$    80,29      115,49
Informatica real time   R$ 1.864,55   R$ 1.858,00      30,96
Mercearia do Joao       R$ 4.845,09   R$ 4.782,23      99,27
JJRR Eletrodomesticos   R$ 2.584,28   R$ 2.518,64      159,51

Source: Prepared by authors.

TABLE 4--CUSTOMERS' RAGOC'

      Customer               L         [G.sub.i]    PMR'    RAGOC'
                                                            (in %)

Empreiteira Simao       R$ 12.116,86     0,39      459,90   88,05
Informatica real time   R$ 48.000,00     2,29      78,73    27,94
Mercearia do Joao       R$ 10.000,00     7,72      23,31    97,90
JJRR Eletrodomesticos   R$  7.000,00     3,02      59,66    154,97

Source: Prepared by authors.

TABLE 5--CUSTOMER RATE SUMMARY

      Customer          Rating   GA (%)   RAGOC (in %)  RAGOC' (in %)

Empreiteira Simao        AAA     1,96%      115,49         88,05
Informatica real time    AAA     0,53%       30,96         27,94
Mercearia do Joao         A      6,23%       99,27         97,90
JJRR Eletrodomesticos     B      19,33%     159,51         154,97

Source: Prepared by authors.

TABLE 6--DESCRIPTIVE STATISTICS OF RAGOC' SAMPLE BY RISK RATING

Risk Rating      No.      Frequency   Average   Median    Variation
              Customers      (%)                           Coeff.

    AAA         3.904      41,60%     422,82%   427,52%    54,43%
    AA          3.073      32,80%     231,57%   238,72%    59,32%
     A          1.141      12,20%     113,16%   118,95%    69,11%
    BBB          410        4,40%     108,57%   108,45%    56,88%
    BB           194        2,10%     107,34%   112,85%    51,52%
     B           274        2,90%     73,41%    69,58%     73,98%
    CCC          156        1,70%     43,14%    44,31%     65,17%
    CC           196        2,10%     20,97%    21,45%     70,17%
     C           33         0,40%     11,67%    11,04%     164,68%
   Total        9.381      100,00%    275,89%   240,74%    91,58%

Source: Prepared by authors.

TABLE 7--SAMPLE PROFITABILITY RATING

Profitability    RAGOC' Bracket    Average   Median    No. Customers
   Rating

     AAA           > 581,57%       715,44%   680,17%        938
     AA         581,57%-456,43%    514,85%   513,14%        938
      A         456,42%-370,07%    411,48%   409,88%        938
     BBB        370,06%-300,39%    335,05%   336,22%        938
     BB         300,38%-240,78%    270,19%   270,42%        938
      B         240,77%-182,81%    211,65%   211,32%        938
     CCC        182,80%-135,39%    158,84%   158,64%        938
     CC         135,38%-88,85%     111,83%   111,62%        938
      C          88,84%-34,09%     61,67%    61,95%         938
      D             < 34,09%       -32,03%    1,79%         938
    Total                          275,89%   240,74%       9.380

Profitability   Frequency (%)
   Rating

     AAA            10,0%
     AA             10,0%
      A             10,0%
     BBB            10,0%
     BB             10,0%
      B             10,0%
     CCC            10,0%
     CC             10,0%
      C             10,0%
      D             10,0%
    Total          100,0%

Source: Prepared by authors.

TABLE 8--PROFITABILITY MATRIX AND RISK OF SAMPLE CUSTOMER AMOUNT

Profitability                                 Risk Rating
   Rating        AAA     AA       A     BBB       BB         B    CCC

     AAA         915     22       0      0         0         1     0
     AA          824     114      0      0         0         0     0
      A          637     299      2      0         0         0     0
     BBB         438     492      7      0         1         0     0
     BB          300     589     42      6         1         0     0
      B          219     504     163    37        14         2     0
     CCC         176     361     251    98        40        12     0
     CC          127     263     275    122       75        68     8
      C          94      196     224    102       40        153   95
      D          174     233     177    45        23        38    53
    Total       3.904   3.073   1.141   410       194       274   156

Profitability
   Rating       CC    C

     AAA         0    0
     AA          0    0
      A          0    0
     BBB         0    0
     BB          0    0
      B          0    0
     CCC         0    0
     CC          0    0
      C         33    1
      D         163   32
    Total       196   33

Source: Prepared by authors.

TABLE 9--PROFITABILITY MATRIX AND RAGOC AVERAGE RISK

Profitability                                       Risk Rating
   Rating         AAA        AA         A       BBB        BB

     AAA        716,48%    677,04%
     AA         516,47%    503,13%
      A         413,98%    406,19%   406,16%
     BBB        337,12%    333,24%   335,29%             317,52%
     BB         271,69%    270,05%   263,91%   256,15%   250,60%
      B         213,27%    213,62%   206,02%   205,02%   200,30%
     CCC        159,50%    160,43%   158,03%   156,49%   155,03%
     CC         112,61%    112,20%   112,14%   111,19%   113,43%
      C          62,66%    62,25%    64,17%    63,35%    66,92%
      D         -105,08%   -53.15    -20,27%    0,66%     2,92%
    Total       422,82%    231,57%   113,16%   108,57%   107,34%

Profitability
   Rating          B       CCC       CC       C

     AAA        611,71%
     AA
      A
     BBB
     BB
      B         199,00%
     CCC        150,05%
     CC         108,50%   100,21%
      C         62,65%    55,07%   41,64%   47,12%
      D          8,98%    13,12%   16,79%   10,56%
    Total       73,41%    43,14%   20,97%   11,67%

Source: Prepared by authors.


1. INTRODUCAO

O papel do gestor financeiro e de fundamental importancia em um contexto de constantes mudancas, principalmente nas funcoes de analise e planejamento financeiro, decisoes de investimentos e financiamentos. Isso porque ele e o responsavel pela gestao de todo o capital da organizacao e, em consequencia, por sua adequacao a um menor nivel de risco possivel.

Em uma pesquisa realizada por Rajan e Zingales (1995) nos paises do G-7, constatouse que o credito representa de 11.5% (Alemanha) a 17% (Franca) de todas as obrigacoes das empresas comerciais. Todavia, apesar desta importancia e do grande arcabouco teorico sobre trade credit, pouco se produziu em termos de testes empiricos, isso, principalmente, devido a escassez de dados.

Em organizacoes empresarias a tomada de decisao de credito, geralmente, e baseada no risco de credito e no potencial de negocios do cliente. Tradicionalmente, para o calculo do valor do limite de credito disponibilizado ao cliente, utilizam-se referenciais de grandeza (classificacao de porte): faturamento bruto, capital social, volume de compras realizado no mercado etc; e o risco de credito. Assim, consegue-se ter um ponto de equilibrio em que a concessao de credito esteja adequada ao perfil de risco e potencial de negocios do cliente. Outro fator importante e que nestas empresas o tratamento do credito como investimento nem sempre e possivel, principalmente, por falta de ferramentas. Dessa forma, a hipotese do trabalho e que a concessao do credito e realizada independentemente se o montante de limite utilizado pelo cliente esteja sendo rentavel ou nao para a empresa concedente.

A rentabilidade obtida por meio dos emprestimos realizados pelas instituicoes financeiras e usualmente avaliada e existem modelos financeiros disponiveis para obtencao deste resultado, como por exemplo o modelo RAROC. Entretanto, nas empresas, quando o calculo da rentabilidade da concessao de credito se faz necessario, nao existe um modelo especifico que possibilite essa mensuracao.

Assim, surge o seguinte problema de pesquisa: Como a rentabilidade do trade credit ajustado ao risco de credito pode ser mensurada? Qual a influencia que este indice pode exercer sobre o processo de tomada de decisao de concessao de credito?

Propoe-se para a resolucao destas questoes o desenvolvimento de um modelo que mensure a rentabilidade da concessao do credito comercial ajustado ao risco de credito, e para isso, sera adotado o conceito de rentabilidade da Teoria das Restricoes (TOC) e o modelo RAROC (Risk-Adjusted Return on Capital) para o seu calculo. A aplicacao do modelo foi realizada numa empresa do ramo atacadista-distribuidor.

Para a medicao do desempenho da concessao de credito justifica-se a adocao da metodologia do RAROC que relaciona o retorno sobre o capital oferecido por uma transacao, ou negocio, a taxa de risco do investimento, ou seja, o retorno sobre o capital ajustado ao risco (CROUHY, GALAI e MARK, 2004).

Com a exclusao desta introducao, o artigo esta estruturado em quatro secoes: a segunda parte far-se-a a descricao do referencial teorico do trabalho; a parte tres tera como objetivo apresentar o modelo proposto; na quarta secao far-se-a a aplicacao pratica do modelo em uma empresa comercial do ramo atacadista-distribuidor; e a secao cinco ficara para as consideracoes finais do trabalho.

2. ENTENDENDO O CREDITO E A TOC

A politica de credito divide-se, usualmente, em tres partes: condicoes de credito, analise de credito e politica de cobranca. O credito pode tambem ser subdividido em credito bancario e credito comercial, alem de credito para pessoas fisicas e credito para pessoas juridicas. Cada qual destas subdivisoes tem as suas particularidades e tratamento dentro da literatura. Este trabalho tem como foco, apenas, a analise de credito e o credito comercial.

Na literatura sobre trade credit prevalece algumas teorias que explicam a sua existencia e uso: motivo financiamento, motivo discriminacao de precos e motivo transacao.

No motivo financiamento os fornecedores de credito tem vantagens sobre as instituicoes financeiras, pois o trade credit lhe permite possuir vantagens nas aquisicoes de informacoes dos clientes e um maior controle sobre os compradores e salvamento de mercadores/valores para uma posterior recolocacao destas mercadorias no mercado. Dai a justificativa para o seu uso pelas empresas comerciais (SCHWARTZ, 1974; PETERSON e RAJAN, 1997).

Pelo motivo discriminacao de precos os fornecedores de credito podem oferecer para diferentes clientes diversos niveis de precos, precificando o emprestimo de acordo com o risco da operacao, o seu prazo de vencimento e as expectativas de contratos futuros com o cliente (BRENNAN, MIKSIMOVIC e ZECHNER, 1988; PETERSON e RAJAN, 1997).

Na teoria de transacao do trade credit, como ha duas transacoes na operacao (das mercadorias para o emprestimo e do emprestimo para o pagamento), e possivel os compradores organizarem os seus pagamentos com uma maior certeza, separando-lhes em ciclos, eliminando a necessidade da reserva de caixa para precaucao (FERRIS, 1981; PETERSON e RAJAN, 1997).

Para Peterson e Rajan (1997), os fornecedores sao melhores especialistas do que as instituicoes financeiras na avaliacao e controle do risco de credito de seus compradores. Mas afinal, o que e risco de credito? Como ele e mensurado?

O principal objetivo da analise de credito e o de verificar a compatibilidade da solicitacao de credito do tomador com a sua capacidade financeira e de pagamento. Nesta etapa da politica de credito a avaliacao do risco se torna uma das suas principais analises.

O risco de credito pode ser definido como a probabilidade da concedente de credito nao receber do devedor no prazo e nas condicoes estipuladas. Segundo Saunders (2000), pode-se dividir a avaliacao do risco de credito nas abordagens tradicionais: sistemas especialistas, ratings e modelos de credit scoring; e em novas abordagens para medicao do risco de credito, destacando-se os modelos de risco de portfolio, tais como o Modelo Credit Monitor da KMV, o CreditMetrics do J. P. Morgan, o CreditRisk+ da Credit Suisse e o modelo RAROC. Para este trabalho serao importantes os modelos de credit scoring, o modelo RAROC e o CreditRisk+.

Conforme Altman e Haldeman (1995, p. 11, traducao nossa), "a desconfianca sobre a consistencia das pontuacoes de credito subjetivas e um desejo por 'definicoes' matematicas para tais pontuacoes [...] tem gerado interesse em modelos objetivos e reprodutiveis", tais como o credit scoring e o CreditRisk+.

De acordo com Saunders (2000), destacam-se sete motivos principais para o subito surto de interesse no desenvolvimento de modelos estatisticos de medicao do risco de credito: aumento estrutural de falencias; desintermediacao financeira; margens mais competitivas; valores declinantes e volateis de garantias reais; crescimento de derivativos extrabalanco; tecnologia; e exigencias de orgaos reguladores.

E de acordo com Altman e Saunders (1998), os academicos e praticantes do mercado tem respondido da seguinte maneira: com o desenvolvimento de novos e mais sofisticados sistemas de credit scoring; com uma alteracao em direcao da analise individual de risco de credito para o desenvolvimento de medidas de risco de concentracao de credito; com o desenvolvimento de novos modelos de precificacao de risco de credito (RAROC); e por meio do desenvolvimento de modelos para uma mensuracao melhor de instrumentos extrabalanco.

Os modelos de credit scoring tem como objetivo principal definir a probabilidade de um cliente tornar-se inadimplente, isto e, vir a ser um bom ou mau pagador com base em suas caracteristicas. Para isso, eles atribuem pesos estatisticamente predeterminados para certos atributos dos solicitantes de credito, gerando assim um escore/pontuacao para cada cliente. Caso o cliente tenha um escore maior que o ponto de corte (escore minimo para aprovacao do credito), o credito devera ser aprovado, caso contrario, ele sera reprovado.

Estes sistemas sao divididos em duas categorias: modelos de aprovacao de credito ou credit scoring e modelos de escoragem comportamental, conhecidos tambem como behavioral scoring (CAOUETTE et al, 2009). No credit scoring faz-se a classificacao das solicitacoes de credito de novos proponentes e o behavioral scoring e um sistema de escore com base na analise comportamental do cliente.

Conforme alguns autores (CAOUETTE et al, 2009; THOMAS et al, 2002; ALTMAN e SAUNDERS, 1998; PARKINSON e OCHS, 1998) as principais vantagens dos modelos de credit scoring sao: permite revisoes constantes de credito; tendem a eliminar praticas discriminatorias de concessao; sao objetivos e consistentes; sao simples, de facil interpretacao e instalacao; proporciona uma maior eficiencia no tratamento dos dados externos e nos processos de concessao; e permite uma melhor organizacao das informacoes. E as suas desvantagens sao: degradacao com o passar do tempo caso a populacao a ser aplicado o modelo seja divergente da populacao original quando do seu desenvolvimento; excesso de confianca dos usuarios; e falta de dados e informacoes causam problemas na sua utilizacao.

O CreditRisk+, elaborado pelo Credit Suisse em 1997, e "um modelo de modo de inadimplencia" (SAUNDERS, 1998, p. 73), ou seja, somente o risco de inadimplencia e modelado, "nao ha risco de mudanca de rating" (SECURATO, 2002, p. 286). Para calcular o risco no CreditRisk+, primeiro faz-se uma avaliacao das incertezas (da probabilidade de default e da intensidade das perdas), e somente depois essas estimativas geram uma distribuicao das perdas de toda a carteira de emprestimos. Ao mensurar o percentual de perda em cada rating de credito, encontra-se a distribuicao das perdas por inadimplencia de toda a carteira.

O calculo da rentabilidade proposto no artigo basear-se-a no modelo RAROC, sendo este uma metodologia de retorno sobre o capital investido ajustado ao risco, que "revela o montante de capital economico necessario para cada linha de negocios, produto ou cliente - e como essas necessidades criam o retorno total sobre o capital produzido pela empresa" (CROUHY, GALAI e MARK, 2004, p.467). Todavia, neste modelo ajusta-se o numerador para captar a perda esperada com a transacao e o denominador para refletir o efetivo investimento em risco.

Sob o ponto de vista do RAROC, a mensuracao do retorno sobre o capital investido no cliente (leia-se neste caso o credito concedido ao cliente) sera ajustado unicamente ao risco de credito. E sob o ponto de vista da TOC, em condicoes de restricoes de credito, justifica-se a adocao do conceito de rentabilidade priorizando a concessao para clientes que proporcionem maior retorno sobre o investimento (maior rentabilidade na concessao de credito).

As premissas da TOC (Theory of Constraints) foram estruturadas para problemas da linha de producao, entretanto, rapidamente adentraram nas mais diversas areas do conhecimento gerencial e em diferentes setores (PADOVEZE, 2005). Ela generaliza o pensamento da otimizacao em tres principios:

1) A empresa e um sistema, um conjunto de elementos entre os quais existe uma relacao de interdependencia, em que cada elemento depende do outro de alguma forma e, assim, o desempenho global do sistema depende dos esforcos conjuntos de todos os seus elementos;

2) O alvo das empresas deve ser ganhar dinheiro, hoje e no futuro; e

3) Toda empresa, no processo de atingir sua meta, apresenta sempre uma ou mais restricoes, pois, se nao as apresentasse, seu desempenho seria infinito.

Uma restricao na TOC e qualquer coisa que limita um melhor desempenho de um sistema, como o elo mais fraco de uma corrente, ou alguma coisa que nao se tem suficiente (GOLDRATT, 1992). Assim, normas, procedimentos, praticas, mercados fornecedores, equipamentos, materiais, pedidos, pessoas e credito pode ser uma restricao.

Normalmente, as restricoes que estao relacionadas com materiais e capacidade de producao sao visualizadas com facilidade, ja as restricoes de comportamento e gerenciamento, que tambem existem nas empresas, nao sao usualmente reconhecidas como limitadoras de recursos (GUERREIRO, 1999), como o caso do credito.

Existe um processo geral de tomada de decisao empresarial para que a TOC funcione e os cinco passos para isso sao: identificar as restricoes do sistema, decidir como explorar as restricoes do sistema, subordinar qualquer outra coisa a decisao anterior, elevar as restricoes do sistema e, por ultimo, se nos passos anteriores uma restricao for quebrada, volte ao passo 1. (GOLDRATT, 1992)

A TOC condena o uso de medidas fisicas para mensuracao do desempenho, insistindo nas medidas financeiras. Sao tres as medidas-chave principais para mensuracao dos resultados na TOC: ganho (G), inventarios (I) e despesas operacionais (DO). O ganho e o indice pelo qual o sistema gera dinheiro atraves das vendas, ou seja, e a receita de vendas (R) menos o custo totalmente variavel (CTV). Os inventarios e todo dinheiro investindo na compra de coisas que se pretende vender e as despesas operacionais e todo dinheiro gasto na transformacao do inventario em ganho.

Pode-se dizer que o objetivo da TOC e maximizar o ganho enquanto minimiza os inventarios e as despesas operacionais. Para a TOC as medidas voltadas para a mensuracao do desempenho global da empresa (meta) sao: lucro liquido (LL), retorno sobre o investimento (RSI) e fluxo de caixa. O fluxo de caixa e considerado como mais uma situacao financeira para a sobrevivencia da empresa do que, propriamente, uma medida de desempenho.

As medidas LL e RSI no contexto da TOC podem ser observadas abaixo:

LL = G - DO (1)

RSI = (G-O)/I (2)

3. MODELO DA RENTABILIDADE DA CONCESSAO DO CREDITO COMERCIAL

Os modelos tradicionais de concessao de credito geralmente levam em consideracao e/ou dao maior importancia ao risco de credito do cliente e ao seu potencial de negocios, assim, a tomada de decisao em conceder ou nao credito e o quanto conceder relaciona-se com a classificacao de bom/mau pagador.

Para ter-se uma base de quao falha pode ser a decisao de concessao de credito nesta abordagem, considere a seguinte situacao. Dois clientes de uma empresa comercial X candidatam-se para aumentar os seus respectivos limites de credito. Como estes clientes estao na mesma faixa de porte, os analistas verificam entao a classe de risco do cliente e constata que o cliente Y possui rating A e o cliente Z rating D. Os analistas da area, mais que prontamente, liberam um limite maior ao cliente Y em contraposicao ao cliente Z.

Entretanto, ao analisar o historico de compras dos dois clientes nos ultimos anos verifica-se que o cliente Z adquire essencialmente produtos eletroeletronicos que produzem uma rentabilidade media anual para a empresa de 18%, e o cliente Y compra, praticamente, produtos alimenticios que contribuem para a empresa com uma rentabilidade media anual de 5%.

Assim, surgem as seguintes questoes: quao maior e o risco de credito do cliente Z, em relacao ao cliente Y, que compensa um maior limite de credito a ele em contraposicao ao cliente Z? Sera que a concessao de credito feita levando em consideracao apenas o seu risco e porte e a mais adequada?

3.1 O Numerador da Formula

O trabalho tem o proposito de ajustar o RAROC ao conceito de ganho da TOC, de maneira que o ganho obtido pela diferenca entre receitas de vendas e seus custos totalmente variaveis (CTVi) sejam diminuidos pela perda esperada com o credito concedido. Tem-se que no numerador do RAROC obtem-se o lucro ajustado numa transacao de emprestimo por meio da soma do spread com as taxas e comissoes subtraindo as perdas esperadas e os custos operacionais.

O motivo da consideracao do ganho (margem de contribuicao) como medida de rentabilidade, e nao qualquer outra medida que embute alocacao de custos fixos, justifica-se pela TOC. Segundo esta teoria, independente da venda ou nao para o cliente, ou da efetuacao ou nao da transacao, os custos fixos nao deixam de existir e nao diminuem, pelo menos, no curto prazo.

Seguindo esta logica, o ganho ajustado (GAi) em decorrencia do risco de credito seria:

[GA.sub.i] = [R.sub.i] - [CTV.sub.i] - [P.sub.i] (3)

Onde, Ri seria as receitas provenientes das vendas, [CTV.sub.i] os custos totalmente variaveis e Pi as perdas esperadas devido ao risco de credito do cliente i.

Devem entrar no calculo dos ganhos todas as Receitas de Vendas (Ri), independente da condicao de pagamento. Poderia justificar-se a entrada no calculo apenas das vendas a prazo, pois seriam elas os verdadeiros investimentos feitos em decorrencia da concessao de credito. Contudo, o relacionamento com o cliente obtido pela concessao do credito produz para a empresa concedente tambem as vendas a vista, e este relacionamento, provavelmente, seria interrompido, se a empresa parasse de conceder credito ao cliente, perdendo assim toda fonte de ganho proveniente dele (vendas a vista e vendas a prazo).

No modelo proposto, para a estimativa Pi sera considerado que apenas a probabilidade de inadimplencia e modelada conforme o CreditRisk+, e que a empresa possui um sistema de credit scoring no qual e possivel obter essa probabilidade por classe de risco de credito. Nesse caso, pode-se estimar a perda esperada com o cliente da seguinte forma (SECURATO, 2002):

[P.sub.i] = [EDF.sub.j] x [LGD.sub.j] (4)

Onde, EDFj representa a probabilidade de inadimplencia do cliente dada a classe j de risco de credito em que o mesmo se encontra; e LGDj (loss give default) representa a perda dada a inadimplencia (em valores monetarios) do cliente em funcao da classe j de risco de credito que ele se encontra, ou seja, a perda liquida da empresa apos descontada a taxa de recuperacao.

Esta perda liquida, ou [LGD.sub.j], sera calculada como se segue:

[LGD.sub.j] = [E.sub.i] x (1 - [T.sub.j]) (5)

Onde, [E.sub.i] e o nivel de credito praticado no periodo, ou valor das vendas a prazo; e [T.sub.j] a taxa de recuperacao de credito na classe j de risco de credito em que se encontra o cliente i.

Para calculo da perda esperada pode-se mensurar a taxa de recuperacao historica tendo como base perfis semelhantes de clientes, por exemplo, mensura-se a taxa de recuperacao historica por rating de risco de credito. Assim, o numerador da formula seria:

[GA.sub.i] = [R.sub.i] - [CTV.sub.i] - [[EDF.sub.j] x [E.sub.i] (1 - [T.sub.j])] (6)

Caso todas as receitas da empresa sejam provenientes de vendas a prazo, o [R.sub.i] torna-se igual a [E.sub.i].

3.2 O Denominador da Formula

O valor do investimento em risco utilizado no denominador do modelo RAROC e calculado por alguma medida de VAR, e ela "mede a pior perda esperada ao longo de determinado intervalo de tempo, sob condicoes normais de mercado e dentro de determinado nivel de confianca" (JORION, 1998, p. 82). As projecoes sao feitas, geralmente, para um curto periodo de tempo e o intervalo de confianca e de 99% ou 95%.

A literatura financeira (JORION, 1998; CHRISTOFFERSEN, HAHN e INOUE, 1999; SAUNDERS, 2000; BAMS, JEHNERT e WOLFF, 2001; SECURATO, 2002; CROUHY, GALAI e MARK, 2004; AUSSENEGG e MIAZHYNSKAIA, 2006) discute duas abordagens para determinacao do VAR: (a) nao parametrica (simulacoes historicas); e (b) parametrica.

Na abordagem nao parametrica coletam-se informacoes sobre os niveis atingidos pelas variaveis de mercado a cada dia para um longo periodo do passado. E para obter o VAR, recalcula-se o valor de mercado da posicao financeira atual para cada um dos niveis historicos das variaveis de mercado, ate encontrar a pior perda no nivel de confianca desejado (LEMGRUBER e OHANIAN, 2006).

Na analise parametrica, a distribuicao dos lucros e/ou perdas do ativo e/ou passivo e estimada com base em dados historicos, ou determinada a priori a partir de uma distribuicao de probabilidade conhecida, como a normal ou t-Student. Nesse caso, sao obtidas estimativas das medias e desvios-padrao, e se tiver trabalhando com carteiras de ativos e/ou passivos obtem-se correlacoes das series dos lucros e/ou perdas. Esses parametros, utilizados tanto de forma analitica como em uma simulacao de Monte Carlo, permitem calcular a perda de pior hipotese no nivel de confianca desejado de uma posicao financeira.

Sera adotada uma medida de VAR parametrica no presente modelo. A Equacao 7 mostra o calculo do VAR em funcao das variaveis adotadas no modelo:

[VAR.sub.i] = [PI.sub.i] - [P.sub.i] (7)

Onde, [P.sub.i] e a perda esperada e [PI.sub.i] e a pior perda no nivel de confianca desejado, e seu calculo se da de acordo da seguinte maneira:

[PI.sub.i] = c x [[sigma].sub.j] x [LGD.sub.j] (8)

Sendo que [LGD.sub.j] ja foi definido na Equacao 5, c e a variavel padronizada Z com distribuicao normal e [[sigma].sub.j] representa o desvio-padrao da probabilidade de inadimplencia do cliente dada a classe j de risco de credito em que ele se encontra.

O valor do desvio-padrao da perda seria obtido pela aproximacao da distribuicao da binomial da seguinte forma:

[[sigma].sub.J] = [square root of ([EDF.sub.j](1-[EDF.sub.j])] (9)

Desse modo, a expressao geral do denominador do modelo sera:

[VAR.sub.i] = [c x [square root of ([EDF.sub.j](1-[EDF.sub.j]) x [E.sub.i] (1-[T.sub.j])]]-[[EDF.sub.j] x [E.sub.i] (1-[T.sub.j])] (10)

3.3 Filosofia da Formula Geral e Proposta de Ajuste

Chamada no trabalho de [RAGOC.sub.i] (risk-adjusted gain on credit) a formula geral da medida de decisao proposta resume-se como:

[MATHEMATICAL EXPRESSION NOT REPRODUCIBLE IN ASCII] (11)

Entretanto, caso nao esteja modelada na variavel Tj ou Ei, o fator tempo de pagamento das dividas do cliente para com a empresa pode impactar a tomada de decisao baseada na medida [RAGOC.sub.i].

Por exemplo, suponha que o cliente Oliveira Mercearia Ltda e Supermercado Pet Ltda sao semelhantes (risco de credito, limite de credito, negociacao media etc) e com a mesma estimativa [RAGOC.sub.i], exceto pelo fato de que o prazo medio de recebimento (PMR) do cliente Oliveira e de 30 dias e o do cliente Supermercado Pet de 60 dias. Neste caso, considerando o periodo de dois meses, o ganho obtido com o cliente Oliveira poderia ser incrementado sem risco adicional, pois basta reaplicar o ganho por mais 30 dias a taxa livre de risco (IF). Uma proposta natural e simples de ajuste para que o [RAGOC.sub.i] dos dois clientes se tornar comparavel seria transformar esta taxa para refletir o custo de oportunidade do dinheiro da empresa. Para isso, basta descontar a taxa [RAGOC.sub.i] por uma taxa livre de risco.

Considerando um horizonte anual (360 dias), a medida [RAGOC.sub.i] descontada ao custo de se investir sem risco ficaria da seguinte forma:

[MATHEMATICAL EXPRESSION NOT REPRODUCIBLE IN ASCII] (12)

Em que, RAGOC'i livremente chamou-se de adjusted risk-adjusted gain on credit do cliente i; [RAGOC.sub.i] e o risk-adjusted gain on credit (equacao 11); [PMR.sub.i] e o prazo medio de recebimento com o cliente i em dias; IF e a taxa anual livre de risco (podendo-se usar a

SELIC, CDI ou Poupanca).

O prazo medio de recebimento da empresa pode ser obtido mediante os balancos periodicos atraves da seguinte formulacao.

[PMR.sub.i] = 360 [ DR / V ] = 360 / [G.sub.i] (13)

Onde, DR representa a media das duplicatas a receber do ano analisado; V e o volume de vendas do ano analisado; e Gi representa o giro (rotacao) das duplicatas a receber (V / DR). A equacao 13 mostra o PMRi da empresa e nao de um cliente especifico, assim, para o calculo de um cliente isoladamente deve-se analisar os prazos de suas compras e ponderar pelo valor dos seus titulos.

No entanto, o PMRi como tradicionalmente calculado, pode acarretar serios problemas na presente proposta. Na pratica, as empresas comerciais concedem um "credito predeterminado e rotativo" para seus clientes: qualquer compra que nao exceda o limite de credito, em geral, e automaticamente aprovada.

Se o cliente A compra em media com 7,5 dias de prazo e tem um limite de R$ 10 mil reais, significa que ele pode comprar em torno de R$ 40 mil reais da empresa no mes sem necessariamente passar pela analise de credito, ou seja, ele tem um giro de 4 vezes o limite concedido ao longo do mes. Caso outro cliente B possui um limite de R$ 20 mil reais e raramente faz compras superiores a R$ 5 mil reais mensais, seu giro e de 0,25.

Em qualquer situacao, o investimento que esta exposto ao risco e o limite de credito concedido: o cliente A com limite de R$ 10 mil reais e utilizando-o completamente podera comprar ate este valor e tornar-se inadimplente e o cliente B, mesmo com limite de R$ 20 mil reais e nao superando esse patamar, podera fazer compras neste valor e deixar de paga-lo integralmente. Sob essa perspectiva, torna-se de fundamental importancia o conhecimento do giro do "credito rotativo" para extrair informacao do PMRi.. Para o modelo esta variavel nao tem mais o significado tradicional, mas traduzira o tempo que o limite de credito torna, mais uma vez, disponivel para ser usado pelo cliente. Nessas condicoes, supondo dados anuais de vendas, tem-se:

[PMR'.sub.i] = 360 [[L.sub.i]/[E.sub.i]] (14)

Em que, PMR'i representa o prazo medio de reconstituicao do limite de credito do cliente i em dias; [L.sub.i] e o limite de credito concedido ao cliente i; [E.sub.i] e o nivel de credito praticado, ou valor das vendas a prazo, pelo cliente i.A comparacao relevante a ser feita com base na medida [RAGOC'.sub.i] e entre clientes com diferentes riscos, pois do contrario bastaria analisar a taxa de ganho (G em %) e o prazo medio de reconstituicao do limite de credito (equacao 14). Para isso, considere que todas as compras sao a prazo de forma que [E.sub.i] = [R.sub.i]. Nesses termos, depois de rearranjo da equacao 11, tem-se a seguinte formula:

[MATHEMATICAL EXPRESSION NOT REPRODUCIBLE IN ASCII] (15)

Note que o segundo termo do numerador e o segundo termo do denominador sao iguais para todos os clientes na mesma faixa j de risco. O que diferencia a medida RAGOCi sem ajuste, nesse caso, e unicamente a taxa de ganho [(Ri - CTVi) / Ri] (Ver equacao 3). Quando se procede ao ajuste proposto na equacao 12, o ponto de diferenciacao e a variavel PMR'i (equacao 14). Assim, pode-se inferir que os principais determinantes da rentabilidade dos clientes sao a taxa de ganho e o giro do limite rotativo de credito ([E.sub.i] / [L.sub.i]).

3.4 Tomada de Decisao com RAGOC

Estimada a medida RAGOC'i (Equacao 12) para cada cliente da empresa, como proceder para tomada de decisao sobre concessao de credito tendo como base o modelo proposto? Propoem-se o trabalho tres formas de tomada de decisao a partir do modelo:

1) Mensurada a rentabilidade do credito de cada cliente, uma analise natural torna-se comparar esta rentabilidade entre os clientes por classificacao de risco (iguais e diferentes entre si).

2) A partir da estimativa da medida RAGOC'i adotada para cada cliente, pode-se classifica-los por ratings de rentabilidade. Assim, a partir de uma analise agregada de toda empresa, pode-se calcular a distribuicao de probabilidades das medidas RAGOC'i, e propor ratings das rentabilidades. Essa classificacao e flexivel o suficiente de forma a contemplar diversas propostas: 1) classificacao dos clientes independente do grau de risco; 2) categorizacao dos clientes por faixa de risco; 3) de posse da distribuicao de probabilidade da taxa [RAGOC'.sub.i], sob a hipotese 1 e 2, tem-se a opcao de segregar esta distribuicao: a) mediana; b) media; c) quartis; d) decis; ou e) outra classificacao estatistica. Ter-se-ia tambem a opcao de segregar a distribuicao de probabilidade de forma a classificar os clientes abaixo e acima de uma taxa de barreira.

3) A partir do [RAGOC'.sub.i] e das classificacoes de risco de credito faz-se uma classificacao conjunta por faixas de rentabilidade e risco de credito. Dessa forma, sob a hipotese de que a empresa tem um sistema de classificacao de risco, pode-se agregar essa classificacao com qualquer outra obtida na proposta 2.

4. APLICACAO PRATICA DO MODELO

Essa secao aplicara o modelo apresentado numa empresa comercial real do ramo atacadista-distribuidor. Para estimar as variaveis relevantes do modelo fez-se uso de uma base de dados de 9.381 clientes ativos. Para levantamento da amostra selecionaram-se os clientes ativos da empresa com um historico maior que 6 meses. Essa quantidade tem validade estatistica por ser representativa na quantidade total de clientes ativos da empresa e o periodo minimo de 6 meses de historico e justificavel por que este e o prazo necessario para calculo do behavioral scoring da empresa.

4.1 Tomada de Decisao Conforme Proposta 1

Para a aplicacao desta proposta foram selecionados quatro clientes da empresa com portes diferentes e ramos distintos de atuacao para detalhamento dos procedimentos de calculo da medida RAGOC (equacao 11 e 12): Empreiteira Simao, Informatica real time, Mercearia do Joao e JJRR Eletrodomesticos. A partir deste momento, a equacao 11 dar-se-a o nome apenas de RAGOC e a equacao 12 de RAGOC'.

Pelo sistema de credit scoring da empresa os quatro clientes selecionados tiveram a seguinte pontuacao: Empreiteira Simao e a Informatica real time na faixa AAA, a Mercearia do Joao no rating A e a JJRR Eletrodomesticos no rating B. A probabilidade de perda em cada rating e: 0,0060% para a faixa AAA, 0,0814% no rating A e 0,3108% para a faixa B. Considerando que todas as vendas foram realizadas a prazo, a tabela 1 mostra os calculos do ganho ajustado (ver equacao 3) destes quatro clientes.

Multiplicando a probabilidade de perda das faixas de risco pelo total de vendas a prazo de cada cliente, obtem-se o valor da perda esperada para cada cliente (equacao 4 e 5). Subtraindo esse valor de G (em reais) da Tabela 1 tem-se o ganho ajustado ao risco de credito para cada cliente (equacao 6), ou seja, o numerador da formula. A tabela 2 mostra os calculos citados.

Faz-se necessario estabelecer o nivel de confianca e a variavel Z padronizada para calcular o denominador do modelo. Por razoes de sigilo, a taxa de recuperacao nao foi informada a pedido da empresa, assim, nao e possivel informar a sua perda liquida (LGD). Entretanto, sabe-se que a empresa procura perder nao mais do que 0,15% das vendas, gerando

um nivel de confianca de 99,85%. Portanto, o valor de Z, de acordo com a distribuicao normal, e de 2,9677. Por meio da equacao 9 tem-se os valores de desvio-padrao para cada cliente: Empreiteira Simao e Informatica real time (1,0409%); Mercearia do Joao (3,8448%); e JJRR Eletrodomesticos (7,4960%).

Tendo sido a perda esperada ja calculada, o c estipulado e o desvio padrao informado anteriormente, pela equacao 8 calcula-se a perda inesperada para cada cliente. Tendo calculado a perda esperada e a perda inesperada e possivel calcular o VAR (Ver equacao 11 e 7), ou o denominador da formula, consequentemente, o valor da rentabilidade ajustada ao risco de credito para cada cliente.

O valor definitivo da medida de rentabilidade proposta (equacao 12) e obtido com o ajuste do prazo medio de reconstituicao do credito (PMR'). Neste exemplo, deve-se multiplicar a razao (Li/Ei) da equacao 13 por 180, uma vez que se trabalha com um historico de seis meses. Por fim, utilizou-se o valor de 11,25% a.a. da taxa SELIC como a taxa livre de risco para ajuste da medida RAGOC. Na tabela 4 tem-se o calculo do RAGOC.

A tabela 5 mostra um resumo das taxas de rentabilidade dos clientes analisados e a partir da analise da DRE e Balanco Patrimonial do atacadista-distribuidor chegou-se a medida global de desempenho RSI dela que foi em torno de 34% nos ultimos seis meses. Quando se ajusta essa medida pelo prazo medio de recebimento tem-se um valor de 33,63%.

Em uma situacao de decisao sobre aumento do limite de credito destes quatro clientes, a visao tradicional da analise de credito indicaria conceder maior limite para a Empreiteira Simao ou a Informatica real time por terem o menor risco de credito, considerando serem os seus portes semelhantes. Todavia, pela tabela 5 e possivel chegar a algumas conclusoes que contradizem esta visao:

1) Mesmo a Informatica real time tendo o menor nivel de risco (AAA), quando se compara a sua rentabilidade de concessao de credito pelo modelo proposto (RAGOC ou RAGOC) com a medida global de desempenho (RSI) da empresa, nao e viavel nem mesmo que a empresa conceda o emprestimo para ela, pois o seu RAGOC de 30,96% ou seu RAGOC de 27,94% e menor do que o RSI de 33,63% da empresa.

2) A empresa com o maior risco de credito, a JJRR Eletrodomesticos no rating B, e a empresa que tem as maiores medidas de rentabilidade, tanto do RAGOC como do RAGOC. Assim, considerando-se os portes de todas as empresas iguais, ela deveria ser a empresa com o maior limite de credito, ao contrario da visao tradicional que concederia maiores volumes para a Informatica real time e para a Empreiteira Simao.

4.2 Tomada de Decisao Conforme Proposta 2

Num primeiro momento torna-se interessante mostrar como comporta a medida definitiva de rentabilidade adotada (RAGOC') em relacao as classes de risco da empresa. A Tabela 6 apresenta como estao dispostos os clientes em relacao aos ratings de risco credito, assim como algumas estatisticas descritivas da variavel RAGOC'. Ao analisar o numero de clientes em cada rating de risco e sua frequencia, evidencia-se que grande parte (aproximadamente 74%) tem grau de risco baixo (AAA e AA). A proximidade das medias e medianas dentro das classes de risco mostra que, internamente, a distribuicao da variavel RAGOC' e relativamente simetrica.

Por meio do desvio-padrao da variavel RAGOC' em cada classe de risco e possivel obter o coeficiente de variacao descrito na Tabela 6. Essa medida possibilita identificar a homogeneidade dentro de cada classe de risco. Evidencia-se que o coeficiente de variacao dos clientes AAA e baixo em comparacao com os demais rating de risco, com tendencia de crescimento ate o rating A, para depois reduzir e crescer novamente ate a classe B. A partir da classe CCC, a heterogeneidade dentro da classe aumenta quando comparado com o rating AAA. Essa informacao demonstra que clientes de mais baixo risco (AAA a A) sao mais homogeneos em termos de rentabilidade ao compara-los com os clientes de mais alto risco (CC e C).

Diversas poderiam ser as propostas de rating de rentabilidade: desde a categorizacao baseada em medidas estatisticas ate a classificacao subjetiva com embasamento teorico a priori. Para fins de simplificar o entendimento, propoe-se nessa aplicacao dividir a distribuicao da variavel RAGOC em decis em funcao da quantidade de clientes da amostra.

Na tabela 7 temos que os ratings seguem a nomenclatura tradicional (por letras) e o escore de classificacao em cada rating baseia-se no valor da variavel RAGOC': como exemplo, valores com RAGOC' superiores a 581,57% sao classificados em AAA, e clientes abaixo de 34,09% classificados em D. Note que nos extremos, em AAA e D, as distribuicoes das rentabilidades nao sao tao simetricas como na classificacao por risco de credito.

A partir da analise das demonstracoes financeiras da empresa constata-se que a sua medida global de desempenho (RSI) foi de 33,63% nos ultimos seis meses. Essa informacao traduz que todo inventario em risco na empresa gera ganho a uma taxa de 33,63%. Assim, a tomada de decisao em credito utilizando este rating de rentabilidade (Tabela 6) poderia ser de

nao concessao de limite para clientes nos ratings D, tendo em vista que estes clientes estao com um retorno inferior ao obtido pela empresa por meio de seus outros ativos.

A logica dessa conclusao nao sugere que se deixe de vender a prazo para os clientes abaixo da taxa de barreira, mas no seguinte sentido: em condicoes de restricao de credito, os clientes abaixo da taxa de barreira sempre serao os ultimos na lista de prioridades para concessao.

4.3 Tomada de Decisao Conforme Proposta 3

Uma classificacao conjunta que leva em conta o risco e a rentabilidade do credito pode sofrer tanta variacoes quanto sao as propostas individuais de classificacao. Como extensao da classificacao por decis de rentabilidade discutida na secao anterior, tem-se a Tabela 8, em que se evidencia a frequencia absoluta cruzada entre os ratings de risco e rentabilidade.

A Tabela 8 traz informacoes contundentes para tomada de decisao em credito: clientes de mais baixo risco sao os que apresentam maior rentabilidade, entretanto, essa afirmacao nao e regra geral. Existem clientes de baixo risco de credito que apresentam rentabilidade baixa ou ate negativa, assim como existem clientes com risco alto e boa rentabilidade. Quando se analisam os clientes de baixissimo risco (AAA), nota-se que existem 94 clientes com rentabilidade na classificacao C (baixa) e 174 com a classificacao D (negativa).

Considerando que a empresa estudada tem como meta uma perda liquida de 0,15%, os clientes acima do rating de risco B nao teriam credito aprovado, totalizando assim 659 clientes. Porem, grande parte dos clientes (acima do rating C) estao com rentabilidade superior ao RSI da empresa (33,63%), o que possibilita concluir que eles poderiam ter credito aprovado mesmo estando em um nivel de risco nao-aceitavel por ela.

A Tabela 9 complementa as informacoes anteriores ao segregar a media da variavel RAGOC' por faixas de rentabilidade e risco. Nessa Tabela observa-se a presenca de algumas rentabilidades negativas. Assim, o desempenho global do sistema pode ser otimizado com a exclusao de clientes que apresentam ganho negativo.

5. CONSIDERACOES FINAIS

O trabalho teve como objetivo apresentar um modelo de mensuracao da rentabilidade da concessao de credito comercial tendo como alicerce teorico a Teoria das Restricoes (TOC). Pela fundamentacao teorica da TOC de que o objetivo principal de uma organizacao e ganhar dinheiro hoje e sempre foi possivel direcionar o estudo para o calculo de uma medida global de desempenho para o processo decisorio de credito. Busca-se com isso fazer com que as empresas vejam a necessidade delas sairem do foco apenas do risco de credito quando da concessao de credito, para o foco da rentabilidade desta concessao, ou seja, "sair dos mundos dos riscos e entrar no mundo dos ganhos".

Por meio do calculo do indice de rentabilidade da concessao de credito para uma empresa do ramo atacadista-distribuidor, chegou-se a conclusao de que, em algumas situacoes, a concessao para clientes de baixo risco nao era viavel pois a rentabilidade da concessao era baixa quando este indice foi comparado com o retorno sobre o investimento da empresa.

O contrario tambem se mostrou verdadeiro, isto e, clientes de alto risco com taxas de rentabilidade da concessao de credito altas, mas que nao estavam recebendo credito da empresa, ou ela estava restringindo o montante oferecido. Nesta situacao, a concessao de credito em termos de rentabilidade seria viavel para estes clientes de alto risco, enquanto que ao verificar apenas o risco dele nao seria possivel chegar a esta mesma conclusao.

Com a aplicacao pratica do modelo foi possivel concluir que a decisao de concessao de credito nao deve apenas considerar o risco de credito e o porte do cliente, pois isso pode estar diminuindo a riqueza dos seus acionistas. Assim, a analise conjunta da concessao de credito pela classificacao de risco de credito e pelo indice de rentabilidade da concessao se faz necessaria e fundamental para que as empresas tomem decisoes financeiras mais corretas e que essas decisoes proporcionem aumento da riqueza dos seus acionistas.

E como mostrado, e possivel concluir tambem que uma vez calculado o indice de rentabilidade, este pode proporcionar ao gestor de credito um ponto importante no processo de tomada de decisao em concessao de credito. Em algumas situacoes este indicador pode ter uma contribuicao mais relevante no processo de tomada de decisao do que os outros fatores analisados, principalmente quando um cliente se encontrar com risco elevado e rentabilidade alta, ou risco baixo e rentabilidade negativa/baixa.

Recebido em 10/07/2009; revisado em 01/06/2010; aceito em 14/10/2010; disponivel em 29/04/2011

REFERENCIAS

ALTMAN, E. I.; HALDEMAN, R. Corporate credit scoring models: approaches and tests for successful implementation, Journal of commercial lending, p. 10-22, May 1995.

ALTMAN, E. I.; SAUNDERS, A. Credit risk measurement: developments over the last 20 years. Journal of banking & finance, v. 21, p. 1721-1742, 1998.

AUSSENEGG, W.; MIAZHYNSKAIA, T. Uncertainty in value-at-risk estimates under parametric and non-parametric modeling, Financial Markets and Portfolio Management, v. 20, n. 3, p. 243-264, September 2006.

BAMS, D.; LEHNERT, T.; WOLFF, C. C. P. An evaluation framework for alternative VAR models, Journal of International Money and Finance, v. 24, n. 6, p. 944-958, October 2005.

BRENNAN, M. J.; MIKSIMOVIC, V. ZECHNER, J. Vendor Financing, The journal of finance, v. 43, n. 5, p. 1127-1141, Dec. 1988.

CAOUETTE, J. B.; ALTMAN, E.; NARAYANAN, P.; NIMMO, R. W. Gestao do risco de credito: o proximo grande desafio financeiro. 2. ed., Rio de Janeiro: Qualitymark, SERASA, 2009.

CHRSTOFFERSEN, P.; HAHN, J.; INOUE, A. Testing, comparing, and combining value-atrisk measures. Working Paper, University of Michigan, October 1999. Disponivel em: <http://www.ssrn.com>. Acesso em: 06/04/2010.

CROUHY, M.; GALAI, D.; MARK, R. Gerenciamento de risco: abordagem conceitual e pratica: uma visao integrada dos riscos de credito operacional e de mercado. Rio de Janeiro: Qualitymark; Sao Paulo: Serasa, 2004.

FERRIS, J. S. A Transactions Theory of Trade Credit Use, Quarterly Journal of Economics, v. 96, n. 2, p. 243-270, May 1981.

GOLDRATT, E. M. A sindrome do palheiro: garimpando informacao num oceano de dados. Sao Paulo: Educador, 1992.

GUERREIRO, R. A meta da empresa: seu alcance sem misterios. Sao Paulo: Atlas, 1999.

JORION, P. Value at risk: A nova fonte de referencia para o controle do risco de mercado. Sao Paulo: BM&F, 1998.

LEMGRUBER, E. J.; OHANIAN, G. O modelo de projecao de volatilidade do riskmetricsTM e a hipotese de distribuicao normal condicional para alguns fatores de risco no Brasil. In: LEMGRUBER, E. J. CARVALHAL-DA-SILVA, A. L.; LEAL, R. P. C.; COSTA

JUNIOR, N. C. A. Gestao de risco e derivativos: aplicacoes no Brasil. Sao Paulo: Atlas, 2006.

MELTZER, A. H. Mercantile credit, monetary policy and size of firms, The review of Economics and Statistic, v. 42, n. 4, p. 429-437, Nov. 1960.

PADOVEZE, C. L. Controladoria Avancada. Sao Paulo: Pioneira Thomson Learning, 2005. PARKINSON, K. L.; OCHS, J. R. Using credit screening to manage credit risk, Business Credit, p. 23-27, March 1998.

PETERSON, M .A; RAJAN, R. G. Trade credit: theories and evidence, The review of financial studies, v. 10, n. 3, p. 661-691, Autumn, 1997.

RAJAN, R. G; ZINGALES, L. What do we know about capital structure? Some evidence from international data, The journal of finance, v. 50, n. 5, p. 1421-1460, Dec., 1995.

SAUNDERS, A. Medindo o risco de credito: novas abordagens para value at risk e outros paradigmas. Rio de Janeiro: Qualitymark, 2000.

SCHRICKEL, K. W. Analise de credito: concessao e gerencia de emprestimos. 2. ed., Sao Paulo: Atlas, 1995.

SCHWARTZ, R. A. An economic model of trade credit, The journal of financial and quantitative analysis, v. 9, n. 4, p. 643-657, Sep. 1974.

SECURATO, J. R. (Coord.). Credito: analise e avaliacao do risco - pessoas fisicas e juridicas. Sao Paulo: Saint Paul, 2002.

SMITH, J. K. Trade credit and informational asymmetry, The journal of finance, v. 42, n. 4, p. 863-872, Sep. 1987.

THOMAS, L. C.; EDELMAN, D. B.; CROOK, J. N. Credit scoring and its applications. Philadelphia: SIAM, 2002.

Dany Rogers Silva ([dagger]) Universidade Federal de Uberlandia

Karem Cristina de Sousa Ribeiro ([OMEGA]) Universidade Federal de Uberlandia

Hsia Hua Sheng ([yen]) Fundacao Getulio Vargas

Correspondencia autores *:

([dagger]) Mestre em Administracao pela Universidade Federal de Uberlandia. Vinculacao: Universidade Federal de Uberlandia

Endereco: Rua Antonio Salviano de Rezende No. 1544, Apto 01, Uberlandia/Mg, Cep:38.408-228 E-mail: Danyrogers@Pontal.Ufu.Br Telefone: (34) 8836 9997

([OMEGA]) Pos-Doutorado em Administracao/Financas pela Universidade De Sao Paulo - FEA/USP. Vinculacao: Universidade Federal De Uberlandia Endereco: Rua Joao Ramalho, No.86, Apto 100, Uberlandia/Minas Gerais/ Cep: 38408-668. E-mail:kribeiro@Ufu.Br Telefone: (34) 3211-5197

([yen]) Doutor em Administracao (Financas) Pela Fundacao Getulio Vargas Vinculacao: Fundacao Getulio Vargas. Endereco: Rua Itapeva, No. 474, 8 Andar, Departamento Cfc, Sao Paulo/SP, Cep:01332-000, Brasil. E-mail: hsia.sheng@fgv.br Telefone: (11) 9558.2669
TABELA 1--GANHO AJUSTADO DOS CLIENTES

Cliente                   Receitas        CTV             G (em reais)

Empreiteira Simao         R$ 4.742,42     R$ 4.649,41     R$ 93,01
Informatica real time     R$ 109.742,08   R$ 109.160,28   R$ 581,80
Mercearia do Joao         R$ 77.204,90    R$ 72.394,78    R$ 4.810,12
JJRR Eletrodomesticos     R$ 21.121,38    R$ 17.038,26    R$ 4.083,12

Cliente                   G (em %)

Empreiteira Simao         1,96
Informatica real time     0,53
Mercearia do Joao         6,23
JJRR Eletrodomesticos     19,33

Fonte: Elaborado pelos autores.

TABELA 2--GANHO AJUSTADO AO RISCO DE CREDITO DOS CLIENTES

Cliente                   Perda      GA

Empreiteira Simao         R$ 0,28    R$ 92,73
Informatica real time     R$ 6,54    R$ 575,26
Mercearia do Joao         R$ 62,86   R$ 4.747,26
JJRR Eletrodomesticos     R$ 65,65   R$ 4.017,48

Fonte: Elaborado pelos autores.

TABELA 3--RAGOC DOS CLIENTES

Cliente                  PI            VAR           RAGOC (em %)

Empreiteira Simao        R$ 80,57      R$ 80,29      115,49
Informatica real time    R$ 1.864,55   R$ 1.858,00   30,96
Mercearia do Joao        R$ 4.845,09   R$ 4.782,23   99,27
JJRR Eletrodomesticos    R$ 2.584,28   R$ 2.518,64   159,51

Fonte: Elaborado pelos autores.

TABELA 4--RAGOC' DOS CLIENTES

Cliente                  L              [G.sub.i]   PMR'     RAGOC'
                                                             (em %)

Empreiteira Simao        R$ 12.116,86   0,39        459,90   88,05
Informatica real time    R$ 48.000,00   2,29        78,73    27,94
Mercearia do Joao        R$ 10.000,00   7,72        23,31    97,90
JJRR Eletrodomesticos    R$ 7.000,00    3,02        59,66    154,97

Fonte: Elaborado pelos autores.

TABELA 5--RESUMO DAS TAXAS DOS CLIENTES

Cliente                  Rating   GA (%)   RAGOC    RAGOC'
                                           (em %)   (em %)

Empreiteira Simao         AAA     1,96%    115,49   88,05
Informatica real time     AAA     0,53%    30,96    27,94
Mercearia do Joao          A      6,23%    99,27    97,90
JJRR Eletrodomesticos      B      19,33%   159,51   154,97

Fonte: Elaborado pelos autores.

TABELA 6--ESTATISTICAS DESCRITIVAS DA AMOSTRA
DO RAGOC' POR RATING DE RISCO

 Rating       No.      Frequencia    Media    Mediana    Coef.
de Risco    Clientes      (%)                           Variacao

   AAA       3.904       41,60%     422,82%   427,52%    54,43%
   AA        3.073       32,80%     231,57%   238,72%    59,32%
    A        1.141       12,20%     113,16%   118,95%    69,11%
   BBB        410        4,40%      108,57%   108,45%    56,88%
   BB         194        2,10%      107,34%   112,85%    51,52%
    B         274        2,90%      73,41%    69,58%     73,98%
   CCC        156        1,70%      43,14%    44,31%     65,17%
   CC         196        2,10%      20,97%    21,45%     70,17%
    C          33        0,40%      11,67%    11,04%    164,68%
  Total      9.381      100,00%     275,89%   240,74%    91,58%

Fonte: Elaborado pelos autores.

TABELA 7--RATING DE RENTABILIDADE DA AMOSTRA

  Rating de        Faixa RAGOC'      Media    Mediana     No.
Rentabilidade                                           Clientes

     AAA            > 581,57%       715,44%   680,17%     938
      AA         581,57%-456,43%    514,85%   513,14%     938
      A          456,42%-370,07%    411,48%   409,88%     938
     BBB         370,06%-300,39%    335,05%   336,22%     938
      BB         300,38%-240,78%    270,19%   270,42%     938
      B          240,77%-182,81%    211,65%   211,32%     938
     CCC         182,80%-135,39%    158,84%   158,64%     938
      CC          135,38%-88,85%    111,83%   111,62%     938
      C           88,84%-34,09%     61,67%    61,95%      938
      D              < 34,09%       -32,03%    1,79%      938
Total                               275,89%   240,74%     9.38

  Rating de      Frequencia
Rentabilidade       (%)

     AAA           10,0%
      AA           10,0%
      A            10,0%
     BBB           10,0%
      BB           10,0%
      B            10,0%
     CCC           10,0%
      CC           10,0%
      C            10,0%
      D            10,0%
Total              100,0%

Fonte: Elaborado pelos autores.

TABELA 8--MATRIZ DE RENTABILIDADE E RISCO DA QUANTIDADE DE CLIENTES DA
AMOSTRA

   Rating de                              Rating de Risco
 Rentabilidade     AAA     AA       A     BBB    BB     B    CCC

      AAA          915     22       0      0      0     1     0
      AA           824     114      0      0      0     0     0
       A           637     299      2      0      0     0     0
      BBB          438     492      7      0      1     0     0
      BB           300     589     42      6      1     0     0
       B           219     504     163     37    14     2     0
      CCC          176     361     251     98    40    12     0
      CC           127     263     275    122    75    68     8
       C           94      196     224    102    40    153   95
       D           174     233     177     45    23    38    53
     Total        3.904   3.073   1.141   410    194   274   156

   Rating de
 Rentabilidade    CC    C

      AAA          0    0
      AA           0    0
       A           0    0
      BBB          0    0
      BB           0    0
       B           0    0
      CCC          0    0
      CC           0    0
       C          33    1
       D          163   32
     Total        196   33

Fonte: Elaborado pelos autores.

TABELA 9--MATRIZ DE RENTABILIDADE E RISCO DA MEDIA DO RAGOC

                                                Rating de Risco
  Rating de        AAA        AA         A        BBB        BB
Rentabilidade

     AAA         716,48%    677,04%
      AA         516,47%    503,13%
      A          413,98%    406,19%   406,16%
     BBB         337,12%    333,24%   335,29%              317,52%
      BB         271,69%    270,05%   263,91%   256,15%    250,60%
      B          213,27%    213,62%   206,02%   205,02%    200,30%
     CCC         159,50%    160,43%   158,03%   156,49%    155,03%
      CC         112,61%    112,20%   112,14%   111,19%    113,43%
      C           62,66%    62,25%    64,17%     63,35%    66,92%
      D          -105,08%   -53,15%   -20,27%    0,66%      2,92%
    Total        422,82%    231,57%   113,16%   108,57%    107,34%

  Rating de         B        CCC       CC       C
Rentabilidade

     AAA         611,71%
      AA
      A
     BBB
      BB
      B          199,00%
     CCC         150,05%
      CC         108,50%   100,21%
      C          62,65%    55,07%    41,64%   47,12%
      D           8,98%    13,12%    16,79%   10,56%
    Total        73,41%    43,14%    20,97%   11,67%

Fonte: Elaborado pelos autores.
COPYRIGHT 2011 Fucape Business School/ Brazilian Business Review
No portion of this article can be reproduced without the express written permission from the copyright holder.
Copyright 2011 Gale, Cengage Learning. All rights reserved.

Article Details
Printer friendly Cite/link Email Feedback
Author:Silva, Dany Rogers; de Sousa Ribeiro, Karem Cristina; Sheng, Hsia Hua
Publication:Brazilian Business Review
Date:Apr 1, 2011
Words:15815
Previous Article:Characteristics of companies that influence their voluntary disclosure of performance indicators/Caracteristicas de empresas que influenciam o seu...
Next Article:Students' loyalty and retention pattern for higher education institutions: a theoretical study based on the relationship marketing/Modelo de lealdade...
Topics:

Terms of use | Privacy policy | Copyright © 2022 Farlex, Inc. | Feedback | For webmasters |