PREVISÃO DO RISCO DE INSOLVÊNCIA: UMA ANÁLISE COMPARATIVA ENTRE TÉCNICAS ESTATÍSTICAS E DE INTELIGÊNCIA COMPUTACIONAL
Este estudo insere-se no contexto da crescente relevância da previsão do risco de insolvência empresarial, tema que emergiu a partir dos estudos univariados de Beaver (1966) e se consolidou com o modelo multivariado Z-Score de Altman (1968), expandindo-se posteriormente para outras técnicas estatísticas multivariadas e de inteligência computacional. Considerando a escassez de estudos comparativos no cenário brasileiro e as limitações de amostras setoriais restritas, o objetivo geral desta dissertação é analisar a assertividade da previsão do risco de insolvência de empresas não financeiras listadas na Brasil, Bolsa, Balcão (B3), confrontando técnicas estatísticas multivariadas como a análise discriminante e a regressão logística, com métodos de inteligência computacional, sendo eles Random Forest, Support Vector Machine, K-Nearest Neighbors, Decision Tree, Neural Networks e XGBoost. A abordagem adotada fundamenta-se no paradigma positivista, de natureza quantitativa, longitudinal e não-experimental, com coleta de dados ex-post facto no período de 2010 a 2024 extraídos das Demonstrações Financeiras e bases oficiais, selecionando casos de insolvência (recuperação judicial, extrajudicial ou patrimônio líquido negativo) e contrapartidas solventes de setores análogos. A amostragem é não-probabilística intencional, visando comparabilidade de portes e setores. Para avaliação do desempenho preditivo, emprega-se análise ROC e cálculo da AUC, assegurando a robustez e a capacidade discriminativa dos modelos. Espera-se, com isso, oferecer subsídios práticos e teóricos que contribuam para o aprimoramento de políticas de crédito, gestão financeira e formulação de políticas públicas, bem como preencher lacunas na literatura nacional por meio da integração de metodologias distintas num contexto corporativo dinâmico.