Previsão de Dificuldade Financeira com XGBoost: Evidências no Setor de Utilidade Pública da América Latina
DOI:
https://doi.org/10.11606/issn.1982-6486.rco.2026.243777Palavras-chave:
Gestão de risco, Risco de crédito, Aprendizado de máquina, Mercados emergentes, InsolvênciaResumo
Este estudo investiga a eficácia do algoritmo de aprendizado de máquina XGBoost na previsão de dificuldade financeira (FD) em empresas latino-americanas do setor de utilidade pública, com base em dados financeiros entre 2000 e 2019. A base de dados inclui empresas de seis países da América Latina, e a definição de FD considera tanto indicadores contábeis (como Lucro Antes de Juros, Impostos, Depreciação e Amortização negativo), quanto de mercado (queda no valor de mercado). O modelo foi treinado com dados balanceados por undersampling e avaliado com métricas como Área Sob a Curva, acurácia, erro tipo I e II e Brier Score. Os resultados demonstram que, na amostra setorial analisada, o modelo baseado em XGBoost supera modelos tradicionais, como Regressão Logística, e apresenta desempenho superior ou comparável ao Random Forest, cujos resultados de referência foram obtidos em uma amostra multissetorial. No geral, o XGBoost atingiu acurácia entre 88 e 95,5% e erros tipo II de 0 a 12%, superando o modelo referência. As variáveis mais relevantes variaram conforme o tipo de FD: no FD contábil, destacaram-se principalmente indicadores de rentabilidade como Lucro por Ação; no FD de mercado, mostraram relevância as variáveis associadas à percepção dos investidores, como a Variação do Preço/Patrimônio Líquido entre dois anos consecutivos e a localização (variáveis de país). O estudo confirma o potencial do XGBoost tanto para prever dificuldades financeiras com um ano de antecedência quanto para interpretar os fatores subjacentes, oferecendo uma ferramenta robusta para analistas, reguladores e investidores. Contudo, tais resultados ampliam (e contribuem para) a discussão sobre desempenho em previsões no âmbito das finanças.
Downloads
Referências
Altman, E. I. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance, 23(4), 589–609. https://doi.org/10.2307/2978933
Araújo, M. M. N., Sousa, A. B. V., Parente, P. H. N., & Santos, J. G. C. dos. (2025). Subsídios governamentais e risco de insolvência nas instituições financeiras brasileiras. Revista de Contabilidade e Organizações, 19, e232628. https://doi.org/10.11606/issn.1982-6486.rco.2025.232628
Barboza, F. (2023). Data and Code (in R) for predicting Financial Distress in Latin America (Versão 1) [Conjunto de dados]. Harvard Dataverse. https://doi.org/10.7910/DVN/ODLGNJ
Barboza, F., & Altman, E. (2024). Predicting financial distress in Latin American companies: A comparative analysis of logistic regression and random forest models. The North American Journal of Economics and Finance, 72, 102158. https://doi.org/10.1016/j.najef.2024.102158
Beaver, W. H. (1966). Financial Ratios As Predictors of Failure. Journal of Accounting Research, 4(3), 71–111. https://doi.org/10.2307/2490171
Canton, C., Müller, M., da Silva, T. P., & da Rocha Armada, M. J. (2021). Dificultad financiera y rendimiento de mercado de organizaciones latinoamericanas. Revista Facultad de Ciencias Económicas, 29(1), 11–26. https://doi.org/10.18359/rfce.4450
Cardona, L., Gutiérrez, M., & Agudelo, D. A. (2017). Volatility transmission between US and Latin American stock markets: Testing the decoupling hypothesis. Research in International Business and Finance, 39, 115–127. https://doi.org/10.1016/j.ribaf.2016.07.008
Chen, M.-Y. (2011). Predicting corporate financial distress based on integration of decision tree classification and logistic regression. Expert Systems with Applications, 38(9), 11261–11272. https://doi.org/10.1016/j.eswa.2011.02.173
Chou, J. S., & Pham, N. N. H. (2026). Boosting ensembles and deep vision networks optimized by forensic-based investigation algorithm for financial distress prediction in construction firms. Journal of Big Data, 13(1), 25. https://doi.org/10.1186/s40537-025-01345-w
Eça, J. P. A., Albanez, T., & Valle, M. R. do. (2025). Um panorama da renegociação de dívidas de empresas brasileiras de capital aberto no período 2010-2021. Revista De Contabilidade E Organizações, 19, e218938. https://doi.org/10.11606/issn.1982-6486.rco.2025.218938
Gabrielli, G., Melioli, A., & Bertini, F. (2026). Corporate financial distress prediction: a machine learning approach in the era of big data. Journal of Accounting & Organizational Change, 22(7), 31-65. https://doi.org/10.1108/JAOC-05-2025-0166
Geng, R., Bose, I., & Chen, X. (2015). Prediction of financial distress: An empirical study of listed Chinese companies using data mining. European Journal of Operational Research, 241(1), 236–247. https://doi.org/10.1016/j.ejor.2014.08.016
Gepp, A., & Kumar, K. (2015). Predicting Financial Distress: A Comparison of Survival Analysis and Decision Tree Techniques. Procedia Computer Science, 54, 396–404. https://doi.org/10.1016/j.procs.2015.06.046
Huang, Y.-P., & Yen, M.-F. (2019). A new perspective of performance comparison among machine learning algorithms for financial distress prediction. Applied Soft Computing, 83, 105663. https://doi.org/10.1016/j.asoc.2019.105663
Kristanti, F. T., Salim, D. F., & Ihsan, A. F. (2025). Financial distress prediction in emerging markets by using a machine learning approach for financial sustainability. Discover Sustainability, 6(1), 1296. https://doi.org/10.1007/s43621-025-02199-1
Ohlson, J. A. (1980). Financial Ratios and the Probabilistic Prediction of Bankruptcy. Journal of Accounting Research, 18(1), 109–131. https://doi.org/10.2307/2490395
Pindado, J., Rodrigues, L., & de la Torre, C. (2008). Estimating financial distress likelihood. Journal of Business Research, 61(9), 995–1003. https://doi.org/10.1016/j.jbusres.2007.10.006
Poffo, R. F., Bubeck, S. K. & Hein, N. (2025). Habilidade gerencial e financial distress: uma análise de empresas listadas na B3. Revista de Contabilidade e Organizações, 19:e230114. https://doi.org/10.11606/issn.1982-6486.rco.2026.230114
Vu, K. M., & Gurtoo, A. (2014). Utility Sector Performance Post Reforms: Investigating the South Asian Economies. Poverty & Public Policy, 6(2), 157–175. https://doi.org/10.1002/POP4.68
Yang, H., Li, E., Cai, Y. F., Li, J., & Yuan, G. X. (2021). The extraction of early warning features for predicting financial distress based on XGBoost model and shap framework. International Journal of Financial Engineering, 08(03), 2141004. https://doi.org/10.1142/s2424786321410048
Downloads
Publicado
Edição
Seção
Licença
Direitos autorais (c) 2026 João Pedro Silva Mendes, Daniel Vitor Tartari Garruti, Flavio Barboza
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
A RCO adota a política de Acesso Livre (Libre Open Access), sob o acordo padrão Creative Commons (CC BY-NC-ND 4.0). O acordo prevê que:
- A submissão de texto autoriza sua publicação e implica compromisso de que o mesmo material não esteja sendo submetido a outro periódico. O original é considerado definitivo;
- Autores mantêm os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attributionque permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista;
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com necessário reconhecimento de autoria e publicação inicial nesta revista;
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre);
- A revista não paga direitos autorais aos autores dos textos publicados;
- O detentor dos direitos autorais da revista, exceto os já acordados no acordo de Libre Open Access (CC BY-NC-ND 4.0), é o Departamento de Contabilidade da Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto da Universidade de São Paulo.
Não são cobradas taxas de submissão ou de publicação.
São aceitos até 4 autores por artigo. Casos excepcionais devidamente justificados poderão ser analisados pelo Comitê Executivo da RCO. São considerados casos excepcionais: projetos multi-institucionais; manuscritos resultantes da colaboração de grupos de pesquisa; ou que envolvam grandes equipes para coleta de evidências, construção de dados primários e experimentos comparados.
É recomendada a ordem de autoria por contribuição, de cada um dos indivíduos listados como autores, especialmente no desenho e planejamento do projeto de pesquisa, na obtenção ou análise e interpretação de dados e redação. Os autores devem declarar as efetivas contribuições de cada autor, preenchendo a carta ao editor, logo no início da submissão, responsabilizando-se pelas informações dadas.
É permitida a troca de autores durante todo o processo de avaliação e, antes da publicação do manuscrito. Os autores devem indicar a composição e ordem final de autoria no documento assinado por todos os envolvidos no aceite para publicação. Caso a composição e ordem de autoria seja diferente da informada anteriormente no sistema, todos autores anteriormente listados deverão se manifestar favoráveis.
No caso de identificação de autoria sem mérito ou contribuição (ghost, guest or gift authorship), a RCO segue o procedimento recomendado pela COPE.
