📈 economics

A CRITIC-Weighted Fuzzy-TOPSIS and Machine Learning Framework for Evaluating Corporate Governance Efficiency: Evidence from Construction Materials Manufacturing in Uzbekistan

Este estudo introduz uma estrutura híbrida de CRITIC-Fuzzy-TOPSIS e aprendizado de máquina para avaliar a governança corporativa no setor de materiais de construção do Uzbequistão, revelando um paradoxo onde as prioridades de governança percebidas pelos especialistas diferem dos impulsionadores financeiros, com fatores relacionais, como as relações com stakeholders, provando ser mais críticos para a lucratividade do que as dimensões estruturais.

Autores originais: Sherzod A. Dexkanov, Elnorakhon A. Muminova, Abdumalik M. Kadirov, Dilnoza A. Khudoyberganova, Sardorbek I. Kodirov, Ilmidin T. Yormatov, Bekhzod A. Olimov

Publicado 2026-09-07

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Sherzod A. Dexkanov, Elnorakhon A. Muminova, Abdumalik M. Kadirov, Dilnoza A. Khudoyberganova, Sardorbek I. Kodirov, Ilmidin T. Yormatov, Bekhzod A. Olimov

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No mundo dos negócios, existe uma crença de longa data de que a forma como uma empresa é administrada determina o quão bem ela desempenha. Essa ideia, conhecida como governança corporativa, sugere que regras claras, relatórios honestos e supervisão independente criam um ambiente estável onde uma empresa pode crescer e lucrar. Em nações ricas com leis fortes e mercados abertos, essa conexão é frequentemente dada como certa. No entanto, em economias emergentes, onde as regras ainda estão tomando forma e a informação é mais difícil de encontrar, a relação entre uma boa gestão e o sucesso financeiro é muito mais obscura. Pesquisadores há muito se perguntam se as listas de verificação padrão usadas para julgar a saúde de uma empresa realmente preveem seus lucros, ou se estão apenas medindo as coisas erradas. Essa questão torna-se especialmente urgente em lugares como o Uzbequistão, onde o rápido crescimento industrial ultrapassou o desenvolvimento de sistemas formais de gestão, deixando muitas empresas operando com velhos hábitos e transparência limitada.

Uma equipe de pesquisadores de universidades do Uzbequistão decidiu testar essa relação em um setor específico e vital: a fabricação de materiais de construção como cimento, tijolos e vidro. Eles queriam ver se a forma como especialistas percebem a governança de uma empresa corresponde à realidade de seu desempenho financeiro. Para fazer isso, construíram um novo tipo de sistema de avaliação que combinava o julgamento humano com o aprendizado computacional avançado. Eles reuniram vinte especialistas que conheciam bem o setor e pediram que avaliassem oito grandes fábricas em dez aspectos diferentes de gestão, variando desde o funcionamento do conselho de administração até a forma como a empresa trata seus trabalhadores e interage com o governo. Os especialistas usaram uma escala simples de sete pontos, de "muito ruim" a "muito bom", para descrever cada empresa.

Assim que os especialistas forneceram suas classificações, os pesquisadores usaram um método matemático para determinar quais desses dez aspectos eram de fato mais importantes para distinguir uma empresa de outra. Eles descobriram que os especialistas eram mais capazes de distinguir as empresas com base em como elas planejavam o futuro e como gerenciavam riscos. Esses dois fatores receberam as pontuações de importância mais altas na análise inicial. A equipe então usou essas pontuações para criar um ranking das oito empresas, colocando a que tinha a melhor percepção de governança no topo e a que tinha a pior na base.

É aqui que a história toma um rumo surpreendente. Os pesquisadores então compararam esse ranking de especialistas com os registros financeiros reais das oito empresas. Eles observaram uma medida específica de lucratividade chamada Retorno sobre Ativos, que calcula quanto de lucro uma empresa gera em relação ao valor de seus equipamentos fixos e edifícios. Os resultados mostraram quase nenhuma conexão entre os rankings dos especialistas e o dinheiro real ganho. Na verdade, a relação era ligeiramente negativa. A empresa que os especialistas avaliaram como tendo a pior governança foi a que teve os maiores lucros, enquanto a empresa avaliada como tendo a melhor governança teve uma das menores taxas de lucro. Os modelos computacionais treinados para prever lucros com base nas avaliações dos especialistas falharam em fazê-lo, confirmando que a forma como os especialistas veem o estilo de gestão de uma empresa não diz quanto dinheiro essa empresa está ganhando.

Para entender por que esse descompasso existe, os pesquisadores usaram uma técnica que permite aos computadores explicarem seu próprio raciocínio. Eles pediram aos modelos computacionais que identificassem quais fatores específicos, entre os dez avaliados pelos especialistas, estavam de fato impulsionando as diferenças de lucro. A resposta foi completamente diferente do que o ranking inicial dos especialistas sugeriu. Enquanto os especialistas focavam em estruturas formais como planejamento estratégico e gestão de riscos, a análise computacional revelou que os fatores mais estreitamente ligados aos lucros reais eram os relacionamentos que uma empresa tinha com as pessoas. Especificamente, a qualidade das relações com os funcionários e a natureza das negociações da empresa com reguladores governamentais foram os preditores mais fortes de sucesso financeiro.

Essa descoberta sugere que, no contexto específico da indústria de construção do Uzbequistão, as regras formais e os documentos que os especialistas procuram não são os principais motores do sucesso diário. Em vez disso, a capacidade prática de manter os trabalhadores motivados e de navegar pelo complexo cenário das regulamentações governamentais parece ser muito mais crítica para o resultado final. O estudo não afirma que a boa governança seja sem importância, mas mostra que a forma padrão de medi-la — focando na independência do conselho e em planos escritos — pode estar perdendo os elementos mais vitais neste ambiente. Os pesquisadores concluem que, para as empresas deste setor melhorarem seu desempenho financeiro, elas devem priorizar a construção de relacionamentos fortes e construtivos com sua força de trabalho e com o Estado, em vez de simplesmente polir suas estruturas formais de gestão. Esse insight oferece um novo caminho tanto para líderes empresariais quanto para formuladores de políticas que tentam entender o que realmente faz uma empresa prosperar em uma economia em desenvolvimento.

Resumo Técnico: Uma Estrutura de Fuzzy-TOPSIS Ponderada por CRITIC e Aprendizado de Máquina para Avaliar a Eficiência da Governança Corporativa

Definição do Problema
O artigo aborda a falta de uma metodologia sistemática para avaliar a eficiência da governança corporativa no setor de fabricação de materiais de construção do Uzbequistão, uma indústria crítica em uma economia emergente caracterizada por propriedade concentrada, controles internos fracos e divulgação financeira limitada. As ferramentas de avaliação existentes sofrem de limitações específicas: índices de pontuação (ex: G-Index) dependem de indicadores binários que simplificam excessivamente a qualidade multidimensional da governança; métodos econométricos exigem grandes conjuntos de dados de painel indisponíveis em contextos de escassez de dados; e técnicas tradicionais de Tomada de Decisão Multicritério (MCDM) (ex: AHP, TOPSIS padrão) produzem classificações estáticas que não conseguem capturar relações não lineares ou a vagueza inerente ao julgamento de especialistas. Além disso, pesquisas anteriores frequentemente falham em vincular a qualidade da governança avaliada por especialistas aos resultados financeiros reais, utilizando frequentemente escores derivados de MCDM como alvos de aprendizado de máquina, o que cria um problema de validação circular.

Metodologia
Os autores propõem uma estrutura híbrida integrando ponderação objetiva, lógica fuzzy e aprendizado de máquina (ML) para avaliar a eficiência da governança e sua relação com a lucratividade. A estrutura opera em quatro estágios distintos:

Coleta de Dados e Sistema de Critérios: Dados primários foram coletados de 20 especialistas do domínio avaliando oito grandes empresas de materiais de construção em dez indicadores de governança através de cinco dimensões (Estrutura do Conselho, Transparência Financeira, Gestão Estratégica, Controle Interno/Risco e Relações com Stakeholders) usando uma escala Likert de 7 pontos. Os dados de desempenho financeiro (Retorno sobre Ativos, ROA) foram extraídos de registros oficiais de 2019–2021.
Ponderação Objetiva (CRITIC) e Classificação (Fuzzy-TOPSIS):
- O método CRITIC (Criteria Importance Through Intercriteria Correlation) foi aplicado às avaliações agregadas dos especialistas para derivar pesos objetivos baseados na intensidade de contraste e no conflito entre critérios, evitando comparações pareadas subjetivas.
- O Fuzzy-TOPSIS (Technique for Order of Preference by Similarity to Ideal Solution) utilizou esses pesos e converteu as classificações Likert em números fuzzy triangulares para lidar com a imprecisão linguística. Isso gerou uma classificação de governança de base baseada no coeficiente de proximidade ( $CC_i$ ) de cada empresa em relação a um perfil de governança ideal.
Predição por Aprendizado de Máquina: Quatro modelos de ML — Random Forest (RF), XGBoost, Support Vector Regression (SVR) e Redes Neurais Artificiais (ANN) — foram treinados para prever o ROA real das empresas usando os dez indicadores de governança como características de entrada (features). Crucialmente, a variável alvo foi o ROA real, e não um escore de governança derivado, o que evita a circularidade de prever escores gerados por fórmulas. Os modelos foram avaliados usando validação cruzada Leave-One-Enterprise-Out (LOEO) para evitar vazamento de dados (data leakage) e garantir estimativas de desempenho imparciais.
Interpretabilidade (SHAP): A análise SHAP (SHapley Additive exPlanations) foi empregada para determinar a importância das características, identificando quais dimensões de governança mais fortemente influenciaram o desempenho financeiro previsto.

Principos Resultados

Pesos Objetivos: O CRITIC atribuiu os pesos mais altos ao Planejamento Estratégico (0,130) e à Gestão de Riscos (0,115), indicando que essas dimensões exibiram maior variabilidade e menor redundância nas avaliações dos especialistas.
Desconexão entre Governança e Desempenho: A classificação de governança via Fuzzy-TOPSIS mostrou uma correlação fraca, negativa e não significativa com as classificações de ROA real ( $\rho = -0,238, p = 0,570$ ). Notavelmente, a empresa percebida como tendo a pior governança (E2) alcançou o maior ROA (37,1%), enquanto a empresa classificada em primeiro lugar (E1) teve um ROA abaixo da média (17,4%).
Desempenho Preditivo de ML: Todos os quatro modelos de ML apresentaram valores de $R^2$ negativos (variando de -0,181 a -0,317), indicando que os indicadores de governança percebidos pelos especialistas sozinhos não podiam prever a lucratidade melhor do que a média da amostra. Isso confirma a desconexão empírica entre a percepção e o resultado financeiro neste setor.
Importância de Características via SHAP: Apesar da baixa precisão preditiva, a análise SHAP revelou um padrão distinto: as Relações com Stakeholders (especificamente Relações com Empregados e Relações com o Governo) foram os fatores dominantes associados ao ROA. Em contraste, dimensões estruturais como Planejamento Estratégico e Composição do Conselho, que detinham altos pesos no CRITIC, mostraram baixa importância no SHAP.

Principais Contribuições
O artigo apresenta três contribuições primárias para a literatura:

Estrutura Específica do Setor: Fornece a primeira estrutura dedicada de avaliação de governança calibrada especificamente para a indústria de materiais de construção do Uzbequistão, um setor anteriormente ausente em pesquisas empíricas de governança.
Integração Metodológica: Demonstra uma abordagem híbrida inovadora que combina o Fuzzy-TOPSIS ponderado por CRITIC para classificação de base com modelos de ML treinados em resultados financeiros reais, evitando assim a circularidade de prever escores derivados de fórmulas.
Insight Empírico sobre o "Paradoxo da Governança": O estudo documenta uma desconexão sistemática em economias de transição onde a qualidade da governança percebida pelos especialistas não se correlaciona com a lucratividade. Identifica ainda que a governança relacional (relações com stakeholders) supera a governança estrutural (composição do conselho, planejamento estratégico) em sua associação com o desempenho financeiro, desafiando as prioridades de reforma convencionais que enfatizam mandatos estruturais.

Significância e Alegações
Os autores alegam que seus achados reordenam as prioridades de reforma para economias emergentes. Eles argumentam que, em contextos com lacunas institucionais, mecanismos relacionais (ex: motivação de funcionários, relações governamentais) frequentemente substituem e superam a governança estrutural formal na condução de retornos financeiros de curto prazo. Consequentemente, o artigo sugere que, embora as reformas estruturais (independência do conselho, qualidade da auditoria) sejam necessárias, elas são insuficientes para melhorar o desempenho financeiro neste contexto específico. O estudo defende a complementação das avaliações de especialistas com dados operacionais e financeiros, em vez de depender apenas de cartões de pontuação de governança como diagnósticos de desempenho. Os autores mantêm a modéstia quanto à generalização de seus achados devido ao pequeno tamanho da amostra (oito empresas) e à natureza transversal dos dados, enquadrando os resultados como um estudo exploratório que destaca a necessidade de dados longitudinais e análises setoriais mais amplas em pesquisas futuras.

Mais como este