A Multi-Input Approach for SME Default Using Explainable Deep Learning

Na complexa maquinaria de uma economia moderna, as pequenas e médias empresas atuam como as engrenagens essenciais que mantêm tudo em movimento. Elas empregam milhões, impulsionam a inovação e formam a espinha dorsal da riqueza nacional. No entanto, essas empresas enfrentam uma aposta constante de alto risco: o risco de inadimplência, ou a incapacidade de pagar suas dívidas. Para bancos e credores, prever qual empresa pode falhar antes que isso realmente aconteça é uma questão de estabilidade financeira. Por décadas, especialistas tentaram resolver esse enigma usando modelos matemáticos que analisam os demonstrativos financeiros de uma empresa — seus ativos, dívidas e lucros — para adivinhar seu futuro. Esses métodos tradicionais funcionam razoavelmente bem, mas frequentemente tratam o histórico de uma empresa como um instantâneo estático no tempo, ignorando como essa empresa mudou ao longo dos anos. Eles também tendem a negligenciar outros detalhes cruciais, como quem dirige a empresa ou onde ela está localizada, concentrando-se quase exclusivamente nos números do livro contábil.

Uma equipe de pesquisadores da Universidade de Nápoles "Parthenope", na Itália, desenvolveu uma nova forma de olhar para este problema, uma que trata uma empresa mais como uma história viva do que como uma fotografia estática. Em vez de depender de uma fórmula única e rígida, eles construíram um sistema computacional sofisticado capaz de ler múltiplos tipos de informações simultaneamente. Este sistema, que eles chamam de rede neural de múltiplas entradas, foi projetado para digerir três fluxos distintos de dados: o histórico financeiro de uma empresa ao longo de vários anos, as características de sua liderança e estrutura de gestão, e as condições econômicas da região específica onde ela opera. Ao tecer esses diferentes fios, os pesquisadores criaram um modelo que consegue perceber padrões e conexões que os métodos antigos perdem. O trabalho deles sugere que, para compreender verdadeiramente o risco de uma empresa falhar, deve-se olhar para sua trajetória passada, sua liderança atual e seu entorno, não apenas para seu balanço patrimonial.

Os pesquisadores testaram essa nova abordagem usando um conjunto massivo de dados de pequenas e médias empresas italianas, cobrindo o período de 2013 a 2022. Eles focaram em empresas estabelecidas que estavam em atividade há pelo menos três anos, excluindo microempresas muito pequenas porque seus registros financeiros são frequentemente breves demais ou suas estruturas de gestão são simples demais para fornecer o histórico detalhado necessário para esse tipo de análise. A equipe reuniu informações sobre milhares de empresas, incluindo seus lucros, dívidas e ativos anuais, bem como detalhes sobre seus membros do conselho, como idade, gênero e experiência. Eles também registraram a região específica onde cada empresa estava sediada, reconhecendo que as condições econômicas locais podem influenciar o sucesso de um negócio.

Para processar essa informação diversificada, os pesquisadores construíram uma arquitetura digital com três vias especializadas, ou "sub-redes", que alimentam uma unidade central de tomada de decisão. A primeira via foi projetada para lidar com os dados financeiros, que mudam todos os anos. Em vez de olhar apenas para os números do ano mais recente, esta parte do sistema utiliza um tipo de inteligência artificial conhecido como rede de Long Short-Term Memory (Memória de Longo Prazo e Curto Prazo). Esta tecnologia é particularmente boa em lembrar sequências; ela observa o histórico financeiro de uma empresa ao longo de vários anos para entender sua tendência, tal como um médico poderia observar os registros de saúde de um paciente ao longo de uma década, em vez de apenas sua temperatura em um único dia. A segunda via processa os dados de governança, que descrevem as pessoas no comando. Como as equipes de liderança não mudam com tanta frequência quanto os números financeiros, esta parte do sistema trata essa informação como um conjunto estável de fatos sobre a estrutura da empresa. A terceira via lida com os dados regionais, convertendo o nome de uma região em um código numérico que permite ao sistema aprender como diferentes áreas geográficas afetam o risco empresarial.

Uma vez que esses três fluxos de informação são processados, eles são combinados em um quadro único e unificado da empresa. Essa visão combinada é então passada para uma camada final que calcula a probabilidade de a empresa entrar em inadimplência no ano seguinte. Os pesquisadores compararam este novo sistema de múltiplas entradas contra outros três métodos comumente usados na indústria: um modelo estatístico tradicional conhecido como regressão logística, uma poderosa ferramenta de aprendizado de máquina chamada XGBoost, e um modelo padrão de deep learning que não considera sequências temporais. Eles testaram esses modelos perguntando quais empresas falhariam em 2021 e 2022, com base nos dados disponíveis no ano anterior.

Os resultados mostraram que a nova abordagem de múltiplas entradas foi o preditor mais preciso. Em testes projetados para ver quão bem os modelos conseguiam distinguir entre empresas que sobreviveriam e aquelas que falhariam, o novo sistema superou consistentemente os outros. Ele alcançou as pontuações mais altas ao identificar corretamente tanto as empresas que sobreviveriam quanto aquelas que falhariam, atingindo um melhor equilíbrio do que os outros modelos. Enquanto o modelo estatístico tradicional e as ferramentas padrão de aprendizado de máquina cometeram mais erros, o novo sistema demonstrou uma capacidade superior de se adaptar a novos dados e evitar a armadilha comum do overfitting, onde um modelo memoriza os dados passados tão perfeitamente que falha ao prever o futuro.

Além de simplesmente prever quem falharia, os pesquisadores queriam entender por que seu modelo tomava as decisões que tomava. Sistemas de deep learning são frequentemente criticados por serem "caixas pretas", o que significa que sua lógica interna é tão complexa que os humanos não conseguem explicar facilmente como chegaram a uma conclusão. Para enfrentar isso, a equipe utilizou uma técnica chamada valores de Shapley, que atua como uma calculadora de justiça para medir o quanto cada peça de informação contribuiu para a previsão final. Eles descobriram que os indicadores financeiros e econômicos eram, como esperado, os impulsionadores mais fortes da previsão. No entanto, a análise revelou algo importante: as características da governança da empresa e sua localização geográfica também desempenharam um papel significativo e não desprezível. Embora os dados financeiros carregassem o maior peso, o modelo mostrou que ignorar as pessoas no comando ou o contexto econômico local levaria a previsões menos precisas. Os dados regionais, por exemplo, contribuíram com menos de 20 por cento para a decisão final, mas essa pequena quantidade ainda era significativa o suficiente para melhorar a precisão geral.

Este estudo confirma que olhar para um negócio através de uma única lente já não é suficiente para uma avaliação de risco precisa. Ao integrar o histórico financeiro, detalhes de liderança e o contexto regional em um sistema único e flexível, os pesquisadores criaram uma ferramenta que oferece uma visão mais completa e confiável da saúde corporativa. O trabalho deles sugere que o futuro da previsão de falência empresarial reside em modelos que possam lidar com diferentes tipos de dados simultaneamente, respeitando a maneira única como cada peça de informação evolui ao longo do tempo. Embora o modelo tenha sido testado especificamente em empresas italianas, a abordagem oferece um roteiro de como credores e analistas em outros lugares podem entender melhor as realidades complexas das empresas que apoiam. As descobertas não eliminam o risco de falha, mas fornecem um mapa mais claro e matizado para navegá-lo.