Modelos de previsão de falência - análise econométrica do setor da construção civil na UE.

MODELOS DE PREVISÃO DE FALÊNCIA: ANÁLISE ECONOMÉTRICA DO SETOR DA CONSTRUÇÃO CIVIL NA UE Por Isabel da Costa Pimenta Dissertação de Mestrado em Finanças e Fiscalidade Orientada por: Prof. Doutor Francisco Vitorino Martins Prof. Doutor Elísio Fernando Moreira Brandão 2015 i Nota Bibliográfica Isabel da Costa Pimenta, nascida em Braga, a 10 de Outubro de 1991, é licenciada em Administração Pública, pela Universidade do Minho, com média final de 14 valores. Em 2012, ingressou no Mestrado em Finanças e Fiscalidade na Faculdade de Economia da Universidade do Porto. Profissionalmente integrou a EY em 2014 e participa em projetos de Auditoria nas Instituições Bancárias e Seguradoras em Portugal. ii Agradecimentos Ao meu orientador, Professor Doutor Francisco Vitorino Martins, por toda a disponibilidade, motivação, otimismo e conhecimentos fundamentais para a realização deste trabalho. Ao Professor Doutor Elísio Brandão, Diretor do Mestrado em Finanças e Fiscalidade e meu co-orientador pelo incentivo à conclusão desta etapa. Aos meus pais e irmãos por estarem presentes e me apoiarem em todas as etapas que conduziram a este trabalho. Ao Eduardo, um agradecimento especial, pelo apoio e motivação determinantes na realização dos meus objetivos. iii Resumo No atual contexto de crise financeira é evidente o aumento de falência de empresas e as graves consequências para todos os envolvidos. Com este trabalho pretende-se criar um modelo capaz de prever a falência de empresas do setor da construção civil, para países da UE. Recolhemos informação económico-financeira para uma amostra de 3.929 empresas falidas entre os períodos de 2013 a 2015 e 167.040 empresas saudáveis na base de dados AMADEUS, pertencentes aos CAE da construção Civil (41, 42 e 43). Para a estimação foi utilizado o Modelo Logit, com correção de Huber/White. Além do modelo geral para o conjunto da UE, que calculado com um desfasamento temporal de dois anos, foi estimado um modelo geral para o conjunto de países do Sul da Europa e comparado com a Alemanha. Constatamos que a probabilidade de falência é influência pelos rácios de liquidez, cobertura, endividamento e atividade, nomeadamente através das variáveis de Capital Próprio/Passivo Total; EBIT/despesas com juros; (Ativo Corrente-Passivo Corrente)/Ativo total; Vendas/ Ativo Total. Além disso, estas variáveis também se confirmam como relevantes no estudo país a país, com contextos económicofinanceiros distintos. Palavras-Chave: Modelos de previsão de falências; UE; construção civil; Logit iv Abstract In the current context of financial crisis is evident that corporate bankruptcy and the serious consequences for all involved is increasing. This thesis intendeds to create a model capable of predicting company's bankruptcy for the construction sector in EU countries. We collect economic and financial information for a sample of 3,929 bankrupt companies, between the periods 2013-2015 and 167,040 healthy companies in the AMADEUS database, belonging to NACE Rev. 2 (Primary codes only): 41 - Construction of buildings, 42 - Civil engineering, 43 - Specialised construction activities. We used the logit model, with estimates White-Huber robust standard errors. Separately from the general model, that was calculated with a lag of two years, it was also estimated a model for the countries of southern Europe in comparison with Germany. We have verified that the probability of bankruptcy it’s influenced by the liquidity, cover, debt and activity ratios, through the variables of the Shareholders funds/Total liabilities; EBIT/expenses plus interest paid; Current Assets – Current Liabilities/Total Assets; Turnover/Total Assets; Besides, this variables are also confirmed as relevant in the country by country study, with different economic and financial contexts. Keywords: Bankruptcy Prediction Models; EU; construction industry; Logit v Índice Nota Bibliográfica................................................................................................................. i Agradecimentos ................................................................................................................... ii Resumo............................................................................................................................... iii Abstract .............................................................................................................................. iv Índice de tabelas ................................................................................................................. vi Introdução............................................................................................................................ 1 1. Enquadramento teórico ................................................................................................. 3 1.1. Falência e dimensão das empresas: conceitos................................................................. 3 1.2. Modelos explicativos de falências.................................................................................. 5 2. Metodologia ................................................................................................................. 8 3.1 Amostra ......................................................................................................................... 8 3.2. Variáveis ....................................................................................................................... 9 3.3. Modelos quantitativos: Logit ....................................................................................... 11 3.4. Hipóteses .................................................................................................................... 13 4. Resultados ..................................................................................................................... 14 Conclusão .......................................................................................................................... 20 Bibliografia ........................................................................................................................ 22 vi Índice de tabelas Tabela 1 – Amostra: Número de empresas por país nos CAE 41, 42 e 43 .................. 9 Tabela 2 – Variáveis a testar ................................................................................... 10 Tabela 3 – Estatísticas descritivas das variáveis explicativas ................................... 14 Tabela 4 – Resultados do Modelo ........................................................................... 16 Tabela 5 – Efeito estrutural específico do país........................................................ 18 Tabela 6 – Aplicação do modelo a cada país ........................................................... 18 1 Introdução A recente crise que afetou a Europa e o resto do Mundo originou consequências nefastas na sociedade, traduzindo-se em instabilidade política e económica, que por consequência, expôs a fragilidade e complexidade do sistema financeiro. A crise económica fez diminuir o capital investido, gerou limitações no acesso ao crédito, implementação de medidas gravosas de austeridade, implicando altas taxas de desemprego e de empresas em falência. O ciclo económico sofreu uma rutura: a redução do dinheiro disponível das famílias originou a diminuição da procura, que consequentemente conduziu à redução da produção de muitas empresas, que por sua vez, não conseguiram aguentar os custos e entraram em processo de falência. Este quadro fica ainda mais crítico porque muitas destas empresas faliram e deixaram dívidas incobráveis quer perante particulares, quer perante outras empresas e/ ou bancos. A elevada exposição que muitos bancos tinham, era composta por empresas que entraram em falência, o que fez diminuir a sua liquidez e capacidade de resposta perante a crise, bem como o crédito disponível. Neste contexto, assume particular importância a previsão de falências de empresas, uma vez que a informação atempada e precisa equivale a informação útil para a tomada de decisão de todos os stakeholders, podendo inclusive mitigar alguns dos efeitos negativos da falência da empresa. Entre os setores mais afetados pela crise financeira dos últimos anos está o setor da construção. Em Portugal, assistimos ao progressivo aumento de falências de empresas ligadas a este setor, quer pelo abrandamento económico e inevitável diminuição de obras de elevada dimensão, quer pela dificuldade em acesso ao crédito. O objetivo essencial deste estudo é a construção de um modelo de previsão de falências em empresas da UE, no setor da Construção Civil, com recurso a informação financeira. Este estudo difere dos anteriores por recolher informação de vários países da UE, com contextos sociais, económicos, políticos e legais distintos, mas que se interligam através da União Europeia. Os dados utilizados na amostra 2 foram recolhidos na base de dados AMADEUS e a amostra é constituída por dois grupos de empresas: um grupo com empresas ativas, saudáveis do ponto de vista financeiro e um segundo grupo de empresas que entraram em falência ou em procedimentos de insolvência durante o período de 2013 a 2015. Este trabalho está organizado da seguinte forma: na primeira parte é feito um enquadramento teórico e são definidos alguns conceitos relevantes. Na segunda parte é delineada qual a metodologia a utilizar, nomeadamente a amostra, as variáveis e o modelo estatístico utilizado neste estudo. Na terceira parte apresentamos os resultados da análise empírica, quer na aplicação do modelo geral, quer na aplicação do modelo por país. E por último, na quarta parte são apresentadas as conclusões e limitações deste estudo. 9 Tabela 1 – Amostra Número de empresas por país nos CAE 41, 42 e 43 País CODE Total Empresas Falidas Total Empresas Ativas Belgium BE 9 5.459 Croatia HR 171 1.335 Czech Republic CZ 92 3.908 Finland FI 119 3.414 France FR 666 31.633 Germany DE 612 30.098 Ireland IE 1 868 Italy IT 1.071 37.134 Latvia LV 32 1.148 Lithuania LT 24 905 Netherlands NL 15 5.137 Portugal PT 332 4.622 Slovakia SK 1 1.823 Spain ES 650 21.984 United Kingdom GB 134 17.572 Total 3.929 167.040 De acordo com Adnan Aziz, M.(2013), cerca de 42% dos estudos relativos à previsão de falência de empresas usam uma amostra com menos de 100 empresas, como se pode ver no anexo 1. Assim torna-se pertinente a utilização de uma amostra com uma dimensão mais considerável, construindo um modelo mais abrangente e robusto. 3.2. Variáveis De acordo com a literatura, a probabilidade de falência de uma empresa pode ser definida através dos seus rácios económico-financeiros. As variáveis utilizadas variam de estudo para estudo, Bellovary et al. (2007) listam 42 fatores diferentes que foram considerados em um ou mais estudos. Deste modo iremos selecionar rácios económico-financeiros para constituir as variáveis explicativas da probabilidade de falência das empresas. 10 As variáveis independentes serão selecionadas com base na bibliografia, distribuídas pelas categorias de endividamento, liquidez, rentabilidade, cobertura e rácios de atividade, conforme o Tabela 2. No modelo Logit as variáveis serão selecionadas com base na aplicação do método forward de forma a determinar qual o conjunto de variáveis com maior poder discriminatório. Tabela 2 - Variáveis a testar Categoria Sinal esperado Rácio Endividamento + Dívida de curto prazo/Capital Próprio Capital Próprio/Passivo Total Passivo Total/Ativo Total Passivo Total/Capital Próprio Cobertura - EBITDA/Despesas com juros Resultados transitados/ Ativo Total Ativo Corrente/ Passivo Corrente EBIT/ Despesas com juros Liquidez - Disponibilidades/Ativo Total Fundo de Maneio/Ativo Total Ativo Corrente/Ativo Total Passivo Corrente/ Passivo total Disponibilidades/ Passivo Corrente Alavancagem - Capital Próprio/ Ativo Total Rentabilidade - EBIT/Ativo Total EBIT/Passivo Total EBITDA/ Ativo Total EBITDA/ Número de colaboradores Resultados transitados/Ativo Total EBIT/ Volume de negócios Resultado líquido/Ativo Total Resultado Líquido/ Capital Próprio Atividade - Volume de negócios/Ativo total Volume de negócios/Ativo Corrente Ativo Corrente/ Volume de Negócios Clientes/ Passivo Total EBITDA / Juros suportados Vendas/ Ativo Total Contas a pagar/ Volume de Negócios Internacionalização - Exportação/vendas 11 3.3. Modelos quantitativos: Logit Os modelos mais utilizados na previsão de falências são a Análise Discriminante Múltipla e o Modelo Logit. 3.3.1 Análise Discriminante Múltipla A Análise Discriminante Múltipla surgiu como forma de ultrapassar os problemas da utilização das variáveis isoladamente. O primeiro estudo a aplicar análise discriminante foi o de Altman (1968) que utilizou a combinação linear de cinco variáveis discriminantes para prever a falência de empresas, resultando no modelo Z-Score: A função generalizada: Z = W1X1 + W2X2 + W3X3 + … + WnXn Em que: Z= score discriminante; Wi= coeficiente discriminante da variável i ; Xi= variável independente i. A MDA tem como pressupostos a distribuição normal das variáveis independentes e a homogeneidade das matrizes de variância e covariância para todos os grupos, neste caso para o grupo das empresas falidas e para o grupo das empresas saudáveis. O não cumprimento deste pressuposto pode gerar problemas de homocedasticidade, afetando a capacidade dos testes de significância e intervalos de confiança. 3.3.2 Modelo Logit A regressão logística, também conhecida por modelo Logit, consiste numa técnica estatística que usa a probabilidade condicionada, em que a variável dependente (Y) é qualitativa, do tipo dicotómico ou binário, ou seja, por definição assume o valor de 0 ou de 1. As variáveis independentes consistem em rácios 12 económico-financeiros das empresas em análise. A função traduz-se na seguinte expressão: 𝑌𝑖∗= 𝛽0+𝛽1𝑋1𝑖 +𝛽2𝑋2𝑖+⋯.+𝛽𝑘𝑋𝑘𝑖 +𝑢𝑖 =𝑋𝑖 𝛽+ 𝑢𝑖 Sendo X e 𝛽, respetivamente, vetor de variáveis e o vetor de coeficientes. A regra de determinação de Y em função de Y* é: 𝑌𝑖={1,𝑠𝑒 𝑌𝑖∗ >0 0,𝑠𝑒 𝑌𝑖∗ ≤0 Sendo, a probabilidade de falir (Y=1) ou a não falir (Y=0) determinada através de uma função de distribuição Logística determinada por: 𝑃𝑟𝑜𝑏 (𝑌𝑖=1)= 𝑃𝑟𝑜𝑏(𝑌𝑖∗ >0)=𝐹 (𝑋𝑖𝛽)=1 1+𝑒−𝑥𝑖𝛽 𝑃𝑟𝑜𝑏 (𝑌𝑖=0)= 𝑃𝑟𝑜𝑏(𝑌𝑖∗ ≤0)=1 − 𝐹 (𝑋𝑖𝛽)= 1− 1 1+𝑒−𝑥𝑖𝛽 A variável dependente assume o valor de um (Yi=1) quando a empresa é insolvente e o valor zero (Yi=0) quando está em atividade. Neste modelo pode ser incluída informação não financeira, uma vez que o modelo permite a inclusão de variáveis qualitativas e quantitativas. Uma vantagem da utilização deste modelo, em detrimento da utilização dos modelos da Análise discriminante, é a possibilidade de ser aplicado a amostras desproporcionais. Além disso, este modelo não está restrito às condições impostas pela MDA, nomeadamente a obrigatoriedade das variáveis independentes seguirem uma distribuição normal e as matrizes de variância e covariância serem homogéneas em todos os grupos. Desta forma, consideramos a regressão logística robusta e a mais adequada para utilizar no presente estudo. Além disso, para evitar a ocorrência de heterocedasticidade utilizou-se na estimação de todos os modelos o processo de correção de Huber-White. 13 3.4. Hipóteses Com esta análise pretende-se determinar se existem características diferentes entre o grupo de empresas falidas e o grupo de empresas não falidas e verificar qual é a combinação linear das variáveis independentes que tem mais poder discriminatório de separação entre os grupos. Para tal, pode ser utilizado o processo de estimação stepwise de forma a identificar as variáveis que contribuem para o aumento da capacidade de discriminação. A discriminação dos grupos é feita através do cut-off point, este valor indica quando uma empresa passa a ser considerada no grupo das empresas não falidas. Após aplicarmos o modelo Logit, com o estado de falência (1=falência e 0 = não falência), espera-se que uma melhoria nos rácios de liquidez, atividade e cobertura, conduzam a uma menor probabilidade da empresa falir (sinal negativo). Por outro lado, aumentos nos rácios indicadores de endividamento e nos custos de estrutura aumentam a probabilidade de uma empresa falir (sinal positivo). Neste sentido, colocam-se as seguintes hipóteses de investigação: H1: Os rácios de liquidez estão inversamente relacionados com a probabilidade de falência. H2: Os rácios de cobertura estão inversamente relacionados com a probabilidade de falência. H3: Os rácios de atividade estão inversamente relacionados com a probabilidade de falência. H4: A especificidade do país influência a determinação da probabilidade de falência. 14 4. Resultados Neste capítulo iremos apresentar as estatísticas descritivas para as variáveis testadas, o processo de seleção das variáveis a incluir no modelo final, os testes das hipóteses H1, H2, H3 e H4 e a interpretação dos resultados obtidos. Para alcançar este objetivo, realizamos um modelo de estimação com um desfasamento temporal de dois períodos para o setor da construção civil na UE. O software utilizado para realizar todas as estimações e testes estatísticos foi o EVIEWS 8. 4.1 Análise das estatísticas descritivas A amostra utilizada é composta por dois grupos de empresas: empresas falidas e empresas saudáveis. Assim, é expectável que os grupos tenham características diferentes. De modo a determinar essas diferenças, apresentamos na tabela 3 as estatísticas descritivas para as variáveis incluídas no modelo. Tabela 3 Estatísticas descritivas das variáveis explicativas Painel A - Empresas Falidas LOG(EMPL) TURN/TOAS WKCP/TOAS SHFD/(NCLI+ONCL+ CULI+OCLI) EBIT/INTE Média 2.649814 1.648614 0.304620 -0.027779 -507.8173 Mediana 2.772589 1.365809 0.287890 -0.066598 -10.06512 Máximo 7.370860 24.86488 1.000000 2.389050 546.8695 Mínimo 0.000000 0.000000 -1.329186 -0.557782 -92656.00 Desvio Padrão 1.241898 2.219700 0.406821 0.330730 6078.163 Observações 2756 251 284 269 235 Painel A - Empresas Saudáveis LOG(EMPL) TURN/TOAS WKCP/TOAS SHFD/(NCLI+ONCL+ CULI+OCLI) EBIT/INTE Média 2.537321 13.28041 0.317801 8.939537 -839.9784 Mediana 2.708050 1.266421 0.298781 0.231961 2.454533 Máximo 11.13716 4221638. 304.0000 580801.4 70957510 Mínimo 0.000000 -3.607769 -6750.291 -193.5000 -3.43E+08 Desvio Padrão 1.300816 6930.092 10.62056 1549.720 704288.3 Observações 576595 371186 438430 406583 314100 15 É expectável que o grupo de empresas saudáveis detenha uma situação económico-financeira mais estável e robusta que o grupo de empresas falida. Deste modo, é expectável que apresente maiores níveis de liquidez e rendibilidade, tal como verificamos para a variável (Ativo Corrente-Passivo Corrente)/ Ativo total (WKCP/TOAS) em que a média do grupo de empresas saudáveis é superior à média do grupo de empresas falidas. Também a média da variável Vendas/ Ativo Total (TURN/TOAS) apresenta valores superiores no grupo das empresas saudáveis, mostrando mais uma vez que existem diferenças entre os dois grupos. 4.2. Aplicação do modelo Tal como descrito no capítulo da metodologia, as variáveis selecionadas pertencem às seguintes categorias financeiras: rentabilidade, liquidez, endividamento, atividade e cobertura. O processo de determinação das variáveis a utilizar iniciou-se com o teste da significância de cada variáveis individualmente, incluindo no modelo final variáveis de categorias financeira enumeradas anteriormente. Além disso, utilizamos também o logaritmo do número de empregados, como uma variável de controlo de dimensão da empresa. Na constituição do modelo de previsão com o desfasamento temporal de dois anos, foram utilizadas 3.929 empresas falidas e 167.040 empresas saudáveis, de 15 países da UE. Conforme apresentado na Tabela 4, verificamos que todas as variáveis analisadas são estatisticamente significativas ao nível de significância de 1%, com exceção da variável Ativo Corrente-Passivo Corrente)/ Ativo total, que é estatisticamente significativa ao nível de significância de 5%. O teste LR (Rácio de verosimilhança) permite-nos também dizer que o modelo é globalmente estatisticamente significativo a 5% (e a 1%). 16 Tabela 4 Resultados do Modelo Dependent Variable: YFAL(2) Method: ML Binary Logit (Quadratic hill climbing) Sample: 2011 2015 IF EMPL>0 AND TOAS<>0 AND INTE<>0 AND (NCLI+ONCL+CULI+OCLI)<>0 Included observations: 180566 Convergence achieved after 10 interations QML (Huber/White) standard errors & covariance Variable Coefficient Std. Error Z-Statistic Prob. C -4.298592* 0.078548 -54.72546 0.0000 LOG (EMPL) 0.152755* 0.020499 7.451882 0.0000 TURN/TOAS -0.158800* 0.030293 -5.242122 0.0000 WKCP/TOAS -0.179214** 0.079056 -2.266922 0.0234 SHFD/(NCLI+ONCL+CULI+OCLI) -2.518830* 0.538684 -4.675898 0.0000 EBIT/INTE -5.27E-08* 1.28E-08 -4.117483 0.0000 McFadden R-squared 0.050387 Mean dependent var 0.008440 S.D. dependent var 0.091482 S.E. of regression 0.091152 Akaike info criterion 0.092566 Sum squared resid 1500.228 Schwarz criterion 0.092902 Log likelihood -8351.164 Hannan-Quinn criter. 0.092666 Restr. Deviance 17588.56 Restr.log likelihood -8794.281 LR statistic 886.2348 Avg. Log lokelihood -0.046250 Prob (LR statistic) 0.00000 Obs with Dep=0 179042 Total obs 180566 Obs with Dep=1 1542 As variáveis identificadas com * são estatisticamente significativas com nível de significância de 1%; com ** são estatisticamente significativas com nível de significância de 5%; com *** são estatisticamente significativas com nível de significância de 10%. No que respeita ao sinal dos coeficientes, verificamos que existem algumas incoerências face aos sinais esperados. Embora esperássemos um sinal positivo para o coeficiente do rácio do endividamento: Capital Próprio/Passivo Total (SHFD/(NCLI+ONCL+CULI+OCLI)), este apresenta um coeficiente com sinal negativo. Os restantes coeficientes, tal como esperado, acompanham a literatura: os rácios de liquidez e atividade estão negativamente relacionados com probabilidade de falência. Neste sentido, validamos as hipóteses H1, H2 e H3, pois o rácio de liquidez [(Ativo Corrente-Passivo Corrente)/Ativo total], o rácio de cobertura 17 (EBIT/despesas com juros) e o rácio de atividade (Vendas/Ativo Total) apresentam coeficientes estatisticamente significativos e diferentes de zero. 4.3 Estimação do Modelo de Previsão por país A amostra utilizada para estimação do modelo é composta por empresas de 15 países pertencentes à UE e à zona EURO (com exceção da GB, HR e CZ). Deste modo, torna-se pertinente perceber se a capacidade preditiva do mesmo tem ou não resultados iguais em cada um dos países. Neste sentido, realizamos uma estimação complementar, com a introdução de variáveis dummies dos países na especificação, de forma a perceber se existe algum efeito diferenciador de país para país. Uma vez que os dados de empresas falidas referentes aos países IE e SK eram bastantes reduzidos, estes países foram excluídos desta estimação. Ao modelo final estimado acrescentamos a dummy por país, considerando as observações de todos os países, conforme apresentado na tabela 5. Os países a testar individualmente o modelo foram PT, ES, IT, países do sul da europa, que atravessaram uma elevada crise económica no período analisado. Para testar a hipótese H4, escolhemos também a Alemanha que se destacou durante o período de crise por toda a europa, se conseguiu manter estável nos mercados financeiros. Através da análise da tabela 5, podemos concluir que existe um efeito estrutural específico de cada país, pois existem diferenças na constante do coeficiente dummy do país. 18 Tabela 5 Efeito estrutural específico do país (captado por uma constante através de uma variável dummy) Variable Coefficient Prob. Coefficient Prob. Coefficient Prob. Coefficient Prob. Coefficient Prob. C -4.322991* 0.0000 -4.463168* 0.0000 -3.906454* 0.0000 -4.286885* 0.0000 -4.315466* 0.0000 LOG (EMPL) 0.134927* 0.0000 0.166849* 0.0000 0.127752* 0.0000 0.149391* 0.0000 0.162476* 0.0000 TURN/TOAS -0.138939* 0.0000 -0.128497* 0.0000 -0.223920* 0.0000 -0.167252* 0.0000 -0.126313* 0.0000 WKCP/TOAS -0.267994* 0.0006 -0.213665* 0.0052 -0.222751* 0.0040 -0.194592** 0.0161 -0.177407** 0.0215 SHFD/(NCLI+ONCL +CULI+OCLI) -2.556211* 0.0000 -2.565420* 0.0000 -2.617659* 0.0000 -2.506926* 0.0000 -2.434464* 0.0000 EBIT/INTE -5.36E-08* 0.0000 -5.15E-08* 0.0005 -5.09E-08* 0.0045 -5.24E-08* 0.0000 -5.08E-08* 0.0001 DUMMY PAÍS 1.167462* 0.0000 0.562036* 0.0000 -0.533429* 0.0000 0.134402 0.1819 0.444057* 0.0000 PAÍS PT ES IT DE FR McFadden R-squared 0.058990 0.054562 0.055492 0.050498 0.052103 S.D. dependent var 0.91482 0.091482 0.091482 0.091482 0.091482 Akaike info criterion 0.091739 0.092171 0.092080 0.092567 0.092410 Schwarz criterion 0.092131 0.092562 0.092472 0.092958 0.092802 Hannan-Quinn criter. 0.091855 0.092287 0.092196 0.092682 0.092526 Log likelihood -8.275.510 -8.314.448 -83.066.270 -8.350.191 -8.336.076 Prob (LR statistic) 0.000000 0.000000 0.000000 0.000000 0.000000 Nº OBS. 180566 180566 180566 180566 180566 As variáveis identificadas com * são estatisticamente significativas com nível de significância de 1%; com ** são estatisticamente significativas com nível de significância de 5%; com *** são estatisticamente significativas com nível de significância de 10%. Tabela 6 Aplicação do modelo a cada país PT ES IT DE FR Variable Coefficient Prob. Coefficient Prob. Coefficient Prob. Coefficient Prob. Coefficient Prob. C -2.739095* 0.0000 -4.403911* 0.0000 -4.246696* 0.0000 -3.618480*** 0.0000 -5.162978* 0.0000 LOG (EMPL) 0.124312** 0.0462 0.314875* 0.0000 0.224626* 0.0000 -0.056935 0.5146 0.023947 0.6000 TURN/TOAS -0.165535*** 0.0727 -0.328071* 0.0000 -0.169598** 0.0206 -0.057080 0.3082 0.097372** * 0.0744 WKCP/TOAS -0.782839* 0.0024 0.188580 0.2778 -0.488975* 0.0004 -0.718536** 0.0118 1.517188* 0.0000 SHFD/(NCLI+ONCL +CULI+OCLI) -3.368074* 0.0000 -1.890834* 0.0000 -8.992592* 0.0000 -1.652249* 0.0004 -3.483042* 0.0000 EBIT/INTE -9.61E-07 0.5718 -2.80E-08 0.1035 2.59E-06** 0.0101 -2.02E-07 0.4580 -1.65E-06** 0.0134 McFadden R-squared 0.103229 0.082255 0.110908 0.020520 0.072701 Akaike info criterion 0.196996 0.102382 0.081921 0.116841 0.057265 Schwarz criterion 0.202437 0.103786 0.082727 0.120334 0.058693 Hannan-Quinn criter. 0.198862 0.102828 0.082170 0.118009 0.057719 Log likelihood -748.0994 -1853.146 -2778.183 -742.4276 -1014.808 Prob (LR statistic) 0.000000 0.000000 0.000000 0.000009 0.000000 Obs With Dep=0 7481 35958 67437 12674 35479 Obs With Dep=1 175 360 535 137 173 Number obs. 7656 36318 67972 12811 35652 As variáveis identificadas com * são estatisticamente significativas com nível de significância de 1%; com ** são estatisticamente significativas com nível de significância de 5%; com *** são estatisticamente significativas com nível de significância de 10%.