Modelo multicritério de avaliação do desempenho econômico-financeiro para apoiar decisões de investimentos

Queiroz, Rosilania Silva de; Aires, Renan Felinto de Farias; Rocha, Miriam Karla

doi:10.15728/bbr.2023.1755.en

RESUMO

Para a seleção de um investimento no setor bancário, é necessário avaliar não somente a lucratividade da organização, mas também efetuar uma análise global de sua eficiência. Os investidores passaram então a estudar grande quantidade de dados financeiros, tornando-se tarefa de extrema complexidade. Nesse contexto, o objetivo do estudo foi propor um modelo multicritério de avaliação do desempenho econômico-financeiro dos principais bancos listados na Bolsa de Valores Brasileira (B3) por meio da integração de indicadores contábeis para apoiar decisões de investimentos. Para isso, foram considerados doze critérios divididos em três categorias para avaliação dos indicadores econômico-financeiros de oito instituições bancárias que negociam ações na Bolsa de Valores. O Swing Weights Procedure foi utilizado para a definição da importância relativa dos critérios, e o método IV-TOPSIS foi responsável pela análise e ranqueamento das alternativas. Os resultados demonstraram que os bancos BTG Pactual, Pine e Modal são as melhores instituições para se investir. Concluiu-se que o modelo proposto forneceu subsídios para decisões de investimento consistentes e confiáveis.

Palavras-chaves:
Avaliação de Desempenho econômico-financeiro; Decisões de Investimentos; Apoio Multicritério à Decisão

ABSTRACT

To select an investment in the banking sector, it is essential to assess not only the profitability of the organization, but also conduct an overall analysis of its efficiency. Thus, investors study a large amount of financial data, which is an extremely complex task. The aim of this study is to propose a multi-criteria model to assess the economic-financial performance of the main banks listed on the Brazilian Stock Exchange, by integrating the accounting indicators in order to support investment decisions. To that end, twelve criteria were considered, divided into three categories to assess the economic-financial indicators of eight banking institutions listed on the stock exchange. The Swing Weights Procedure was used to establish the relative importance of the criteria and IV-TOPSIS to analyze and rank the alternatives. The results demonstrate that the BTG Pactual, Pine and Modal banks are the best institutions to invest in. It was concluded that the model proposed contributed to consistent and reliable investment decisions.

KEYWORDS:
Economic-financial performance assessment; Investment decisions; Multi-criteria decision making

1 INTRODUÇÃO

O setor bancário desempenha papel relevante para a economia de cada país, sofrendo forte influência de inúmeros fatores externos, além de gerar reflexos positivos ou negativos em outros setores empresariais (Akkoç & Vatansever, 2013). Vistas como instituições com grande força motriz para a economia, elas são consideradas uma das principais responsáveis pela realização dos objetivos macroeconômicos, dada a atuação na transmissão dos impulsos da política monetária (Amile et al., 2013; Banu & Santhiyavalli, 2019).

Tradicionalmente, as instituições financeiras exercem duas funções básicas: 1) de estímulo quanto aos mecanismos de pagamentos na sociedade e 2) a de função como órgãos financeiros responsáveis pela intermediação do recebimento de recursos de agentes econômicos superavitários, transferindo-os para os agentes econômicos deficitários (Assaf Neto, 2020). No entanto, devido à concorrência, globalização e às pressões causadas pelo mercado altamente volátil, essas instituições começaram a ser vistas não apenas como negociantes de dinheiro, mas ainda como órgãos que promovem o desenvolvimento financeiro. Diversificaram então sua carteira de negócios, ofertando serviços como os fundos mútuos, factorings, leasings, financiamentos imobiliários, capital de risco, negociações de ações, dentre outros (Banu & Santhiyavalli, 2019).

Ante essa diversificação de negócios bancários, a oferta de suas ações no mercado de investimentos tornou-se frequente. Os bancos passaram então a exercer uma posição imperativa nesse segmento, aguçando o interesse de inúmeros investidores (Gupta et al., 2020). Para tanto, a análise precisa da gestão financeira e do desempenho econômico dessas instituições tornou-se decisiva para o suporte no processo de tomada de decisões de investimentos (Onder & Hepsen, 2013). Nesse sentido, métodos quantitativos que subsidiem a tomada de decisão são úteis para esse tipo de negócio.

Os métodos de tomada de decisão para a seleção de investimentos no setor bancário são desafiadores, sendo a rentabilidade organizacional e a análise global da sua eficiência consideradas essenciais nesse processo. Assim, os investidores passaram a estudar grande quantidade de dados financeiros, como os indicadores de rentabilidade, liquidez e solvência, tornando-se tarefa de extrema complexidade (Gupta et al., 2020; Nguyen et al., 2020).

Comumente, os investidores possuem acesso às informações básicas para o processo de decisão de investimentos, como os preços das ações, relatórios financeiros publicados e outras informações relacionadas à empresa e divulgadas por outros órgãos (Bortoluzzi et al., 2012). O estudo prévio desses dados auxiliará na escolha de uma instituição bancária financeiramente sólida para os indivíduos canalizarem seus recursos, haja vista que um investimento mal analisado poderá comprometer o futuro financeiro do investidor (Gupta et al., 2020).

Por isso, a análise do desempenho econômico-financeiro passou a atrair atenção dos gestores, especialistas financeiros, credores e investidores (Nguyen et al., 2020). Essa análise consiste na execução de procedimentos que visam à sumarização dos dados operacionais e financeiros, com intuito de se alcançar um panorama relacionando os aspectos econômicos e financeiros da instituição (Banu & Santhiyavalli, 2019).

Diversos conceitos associados à gestão financeira atribuem indicadores que servem para determinar o desempenho das organizações, como a liquidez e o nível de endividamento. Essa técnica possibilita que os gestores obtenham informações que auxiliem no processo de tomada de decisões econômicas (Gupta et al., 2020). A mensuração desse desempenho é considerada como um dos métodos mais eficazes para relacionar a real situação econômica e financeira das instituições (Amile et al., 2013).

Assim, a combinação de indicadores diversos na análise de uma instituição bancária possibilitará conhecimento profundo que dará suporte ao investidor na escolha do melhor investimento (Akkoç & Vatansever, 2013). Entretanto, o uso individual desses indicadores, considerados tradicionais, é julgado como monocritério. Ou seja, se analisados isoladamente não conseguirão correlacionar adequadamente o desempenho financeiro global da entidade (Bortoluzzi et al., 2012). Por outro lado, a análise multicritério abrange vários indicadores e proporciona uma análise mais robusta.

Desta forma, os métodos multicritério estão rapidamente ganhando popularidade devido a seu poder de integração dos indicadores econômico-financeiros no intuito de possibilitar uma visão global da organização (Bortoluzzi et al., 2012; Sama et al., 2020). A aplicação dessa metodologia proporciona a avaliação de alternativas distintas em diferentes unidades, diferenciando-se dos métodos tradicionais de apoio à decisão, em que os critérios são alterados dentro de cada unidade (Akkoç & Vatansever, 2013).

Dada a relevância da problemática, este estudo propõe um modelo multicritério de avaliação do desempenho econômico-financeiro dos principais bancos listados na Bolsa de Valores Brasileira (B3) por meio da integração de indicadores contábeis para apoiar decisões de investimentos.

2 MULTI-CRITERIA DECISION MAKING (MCDM) PARA AVALIAÇÃO DO DESEMPENHO ECONÔMICO-FINANCEIRO

Na literatura do MCDM, a pesquisa pioneira na análise de indicadores financeiros foi a de Balezentis et al. (2012). Os autores objetivaram oferecer um novo procedimento para avaliação integrada e comparação dos setores econômicos da Lituânia, baseado no uso de índices financeiros em um conjunto de métodos multicritério Fuzzy. Foi utilizado um conjunto de indicadores financeiros de diferentes setores econômicos do país para que pudesse ser feita uma comparação através da aplicação dos métodos multicritério. O período estudado foi entre 2007 e 2010, começando no início da recessão econômica e terminando próximo ao período de recuperação, observando assim os setores econômicos que possuíram o maior e o menor desenvolvimento.

Como resultado, foi identificado que empresas atuantes no segmento hospitalar, de mineração, de informação e indústria transformadora, foram consideradas as que executavam suas atividades de forma mais eficiente. Por outro lado, setores como o de construção, imobiliário e de transportes foram os mais afetados com a crise econômica que assolava o mundo no período estudado (Balezentis et al., 2012).

Krivka (2014) também analisou o impacto da crise econômica de 2008, mais especificamente nas indústrias lituânias. O autor buscou fazer uma análise de forma complexa sobre o impacto da crise nas indústrias da Lituânia, com base em um sistema de indicadores quantitativos que caracterizaram a situação financeira e o desempenho dessas empresas. A amostra foi composta por 68 indústrias atuantes em atividades econômicas diversas, referente ao período de 2006 a 2011. Foram selecionados dez indicadores financeiros pertencentes aos grupos de lucratividade, liquidez, solvência e giro de ativos. Os métodos aplicados foram o Simple Additive Weighing (SAW), Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS) e VlseKriterijumska optimizacija I Kompromisno Resenje (VIKOR) e suas classificações e mudanças foram determinadas com bases nos períodos pré-crise, crise e pós-crise. Os resultados mostraram os setores industriais que obtiveram avanço e consequentemente ficaram mais bem posicionados na classificação, assim como aqueles que tiveram maior queda para o período, evidenciando as indústrias mais afetadas pela crise econômica.

Por outro lado, Vavrek et al. (2021) também fizeram uso dos indicadores financeiros e da metodologia multicritério para avaliar a eficiência de uma organização. O objetivo da pesquisa foi destacar a importância da seleção de indicadores adequados por meio de um estudo de caso de avaliação da saúde financeira de um município, como forma de medir a eficiência de sua gestão. Foram combinados vinte e dois indicadores financeiros a outros não financeiros, abrangendo um total de trinta e dois municípios da República Tcheca. Os resultados destacaram a necessidade da identificação coerente das alternativas relevantes a serem estudadas, devendo anteceder a seleção em si dos indicadores, pois a avaliação com um baixo número de indicadores se mostrou insuficiente, altamente variável e diversa para medir de forma eficaz a gestão financeira desses entes públicos.

No âmbito da aplicação dos indicadores financeiros e do MCDM para apoiar decisões de investimentos, Hsu (2014) objetivou desenvolver um processo de tomada de decisão de investimento que pudesse lidar com a questão dos riscos que envolvem essa escolha. As metodologias utilizadas incluem o método VIKOR combinado com a ponderação de entropia para ser realizada uma avaliação e classificação empresarial. 21 indicadores financeiros e quatro indicadores de risco foram utilizados para analisar 62 empresas do ramo optoeletrônico listadas na Bolsa de Valores do Taiwan, sendo estas divididas entre aquelas que possuíam baixo, moderado e alto risco. Os resultados revelaram os indicadores que mais afetaram o desempenho financeiro das empresas, como os indicadores de capital de longo prazo e de giro do estoque. Com isso, esses dados permitiram que os investidores pudessem embasar suas decisões frente à diversidade das carteiras de investimentos.

No setor agrícola, Nguyen et al. (2020) propuseram um modelo no intuito de apresentar um conjunto ideal de ações para se investir, tendo como base as ações de empresas indexadas à Bolsa de Valores do Vietnã. Os autores utilizaram cerca de 20 indicadores financeiros de 13 empresas durante o período de 2016 a 2019, por meio da integração de técnicas multicritério. Como resultado, observaram que o modelo aplicado foi capaz de fornecer informações quantitativas úteis para os investidores e analistas através de um ranking de classificação, funcionando como uma excelente ferramenta de avaliação da saúde financeira dessas empresas.

No setor petroquímico, Shaverdi et al. (2016) desenvolveram um modelo de tomada de decisão que permitisse aos usuários da informação medir o desempenho das empresas por meio da aplicação dos métodos multicritério Analytic Hierarchy Process (AHP) e TOPSIS. O modelo foi aplicado em sete empresas atuantes na Bolsa de Valores de Teerã (TSE), com base em suas informações financeiras dos anos de 2003 a 2013. Fez-se uso de indicadores que medissem a liquidez, alavancagem financeira, atividade, lucratividade e crescimento das instituições. Os resultados evidenciaram um ranking das empresas com base em suas informações financeiras, assim como nas pesquisas supracitadas que empregaram os métodos multicritérios.

No setor de energia, Sun (2018) buscou avaliar científica e ecologicamente o desempenho financeiro de empresas da China por meio do método multicritério AHP. Para isso foram selecionados 18 indicadores financeiros a partir dos aspectos de solvência, lucratividade, capacidade operacional e capacidade de desenvolvimento. A amostra foi composta por 103 empresas listadas na bolsa de valores de Xangai. Os resultados mostraram que, de modo geral, as empresas que possuíam solvência e lucratividade superiores conseguiram melhor classificação. Com isso, pode-se concluir que tais indicadores são relevantes para o desempenho das empresas de energia listadas na bolsa de valores chinesa.

Por fim, no setor bancário, destacam-se dois estudos: Akkoç e Vatansever (2013) e Gupta et al. (2020). No primeiro, os autores utilizaram os métodos Fuzzy AHP e Fuzzy TOPSIS para analisar doze bancos comerciais da Bolsa de Valores de Istambul, Turquia, a partir de dezessete indicadores de desempenho financeiro. O estudo sugere que ambas as abordagens apresentaram resultados semelhantes.

Na mesma linha, Gupta et al. (2020) buscaram classificar o desempenho dos bancos do setor privado indiano com base em sua capacidade financeira, usando uma técnica híbrida de tomada de decisão multicritério, que integrou o AHP e TOPSIS. O modelo baseou-se em dez indicadores de desempenho financeiro para os bancos que negociavam ações na Bolsa de Valores de Bombaim durante o período de 2014 a 2019, com intuito de ser elaborado um ranking geral dessas instituições.

Os resultados permitiram identificar a instituição financeira mais bem classificada durante o período estudado, concernente a suas informações financeiras, evidenciando ainda possíveis indicadores de referência para outros bancos. Também foi possível observar a instituição que obteve os piores resultados em cada ano, ocupando a última posição na classificação final. Os autores concluíram que o modelo proposto contribuiu para que os investidores analisassem de forma eficiente em qual instituição deveriam investir e que os próprios bancos poderiam comparar seus resultados com os demais, buscando o aperfeiçoamento dos resultados (Gupta et al., 2020).

Por fim, vale ressaltar que trabalhos que analisam séries temporais com MCDM não são muito comuns, principalmente com casos reais e em finanças, como foi o caso de Gupta et al. (2020) e o presente artigo. O artigo de Campello et al. (2023) apresenta uma boa explicação dessa questão.

Apesar das contribuições dos estudos citados, vale destacar que a proposta aqui apresentada traz novas contribuições para a área em questão. Primeiramente, há a contribuição para a realidade estudada, ou seja, o modelo foi desenvolvido com base em parâmetros que consideram o setor bancário brasileiro, como critérios específicos e ponderações de especialistas brasileiros. Além disso, o modelo avança na forma como os pesos são ponderados, ao propor a utilização do swing weights procedure, que simplifica o processo de ponderação para os tomadores de decisão, ao mesmo tempo em que é mais realista e robusto.

Por fim, são sugeridos quatro estudos sobre a relação entre MCDM e finanças. Zopounidis et al. (2015) e Masri et al. (2018) discutem as contribuições do MCDM em diferentes áreas da tomada de decisão financeira. Almeida-Filho et al. (2021) contribuem ao estabelecer uma categorização dos tipos de problemas abordados nos artigos analisados e ao verificar um conjunto de questões de investigação relevantes para as quais são utilizadas ferramentas estatísticas. Por outro lado, Černevičienė e Kabašinskas (2022) vão mais longe ao apresentar uma revisão e classificação de métodos MCDM em finanças que ajudam a atingir o objetivo de criar métodos baseados em inteligência artificial que sejam explicáveis, transparentes e interpretáveis

3 ASPECTOS METODOLÓGICOS

Para a construção do modelo, o presente estudo utilizou as três fases sugeridas por De Almeida et al. (2015), conforme Figura 1. As duas primeiras estão apresentadas nesta seção, enquanto a última é discutida na seção dos resultados.

Figura 1.
Procedimento para resolver um problema MCDM/A.

Na fase preliminar, alinhado com o objetivo de propor um modelo multicritério de avaliação do desempenho econômico-financeiro dos principais bancos listados na B3, os critérios foram definidos com base nos estudos de Marion (2019), Assaf Neto (2020) e Gupta et al. (2020). Os indicadores, critérios e seus cálculos estão apresentados na Tabela 1.

Thumbnail

Tabela 1
Indicadores Econômico-Financeiros

O estudo de Marion (2019) relacionou os indicadores contábeis tradicionais, comumente utilizados por entidades de diversos ramos. Por outro lado, Gupta et al. (2020) identificaram os indicadores mais relevantes a serem aplicados no contexto bancário brasileiro, enquanto os de Assaf Neto (2020) foram elaborados com intuito de serem aplicados especificamente em instituições bancárias.

Para aplicação numérica, foi selecionado o setor bancário da B3, que em 2021 possui 26 instituições. Além disso, optou-se ainda por selecionar apenas aqueles bancos que investem recursos na implantação e/ou execução da governança corporativa. Em linhas gerais, a adoção dos mecanismos de governança corporativa busca alinhar os objetivos da administração com os seus investidores e acionistas (Pinheiro et al., 2017 ). Logo, apenas as instituições classificadas como Novo Mercado (NM), Nível 1(N1) e Nível 2 (N2), conforme o segmento de evidenciação proposto pela B3, foram analisadas. Vale salientar que também foram excluídas as instituições cujo holding é atividade principal (duas instituições), bem como as instituições que mudaram o plano de contas de suas demonstrações contábeis no exercício 2020 (três instituições), visto que a localização de informações necessárias para a pesquisa foi afetada.

Portanto, a amostra é composta por oito bancos (alternativas) classificados nesses segmentos, conforme exposto na Tabela 2. Tavares e Penedo (2018) expõem que esse segmento de listagem está relacionado às boas práticas de governança corporativa, e as entidades que estão classificadas no NM são vistas como empresas com um alto padrão de governança. Já as pertencentes ao N2 possuem grau médio, enquanto as classificadas no N1 representam as que dispõem de baixo grau de governança corporativa.

Thumbnail

Tabela 2
Identificação da Amostra

Após essa primeira fase de definições preliminares, foram determinados os aspectos concernentes à segunda fase, que envolve a modelagem de preferências e a escolha do método. Nesse sentido, a estrutura (P, I) foi definida, dada sua capacidade de fornecer uma ordenação completa das alternativas. Ademais, como é permitida a compensação entre os critérios no problema analisado e que o mesmo deve considerar um intervalo de tempo, o Interval-Valued TOPSIS, uma extensão do TOPSIS, foi o método utilizado. O Interval-Valued TOPSIS foi desenvolvido em 2006 por Jahanshahloo et al. para propiciar a análise de valores intervalares, identificando as alternativas que estejam mais próximas das possíveis soluções ideais positivas e mais distante das soluções ideais negativas de determinado problema (Jahanshahloo et al., 2011; Mathew & Thomas, 2019).

Além disso, a escolha do IV-TOPSIS em detrimento de outros métodos MCDM para séries temporais deveu-se ao sucesso de sua utilização em séries temporais financeiras baseadas em casos reais, algo não tão comum na literatura, bem como a sua simplicidade de uso, o que facilita a replicação do modelo aqui proposto em novos casos semelhantes.

Sobre o IV-TOPSIS, considere que A₁ , A₂ ,..., A_n são m possíveis alternativas entre as quais os tomadores de decisão devem escolher; C₁ , C₂ ,..., C_n são critérios com os quais o desempenho das alternativas é medido; x_ij é a avaliação da alternativa A_i em relação ao critério C_j e não é conhecida exatamente e nós sabemos somente $x i j \in [x_{i j}^{L}, x_{i j}^{U}] .$ . Um problema MCDM com dados intervalares pode ser expresso concisamente em formato de matriz como:

Thumbnail

C1 C2 ... Cn A1 [x11L, x11U] [ x12L, x12U ] ... [ x1nL, x1nU ] A2 [x21L, x21U] [ x22L, x22U] ... [ x2nL, x2nU ] Am [xm1L, xm1U] [xm2L, xm2U ] ... [xmnL, xmnU] 𝑊= [𝑤 1 , 𝑤 2 , …, 𝑤 𝑛 ]

Onde 𝑤 𝑗 é o peso (ou seja, a importância relativa de cada critério comparativamente) do critério 𝐶 𝑗

Baseado no supracitado, o Interval-Valued TOPSIS pode ser expresso em uma série de seis passos, conforme estudo de Jahanshahloo, Lotfi e Izadikhah (2006):

Passo 1: Calcula-se a matriz de decisão normalizada com valores de ${\bar{n}}_{i j}^{L}$ e ${\bar{n}}_{i j}^{U}$

{\bar{n}}_{i j}^{L} = x_{i j}^{L} / \sqrt{\sum_{j = 1}^{m} {(x_{i j}^{L})}^{2} + {(x_{i j}^{U})}^{2},} j = 1, \dots, m, i = 1, \dots, n

(1)

{\bar{n}}_{i j}^{U} = x_{i j}^{U} / \sqrt{\sum_{j = 1}^{m} {(x_{i j}^{L})}^{2} + {(x_{i j}^{U})}^{2},} j = 1, \dots, m, i = 1, \dots, n

(2)

Onde 𝐼 está associado aos critérios de benefício, e 𝐽 está associado aos critérios de custo.

Passo 2: Calcula-se a matriz de decisão ponderada com valores de ${\bar{v}}_{i j}^{L}$ e ${\bar{v}}_{i j}^{U}$

{\bar{v}}_{i j}^{L} = w_{i} {\bar{n}}_{i j}^{L}, j = 1, \dots, m, i = 1, \dots, n

(3)

{\bar{v}}_{i j}^{U} = w_{i} {\bar{n}}_{i j}^{U}, j = 1, \dots, m, i = 1, \dots, n

(4)

Passo 3: Determina-se a solução ideal positiva ${\bar{A}}^{+}$ e negativa ${\bar{A}}^{-}$

{\bar{A}}^{+} = \{{\bar{v}}_{1}^{+}, \dots, {\bar{v}}_{n}^{+}\} = \{(m a x {\bar{v}}_{i j}^{U}| i \in I), (m i n {\bar{v}}_{i j}^{L}| i \in J)\}

(5)

{\bar{A}}^{-} = \{{\bar{v}}_{1}^{-}, \dots, {\bar{v}}_{n}^{-}\} = \{(m i n {\bar{v}}_{i j}^{L}| i \in I), (m a x {\bar{v}}_{i j}^{U}| i \in J)\}

(6)

Onde 𝐼 está associado aos critérios de benefício, e 𝐽 está associado aos critérios de custo.

Passo 4: Calculam-se as distâncias de cada uma das alternativas em relação às soluções ideais

{\bar{d}}_{j}^{+} = {\sum_{i ϵ I} ({\bar{v}}_{i j}^{L} - {\bar{v}}_{i}^{+}) ² + \sum_{i ϵ J} ({\bar{v}}_{i j}^{U} - {\bar{v}}_{i}^{+}) ²}^{1 / 2}, j = 1, \dots, m

(7)

{\bar{d}}_{j}^{-} = {\sum_{i ϵ I} ({\bar{v}}_{i j}^{U} - {\bar{v}}_{i}^{-}) ² + \sum_{i ϵ J} ({\bar{v}}_{i j}^{L} - {\bar{v}}_{i}^{-}) ²}^{1 / 2}, j = 1, \dots, m

(8)

Passo 5: Calcula-se a proximidade relativa de cada alternativa

{\bar{R}}_{j} = \frac{{\bar{d}}_{j}^{-}}{({\bar{d}}_{j}^{+} + {\bar{d}}_{j}^{-})}, j = 1, \dots, m

(9)

Passo 6: Ordenam-se as alternativas em ordem decrescente. O maior valor de 𝑅 𝑗 indica o melhor desempenho em relação aos critérios de avaliação

Em conjunto com o IV-TOPSIS, foi utilizado o Swing Weights Procedure (Edwards & Barron, 1994), responsável pela definição da importância relativa (peso) das categorias e de cada critério. Com esse procedimento, é possível modelar os problemas de decisão de maneira mais realista, visto que as pontuações são baseadas nas trocas de atributos ou na atribuição direta de intervalos de peso (Danielson & Ekenberg, 2019), o que o tornou amplamente utilizado e aceito - ver Beynon e Kitchener (2005), Medeiros e Ferreira (2019), Németh et al. (2019), e Aires e Salgado (2022).

Mesmo com outros métodos que podem ser utilizados, como a própria Técnica de Atribuição Direta, a Análise de Componentes Principais (PCA) ou AHP, utilizada por Gupta et al. (2020), entre outros, a escolha pelo Swing Weights Procedure foi feita por ser um procedimento que permite a inclusão das preferências dos stakeholders, sendo considerado robusto e transparente (Ezell et al., 2021; Mussoi & Teive, 2021; Amaro et al., 2022), ao mesmo tempo em que é simples, pois determina os pesos comparando sistematicamente os atributos com aqueles considerados menos importantes (Ezell, Lynch, & Hester, 2021; Amaro et al., 2022).

Para isso, dois especialistas da área de investimentos foram consultados. O primeiro especialista é doutor em ciências contábeis, tendo como área de pesquisa a análise de sentimentos e influências dos indivíduos para decisões de investimentos. Por sua vez, o segundo especialista consultado é doutor em economia, desenvolvendo pesquisas sobre o mercado acionário brasileiro.

Para a atribuição dos pesos, em primeiro lugar se define uma situação hipotética como sendo a pior hipótese possível (benchmark) para todas as categorias e critérios, atribuindo a esta nota 0 (Mustajoki et al., 2005; Mustajoki et al., 2006). Em seguida, os especialistas foram consultados sobre qual dos critérios em cada uma das categorias era mais importante, tendo em vista o objetivo de propor um modelo multicritério de avaliação do desempenho econômico-financeiro das referidas instituições. O melhor avaliado (categoria e critério) em suas opiniões recebiam a nota 100, e os demais foram definidos proporcionalmente de acordo com seus entendimentos, partindo da premissa de identificação do mais relevante, aos que possuíam menor grau de relevância.

Cada especialista fez sua avaliação, e com essa análise o peso de cada categoria e critério foram calculados, baseados nas suas notas divididas pela soma das notas de todos os critérios daquela categoria. Assim, os pesos finais dos critérios foram calculados por meio de uma média entre as avaliações individuais, multiplicadas pelo peso proporcional de sua referida categoria. Os resultados são apresentados na Tabela 3.

Thumbnail

Tabela 3
Definição dos Pesos

Por fim, a fase de finalização é apresentada na seção resultados, onde as alternativas são avaliadas pela aplicação do modelo de decisão, bem como é realizada a análise de sensibilidade. Ademais, são feitas as recomendações finais sobre o caso analisado.

4 Resultados e Discussões

Seguindo o modelo proposto por De Almeida et al. (2015), a fase de finalização envolve a avaliação das alternativas disponíveis, efetuando a análise de sensibilidade dos resultados e expondo as recomendações do estudo. Para isso, foram calculados os indicadores contábeis definidos como os critérios para a pesquisa, considerando o período de 2016 a 2020. A partir desses dados, foi construída a matriz de decisão, que é o compilado das informações coletadas. Como se está trabalhando com diversas opções em cada critério dentro de um intervalo de tempo, classifica-se a primeira coluna como sendo a menor pontuação, e a segunda como a maior pontuação observada para cada critério em sua respectiva alternativa, abrangendo todo o período. Os dados coletados estão expostos na Tabela 4 e 5, como forma de oportunizar a compreensão.

Thumbnail

Tabela 4
Matriz de Decisão (Critérios 1 a 6)

Thumbnail

Tabela 5
Matriz de Decisão (Critérios 6 a 12)

Em seguida, os demais passos do método foram realizados, considerando os pesos apresentados na Tabela 3. O resultado final é apresentado na Tabela 6, em termos de DPIS, DNIS, CC e ordenação.

Thumbnail

Tabela 6
Resultados

Com isso, chega-se ao seguinte resultado: BTG Pactual é classificado como o melhor banco para se investir, considerando os aspectos econômico-financeiros, seguido dos bancos Pine e Modal. Do ponto de vista negativo, o banco BMG é considerado a pior instituição, antecedida pelo banco Inter e Mercantil.

Isso pode ser explicado por diversos fatores, relacionados principalmente com o porte das instituições. O banco BTG Pactual foi classificado como a maior instituição pertencente à amostra, possuindo ativo total no exercício de 2020 em torno de R$ 250 trilhões de reais, representando um aumento de aproximadamente 85 % quando comparado com o início do período, o exercício de 2016. Quanto às receitas auferidas, apresentou um crescimento de aproximadamente 25 % no período. Diante disso, a referida instituição foi identificada como a que possuía maior representatividade quanto ao ativo total, receitas e lucro da amostra. Esse resultado está em linha com o que Oliveira et al. (2021) apontam, visto que as instituições bancárias de grande porte possuem influência direta em seus resultados, pois dispõem de maior diversidade de negócios ofertados, contribuindo para o aumento de receitas e, consequentemente, lucro, apontadas por alguns analistas e investidores como entidades sólidas e com forte poder de crescimento.

No tocante aos indicadores de liquidez e solvência, o banco BTG Pactual obteve os melhores resultados para o C1 e C2, justificados por possuírem mais recursos nos grupos disponíveis e aplicações interfinanceiras, mas, em contrapartida, possuía o pior resultado no critério C5, pelo elevado valor de suas operações de crédito. Os bancos ABC, Inter e Pan alcançaram os melhores resultados nos critérios C3, C4 e C5, respectivamente. De maneira geral, esses indicadores envolvem os recursos patrimoniais, confrontando os ativos e passivos, refletindo a capacidade financeira da entidade de atender prontamente à demanda por recursos disponíveis (Assaf Neto, 2020).

O grupo de liquidez e solvência é classificado pelos analistas como a categoria mais relevante em instituições bancárias, por considerarem como item essencial para a viabilidade econômica, financeira e operacional. É necessário que os bancos possuam recursos suficientes para atenderem prontamente a situações diversas, tais como saques, resgates de aplicações e concessões de empréstimos e financiamentos pelos seus clientes (Niederauer et al., 2018). Para tanto, definir o nível de liquidez ideal para os bancos é visto como tarefa complexa, pois exige uma avaliação profunda do contexto das fontes e aplicações dos recursos, que, por vezes, não conseguem ser mensurados apenas com as demonstrações contábeis (Assaf Neto, 2020).

Com relação aos indicadores de capital, o banco BMG alcançou o melhor resultado no C6, no entanto obteve o pior resultado no C7. O banco Mercantil atingiu a melhor pontuação no C7, enquanto o BTG Pactual destacou-se no C8, e o Pine no C9. Esse grupo de indicadores servem como um parâmetro de segurança para os bancos, por evidenciarem o nível de folga financeira que é financiada pelos recursos próprios, o patrimônio líquido. Contudo, as atividades bancárias são vistas como vulneráveis a fatores econômicos externos, como as taxas de juros e a política monetária adotada pelo país, fatores estes apontados como inconstantes (Assaf Neto, 2020). Todavia, é crucial a medição precisa do desempenho dessas instituições, haja vista o relevante papel que desempenham na sociedade (Akkoç & Vatansever, 2013).

Na categoria rentabilidade, o banco BTG Pactual atingiu os melhores resultados no C10, C11 e C12, enquanto o banco Pine apresentou os piores valores nesses critérios. Os resultados se justificam pelo fato de a primeira instituição ter auferido o maior lucro entre as alternativas pertencentes à amostra, enquanto a segunda foi a única a ter prejuízo em todo o período. Todavia, o banco Pine se classificou como a segunda melhor alternativa global, Apesar dos resultados negativos em determinados indicadores, o resultado global variou de acordo com as demais categorias. Comumente, uma instituição pode alcançar excelente resultado em um indicador e obter valor relativamente baixo em outro, porém um resultado não invalida o outro, sendo necessário observar o conjunto de informações (Amile et al., 2013).

Observa-se que o tamanho de algumas instituições influencia a rentabilidade, pois entende-se que quanto maior o banco, menor serão seus riscos, por possuírem uma diversificação em sua carteira de negócios, expandindo assim a arrecadação de recursos (Mendonça et al., 2018). Quanto maior a rentabilidade, maior a valorização da instituição, alcançando uma relação positiva com o preço de suas ações no mercado de capitais (Mendonça et al., 2017; Oliveira et al., 2021). Portanto, esses aspectos reforçam os resultados encontrados no presente estudo.

Isso posto, entende-se que o processo de análise dos indicadores econômico-financeiros das instituições bancárias é cercado de limitações, pelo fato de possuírem inúmeras diferenças quanto às entidades tradicionais (Niederauer et al., 2018). Contudo, observa-se que o modelo multicritério proposto conseguiu gerar resultados e discussões relevantes no tocante à análise global dos indicadores financeiros das instituições bancárias, permitindo replicações e inclusão de novas alternativas em sua análise sem prejudicar a confiabilidade dos dados, auxiliando os investidores na escolha ideal para investirem seus recursos.

Por fim, ressalta-se que o objetivo do estudo é demonstrar a utilidade do modelo em englobar a multiplicidade de fatores envolvidos na avaliação do desempenho econômico-financeiro para apoiar decisões de investimentos, não sugerindo que este seja o único modelo correto a ser utilizado.

4.1 Análise de Sensibilidade

Foi realizada uma análise de sensibilidade para avaliar o impacto causado pela variação de 10 % (para mais ou para menos) nos pesos das categorias e critérios na estabilidade da classificação final. À medida que algum peso foi aumentado ou diminuído, sua diferença era igualitariamente distribuída no restante dos critérios. A Tabela 7 apresenta a variação nos pesos e a porcentagem de mudanças no ranking.

Thumbnail

Tabela 7
Análise de Sensibilidade

Na última linha da Tabela 7, denominada % de mudanças, são indicadas as porcentagens de casos em que as posições das alternativas foram alteradas em relação às classificações inicialmente obtidas. Em geral, os rankings gerados mostraram uma estabilidade satisfatória em resposta às mudanças nos pesos dos critérios. Em média, apenas 20,83 % das posições das alternativas nos rankings foram alteradas. Cabe ressaltar que as mudanças decorreram devido à proximidade dos resultados alcançados de algumas alternativas no ranking original. Portanto, mudanças nas posições em decorrência da alteração dos pesos podem ser consideradas naturais.

De forma geral, com os novos rankings gerados, constatou-se que:

As alternativas A1 e A2 inverteram suas posições quando houve aumento dos pesos dos critérios da categoria solvência/liquidez;
As alternativas A4 e A7 inverteram suas posições quando houve diminuição dos pesos dos critérios da categoria solvência/liquidez;
As alternativas A1 e A2 inverteram suas posições quando houve diminuição dos pesos dos critérios da categoria capital;
As alternativas A4 e A7 inverteram suas posições quando houve aumento dos pesos dos critérios da categoria rentabilidade;
As alternativas A1 e A2 inverteram suas posições quando houve diminuição dos pesos dos critérios da categoria rentabilidade.

Além disso, as três primeiras posições não sofreram nenhuma modificação nos rankings. Dessa forma, têm-se que as mudanças não geraram o mesmo efeito, já que, em média, 79 % das posições foram mantidas. Os critérios das categorias solvência/liquidez e rentabilidade se mostraram os mais decisivos nas alterações dos experimentos em relação ao resultado original obtido, influenciando a troca de posições de apenas algumas alternativas em especifico. Logo, são os critérios mais críticos do modelo.

5 Considerações Finais

Esta pesquisa demonstrou a utilização do método multicritério Interval-Valued TOPSIS como uma ferramenta de avaliação do desempenho econômico-financeiro dos principais bancos listados na Bolsa de Valores Brasileira (B3), por meio da integração de indicadores contábeis para apoiar decisões de investimentos. Com a aplicação do modelo proposto, foi possível elaborar um ranking de alternativas, promovendo uma análise profunda dos dados coletados, permitindo assim que os investidores conseguissem identificar a melhor instituição a canalizarem seus investimentos.

Dessa forma, os resultados alcançados evidenciaram que as melhores instituições para se negociar ações na bolsa de valores, baseado em suas informações financeiras do período de 2016 à 2020, seria o banco BTG Pactual, seguido dos bancos Pine e Modal. Em contraponto, as instituições que se classificaram do ponto de vista negativo foram os bancos Inter e BMG. Os resultados demonstraram a necessidade de acompanhamento contínuo dos indicadores econômico-financeiros por sofrerem constantes alterações dentro do segmento bancário, influenciando assim a análise global da instituição.

Perante o exposto, os resultados alcançados com a pesquisa foram considerados satisfatórios, atingindo assim o objetivo proposto inicialmente. Além disso, a partir da proposta apresentada, a pesquisa fornece um maior grau de segurança quanto à produtividade e eficiência do setor bancário, evidenciando um método matemático robusto capaz de produzir um resultado global, identificando a influência que indicadores individuais possuem no conjunto de informações.

Além disso, o estudo traz novas contribuições para a área, considerando que o modelo foi desenvolvido com base em parâmetros que consideram o setor bancário brasileiro, como critérios específicos e ponderações de especialistas locais. Além disso, avança na forma como os pesos são determinados, ao utilizar o Swing Weights Procedure, que simplifica o processo de ponderação para os tomadores de decisão, ao mesmo tempo que é mais realista e robusto.

Por fim, algumas limitações foram identificadas e, por sua vez, se refletiram em recomendações para a continuidade deste trabalho, como a não homogeneidade da amostra em termos de porte das referidas instituições. Assim, sugere-se para estudos futuros a seleção de uma amostra mais homogênea quanto ao porte financeiro, utilizando-se, por exemplo, de alguma taxa de proporcionalidade. Além disso, recomenda-se a ampliação do estudo para incluir outras instituições financeiras e entidades de setores distintos que negociem ações na bolsa de valores.

Por fim, uma limitação do estudo foi a amostra não homogênea em termos de porte institucional. Sugere-se, portanto, que estudos futuros envolvam uma amostra mais homogênea, utilizando alguma taxa de proporcionalidade, bem como incluam outras instituições financeiras e entidades de diversos setores que negociam ações em bolsa. Da mesma forma, utilizar o modelo com características diferentes, como usar PCA para elicitar pesos, por exemplo, algo comum em MCDM - ver Scala et al. (2016) para mais detalhes, parece ser uma boa linha de investigação.

Referências bibliográficas

Aires, R. F. F. & Salgado, C. C. R. (2022). A Multi-Criteria Approach to Assess the Performance of the Brazilian Unified Health System. International Journal of Environmental Research and Public Health, 19(18), 11478.
Akkoç, S. & Vatansever, K. (2013). Fuzzy performance evaluation with AHP and TOPSIS methods: Evidence from Turkish banking sector after the global financial crisis. Eurasian Journal of Business and Economics, 6(11), 53-74.
Almeida- Filho, A. T., Silva, D. F. L., & Ferreira, L. (2021). Financial modelling with multiple criteria decision making: A systematic literature review. Journal of the Operational Research Society, 72(10), 2161-2179.
Amaro, S. L., Barbosa, S., Ammerer, G., Bruno, A., Guimerà, J., Orfanoudakis, I., Ostrega, A., Mylona, E., Strydom, J., & Hitch, M. (2022). Multi-Criteria Decision Analysis for Evaluating Transitional and Post-Mining Options - An Innovative Perspective from the EIT ReviRIS Project. Sustainability, 14, 2292.
Amile, M., Sedaghat, M., & Poorhossein, M. (2013). Performance evaluation of banks using Fuzzy AHP and TOPSIS, case study: State-owned banks, partially private and private banks in Iran. Caspian Journal of Applied Sciences Research, 2(3), 128-138.
Assaf Neto, A. (2020). Estrutura e análise de balanços: um enfoque econômico-financeiro. (12th ed.). Atlas.
Balezentis, A., Balezentis, T., & Misiunas, A. (2012). An integrated assessment of Lithuanian economic sectors based on financial ratios and fuzzy MCDM methods. Technological and Economic Development of Economy, 18(1), 34-53.
Banu, A. R. R. & Santhiyavalli, G. (2019). A TOPSIS approach to evaluate the financial performance of scheduled commercial banks in Índia. IOSR Journal of Business and Management, 21(2), 24-33.
Beynon, M. & Kitchener, M. (2005). Ranking the ‘Balance’ of State Long-Term Care Systems: A Comparative Exposition of the SMARTER and CaRBS Techniques. Health Care Management Science, 8, 157-166.
Bortoluzzi, S. C., Ensslin, S. R., Ensslin, L., & Lyrio, M. V. L. (2012). Proposta de um modelo de avaliação de desempenho para apoiar decisões de investimento em empresas da Bovespa: a perspectiva da MCDA-C. ABCustos, 7(2), 53-78.
Campello, B. S. C., Duarte, L. T., & Romano, J. M. T. (2023). Exploiting temporal features in multicriteria decision analysis by means of a tensorial formulation of the TOPSIS method. Computers & Industrial Engineering, 175, 108915.
Černevičienė, J., & Kabašinskas, A. (2022). Review of Multi-Criteria Decision-Making Methods in Finance Using Explainable Artificial Intelligence. Frontiers in Artificial Intelligence, 5, 827584.
Danielson, M. & Ekenberg, L. (2019). An improvement to swing techniques for elicitation in MCDM methods. Knowledge-Based Systems, 168, 70-79.
De Almeida, A. T., Cavalcante, C. A. V., Alencar, M. H., Ferreira, R. J. P., Almeida- Filho, A. T., & Garcez, T. V. (2015). Multicriteria and multiobjective models for risk, reliability and maintenance decision analysis. Springer.
Edwards, W. & Barron, F. H. (1994). SMARTS and SMARTER: Improved simple methods for multiattribute utility measurement. Organizational Behavior and Human Decision Processes, 60(3), 306-325.
Ezell, B., Lynch, C. J., & Hester, P. T. (2021). Methods for Weighting Decisions to Assist Modelers and Decision Analysts: A Review of Ratio Assignment and Approximate Techniques. Applied Sciences, 11(21), 10397.
Gupta, S., Mathew, M., Gupta, S., & Dawar, V. (2020). Benchmarking the private sector banks in Índia using MCDM approach. Journal of Public Affairs, 21, e2409.
Hsu, L. C. (2014). A hybrid multiple criteria decision-making model for investment decision making. Journal of Business Economics and Management, 15(3), 509-529.
Jahanshahloo, G. R., Khodabakhshi, M., Lotfi, F. H., & Goudarzi, M. R. M. (2011). A cross-efficiency model based on super-efficiency for ranking units through the TOPSIS approach and its extension to the interval case. Mathematical and Computer Modelling, 53(9-10), 1946-1955.
Jahanshahloo, G. R., Lotfi, F. H., & Izadikhah, M. (2006). An algorithmic method to extend TOPSIS for decision-making problems with interval data. Applied Mathematics and Computation, 175(2), 1375-1384.
Krivka, A. (2014). Complex evaluation of the economic crisis impact on Lithuanian industries. Journal of Business Economics and Management , 15(2), 299-315.
Marion, J. C. (2019). Análise das demonstrações contábeis. (8th ed.). Atlas.
Masri, H., Pérez-Gladish, B., & Zopounidis, C. (2018). Financial Decision Aid Using Multiple Criteria: Recent Models and Applications. Springer.
Mathew, M. & Thomas, J. (2019). Interval valued multi criteria decision making methods for the selection of flexible manufacturing system. International Journal of Data and Network Science, 3(4), 349-358.
Medeiros, M. & Ferreira, L. (2018). Development of a purchasing portfolio model: An empirical study in a Brazilian hospital. Production Planning & Control, 29(7), 571-585.
Mendonça, D. J., Souza, J. A., Benedicto, G. C., Carvalho, F. M., & Silva, S. N. A. (2017). Relação entre eficiência econômico-financeira e lucratividade em instituições bancárias brasileiras. Revista de Finanças e Contabilidade da Unimep, 4(1), 20-37.
Mendonça, D. J., Souza, J. A., Carvalho, F. M., & Benedicto, G. C. (2018). Relação entre a eficiência na gestão de custos mensurada pelo método de análise da fronteira estocástica (SFA) e a rentabilidade das instituições financeiras no Brasil. Revista Capital Científico, 16(3), 5-21.
Mussoi, F. L. R. & Teive, R. C. G. (2021). An integrated multicriteria decision‐making approach for distribution system expansion planning. International Journal of Intelligent Systems, 36(9), 4962-4989.
Mustajoki, J., Hamalainen, R. P., & Lindstedt, M. R. K. (2006). Using intervals for global sensitivity and worst-case analyses in multiattribute value trees. European Journal of Operational Research, 174(1), 278-292.
Mustajoki, J., Hamalainen, R. P., & Salo, A. (2005). Decision support by SMART / SWING: incorporating imprecision in the SMART e SWING methods. Decision Sciences, 36(2), 317-339.
Németh, B., Molnár, A., Bozóki, S., Wijaya, K., Inotai, A., Campbell, J. D., & Kaló, Z. (2019). Comparison of weighting methods used in multicriteria decision analysis frameworks in healthcare with focus on low- and middle-income countries. Journal of Comparative Effectiveness Research, 8(4), 195-204.
Nguyen, P. H., Tsai, J. F., Kumar G, V. A., & Hu, Y. C. (2020). Stock investment of agriculture companies in the Vietnam stock exchange market: An AHP integrated with GRA-TOPSIS-MOORA approaches. Journal of Asian Finance, Economics and Business, 7(7), 113-121.
Niederauer, C. B., Vendruscolo, M. I., & Sallaberry, J. D. (2018). Análise das demonstrações contábeis : um estudo da emissão de ações no Banrisul S.A. Revista de Contabilidade da UFBA, 12(3), 86-110.
Oliveira, J. G., Pinheiro, J. L., Pinheiro, L. E. T., & Machado, E. A. Jr. (2021). Poder explicativo dos múltiplos fundamentalistas na análise de bancos brasileiros. Revista Sociedade, Contabilidade e Gestão, 16(1), 147-170.
Onder, E., & Hepsen, A. (2013). Combining time series analysis and multi criteria decision making techniques for forecasting financial performance of banks in Turkey. International Journal of Latest Trends in Finance & Economic Sciences, 3(3), 530-555.
Pinheiro, B. G., Vasconcelos, A. C., De Luca, M. M. M., & Crisóstomo, V. M. (2017). Estrutura de capital e governança corporativa nas empresas listadas na BM&FBovespa. Revista de Educação e Pesquisa em Contabilidade, 11(4), 451-466.
Sama, H. R., Kosuri, S. V. K., & Kalvakolanu, S. (2020). Evaluating and ranking the Indian private sector banks - a multi-criteria decision-making approach. Journal of Public Affairs , 22, e2419.
Scala, N. M., Rajgopal, J., Vargas, L. G., & Needy, K. L. (2016). Group Decision Making with Dispersion in the Analytic Hierarchy Process. Group Decision and Negotiation, 25, 355-372.
Shaverdi, M., Ramezani, I., Tahmasebi, R., & Rostamy, A. A. A. (2016). Combining fuzzy AHP and fuzzy TOPSIS with financial ratios to design a novel performance evaluation model. International Journal of Fuzzy Systems, 18(2), 248-262.
Sun, H. (2018). Ecological and financial evaluation of China’s new energy and environment industry listed companies. Ekoloji, 27(106), 429-439.
Tavares, V. B. & Penedo, A. S. T. (2018). Níveis de governança corporativa da B3: interesse e desempenho das empresas - uma análise por meio de redes neurais artificiais. Revista Contabilidade, Gestão e Governança, 21(1), 40-62.
Vavrek, R., Becica, J., Papcunová, V., Gundová, P., & Mitríková, J. (2021). Number of financial indicators as a factor of multi-criteria analysis via the TOPSIS technique: A municipal case study. Algorithms, 14(2), 64-79.
Zopounidis, C., Galariotis, E., Doumpos, M., Sarri, S., & Andriosopoulos, K. (2015). Multiple criteria decision aiding for finance: An updated bibliographic survey. European Journal of Operational Research , 247(2), 339-348.

DISPONIBILIDADE DE DADOS
Os dados estarão disponíveis mediante solicitação razoável.

Editado por

EDITOR CHEFE
Márcia D’Angelo

EDITOR ASSOCIADO
Luiz Gaio

Disponibilidade de dados

Os dados estarão disponíveis mediante solicitação razoável.

Datas de Publicação

Publicação nesta coleção
10 Jul 2026
Data do Fascículo
2026

Histórico

Recebido
17 Out 2023
Revisado
23 Fev 2024
Aceito
14 Abr 2024

This is an open-access article distributed under the terms of the Creative Commons Attribution License

[1] Aires, R. F. F. & Salgado, C. C. R. (2022). A Multi-Criteria Approach to Assess the Performance of the Brazilian Unified Health System. International Journal of Environmental Research and Public Health, 19(18), 11478.

[2] Akkoç, S. & Vatansever, K. (2013). Fuzzy performance evaluation with AHP and TOPSIS methods: Evidence from Turkish banking sector after the global financial crisis. Eurasian Journal of Business and Economics, 6(11), 53-74.

[3] Almeida- Filho, A. T., Silva, D. F. L., & Ferreira, L. (2021). Financial modelling with multiple criteria decision making: A systematic literature review. Journal of the Operational Research Society, 72(10), 2161-2179.

[4] Amaro, S. L., Barbosa, S., Ammerer, G., Bruno, A., Guimerà, J., Orfanoudakis, I., Ostrega, A., Mylona, E., Strydom, J., & Hitch, M. (2022). Multi-Criteria Decision Analysis for Evaluating Transitional and Post-Mining Options - An Innovative Perspective from the EIT ReviRIS Project. Sustainability, 14, 2292.

[5] Amile, M., Sedaghat, M., & Poorhossein, M. (2013). Performance evaluation of banks using Fuzzy AHP and TOPSIS, case study: State-owned banks, partially private and private banks in Iran. Caspian Journal of Applied Sciences Research, 2(3), 128-138.

[6] Assaf Neto, A. (2020). Estrutura e análise de balanços: um enfoque econômico-financeiro. (12th ed.). Atlas.

[7] Balezentis, A., Balezentis, T., & Misiunas, A. (2012). An integrated assessment of Lithuanian economic sectors based on financial ratios and fuzzy MCDM methods. Technological and Economic Development of Economy, 18(1), 34-53.

[8] Banu, A. R. R. & Santhiyavalli, G. (2019). A TOPSIS approach to evaluate the financial performance of scheduled commercial banks in Índia. IOSR Journal of Business and Management, 21(2), 24-33.

[9] Beynon, M. & Kitchener, M. (2005). Ranking the ‘Balance’ of State Long-Term Care Systems: A Comparative Exposition of the SMARTER and CaRBS Techniques. Health Care Management Science, 8, 157-166.

[10] Bortoluzzi, S. C., Ensslin, S. R., Ensslin, L., & Lyrio, M. V. L. (2012). Proposta de um modelo de avaliação de desempenho para apoiar decisões de investimento em empresas da Bovespa: a perspectiva da MCDA-C. ABCustos, 7(2), 53-78.

[11] Campello, B. S. C., Duarte, L. T., & Romano, J. M. T. (2023). Exploiting temporal features in multicriteria decision analysis by means of a tensorial formulation of the TOPSIS method. Computers & Industrial Engineering, 175, 108915.

[12] Černevičienė, J., & Kabašinskas, A. (2022). Review of Multi-Criteria Decision-Making Methods in Finance Using Explainable Artificial Intelligence. Frontiers in Artificial Intelligence, 5, 827584.

[13] Danielson, M. & Ekenberg, L. (2019). An improvement to swing techniques for elicitation in MCDM methods. Knowledge-Based Systems, 168, 70-79.

[14] De Almeida, A. T., Cavalcante, C. A. V., Alencar, M. H., Ferreira, R. J. P., Almeida- Filho, A. T., & Garcez, T. V. (2015). Multicriteria and multiobjective models for risk, reliability and maintenance decision analysis. Springer.

[15] Edwards, W. & Barron, F. H. (1994). SMARTS and SMARTER: Improved simple methods for multiattribute utility measurement. Organizational Behavior and Human Decision Processes, 60(3), 306-325.

[16] Ezell, B., Lynch, C. J., & Hester, P. T. (2021). Methods for Weighting Decisions to Assist Modelers and Decision Analysts: A Review of Ratio Assignment and Approximate Techniques. Applied Sciences, 11(21), 10397.

[17] Gupta, S., Mathew, M., Gupta, S., & Dawar, V. (2020). Benchmarking the private sector banks in Índia using MCDM approach. Journal of Public Affairs, 21, e2409.

[18] Hsu, L. C. (2014). A hybrid multiple criteria decision-making model for investment decision making. Journal of Business Economics and Management, 15(3), 509-529.

[19] Jahanshahloo, G. R., Khodabakhshi, M., Lotfi, F. H., & Goudarzi, M. R. M. (2011). A cross-efficiency model based on super-efficiency for ranking units through the TOPSIS approach and its extension to the interval case. Mathematical and Computer Modelling, 53(9-10), 1946-1955.

[20] Jahanshahloo, G. R., Lotfi, F. H., & Izadikhah, M. (2006). An algorithmic method to extend TOPSIS for decision-making problems with interval data. Applied Mathematics and Computation, 175(2), 1375-1384.

[21] Krivka, A. (2014). Complex evaluation of the economic crisis impact on Lithuanian industries. Journal of Business Economics and Management , 15(2), 299-315.

[22] Marion, J. C. (2019). Análise das demonstrações contábeis. (8th ed.). Atlas.

[23] Masri, H., Pérez-Gladish, B., & Zopounidis, C. (2018). Financial Decision Aid Using Multiple Criteria: Recent Models and Applications. Springer.

[24] Mathew, M. & Thomas, J. (2019). Interval valued multi criteria decision making methods for the selection of flexible manufacturing system. International Journal of Data and Network Science, 3(4), 349-358.

[25] Medeiros, M. & Ferreira, L. (2018). Development of a purchasing portfolio model: An empirical study in a Brazilian hospital. Production Planning & Control, 29(7), 571-585.

[26] Mendonça, D. J., Souza, J. A., Benedicto, G. C., Carvalho, F. M., & Silva, S. N. A. (2017). Relação entre eficiência econômico-financeira e lucratividade em instituições bancárias brasileiras. Revista de Finanças e Contabilidade da Unimep, 4(1), 20-37.

[27] Mendonça, D. J., Souza, J. A., Carvalho, F. M., & Benedicto, G. C. (2018). Relação entre a eficiência na gestão de custos mensurada pelo método de análise da fronteira estocástica (SFA) e a rentabilidade das instituições financeiras no Brasil. Revista Capital Científico, 16(3), 5-21.

[28] Mussoi, F. L. R. & Teive, R. C. G. (2021). An integrated multicriteria decision‐making approach for distribution system expansion planning. International Journal of Intelligent Systems, 36(9), 4962-4989.

[29] Mustajoki, J., Hamalainen, R. P., & Lindstedt, M. R. K. (2006). Using intervals for global sensitivity and worst-case analyses in multiattribute value trees. European Journal of Operational Research, 174(1), 278-292.

[30] Mustajoki, J., Hamalainen, R. P., & Salo, A. (2005). Decision support by SMART / SWING: incorporating imprecision in the SMART e SWING methods. Decision Sciences, 36(2), 317-339.

[31] Németh, B., Molnár, A., Bozóki, S., Wijaya, K., Inotai, A., Campbell, J. D., & Kaló, Z. (2019). Comparison of weighting methods used in multicriteria decision analysis frameworks in healthcare with focus on low- and middle-income countries. Journal of Comparative Effectiveness Research, 8(4), 195-204.

[32] Nguyen, P. H., Tsai, J. F., Kumar G, V. A., & Hu, Y. C. (2020). Stock investment of agriculture companies in the Vietnam stock exchange market: An AHP integrated with GRA-TOPSIS-MOORA approaches. Journal of Asian Finance, Economics and Business, 7(7), 113-121.

[33] Niederauer, C. B., Vendruscolo, M. I., & Sallaberry, J. D. (2018). Análise das demonstrações contábeis : um estudo da emissão de ações no Banrisul S.A. Revista de Contabilidade da UFBA, 12(3), 86-110.

[34] Oliveira, J. G., Pinheiro, J. L., Pinheiro, L. E. T., & Machado, E. A. Jr. (2021). Poder explicativo dos múltiplos fundamentalistas na análise de bancos brasileiros. Revista Sociedade, Contabilidade e Gestão, 16(1), 147-170.

[35] Onder, E., & Hepsen, A. (2013). Combining time series analysis and multi criteria decision making techniques for forecasting financial performance of banks in Turkey. International Journal of Latest Trends in Finance & Economic Sciences, 3(3), 530-555.

[36] Pinheiro, B. G., Vasconcelos, A. C., De Luca, M. M. M., & Crisóstomo, V. M. (2017). Estrutura de capital e governança corporativa nas empresas listadas na BM&FBovespa. Revista de Educação e Pesquisa em Contabilidade, 11(4), 451-466.

[37] Sama, H. R., Kosuri, S. V. K., & Kalvakolanu, S. (2020). Evaluating and ranking the Indian private sector banks - a multi-criteria decision-making approach. Journal of Public Affairs , 22, e2419.

[38] Scala, N. M., Rajgopal, J., Vargas, L. G., & Needy, K. L. (2016). Group Decision Making with Dispersion in the Analytic Hierarchy Process. Group Decision and Negotiation, 25, 355-372.

[39] Shaverdi, M., Ramezani, I., Tahmasebi, R., & Rostamy, A. A. A. (2016). Combining fuzzy AHP and fuzzy TOPSIS with financial ratios to design a novel performance evaluation model. International Journal of Fuzzy Systems, 18(2), 248-262.

[40] Sun, H. (2018). Ecological and financial evaluation of China’s new energy and environment industry listed companies. Ekoloji, 27(106), 429-439.

[41] Tavares, V. B. & Penedo, A. S. T. (2018). Níveis de governança corporativa da B3: interesse e desempenho das empresas - uma análise por meio de redes neurais artificiais. Revista Contabilidade, Gestão e Governança, 21(1), 40-62.

[42] Vavrek, R., Becica, J., Papcunová, V., Gundová, P., & Mitríková, J. (2021). Number of financial indicators as a factor of multi-criteria analysis via the TOPSIS technique: A municipal case study. Algorithms, 14(2), 64-79.

[43] Zopounidis, C., Galariotis, E., Doumpos, M., Sarri, S., & Andriosopoulos, K. (2015). Multiple criteria decision aiding for finance: An updated bibliographic survey. European Journal of Operational Research , 247(2), 339-348.

	Critérios	Indicadores	Cálculo
Solvência/ Liquidez	C1	Encaixe Voluntário	$\frac{D i s p o n í v e l}{D e p ó s i t o s à V i s t a}$
	C2	Liquidez Imediata	$\frac{D i s p o n í v e l + A p l i c a ç õ e s I n t e r f i n a n c e i r a s}{D e p ó s i t o s à V i s t a}$
	C3	Empréstimos/Depósitos	$\frac{O p e r a ç õ e s d e C r é d i t o}{D e p ó s i t o s}$
	C4	Capital de Giro Próprio	Patrimônio Líquido - Ativo não Circulante
	C5	Participação dos Empréstimos	$\frac{O p e r a ç õ e s d e C r é d i t o}{A t i v o T o t a l}$
Capital	C6	Independência Financeira	$\frac{P a t r i m ô n i o L í q u i d o}{A t i v o T o t a l}$
	C7	Leverage	$\frac{A t i v o T o t a l}{P a t r i m ô n i o L í q u i d o}$
	C8	Relação Capital/ Depositantes	$\frac{P a t r i m ô n i o L í q u i d o}{D e p ó s i t o s}$
	C9	Imobilização do Capital Próprio	$\frac{A t i v o n ã o c i r c u l a n t e}{P a t r i m ô n i o L í q u i d o}$
Rentabilidade	C10	Retorno sobre Patrimônio Líquido	$\frac{L u c r o L í q u i d o}{P a t r i m ô n i o L í q u i d o}$
	C11	Retorno sobre o Investimento	$\frac{L u c r o L í q u i d o}{A t i v o T o t a l}$
	C12	Margem Líquida	$\frac{L u c r o L í q u i d o}{R e c e i t a d e I n t e r m e d i a ç ã o F i n a n c e i r a}$

Alternativas	Bancos	Segmento
A1	Banco BMG S. A.	N1
A2	Banco Inter S. A.	N2
A3	Banco Modal S. A.	N2
A4	Banco ABC Brasil S. A.	N2
A5	Banco BTG Pactual S. A.	N2
A6	Banco Mercantil do Brasil	N1
A7	Banco Pan S. A.	N1
A8	Banco Pine S. A.	N2

	Avaliador 1		Avaliador 2			Avaliador 1		Avaliador 2		Peso Final
Categorias	Nota	Peso	Nota	Peso	Critérios	Nota	Peso	Nota	Peso	Média Pesos	Peso Propor.
Solvência/ Liquidez	100	0,4000	100	0,4083	C1	100	0,2353	100	0,2353	0,2353	0,0961
					C2	95	0,2235	95	0,2235	0,2235	0,0913
					C3	80	0,1882	90	0,2118	0,2000	0,0817
					C4	80	0,1882	60	0,1412	0,1647	0,0672
					C5	70	0,1647	80	0,1882	0,1765	0,0720
Capital	60	0,2400	50	0,2083	C6	50	0,1923	100	0,3333	0,2628	0,0589
					C7	100	0,3846	80	0,2667	0,3257	0,0730
					C8	60	0,2308	70	0,2333	0,2321	0,0520
					C9	50	0,1923	50	0,1667	0,1795	0,0402
Rentabilidade	90	0,3600	90	0,3750	C10	100	0,3846	100	0,3509	0,3678	0,1351
					C11	80	0,3077	95	0,3333	0,3205	0,1178
					C12	80	0,3077	90	0,3158	0,3118	0,1146

Critérios
Alt.	C1		C2		C3		C4		C5		C6
A1	0,494	0,996	3,190	58,681	0,755	0,918	0,201	0,418	0,390	0,477	0,135	0,195
A2	0,005	0,238	0,391	12,246	0,473	1,543	0,177	0,597	0,300	0,701	0,107	0,218
A3	0,170	1,617	1,483	23,129	0,023	0,401	0,559	0,702	0,012	0,240	0,109	0,138
A4	0,117	1,338	20,523	169,465	1,730	3,020	0,248	0,526	0,341	0,480	0,099	0,114
A5	0,377	33,67	20,667	282,382	0,646	0,961	0,274	0,488	0,073	0,161	0,105	0,128
A6	1,288	3,193	4,640	8,922	0,597	0,722	0,167	0,215	0,402	0,522	0,070	0,092
A7	0,038	0,942	1,167	46,751	1,070	1,226	0,232	0,265	0,592	0,698	0,128	0,148
A8	0,915	11,18	1,328	94,652	0,402	1,164	0,075	0,282	0,216	0,377	0,057	0,140

	Critérios
Alt.	C7		C8		C9		C10		C11		C12
A1	5,116	7,369	0,240	0,330	2,390	4,972	0,010	0,091	0,001	0,017	0,009	0,101
A2	4,571	9,347	0,233	0,439	1,672	5,626	-0,002	0,125	-0,0004	0,013	-0,007	0,105
A3	7,223	9,103	0,198	0,264	1,422	1,788	-0,084	0,039	-0,009	0,004	-0,164	0,081
A4	8,756	10,096	0,422	0,709	1,898	4,018	0,075	0,140	0,007	0,015	0,054	0,202
A5	7,779	9,492	0,471	1,267	2,045	3,640	0,068	0,192	0,008	0,024	0,171	0,353
A6	10,833	14,279	0,103	0,133	4,633	5,970	0,0262	0,152	0,001	0,014	0,006	0,067
A7	6,743	7,792	0,234	0,251	3,767	4,297	-0,069	0,123	-0,008	0,016	-0,037	0,068
A8	7,136	17,355	0,108	0,431	3,538	13,265	-0,289	-0,012	-0,030	-0,001	-0,364	-0,021

	C1	C2	...	Cn
A1	[ $x_{11}^{L}, x_{11}^{U}$ ]	[ $x_{12}^{L}, x_{12}^{U}$ ]	...	[ $x_{1 n}^{L}, x_{1 n}^{U}$ ]
A2	[ $x_{21}^{L}, x_{21}^{U}$ ]	[ $x_{22}^{L}, x_{22}^{U}$ ]	...	[ $x_{2 n}^{L}, x_{2 n}^{U}$ ]
Am	[ $x_{m 1}^{L}, x_{m 1}^{U}$ ]	[ $x_{m 2}^{L}, x_{m 2}^{U}$ ]	...	[ $x_{m n}^{L}, x_{m n}^{U}$ ]
𝑊= [𝑤 1 , 𝑤 2 , …, 𝑤 𝑛 ]

Alternativas	DPIS	DNIS	Coeficiente de Proximidade	Posição
A1	0,2084	0,0582	0,2184	8º
A2	0,2150	0,0602	0,2186	7º
A3	0,2476	0,1003	0,2884	3º
A4	0,1779	0,0631	0,2619	4º
A5	0,1518	0,1382	0,4766	1º
A6	0,2102	0,0630	0,2306	6º
A7	0,2238	0,0788	0,2605	5º
A8	0,2951	0,1811	0,3802	2º

Alt.	+ 10 % Liq.	- 10 % Liq.	+ 10 % Cap.	- 10 % Cap.	+ 10 % Rentab.	- 10 % Rentab.
C1	0,1057	0,0865	0,0934	0,0987	0,0917	0,1004
C2	0,1004	0,0821	0,0888	0,0938	0,0872	0,0954
C3	0,0898	0,0735	0,0794	0,0839	0,0780	0,0853
C4	0,0740	0,0605	0,0654	0,0691	0,0642	0,0703
C5	0,0793	0,0648	0,0701	0,0740	0,0688	0,0753
C6	0,0536	0,0643	0,0648	0,0530	0,0541	0,0638
C7	0,0664	0,0797	0,0803	0,0657	0,0670	0,0790
C8	0,0473	0,0568	0,0572	0,0468	0,0478	0,0563
C9	0,0366	0,0439	0,0443	0,0362	0,0369	0,0435
C10	0,1276	0,1427	0,1310	0,1393	0,1487	0,1216
C11	0,1112	0,1243	0,1142	0,1214	0,1296	0,1060
C12	0,1082	0,1209	0,1111	0,1181	0,1260	0,1031
% de mudanças	25 %	25 %	0 %	25 %	25 %	25 %