[pt] Tão expressiva quanto a curva de crescimento do número de matrículas nas
instituições de ensino superior (IES) privadas nos últimos anos é a respectiva curva
da inadimplência, cujo aumento pode ser explicado, principalmente, pelo
aprofundamento da crise econômica no país e pela redução do número de vagas
ofertadas pelo FIES. A inadimplência apresenta-se como um desafio à gestão
financeira das instituições de ensino, uma vez que impacta os seus custos
operacionais e acaba sendo repassada aos alunos sob forma de aumento de
mensalidade. Além disso, a evasão estudantil é também uma das principais
consequências da inadimplência, à medida que alunos com dificuldades financeiras
acabam por abandonar seus cursos, representando para as instituições de ensino não
só uma perda econômica, como também acadêmica e social. As IES, em sua maioria,
não utilizam qualquer tipo de técnica de credit scoring para prever o risco de seus
alunos se tornarem inadimplentes. Nesse sentido, este trabalho apresenta uma
metodologia quantitativa para previsão de risco de inadimplência de alunos ativos.
Baseado em dados históricos de alunos que estavam inadimplentes ou adimplentes,
modelos gerados por algoritmos de machine learning foram estimados e
comparados. Por fim, os resultados obtidos evidenciaram a relação entre a
inadimplência e a variação do valor pago ao longo dos semestres analisados,
quantidade média de disciplinas cursadas, natureza empregatícia ao aluno e
existência de débitos em semestres anteriores. Com a aplicação dos modelos
propostos, as IES seriam capazes de identificar alunos com maior risco de
inadimplência e planejar ações preventivas específicas para este grupo. / [en] As impressive as the growth rate in the number of enrollments in private
higher education institutions in recent years is the increase in the related default
rate, driven by the deepening economic crisis in Brazil and by the reduction of the
number of vacancies offered by the FIES. Default presents itself as a challenge to
the financial management of educational institutions, since it impacts their
operational costs and ends up being passed on to students in the form of an increase
in tuition. In addition, student dropout is also one of the main consequences of
default, since students with economic difficulties end up abandoning their courses.
Most higher education institutions do not use any type of credit scoring analysis to
predict the risk of their students becoming defaulters, failing to understand which
factors cause it, and, therefore, refraining from planning preventive actions.
Therefore, this study presents a quantitative methodology to predict the default risk
of active students. Models generated by machine learning algorithms were analyzed
based on a historical database of students who were in or not in default. The results
showed a relationship between default and economic, academic and social
characteristics of students. Thus, by employing models such as the ones proposed,
higher education institutions should be able to identify those students who are at
higher risk of defaulting and take specific preventive actions to prevent such an
outcome.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:48281 |
| Date | 26 May 2020 |
| Creators | GIOVANNA NISKIER SAADIA |
| Contributors | JORGE BRANTES FERREIRA, JORGE BRANTES FERREIRA |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0029 seconds