As Demonstrações Financeiras (DFs) de empresas constituem um dos principais meios formais de comunicação (sinalização) entre gestores e stakeholders, investidores, credores e reguladores, para representar a situação econômica e financeira da empresa em um período contábil. Esta pesquisa baseou-se na Teoria da Sinalização para estudar empresas do segmento do agronegócio brasileiro, um dos principais setores da economia do país, com participação de 23,2% no PIB em 2024 e responsável por 49% das exportações, no valor de US$ 164,4 bilhões, a partir do ranking Forbes Agro100 Brasil, que reúne as maiores empresas do setor do agronegócio brasileiro, com base em suas receitas líquidas de 2023. O objetivo geral deste estudo foi analisar os resultados financeiros das empresas listadas neste ranking, com base em dados extraídos das DFs – valores financeiros obtidos a partir destes documentos e o cálculo de outros indicadores – utilizando técnicas analíticas/modelagens de Machine Learning (ML), como Clustering e Principal Component Analysis (PCA). As 80 empresas analisadas formaram quatro clusters (C1 a C4), nomeados: "Lucrativas" (C1, 8 empresas), "Encolhidas" (C2, 7 empresas), "Saudáveis" (C3, 18 empresas) e "Diversificadas" (C4, 47 empresas). A decomposição da variância dos dados em dimensões principais ortogonais de "Eficiência" (PC1), "Escala" (PC2) e "Risco-Retorno" (PC3) apresentou explicações com potencial de aplicação na gestão organizacional. Foi possível compreender que, para ser mais completa, a estruturação de um ranking de empresas não deveria se limitar apenas aos valores de suas receitas líquidas, pois essa única mensuração não é capaz de captar toda a situação financeira/econômica de uma companhia.
The Financial Statements (FS) of companies are one of the main formal means of communication (signaling) between managers and stakeholders, investors, creditors, and regulators, representing the company's economic and financial situation during an accounting period. This research was based on Signaling Theory to study companies in the Brazilian agribusiness sector, one of the main sectors of the country's economy, with a 23.2% participation in GDP in 2024 and responsible for 49% of exports, valued at US$164.4 billion, from the Forbes Agro100 Brazil ranking, which gathers the largest companies in the Brazilian agribusiness sector, based on their 2023 net revenues. The main objective of this study was to analyze the financial results of the companies listed in this ranking, based on data extracted from the FS – financial values obtained from these documents and the calculation of other indicators – employing analytical techniques/Machine Learning (ML) modeling, such as Clustering and Principal Component Analysis (PCA). The 80 companies analyzed formed four clusters (C1 to C4), named "Profitable" (C1, 8 companies), "Shrinking" (C2, 7 companies), "Healthy" (C3, 18 companies), and "Diversified" (C4, 47 companies). The decomposition of the data variance into the main orthogonal dimensions of "Efficiency" (PC1), "Scale" (PC2), and "Risk-Return" (PC3) provided explanations with potential applications in organizational management. It was possible to understand that, to be more complete, the structure of a company ranking should not be limited to net revenue, as this single measure cannot capture a company's entire financial/economic situation.
