A estrutura de capitais e a maturidade da dívida das empresas tem constituído, nas últimas décadas, um dos temas de maior interesse na literatura financeira. Desde o estudo de Modigliani & Miller (1958), vários estudos e teorias têm sido desenvolvidas nesta área, inicialmente aplicadas nas grandes empresas, e entretanto também aplicadas ao universo das PME. O principal objetivo desta investigação é analisar quais os fatores que mais contribuem para a tomada de decisão por parte dos gestores relativamente à maturidade da dívida nas PME Europeias. A análise baseou-se na Metodologia CRISP-DM, recorrendo-se na fase da modelação a diversas técnicas de regressão, nomeadamente Regressão Linear Múltipla. Árvores de Decisão e Redes Neuronais Artificiais. A amostra é composta por 86.158 empresas de Portugal, Espanha, Itália, Alemanha, França e Grécia, com dados referentes ao ano 2013, extraídos da base de dados Amadeus. Esta investigação apresenta-se como uma das primeiras a fazer a comparação de diferentes PME de países da União Europeia bem como a utilizar técnicas de DM para a explicação da maturidade da dívida. As Árvores de Decisão e as Redes Neuronais Artificiais apresentam resultados consideravelmente superiores aos demonstrados na Regressão Linear Múltipla na previsão da maturidade da dívida de curto e, também, de longo prazo. As conclusões apontam para que o risco, a estrutura dos ativos e a alavancagem sejam os fatores que melhor explicam a tomada de decisão por parte dos gestores relativamente à maturidade da dívida. Os resultados demonstram ainda que a localização, o setor de atividade e tipo de empresa não são importantes para a explicação da maturidade da dívida.

Since the past decade the Capital Structure and more specifically the debt maturity has become, one of the topics of greatest interest in financial literature. After the Modigliani & Miller (1958) study publication, several studies and theories have been developed in this area. Those studies were initially applied in large companies and only applied to the universe of SME’s afterwards. The purpose of this research is to analyze which factors mostly contribute to the decision making by managers in relation of debt maturity according in European SME’s. The analysis was based on the CRISP-DM Methodology, with the modeling approach of using different regression techniques, including Multiple Linear Regression; Decision Trees and Artificial Neural Networks. The sample is composed of 86.158 companies from Portugal, Spain, Italy, Germany, France and Greece, in 2013, and the data was extracted from Amadeus database. This research appears as one of the firsts studying the debt maturity using the comparison between different SME’s in the European Union countries and using data mining techniques. The Decision Trees and Artificial Neural Networks show considerably better results than those shown in Multiple Linear Regression. The conclusions indicate that the factors that better explain the managers’ decision making processes regarding the debt to maturity are the risk, the structure of assets and the leverage. The results also show that the location, the business sector and the type of company are not important to explain the debt maturity.