Resumo Executivo

^{Autor: Jorge Lucas Martins Da Silva — Orientadora: Janaina Macedo Calvo}

A fundamentação teórica parte dos trabalhos seminais de Markowitz (1952), que introduziu a teoria moderna do portfólio e a otimização de carteiras pela diversificação, estabelecendo a relação fundamental entre risco e retorno. O Modelo de Precificação de Ativos Financeiros (CAPM), desenvolvido de forma independente por Sharpe (1964), Lintner (1965) e Mossin (1966), avançou essa teoria ao formalizar a distinção entre o risco sistemático (beta), que não pode ser eliminado pela diversificação, e o risco específico (ou idiossincrático), que é inerente a um ativo individual e pode ser mitigado em uma carteira bem diversificada.

Contudo, estudos mais recentes têm desafiado essa premissa em mercados com imperfeições, demonstrando que o risco específico não é apenas um “ruído” a ser diversificado, mas carrega informações relevantes sobre a qualidade da governança, a opacidade informacional e a transparência da empresa (Malagon et al., 2015; Mitra, 2016). Nesse contexto, a teoria da agência, formalizada por Jensen e Meckling (1976), fornece o arcabouço conceitual para entender os conflitos de interesse que surgem entre gestores (agentes) e acionistas (principais). Uma das manifestações mais estudadas desse comportamento é o gerenciamento de resultados (GR), definido por Healy e Wahlen (1999) como a intervenção deliberada dos gestores no processo de elaboração dos relatórios financeiros com o objetivo de alterar a percepção dos stakeholders sobre o desempenho econômico da empresa.

Ao fazer isso, eles podem tentar reduzir a percepção de risco por parte dos investidores, diminuir o custo de capital ou simplesmente evitar o escrutínio associado a um desempenho volátil. Estudos internacionais, como os de Datta et al. (2017) e Widianingsih et al. (2022), encontraram evidências empíricas de uma relação positiva, sugerindo que o risco específico atua como um catalisador para o gerenciamento de resultados. A “Hipótese do Ruído”, explorada por Mitra (2016), aprofunda essa ideia ao postular que a menor qualidade dos lucros, resultante de um GR intenso, está associada a uma maior volatilidade específica dos retornos, criando um potencial ciclo de retroalimentação onde o risco gera GR e o GR, por sua vez, aumenta a percepção de risco. O estudo adotou uma abordagem quantitativa, utilizando dados em painel para analisar a relação proposta.

A população inicial compreendeu todas as empresas com ações listadas na B3, cujos dados financeiros e de mercado foram extraídos da base de dados Refinitiv. A amostra final foi construída a partir de um processo de filtragem criterioso. Primeiramente, foram excluídas todas as instituições financeiras e seguradoras, devido às suas particularidades regulatórias e estruturas contábeis distintas, que tornam a mensuração de accruals discricionários incomparável com a de empresas não financeiras. Em seguida, foram removidas as empresas que não apresentavam dados completos para todas as variáveis necessárias ao modelo (dependentes, independentes e de controle) durante o período de análise, que se estendeu de 2019 a 2024. A escolha do período de 2019 a 2024 foi deliberada para capturar uma janela temporal de alta relevância e dinamismo para a economia brasileira e global.

O ano de 2019 serve como uma linha de base pré-pandemia, enquanto o período de 2020 a 2021 reflete o choque agudo e as incertezas geradas pela pandemia de COVID-19, um evento que plausivelmente aumentou os incentivos para o gerenciamento de resultados. Os anos subsequentes, de 2022 a 2024, englobam a recuperação econômica, um ciclo de aperto monetário com elevadas taxas de juros, e um novo cenário político-econômico no Brasil, com discussões sobre o arcabouço fiscal e a reforma tributária. Essa variedade de contextos macroeconômicos enriquece a análise, permitindo observar como a relação entre risco e GR se comporta sob diferentes condições de estresse. Após a aplicação de todos os filtros, a amostra final foi composta por 260 empresas não financeiras, totalizando 1.560 observações empresa-ano.

A variável dependente, gerenciamento de resultados (GR), foi operacionalizada por meio dos accruals discricionários (AD), estimados com base no modelo modificado de Jones, proposto por Dechow et al. (1995). Esta é uma das métricas mais consolidadas e amplamente utilizadas na literatura empírica de contabilidade para capturar a manipulação de resultados (Callao et al., 2017). O cálculo iniciou-se com a apuração dos accruals totais, utilizando a abordagem do fluxo de caixa, recomendada por Hribar e Collins (2002) por sua maior precisão. Os accruals totais foram calculados como a diferença entre o lucro líquido antes de itens extraordinários e o fluxo de caixa operacional. Em uma segunda etapa, foi estimada uma regressão por mínimos quadrados ordinários, por setor e por ano, para determinar a parcela não discricionária dos accruals, que é explicada por fatores econômicos fundamentais, como a variação nas receitas e o saldo de ativos imobilizados.

Os resíduos dessa regressão representam os accruals discricionários (AD), a proxy para o GR.

Para a análise principal, utilizou-se o valor absoluto dos AD, a fim de capturar a magnitude da manipulação, independentemente de ser para aumentar ou diminuir os lucros reportados. A variável independente principal, risco específico, foi mensurada pela volatilidade dos resíduos do Modelo de Precificação de Ativos Financeiros (CAPM), uma metodologia robusta e validada em estudos de finanças de ponta (Ang et al., 2006; Datta et al., 2017).

Para cada empresa e para cada ano da amostra, foram coletados os preços de fechamento mensais das ações, ajustados por dividendos e outros proventos, da base Refinitiv. O retorno de mercado foi representado pelo Índice Bovespa (IBOVESPA), e a taxa livre de risco foi aproximada pela taxa mensal do Certificado de Depósito Interbancário (CDI), uma proxy comum e adequada para estudos no contexto brasileiro (Silva et al., 2019; Flores et al., 2021).

Para cada empresa, foi estimada uma regressão linear do excesso de retorno do ativo (retorno da ação menos a taxa CDI) contra o excesso de retorno do mercado (retorno do IBOVESPA menos a taxa CDI). O risco específico para cada ano foi então calculado como o desvio padrão anualizado dos resíduos mensais dessa regressão, conforme a metodologia de Ang et al. (2006), o que envolve multiplicar o desvio padrão mensal dos resíduos pela raiz quadrada de doze.

A análise descritiva inicial revelou uma heterogeneidade considerável nas variáveis. O risco específico apresentou uma média de 0,12 com um desvio padrão elevado, indicando que a volatilidade idiossincrática varia substancialmente entre as empresas da amostra. A variável de gerenciamento de resultados (valor absoluto dos AD) teve uma média de 0,128, também com dispersão significativa. A evolução temporal do GR médio mostrou um comportamento dinâmico. Houve um aumento notável em 2020, atingindo o pico da série (0,166), um movimento que pode ser associado à extrema incerteza da pandemia de Covid-19, que pode ter incentivado as empresas a utilizarem a suavização de resultados para mitigar a percepção de volatilidade. Nos anos seguintes (2021-2023), observou-se uma tendência de queda, refletindo uma possível normalização das operações e do ambiente de negócios.

Contudo, em 2024, o GR médio voltou a subir para 0,113, o que pode estar relacionado a novas incertezas no cenário político-econômico brasileiro, como discussões sobre o arcabouço fiscal e a reforma tributária, que impactam as expectativas futuras.

Para a análise inferencial, uma série de testes de especificação foi realizada para escolher o estimador mais adequado para os dados em painel. O teste de Chow rejeitou a hipótese nula de que os interceptos são os mesmos para todas as empresas, indicando a presença de heterogeneidade individual e descartando o modelo Pooled OLS em favor de modelos de efeitos. Subsequentemente, o teste de Hausman foi aplicado para decidir entre efeitos fixos e efeitos aleatórios. Adicionalmente, o teste de Breusch-Pagan detectou a presença de heterocedasticidade nos resíduos, o que levou ao uso de erros-padrão robustos à heterocedasticidade para garantir a validade das inferências estatísticas (Greene, 2018). Por fim, a análise do Fator de Inflação da Variância (VIF) não indicou problemas de multicolinearidade, com todos os valores permanecendo bem abaixo do limite crítico de 10.

A análise dos resíduos do modelo de efeitos fixos, por meio do teste de Shapiro-Wilk, rejeitou a hipótese de normalidade. Essa violação do pressuposto de normalidade dos erros pode comprometer a eficiência do estimador de mínimos quadrados e levar a conclusões enviesadas, especialmente na presença de outliers (Fávero e Belfiore, 2017).

Para superar essa limitação e obter uma compreensão mais granular da relação entre as variáveis, foi aplicada a regressão quantílica para dados em painel. Essa técnica é robusta a outliers e à não normalidade dos erros e, mais importante, permite analisar o impacto da variável independente em diferentes pontos da distribuição condicional da variável dependente (Ramdani e Witteloostuijn, 2010), em vez de focar apenas no efeito médio. Os resultados da regressão quantílica revelaram uma dinâmica heterogênea e complexa. O impacto do risco específico sobre o GR não foi estatisticamente significativo nos quantis mais baixos e centrais da distribuição, especificamente nos quantis 10º, 50º (mediana) e 75º. No entanto, a relação mostrou-se positiva e estatisticamente significativa no 25º quantil (coeficiente = 0,0167; p < 0,05) e, de forma muito mais pronunciada, no 90º quantil (coeficiente = 0,1038; p < 0,01).

Esta descoberta de um efeito não linear é a principal contribuição empírica do estudo. Ela demonstra que o impacto do risco específico sobre as práticas de gerenciamento de resultados não é uniforme em todas as empresas. Contudo, o resultado mais revelador é o efeito maior e mais forte encontrado no 90º quantil, onde se concentram as empresas com as práticas de GR mais agressivas. O coeficiente neste ponto da distribuição é mais de seis vezes maior do que o observado no 25º quantil, indicando que o incentivo para gerenciar resultados se intensifica drasticamente em empresas que já operam com alta volatilidade e que já utilizam o GR de forma extensiva.

Este resultado oferece forte suporte empírico à ideia de um ciclo de retroalimentação (feedback loop) proposto por Mitra (2016): um alto risco específico incentiva um GR mais agressivo, que, por sua vez, degrada a qualidade da informação contábil, aumentando a assimetria informacional e, potencialmente, o próprio risco específico percebido pelo mercado.

A análise por regressão quantílica, portanto, desvendou uma relação condicional e não linear entre risco específico e gerenciamento de resultados, uma nuance que seria completamente perdida em uma análise tradicional baseada na média, como a de efeitos fixos. Os resultados reforçam os pressupostos da teoria da agência, mostrando como os gestores respondem a incentivos (neste caso, a pressão gerada pelo risco) de maneira heterogênea, dependendo do nível de discricionariedade contábil que já exercem. A evidência de um efeito amplificado nos extremos da distribuição de GR sugere que as duas variáveis podem se reforçar mutuamente, criando um ciclo vicioso que prejudica a transparência, a alocação eficiente de capital e a integridade do mercado. Empresas presas nesse ciclo podem apresentar um perfil de risco enganoso, atraindo investidores desavisados enquanto mascaram problemas operacionais ou de governança subjacentes. O estudo reconhece algumas limitações que abrem caminhos para pesquisas futuras.

Primeiramente, o modelo não incluiu explicitamente variáveis de governança corporativa, como a independência do conselho ou a existência de um comitê de auditoria, que poderiam atuar como mecanismos moderadores na relação entre risco e GR. Em segundo lugar, a análise não tratou formalmente da potencial endogeneidade entre as variáveis, pois, como sugerido pela teoria do feedback loop, o GR também pode influenciar o risco específico.

Pesquisas futuras poderiam avançar incorporando métricas detalhadas de governança, fatores macroeconômicos e, mais recentemente, variáveis relacionadas a práticas ambientais, sociais e de governança (ESG). Além disso, o emprego de modelos econométricos mais avançados, como o Método dos Momentos Generalizado (GMM), poderia ser utilizado para endereçar de forma mais robusta as preocupações com a endogeneidade.

Conclui-se que o objetivo foi atingido: demonstrou-se que o risco específico impacta positivamente o gerenciamento de resultados no mercado brasileiro, e que essa influência ocorre de forma não linear, intensificando-se de maneira significativa nos níveis mais extremos de manipulação contábil.

Referências:
Ang, A.; Hodrick, R. J.; Xing, Y.; Zhang, X. 2006. The cross-section of volatility and expected returns. The Journal of Finance 61(1): 259-299.
B3 – Brasil, Bolsa, Balcão. Empresas listadas no setor de petróleo. Disponível em: https://www. b3. com. br/pt_br/produtos-e-servicos/negociacao/renda-variavel/empresas-listadas. htm Acesso em: 30 jun. 2025.
Callao, S.; et al. 2017. Detecting earnings management investigation on different models measuring earnings management for emerging Eastern European countries. International Journal of Research-Granthaalayah 5(11): 222-259.
Chang, S.; Wang, T.; Chiu, A. A.; Huang, S. Y. 2015. Earnings management and idiosyncratic risk – evidence from the post-Sarbanes-Oxley Act period. Investment Management and Financial Innovations 12(2-1): 117-126.
Datta, S.; Iskandar-Datta, M.; Singh, V. 2017. The impact of idiosyncratic risk on accrual management. International Journal of Managerial Finance 13(1): 70-90.
Dechow, P. 1995. Detecting Earnings Management. Harvard Business School.
Fávero, L. P.; Belfiore, P. 2017. Manual de análise de dados: estatística e modelagem multivariada com Excel®, SPSS® e Stata®. Elsevier Brasil.
Flores, F. A.; Campani, C. H.; Roquete, R. M. 2021. O impacto de ativos alternativos no desempenho dos fundos de previdência privada brasileiros. Revista Contabilidade & Finanças 32: 314-330.
Greene, W. H. 2018. Econometric analysis 8th edition. Prentice Hall, New Jersey, USA. p. 201-215.
Healy, P. M.; Wahlen, J. M. 1999. A review of the earnings management literature and its implications for standard setting. Accounting horizons, 13(4), 365-383.
Hribar, P.; Collins, D. W. 2002. Errors in estimating accruals: Implications for empirical research. Journal of Accounting research, 40(1), 105-134.
Jensen, M.; Meckling, W. 1976. Theory of the firm: Managerial behavior, agency costs and ownership structure. Journal of Financial Economics 3: 305-360.
Jones, J. J. 1991. Earnings management during import relief investigations. Journal of Accounting Research 29(2): 193-228.
Lintner, J. 1965. Security prices, risk, and maximal gains from diversification. The Journal of Finance 20(4): 587-615.
Malagon, J.; Moreno, D.; Rodríguez, R. 2015. The idiosyncratic volatility anomaly: Corporate investment or investor mispricing?. Journal of Banking & Finance 60: 224-238.
Markowitz, H. 1952. Portfolio Selection. The Journal of Finance 7(11): 77-91.
Mitra, R. K. 2016. The association between earnings quality and firm-specific return volatility: Evidence from Japan. Review of Accounting and Finance 15(3): 294-316.
Mossin, J. 1966. Equilibrium in a capital asset market. Econometrica: Journal of the Econometric Society: 768-783.
Ramdani, D.; Witteloostuijn, A. 2010. The impact of board independence and CEO duality on firm performance: A quantile regression analysis for Indonesia, Malaysia, South Korea and Thailand. British Academy of Management 21: 607-626.
Sharpe, W. F. 1964. Capital asset prices: A theory of market equilibrium under conditions of risk. The Journal of Finance 19(3): 425-442.
Silva, S. E.; Roma, C. M. S.; Iquiapaza, R. A. 2019. Portfolio turnover and performance of equity investment funds in Brazil. Revista Contabilidade & Finanças 31(83): 332-347.
Uddin, M. H. 2023. The moderating role of COVID-19 pandemic on the relationship between CEO characteristics and earnings management: evidence from Bangladesh. Cogent Business & Management 10(1): 2190196.
Widianingsih, Y. P. N.; Setiawan, D.; Aryani, Y. A.; Gantyowati, E. 2022. Accrual management and firm-specific risk. International Journal of Financial Studies 10(4): 111.

^{Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.}

Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Finanças e Controladoria do MBA USP/Esalq

_{Saiba mais sobre o curso; clique aqui:}