1  

Cobertura de Analistas, Erros de Previsão e Earnings Management no Brasil

Autoria: Antonio Lopo Martinez

Resumo: O foco deste estudo é na relação entre a cobertura de analistas, erros de previsão e earnings management. Para identificar a cobertura dos analistas utilizou-se a base de dados da I/B/E/S, onde também foram coletadas informações relativas as projeções de consenso dos analistas para companhias abertas brasileiras. Como proxy empírica de earnings management utilizou-se o modelo Kang e Silvaramakrishnan (1995) para estimar os accruals discricionários. Na análise de correlação, os testes indicaram existir uma correlação negativa entre o número de analistas e a magnitude dos accruals discricionários em termos absolutos, indicando que uma maior cobertura de analistas inibe o gerenciamento de resultados. Verificou-se também uma correlação negativa entre a cobertura de analistas e os erros de previsão, constatando-se que quando uma empresa é acompanhada com um número maior de analistas, a previsão de consenso dos mesmos é mais precisa e acurada. Em análise multivariada, regressões evidenciaram resultados estatisticamente significativos no mesmo sentido. Os analistas do mercado, apesar das severas críticas que recebem da imprensa especializada, prestam na realidade em parte um papel na governança corporativa, monitorando os gestores e inibindo o gerenciamento de resultados. Palavras-chave: Cobertura de Analistas, Earnings Management, Previsão de Resultado 1. Introdução

Os analistas do mercado são intermediários que acompanham as empresas abertas e preparam projeções de resultados e recomendações. Existem várias razões que justificam os trabalhos dos analistas, mas entre outras se destaca o seu papel de gatekeepers reduzindo a assimetria de informações entre investidores e a gestão. Recentemente, os analistas do mercado de capitais têm recebido por parte da imprensa especializada criticas severas. Eles têm sido acusados de serem incapazes de prever os escândalos de governança corporativa, e pior, eles são suspeitos de encorajar e motivar práticas questionáveis de gerenciamento de resultados.

Embora as firmas divulguem periodicamente informações ao mercado, essas podem ser sensivelmente complexas e nem todos os usuários são suficientemente sofisticados para entender as suas implicações. Diante deste contexto, o foco deste estudo é identificar a associação entre a cobertura de analistas com os erros de previsão e earnings management no Brasil. O número de analistas que acompanham uma firma influência sobre a propensão desta a prática de earnings management? Os analistas servem como um monitor para a gestão, restringindo o seu comportamento oportunista na divulgação das informações contábeis.

Outra questão de pesquisa a ser investigada, é verificar se a magnitude dos erros de previsão pode ser correlacionada com o número de analistas que acompanham a empresa. Por hipótese, considera-se que à medida que aumenta o número de analistas acompanhado uma firma, reduz-se a assimetria informacional possibilitando uma melhor projeção dos resultados contábeis.

A pesquisa é desenvolvida focalizando-se no consenso dos analistas. O consenso é a média das previsões dos lucros para uma empresa num determinado período, conhecido como o street consensus. A análise de consenso fundamenta-se na idéia de que a representação das expectativas do mercado pode ser obtida por uma medida de tendência central da distribuição das projeções dos analistas.

 

2  

O objetivo do trabalho é responder essas questões no contexto do Brasil, buscando oferecer subsídios adicionais a esclarecer pontos ainda não resolvidos conclusivamente pela literatura internacional. Os analistas do mercado podem prestar um valioso papel a governança corporativa, ao mesmo tempo em que oferecem as suas projeção dos resultados futuros. Com essas previsões, estima-se uma variável crucial para os modelos de avaliação de ações. Identificar boas projeções de resultados futuros é pré-requisito para uma adequada mensuração do preço justo de uma ação.

A seguir será apresentado o referencial teórico, posteriormente, serão discutidos aspectos metodológicos adotados, tais como as proxies empíricas para cobertura de analistas, earnings management e erros de previsão, assim como a natureza dos estudos realizados. Os resultados serão discutidos e contextualizados com as hipóteses de pesquisa e finalmente as conclusões do estudo serão expostas.

2. Revisão da Literatura: Cobertura de Analistas, Earnings Management e Erros de Previsão

Segundo Elgers, Lo e Pfeiffer (2001) maior cobertura de analistas em uma determinada firma é geralmente associada com alto nível de eficiência do preço das ações com respeito a informações financeiras publicamente disponíveis. Conforme Houston, Lev e Trucker (2006), o número de analistas acompanhando uma determinada firma é negativamente associado com a assimetria de informações entre a firma e investidores. Desse modo a cobertura dos analistas tem sido utilizada como uma proxy para a riqueza do ambiente informacional (Louis e Robinson, 2005).

No que toca a relação dos Analistas com Earnings Management, a literatura tem apresentado conclusões divergentes. Abarnell e Lehavy (2003) relacionaram dois tipos de earnings management aos erros de projeções dos analistas: taking a bath, quando as projeções não são alcançadas e income increasing para atingir as previsões dos analistas. Em outras pesquisas Bradshaw, Richardson e Sloan (2001) , Ahmed, Nainar e Zhou (2005) demonstram que os analistas geralmente não diferenciam accruals discricionários de accruals não discricionários. Entretanto, evidências oposta indicam que os analistas descontam agressivamente o valor da empresas quando percebem a existência de earnings management.

Brown (2004) examina a associação entre as demonstrações financeiras e o valor da firma, encontrando evidencias de que os analistas parecem estar conscientes dos incentivos para earnings management. Ke (2001) descobriu uma relação negativa entre o número de analistas que acompanham uma determinada firma e a probabilidade de reportar pequenos aumentos nos lucros. Os resultados são consistentes no sentido de indicar que os analistas reduzem a propensão ao gerenciamento de resultados. Lin e Mcnichols (2004) ofereceram evidencias indiretas que um aumento no número de analistas que acompanha uma empresa é associado a uma redução da lucratividade com insiders´ trades. Por sua vez Lang, Karl e Miller (2004) investigaram a relação entre a estrutura de propriedade da firma e os analistas e constataram que de modo geral os analistas evitam acompanhar empresas com precárias estruturas de governança corporativa.

Para Dyck, Morse e Zingales (2006), os analistas desempenham um papel ativo na detecção de fraudes corporativas, sendo que os reguladores e os auditores prestam apenas um papel menor. O envolvimento de analistas foi responsável pela descoberta de várias fraudes corporativas nos Estados Unidos. Finalmente, Yu (2008) comprovou que o aumento na cobertura de analistas reduz a propensão ao earnings management.

 

3  

No Brasil, Paulo, Lima e Lima (2006) testaram o efeito da cobertura de analistas e constaram não existir diferenças estatísticas significativas entre empresas cobertas e não cobertas. Segundo os referidos autores, os resultados poderiam ser explicados pelo fato de que as companhias brasileiras consideram que os analistas financeiros não são capazes de detectar as práticas discricionárias exercidas pelas empresas.

Dada a ativa participação dos analistas na distribuição de informações, é razoável presumir que as escolhas contábeis da gestão dependem da intensidade da cobertura dos analistas. Esses intermediários financeiros envolvem-se na produção de informação privada e desse modo ajudam inevitavelmente a detectar conduta incorreta da gestão. Jensen e Meckling (1976) em seu artigo clássico já haviam argumentado que as atividades dos analistas reduzem os custos de agência associados à separação da propriedade e controle, sendo que os mesmos são na realidade socialmente produtivos.

No que toca as propriedades das previsões dos analistas, a literatura internacional têm concluído sistematicamente que os analistas são otimistas. O viés otimista é inferido pela constatação de que, sistematicamente, existe uma diferença negativa entre o lucro real apurado e o lucro estimado. Em outras palavras, predominantemente as projeções de lucro são superiores aos resultados efetivamente obtidos. O otimismo tem sido documentado utilizando o Value Line, I/B/E/S e Zacks. As estimativas de otimismo dos analistas variam de acordo com os estudos; em parte, em função das diferenças de metodologia utilizada, da definição das variáveis e do período de tempo analisado.

Lim (1998), usando a média das estimativas dos lucros trimestrais, encontrou um otimismo de 0,94% do preço. O viés é consideravelmente mais alto; de 2,5% para empresas pequenas e de 0,53% para empresas de alta captação no mercado. O viés é predominante em todo o mercado e em todos os anos. Richardson et al. (1999) usaram projeções de analistas individuais e erros de projeções dos analistas de cada mês; indicaram também que, embora o viés continue a existir, há uma significativa queda desse viés, de uma magnitude de 0,91% do preço para 0,09% dos preços, sempre que o horizonte de projeção é reduzido de um ano para um mês. Por sua vez, Brown (1998), estudando períodos mais recentes, observa que o viés parece ter se alterado de otimista para pessimista, ou, pelo menos, para praticamente nulo.

Para os analistas de empresas brasileiras, o viés de otimismo também foi documentado por Da Silva (1998) e Franco (2000). Ambos, ainda que usando metodologias e base de dados diferentes e tentando solucionar problemas distintos, registraram igualmente a existência de otimismo nas projeções dos analistas de empresas brasileiras.

Segundo Kothari (2001), os fatores determinantes de viés otimista nas projeções dos analistas são de duas espécies: a) incentivos econômicos e b) posturas comportamentais – cognitivas. Outra explicação muito coerente foi esboçada por Trueman (1994). A sua conclusão é a de que os analistas tendem a um comportamento de imitação, procurando seguir o consenso. O autor evidencia, com elegantes modelos matemáticos, que há uma tendência dos analistas a lançar projeções próximas às expectativas anteriores. Melhor esclarecendo, os analistas exibem um herding behavior, em que as suas projeções são similares àquelas previamente anunciadas, ainda que as informações sejam diferentes.

No relativo ao erro de previsão, verifica-se que enquanto algumas companhias podem ter mais de 20 analistas realizando projeções, outras firmas são acompanhadas apenas por um número pequeno de analistas. Nesse contexto, é razoável esperar que a acurácia melhore à medida que se aumente o número de analistas. Presume-se que um número maior de analistas represente um maior volume de informações sobre a firma, e que, o efeito portfólio (redução da dispersão), melhore a qualidade do estimador de consenso.

 

4  

3. Aspectos Metodológicos

3.1. Base de dados Para relacionar o desempenho dos analistas com earnings management foram

realizados os seguintes procedimentos metodológicos. Para estudar os analistas utilizou-se a base de dados da I/B/E/S, onde foram coletadas informações relativas às projeções de consenso dos analistas para companhias abertas brasileiras, no período de 1998 a 2004. A partir daí foram apuradas métricas para o erro de projeção dos analistas baseada nos resultados projetados em relação ao resultado real. Identificaram-se também o número de analistas que acompanhavam cada empresa, definido deste modo a cobertura dos analistas.

Desde 1971, o I/B/E/S tem sido o mais importante fornecedor de previsões de lucros para profissionais de investimentos em todo o mundo. Nesta parte da pesquisa todas as empresas para as quais havia informações nas bases de dados foram utilizadas. Não se realizou qualquer espécie de seleção.

Como primeira análise, foram levantadas informações referentes ao consenso dos analistas para o Lucro por Ação (LPA) do exercício seguinte. Entre as diversas métricas disponíveis, verificou-se que, nas previsões do LPA, o exercício corrente é a previsão para a qual se encontrou maior número de observações. Acrescente-se ser esta uma variável-chave para avaliações baseadas em indicadores, do tipo P/L. Diferente da realidade americana, onde a maioria das previsões são voltadas para os resultados trimestrais, no Brasil predominam os resultados anuais.

Cabe registrar que as projeções do LPA para um determinado exercício foram coletadas mês a mês. O sistema I/B/E/S apura, mensalmente, o consenso dos analistas para todas as previsões até o mês anterior ao da publicação dos resultados. Portanto, o sistema registra o consenso dos analistas para o LPA de um determinado exercício, até o mês anterior ao anúncio dos resultados. Para os dados contábeis voltados a capturar o earnings management utilizou-se o sistema Economática.

3.2. Métrica para erros de previsão Como métrica para identificar o desempenho dos analistas em suas projeções, foi

computado o erro de previsão (ERR_PREV). O erro de previsão foi calculado pela diferença entre o resultado real (efetivo) e o resultado projetado (estimado) pelos analistas. Quando o erro de previsão é negativo, significa uma surpresa negativa, ou que o resultado projetado foi superior ao realizado. Por outro lado, quando o resultado realizado é maior que o resultado estimado (projetado), verifica-se uma surpresa positiva, ou seja, a previsão foi menor que o resultado efetivamente apurado.

Para efeito de comparabilidade, foram reportados os erros de previsão em termos de LPA efetivo. Logo, o erro de previsão para este estudo é o lucro efetivo menos o lucro projetado pelos analistas, dividido pelo valor absoluto (módulo) do resultado efetivo do período:

Pr_ real ev

real

LPA LPAERR PREVLPA−

= (1)

Onde:

LPA real Lucro por ação efetivo do período

LPA Prev Lucro por ação apurado a partir do consenso dos analistas (média)

 

5  

Utiliza-se no denominador o valor absoluto (módulo) para capturar com exatidão o sentido do erro de previsão. Ao ser o numerador dividido pelo valor absoluto do lucro efetivo, permite-se a comparabilidade em termos porcentuais.

Metodologicamente, há várias outras medidas para escalar os erros de previsão. Além dos resultados efetivos (lucro ou prejuízo verificado), é muito freqüente encontrar na literatura internacional os erros de previsão sendo medidos em termos porcentuais do preço da ação. Entende-se que os preços trariam, na análise, distorções, pois os erros de previsão passariam a ser mensurados em termos de um fator sobre os quais os analistas não possuem controle.

Igualmente, não foram utilizados os ativos totais (ou patrimônio líquido) como fator para deflacionar os erros de previsão. Primeiro, acredita-se que os ativos poderiam se correlacionar com os erros de previsão de uma maneira indesejável. Ao trabalhar com os valores deflacionados por ativos se estaria mensurando, na essência, um indicador de retorno sobre os ativos. Determinados negócios possuem um ROA (retorno dos ativos) maior do que outros. Esse fator poderia comprometer a comparabilidade dos erros de previsão apurados.

Reconhece-se, entretanto, que, ao medir o erro de previsão em termos do resultado real, o procedimento adotado não ficou isento de falhas e de problemas. Observe-se, por exemplo, que, para empresas que registram resultados reais muito próximos de zero, foram encontrados erros de previsão exageradamente elevados. Adicionalmente, para efeitos de computar o erro de previsão, houve a necessidade de excluir observações nas quais o lucro efetivo apurado era zero, dada a impossibilidade de se calcular os erros de previsão (ErrPrev).

3.3 Métricas de Earnings Management No que toca a estimativa empírica de earning management utilizou por opção

metodológica o modelo Kang e Silvaramakrishnan (1995) para estimar os accruals discricionários [PAULO, LIMA e LIMA (2006)]. As proxies de gerenciamento de resultados contábeis utilizadas neste trabalho foram os accruals discricionários (DAit) calculados pelo modelo KS [KANG; SIVARAMAKRISHNAN (1995)] onde os accruals totais são calculados da seguinte forma:

( ) ( )

ADeprDivPCDispAC

Act

tttttt

1−

−−−−=

ΔΔΔΔ (2)

em que: Act = accruals (operacionais) totais da empresa no período t; ∆ACt = variação do ativo corrente (circulante) da empresa no final do período t-1 para o

final do período t; ∆PCt = variação do passivo corrente (circulante) da empresa no final do período t-1 para o

final do período t; ∆Dispt = variação das disponibilidades da empresa no final do período t-1 para o final do

período t; ∆Divt = variação dos financiamentos e empréstimos de curto prazo da empresa no final do

período t-1 para o final do período t; Deprt = montante das despesas com depreciação da empresa durante o período t; At-1 = ativos totais da empresa no final do período t-1.

Os accruals discricionários da empresa i no período t, calculadas da seguinte forma:

ttt NDATADA −= (3)

 

6  

em que: DAt = accruals discricionários da empresa no período t; TAt = accruals totais da empresa no período t ; NDAt = accruals não-discricionários da empresa no período t ;

Kang e Sivaramakrishnan (1995) propõem um modelo (modelo KS) para mensuração

das accruals o gerenciamento dos resultados descrito da seguinte forma: ( ) ( ) ( ) εδφδφδφφ ititititit PPEDRTA ++++= 3322110 (4)

em que: TAit = accruals totais da empresa i no período t, ponderados pelos ativos totais no final

do período t-1; Rit = receitas líquidas da empresa i no período t, ponderadas pelos ativos totais no final

do período t-1; Dit = montante dos custos e despesas operacionais da empresa i no período t, excluídas

as despesas com depreciação e amortização, ponderadas pelos ativos totais no final do período t-1;

PPEit = saldo das contas do Ativo Imobilizado e Ativo Diferido (bruto) empresa i no final do período t, ponderadas pelos ativos totais no final do período t-1;

δ1 = CRi,t-1 / Ri,t-1; δ2 = (INVi,t-1 + DespAnteci,t-1+ CPi,t-1) / Di,t-1; δ3 = Depri,t-1 / PPEi,t-1; CRi-1t = saldo da conta duplicatas a receber (clientes) da empresa i no período t-1; Ri,t-1 = receitas operacionais líquidas da empresa i no período t-1; INV i,t-1 = saldo da conta estoques da empresa i no período t-1; DespAntec i,t-1 = saldo da conta despesas antecipadas da empresa i no período t-1; CP i,t-1 = saldo das contas a pagar no curto prazo da empresa i no período t-1; Depr i,t-1 = montante de despesas com depreciação e amortização da empresa i no período t-1; PPEi,t-1 = saldo das contas do Ativo Imobilizado e Ativo Diferido (bruto) empresa i no final

do período t-1; εit = erro da regressão. Todas as variáveis ponderadas pelo ativo total no final do ano t-1.

O valor estimado dos accruals discricionários pode ser calculado diretamente pelo

erro da regressão. Cabe ressaltar que, o modelo KS utiliza o método de Variáveis Instrumentais para estimar os parâmetros da regressão.

Cabe advertir que para efeitos da análise dos resultados, preferiu-se trabalhar com os valores das proxies empíricas em termos absolutos, desse modo para a maioria das análises utilizou-se os erro de previsão em termos absolutos (ABS_ERR), e os accruals discricionários em termos absolutos (ABS_ACC) . Quanto mais próximo de zero, menor o erro de previsão e o gerenciamento de resultados. Entretanto, quanto maior essas proxies, maior o erro de previsão e maior o gerenciamento de resultados, independente de ser, respectivamente, uma surpresa negativa ou positiva e um gerenciamento income increasing ou income decreasing.

4. Análises dos Resultados Antes de apresentar os resultados, cabe expor algumas estatísticas descritivas das

principais proxies empíricas. Na Tabela 1, painel a), visualiza-se que se analisaram 5554 observações. Urge registrar que cada observação constitui-se na apuração do consenso de previsões dos analistas para uma empresa em determinado mês.

 

7  

No que toca a cobertura de analistas, a média de cobertura é de 9,12 analistas por empresa. Sendo que há empresas com acompanhamento de apenas 2 analistas até empresas que possuem uma cobertura de 34 analistas. Nota-se que a cobertura dos analistas pode variar significativamente entre as empresas analisadas, tornando interessante segregar a amostra em Classes de acordo com a quantidade de analistas que acompanham as empresas.

Urge destacar que para definição do número de analistas que monitoram determinada empresa, verificou-se quantos analistas participavam na apuração do consenso. A média do erro de previsão (ERR_PREV) das observações confirma a hipótese já amplamente constatada na literatura internacional de um suposto viés de otimismo dos analistas. Nota-se que a média dos erros de previsão é de -0,41. O resultado negativo indica uma surpresa negativa, ou que o resultado projetado pelos analistas revelou-se inferior ao resultado real.

No que toca a earnings management, a métrica AB_ACC representa os accruals discricionários (ou abnormal accruals), nesse item constata-se uma oscilação entre empresas que gerenciam para menos os resultados, AB_ACC negativo, a empresas que gerenciam para mais, AB_ACC positivo.

No painel b) da Tabela 1 encontram-se algumas estatísticas, segregadas por Classes, que representam o número de analistas envolvidos na cobertura das firmas. Estratificando a amostra, identifica-se uma Classe 1 que representa aquelas firmas acompanhadas por dois ou três analistas, a Classe 2 acompanhada por quatro a seis analistas, a Classe 3 de sete a onze analistas e, por fim, a Classe 4 coberta por mais de onze analistas.

Da análise constata-se que entre a Classe 1 de menor cobertura e a Classe 4 de maior cobertura, há diferenças significativas em termos de média de accruals discricionários absolutos e de erros de previsão absolutos. Na Classe 4 em comparação com a Classe 1 existe uma menor propensão ao gerenciamento de resultados e as previsões de consenso são mais acuradas.

N Mínimo Máximo MédiaDesvio Padrão

NUM_ANAL 5554 2,00 34,00 9,12 6,29ERR_PREV 5554 -366,50 66,00 -0,41 12,94AB_ACC 5554 -0,41 0,46 0,01 0,10ABS_ERR 5554 0,00 366,50 1,86 12,81ABS_ACC 5554 0,00 0,46 0,07 0,08

Total1 2 3 4

NUM de Observações 1383 1178 1085 1908 5554Média de NUM_ANAL 2,39 4,98 8,84 16,70 9,12Média de ABSACC 0,073 0,072 0,068 0,064 0,07Média de ABS-ERR 2,43 2,61 1,84 0,98 1,86

Painel a) VariaveisTabela 1 : Estatísticas Descritivas

CLASSESPainel b) Variáveis por Classe de Número de Analistas

Para aprofundar a investigação foi realizada uma análise de correlação de Spearman entre as variáveis, documentada na Tabela 2. Os teste indicaram existir uma correlação negativa e significativa entre o número de analistas e a magnitude dos accruals discricionários em termos absolutos (-0,119), no sentido esperado. Ou seja, confirmando a hipótese de que a

 

8  

medida que se aumenta a cobertura de analistas se reduz a propensão ao gerenciamento de resultados contábeis.

Adicionalmente, verificou-se, igualmente, uma correlação negativa e significativa entre a cobertura de analistas e os erros de previsão (-0,142), identificando que quando uma empresa é acompanhada com um número grande de analistas a previsão de consenso dos mesmos é mais precisa e acurada.

NUM_ANAL ERR_PREV AB_ACC ABS_ERR ABS_ACCCoeficiente Correlação

1,000 -,096** ,044** -,142** -,119**

Sig. (2-tailed) . ,000 ,001 ,000 ,000N 5554 5554 5554 5554 5554Coeficiente Correlação

-,096** 1,000 -,134** ,239** ,065**

Sig. (2-tailed) ,000 . ,000 ,000 ,000N 5554 5554 5554 5554 5554Coeficiente Correlação

,044** -,134** 1,000 -,125** ,193**

Sig. (2-tailed) ,001 ,000 . ,000 ,000N 5554 5554 5554 5554 5554Coeficiente Correlação

-,142** ,239** -,125** 1,000 ,041**

Sig. (2-tailed) ,000 ,000 ,000 . ,002N 5554 5554 5554 5554 5554Coeficiente Correlação

-,119** ,065** ,193** ,041** 1,000

Sig. (2-tailed) ,000 ,000 ,000 ,002 .N 5554 5554 5554 5554 5554

**. Correlação é significante ao nível 0.01 (2-tailed).

Tabela 2 : Análise de Correlações

Spearman's rho

NUM_ANAL

ERR_PREV

AB_ACC

ABS_ERR

ABS_ACC

Resultado interessante evidenciado por essa análise foi a correlação positiva entre o

ABS_ERR e o ABS_ACC, indicando que os erros de previsão acompanham o gerenciamento de resultados. Ou seja, o gerenciamento de resultados poderia ser um dos fatores para explicar em parte erros de previsão dos analistas. Para explorar mais essa situação estruturou-se a Tabela 3, onde se pode constatar a Tabulação Cruzada das empresas que Gerenciam Resultado, income increasing e income decreasing, com os possíveis erros de previsão, surpresa positiva e surpresa negativa.

Os resultados cruzados revelam quatro possíveis quadrantes: I) ABS_ACC<0 e ERR_PREV<0; II)ABS_ACC<0 e ERR_PREV>0; III) ABS_ACC>0 e ERR_PREV<0 e IV)ABS_ACC>0 e ERR_PREV>0. Na apreciação da Tabela 3, vários resultados instigantes são constatados. Primeiramente, observa-se que o quadrante onde se identifica a maior média de ABS_ACC (0,084) é o IV, indicando que as empresas desse grupo podem estar adotando práticas de income increasing, para atingir ou superar as expectativas dos analista, garantindo uma surpresa positiva. Essa afirmação é compatível com argumento de que as empresas dentro de algum contexto poderiam gerenciar resultados para atender a expectativa dos analistas ou surpreender o mercado. No quadrante I, o com menor número de observações, a média dos erros de previsão, ABS_ERR, atingem o maior valor entre os quadrantes (3,17). Nota-se ai um gerenciamento income decreasing e uma surpresa negativa dos analistas. Nesse contexto é possível explicação é imaginar que uma vez que a firmas constatem que não vão atingir as expectativas dos analistas, esta poderiam optar por realizar take a bath accounting.

 

9  

Tabela 3: Matriz de Tabulação Cruzada de Gerenciamento de Resultados e Erros de Previção por Classes

Gerenciamento de Resultados

NMéd 

ABS_ACCMéd 

ABS_ERRN

Méd ABS_ACC

Méd ABS_ERR

NMéd 

ABS_ACCMéd 

ABS_ERR

1 235 0,035 4,41 519 0,072 1,71 754 0,060 2,56Gerenciamento  Negativo  2 193 0,057 6,65 340 0,060 1,39 533 0,059 3,29

AB_ACC < 0 3 163 0,055 1,31 318 0,050 1,89 481 0,052 1,694 302 0,044 0,99 583 0,059 0,76 885 0,054 0,84

Total Parcial 893 0,046 3,17 1760 0,061 1,37 2653 0,056 1,971 263 0,072 4,32 366 0,099 0,82 629 0,088 2,28

Gerenciamento  Positivo 2 219 0,081 4,53 426 0,073 0,78 645 0,076 2,05AB_ACC > 0 3 251 0,075 2,55 353 0,096 1,55 604 0,087 1,96

4 488 0,070 1,41 535 0,076 0,84 1023 0,073 1,11Total Parcial 1221 0,074 2,83 1680 0,084 0,97 2901 0,080 1,75

Total geral 2114 0,062 2,97 3440 0,073 1,17 5554 0,069 1,86

Total GeralCLASSE

Erros de Previsão dos Analistas

Surpresa Negativa Surpresa Positiva

ERR_PREV<0 ERR_PREV>0

Para propiciar mais solidez aos resultados, realizou-se uma análise multivariada. Nesse sentido efetivaram-se as seguintes regressões buscando sempre indicar o número de analistas (cobertura de analista), como variável independente para explicar respectivamente os erros de previsão em termos absolutos e os accruals discricionários absolutos. Os modelos de regressão linear utilizados foram os seguintes:

ABS_ERR = αo + α1 NUM_ANAL + α2 DIAS + ε0 (5)

ABS_ERR : Erros de previsão em termos absolutos

NUM_ANAL : Número de Analistas

DIAS : Dias antes da publicação do resultado.

ABS_ACC = βo + β1 NUM_ANAL + β2 SUSPEITO + ε0 (6)

ABS_ACC : Accruals discricionários em termos absolutos

NUM_ANAL : Número de Analistas

SUSPEITO : Empresas com Erros de Previsão positivos e muito baixos (Dummy)

Cabe registrar que na apreciação do erro de previsão, além do número de analistas, utilizou-se uma variável para indicar a idade da previsão. Por hipótese, quanto maior for a idade da previsão, dias antes da publicação, mais provável que ocorram erros de previsão de resultados. Caso a hipótese seja comprovada espera-se resultado negativo para o coeficiente que precede os NUM_ANAL, entretanto no que toca a DIAS espera-se um coeficiente positivo.

Para o modelo de accruals discricionários além do número de analistas, mediante dummy segregaram-se empresas suspeitas de promover o gerenceiamento de resultados. Para ser classificada como suspeita, a empresa deveria possuir erros de previsão positivos e muito baixos. A premissa é que as empresas gerenciam resultados para atender as expectativas dos analistas, hipótese verificada na literatura [DEGEORGE, PATEL e ZECKAUSER (1999)].

Os resultados estão evidenciados na Tabela 4. As regressões demonstraram ser estatisticamente adequadas. No que se refere ao erro de previsão, à medida que aumenta a cobertura de analistas existe uma propensão a redução dos erros de previsão. Verificou-se que a variável NUM_ANAL teve um sinal negativo significativo (estatística t de -3,896).

 

10  

Indicando que quanto maior o número de analistas menor a propensão a erros de previsão em termos absolutos, ou seja, mais acurada e precisa a previsão dos analistas.

Para o gerenciamento de resultados, a regressão igualmente demonstrou em ternos estatísticos e significativos que à medida que aumenta o número de analistas acompanhado a firma, a propensão ao gerenciamento de resultados se reduz. Esse fato é evidenciado pelo sinal negativo e significativo do coeficiente do número de analistas (estatística t de -3,846).

Painel a) Variavel Dependente Erros de Previsão Absolutos

Coeficientes Padronizados

B Std. Error Beta(Constante) 1,835 ,415 4,419 ,000NUM_ANAL -,106 ,027 -,052 -3,896 ,000DIAS ,005 ,001 ,048 3,618 ,000

a. Variável Dependente : ABS_ERR R R SquareAdjusted R

Square F Sig.,391 ,153 ,149 14,745 ,000

Coeficientes Padronizados

B Std. Error Beta(Constante) ,074 ,002 39,301 ,000NUM_ANAL -,001 ,000 -,052 -3,846 ,000SUSPEITO ,008 ,004 ,028 2,093 ,036

a. Variável Dependente : ABS_ACC R R SquareAdjusted R

Square F Sig.,363 ,132 ,128 8,917 ,000

2

Estatísticas do Modelo

Estatísticas do Modelo

Tabela 4: Análise de Regressão

ABS_ACC = βo + β

1 NUN_ANAL + β

2 SUSPEITO + ε

0

ModeloCoeficientes

t Sig.

1

Painel b) Variavel Dependente Accruals Discricionários Absolutos

ABS_ERR = αo + α

1 NUN_ANAL + α

2 DIAS + ε

0

ModeloCoeficientes

t Sig.

Urge dar destaque a robustez das estatísticas dos modelos estimados, além do

R2ajustado satisfatório, embora não documentados nas tabelas, foram realizados testesestatísticos adicionais, dentre os quais cabe destacar: i) teste de normalidade de Jarque-Bera (JB), indicando que os resíduos têm distribuição normal; ii) teste de Fator Inflação da Variância (FIV), afastando o risco de um problema de multicolinearidade; iii) teste de Breusch-Godfrey (BG), apurando não existir autocorrelação entre os resíduos.

Finalmente para proporcionar mais um teste de robustez, segregaram-se as observações por Classes. Conforme mencionado anteriormente, denominou-se de Classe 1, as empresas que foram acompanhadas por dois ou três analistas e como Classe 4 aquelas empresas acompanhadas por mais de 11 analistas.

No que toca ao Erro de Previsão constatou-se que a média dos erros é significativamente maior para a Classe 1 em relação a Classe 4. Ou seja, assim como indicado anteriormente, os analistas das observações da Classe 1 erram sistematicamente mais dos que na Classe 4. Indicando que a Cobertura dos analistas é um fator importante para explicar as diferenças na propensão a cometer erros de previsão.

No mesmo sentido percebe-se que as empresas da Classe 1 gerenciam mais os seus resultados de que as empresas da Classe 4, o que indica que a maior cobertura de analistas efetivamente dinimue a propensão ao gerenciamento de resultados.

 

11  

As diferenças entre as Classes no que toca ao erro de previsão e aos accruals discricionários foram apreciados por testes de diferenças paramétricos e não paramétricos. Em todos os testes efetuados as diferenças entre as Classes classificadas segundo a cobertura de analistas indicaram que à medida que se aumenta a cobertura de analistas dinimui os erros de previsão e o gerenciamento de resultados.

Painel A: Estatísticas da Classe 1 (2 a 3 analistas) e Classe 4 ( mais de 11 analistas)

CLASSE N MédiaDésvio Padrão

Erro Padrão

1,00 1.383 2,39 ,49 ,014,00 1.908 16,70 3,54 ,081,00 1.383 2,43 17,04 ,464,00 1.908 ,98 2,26 ,051,00 1.383 ,07 ,07 ,004,00 1.908 ,06 ,08 ,00

Painel B: Testes Paramétricos das Diferenças de Médias

F Sig. t dfSig. (2-tailed)

Diferença da Média

Diferenças do D.P. Baixo Alto

Variâncias Iguais Assumidas

1703,32 ,00 -149,26 3289,00 ,00 -14,31 ,10 -14,50 -14,12

Variâncias Iguais não Assumidas

-174,25 2006,71 ,00 -14,31 ,08 -14,47 -14,15

Variâncias Iguais Assumidas

31,63 ,00 3,67 3289,00 ,00 1,45 ,39 ,67 2,22

Variâncias Iguais não Assumidas

3,14 1417,30 ,00 1,45 ,46 ,54 2,35

Variâncias Iguais Assumidas

7,68 ,01 2,98 3289,00 ,00 ,01 ,00 ,00 ,01

Variâncias Iguais não Assumidas

3,06 3207,95 ,00 ,01 ,00 ,00 ,01

Painel C: Teste Não Paramétricos das Diferenças de Médias entre as ClassesNUM_ANAL ABS_ERR ABS_ACC

Chi-Square 5179,41 128,15 75,45df 3,00 3,00 3,00Asymp. Sig. ,00 ,00 ,00a. Kruskal Wallis Testeb. Variável de Agrupamento: CLASSE

Tabela 5 : Estatísticas Paramétricas e Não Paramétricas das Diferencas entre Classe 1 e Classe 4

95% Intervalo de

Confiança da

NUM_ANAL

ABS_ERR

ABS_ACC

NUM_ANAL

ABS_ERR

ABS_ACC

pIgualdade de t-test for Igualdade de Mádias

5. CONCLUSÕES Neste paper foi investigado o papel da cobertura dos analistas como um mecanismo

para reduzir earnings management e para melhorar as previsões de consenso dos analistas. Os resultados evidenciaram que efetivamente no contexto do Brasil, as empresas que são cobertas por um número maior de analistas são menos propensas ao gerenciamento de resultados. Outro ponto constatado é que as previsões de consenso são mais acuradas, quanto maior for o número de analistas que participam na apuração do consenso.

 

12  

As descobertas foram confirmadas por vários procedimentos estatísticos, destacando a análise univariada e multivariada, bem como por uma segmentação das observações por diferentes classes de agrupamentos, de acordo com o número de analistas, realizando-se testes paramétricos e não paramétricos para dar toda a robustez aos resultados.

Intuitivamente, reconhecia-se que a maior cobertura de analistas criava um melhor ambiente informacional para as empresas e conduzia a menor assimetria de informações. Nesse estudo destaca-se uma das fontes de redução de assimetria: Maior número de analistas conduz a menor gerenciamento de resultados. Em suma fica claro que os analistas não só facilitam a distribuição da informação, como também afetam a produção corporativa da informação.

Este pesquisa contribui para o debate sobre o papel dos analistas no mercado de capitais. Os analistas têm sido muito criticados, como resultado de evidências de que suas previsões e recomendações são falhas e imprecisas, entrentanto este estudo apresenta evidências de sua importância para governança corporativa, como mecanismo para monitorar as empresas (gatekeepers), reduzindo a propensão para earnings management e assegurando, quando em conjunto, previsões mais acuradas.

Entende-se que os resultados apresentados demonstram uma associação estatística entre a cobertura dos analistas, gerenciamento de resultados e acurácia das previsões dos analistas. Entretanto não se pode excluir um link de possível endogeneidade entre a cobertura de analistas e o gerenciamento de resultados, bem como questionar a validade das métricas utilizadas como proxies de número de analistas, erros de previsão e earnings management.

As informações apresentadas nesta pesquisa são cruciais na medida em que esclarecem pontos ainda não resolvidos conclusivamente pela literatura internacional e nacional. Os analistas do mercado, apesar das severas críticas que recebem da imprensa especializada, prestam na realidade em parte o seu papel com instrumento de monitoramento das empresas, ao mesmo tempo em que oferecem as suas projeções dos resultados futuros. Com essas previsões, os analistas estimam uma variável crucial para os modelos de avaliação de ações. Recordar que para o investidor, identificar boas projeções de resultados futuros são pré-requisitos para uma adequada mensuração do preço justo de uma ação.

Referências ABARBANELL, J.;LEHAVY, R. An explanation for why prior stock returns and analysts’ earnings forecast revisions predict earnings management and forecast errors. Working Paper, May 2003 Disponível em: <http://webuser.bus.umich.edu/rlehavy/> Acesso 01.dez.2008.

AHMED, Anwer, NAINAR, Khalid, ZHOU, Jian. Do Analysts’ forecasts fully reflect the information in accruals? Canadian Journal of Administrative Sciences, 22, 2005

BRADSHAW. Mark, RICHARDSON, Scott, SLOAN Richard, Do analysts and auditors use information in accruals? Journal of Accounting Research, 39, 2001

BROWN, Lawrence, Managerial Behavior and the bias in analysts´earnings forecasts. www.ssrn.com/abstract=113508. 1998.

BROWN, Stephen, The impact of pension assumption on firm value. www.ssrn.com/abstract=596666., 2004.

DA SILVA, H., A capacidade previsionária no mercado acionário brasileiro – Um estudo focado nas previsões dos analistas de investimentos. ENANPAD-Finanças, 1998

 

13  

DEGEORGE, F, PALTEL, J, ZECKEHAUSER, R, Earnings Management to exceed thresholds. Journal of Business, 72, 1-33, 1999

DYCK, A , MORSE. A, ZINGALES, L, Who blows the whistle on corporate fraud? Unpublished worjing paper. University of Toronto, Toronto, Canadá, 2006.

ELGERS,Pieter, MARY, H. Lo, PFEIFFER, Ray, Delayed security price adjustments to financial analysts’ forecasts of annual earnings. The Accounting Review, 76, 613-632, 2001

FRANCO, D., Projeções de lucros: há evidências de exageros sistemáticos? Revista da Bovespa, p. 9-11. 2000

HOUSTON, Joel, LEV, Baruch e TRUCKER, Jennifer, To Guide or not to Guide? Causes and consequences of stopping and subsequently resuming quartely earnings guidance. Working Papers, University of Florida, 2006.

KANG, Sok-Hyon.; SIVARAMAKRISHNAN, K. Issues in testing earnings management and an instrumental variable approach. Journal of Accounting Research. Oxford: v. 33, n.2, p.353-367, autumn 1995.

KE, Bin, Why do CEOs of publicly traded firms prefer reporting small increases in earnings and long duration of consecutive earnings increases? www.ssrn.com/abstract=250308. 2001

KOTHARI, S. P. Capital market research in accounting. Journal of Accounting and Economics. 31 (1): 105-231.2001

JENSEN. M. MECKELING, W, Theory of the firm: managerial behavior, agency costs and ownership structure. Journal of Financial Economics, 3, 305-360, 1976

LANG,M ; KARL,H. MILLER, Darius. Concentrated control, analysts following and valuation: Do analysts matter most when investors are protected least, Journal of Accounting Research, 42, 2004.

LIM, T. Are analysts’ forecasts optimistically biased? Working Paper. Darmouth University. 1998

LIN, H.; MCNICHOLS, M. Underwriting relationship and analysts’ earnings forecast and investment recommendations. Journal of Accounting and Economics. Rochester, 25: 101-127. 1998

LOUIS, H; ROBINSON Dahlia, Do manager credibly use accruals to signal private information? Evidence from the pricing of discretionary accruals around stock splits Journal of Accounting and Economics, 39,2 (June):361-38

PAULO, Edilson ; LIMA, Iran Siqueira ; LIMA, Gerlando Augusto Sampaio Franco de . A influência da cobertura dos analistas financeiros sobre o gerenciamento de resultados das companhias abertas brasileiras.. In: Congresso USP de Controladoria e Contabilidade, 2006, São Paulo. 6º Congresso USP de Controladoria e Contabilidade, 2006. v. 1.

RICHARDSON, S.; TEOH, S.; WYSOCKI, P. Tracking analysts’ forecasts over the annual earnings horizon: are analysts’ forecast optimistic or pessimistic? Working Paper. University of Michigan. 1999

TRUEMAN, Brett. Analysts forecasts and herding behavior. The Review of Financial Studies. Oxford, 7 (1): 97-124. 1994

YU, FANG FRANK., Analysts Coverage and Earnings Management, Journal of Financial Economic, vol 88, 2008.