Davih Carvalho Sergio Ricardo Martins Adriana … · Verificando os trabalhos existentes a respeito...
Transcript of Davih Carvalho Sergio Ricardo Martins Adriana … · Verificando os trabalhos existentes a respeito...
Credit rating de empresas não financeiras: um estudo comparative entre Brasil e Estados Unidos
Insper Working PaperWPE: 359/2016
Davih CarvalhoSergio Ricardo MartinsAdriana Bruscato Bortoluzzo
CREDIT RATING DE EMPRESAS NÃO FINANCEIRAS: UM
ESTUDO COMPARATIVO ENTRE BRASIL E ESTADOS
UNIDOS Davih Carvalho, Insper
Sergio Ricardo Martins, Insper
Adriana Bruscato Bortoluzzo, Insper
Resumo
O presente trabalho tem como objetivo verificar os principais determinantes do rating de
sociedades anônimas de capital aberto não financeiras no Brasil e nos Estados Unidos, listadas
na BM&FBOVESPA e NYSE respectivamente, e comparar e fundamentar seus resultados. Para
tanto, foi utilizado o modelo Probit ordinal em painel, buscando explicar a formação do rating
das empresas. Dentro do escopo das variáveis explicativas contábeis das companhias, pôde-se
concluir que as agências de rating dão significância a determinantes similares em ambos os
mercados, demonstrando consistência metodológica e conexão entre os mercados financeiros
brasileiro e americano.
PALAVRAS CHAVE: Credit Rating, Risco de Crédito, Agências de Rating, Probit Ordinal.
Abstract
This study aims to check the main determinants of publicly traded non-financial corporate
rating in Brazil and the United States, listed on the BM&FBOVESPA and NYSE respectively,
and compare and explain the results. To this end, the Ordinal Probit model organized in panel
was used, seeking to explain the formation of the corporate rating. Within the scope of financial
explanatory variables of the companies, it was concluded that the rating agencies give
significance to similar determinants in both markets, demonstrating methodological
consistency and connection between the Brazilian and American financial markets.
KEYWORDS: Credit Rating, Credit Risk, Rating Agencies, Ordinal Probit.
JEL CODES: C25, G24.
7
1 Introdução
De acordo com a Standard & Poor´s (2011), credit ratings são pareceres ou opiniões a
respeito do risco de crédito. Em outras palavras, “é uma opinião sobre a capacidade de uma
corporação ou governo em cumprir com suas obrigações financeiras em sua totalidade e
tempestivamente, se tornando uma medida relativa de risco de crédito, baseada em análises
qualitativas e quantitativas” (SALES, 2006). Segundo Hansen (2005), estes ratings são
verificados por investidores como indicadores de probabilidade de retorno do investimento ou,
visto de outro ângulo, a probabilidade de inadimplência do tomador de recursos. Pinches e
Singleton (1978) assevera que os ratings classificam títulos de acordo com sua probabilidade
de default (que captura a capacidade de pagamento do devedor), porém algum peso também é
dado para a liquidez deste título.
A ideia central é que um rating elevado equivale a um baixo risco de crédito e vice-
versa, provocando mudanças nas expectativas dos investidores em relação à taxa de retorno
requerida adequada ao risco percebido. Segundo Murcia (2013), um rating pode ser atribuído
a diversos títulos de crédito, pode ser de curto ou longo prazos e depender de moedas de emissão
distintas. Os ratings podem ser utilizados de diferentes formas pelos agentes do mercado, como
investidores, reguladores e a própria administração da companhia. Para a companhia, por
exemplo, esta opinião pode impactar diretamente a estrutura de capital, através do custo de
tomar dívidas, e as decisões de seus administradores, estabelecendo assim uma espécie de
função de “governança corporativa”.
As chamadas agências de rating, dentre as mais conhecidas estão a Moody’s Investors
Service, a Standard & Poor’s Ratings Services e a Fitch Ratings, “são as provedoras dos ratings
para o mercado e têm um importante papel no sistema financeiro moderno, pois possuem acesso
privilegiado às informações privadas sobre os emissores de títulos de dívida” (CALDERONI
et al., 2009). Segundo Papaikonomou (2010), estas agências, através de pareceres confiáveis e
independentes a respeito da qualidade de crédito dos emissores, colaboram para reduzir a
assimetria de informação entre provedores e tomadores de recursos, reduzindo custos de
transação e auxiliando na melhoria da estabilidade do sistema financeiro com um todo.
Especialmente após a crise financeira global de 2008 e com a evolução do mercado
financeiro e o consequente aumento na sua regulação, “as agências de rating se tornaram peças
cada vez mais relevantes” (MURCIA et al., 2014). Inclusive, segundo Damasceno et al. (2008),
o Acordo de Basiléia II admite que instituições financeiras utilizem tanto modelos internos de
ratings para gerenciamento de risco de crédito de suas carteiras de títulos de dívida como
também ratings de agências externas.
8
De maneira geral, estas agências definem símbolos-padrão e, segundo Camargo (2009),
suas definições fazem referência ao risco de inadimplência ou a probabilidade de não
pagamento do principal e juros da obrigação.
O Quadro 1 lista a escala de ratings que a Moody’s e Standard & Poor’s adotam e as
respectivas interpretações:
Quadro 1 – Sumário geral das opiniões refletidas nos ratings
Moody's S&P Significado
Aa1 AA+
Aa2 AA
Aa3 AA-
A1 A+
A2 A
A3 A-
Baa1 BBB+
Baa2 BBB
Baa3 BBB- O mais baixo rating do grau de investimento.
Ba1 BB+ O mais alto rating do grau de especulação.
Ba2 BB
Ba3 BB-
B1 B+
B2 B
B3 B-
Caa1 CCC+
Caa2 CCC
Caa3 CCC-
Grau
Especulativo
Capacidade muito forte de pagamento dos compromissos financeiros.
Forte capacidade de pagamento dos compromissos financeiros, mas de
alguma forma suscetível à situações econômicas adversas e mudanças de
circunstâncias.
Capacidade adequada de pagamento dos compromissos financeiros, mas mais
suscetível à situações econômicas adversas.
Menos vulnerável no curto prazo, mas enfrenta elevadas incertezas em
condições econômico-financeiras e de negócios adversas.
Mais vulnerável às incertezas em condições econômico-financeiras e de
negócios adversas, mas atualmente possui capacidade para pagamento dos
compromissos financeiros.
Atualmente vulnerável e dependente de condições econômico-financeiras e de
negócios favoráveis para pagamento dos compromissos financeiros.
Grau de
InvestimentoAaa AAA
Capacidade extremamente forte de pagamento dos compromissos
financeiros. O mais elevado rating .
Ca CCAltamente vulnerável; Inadimplência ainda não ocorreu, mas é esperada com
alguma certeza.
Inadimplente - default - no compromisso financeiro; também usado para
pedidos de falência ou ações similares.
C C
D
Atualmente com elevada vulnerabilidade à inadimplência e baixa
probabilidade de recuperação do principal e juros.
Fonte: Adaptado de Standard & Poor’s (2011) e Moody’s (2011)
Segundo Damasceno et al. (2008), a avaliação do risco setorial possui grande
influência em uma classificação de rating corporativo pelas agências, porém não é o único.
Ainda segundo estes autores, podem ser citados a participação no mercado, eficiência
operacional, tamanho da companhia, governança corporativa, qualidade da contabilidade,
alavancagem financeira, acesso a fontes locais de financiamento, entre vários outros. A Figura
1 ilustra os principais fatores na visão da Standard & Poor’s:
9
Fonte: Adaptado de Standard & Poor’s (2011)
Figura 1 – Fatores usados para avaliação dos ratings de crédito corporativo segundo Standard & Poor’s
Assim, neste artigo pretende-se analisar se os fatores determinantes dos ratings
corporativos emitidos pela agência Moody’s são diferentes ou não entre um mercado financeiro
desenvolvido e um considerado emergente. Para isso, será usada uma seleção de empresas
listadas no índice S&P 500, constituído pelas 500 maiores empresas listadas nas bolsas de
valores americanas NYSE ou NASDAQ, representando a amostra norte-americana, e no índice
BOVESPA, composto por ações de companhias listadas na BM&FBOVESPA, representando
a amostra brasileira, e indicadores financeiro-contábeis, além de variáveis qualitativas, para
gerar um modelo com os determinantes que expliquem de forma relevante os ratings emitidos
por tais agências, a fim de compará-los. Para tal análise, será utilizado um modelo Probit
ordenado em painel.
Verificando os trabalhos existentes a respeito do tema, nota-se que existe vasta gama de
estudos individuais com países da América Latina, Europa e Estados Unidos. Porém, com a
consolidação da globalização do mercado financeiro, com os benefícios e prejuízos inerentes a
tal fenômeno, torna-se relevante comparar através de uma proxy – ratings – a conexão entre
empresas de um mercado desenvolvido, como é o americano, e um emergente, caso brasileiro,
com relação ao risco de crédito e, mais importante, buscar respostas com relação às diferenças
e semelhanças dos fatores determinantes.
•Risco-País•Risco setorial•Posição competitiva
Fluxo de Caixa / Alavancagem
•Diversificação de portfólio• Estrutura de capital•Política financeira• Liquidez•Governança corporativa•Análise de comparáveis
• Influencia de grupo ou governo
10
2 Revisão da Literatura
O trabalho de análise das companhias pelas agências de rating é fundamentado por
diversas metodologias empregadas. Algumas optam pelo foco em uma avaliação quantitativa
dos dados contábeis disponíveis e complexos modelos matemáticos para gerar suas opiniões.
Outras, segundo Murcia et al. (2014), lançam mão tanto de métodos quantitativos como
qualitativos, através de reuniões com profissionais da companhia sob análise, por exemplo.
Segundo Damasceno et al. (2008), os primeiros estudos dos fatores determinantes dos
ratings que utilizaram dados contábeis de companhias datam do início dos anos de 1960, nos
Estados Unidos. Desde então, diversos autores buscaram reproduzir um modelo que emulasse
de maneira geral o processo de classificação das agências.
Bouzouita e Young (1998) analisaram ratings de companhias seguradoras norte-
americanas no período de 1989 a 1992 utilizando a técnica de Probit ordinal e encontraram
como variáveis significantes a lucratividade, alavancagem, mix do portfólio, liquidez e desenho
organizacional, além de concluir que sociedades de capital fechado são mais propensas a
receber ratings mais elevados que as sociedades de capital aberto. Já Adams et al. (2003), que
exploraram as opiniões sobre companhias seguradoras no Reino Unido com a mesma técnica
econométrica, entre 1993 e 1997, encontraram significância também na lucratividade, liquidez
e desenho organizacional, mas ressaltam, além destes, crescimento e alocação de capital. Kim
e Gu (2004) estudaram ratings emitidos pela Moody’s de títulos de cassinos e empresas
hoteleiras norte-americanas entre 1996 e 2001, usando mínimos quadrados ordinários, com
acerto de 60% em seu modelo e destacando as variáveis cobertura de juros, lucratividade e
tamanho de mercado como as mais relevantes.
Com um escopo mais amplo que seus antecessores, Roje (2005) teve como finalidade
“verificar a relação entre variáveis contábeis que influenciariam analistas na determinação do
crédito de empresas em diferentes setores e quais seriam as mais relevantes para formação dos
ratings, entre 1998 e 2002, no mercado norte-americano” (MURCIA et al., 2014). Utilizando
regressão logística ordenada, obteve como resultados relevantes o coeficiente de lucratividade
(retorno sobre o patrimônio líquido), valor de mercado das ações (tamanho) e retorno sobre os
ativos. Também, Sih (2006) analisou ratings de diversos setores emitidos em 2005 no mercado
norte-americano utilizando modelos não lineares de estimação, mesclando atributos da
distribuição uniforme, regressão linear múltipla, discriminante linear de Fisher e redes neurais,
que por sua vez se justificaram por serem mais efetivos que modelos puramente lineares,
segundo o autor. Como conclusão, os principais fatores apontados foram valor de mercado,
LAJIR (lucro antes de juros e tributação sobre o lucro – EBIT) e lucro líquido.
11
Para sintetizar a revisão da literatura discorrida, tem-se uma síntese apresentada na
Tabela 1, a seguir:
Tabela 1 – Quadro-resumo dos estudos anteriormente citados.
Autores Período
Amostral País Metodologia Variáveis Utilizadas
Variáveis
Relevantes
Bouzouita e
Young
(1998)
1989-1992 Estados
Unidos Probit Ordinal
i) Lucratividade; ii) Crescimento
do excedente; iii) Crescimento
líquido dos prêmios de seguros;
iv) Alavancagem financeira; v)
Mix de portfólio; vi) Liquidez;
vii) Tamanho; viii) Desenho
organizacional.
Lucratividade,
Alavancagem
financeira, Mix
do portfólio,
Liquidez e
Desenho
organizacional.
Adams,
Burton e
Hardwick
(2003)
1993-1997 Reino
Unido Probit Ordinal
i) Alocação de capital; ii)
Lucratividade; iii) Liquidez; iv)
Crescimento; v) Tamanho; vi)
Desenho organizacional; vii)
Resseguro; viii) Natureza do
negócio.
Lucratividade,
Liquidez,
Desenho
organizacional,
Crescimento e
Alocação de
capital.
Kim e Gu
(2004) 1996-2001
Estados
Unidos
Mínimos
Quadrados
Ordinários
i) Liquidez; ii) Endividamento;
iii) Cobertura da dívida; iv)
Eficiência operacional; v)
Lucratividade; vi) Tamanho de
mercado.
Cobertura da
dívida,
Lucratividade e
Tamanho de
mercado
Roje (2005) 1998-2002 Estados
Unidos
Regressão
Logística
i) Retorno sobre o ativo; ii)
Retorno sobre o patrimônio
líquido; iii) Lucro; iv) Valor de
mercado das ações; v) Valor
contábil tangível / ativo; vi)
Endividamento; vii) Dívida de
longo prazo / ativo total; viii)
Liquidez corrente; ix)
[Obrigações de benefício – ativos
do plano de pensão] / total dos
ativos; x) Volatilidade do lucro;
xi) Crescimento das vendas; xii)
Setor.
Retorno sobre o
patrimônio
líquido, Valor
de mercado das
ações e Retorno
sobre o ativo.
Sih (2006) 2005 Estados
Unidos
Modelo Não
Linear
i) Setor; ii) Vendas; iii) Receitas;
iv) LAJIR; v) Depreciação; vi)
Receitas financeiras; vii)
Despesas financeiras; viii) Lucro
líquido; ix) Ativo total; x) Ativo
circulante; xi) Passivo circulante;
xii) Passivo total; xiii)
Endividamento total; xiv)
Disponibilidades; xv)
Endividamento líquido; xvi)
Liquidez corrente; xvii) Valor de
mercado.
Valor de
mercado, LAJIR
e Lucro líquido.
Sales (2006) 2005 Brasil Probit Ordinal
i) Ativo total; ii) Patrimônio
líquido; iii) Depósitos; iv)
Resultado bruto; v) Lucro líquido;
vi) Resultado operacional; vii)
[Passivo circulante – ativo
circulante] + [passivo não
circulante – ativo não circulante];
viii) Composição do capital
social.
Índice de
cobertura de
juros e
Composição do
capital social.
12
Damasceno,
Artes e
Minardi
(2008)
2000-2005 Brasil Probit Ordinal
i) Presença no Ibovespa; ii)
Tamanho; iii) Cobertura de
juros(1); iv) Cobertura de
juros(2); v) Endividamento de
longo prazo / ativo; vi)
Endividamento total / ativo; vii)
Margem operacional; viii)
Retorno sobre o ativo; ix)
Capacidade de pagamento(1); x)
Capacidade de pagamento(2).
Presença no
Ibovespa,
Retorno sobre o
ativo e
Endividamento
total / ativo.
Bone e
Ribeiro
(2009)
1995-2007 Brasil Logit Ordinal
i) Dívida total / LAJIRDA; ii)
Cobertura de juros; iii) Fluxo de
caixa operacional / dívida de curto
prazo; iv) Fluxo de caixa líquido /
dívida total.
Dívida total /
LAJIRDA.
Murcia
(2013) 1997-2011 Brasil Probit Ordinal
i) Cobertura Financeira; ii)
Crescimento; iii) Desempenho no
mercado de capitais; iv)
Endividamento; v) Governança
corporativa; vi) Intern. financeira;
vii) Liquidez; viii) Controle
societário; ix) Lucratividade; x)
Setor; xi) Tamanho.
Endividamento,
Lucratividade,
Liquidez,
Controle
societário e
Internacionaliza
ção financeira.
Fonte: os autores.
Com relação ao mercado brasileiro, Sales (2006) usou Probit ordinal criar um modelo
que simulasse ratings de uma amostra com 44 instituições financeiras que ainda não haviam
sido classificadas, em 2005. Neste trabalho, o índice de cobertura de juros e a composição do
capital social do banco, com participação estatal ou inteiramente privado, foram os mais
significantes.
Já Damasceno et al. (2008) tratam de dois temas igualmente relevantes: a hipótese das
agências se tornarem mais rigorosas ao longo do tempo, o que não foi confirmada no estudo, e
um modelo de previsão de ratings para empresas que não tinham avaliações, utilizando o
período de 2000 a 2005. A amostra conteve 39 companhias nacionais, resultando em um acerto
de 64,1% dos ratings em um modelo de Probit ordinal, indicando como variáveis mais
significantes a listagem no índice Bovespa (Ibovespa), retorno sobre o ativo total (ROA) e
dívida total bruta por ativo total.
Bone e Ribeiro (2009) avaliaram empresas não financeiras no período de 1995 e 2007,
destacando que variáveis financeiras não obtiveram grande significância ao buscar explicar os
ratings na amostra selecionada, destacando-se somente o múltiplo Dívida total por LAJIRDA
(lucro antes de juros, tributação sobre o lucro, depreciação e amortização – EBITDA).
Por fim, Murcia (2013) buscou analisar tanto os fatores determinantes do rating de
crédito, bem como seus impactos nas cotações das companhias. Utilizando um modelo Probit
ordinal, a amostra de 153 ratings de créditos de corporações brasileiras emitidos pela Moody’s
13
e Standard & Poor’s entre 1997 a 2011 resultou como variáveis significantes o endividamento,
rentabilidade, liquidez, controle societário e internacionalização financeira.
3 Metodologia
A metodologia econométrica que será adotada para realizar o estudo é o Probit ordenado
em painel.
Segundo Velozo (2009), para variáveis categóricas ordinais geralmente é usado um
modelo de probabilidade acumulada, “relacionando esta probabilidade a um vetor X i de
covariáveis associado a i-ésima unidade amostral através de uma função de ligação” (figura 2).
Segundo Gujarati e Porter (2012), o interessante deste modelo é que ele tem dois aspectos
fundamentais: “(1) quando Xi aumenta, Pi = E(Y=1|X) aumenta, mas nunca fica fora do
intervalo 0 – 1; e (2) a relação entre Pi e Xi é não linear, ou seja, aproxima-se de zero a taxas
cada vez menores quando Xi fica menor e aproxima-se de 1 a taxas cada vez menores à medida
que Xi aumenta bastante”.
Figura 2 – Exemplo de Função de Distribuição Acumulada (Distribuição Logística)
Sendo assim, chamando 𝛾𝑖𝑗 de probabilidade acumulada da i-ésima unidade amostral e
esta probabilidade estar na categoria j ou abaixo dela, então:
𝛾𝑖𝑗 = Pr(𝑌𝑖 ≤ 𝑗) = ∑ 𝜋𝑖𝑞𝑗𝑞=1 (1)
Ainda, de acordo com Velozo (2009), “seguindo a abordagem de modelos lineares
generalizados considera-se que uma transformação das probabilidades acumuladas é uma
função linear de um conjunto de covariáveis”, assim:
14
𝑔(𝛾𝑖𝑗) = 𝜆𝑗 − 𝑋𝑖′𝛽 (2)
em que
𝑔(∙) é a função de ligação que mapeia as probabilidades 𝛾𝑖𝑗 para a reta,
𝜆𝑗 é o intercepto de cada categoria;
𝛽 o efeito das covariáveis nas probabilidades acumuladas transformadas ou simplesmente
o coeficiente da regressão.
Existem três modelos de probabilidade acumulada: o modelo de razões de chances
proporcionais (também conhecido por modelo de logito ordenado ou acumulado), o modelo
probito ordenado e o chamado Proportional Hazards (função de ligação log-log
complementar).
Para este estudo, será utilizado o modelo probito ordenado ou acumulado (Probit
ordenado) ou Normit.
Neste modelo, função de ligação é o probito:
𝑔(𝛾𝑖𝑗) = Φ−1(𝛾𝑖𝑗) = 𝜆𝑗 − 𝑋𝑖′𝛽 (3)
Também é possível escrever este modelo levando em conta que 𝑒𝑖 tem distribuição
normal padrão:
𝐹(𝑢𝑖𝑗) = Φ(𝑢𝑖𝑗) = 𝛾𝑖𝑗, onde 𝑢𝑖𝑗 = 𝜆𝑗 − 𝑋𝑖′𝛽 (4)
3.1 Dados em Painel
A opção por um modelo para dados em painel se deve às vantagens que este tem sobre
modelos cross-section e time series, principalmente por controlar a heterogeneidade
(diferenças) entre os indivíduos / categorias. Conforme Hsiao (1986), modelos projetados para
painel podem possuir maior número de graus de liberdade e reduzir a colinearidade entre
variáveis explicativas, já que permitem a utilização de maior número de observações.
O modelo geral pode ser especificado da seguinte forma, seguindo Duarte, Lamounier
e Takamatsu (2007):
𝑦𝑖𝑡 = 𝛽0𝑖𝑡 + 𝛽1𝑖𝑡𝑥1𝑖𝑡 + ⋯ + 𝛽𝑘𝑖𝑡𝑥𝑘𝑖𝑡 + 𝑒𝑖𝑡 (5)
Ainda segundo estes autores, o subscrito i refere-se aos indivíduos, t ao período de
tempo, β0 ao parâmetro de intercepto e βk ao coeficiente angular da k-ésima variável explicativa
do modelo. O intercepto e os demais parâmetros são distintos para cada indivíduo e período de
tempo, não permitindo suas estimações, pois há mais parâmetros desconhecidos que
observações. Dessa forma, se faz necessárias suposições a respeito do modelo geral. Nesse
15
sentido, dentre os modelos mais empregados para dar praticidade ao modelo geral, destacam-
se os modelos de Efeitos Fixos e de Efeitos Aleatórios.
Segundo Wooldridge (2002), o fator preponderante para utilização entre o modelo de
Efeitos Fixos e Efeitos Aleatórios é o intercepto αi. Assim, quando αi é não correlacionado com
todos os regressores, é recomendado o modelo de Efeitos Aleatórios. Caso contrário, é indicado
o modelo de Efeitos Fixos. Nesse sentido, pode ser realizado o teste de Hausman para se
verificar correlação entre αi e as variáveis explicativas, sob as seguintes hipóteses:
Ho: αi é não correlacionado com os regressores
Ha: αi é correlacionado com os regressores
Dito isto e levando-se em consideração o modelo de Probit ordenado, segundo Hsiao
(1986), o modelo de Efeitos Aleatórios é preferível ao de Efeitos Fixos, em razão da ausência
de um estimador consistente de β neste modelo. Para tanto, é necessário assumir a hipótese de
independência de αi em relação à xit.
Seguindo nesta mesma linha, Maddala (1987) relata vantagens do modelo Probit de
Efeitos Aleatórios:
O modelo probit é apropriado para a análise de efeitos aleatórios, uma vez que os
efeitos aleatórios produzem correlações entre os erros e a distribuição logística
multivariada é bastante restritiva para esse propósito. [...] duas importantes
propriedades dos modelos probit com efeitos aleatórios valem a pena serem
mencionadas: (i) ao contrário das estimativas do modelo probit com efeitos fixos, as
estimativas do modelo probit de efeitos aleatórios são consistentes; (ii) o modelo
probit com efeitos aleatórios é baseado na distribuição normal multivariada.
(MADDALA, 1987, p. 317-318).
3.2 Dados e Descrição das Variáveis
A base de dados foi elaborada a partir dos ratings de crédito em moeda local concedidos
pela Moody’s nos anos de 2010 a 2014 (5 anos), de periodicidade anual (fim de período), de
acordo o Global Long-Term Rating Scale (escala internacional de longo prazo) desta agência.
Foram utilizados os ratings representativos dos emissores (das companhias).
Amostra selecionada é composta por sociedades anônimas de capital aberto, composta
por uma seleção ou amostra de empresas listadas no índice S&P 500 (232 companhias) e no
índice BOVESPA (40 companhias), listadas respectivamente nas Bolsas de Nova Iorque
(NYSE) ou NASDAQ e de São Paulo (BM&FBOVESPA). Para manter uma homogeneidade
com relação aos trabalhos anteriores e à significância dos índices financeiros usados como
regressores, serão escolhidas somente empresas não financeiras.
16
Seguindo formato similar à Damasceno et al. (2008), tem-se que 𝛾𝑖𝑗 será relacionado ao
rating de longo prazo da escala global de crédito dado a companhia i em dado instante de tempo
t, de acordo com Tabela 2.
Tabela 2 – Variável categórica e classificação segundo critério da Moody’s
𝜸𝒊𝒋 Rating
1 Aaa
2 Aa1, Aa2, Aa3
3 A1, A2, A3
4 Baa1, Baa2, Baa3
5 Ba1, Ba2, Ba3
6 B1, B2, B3
7 Caa1, Caa2, Caa3
8 Ca
A Tabela 3 apresenta os regressores que serão utilizados na análise. Assim, esperamos
empresas com maior ROA tenham melhores ratings, pois empresas que administram melhor o
capital aplicado devem ter melhor capacidade em honrar suas dívidas. Para o GAF, acredita-se
que quanto menor o índice maior o rating, porque esta empresa estaria pouco alavancada ou
dependente de recursos de terceiros. No caso do CJ, quanto maior a cobertura de juros se espera
um rating superior, pois mede o quanto o resultado operacional consegue cobrir o serviço das
dívidas captadas. Para TM, é esperado que empresas maiores tenham ratings maiores, pois de
maneira geral “grandes companhias são mais capazes de se sustentar em frente a mudanças
econômicas desfavoráveis” (MURCIA et al., 2014). Para ROE, como uma empresa com maior
Retorno sobre o Patrimônio Líquido tende a conseguir honrar suas obrigações com maior
facilidade, seu rating tende a ser maior.
Para a variável LIQ, espera-se que quanto maior este índice melhor o rating, porque
“um alto grau de liquidez permite à empresa honrar compromissos inesperados com o caixa
sem a necessidade de vender ativos” (BOUZOUITA e YOUNG, 1998). Já para END, a medida
que o endividamento aumenta, o risco de inadimplência deve aumentar e, portanto, impacta o
rating negativamente. Para CP1 e CP2, espera-se uma relação inversa entre esta variável e o
rating, pois quanto maior o potencial de geração de caixa da companhia (representado pelo
EBITDA) melhor a condição dela para honrar o endividamento, ou seja, quanto menor CP1 e
CP2 menos arriscada a empresa deverá ser. No caso do GW, segundo Bouzouita e Young
(1998), empresas que apresentam um crescimento sustentável em suas receitas tendem a obter
ratings superiores. Para o último regressor proposto, PM, quanto melhor a margem bruta da
17
empresa mais vantagens competitivas a mesma consegue repassar ao mercado via sistema de
preços, impulsionando um resultado operacional saudável e, assim, maior a propensão de seu
rating ser mais elevado.
Tabela 3 – Variáveis explicativas utilizadas
Identificação Memorial de Cálculo
ROA – Retorno sobre Ativo Lucro Líquido / Ativo Total
GAF – Grau de Alavancagem Financeira Ativo Total / Patrimônio Líquido
CJ – Cobertura de Juros EBIT / Despesa de Juros
TM – Tamanho Número de ações x Cotação da ação
ROE – Retorno sobre Patrimônio Líquido Lucro Líquido / Patrimônio Líquido
LIQ – Liquidez Ativo Circulante / Passivo Circulante
END – Endividamento Endividamento Total / Ativo Total
CP1 – Capacidade de Pagamento 1 Endividamento Total / EBITDA
CP2 – Capacidade de Pagamento 2 Dívida Líquida / EBITDA
GW – Crescimento (Receita Líquidat / Receita Líquidat-1) -1
PM – Poder de Mercado Lucro Bruto / Receita Líquida
4 Análise dos Resultados
Dada a descrição das variáveis, segue então o modelo usado para estimar os ratings:
𝑅𝑎𝑡𝑖𝑛𝑔𝑖𝑡 = 𝛽0𝑖 + 𝛽1𝑖𝑡𝑅𝑂𝐴1𝑖𝑡 + 𝛽2𝑖𝑡𝐺𝐴𝐹2𝑖𝑡 + 𝛽3𝑖𝑡𝐶𝐽3𝑖𝑡 + 𝛽4𝑖𝑡𝑇𝑀4𝑖𝑡 + 𝛽5𝑖𝑡𝑅𝑂𝐸5𝑖𝑡 +
𝛽6𝑖𝑡𝐿𝐼𝑄6𝑖𝑡 + 𝛽7𝑖𝑡𝐸𝑁𝐷7𝑖𝑡 + 𝛽8𝑖𝑡𝐶𝑃18𝑖𝑡 + 𝛽9𝑖𝑡𝐶𝑃29𝑖𝑡 + 𝛽10𝑖𝑡𝐺𝑊10𝑖𝑡 + 𝛽11𝑖𝑡𝑃𝑀11𝑖𝑡 + 𝜀𝑖𝑡 (7)
Observando as matrizes de correlação entre as variáveis explicativas, apresentadas no
no Quadro 2, notamos poucos casos de alta correlação entre os regressores, “o que significa que
os coeficientes não serão estimados com grande precisão” (GUJARATI e PORTER, 2012).
Com base nas medidas corretivas sugeridas por estes autores, foram testadas exclusões das
variáveis altamente correlacionadas, porém os resultados (regressores relevantes) foram os
mesmos do modelo completo.
Posto isso, foi estimado o modelo de Efeitos Aleatórios com todas as variáveis
explicativas, sendo o resultado, tanto para o cenário brasileiro quanto para o americano,
apresentado nas Tabelas 4 e 5.
18
Quadro 2 – Matriz de correlação entre variáveis explicativas
Caso brasileiro:
Caso americano:
Tabela 4 – Cenário brasileiro (base: iBovespa)
Variáveis
Explicativas Coeficientes P-Valor
ROA 0,025 0,706
GAF -0,211 0,177
CJ 0,055 0,243
TM -0,000 0,586
ROE 0,052 0,045
LIQ 0,113 0,572
END -0,052 0,002
CP1 -0,030 0,745
CP2 -0,114 0,453
GW 0,001 0,901
PM 0,036 0,000
19
Tabela 5 – Cenário americano (base: S&P500)
Variáveis
Explicativas Coeficientes P-Valor
ROA 0,045 0,448
GAF -0,261 0,051
CJ 0,002 0,519
TM -0,000 0,000
ROE 0,042 0,023
LIQ 0,037 0,697
END -0,049 0,021
CP1 -0,025 0,514
CP2 -0,032 0,473
GW 0,002 0,310
PM 0,026 0,054
Observando os resultados disponíveis nas Tabelas 4 e 5, resolvemos reestimar os
modelos propostos, excluindo os regressores irrelevantes. Seguindo essas premissas, os
resultados dos modelos que melhor explicaram os ratings das companhias escolhidas são
mostrados nas Tabelas 6 e 7, a seguir:
Tabela 6 – Cenário brasileiro (base: iBovespa)
Variáveis
Explicativas Coeficientes P-Valor
GAF -0,223 0,131
CJ 0,048 0,219
ROE 0,052 0,000
END -0,059 0,000
PM 0,035 0,000
Tabela 7 – Cenário americano (base: S&P500)
Variáveis
Explicativas Coeficientes P-Valor
GAF -0,156 0,019
TM -0,000 0,000
ROE 0,028 0,003
END -0,050 0,012
PM 0,027 0,022
20
Em ambos os modelos, completo e final, as variáveis explicativas mais significantes
foram as mesmas, demonstrando a consistência nos modelos das variáveis observadas. Sobre o
estudo de sinais, em ambos os cenários, todas as variáveis significativas apresentaram o sinal
esperado teoricamente, menos TM (proxy referente a tamanho e não colinear a nenhuma outra
variável). Uma das possibilidades que se veicula a este resultado é que quanto maior o tamanho
da companhia, maior a probabilidade dela apresentar maiores e mais complexos desafios,
necessitando de grandes volumes de capital de terceiros que, em situações desfavoráveis,
influenciaria sua capacidade de honrar dívidas de médio e longo prazos.
Dito isto, para o cenário brasileiro, as variáveis significantes foram ROE (retorno sobre
o Patrimônio Líquido), END (endividamento) e PM (proxy de poder de mercado), todas
significantes ao nível de 1% no modelo final. Já no cenário americano, foram significantes ao
nível de 1%, também no modelo final, as variáveis TM (proxy de tamanho de mercado) e ROE
(retorno sobre o Patrimônio Líquido). As demais variáveis significantes no cenário americano
foram GAF (grau de alavancagem financeira), END (endividamento) e PM (proxy de poder de
mercado), porém ao nível de 5% .
Por fim, para no caso brasileiro, os resultados obtidos foram semelhantes aos de Murcia
(2013) para as variáveis ROE e END e ao de Damasceno, Artes e Minardi (2008) para a variável
END. Para o caso americano, a variável ROE também foi significante para Roje (2005).
5 Conclusão
O estudo e conhecimento das variáveis que determinam os ratings emitidos pelas
agências tornam-se cada vez mais relevantes para os participantes dos mercados financeiros
organizados, entre eles “investidores e reguladores de fundos de investimento [...]; empresas
que emitem títulos de dívida” (MURCIA et al., 2014), por exemplo.
Como ilustrado na Figura 1, as agências de rating levam em consideração diversos
fatores para emissão de um rating. Características específicas de um país, como ciclo de
negócios e ambiente institucional e político, de uma determinada indústria, como ciclicidade e
competição, e finalmente da companhia-alvo, como posicionamento e estrutura de capital,
fazem um “simples” rating capturar todas estas variáveis de características qualitativas e
quantitativas.
Dessa maneira, mercados distintos possivelmente apresentariam tais variáveis com
relevâncias também distintas. Segundo Costa (2009), os mercados financeiros americano e
brasileiro, historicamente, se diferem em suas constituições. Aqui, o chamado movimento de
21
bolsa de valores foi formado por uma “economia de endividamento”, ao contrário do
americano, que foi gerado por uma “economia de mercado de capitais”.
Ainda segundo este autor, enquanto nos Estados Unidos, bancos de investimentos e o
arcabouço jurídico para as sociedades por ações eram formados para dar sustentação às
operações das empresas ferroviárias no pós-Guerra de Secessão, acelerando as etapas de
desenvolvimento do mercado acionário americano, no Brasil, a concentração de capitais pelos
empresários em mercados protegidos, devido ao esforço de industrialização empreendido pelo
Estado via maciço endividamento, colaborou para que não houvesse incentivos suficientes para
desenvolvimento das bolsas de valores existentes. Também, investimentos que requereram o
emprego de tecnologia foram realizados por iniciativas estrangeiras com capital externo, não
sendo necessário captação via mercado acionário.
Assim, com o crescimento da industrialização e o fomento à projetos de âmbito
nacional, a necessidade de financiamento das companhias era atendida pela retenção de lucros
e créditos bancários e oficiais. “O movimento de bolsa de valores se concentrava em ações das
empresas estatais” (COSTA, 2009). Somente após as privatizações dos anos 90 que o
movimento de bolsa de valores tomou corpo e se desvencilhou (não por completo) dos antigos
laços governamentais.
Contudo, atualmente, devido à globalização cada vez mais profunda dos mercados
financeiros e à alta exposição desses mercados globalizados entre si (efeito “contágio” cada vez
mais aparente em crises que deixam de ser regionais para serem globais), os mercados
financeiros se “aproximam” e compartilham movimentos globais de seus participantes, na
medida de suas exposições. Não é de surpreender que os fatores que influenciam os ratings
entre empresas, no caso, brasileiras e americanas, sejam semelhantes. Além disso, pode-se
somar aos efeitos de influência entre estas economias o nível de dependência e exposição da
economia nacional frente à americana, impactando ciclo de negócios, nível de investimentos,
empréstimos e financiamentos indexados em moeda estrangeira (dólar, no caso), entre outros.
O presente estudo atesta tal assertiva, visto que todas as variáveis explicativas relevantes
para o caso brasileiro estão contidas no rol de regressores para o caso americano. Ou seja, pode-
se inferir que as agências de risco analisam que companhias inseridas no mercado americano,
desenvolvido, e no brasileiro, em desenvolvimento, que possuem forte relacionamento,
partilham de variáveis fundamentais para formação de uma opinião a respeito da solvência (ou
situação creditícia) destas companhias. Estas variáveis são o Retorno sobre Patrimônio Líquido,
Endividamento e Poder de Mercado (quantificado pela Margem Bruta). Ainda para o mercado
americano, são relevantes o Grau de Alavancagem Financeira e o Tamanho (quantificado pelo
22
Market Capitalization). Este resultado se deve, possivelmente, pela maior e mais diversificada
/ estratificada amostra deste mercado, sendo possível granularizar melhor os resultados
relevantes.
Referências
ADAMS, Mike; BURTON, Bruce; HARDWICK, Philip. The determinants of credit ratings in
the United Kingdom insurance industry. Journal of Business Finance & Accounting, v. 30,
n. 3, 2003.
BONE, Rosemarie Bröker; RIBEIRO, Eduardo Pontual. Conteúdo informacional dos ratings
corporativos de empresas brasileiras, 1995-2007. In: Encontro Brasileiro de Finanças, 9., 2009,
São Leopoldo. Anais do 9º Encontro Brasileiro de Finanças. São Leopoldo: SBFin, 2009.
BOUZOUITA, Raja; YOUNG, Arthur. A probit analysis of best ratings. Journal of Insurance
Issues, 21(1), 23-34. 1998.
CALDERONI, Federico; COLLA, Paolo; GATTI, Stefano. Ratings changes: the european
evidence. 2009. Social Science Research Network. Disponível em:
<http://ssrn.com/abstract=1410646>. Acesso em: 21 set. 2014.
CAMARGO, Anita Castello Branco. Bônus corporativos: Um estudo sobre as variáveis que
afetam o rating de uma emissão. 2009. 59 p. Dissertação (Mestrado em Administração de
Empresas) – Programa de Pós-Graduação em Administração de Empresas, Pontifícia
Universidade Católica do Rio de Janeiro, Rio de Janeiro, 2009.
CORBI, Raphael Bottura; MENEZES-FILHO, Naércio Aquino. Os determinantes empíricos
da felicidade no Brasil. Revista de Economia Política, São Paulo, v.26, n.4, p.120-140, 2006.
Disponível em: <www.scielo.br/scielo.php?script=sci_arttext&pid=S0101-
31572006000400003&lng=es&nrm=iso>. Acesso em: 21 set. 2014.
COSTA, Fernando Nogueira da. Comparando capitalismos financeiros. Texto para
discussão. IE/Unicamp n. 160. Campinas, 2009.
DAMASCENO, Danilo Luis; ARTES, Rinaldo; MINARDI, Andrea Maria Accioly Fonseca.
Determinação de rating de crédito de empresas brasileiras com a utilização de índices contábeis.
Revista de Administração, v. 43, n. 4, 2008.
DUARTE, Patrícia Cristina; LAMOUNIER, Wagner Moura; TAKAMATSU, Renata Turola.
Modelos Econométricos para Dados em Painel: Aspectos Teóricos e Exemplos de Aplicação à
Pesquisa em Contabilidade e Finanças. In: Congresso USP de Controladoria e Contabilidade
7. Universidade de São Paulo, 2007.
23
GUJARATI, Damodar N.; PORTER, Dawn C. Econometria básica. AMGH Editora, 5ª.
Edição. Porto Alegre, 2012.
HANSEN, Simone. Análise da metodologia utilizada pelas empresas de rating para
classificar as instituições financeiras bancárias. Florianópolis: Monografia
(Graduação em Ciências Econômicas) – Universidade Federal de Santa Catarina, 2005.
HILL, R.C.; GRIFFITHS, W. E.; JUDGE, G. G. Learning and Practicing Econometrics.
New York: John Wiley & Sons Inc., 1993.
HSIAO, Cheng. Analysis of panel data. Cambridge: Cambridge University Press, 1986.
KIM, Hyunjoon; GU, Zheng. Financial determinants of corporate bond ratings: an examination
of hotel and casino firms. Journal of Hospitality & Tourism Research, v. 28, n. 1, 2004.
MADDALA, G. S. Limited dependent variable models using panel data. Journal of Human
Resources, v. 22, 1987.
MOODY’S INVESTORS SERVICE. Ratings symbols and definitions. 2011. Disponível em:
<http://www.moodys.com/researchdocumentcontentpage.aspx?docid=PBC_79004> Acesso
em: 21 set. 2014.
MURCIA, Flávia Cruz de Souza. Rating de crédito no Brasil: fatores determinantes e
impacto de anúncios nos preços das ações. Tese (Doutorado em Administração) –
Universidade Federal de Santa Catarina, 2013.
MURCIA, Flávia Cruz de Souza et al. The determinants of credit rating: brazilian evidence.
Brazilian Administration Review, Rio de Janeiro, v. 11, n. 2, art. 4, Apr/Jun. 2014.
PAPAIKONOMOU, Vassiliki. Credit rating agencies and global financial crisis. Studies in
Economics and Finance, v. 27, n. 2, 2010.
PINCHES, George; SINGLETON, Clay. The adjustment of stock prices to bond rating changes.
The Journal of Finance, 33(1), 1978.
ROJE, Gorana. The role of accounting determinants in predicting long term credit ratings. In:
European Accounting Association Congress, 28., 2005. Proceedings of European Accounting
Association. Gotheborg, Sweeden : BAS Publishing House, 2005.
SALES, Bruno Flora. Desenvolvimento de metodologia de rating baseado no modelo
ordered probit. 2006. 44 p. Dissertação (Mestrado em Finanças e Economia Empresarial) –
Curso de Mestrado em Finanças e Economia Empresarial, Fundação Getúlio Vargas. Rio de
Janeiro, 2006.
SIH, Andre. Predição do grau de ratings corporativos. 2006. 84 p. Dissertação (Mestrado
em Engenharia Elétrica) – Programa de Pós-Graduação do Departamento de Engenharia
Elétrica, Pontifícia Universidade Católica do Rio de Janeiro, Rio de Janeiro, 2006.
24
STANDARD & POOR’S. Guide to credit rating essentials: what are credit ratings and
how do they work? 2011. Disponível em:
<http://www2.standardandpoors.com/spf/pdf/fixedincome/SP_CreditRatingsGuide.pdf>Acess
o em: 21 set. 2014.
VELOZO, Patrícia Lusié Coelho. Modelos para dados categóricos com estrutura temporal.
Dissertação (Mestrado em Estatística) – Universidade Federal do Rio de Janeiro, Rio de Janeiro,
2009.
WOOLDRIDGE, Jeffrey M. Econometric analysis of cross section and panel data.
Cambridge, MIT Press, 2002.