UNIVERSIDADE FEDERAL FLUMINENSE INSTITUTO DE CIÊNCIAS HUMANAS E SOCIAIS CURSO DE ADMINISTRAÇÃO

UNIVERSIDADE FEDERAL FLUMINENSE INSTITUTO DE CIÊNCIAS HUMANAS E SOCIAIS

CURSO DE ADMINISTRAÇÃO

CESAR CORREA BOA NOVA FELIPE RANGEL REIS LUCIANA MARQUES VIEIRA

DEMANDA DE PÚBLICO DO FUTEBOL BRASILEIRO NOS ESTÁDIOS PÓS COPA DO MUNDO FIFA 2014

VOLTA REDONDA/RJ 2016/2

DEMANDA DE PÚBLICO DO FUTEBOL BRASILEIRO NOS ESTÁDIOS PÓS COPA DO MUNDO FIFA 2014

Resumo

Para melhorar a gestão esportiva do futebol brasileiro, este artigo visa estudar quais foram os fatores impactantes na demanda de futebol do Campeonato Brasileiro da Série A de 2015 nos estádios, utilizando-se de um cenário pós-Copa do Mundo Fifa 2014, realizada no Brasil. Apesar de um aumento na ocupação dos estádios após reforma e construção de novas arenas, o estudo se mostra importante haja visto um declínio linear na média de público histórica desta competição. Para tal, diversos dados foram coletados e estudados. A análise foi feita com dados das 380 partidas feitas em 2015. Para estimar uma equação de demanda, utilizou-se o método dos mínimos quadrados em conjunto com a regressão múltipla. O modelo teve como variável de saída o público presente nos estádios. Para as previsoras, contou com um agrupamento de fatores. Constatou-se que alguns fatores influenciaram positivamente e outros negativamente na previsão da demanda, como: a capacidade dos estádios e horário das partidas. O presente artigo por fim demonstra a viabilidade do estudo e sugere a extensão do mesmo a partir de novas variáveis, a fim de aprimorar a acurácia dos estudos sobre demanda de futebol no Brasil.

Palavras-chave: demanda por futebol; gestão esportiva; torcedores; método dos mínimos quadrados.

BRAZILIAN FOOTBALL AUDIENCE DEMAND ON THE STADIUMS AFTER THE WORLD CUP FIFA 2014

Abstract

To improve the Brazilian soccer management, this article aims to analyze which have been the most important issues in reference to soccer’s demand on the 2015 Campeonato Brasileiro da Série A in regards to stadiums, using a scenario after the FIFA World Cup 2014, held in Brazil. Despite an increase in the occupation of the stadiums after the reform and construction of new arenas, the study is important considering the linear decline in the historical audience average of this competition. To do so several data have been collected and studied. The analysis has been made with data from the 380 soccer matches that happened in 2015. In order to estimate an equation that infers demand, it has been used the Ordinary Least Squares method along with multiple regression. The model used has had as an output variable the audience present in the stadiums. For the foreseeable ones, a group of factors have been considered. It has been noticed that some factors have influenced positively and others negatively in the demand forecast, such as: the capacity of the stadiums and time of the matches. The current article demonstrates the viability of the study and suggests its limitations taking in account new variables, which may improve the accuracy of the soccer demand in Brazil.

1. INTRODUÇÃO

Durante o século XX o futebol foi o esporte número um dos brasileiros. A paixão do brasileiro pelo futebol é incontestável e o país é detentor das maiores conquistas mundiais no esporte, vide o título de maior campeão de Copas do Mundo de Futebol. Desde quando foi introduzido ao público brasileiro em meados de 1894, trazido da Inglaterra por Charles Miller, rapidamente o futebol caiu nas graças do povo e, devido a sua popularidade, frequentemente o país é lembrado carinhosamente como “a pátria de chuteiras” ou “o país do futebol”. Como dito anteriormente, o país é detentor de 5 títulos mundiais, já sediou duas destas competições (1950 e 2014), e já revelou grandes atletas que marcaram a história desse esporte. Todos esses elementos servem, ainda mais, para aumentar a devoção pelo futebol.

A modalidade de esporte futebolística, considerada como uma indústria mundial, segundo Belo e Paolozzi (2013), movimenta valores entre 400 bilhões e 1 trilhão de dólares, o que representaria uma quantia entre 22% e 55% do PIB brasileiro em 2015. Para se ter uma ideia, o consumo de torcedores em dias de jogos nos estádios (incluindo a renda de bilheteria) pode representar 8% da receita total de clubes brasileiros (menos da metade dos 22% do futebol europeu) segundo Trevisan (2013). De acordo com o ranking das ligas nacionais mais competitivas do mundo, que mede diretamente o desempenho dos clubes em competições continentais e intercontinentais, elaborado pela IFFHS (Federação Internacional de História e Estatística do Futebol), o país ocupa a mesma 6ª posição que ocupou em 2014, ficando atrás de países como a Espanha (1ª colocada pelo sexto ano consecutivo), Alemanha e a vizinha Argentina e, ficando à frente da Inglaterra, que detém a competição nacional mais valiosa (financeiramente) do mundo, a Premièr League, segundo a consultoria Pluri (2014), especialista em gestão, pesquisas e marketing esportivo.

De acordo com a RSSSF (Rec. Sport. Soccer Statistics Foundation) (2015), organização que registra dados estatísticos e informações sobre partidas e torneios de futebol por todo mundo, os maiores públicos registrados no país foram encontrados, como por exemplo, na final da Copa do Mundo de 1950, realizada no estádio Maracanã, onde cerca de 200 mil pessoas assistiram ao Uruguai derrotar o Brasil por 2 a 1 e se tornar campeão daquela edição. Os recordes de público não eram exclusivos a jogos da Seleção Brasileira. Como prova disto, o terceiro e quinto maiores públicos da nossa história foram registrados em partidas do Campeonato Carioca, em que levaram 194 mil pessoas para assistir Fluminense versus Flamengo, em 1963, e 174 mil para Flamengo versus Vasco, em 1976, ambos no Maracanã.

Embora os números do passado impressionem por atrair enormes públicos aos estádios, nos dias atuais as estatísticas mostram que a torcida não tem comparecido aos jogos como era de costume. Um dos dados que suportam essa afirmação é a média de público presente nos estádios brasileiros durante o Campeonato Brasileiro de 2015, que foi de apenas 41,70% (CBF, 2016). Jogos que outrora lotariam qualquer estádio de futebol, como Fluminense versus Botafogo, por qualquer campeonato disputado, não conseguem, sequer, esgotar a capacidade de um estádio para 20 mil pessoas no interior do Estado do Rio de Janeiro (o público registrado pela CBF na partida disputada por uma vaga na final do Campeonato Carioca de 2016, foi de 5.182 pessoas, que corresponde a 25% da capacidade do estádio Sílvio Raulino de Oliveira, em Volta Redonda-RJ).

Entre os anos de 2012 e 2014, a média de ocupação foi de 37,96%, 41,71% e 40,11% respectivamente (FILHO, 2015). Esta oscilação se deu na construção de novos estádios e a reforma de alguns outros para a disputa do campeonato mundial de seleções FIFA de 2014, aos quais tiveram restrições de utilização meses antes da competição. Foram 12 estádios utilizados durante a competição e, entre estádios reformados e novos, nove deles foram utilizados no ano de 2015 pelos clubes brasileiros na principal disputa nacional, o Campeonato Brasileiro da Série A, acarretando um aumento na ocupação média para 41,70% (CBF, 2016)

Na contramão desta oscilação em média de ocupação de estádios, pode-se notar uma crescente melhora na média de público nos anos de 2012 até 2015, como mostra no gráfico 1. Contudo, nota-se uma Linear de tendência em declínio em relação a esta média desde o ano de 1971 até 2015.

Gráfico 1 – Média de público histórica do Campeonato Brasileiro de 1971-2015

Fonte: Elaboração própria dos autores

Diante destas constatações, torna-se importante analisar quais fatores colaboram para que a demanda se faça presente em todos os jogos da disputa mais importante do futebol nacional. Partindo-se das constatações acima apresentadas, observou-se que existe um problema no Brasil em relação a presença de torcedores nos estádios. Então como pergunta de pesquisa questiona-se: quais foram os fatores determinantes para a presença do público nos estádios brasileiros em Jogos da Série A no ano de 2015?

A partir do problema identificado, tem-se como objetivo geral analisar as variáveis que possivelmente impactam na demanda de público nos estádios por jogos de futebol, analisando o Campeonato Brasileiro Série A no ano de 2015. Por sua vez, os objetivos específicos deste trabalho buscam: determinar dentre as diversas variáveis quais as que têm significância para a demanda de público no futebol brasileiro; verificar a magnitude do impacto das variáveis na composição da demanda; apresentar os resultados que levam o torcedor a comparecer nos estádios.

Para realizar o estudo será utilizado um modelo baseado no método dos mínimos quadrados, aplicando uma regressão múltipla para gerar as análises.

Para isto, este artigo foi estruturado da seguinte maneira: (i) introdução, incluindo o problema, objetivos geral e específicos; (ii) referencial teórico; (iii) metodologia da pesquisa; (iv) análise dos resultados; (v) considerações finais e sugestões para futuras pesquisas e; (vi) bibliografias utilizadas. 2. DEMANDA POR FUTEBOL

A economia do esporte de times profissionais despertou o interesse acadêmico em meados da década de 1950, quando Rottenberg (1959, p.242-258 apud BENEVIDES et. al., 2001, p 03) analisou o mercado de trabalho do baseball americano.

A partir deste marco vários estudos foram publicados e, de acordo com o objetivo deste estudo, o foco encontra-se para a demanda por público nos estádios. Apesar do desenvolvimento tardio

neste assunto em território brasileiro, pode-se dizer que nos dias atuais há diversos autores que dissertam sobre a demanda de público nos estádios brasileiros, entre eles, destacam-se os trabalhos de Souza (2004), que foi precursor neste tipo de estudo em relação ao principal campeonato nacional, Madalozzo (2008), Santana e Silva (2009), Bortoluzzo, Iaropoli e Machado (2011) e Filho (2015).

Segundo Vasconcellos (2008, p. 31/49), demanda é “a quantidade de determinado bem ou serviço que os consumidores desejam adquirir, num dado período, dada sua renda, seus gastos e o preço de mercado” e oferta é “a quantidade de determinado bem ou serviço que os produtores e vendedores desejam vender em um determinado período”. De acordo com Mankiw (2009), a oferta e a demanda são as forças que fazem as economias de mercado funcionarem. São elas que determinam a quantidade produzida de cada bem e o preço pelo qual o bem será vendido. Como observado por Souza (2004), a presença de consumidores em partidas de futebol poderá sofrer influência não só pelo preço e a renda, como também por fatores referentes à partida, tais como: o desempenho recente dos clubes, a estrutura do estádio utilizado por ele e o horário no qual a mesma ocorre.

Souza (2004) realizou uma pesquisa com base no Campeonato Brasileiro da Série A de 2002, contando com uma amostra de 214 observações, através de um modelo econométrico. Em seu estudo, foi feita uma análise de regressão, onde foram testados modelos lineares e log-lineares. A variável dependente para este modelo foi dada pelo número de pessoas pagantes por ingressos nas partidas de futebol. Por sua vez, as variáveis exógenas foram divididas em seis grupos de fatores que influenciam a demanda, sendo elas: fatores econômicos, fatores demográficos, fatores de desequilíbrio competitivo, qualidade esperada da partida, substitutos e atributos dos clubes. De acordo com o autor, o modelo linear apresentou diversos problemas, tais como a não normalidade dos resíduos e a heterocedasticidade (quando os termos de erro 𝑢_𝑖 da função não possuem a mesma variância), fazendo com que este fosse preterido, dando lugar a dois modelos envolvendo logaritmos para analisar a busca por partidas de futebol nos gramados. Como resultado, verificou-se que as verificou-seis variáveis exógenas interferem em maior ou menor escala na demanda por jogos de futebol deste campeonato.

Após Souza (2004), diversos autores se aprofundaram no estudo da demanda por futebol brasileiro, como os já citados anteriormente. Um deles é Filho (2015), responsável por um dos estudos mais recentes nos dias de hoje, autor que, analisou o Campeonato Brasileiro de futebol da Série A entre os anos de 2012 e 2014. O autor também realizou uma análise econométrica, onde utilizou variáveis endógenas e exógenas em um modelo de regressões robustas. Mais uma vez foi utilizado o público pagante como variável dependente do modelo. Como resultados, verificou-se que as variáveis relativas a capacidade técnica do time e a sua aspiração em relação ao campeonato sensibilizam a demanda por público nos estádios. Indicou-se também que a presença do torcedor no estádio como variável não tem relação alguma com a equipe adversária. A variável relativa as grandes distâncias entre cidades e estados do país também contribuíram para a dificuldade relativa à presença de público visitante aos jogos e demonstrou-se que há necessidade de um produto satisfatório para o torcedor comparecer ao jogo. Foram três modelos analisados e, comprovou-se uma correlação maior em todos os modelos, com as seguintes variáveis: rodada, horário dos jogos, capacidade do estádio, posição do time da casa, se o jogo é televisionado em emissora aberta e se é clássico local. Por fim, o autor percebeu que ao longo dos três anos analisados e, após as novas arenas erguidas para o Campeonato Mundial de 2014, houve um aumento significativo na capacidade dos estádios para o Campeonato Brasileiro, além do crescimento na média de espectadores e sobretudo o aumento da renda das partidas.

3. PROCEDIMENTOS METODOLÓGICOS

De acordo com Benevides et. al. (2015), este tipo de pesquisa é do tipo explicativa e descritiva. É explicativa, pois tem como objetivo analisar as determinantes da demanda por partidas de futebol e descritiva, pois procura descrever estas determinantes analisadas em um teste de hipóteses. Ainda de acordo com Benevides et. al. (2015) é uma pesquisa de cunho quantitativo, pois usa métodos estatísticos para tratar os dados analisados.

Seguindo as pesquisas feitas na área e de acordo com Souza (2004), o modelo estatístico mais aplicado é a análise de regressão linear que é geralmente utilizado quando se pretende estimar as variáveis que tendem a impactar a uma variável dependente. Vários pesquisadores utilizaram o modelo para observar as determinantes para público em estádios de futebol ao redor do mundo, como Javanmardi e Noghondarian (2011) sobre futebol iraniano, Skjæveland (2011), analisando o Campeonato Norueguês, Stolt e Waldenor (2008) sobre o futebol sueco, entre outros. Este é o modelo também aplicado neste trabalho.

Skjæveland (2011) diz que a técnica de regressão linear é usada para determinar a relação entre uma variável dependente e uma ou várias outras variáveis independentes. O termo utilizado para a análise com múltiplas variáveis independentes, como será conduzido neste artigo, é chamado de regressão linear múltipla. E é representado pela seguinte expressão:

𝑌 = 𝛼 + 𝛽_𝑖𝑋_𝑖+ 𝛽₂𝑋₂+ ⋯ + 𝛽_𝑛𝑋_𝑛+ 𝜀

O Y representa a variável dependente. Xi (i = 1, 2, ..., n) são as variáveis independentes. Cada variável independente é acompanhada de um coeficiente (βi), que é o parâmetro a ser avaliado nas análises de regressão. O α corresponde a uma constante e o ε representa o erro experimental. Relembrando que o objetivo do estudo é observar as variáveis que exercem efeitos significativos sobre a demanda, de acordo com Souza (2004), algumas variáveis devem ser automaticamente eliminadas por meio da observação da significância dos coeficientes individuais. Segundo Skjæveland (2011), tradicionalmente os coeficientes são determinados pelo método dos mínimos quadrados e diz que, “este método assegura que todos os parâmetros da equação são definidos de tal modo que a soma do quadrado de cada um dos resíduos seja a menor possível, onde o resíduo significa o desvio entre o valor real e o valor previsto”. (SKJÆVELAND, 2011, p.26).

Embora o modelo de regressão linear e o método dos mínimos quadrados sejam os mais utilizados para pesquisas sobre demanda de público em eventos esportivos, de acordo com Bortoluzzo, Iaropoli e Machado (2011), a abordagem não é a ideal, pois negligencia que existe uma capacidade máxima nos estádios e a utilização de estimadores de mínimos quadrados neste caso trariam resultados tendenciosos, o que levaria a interpretações erradas do impacto de cada uma das variáveis sob a demanda. Porém, como defendem Stolt e Waldenor (2008), os modelos baseados em mínimos quadrados ordinários, apesar de ter falhas relativas a limitações de capacidade, como citado anteriormente, é um modelo já estabelecido na construção de funções de demanda e utilizado em diversos estudos. Eles ainda ressaltam que os modelos alternativos têm sofrido diversas críticas e a adequação em contextos desportivos questionados.

Utilizou-se de um modelo semilogarítmico que permitiu que fosse possível o uso da regressão linear múltipla e o método dos mínimos quadrados. Um modelo semilogarítmico, como informa Gujarati e Porter (2011), é chamado assim, pois apenas uma das variáveis é usada na forma logarítmica. Pedace (2013) completa dizendo que quando se utiliza logaritmo natural na variável dependente

enquanto as variáveis previsoras são mantidas em sua escala de medida original, pode-se chamar o modelo de log-linear.

Para se atender a um dos objetivos do artigo, que é analisar a magnitude de cada variável significante para a composição da demanda por público, usou-se do modelo log-linear que geram coeficientes que, de acordo com Pedace (2013), representam a alteração percentual estimada na variável dependente para uma mudança unitária na variável independente. Isto ocorre, pois, o modelo é derivado da função genérica de crescimento exponencial, que é escrita da seguinte forma 𝑌 = 𝑌₀(1 + 𝑟)𝑥_{, onde o valor de 𝑌 para um determinado 𝑋 pode ser obtido somente se a taxa de}

crescimento (𝑟) for conhecida. Conforme Pedace (2013) explica, a taxa de crescimento pode ser obtida, mas precisa se fazer uma transformação logarítmica para estimá-la usando o método dos mínimos quadrados. Gujarati e Porter (2011) e Pedace (2013), ensinam que se utilizar o logaritmo natural na função de crescimento exponencial, pode-se escrever: ln 𝑌 = ln 𝑌0+ 𝑥 ln(1 + 𝑟).

Considerando, 𝛽0 = ln 𝑌0 e 𝛽1 = ln(1 + 𝑟) e substituindo na equação anterior, obtém-se a

equação final: ln 𝑌 = 𝛽0+ 𝛽1× 𝑋. Desta forma o modelo torna-se semelhante a qualquer outro

de regressão linear no sentido de os parâmetros 𝛽₀e 𝛽₁ serem lineares

Field (2009) lembra que para tirar conclusões a partir de um modelo de regressão realizado sobre uma amostra, algumas hipóteses devem ser verdadeiras, como: (i) a variável de saída deve ser quantitativa, contínua e não limitada; (ii) a variância não-nula, indicando que os previsores devem ter alguma variação nos valores; (iii) multicolinearidade entre os previsores, quer dizer que as variáveis previsoras não devem ter correlações muito altas; (iv) homocedasticidade, significa que os resíduos a cada nível dos previsores devem ter a mesma variância; (v) erros independentes, indica que os resíduos devem ser não-correlacionados; (vi) erros normalmente distribuídos, presume-se que os resíduos são variáveis aleatórias, normalmente distribuídas com média zero; (vii) independência, assume-se que todos os valores da variável de saída são independentes, e por último; (viii) linearidade, significa que é assumido que o relacionamento do modelo é do tipo linear. O estudo foi baseado em diversos dados, porém apoiou-se principalmente nos dados das 380 partidas do Campeonato Brasileiro de Futebol da Série A de 2015, extraídos dos borderôs oficiais das Federações Estaduais, disponibilizados no site oficial da Confederação Brasileira de Futebol, ao término das rodadas. Cabe salientar que foi necessária a exclusão de seis partidas, pois estas foram realizadas sem público presente devido a punições arbitradas pela CBF/STJD, sendo elas: Goiás versus Atlético Paranaense, Joinville versus Palmeiras e Ponte Preta versus São Paulo, todas válidas pela segunda rodada do campeonato; Ponte Preta versus Chapecoense, válida pela quarta rodada; Coritiba versus Santos e Sport versus Atlético Paranaense, válidos pela rodada final.

Os demais dados secundários foram coletados a partir da CBF, Atlas Brasil, IBGE, Pluri Consultoria, SISBRACE e o Google Maps. Foram criadas algumas planilhas com o auxílio do editor de planilhas Microsoft Excel, contendo diversas informações, por exemplo: a tabela completa de todos os jogos da referida competição, contendo informações dos resultados e a classificação dos clubes rodada após rodada; informações sobre público, renda e outros fatores relativos às partidas; informações demográficas de cada local de jogo, que também foram inseridas na planilha em cada jogo, entre outras informações. Todos os dados se converteram em uma planilha final contendo apenas as variáveis que serão analisadas neste estudo. Após a consolidação dos dados, estes foram analisados com o auxílio do programa estatístico IBM SPSS Statistics.

3.1. Descrição das variáveis 3.1.1. Variável dependente

A variável dependente ou variável de saída do modelo estudado é a Público Presente, que representa o público total do jogo. Ela é a soma dos ingressos vendidos com as gratuidades. De acordo com Bortoluzzo, Iaropoli e Machado (2011), esta é uma variável que, obviamente, não pode receber valores negativos por se tratar de público, com o valor mínimo de zero torcedores, como são lançados em jogos realizados com portões fechados, e com valores máximos de acordo com a capacidade total do estádio utilizado.

3.1.2. Variáveis independentes

Para desenvolver o estudo foram escolhidas as variáveis a serem testadas de acordo com estudos anteriores, principalmente aqueles que abordam o futebol brasileiro, haja visto que existem diversos fatores que determinam o público em torno do mundo, mas podem ser influenciados positivamente ou negativamente por tipo de disputa de campeonatos ou posição econômica do país estudado, por exemplo. As variáveis foram testadas no modelo de regressão e foram eliminadas de acordo com o nível de significância estatística, de modo que sobrassem apenas aquelas que representassem significantemente a formação do público nos estádios de futebol.

Seguindo o modelo proposto por Souza (2004), as variáveis foram divididas em grupos de influência da demanda, para o melhor entendimento do leitor, da seguinte forma: fatores econômicos, fatores demográficos, desequilíbrio competitivo, qualidade esperada da partida, substitutos e atributos dos clubes como mostra a figura 1. Alguns autores seguem o mesmo modelo como Santana e Silva (2009) e Benevides et. al. (2015), outros divergem na separação dos grupos, mas geralmente as variáveis testadas são as mesmas.

Figura 1 – Mapa das variáveis

3.1.2.1. Fatores econômicos Preço do Ingresso (PRECO)

Esta variável é uma das principais analisadas nos estudos sobre público em eventos esportivos como lembra Skjæveland (2011), visto que geralmente, a demanda de um bem está ligada diretamente ao seu preço. Foi representada pelo nome PRECO e corresponde à divisão da renda total do jogo e o número total de presentes, estimando assim o preço médio dos ingressos em cada partida. Souza (2004) e Skjæveland (2011), lembram que de acordo com a teoria microeconômica espera-se que a relação entre preço e demanda seja negativa, mas que podem assumir valores mistos nos coeficientes relacionados ao preço e levar a outras conclusões sobre a relação.

A renda (RENDA)

A variável é baseada em dados oficiais da Atlas Brasil (2013) sobre renda per capita das famílias na cidade da partida (BENEVIDES et. al.,2015; SKJÆVELAND, 2011; SOUZA, 2004; SANTANA E SILVA, 2009). A relação entre a variável renda e a demanda por jogos esperada é ter uma significância positiva. Souza (2004) e Santana e Silva (2009) esclarecem que, se o valor encontrado no coeficiente da variável RENDA for positivo, acredita-se que os jogos do Campeonato Brasileiro são bens normais e se, o sinal for negativo, o jogo pode ser considerado como um bem inferior. 3.1.2.2. Fatores demográficos

População estadual (POP_TORC)

Variável definida de acordo com a população da cidade sede do jogo. Espera-se que equipes localizadas em áreas mais populosas tenham públicos maiores do que em cidades com menor população, o que é normal, pois a base de torcedores tende a ser maior para cada clube e assim o aumento da presença nos estádios, segundo Skjæveland (2011). No Brasil dificilmente é unânime a torcida de uma cidade por só um clube. Geralmente o número de torcedores do município estão divididos entre dois ou mais rivais locais e clubes maiores. Para ponderar o número de torcedores foi utilizada a pesquisa feita pela Pluri Consultoria e publicada pela Agência Futebol Interior (2014), que determina o número de torcedores dos clubes brasileiros. Para tanto, utilizou-se o número de torcedores dividindo-os pelo número total atual de habitantes no país segundo o IBGE (2016). Sendo assim o número de torcedores é dado pela multiplicação do total de habitantes do estado onde ocorre a partida do time mandante com o percentual nacional de torcedores por clube. Capacidade do estádio (CAPAC)

Variável que representa a capacidade dos estádios utilizados nas partidas. O valor discriminado é dado pela capacidade oficial do estádio, que é encontrado no Cadastro Nacional de Estádios de Futebol elaborado pela CBF (2016), menos 5%, que representam um valor hipotético que geralmente é retirado de venda por alegações de motivos de segurança. De acordo com Souza (2004) “a hipótese formulada é de que as arenas maiores atendem clubes com maior demanda, seja por possuir maior torcida, estar localizado em cidades mais populosas ou por outros fatores não identificados”. É esperado que a capacidade influencie positivamente a demanda.

Distância entre os times (DISTANCIA)

A variável é medida pela distância em quilômetros entre a cidade do clube mandante e do clube visitante. Tem por intenção verificar a dificuldade de locomoção dos torcedores entre as cidades (SOUZA, 2004). Espera-se que quanto mais próximo os clubes estejam a demanda pelos jogos aumentem, pois estarão jogando contra rivais. Além disso, o tempo de viagem mais curto pode dar a oportunidade de torcedores visitantes comparecerem aos jogos, segundo Skjæveland (2011). Por outro lado, de acordo com Stolt e Waldenor (2008), as viagens mais longas têm custos mais altos e devem desencorajar aos torcedores a viajar para acompanhar seu time e afetar negativamente a demanda. Este pressuposto é muito comum no Brasil, visto que o Campeonato Brasileiro tem clubes de todas as regiões do país, que tem dimensões continentais.

Classificação do Estádio

No início do ano de 2016 foi lançado o Sistema Brasileiro de Classificação de Estádios (SISBRACE). O SISBRACE é uma parceria do Ministério do Esporte e o IVIG/COPPE/UFRJ e objetiva propagar as condições que os estádios oferecem e como relatam em seu livreto oficial, “soma-se à política pública orientada a proteger os interesses e integridade dos usuários dos estádios de futebol, contribuindo para a melhoria continua destes equipamentos de uso público, no que concerne à Segurança, Acessibilidade e Conforto e Vigilância Sanitária” (2016, p. 11). Os estádios foram avaliados e classificados seguindo o preconizado no Estatuto de Defesa do Torcedor e nas Portarias do ME, nas áreas já citadas acima: Segurança, Acessibilidade e Conforto e Vigilância Sanitária. As áreas de classificação são caracterizadas em cinco níveis, onde o nível 5 representa a melhor classificação e o nível 1 representa o estádio em condições menos favoráveis aos requisitos avaliados. A classificação resulta da avaliação das informações apresentadas nos instrumentos de coleta de dados, aplicados em visitas técnicas nos estádios.

Segurança (SEGUR)

A variável Segurança é relativa às condições de segurança pública e prevenção e combate ao incêndio. De acordo com o SISBRACE (2016) é avaliada a conformidade qualitativa e quantitativa quanto às normas e padrões legais de equipamentos e procedimentos que visam garantir a integridade física e a saúde dos usuários dos estádios. Espera-se que quanto maior for a classificação do estádio, maior é atração do público aos jogos.

Acessibilidade e Conforto (ACES_CONF)

Esta variável trata de dois aspectos: a acessibilidade ao estádio e o conforto oferecido ao usuário; e são classificados juntamente.

Para Acessibilidade, o SISBRACE (2016), verifica a facilidade ou a dificuldade de acesso, alcance, percepção e entendimento para a utilização dos estádios com segurança e autonomia, inclusive pelas pessoas com deficiência, pessoas com mobilidade reduzida, obesos e idosos.

No Conforto, é avaliado as condições de bem-estar do usuário, a partir dos aspectos térmicos, luminotécnicos, acústicos e visuais, bem como de infraestrutura e de serviços. Espera-se a maior demanda de público para melhores classificações de estádios.

Vigilância Sanitária (VIG_SANIT)

Esta variável avalia as condições sanitárias e de higiene. Segundo o SISBRACE (2016), registra o impacto quanto à relevância dos quesitos observados em relação aos riscos associados à segurança alimentar, às condições de higiene dos diversos setores, bem como à saúde. Da mesma forma que as outras duas variáveis relativas ao SISBRACE (2016), espera-se que quanto maior a classificação obtida, maior seja o público presente nos jogos.

3.1.2.3. Desequilíbrio competitivo

Qualidade relativa entre as equipes (QENTREQUIP)

Esta variável mede a distância de pontos entre as equipes que disputam a partida no momento do campeonato. Assim, de acordo com Souza (2004), espera-se que quanto maior for a distância de pontos observada, menor será a demanda de público para a partida. O normal é o contrário acontecer quando as equipes estão próximas na tabela, demonstrando maior equilíbrio.

Distância média dos clubes da partida para o líder (DMEDXLIDER)

Esta variável busca medir a importância da partida para o campeonato. Baseado na teoria de Souza (2004), quanto mais próximo a média relativa entre as duas equipes que disputam a partida for do líder do campeonato, pressupõe-se que as chances de conquista do campeonato são reais e, logo,

a oferta pelos jogos se torna mais atraente. As partidas disputadas entre equipes com maior distância do líder tendem a ser menos atraentes, com ressalvas aos jogos que envolvem equipes que lutam contra o rebaixamento, que podem ser atraentes por sua importância e, uma variável a ser descrita a seguir pode medir isso.

Performance do time da casa (PERFORM)

A variável PERFORM é utilizada para medir o desempenho individual da equipe no campeonato. Tem por objetivo calcular o percentual de aproveitamento dos pontos disputados pelo clube no momento que antecede a partida. A suposição é que os times com melhores desempenhos de aproveitamentos atraiam mais torcedores a seus jogos.

Desempenho do clube mandante (PERF_MAND)

Esta variável analisa o desempenho do clube nos últimos três jogos do campeonato. Supondo que uma série de pontos conquistados, acompanhado de vitórias consecutivas causem um frenesi entre os torcedores, esta variável tende a demonstrar um crescimento esperado na demanda pelos jogos de clubes em boa fase no momento do campeonato. Clubes que não foram bem nas últimas partidas podem perder o apoio de seus adeptos, causando a queda da demanda nas partidas seguintes. É medido pela porcentagem conquistada de pontos disputado nas últimas partidas, variando de 0, caso o time não tenha conquistado nenhum ponto, até 1, caso o time tenha vencido suas últimas 3 partidas.

Desempenho do clube visitante (PERF_VISIT)

Calculado da mesma forma da variável anterior, ela tem o princípio de medir o desempenho da equipe visitante nas últimas três partidas. É esperado que o encontro de equipes que tenham desempenho positivo nos últimos jogos atraia torcedores ao estádio que esperam assistir a um grande confronto.

3.1.2.4. Qualidade esperada da partida Clássico (CLASSICO)

Esta é uma variável clássica, presente em diversos estudos sobre demanda de futebol, como relembram Stolt e Waldenor (2008). É uma variável que estuda o impacto na demanda quando dois clubes de um mesmo território, cidade ou estado, se enfrentam. Segundo Benevides et. al. (2015), quando rivais de uma mesma cidade se enfrentam, faz com que torcedores de ambos possam ir ao estádio, aumentando dessa forma a demanda. Esta variável é tratada como dummy e assume valor de 1 se o jogo for um clássico e 0 se não.

Rodada (RODADA)

A variável Rodada, de acordo com Souza (2004), busca avaliar o avanço da competição durante o tempo. Diferente dele, não utilizamos o método de computar uma rodada por data jogada, pois os campeonatos analisados por ele tinham modelos diferentes, com fases adicionais, que influenciavam a presença de público de forma considerável à medida em que o campeonato entrava nas fases finais. Com o campeonato disputado com pontos corridos, como é atualmente, é possível fazer a reflexão rodada a rodada independente da data que foram realizados os jogos.

Dia de Semana x Final de Semana (DIA_SEM)

O dia da semana em que é realizado um jogo é muito importante, visto que de acordo com Stolt e Waldenor (2008), nos fins de semana as pessoas têm mais tempo disponível para serviços de entretenimento, como jogos de futebol, assim a tendência é ter um impacto positivo no público. Desta forma, como cita Souza (2004), as partidas de dias de semana devem atrair menos público. É representada no estudo como uma variável dummy em que se assume 1 para jogos realizados no sábado e no domingo e 0 para jogos no meio de semana.

Horário da partida

Da mesma forma que a variável dia da semana, a variável HORARIO, é de suma importância na avalição de fatores que influenciam o público. No Campeonato Brasileiro de 2015 foram utilizados diversos horários de jogos e para simplificar o estudo, dividimos os horários em períodos do dia: Manhã, Tarde e Noite. Para isto foram criadas as dummies para representar cada período.

Horário da Manhã (H_MANHA)

Representam os horários dos jogos que começaram entre 6 horas e 12 horas. Neste campeonato, observou-se apenas o horário de jogos realizados às 11 horas da manhã. A variável foi usada como base da relação, sendo assim todos os seus valores receberam 0.

Horário da Tarde (H_TARDE)

São os horários que estão no intervalo de tempo entre 12 horas e 18 horas. No campeonato foram utilizados quatro horários de jogos nesse intervalo: 15:00, 16:00, 16:30 e 17:00. Recebe 1 para jogos realizados à tarde e 0 para os outros.

Horário da Noite (H_NOITE)

Por fim, os horários que representam a H_NOITE são os jogos que foram iniciados a partir das 18 horas. Este foi o período com maior incidência de horários, sendo eles: 18:00, 18:30, 19:30, 21:00 e 22:00. A variável dummy recebe 1 para jogos à noite e 0 para os demais períodos.

3.1.2.5 Substitutos TV aberta (TVABERT)

Assim como no estudo de Souza (2004), a Rede Globo é a detentora dos direitos de transmissão televisiva do Campeonato Brasileiro; a BAND também transmitiu jogos em 2015, embora fossem os mesmos transmitidos por ambas. Como explica Souza (2004), a Globo define a grade de transmissão dos jogos de acordo com a atratividade da partida, que envolvem equipes melhores classificadas ou com maior número de torcedores, e possíveis espectadores. Os jogos transmitidos pelo canal devem influenciar negativamente a presença do público nos estádios, já que os torcedores assistem aos jogos que estão acontecendo em sua cidade sem pagar por isto. É uma variável dummy que recebe 1 para jogos transmitidos abertamente e 0 para os demais.

TV assinatura (TVASSIN)

A variável TVASSIN é representada pelos jogos que foram transmitidas pela Sportv, que é um canal de TV por assinatura. A emissora tem uma política de não transmitir jogos para a cidade onde a partida foi realizada, o que descaracterizaria a transmissão como um substituto. Os jogos transmitidos pela Sportv recebem 1 na variável dummy e os demais 0.

3.1.2.6. Atributos dos clubes Time Grande (GRANDE)

De acordo com o estudo de Souza (2004), historicamente os clubes cariocas possuem um grande número de torcedores nas regiões Norte, Nordeste e Centro-Oeste, devido a massiva transmissão televisiva de jogos para os estados dessas regiões. Os clubes de São Paulo conseguiram um grande número de adeptos, principalmente em cidades menores, devido ao grande sucesso de conquistas, principalmente nos anos 90.

A variável dummy GRANDE, recebe 1 quando uma equipe recebe como visitante uma equipe do Rio de Janeiro (Flamengo, Vasco da Gama ou Fluminense) ou de São Paulo (Santos, São Paulo, Palmeiras ou Corinthians). Outra forma de definir a grandiosidade e representatividade destas equipes no cenário do futebol brasileiro é analisando o número de campeonatos brasileiros vencidos por elas. De acordo com a lista de campeões no Guia do Campeonato Brasileiro 2015 da

CBF (2015): Santos e Palmeiras (8 títulos), Flamengo, Corinthians e São Paulo (6 títulos), e Vasco da Gama e Fluminense, acompanhados do Cruzeiro (4 títulos), figuram como os maiores vencedores do campeonato. Desta forma espera-se que quando uma equipe receba um desses clubes aumente a atratividade pela partida.

Segunda Divisão (SEG)

Como no estudo de Souza (2004), a variável SEG é uma variável binária que recebe 1 caso a partida tenha como mandante um clube que disputou o Campeonato da Brasileiro da Série B no ano anterior e obteve acesso. O pressuposto é que estas equipes atraiam maior número de adeptos a seus estádios devido ao acesso e importância da Série A. Os clubes que fizeram parte dessa análise foram: Joinville, Ponte Preta, Vasco da Gama e Avaí.

Libertadores (LIBERTAD)

Além da luta pelo título do Campeonato Brasileiro, as equipes disputam as quatro primeiras posições que dão vagas para a disputa da Copa Libertadores da América do ano seguinte, que é o principal campeonato entre clubes do continente Sul-Americano. Estar dentre as equipes que se classificam para a Libertadores, tendem a levar mais torcedores ao estádio, então o resultado esperado é positivo. É representada por uma variável dummy que recebe 1 no momento em que a equipe mandante estiver presente na zona de classificação para a Libertadores e 0 para os demais casos.

Rebaixamento (REBAIXAM)

Da mesma forma que funciona no topo da tabela, as equipes que ocupam as últimas quatro posições lutam contra o rebaixamento para a Série B do Campeonato Brasileiro. Como Souza (2004) supõe, as equipes que têm risco de queda atraem torcedores, que vão ao estádio apoiar o clube contra o rebaixamento. O resultado pode também receber um coeficiente negativo, o que provaria que os torcedores deixam de apoiar o clube em momentos difíceis.

4. ANÁLISE DOS RESULTADOS

Assim como no estudo de Souza (2004), foi testado o modelo de regressão linear múltipla com os dados na sua forma normal, sem nenhuma alteração. Através de diagramas de dispersão foi constatado que algumas variáveis previsoras importantes para o modelo não possuíam uma relação linear aparente com a variável de saída, mas foram prosseguidos os testes até que por fim chegou-se ao gráfico de dispersão entre os valores previstos padronizados da variável dependente com os resíduos padronizados (Gráfico 2), que indicou a presença de problemas de heterocedasticidade e não-linearidade no modelo, assim como indica Field (2009). Desta forma, como no estudo de Souza (2004), foram usados logaritmos para encontrar o modelo que se ajustasse melhor ao conjunto de dados.

Gráfico 2 – Gráfico de Dispersão

Fonte: Elaboração própria dos autores 4.1 Modelo Final

Utiliza-se o modelo log-linear, pois a transformação em log gera a linearidade desejada nos parâmetros do modelo, como aponta Field (2009). Assim, de acordo com Pedace (2013), são usados valores de logaritmos naturais para a variável dependente (Y) e as variáveis independentes são mantidas com seus valores na medida original, permitindo que possa ser utilizado o modelo dos mínimos quadrados.

O processo de seleção dos previsores, de acordo com Field (2009), foi a entrada em blocos, onde foram analisados primeiramente as variáveis quantitativas e mais tarde foi incluído o bloco das variáveis categóricas.

Para a primeira análise das variáveis quantitativas foi executado o exame da correlação de Pearson. Desta maneira foram verificados os coeficientes de correlação para checar o relacionamento entre a variável de saída (LN_PUB) e as variáveis previsoras. Como regra, foram escolhidas para serem mantidas no modelo as variáveis que mantinham uma relação com a variável de saída com o coeficiente de correlação maior do que 0,3, o qual com base nos estudos de Field (2009), representam um efeito médio. Os coeficientes acima de 0,5 são considerados de grande efeito e os valores até 0,3 foram excluídos do modelo por não apresentarem uma relação significante com a variável dependente.

O segundo parâmetro de escolha das variáveis previsoras foi a análise da contribuição significativa para o modelo, encontrada na saída do SPSS intitulada como Coeficientes do modelo de regressão, na coluna Sig. Variáveis com p < 0,05 mostram ser previsores significativos de acordo com a estatística.

Após a remoção das variáveis quantitativas que não contribuíam de forma significante para o modelo, foram adicionadas as variáveis categóricas. Para as variáveis categóricas foi utilizado para avaliação somente o teste de significância dos coeficientes para o modelo. Lembrando que as variáveis categóricas representam apenas as categorias, na forma codificada em variáveis binárias (0 e 1), não fazendo sentido o estudo da correlação através dos coeficientes obtidos através da Correlação de Pearson. Desta forma chegou-se ao modelo final:

ln_PUB = 8,427 + 8,535𝐸−6𝐶𝐴𝑃𝐴𝐶 + 0,562𝑃𝐸𝑅𝐹_𝑀𝐴𝑁𝐷 + 0,015𝑃𝑅𝐸𝐶𝑂 + 0,110𝑉𝐼𝐺_𝑆𝐴𝑁𝐼𝑇 + 0,395𝐶𝐿𝐴𝑆𝑆𝐼𝐶𝑂 − 0,481𝐻_𝑁𝑂𝐼𝑇𝐸

− 0,323𝐻_𝑇𝐴𝑅𝐷𝐸 − 0,183𝑆𝐸𝐺 + 0,156𝑇𝑉𝐴𝑆𝑆𝐼𝑁 + 0,184𝐿𝐼𝐵𝐸𝑅𝑇𝐴𝐷 + 0,137𝑅𝐸𝐵𝐴𝐼𝑋𝐴𝑀

O modelo apresentou um R² e R² ajustado com o valor de 0,604 e 0,592 respectivamente. De acordo com Field (2009), o R² representa uma medida de quanta variabilidade da saída pode ser debitada aos previsores, em outras palavras ele explica qual a porcentagem da variável de saída é explicada pelas variáveis previsoras. Desta forma pode-se concluir que estas variáveis independentes respondem por 60,4% da presença de público nos estádios para a amostra estudada. O R² ajustado explica o quão bem o modelo se generaliza para a população. O R² sofre uma penalidade pelo número de variáveis adicionadas no modelo. A diferença entre eles (0,604 – 0,592 = 0,012), significa que se o modelo fosse generalizado, ele explicaria aproximadamente 1,2% menos da variável de saída.

A estatística de Durbin-Watson informa se a hipótese de independência dos erros é satisfeita. O valor da estatística encontrada para estes dados foi de 1,798. Field (2009), utilizando uma regra conservadora, sugere que valores próximos a 2 satisfaçam a hipótese, e valores menores que 1 e maiores que 3 devem ser motivos de preocupação. Assim, com o valor 1,798 do modelo pode-se assumir que a hipótese é satisfeita.

A análise de variância (ANOVA), de acordo com Field (2009, p. 196), mostra “se o modelo é significantemente melhor para prever a saída do que utilizar a média como um ‘bom palpite’”. O valor de F no modelo foi de 50,110. Field (2009) explica que, se a melhoria devido ao ajuste do modelo é muito maior do que a variação no interior do modelo, então o valor de F será maior do que 1. O valor da significância de F foi abaixo de 0,001, o que significa que é improvável de F ter acontecido por acaso e que o modelo é viável para prever a variável de saída.

Para verificar as hipóteses de não-multicolinearidade o SPSS fornece as estatísticas FIV (Fatores de Inflação de Variância) e tolerância. Field (2009) afirma que para valores FIV abaixo de 10 e as tolerâncias acima de 0,20 pode-se concluir com segurança que não existe colinearidade entre os dados. Desta forma, a análise dos dados apresentados no modelo confirma a hipótese de que não há motivos para a preocupação, como visto na tabela 1.

Tabela 1 – Análise do Modelo MODELO Log-lin Y = LN_PUB

Variável Cor. De Pearson Coef. não padr. Erro padrão P-Value Tolerância VIF

Constante - 8,427 0,117 0,000 - - CAPAC 0,53 8,535E-6 0,000 0,000 0,575 1,740 PERF_MAND 0,34 0,562 0,094 0,000 0,793 1,260 PRECO 0,54 0,015 0,002 0,000 0,820 1,219 VIG_SANIT 0,45 0,110 0,021 0,000 0,637 1,570 CLASSICO - 0,395 0,108 0,000 0,943 1,060 H_NOITE - -0,481 0,086 0,000 0,293 3,409 H_TARDE - -0,323 0,087 0,000 0,311 3,211 SEG - -0,183 0,068 0,008 0,730 1,370 TV_ASSIN - 0,156 0,065 0,016 0,816 1,226 LIBERTAD - 0,184 0,069 0,008 0,777 1,288 REBAIXAM - 0,137 0,066 0,037 0,757 1,321 Observações 374 F-statistic 50,110 R2 0,604 Sig. Alteração F 0,000 R2 Ajustado 0,592 Durbin-Watson 1,798

Fonte: Elaboração própria dos autores

O histograma e o diagrama P-P dos resíduos, mostrados nos Gráficos 3 e 4 respectivamente, apontam que a distribuição é aproximadamente normal, assim satisfazendo a hipótese de que os erros são normalmente distribuídos.

Gráfico 3 – Histograma

Gráfico 4 – Diagrama P-P dos Resíduos padronizados

Fonte: Elaboração própria dos autores

O Gráfico 5 mostra o gráfico de dispersão dos resíduos padronizados com os valores previstos padronizados, que aponta, como indica Field (2009), um conjunto de pontos dispersos, não evidenciando qualquer padrão. Assim o pressuposto de homocedasticidade é verificado para o conjunto de dados. O gráfico também indica que a suposição de linearidade também é satisfeita.

Gráfico 5 – Gráfico de dispersão

4.1.1. Interpretando as variáveis previsoras do modelo

Quando é estimado um modelo de regressão log-linear, os coeficientes podem ser usados para determinar o impacto das variáveis independentes na variável dependente. Segundo Pedace (2013, p. 144, tradução nossa), “os coeficientes em um modelo log-linear representam a alteração percentual estimada na variável dependente ao acréscimo de uma unidade em uma variável independente”, assim o coeficiente da variável previsora indica a taxa de crescimento instantânea. Para a análise dos coeficientes deve-se considerar a condição ceteris paribus. Isso quer dizer que, para a interpretação da influência de uma variável previsora sobre a variável de saída, as demais variáveis devem permanecer constantes.

Capacidade do estádio (CAPAC)

A variável que trata da capacidade dos estádios tinha a premissa de contribuição positiva para o aumento da demanda de público nos estádios, que foi confirmada, pois esta apresentou um coeficiente beta positivo, com valor de 0,000009, que representa uma taxa de crescimento instantânea de 0,0009% a cada unidade acrescentada na capacidade do estádio. Geralmente os estádios têm disponibilidade para milhares de pessoas, o que faz com que a taxa aumente consideravelmente a cada unidade acrescentada.

Performance do time da casa (PERF_MAND)

O coeficiente positivo e significante para o modelo demonstra que, conforme a performance do time da casa é melhorada nos últimos jogos disputados, o clube poderá receber grandes públicos em seus jogos. O impacto instantâneo na variável dependente é de 56,2% se o clube conquistou as três últimas vitórias no campeonato. Esta porcentagem vai diminuindo conforme o clube perca pontos.

Preço do Ingresso (PRECO)

Normalmente espera-se um coeficiente negativo para a variável preço, mas neste caso de estudo sobre o Campeonato Brasileiro o coeficiente apresentou relação com a variável público positiva. Com o coeficiente gerando uma taxa de alteração na variável de saída de 1,5% para cada R$1 adicionado, pode-se estimar que a demanda neste caso é inelástica. Neste caso é observado que, conforme o desempenho de um clube é melhorado no campeonato ou disputa jogos importantes, como nos clássicos, a demanda por seus jogos tende a aumentar e, consequentemente, a diretoria está propensa a aumentar também os preços dos ingressos, o que pode explicar esta relação positiva.

Vigilância Sanitária (VIG_SANIT)

Única das variáveis que foram adicionadas ao modelo sem antes serem testadas em estudos anteriores e que apresentou ser significativa, aparece com coeficiente positivo, com um incremento de 11% a cada unidade de classificação do estádio recebida neste quesito. As outras variáveis relativas à segurança e acessibilidade do estádio podem compor outros estudos conforme o avanço das pesquisas do SISBRACE, visto que o sistema de classificação de estádios é recente.

Clássico (CLASSICO)

Como era esperado, a variável referente aos jogos entre equipes da mesma cidade é representada no modelo de forma significativa. O coeficiente positivo demonstra que os clássicos aguçam os ânimos dos torcedores que vão ao estádio apoiar seu clube contra a equipe rival. A taxa de crescimento é de 39,5% para estes jogos.

Horário da partida (H_MANHA; H_TARDE; H_NOITE)

Esta é uma variável categórica que envolve mais de duas categorias, neste caso foram observados os horários dos jogos de forma simplificada, pois os jogos aconteceram em diversos horários durante o campeonato. Assim os horários foram divididos em: Manhã, Tarde e Noite.

Para análise foi escolhido o horário da manhã como grupo-base, ou seja, todas as variáveis desse grupo recebem valor 0. Neste caso as variáveis dummy H_TARDE e H_NOITE foram comparadas ao o grupo-base H_MANHA, em outras palavras, significa que os coeficientes apontados nestas duas variáveis foram os valores que aconteceram se o jogo for realizado à tarde ou à noite, ao invés de ser realizado de manhã.

O coeficiente apresentado pela variável dummy H_TARDE mostra que o público tem uma redução de 32,3% se comparado com jogos realizados de manhã. Já a variável H_NOITE tem um coeficiente que tem uma redução maior ainda, representando um decréscimo de 48,1% em comparação com jogos no horário matutino. Isto talvez possa ser explicado pela dificuldade enfrentada pelo torcedor, principalmente nos jogos no meio da semana, pois, os jogos no horário da noite terminam muito tarde e muitas cidades no Brasil sofrem com problemas de segurança pública e transporte ineficiente, o que pode desencorajar o torcedor de acompanhar seu time no estádio em partidas noturnas.

Segunda Divisão (SEG)

O coeficiente desta variável mostra um resultado diferente da hipótese levantada, visto que, quando um clube acessa a divisão principal, os adeptos compareceriam em maior número para apoiá-los. Esta variável mostra que jogos envolvendo equipes que vieram da Série B têm o interesse de 18,3% a menos no público dos estádios. Isto talvez possa ser justificado pelo modelo de campeonato, já que, se um time é rebaixado e volta no ano seguinte e isto ocorre várias vezes, acaba por deixar o público acostumado com a situação e o acesso a divisão principal já não se torna tão interessante para o torcedor.

TV assinatura (TVASSIN)

Como era esperado, a transmissão de jogos por canal de assinatura não se mostra um substituto para o público do estádio. Como a SporTV tem como premissa não transmitir jogos que estão sendo realizados na cidade que está acontecendo o jogo, o coeficiente representa uma taxa de crescimento de 15,6% de público a mais nos estádios.

Libertadores (LIBERTAD)

Como confirma o coeficiente positivo e significante ao modelo, a hipótese de que o clube que está na zona de classificação para a Copa Libertadores da América recebe maior apoio de seus adeptos é verdadeira. Jogos quando o mandante está no grupo de acesso à maior competição de clubes das Américas têm o acréscimo de 18,4% no público. A disputa pela vaga na competição gera um campeonato à parte que não se remete somente à conquista do título do Campeonato Brasileiro. Rebaixamento (REBAIXAM)

A zona de rebaixamento demonstra também ser um campeonato à parte dentro do Campeonato Brasileiro. A briga contra o descenso mostra que, assim como a briga pela classificação para a Libertadores, leva o torcedor a ir apoiar seu clube no estádio. A taxa de crescimento neste caso é de 13,7% de público nos estádios. O Campeonato Brasileiro é conhecido por sua alta competitividade e muitas vezes vemos clubes de grandes torcidas a nível nacional na disputa contra o rebaixamento, o que pode justificar esta taxa de acréscimo no interesse pelos jogos.

VARIÁVEIS EXCLUÍDAS DO MODELO

Deve-se lembrar que as variáveis foram excluídas do modelo por falta de correlação linear, mesmo com os ajustes logaritmos, ou não demonstraram significância para este estudo. Não se deve generalizar a importância de certas variáveis, que podem ser úteis e significativas em outros modelos estudados. As variáveis excluídas foram: renda; população estadual; distância entre os times; classificação do estádio (segurança); classificação do estádio (acessibilidade e conforto); qualidade relativa entre as equipes; distância média dos clubes da partida para o líder; performance do time da casa; desempenho do clube visitante; rodada da partida; dia de semana x final de semana; tv aberta e time grande.

Tab el a 2 – Re su mo d os r es ultad os o btid os n o pr es en te es tud o e em pe sq uis as a nter io re s Re su ltad os E nc on tra do s (p or o utros a uto re s) Be ne vid es et. al. - + + + _{NU NU NU NU} + _{NS NS NU NS NU NS NS NU} + _{NS NS NU NU NU} NS – Não S ignif ica nte e NU – Não Utilizad o Fo nte : E la bo ra çã o pr óp ria d os a uto re s F ilh o NU NU NU + NU NU NU NU + + DIF - NS NS - NU NU NU NS NU NU NU - Sk jæ ve la nd NU NU NU + - NU NU NU + NU NS NU NU NU NU + + + + NU NU NU - Souza NS - + + - NU NU NU + + NS NS - NS NU NU NU + + NU NS + NS Re su ltad os E nc on tra do s + _{NS NS} + _{NS NS NS} + + _{NS NS} - _{NS NS NS} + _{NS NS} - + + + _NS Re su ltad os E sp er ad os - _{+ + +} - _{+ + + + + -/+} - _+/- _+/- _{+ + + + + + + +} - P re ço d o In gre ss o Re nd a P op . E stad ua l C ap ac id ad e do E stád io Dis tân cia e ntre c lu be s C la ss ific aç ão d o E stád io (s egur an ça ) C la ss ific aç ão d o E stád io (ac es si bilid ad e e co nforto ) C la ss ific aç ão d o E stád io (vig ilâ nc ia s an itár ia ) C lá ss ic o Rod ad a Dia x F im de s ema na Ho rá rio (t ar de /n oite x ma nh ã) Qu alid ad e re la tiva en tre c lu be s Dis t. mé dia e ntre c lu be s da p ar tid a p/ líd er P er forma nc e time da c as a De se mp en ho c lu be ma nd an te De se mp en ho c lu be visi tan te Time Gr an de Se gund a Divisão L ib er tad or es Re ba ixa me nt o TV. A ss in atur a (SP OR TV) TV. A be rta F . E co nô mic os F . De mo grá fic os Qu alid ad e E sp er ad a da P ar tid a De se qu ilíb rio C om pe tit ivo At rib ut o do s C lu be s Su bs tit ut os

5. CONCLUSÃO

No ano de 2015, as competições do Campeonato Brasileiro das Séries A, B, C e D geraram uma média de 6.362 pagantes por jogo no país, sendo 16.938 a maior média entre as séries, encontrada no Campeonato Brasileiro, Série A de 2015; mesmo não explorando toda sua capacidade ofertada. (SILVA, 2015). Neste mesmo ano, em 38 rodadas e 380 jogos disputados na série A deste torneio, após um minucioso levantamento de dados, pôde-se notar uma média de 17.334 espectadores por partida (este número nos coloca ocupando a 12ª posição em 2015 no ranking em média de público, de acordo com Mendes (2015), atrás de países não tão tradicionais no futebol como a China e os Estados Unidos da América). A capacidade média dos 27 estádios utilizados na série A de 2015 está em 41.578 pessoas, o que nos expõe a uma taxa de ocupação de 41,70% já mencionada anteriormente.

O Campeonato Brasileiro de Futebol, como qualquer outro campeonato disputado no mundo, tem suas peculiaridades. Muitas variáveis afetam a presença de público nos estádios e isto depende das características do campeonato disputado, de fatores econômicos, de atributos dos clubes e diversas outras peculiaridades que podem exercer influência. A verba arrecadada com a presença do torcedor no estádio é de considerável valia para compor a renda dos clubes. Quanto maior forem os seus rendimentos durante o ano, a agremiação pode criar possibilidades para se reforçar contratando jogadores melhores, investindo em centro de treinamentos, categorias de base e outros atributos que a tornam mais atrativa para novos adeptos.

O presente artigo teve como principal objetivo encontrar as variáveis que influenciaram a presença de público nos estádios brasileiros para o campeonato brasileiro da Série A no ano de 2015, com a premissa de que, com o conhecimento destas, não apenas os dirigentes dos clubes como também os agentes tomadores de decisões pudessem melhorar a gestão da demanda por jogos no país. A pesquisa foi conduzida com o método dos mínimos quadrados e foi utilizada a regressão log-linear para encontrar quais as variáveis que influenciaram a composição do público do Campeonato Brasileiro de 2015. Os pressupostos para que o estudo pudesse ser realizado fazendo uso do modelo de regressão múltipla para a previsão da demanda foram satisfeitos, permitindo assim a extração dos resultados descritos na análise dos coeficientes. Embora os pressupostos tenham sido aceitos com sucesso e assim aprovarem o ajuste do modelo aos dados, deve-se observar um valor importante encontrado na pesquisa: o valor de R² ajustado. O R² ajustado mostra que as variáveis previsoras respondem por 59,2% da composição da variável de saída, público. Desta forma é de suma importância alertar que, apesar dos coeficientes das variáveis previsoras apontarem as taxas instantâneas de crescimento ou decréscimo do público de forma correta, os outros 40,8% do público ainda não são explicadas por variáveis presentes no modelo.

Com a afirmação de que o modelo possa ainda ser insuficiente para prever o público total nos estádios, abrem-se precedentes para novas pesquisas, com estudo de novas variáveis que possam compor o modelo e até melhorar na coleta dos dados daquelas variáveis que foram excluídas. A análise da Tabela 2 mostra que algumas variáveis são unânimes em diversas pesquisas, como a Capacidade dos estádios, que exerce um impacto positivo na construção do público, assim como a variável Clássico. A variável econômica Preço, que geralmente é utilizada na maioria dos estudos, obteve para o presente artigo um resultado contrário ao esperado, porém, como é mostrado na tabela de comparação, trata-se de uma variável que não tem um resultado uniforme, podendo até não ter significância para o estudo, como no trabalho de Souza (2004), ou ser preterida em outros como em Filho (2015) e Skjæveland (2011). A variável que trata dos clubes que vieram da Segunda Divisão também teve resultado divergente se comparado com estudos de Souza (2004) e Skjæveland (2011), e da preposição do trabalho. A variável previsora, que trata dos dias da semana

em que são realizados os jogos, mostra um resultado quase comum na comparação entre estudos, de que esta variável não é significante para os modelos, sendo que no artigo de Filho (2015), não foi possível comparar com clareza devido a utilização de outras formas de representa-la. As demais variáveis têm resultados parecidos em todos os estudos, ou não foram significantes ou não utilizadas.

Através dos resultados obtidos, foi possível concluir que no presente estudo o grupo de variáveis ligados aos Atributos dos Clubes compõem a maior parte das previsoras significantes para o modelo, sendo que somente a variável Time Grande, pertencente a este, não teve significância para o estudo. Outros estudos como o de Souza (2004) e Benevides et. al. (2015) tiveram mais contribuições vindas de Fatores Econômicos e Demográficos. Embora os Atributos dos Clubes tenham contribuído com mais variáveis para o modelo, as variáveis que exercem mais impacto sobre a formação do público, de acordo com os resultados, são: o Desempenho do Clube Mandante (PERF_MAND), que contribui com uma taxa de crescimento de 56,2%; se o jogo é um Clássico (CLASSICO), que tem uma taxa de influência de 39,5% no público da partida, além do Horário da partida (H_MANHA; H_TARDE; H_NOITE), caso a partida seja realizada nos horários da tarde ou da noite em detrimento ao horário da manhã, ocasionando um impacto negativo em 32,3% e 48,1% respectivamente.

Os objetivos complementares do estudo foram atendidos conforme foram analisados os impactos das variáveis na composição do público através dos coeficientes extraídos da regressão. A regressão log-linear permitiu analisar de forma clara a porcentagem em que cada variável contribui para a formação do público, desta forma também foram apresentados os resultados para cada variável inclusa no modelo. A pesquisa tem caráter descritivo e não tem por pretensão criar um modelo para fazer previsões de demanda futura e sim analisar os coeficientes.

A maior dificuldade encontrada para realizar a pesquisa foi a coleta de dados. Foram utilizados os borderôs disponibilizados no site da CBF para a coleta de dados sobre as partidas realizadas no Campeonato Brasileiro, mas estes documentos não têm um formato padronizado, uma vez que, cada federação disponibiliza seu próprio formulário e muitas das vezes os dados se encontram em forma de abstruso entendimento. Estes dados são de grande importância para o entendimento do campeonato como um todo, e uma padronização por parte da CBF contribuiria de forma significativa para próximas pesquisas sobre o Campeonato Brasileiro.

O trabalho foi baseado na pesquisa realizada por Souza (2004), e mostrou que as importâncias de algumas variáveis mudaram com o tempo e com a mudança na forma de disputa do campeonato, que até 2002 teve vários modelos, entre eles o torneio eliminatório. A consolidação da disputa de campeonato por pontos corridos e a certeza de que o campeonato será disputado da mesma forma no próximo ano permitem análises mais precisas sobre a presença de público.

Para os próximos estudos, como apontado nos resultados, é importante testar outras variáveis que possam impactar a presença de público, haja visto uma parcela que ainda não foi explicada por este trabalho. A análise inclusa de outros campeonatos realizados no país pode ajudar a melhorar a base de dados, e possíveis resultados mais satisfatórios e precisos sobre a demanda de futebol podem ser obtidos. Diversas competições compõem o calendário do futebol brasileiro, como: Copa do Brasil, campeonatos estaduais, copas continentais, e cada uma pode gerar um impacto diferente, devido às suas peculiaridades e importância, e complementar na composição de público.

Em suma, a pesquisa teve por objetivo implícito incentivar estudantes, pesquisadores, analistas e diretores esportivos a procurarem melhores soluções para cativar o público a comparecer aos estádios de futebol brasileiro.

6. Bibliografia

AGÊNCIA FUTEBOL INTERIOR. Ranking de torcidas. Disponível em:

<http://www.futebolinterior.com.br/futebol/noticias/2014-01/Ranking-de-torcidas:-Confira-qual-rival-tem-a-maior-torcida-em-todo-Brasil>;

ATLAS BRASIL. Atlas do desenvolvimento humano no Brasil. Disponível em: <http://www.atlasbrasil.org.br/2013/pt/consulta/>;

BELO, Eduardo; PAOLOZZI, Vitor. Futebol faz 150 anos e movimenta até US$ 1 tri. Valor Econômico, São Paulo, ano 14, n. 3371, out. 2013. Disponível em:

<http://www.cliptvnews.com.br/antaq/adm/imagens/pdf/1382697727_img.pdf>;

BENEVIDES, B. et. al. Demanda por futebol no Brasil e na Inglaterra. Revista Pensamento Contemporâneo em Administração, Rio de Janeiro, v. 9, n. 2, abr./jun. 2015. Disponível em: <http://dx.doi.org/10.12712/rpca.v9i2.454>;

BORTOLUZZO, Adriana Bruscato; IAROPOLI, Pedro Trindade; MACHADO, Sérgio Jurandyr. Demand for brazilian soccer: a censored model approach. Insper Working Paper, v. 237, 2011;

CONFEDERAÇÃO BRASILEIRA DE FUTEBOL. Cadastro Nacional dos Estádios de Futebol do Brasil. Disponível em:

<http://cdn.cbf.com.br/content/201601/20160122182359_0.pdf>;

CONFEDERAÇÃO BRASILEIRA DE FUTEBOL. Campeonato Brasileiro de Futebol – Série A. Disponível em: <http://www.cbf.com.br/competicoes/brasileiro-serie-a/tabela/2015>; CONFEDERAÇÃO BRASILEIRA DE FUTEBOL. GUIA DO CAMPEONATO

BRASILEIRO 2015: Série A, Série B, Série C, Série D. Disponível em: <http://www.cbf.com.br/lp/brasileirao/>;

CONFEDERAÇÃO BRASILEIRA DE FUTEBOL. Súmulas de Competição da Série A de 2015. Disponível em: <http://www.cbf.com.br/competicoes/brasileiro-serie-a/tabela/2015>; FIELD, Andy. Descobrindo a Estatística usando o SPSS, tradução da 2. ed. São Paulo: Artmed Editora, 2009;

FILHO, Júlio Tadeu Batista Machado. Determinantes de público no campeonato brasileiro de futebol da série A entre 2012 e 2014. Pontifícia Universidade Católica do Rio Grande do Sul, Rio Grande do Sul, 2015. 61p. Disponível em: <http://hdl.handle.net/10923/7828>;

GOOGLE MAPS. Disponível em: <http://www.google.com.br/maps>;

GUJARATI, Damodar N; PORTER, Dawn C. Econometria Básica, tradução da 5. ed. Porto Alegre: AMGH Editora Ltda, 2011;

IBGE. IBGE – Cidades. Disponível em: <http://www.cidades.ibge.gov.br/xtras/home.php>; INTERNATIONAL FEDERATION OF FOOTBALL HISTORY & STATISTICS. The Strongest League In The World 2015. Disponível em: <http://iffhs.de/the-strongest-league-in-the-world-2015>;

JAVANMARDIL, Ehsan; NOGHONDARIAN, Kazem. A Study of Factors Affecting the Demand Watching Football in Stadiums. Grécia: Sport Management International Journal, vol. 7, n. 2, 2011;

MADALOZZO, Regina. A Model of Attendance Demand at the Brazillian Football League. Insper Working Paper, v. 113, 2008;

MANKIW, Nicholas Gregory. Introdução à Economia: Princípios de Micro e Macroeconomia, tradução da 3. ed. São Paulo: Cengage Learning, 2009;

MENDES, Tairony. Veja as 10 ligas com maior média de público em todo o mundo; MLS e Liga Chinesa surpreendem. Disponível em: <http://torcedores.com/noticias/2015/11/veja-as-10-ligas-com-maior-media-de-publico-em-todo-o-mundo>;

PEDACE, Roberto. Econometrics For Dummies. 1. ed. USA: John Wiley Professio, 2013; PLURI CONSULTORIA. Estudo: O campeonato brasileiro é o sexto mais valioso do mundo. Disponível em: <http://new.pluriconsultoria.com.br/noticias/estudo-campeonato-brasileiro-ac-sexto-mais-valioso-mundo/>;

SANTANA, Synthia Kariny Silva de; SILVA, Alexandre Stamford da. The determinants of demand in football matches during the 2007 Brazilian Championship. IASE/NAASE Working Paper Series, no. 09-06;

SILVA, Leandro. Ranking de média de público dos 100 clubes das Séries A, B, C e D em 2015. Disponível em:

<http://globoesporte.globo.com/blogs/especial- blog/numerologos/post/veja-o-ranking-de-media-de-publico-dos-100-clubes-das-series-b-c-e-d-em-2015.html>;

SISTEMA BRASILEIRO DE CLASSIFICAÇÃO DE ESTÁDIOS. Guia de classificação dos Estádios 2016. Disponível em:

<http://www.esporte.gov.br/arquivos/snfut/Sisbrace/SISBRACE_LIVRETO.pdf>; SKJÆVELAND, Kristoffer. Spectator Analysis in Norway: The impact of live football broadcasting on stadium attendance. Noruega: Universidade de Stavanger, 2011. Disponível em: <http://hdl.handle.net/11250/183825>;

SOUZA, Fabio Augusto Pera de. Um estudo sobre a demanda por jogos de futebol nos estádios brasileiros. Faculdade de Economia, Administração e Contabilidade, Universidade de São Paulo, São Paulo, 2004. Disponível em:

<http://www.teses.usp.br/teses/disponiveis/12/12139/tde-21072004-151604/pt-br.php>; THE REC SPORT SOCCER STATISTICS FOUNDATION. Médias de públicos em campeonatos nacionais. Disponível em:

<http://www.rsssfbrasil.com/miscellaneous/attendances.htm>;

THE REC SPORT SOCCER STATISTICS FOUNDATION. Médias de públicos em campeonatos nacionais. Disponível em:

<http://www.rsssfbrasil.com/miscellaneous/pubcampnac.htm>;

TREVISAN, Fernando. Análise: receita dos clubes ligada ao torcedor precisa crescer. Disponível em: < http://www.administradores.com.br/noticias/negocios/analise-receita-dos-clubes-ligada-ao-torcedor-precisa-crescer/73792/>;

VASCONCELLOS, Marco Antônio Sandoval de. Economia Micro e Macro. 4. ed. São Paulo: Atlas, 2008;

STOLT, Martin; WALDENOR, Carl. The Demand for Football Attendance in Sweden. Stockholm School of Economics, Estocolmo, 2010. Disponível em: