FUNDAÇÃO GETULIO VARGAS ESCOLA DE ECONOMIA DE SÃO PAULO NATHALIA PEREIRA DE LIMA DETERMINANTES DO RATING DE CRÉDITO E CICLOS ECONÔMICOS NO BRASIL

(1)

FUNDAÇÃO GETULIO VARGAS ESCOLA DE ECONOMIA DE SÃO PAULO

NATHALIA PEREIRA DE LIMA

DETERMINANTES DO RATING DE CRÉDITO E CICLOS ECONÔMICOS NO BRASIL

SÃO PAULO 2021

(2)

Dissertação apresentada à Escola de Economia de São Paulo da Fundação Getulio Vargas, como requisito para obtenção do título de Mestre em Economia.

Área de concentração: Finanças.

Orientador: Jéfferson Augusto Colombo

SÃO PAULO 2021

(3)

Lima, Nathalia Pereira de.

Determinantes do rating de crédito e ciclos econômicos no Brasil / Nathalia Pereira de Lima. - 2021.

60 f.

Orientador: Jéfferson Augusto Colombo.

Dissertação (mestrado profissional MPFE) – Fundação Getulio Vargas, Escola de Economia de São Paulo.

1. Créditos - Classificação. 2. Risco(Economia). 3. Análise de crédito. 4. Ciclos econômicos - Brasil. I. Colombo, Jéfferson Augusto. II. Dissertação (mestrado

profissional MPFE) – Escola de Economia de São Paulo. III. Fundação Getulio Vargas. IV. Título.

CDU 336.76(81)

Ficha Catalográfica elaborada por: Raphael Figueiredo Xavier CRB SP-009987/O Biblioteca Karl A. Boedecker da Fundação Getulio Vargas - SP

(4)

Dissertação apresentada à Escola de Economia de São Paulo da Fundação Getulio Vargas para obtenção do título de Mestre em Economia.

Área de Concentração: Finanças.

Data da aprovação: 18/03/2021

Banca Examinadora:

____________________________________ Jéfferson Augusto Colombo

Escola de Economia de São Paulo – EESP

____________________________________ Joelson Oliveira Sampaio

Escola de Economia de São Paulo – EESP

____________________________________ Rafael Schiozer

Escola de Administração de Empresas de São Paulo - EAESP

(5)

AGRADECIMENTOS

Agradeço, primeiramente, a Deus e a minha família, em especial aos meus pais e meus avós por sempre acreditarem em mim, mais até do que eu mesma acredito, e me incentivarem a continuar em frente apesar de todas as dificuldades.

Ao meu orientador Jefferson, pela paciência, apoio e dedicação e por tornar todo esse processo mais leve e muito menos doloroso do que poderia ter sido.

Ao meu namorado Renato, que já me conheceu nessa loucura do mestrado, mas que não desistiu de mim e me impulsionou diariamente a chegar até este momento.

E aos meus amigos, que apesar de todos os convites recusados e o distanciamento causando pelos vários finais de semana de estudo, continuaram do meu lado me incentivando e torcendo por mim.

(6)

RESUMO

O presente trabalho analisa os determinantes do rating de crédito de emissor de longo prazo (long term issuer rating), em escala nacional, atribuídos pelas Agências Classificadoras Fitch, Moody’s e S&P (“CRAs”), a partir de uma amostra de empresas listadas na B3, no período de 2009 e 2019. O principal objetivo foi verificar se os Ciclos Econômicos (recessões e expansões) influenciam nas análises desses determinantes pelas CRAs. Através do modelo probit ordenado com dados em painel, os resultados obtidos apontam que os indicadores econômico-financeiros das empresas são bons determinantes dos ratings emitidos pelas CRAs, em linha com a revisão de literatura tanto nacional como internacional. Ademais é a primeira evidência para o Brasil de que os ratings emitidos pelas CRAs são procíclicos, ou seja, foram encontradas evidências de diferenças nas análises realizadas em momentos de expansão, com uma maior leniência nas análises e aumento na quantidade de upgrades, e de recessão, com uma maior rigidez nas análises e aumento na quantidade de

downgrades.

Palavras-chave: Rating de crédito; Ciclos Econômicos; Determinantes de risco de crédito; Agências Classificadoras de Risco de Crédito.

(7)

ABSTRACT

This paper analyzes the determinants of the long-term issuer rating, on a national scale, assess by the Fitch, Moody's and S&P Rating Agencies (“CRAs”), based on a sample of companies listed on B3, in the period of 2009 and 2019. The main objective was to verify whether the Business Cycle (recessions and expansions) influence the analysis of these determinants by the CRAs. Through the probit model ordered with panel data, the results obtained indicate that the companies' economic and financial indicators are good determinants of the ratings issued by the CRAs, in line with the national and international literature review. Furthermore, it is the first evidence for Brazil that the ratings issued by the CRAs are procyclical, that is, evidence of differences was found in the analyzes carried out in times of expansion, with greater leniency in the analyzes and an increase in the number of upgrades, and of recession with greater rigidity in the analysis and an increase in the number of downgrades.

Key words: Credit Rating; Business Cycle; Determinants of Credit Rating; Credit Rating Agencies.

(8)

SUMÁRIO

1. INTRODUÇÃO... 7

2. REVISÃO DE LITERATURA ... 10

2.1. Teoria da informação assimétrica e rating de crédito ... 10

2.2. Evidências empíricas sobre determinantes de risco de crédito... 11

2.3. Risco de crédito e o Ciclos Econômicos ... 12

3. BASE DE DADOS E METODOLOGIA ... 14

3.1. Base de Dados ... 14

3.2. Indicadores econômico-financeiros e variáveis macroeconômicas ... 17

4. RESULTADOS ... 22

4.1. Modelo padrão ... 22

4.2. Modelo com a inclusão das variáveis macroeconômicas... 23

4.3. Modelo com interações entre as variáveis macroeconômicas e as variáveis econômico-financeiras ... 26

4.4. Movimentos dos ratings e Ciclos Econômicos ... 34

4.5. Discussão dos resultados ... 37

5. CONSIDERAÇÕES FINAIS ... 39

REFERÊNCIAS ... 41

APÊNDICES ... 43

Apêndice A - Principais resultados encontrados na literatura empírica ... 43

Apêndice B - Tratamento de outliers realizado nos dados ... 46

Apêndice C - Descrição das variáveis ... 47

Apêndice D - Definição do Modelo Padrão ... 48

Apêndice E - Estatísticas descritivas por categoria de rating ... 49

Apêndice F - Matriz de correlação das variáveis ... 53

Apêndice G - Efeitos Marginais ... 54

Apêndice H – Mapa de acertos dos modelos...59

(9)

1 INTRODUÇÃO

Dada a importância das CRAs para redução do problema da assimetria de informação no mercado de crédito, identificar quais e como variáveis econômico- financeiras afetam o rating de crédito de longo prazo das empresas é um tema fundamental para gestores, acionistas e credores. Embora determinantes no nível da firma configurem um tema de pesquisa bastante extenso, muito menos atenção é dada na literatura para o papel potencialmente moderador que os Ciclos Econômicos exercem sobre tais relações. Trabalhos teóricos e empíricos destacam, para o mercado norte americano, sobre a implementação de política procíclica no padrão das análises realizadas pelas CRAs, sendo mais leniente e apresentando aumento na quantidade de upgrades durante as expansões, e sendo mais rígida e apresentando aumento na quantidade de downgrades durante as recessões (Auh (2015); Lobo et al (2017); Hwang e Kim (2020)). No entanto, não foram encontradas na literatura evidências para o mercado brasileiro, gap que será coberto pelo presente trabalho.

Neste sentido, o presente trabalho busca evidenciar, através do modelo probit ordenado com dados em painel, quão relevantes são os indicadores econômico- financeiros das companhias para definição do rating de crédito pelas CRAs. Foram definidas variáveis de tamanho, liquidez, rentabilidade, cobertura de juros, endividamento, valor, governança corporativa e participação no IBOVESPA, em linha com trabalhos semelhantes realizados tanto para o mercado brasileiro, como para os mercados americano, australiano e europeu.

Ademais, a principal contribuição pretendida por este trabalho é verificar se os Ciclos Econômicos influenciam os ratings de crédito emitidos pelas CRAs no Brasil. Tal pergunta de pesquisa é embasada na hipótese apresentada por Bar-Isaac e Shapiro (2013) de qualidade contracíclica nas análises realizadas pelas CRAs e por Lobo et al (2017), Auh (2015) e Hwang e Kim (2020), de que as CRAs estão adotando um padrão procíclico de análises, e se opõe à hipótese apresentada por Amato et al (2004) e Löffer (2012), de que as CRAs separam em suas análises os impactos de longo prazo (componente permanente) dos impactos transitórios (componente cíclico). Para tal, este estudo agrega variáveis macroeconômicas ao modelo, incluindo indicadores macroeconômicos de recessão atual e prevista (IACE, ICCE e períodos de recessão diagnosticados pelo CODACE – “Dummy de Recessão”), incerteza de

(10)

política econômica (EPU, com base em notícias veiculadas na mídia) e movimentos do rating Brasil (downgrade e upgrade).

Dado o exposto acima, o presente trabalho se justifica pela importância: (i) de se entender melhor como é feita a análise de risco de crédito pelas CRAs, dado a relevância desses agentes para redução do problema de assimetria de informação, conforme já pontuado anteriormente; bem como (ii) de se compreender a influência dos Ciclos Econômicos em suas análises, dados os impactos que adoção de uma política de análise procíclica pode gerar no custo da dívida, como apontado por Auh (2015), e no preço das ações, como apontado por Lobo et al (2017). Também podemos citar sua contribuição para política de gestão, de investimento, bem como para regulação, considerando que em diversas situações são propostas alocações de ativos a depender de sua classificação de risco de crédito, o que pode ser impacta com a adoção de política procíclica de análise pelas CRAs.

Os resultados do presente estudo indicam que as variáveis de tamanho, liquidez, rentabilidade, endividamento e valor são bons determinantes do rating de crédito emitidos pelas CRAs no Brasil, com percentual de acerto (considerando até uma classificação para cima ou para baixo, em linha com o que foi realizado em outros estudos) entre 86,22% a 93,94%, a depender do modelo utilizado.

Outrossim, as variáveis indicadoras de Ciclos Econômicos se mostram significativas nos modelos analisados, apontando para o impacto do Ciclos Econômicos no padrão das análises realizadas pelas CRAs, apresentando maior leniência durante os períodos de expansão e maior rigidez durante os períodos de recessão. Os movimentos dos ratings sugerem um aumento na quantidade de

downgrades durante os períodos de recessão e um aumento na quantidade de upgrades durante os períodos de expansão. A análise gráfica também aponta que

esses movimentos acompanham a flutuação dos Ciclos Econômicos, principalmente se comparado com o indicador IACE, que apresenta a expectativa futura das flutuações dos Ciclos Econômicos. Ou seja, os resultados obtidos estão em linha com as evidências na literatura de implementação de política procíclica nas análises realizadas pelas CRAs.

Este trabalho se conecta a uma ampla literatura que analisa os determinantes de rating de crédito corporativo (Gray et al (2006) e Gones et al (2010)), em especial no Brasil ((Damasceno at al 2008; Soares et al, 2012; Murcia et al, 2014; Rogers et al 2016; Antônio et al 2020, entre outros). Em particular, este trabalho contribui para uma

(11)

vertente menos estudada da literatura que analisa a influência dos Ciclos Econômicos sobre os determinantes de ratings corporativos (ver, por exemplo, o modelo teórico de Bar-Isaac e Shapiro (2013); e também evidências empíricas como Lobo et al, Auh (2015) e Hwang e Kim (2020)).

Esta pesquisa está organizada em 6 partes, sendo esta introdução, a revisão de literatura, base de dados e metodologia, resultados, considerações finais e o apêndice, que apresenta informações complementares.

(12)

2 REVISÃO DE LITERATURA

2.1 Teoria da informação assimétrica e rating de crédito

As operações do mercado financeiro incorrem no problema de assimetria de informação, de acordo com Mishkin (1992), que decorre da diferença no nível de acesso à informação entre os agentes envolvidos em uma negociação. Este problema pode ocasionar impactos antes e/ou depois da efetivação dos negócios, se manifestando na forma de seleção adversa e risco moral, respectivamente.

Em seu artigo Market of Lemons, Arkelof (1970) apresenta o exemplo clássico da seleção adversa, por meio da relação entre a assimetria de informações e diversos mercados, sendo o principal exemplo explorado por ele o do mercado de carros usados nos Estados Unidos.

Stigltz e Weiss (1981) aplicam em seu estudo à teoria da informação assimétrica ao mercado de crédito. Neste mercado a seleção adversa decorre das taxas de juros e das garantias exigidas para se fechar uma operação. Quanto maiores as taxas de juros cobradas e as garantias exigidas, tomadores com bons projetos de investimento passam a deixar de solicitar crédito, fazendo com que o risco médio da carteira do banco aumente.

A emissão de rating de crédito pelas CRAs, agentes externos e independentes da negociação, pode funcionar como um instrumento de sinalização, reduzindo a incerteza sobre a qualidade de crédito dos tomadores, a partir da divulgação de informações privadas, analisadas e validadas por empresa especializada, sobre sua qualidade de crédito, de maneira pública e crível aos demais agentes do mercado de crédito. Para que a informação divulgada seja crível a reputação da CRA, considerando seu histórico de independência, de transparência, seus movimentos de afirmação, downgrades e upgrades de ratings, a qualidade da análise e da informação prestada, é de suma importância.

De acordo com Mishkin (1992) o problema do risco moral está relacionado ao risco de o agente mais bem informado adotar comportamentos indesejáveis que podem aumentar sua probabilidade de incorrer em inadimplência para com o credor. Esse desalinhamento de objetivos entre o credor e o tomador, que de acordo com a Teoria da Agência são chamados de principal e agente, respectivamente, pode, segundo Jensen e Meckling (1976) ser limitados através da implementação de

(13)

medidas de monitoramento e controle, que podem incluir, por exemplo, a emissão periódica de rating de crédito pelas CRAs, gerando custos, chamados de custo de agência.

2.2 Evidências empíricas sobre determinantes de risco de crédito

Damasceno et al (2008) buscou em seu estudo verificar se as CRAs vinham se mostrando mais severas em suas análises ao longo dos anos, bem como desenvolver uma metodologia que utilizasse os indicadores financeiros das companhias capaz de replicar seus ratings junto à S&P. Os resultados obtidos apontam que as variáveis que se mostraram significativas para explicar o rating atribuído às companhias foram as relacionadas a endividamento e retorno, já largamente aplicados em estudos anteriores, além da inclusão da dummy de participação no IBOVESPA, que indicou um impacto positivo da presença no índice na classificação de rating da companhia. Com estudo mais direcionado para a estrutura de capital e a questão da assimetria de informação, e sem buscar definir o nível de rating das companhias, mas sim medir sua probabilidade de default Dantas e DeSouza (2008), encontram evidência de que estrutura de capital de curto e de longo prazo se mostrou significativa para explicar a probabilidade de default das companhias. De acordo com os autores, a estrutura de capital da empresa é o indicador que melhor mitiga o problema da assimetria de informações, uma vez que é menos suscetível a manipulação ou ao planejamento tributário, além de ser de fácil comprovação pelas instituições financeiras.

Direcionando para a literatura internacional, o estudo realizado por Gray et al (2006) com base no mercado de crédito Australiano, as variáveis cobertura de juros e alavancagem se mostraram as mais relevantes para definição dos ratings de crédito das empresas pela agência S&P, ademais variáveis de rentabilidade e concentração da indústria também se mostraram significativas. A variável de concentração da indústria utilizada pelos autores, publicada pelo Australian Bureau of Statistics (ABS), apresenta o percentual de produção de mercado das quatro maiores empresas de cada setor.

Para o mercado do Reino Unido, Gonis (2010) foca seus estudos na análise das diferenças entre as empresas listadas que possuem classificação de risco de crédito e aquelas que não possuem. O autor identificou que de fato as empresas

(14)

classificadas e não classificadas possuem perfis financeiros diferentes, mas não encontrou indícios de que essas diferenças levassem a um problema de auto-seleção para solicitação de classificação de crédito. Com relação às determinantes do rating das empresas classificadas os resultados obtidos apontam que as variáveis financeiras tamanho da empresa, alavancagem financeira, lucratividade, liquidez, risco comercial e crescimento e as não financeiras P&D e governança corporativa, são significativos para explicar o rating obtidos pelas empresas do Reino Unido.

Em linha com o que foi realizado nas pesquisas mencionadas, a presente pesquisa analisa os determinantes de risco de crédito das empresas com base em seus indicadores econômico-financeiros.

2.3 Risco de crédito e o Ciclos Econômicos

De acordo com Bar-Isaac e Shapiro (2013), a qualidade das análises realizadas pelas CRAs é contracíclica. Ou seja, apresenta maior acurácia durante os períodos de recessão, quando a o risco de default percebido pelo mercado de forma geral é maior, aumentando assim os incentivos para que as agências classificadoras façam análises mais robustas, e apresenta menor acurácia durante os períodos de expansão, quando o risco de default percebido pelo mercado de forma geral é menor, reduzindo assim os incentivos para a realização de análises mais robustas.

Corroborando com o modelo teórico apresentado por Bar-Isaac e Shapiro (2013), Lobo et al (2017) testa empiricamente em sua pesquisa, através do modelo

probit ordenado com dados em painel, as variáveis econômico-financeiras de

empresas incluídas no Índice Russel 3000, como tamanho, endividamento e valor (market-to-book), por exemplo, e variáveis indicadoras do Ciclos Econômicos, incluindo uma dummy de recessão (conforme NBER1_{Recession Index).Os resultados} obtidos apontam para o papel moderar dos Ciclos Econômicos nas análises realizadas pelas CRAs, indicando um padrão procíclicos, sendo verificados um maior movimento de upgrades durante os períodos de expansão e um maior movimento de downgrades durante os períodos de recessão. Adicionalmente, Lobo et al (2017) também documentou a reação dos investidores à movimentos negativos de ratings (downgrades e perspectiva negativa), com impacto no preço das ações.

1_{NBER – National Bureau of Economic Research}

(15)

De maneira similar, Auh (2015) apresenta evidências do papel moderador dos Ciclos Econômicos nas análises realizadas pelas CRAs, mas para o risco de crédito de emissão (corporate bonds). Ademais, também reportou o impacto da política procíclica das análises nos spreads dos títulos de dívida corporativa, gerando um incremento, em média, de 11% durante as recessões.

Tais hipóteses, tanto de qualidade contracíclica das análises como de classificações procíclicas, vão contra o que foi apresentado por Amato e Furfine (2004) e Löffler (2012), que em seus estudos, apresentam evidências de que as análises realizadas pelas CRAs são feitas olhando através do Ciclos Econômicos. De acordo com Löffler (2012) as agências classificadoras seriam capazes de separar a tendência de longo prazo (componente permanente) das transitórias (componente cíclico).

De maneira complementar às análises realizadas nas pesquisas supracitadas, o presente trabalho analisa a influência dos Ciclos Econômicos nas análises realizadas pelas CRAs para o Brasil, cobrindo assim o gap na literatura nacional sobre o tema.

(16)

3 BASE DE DADOS E METODOLOGIA

3.1 Base de Dados

Foi obtida para fins da presente análise uma amostra com os indicadores econômico-financeiros trimestrais de 773 empresas que são ou foram listadas na B3, entre 2009 e 2019, obtidas através de consulta à Economática®2_{. As informações} sobre presença no IBOVESPA e participação no Novo Mercado ou Nível 2 de Governança Corporativa foram obtidas a partir de base de dados disponibilizada pela B3.

Através de consulta à Thomson Reuters® e de pesquisa manual realizada pela autora à séries históricas públicas disponibilizadas nos sítios eletrônicos da Fitch, Moodys e S&P, foram capturados os ratings de crédito de emissor de longo prazo em escala nacional emitidos durante o período do estudo, totalizando 1,634 observações, para 129 empresas de 10 diferentes setores (conforme classificação setorial da B3), excluídos os ratings que apresentaram os resultados NR (sem rating), WD e WR (withdrown – retirado), bem como ratings emitidos para bancos e seguradoras, em função das especificidades que essas empresas apresentam em seus balanços.

Para algumas empresas, foram verificadas ações de ratings (revisão, afirmação, upgrade e downgrade) em todos os trimestres, e em alguns casos mais de uma ação em um mesmo trimestre, incluindo ações realizadas por diferentes agências classificadoras, conforme exemplo apresentado abaixo:

Tabela 1

EXEMPLOS DE EMPRESAS COM MAIS DE UMA AÇÃO DE RATING POR TRIMESTRE

Empresa ID Data da ação de rating Agência Rating Ação

BRF S.A. 1629 01/04/2019 Fitch AA+ Afirmação

BRF S.A. 1629 31/05/2019 S&P AA+ Afirmação

Neoenergia S.A. 1533 17/02/2016 S&P AA- Downgrade Neoenergia S.A. 1533 30/03/2016 S&P AA- Afirmação

Nos casos apresentados, para fins do presente estudo, foi considerado apenas o último rating emitido no trimestre para cada empresa, assim, com relação aos

2_{Foram utilizados na pesquisa junto à Economática® os seguintes filtros: (i) Bolsa/Fonte = Bovespa, (ii) Tipo de}

Ativo = Ação, (iii) mostrar apenas uma classe por empresa (a de maior volume no mês), contemplando ações que atualmente estão em situação ativa ou cancelada.

(17)

exemplos, foram mantidos na base de dados o rating emitido pela S&P em 31/05/2019 para a BRF S.A. e o emitido em 30/03/2016 para a Neonergia S.A. e os demais foram desconsiderados.

Para outras empresas essas ações de rating são menos frequentes, em alguns casos, inclusive, são restritas a uma única agência classificadora, conforme pode ser verificado abaixo:

Tabela 2

EXEMPLO DE EMPRESA COM AÇÃO DE RATING MENOS FREQUENTE

Empresa ID Data da ação de rating Agência Rating Ação

Raia Drogasil S.A. 525 22/02/2019 Fitch AAA Afirmação Raia Drogasil S.A. 525 09/03/2018 Fitch AAA Afirmação Raia Drogasil S.A. 525 24/03/2017 Fitch AAA Novo Rating

Assim, para fins do presente estudo, quando em determinado trimestre não foi identificada ação de rating, foi replicado o último rating válido no trimestre anterior ou de até 03 trimestres anteriores, respeitando sempre o mais recente, uma vez que as análises são renovadas no mínimo anualmente. Nos casos apresentados os ratings emitidos para a Raia Drogasil no primeiro trimestre de cada ano, foram replicados para os 3 trimestres seguintes.

Tabela 3

EXEMPLO DE REPLICAÇÃO DOS RATINGS POR ATÉ TRÊS TRIMESTRES

Empresa ID Data da ação de rating Trimestre Agência Rating Ação

Raia Drogasil S.A. 525 22/02/2019 4T2019 Fitch AAA Raia Drogasil S.A. 525 22/02/2019 3T2019 Fitch AAA Raia Drogasil S.A. 525 22/02/2019 2T2019 Fitch AAA

Raia Drogasil S.A. 525 22/02/2019 1T2019 Fitch AAA Afirmação

Raia Drogasil S.A. 525 09/03/2018 1T2018 Fitch AAA Afirmação

Raia Drogasil S.A. 525 24/03/2017 1T2017 Fitch AAA Nova Rating

Após os ajustes realizados, de modo a manter apenas uma observação por trimestre por empresa, foi realizado o merge das duas bases de dados (indicadores

(18)

econômico-financeiras e ratings) a partir do identificador das empresas (ID), passando a base de dados a contar com 3,868 observações. A opção pela utilização dos dados trimestrais aumenta o tamanho da amostra e é baseada em trabalhos anteriores (ver, por exemplo, Antônio et al, 2020).

Ademais, foram realizados alguns tratamentos na base de dados, de modo a trazer maior robustez à presente pesquisa, com a exclusão da amostra das observações que contavam com a variável Market/Book e Endividamento/PL menores que zero (filtragem semelhante foi realizada por Dantas e DeSouza (2008), com a exclusão das empresas que apresentavam PL negativo). Para tratamento de outliers, foi realizado um ajuste nas variáveis utilizando o comando winsor do Stata, considerando 1% em cada cauda3_{, da mesma forma que foi utilizado por Lobo et al} (2017) e Auh (2015).

Por fim, de modo a se contar com uma quantidade mínima de observações para cada uma das empresas da amostra, foram excluídas aquelas que não contavam com ao menos 8 observações. Assim, a amostra final utilizada nas análises apresentadas no presente estudo passou a contar com 99 empresas de 9 setores, totalizando 2,815 observações.

Em comparação com a referência empírica analisada, principalmente considerando a brasileira, a base de dados obtida parece ser adequada à realização do estudo em questão, sendo que as maiores diferenças encontradas são referentes às pesquisas que utilizaram base de dados dos EUA, em função da maior quantidade de empresas listadas e disponibilidade de informações naquele país, conforme pode ser verificado no quadro abaixo:

Tabela 4

COMPARAÇÃO DA BASE DE DADOS COM A LITERATURA ANALISADA

Autor País Qnt. Empresas Qnt. Ratings Período Dados

Amato e Furfine (2004) EUA Não informado 10,144 1981 a 2001 Anuais Gray at al (2006) Austrália Não informado 361 1995 a 2002 Anuais Damacesno at al (2008) Brasil 39 128 2000 a 2005 Anuais Brito e Assat (2008) Brasil 60 Não informado 1994 a 2004 Anuais Dantas e DeSouza (2008) Brasil 114 Não informado 2005 Anuais Gonis (2010) Reino Unido 245 757 1995 a 2006 Anuais Löffer (2012) EUA Não informado 356,436 1982 a 2005 Mensais Soares at al (2012) Brasil 72 72 2009 a 2010 Anuais Murcia at al (2014) Brasil 49 153 1997 a 2011 Anuais

3_{São apresentados os gráficos com o tratamento dos outiliers no Apêndice B.}

(19)

Auh (2015) EUA 858 486,918 2002 a 2011 Mensais Rogers et al (2016) América Latina 87 598 2001 a 2010 Anuais

Lima et al (2016) Brasil 121 286 - 744 2010 a 2015 Anuais Lobo et al (2017) EUA Não informado 14,848 1986 a 2012 Anuais Antônio et al (2020) Brasil Não informado 2,090 2010 a 2016 Trimestrais Hwang e Kim (2020) EUA 850 – 1,350 Não informado 1987 – 2016 Trimestrais

Pereira de Lima (2021) Brasil 99 2,851 2009 a 2019 Trimestrais

Nota: Os principais resultados dos trabalhos citados podem ser consultados no Apêndice A. Alguns trabalhos não traziam a informação da quantidade de empresas ou quantidade de ratings. Amato e Furfine (2004) pontuam em seu estudo que os resultados são qualitativamente semelhantes se padronizados por ano ou trimestre. A base de dados de Löffer (2012) e Auh (2015) apresenta rating de crédito de emissão, e não de emissor como o restante dos trabalhos, o que, além da utilização de dados mensais, pode justificar a grande diferença na quantidade de observações.

Os indicadores macroeconômicos foram obtidos através de consulta: (i) IACE – Indicador Antecedente Composto da Economia, ICCE – Indicador Coincidente Composto da Economia, e períodos de recessão diagnosticados pelo CODACE (Dummy de Recessão), ao site do IBRE – Instituto Brasileiro de Economia; (iii) indicador de incerteza político-econômica (EPU), ao site do Policy Uncertainty que utiliza arquivos de texto do jornal Folha de São Paulo e contagem de termos relacionados à incerteza econômica bem como relevantes para a política; (iv) EMBI+ (risco Brasil), ao site do IPEA; e (iv) alteração de rating Brasil, ao site do Tesouro Nacional, informações sobre o histórico de classificação de risco para dívida de longo prazo em moeda local. Foi feita a multiplicação das variáveis IACE e ICCE por -1 para facilitar a comparação com a Dummy de Recessão.

3.2 Indicadores econômico-financeiros e variáveis macroeconômicas

As variáveis explicativas para o modelo foram escolhidas utilizando a literatura empírica, conforme apresentado no quadro abaixo:

Tabela 5

VARIÁVEIS EXPLICATIVAS

Categoria Nome Referência

Bibliográfica

Sinal Esperado

Descrição

Ibovespa IBOV Damasceno et al (2008) + Variável Dummy de presença no Índice IBOVESPA Governança

Corporativa GOV

Soares et al (2012)

Murcia et al (2014) +

Variável Dummy de participação em no Novo Mercado ou Nível 2 de Governança Corporativa na B3

Tamanho LN (Ativo)

Damasceno et al (2008) Gonis (2012) Murcia et al (2014) Rogers et al (2016) Lima et al (2016)

+ Ln (Ativo Total)

(20)

Lobo (2017) Hwang e Kim (2020)

Capacidade de Pagamento

Cobertura de Juros

Amato e Ferfine (2004) Damasceno et al (2008)

Gray et al (2006) Soares et al (2012) Murcia et al (2014) Rogers et al (2016)

Lobo (2017)

+ Cobertura de Juros = EBIT / Despesa Financeira Bruta

Estrutura de Capital

Endividame nto / Ativo

Gonis (2012) Soares et al (2012)

Lobo (2017)

- (Dívida Bruta / Ativo Total)*100 Endividame

nto / PL

Soares et al (2012) Lima et al (2016) Antônio et al (2020

- (Dívida Bruta / Patrimônio Líquido)*100

Lucratividade

Margem Operacional

Amato e Furfine (2004) Damasceno et al (2008)

Gray et al (2006) Rogers et al (2016)

+ Margem EBIT Operacional = EBIT / Receita Líquida Operacional * 100

ROA

Damasceno et al (2008) Gray et al (2006) Dantas et al (2008) Murcia et al (2014) Rogers et al (2016)

+ (Lucro Líquido / Ativo Total)*100

Desvio Padrão (ROA)

Proposta pela autora - Desvio padrão ROA considerando os últimos 12 trimestres Dummy

ROA Superior

Proposta pela autora +

Variável dummy que indica média do ROA nos últimos 12 trimestres estar um desvio padrão acima da média do

ROA do setor Dummy

ROA Inferior

Proposta pela autora -

Variável dummy que indica média do ROA nos últimos 12 trimestres estar um desvio padrão abaixo da média do

ROA do setor Liquidez Liquidez

Geral

Dantas et al (2008)

Antônio et al (2020) +

Liquidez Geral = (Ativo Circulante + Realizável a Longo Prazo) / (Passivo Circulante + Passivo Não Circulante) Valor Market/Boo

k

Murcia et al (2014)

Lobo (2017) + Preço Mercado / Patrimônio Líquido

Ciclos Econômicos

IACE Proposta pela autora - Indicador Antecedente Composto da Economia

ICCE Proposta pela autora - Indicador Coincidente Composto da Economia

Dummy Recessão

Amato e Furfine (2004) Lobo et al (2017) -

Variável dummy de recessão conforme datador de Ciclos

Econômicos do CODADE

Macroeconômicas

Incerteza Proposta pela autora - Indicador de incerteza de política econômica - Policy Uncertainty EMBI Proposta pela autora -

EMBI+ Risco Brasil - Índice baseado nos bônus (títulos de dívida) emitido

pelos países emergentes Upgrade

Brasil Proposta pela autora +

Variável dummy de upgrade do rating Brasil

Downgrade

Brasil Proposta pela autora -

Variável dummy de downgrade do rating Brasil

Nota: A descrição mais detalhada das variáveis pode ser consultada no Apêndice C. IACE e ICCE foram multiplicados por -1 para facilitar a comparação com a Dummy de Recessão. A Dummy de Recessão utilizada por Amato e Furfine (2004) Lobo et al (2017) é conforme NBER Recession Index.

(21)

A categorização dos ratings em escala numérica é apresentada no quadro abaixo, semelhante à realizada por Amato e Furfine (2004), Auh (2015) e Lobo et al (2017)4_:

Tabela 6

QUANTIDADE DE RATINGS POR CATEGORIA

Rating Categorização Quantidade %

AAA AAA 6 711 25.26

AA+, AA e AA- AA 5 1,179 41.88

A+, A e A A 4 551 19.57

BBB+, BBB e BBB- BBB 3 223 7.92

BB+, BB e BB- BB 2 41 1.46

B+, B e B- B 1 22 0.78

CCC+ ou menor CCC a D 0 88 3.13

Total de ratings AAA a D 0-6 2,815 100.00

As estatísticas descritivas das variáveis, já considerando os tratamentos realizados, são apresentadas na tabela abaixo:

Tabela 7

ESTATÍSTICAS DESCRITIVAS DAS VARIÁVEIS

Var. Média P50 SD IQR Mín. Máx. N

Rating 4.667 5 1.301 2 0 6 2,815

IBOV 0.474 0 0.499 1 0 1 2,815

Governança 0.639 1 0.48 1 0 1 2,815

Ln (Ativo) 16.194 16.053 1.228 1.6 13.499 19.592 2,815

Cobertura de Juros 2.142 1.507 2.856 2.205 -4.921 18.636 2,815

Endividamento / Ativo 36.409 35.945 14.001 17.899 0.013 72.456 2,815

Endividamento / PL 141.521 89.416 164.951 93.385 0.034 1,052.722 2,815

Margem Operacional 20.457 14.924 30.725 18.905 -107.385 141.513 2,815

ROA 3.654 3.828 5.935 5.908 -17.329 21.468 2,815

Liquidez Geral 0.861 0.773 0.468 0.497 0.139 3.198 2,815

Market/Book 2.292 1.576 2.428 1.667 0.209 16.135 2,815

Dummy ROA Inferior 0.033 0 0.178 0 0 1 2,815

Dummy ROA Superior 0.042 0 0.201 0 0 1 2,815

Desvio Padrão (ROA) 4.703 3.919 3.711 3.083 0.668 24.841 2,815

Incerteza 208.927 183.186 126.759 134.825 52.257 676.955 2,815

Downgrade BR 0.043 0 0.203 0 0 1 2,815

Upgrade BR 0.01 0 0.099 0 0 1 2,815

4_{No presente trabalho foi proposto o ajuste para a categorização do rating em comparação aos estudos citados,}

com os números maiores indicando rating melhores, de modo a tornar mais intuitiva a análise dos resultados (AAA=6 / CCC a D=0).

(22)

Dummy Recessão 0.292 0 0.455 1 0 1 2,815

ICCE -101.383 -101.9 2.744 3.5 -104.6 -89.4 2,815

IACE -108.437 -110.2 6.779 8.6 -119.6 -93 2,815

Nota: A descrição das variáveis pode ser consultada no Apêndice C. IACE e ICCE foram multiplicados por -1 para facilitar a comparação com a Dummy de Recessão. Foi utilizado o comando winsor do Stata para tratamento dos outiliers a 1%. SD (Desvio Padrão), IQR (Variação Interquartil), Mín. (Mínimo) e Max. (Máximo).

Algumas variáveis apresentaram correlação mais forte entre si, sendo: (i) Endividamento/Ativo e Endividamento/PL, com correlação de 71% e significativa a 1%.; (ii) IBOV e LN (Ativo), com correlação de 64% e significativa a 1%; (iii) ROA e Cobertura de Juros, com relação de 61% e significativa a 1%, (iv) EMBI e Dummy de Recessão/IACE, com relação de 62%/66%, respectivamente, e significativas a 1% (ver Apêndice F – Matriz de correlação). Por este motivo, para fins do presente estudo, optou-se por manter apenas uma variável de cada dupla mencionada, sendo: (i) LN (Ativo); (ii) Endividamento / PL; (iii) ROA, por sua maior significância no modelo e a (iv) Dummy Recessão/IACE, por serem imprescindíveis para realização do presente estudo.

Analisando a dispersão das variáveis econômico-financeiras não dicotômicas em comparação ao rating emitido pelas CRAs podemos entender melhor o impacto de cada uma delas na análise a ser realizada. Podemos verificar uma relação positiva entre o rating e as variáveis Ln (Ativo), ROA, Liquidez Geral e Market/Book, e negativa entre o rating e as variáveis Endividamento/Ativo, Endividamento/PL e Desvio Padrão (ROA), em linha com os sinais esperados.

Figura 1

DIPERSÃO DAS VARIÁVEIS EXPLICATIVAS UTILIZADAS NO MODELO VERSUS CATEGORIA DE RATING

(23)

Nota: A descrição das variáveis pode ser consultada no Apêndice C. A qualidade do rating é crescente na categoria de rating (eixo Y) – quanto mais alto seu valor (que varia de 0 a 6), melhor o rating. Foi utilizado o comando winsor do Stata para tratamento dos outiliers a 1% em cada cauda.

Considerando os setores, obtidos através de consulta ao site da B3, a base de dados apresenta seguinte distribuição:

Tabela 8

QUANTIDADE DE RATINGS POR SETOR

Setor Qtd. ratings %

Saúde 140 4.97

Consumo não Cíclico 248 8.81

Financeiro 264 9.38

Utilidade Publica 867 30.80

Consumo Cíclico 579 20.57

Bens Industriais 259 9.20

Materiais Básicos 258 9.17

Petróleo, Gás e Biocombustíveis 129 4.58

Comunicações 71 2.52

Total de ratings 2,815 100.00

Nota: Para o setor Financeiro, foram considerados os subsetores: Exploração de Imóveis e Serviços Financeiras Diversos, com exclusão de Bancos e Seguradoras.

Os dados são organizados no formato de painel desbalanceado e é utilizado o modelo de regressão probit ordenado, em linha com a referência empírica sobre o tema, que conforme Woodridge (2002, p. 504-505) assume que a variável latente 𝑦∗ é determinada por:

𝑦_𝑖𝑡∗ = 𝛽𝑥_𝑖𝑡+ 𝜀_𝑖𝑡, 𝜀_𝑖𝑡| 𝑥_𝑖𝑡 ~ 𝑁𝑜𝑟𝑚𝑎𝑙 (0,1) (1)

Onde 𝛽 é um vetor dos coeficientes, 𝑥 é um vetor das variáveis independentes e 𝜀 é o termo do erro padrão. Sendo 𝛼₁ < 𝛼_𝑟 < 𝛼₆ pontos de corte (thresholds

parameters) que definem os valores de 𝑦_𝑖𝑡:

𝑦_𝑖𝑡 = {

0 𝑠𝑒 𝑦_𝑖𝑡∗ ≤ 𝛼₁ 𝑟 𝑠𝑒 𝛼𝑟−1 < 𝑦𝑖𝑡∗ ≤ 𝛼𝑟, 𝑟 = 1,2,3,4 𝑒 5 6 𝑠𝑒 𝑦_𝑖𝑡∗ > 𝛼6

(2)

Ou seja, os valores de 𝛼 relacionam o 𝑦_𝑖𝑡∗ ao 𝑦_𝑖𝑡, que representa cada uma das categorias de rating apresentadas na Tabela 8.

(24)

4 RESULTADOS

4.1 Modelo padrão

Para o modelo básico foram testados os determinantes de risco de crédito com base nas variáveis econômico-financeira das companhias, sem considerarmos, neste primeiro momento, as variáveis macroeconômicas, e incluindo controle por setor (θ) e ano-trimestre (λ).

Foram desconsideradas as variáveis IBOV, Endividamento / Ativo Total e Cobertura de Juros, por apresentarem alta correlação com outras variáveis adotadas, bem como também foram desconsideradas as variáveis que não foram significativas para o modelo. Assim, o modelo básico é apresentado abaixo:

𝑅𝑎𝑡𝑖𝑛𝑔𝑖𝑡= 𝛼 + 𝛽1∗ 𝐿𝑁 (𝐴𝑡𝑖𝑣𝑜)𝑖𝑡+ 𝛽2∗

𝐸𝑛𝑑𝑖𝑣𝑖𝑑𝑎𝑚𝑒𝑛𝑡𝑜

𝑃𝑎𝑡𝑟𝑖𝑚ô𝑛𝑖𝑜 𝐿í𝑞𝑢𝑖𝑑𝑜𝑖𝑡+ 𝛽3∗ 𝑅𝑂𝐴𝑖𝑡+ 𝛽4∗

𝐷𝑒𝑠𝑣𝑖𝑜 𝑃𝑎𝑑𝑟ã𝑜 (𝑅𝑂𝐴)_𝑖𝑡 + 𝛽₅∗ 𝐷𝑢𝑚𝑚𝑦 𝑅𝑂𝐴 𝑆𝑢𝑝𝑒𝑟𝑖𝑜𝑟_𝑖𝑡+ 𝛽₆∗ 𝐿𝑖𝑞𝑢𝑖𝑑𝑒𝑧 𝐺𝑒𝑟𝑎𝑙_𝑖𝑡+ 𝛽₇∗𝑀𝑎𝑟𝑘𝑒𝑡

𝐵𝑜𝑜𝑘 𝑖𝑡+ 𝜆𝑡+

𝜃𝑗 + 𝜀𝑖𝑡 (3)

Assim, utilizando o modelo Probit Ordenado com dados em painel, os sinais apresentados pelas variáveis são condizentes com os esperados pela autora e estão em linha com os também apresentados na referência empírica analisada.

A tabela abaixo apresenta os resultados obtidos:

Tabela 9

DETERMINANTES DE RISCO DE CRÉDITO COM BASE NOS INDICADORES

Variável Coef. t-stat

LN (Ativo) 1.1276*** 5.35

Endividamento / PL -0.0013*** -2.86

ROA 0.0393** 2.14

Liquidez Geral 0.9796*** 2.72

Market/Book 0.1330*** 3.07

ROA Superior 2.6279*** 3.45

Desvio Padrão (ROA) -0.1254*** -3.44 Efeitos fixos de tempo Sim

Efeitos fixos de setor Sim

Obs. 2815

Num empresas 99

Wald chi2 597.21

(25)

*p<0.10, **p<0.05, ***p<0.01

Nota: A descrição das variáveis pode ser consultada no Apêndice C. Modelo utiliza dummies de setor (θ) e ano-trimestre (λ) para controle e considera erros robustos.

Analisando o efeito econômico, as variáveis econômico-financeiras mais relevantes para definição do rating de emissora de longo prazo emitido pelas agências classificadoras são: (i) tamanho, (ii) liquidez e (iii) o ROA estar acima da média do setor.

O modelo apresenta acerto de 53,07% e se considerarmos até um note para cima ou para baixo esse percentual vai para 93.94%, conforme apresentado a seguir:

Tabela 10

RESUMO DOS ACERTOS MODELO BÁSICO

Nota: O mapa de acertos é apresenta de forma detalhada no Apêndice H.

Assim, podemos dizer que os indicadores econômico-financeiros são bons determinantes do rating de crédito emitido pelas agências classificadoras, principalmente para os ratings mais elevados.

4.2 Modelo com a inclusão das variáveis macroeconômicas

Para fazer a análise da influência dos Ciclos Econômicos nos ratings emitidos pelas agências classificadoras, foram consideradas 03 variáveis: (i) a Dummy de Recessão, que apresenta o valor 1 se a economia está em recessão, de acordo com o datador de ciclos do CODACE, e 0 caso contrário; (ii) ICCE, que mede as condições econômicas atuais e a intensidade da atividade econômica; (iii) IACE, indicador que tem objetivo de antecipar a direção da economia brasileira no curto prazo, e, de acordo com IBRE, teria antecipado todas as quatro recessões identificadas pelo CODACE, durante seu período de apuração.

O gráfico a seguir apresenta a comparação das variáveis selecionadas pelo presente estudo para identificação dos Ciclos Econômicos:

Classificação Quanto. %

Acerto 1,494 53.07

Até um note de diferença (para mais ou para menos) 1,038 36.87

Mais de um note de diferença 283 10.05

TOTAL 2,815 100.00

(26)

Figura 2

COMPARAÇÃO DUMMY RECESSÃO X ICCE X IACE

Nota: O gráfico apresenta as variáveis IACE e ICCE em seus valores originais (sem multiplicar por -1)

Como pode ser verificado, tanto o IACE como o ICCE apresentam redução durante as recessões, em cinza no gráfico, e uma aumento durante as expansões. Assim modo a facilitar a comparação dos resultados entre as três variáveis, os indicadores IACE e ICCE foram multiplicados por -1, conforme apontado anteriormente.

Ademais também foram incluídas as variáveis de Incerteza e de Downgrade do

rating Brasil. A variável EMBI não foi considerada em função sua alta correlação a Dummy de Recessão5_.

𝑅𝑎𝑡𝑖𝑛𝑔𝑖𝑡= 𝛼 + 𝛽1∗ 𝐿𝑁 (𝐴𝑡𝑖𝑣𝑜)𝑖𝑡+ 𝛽2∗

𝐸𝑛𝑑𝑖𝑣𝑖𝑑𝑎𝑚𝑒𝑛𝑡𝑜

𝑃𝑎𝑡𝑟𝑖𝑚ô𝑛𝑖𝑜 𝐿í𝑞𝑢𝑖𝑑𝑜_𝑖𝑡+ 𝛽3∗ 𝑅𝑂𝐴𝑖𝑡+ 𝛽4

∗ 𝐷𝑒𝑠𝑣𝑖𝑜 𝑃𝑎𝑑𝑟ã𝑜 (𝑅𝑂𝐴)_𝑖𝑡+ 𝛽₅∗ 𝐷𝑢𝑚𝑚𝑦 𝑅𝑂𝐴 𝑆𝑢𝑝𝑒𝑟𝑖𝑜𝑟_𝑖𝑡+ 𝛽₆∗ 𝐿𝑖𝑞𝑢𝑖𝑑𝑒𝑧 𝐺𝑒𝑟𝑎𝑙_𝑖𝑡+ 𝛽₇ ∗𝑀𝑎𝑟𝑘𝑒𝑡

𝐵𝑜𝑜𝑘 𝑖𝑡

+ 𝛽8∗ 𝐼𝑛𝑐𝑒𝑟𝑡𝑒𝑧𝑎𝑖𝑡+ 𝛽9∗ 𝐷𝑜𝑤𝑛𝑔𝑟𝑎𝑑𝑒 𝐵𝑅𝑖𝑡+ 𝛽10∗ 𝐶𝑖𝑐𝑙𝑜 𝐸𝑐𝑜𝑛ô𝑚𝑖𝑐𝑜𝑖𝑡+ 𝜃𝑗

+ 𝜀_𝑖𝑡 (4)

Os coeficientes continuam apresentando o sinal esperado pela autora e em linha com a revisão de literatura realizada:

Tabela 11

DETERMINANTES DE RISCO DE CRÉDITO COM BASE NAS VARIÁVEIS ECONOMICO- FINANCEIRAS E CICLOS ECONÔMICOS – COMPARAÇÃO ENTRE MODELOS

Variável Modelo

Padrão

Dummy

Recessão IACE ICEE

5_{A Matriz de Correlação pode ser consultada no Apêndice F.}

(27)

LN (Ativo) 1.1276*** (5.35)

1.4362*** (6.33)

1.3500*** (6.43)

1.1017*** (5.17) Endividamento / PL -0.0013***

(-2.86)

-0.0011*** (-2.77)

-0.0011*** (-2.73)

-0.0014*** (-3.16)

ROA 0.0393**

(2.14)

0.0333** (2.03)

0.0351** (2.21)

0.0420** (2.56)

Liquidez Geral 0.9796***

(2.72)

0.9609*** (2.59)

0.9496*** (2.63)

0.9277*** (2.7)

Market/Book 0.1330***

(3.07)

0.1375*** (3.45)

0.1281*** (3.32)

0.1479*** (3.44)

ROA Superior 2.6279***

(3.45)

2.9166*** (3.44)

2.8326*** (3.59)

2.6016*** (3.59) Desvio Padrão (ROA) -0.1254***

(-3.44)

-0.1254*** (-2.84)

-0.1179*** (-2.97)

-0.1184*** (-3.25)

Downgrade BR -0.1772*

(-1.76)

-0.1411 (-1.31)

-0.162 (-1.62)

Incerteza -0.0013***

(-4.53)

-0.0011*** (-3.13)

-0.0012*** (-4.20)

Ciclo Econômico -0.1671*

(-1.87)

-0.0189** (-2.09)

-0.0855*** (-3.97)

Efeitos fixos de tempo Sim Não Não Não

Efeitos fixos de setor Sim Sim Sim Sim

Obs. 2815 2815 2815 2815

Num empresas 99 99 99 99

Wald chi2 597.21 213.93 220.07 223.98

*p<0.10, **p<0.05,***p<0.01

Nota: A descrição das variáveis pode ser consultada no Apêndice C. Ciclos Econômicos = Dummy Recessão, IACE e ICCE, conforme o caso. IACE e ICCE foram multiplicados por -1 para facilitar a comparação com a Dummy de Recessão. T-stat apresentado entre parênteses. O modelo utiliza

dummies de setor (θ) e considera erros robustos. Não foram incluídas dummies de ano-trimestre (λ)

nos modelos com as variáveis macroeconômicas, uma vez que elas capturariam parte dos resultados que se deseja capturar com essas variáveis.

Como podemos verificar, os resultados apresentados pelos três modelos são muito semelhantes entre si, e em todos os casos as variáveis indicadoras de Ciclos Econômicos foram significativas, sendo a Dummy de Recessão significativa a 10%, IACE a 5% e ICCE a 1%. Ou seja, tal resultado reforça a hipótese de os Ciclos Econômicos influenciam os rating de crédito emitidos pelas CRAs, corroborando com o resultado encontrado por Auh (2015), Lobo et al (2017) e Hwang e Kim (2020).

Os modelos apresentam percentual de acerto – comparação entre a categoria de rating prevista pelo modelo e a categoria de rating efetiva daquela observação – entre 46,54% e 51,40%, bem como se considerarmos a classificação com até um degrau de diferença, o percentual obtido fica entre 86,29% e 89,66%.

Tabela 12

RESUMO ACERTOS – MODELOS COM VARIÁVEIS MACROECONÔMICAS

Classificação Modelo

Padrão

Dummy

Recessão IACE ICCE

(28)

Qntd % Qntd % Qntd % Qntd % Acerto 1,494 53.07 1,310 46.54 1,363 48.42 1,447 51.40 Um note de diferença 1,038 36.87 1,119 39.75 1,098 39.00 1,077 38.26 Mais de um note de diferença 283 10.05 386 13.71 354 12.58 291 10.34 TOTAL 2,815 100.00 2,815 100.00 2,815 100.00 2,815 100.00 Nota: Modelo Básico considera apenas as variáveis econômico-financeiras, com dummies de setor e ano-trimestre, e os outros três modelos consideram a inclusão das variáveis: Dummy Recessão, IACE e ICCE, respectivamente, bem como Incerteza e Downgrade Brasil, com dummies de setor. Todos os modelos consideram erros robustos. O mapa de acertos é apresenta de forma detalhada no Apêndice H.

4.3 Modelo com interações entre as variáveis macroeconômicas e as variáveis econômico-financeiras

De modo a verificar a forma de análise pelas agências classificadoras das variáveis econômico-financeira muda ao longo do Ciclos Econômicos, foi feito um modelo considerando cada variável individualmente, as variáveis indicadoras de Ciclos Econômicos (Dummy Recessão, IACE e ICEE) e as interações entre elas.

Para entender melhor qual foi de fato o impacto dos Ciclos Econômicos nessas variáveis, considerando as interações entre elas, o mais interessante é analisar o efeito marginal, que poderá ser verificado nos gráficos apresentados no presente estudo, indicando uma maior rigidez nas análises feitas pelas agências classificadoras durante os períodos de recessão e uma maior leniência durante os períodos de expansão. É possível identificar para um mesmo nível das variáveis econômico- financeiras, uma menor ou maior probabilidade de se obter determinado rating a depender do Ciclos Econômicos.

𝑅𝑎𝑡𝑖𝑛𝑔_𝑖𝑡= 𝛼 + 𝛽₁∗ 𝐿𝑁 (𝐴𝑡𝑖𝑣𝑜)_𝑖𝑡+ 𝛽₂∗ 𝐸𝑛𝑑𝑖𝑣𝑖𝑑𝑎𝑚𝑒𝑛𝑡𝑜

𝑃𝑎𝑡𝑟𝑖𝑚ô𝑛𝑖𝑜 𝐿í𝑞𝑢𝑖𝑑𝑜_𝑖𝑡+ 𝛽3∗ 𝑅𝑂𝐴𝑖𝑡+ 𝛽4

∗ 𝐷𝑒𝑠𝑣𝑖𝑜 𝑃𝑎𝑑𝑟ã𝑜 (𝑅𝑂𝐴)𝑖𝑡+ 𝛽5∗ 𝐷𝑢𝑚𝑚𝑦 𝑅𝑂𝐴 𝑆𝑢𝑝𝑒𝑟𝑖𝑜𝑟𝑖𝑡+ 𝛽6∗ 𝐿𝑖𝑞𝑢𝑖𝑑𝑒𝑧 𝐺𝑒𝑟𝑎𝑙𝑖𝑡+ 𝛽7

∗𝑀𝑎𝑟𝑘𝑒𝑡 𝐵𝑜𝑜𝑘 𝑖𝑡

+ 𝛽₈∗ 𝐼𝑛𝑐𝑒𝑟𝑡𝑒𝑧𝑎_𝑖𝑡+ 𝛽₉∗ 𝐷𝑜𝑤𝑛𝑔𝑟𝑎𝑑𝑒 𝐵𝑅_𝑖𝑡+ 𝛽₁₀

∗ 𝐶𝑖𝑐𝑙𝑜 𝐸𝑐𝑜𝑛ô𝑚𝑖𝑐𝑜𝑖𝑡 + 𝛽11∗ 𝐿𝑁 (𝐴𝑡𝑖𝑣𝑜)𝑖𝑡∗ 𝐶𝑖𝑐𝑙𝑜 𝐸𝑐𝑜𝑛ô𝑚𝑖𝑐𝑜𝑖𝑡+ 𝛽12

∗ 𝐸𝑛𝑑𝑖𝑣𝑖𝑑𝑎𝑚𝑒𝑛𝑡𝑜

𝑃𝑎𝑡𝑟𝑖𝑚ô𝑛𝑖𝑜 𝐿í𝑞𝑢𝑖𝑑𝑜_𝑖𝑡∗ 𝐶𝑖𝑐𝑙𝑜 𝐸𝑐𝑜𝑛ô𝑚𝑖𝑐𝑜𝑖𝑡+ 𝛽13∗ 𝑅𝑂𝐴𝑖𝑡∗ 𝐶𝑖𝑐𝑙𝑜 𝐸𝑐𝑜𝑛ô𝑚𝑖𝑐𝑜𝑖𝑡+ 𝛽14 ∗ 𝐷𝑒𝑠𝑣𝑖𝑜 𝑃𝑎𝑑𝑟ã𝑜 (𝑅𝑂𝐴)𝑖𝑡∗ 𝐶𝑖𝑐𝑙𝑜 𝐸𝑐𝑜𝑛ô𝑚𝑖𝑐𝑜𝑖𝑡+ 𝛽15∗ 𝐷𝑢𝑚𝑚𝑦 𝑅𝑂𝐴 𝑆𝑢𝑝𝑒𝑟𝑖𝑜𝑟𝑖𝑡

∗ 𝐶𝑖𝑐𝑙𝑜 𝐸𝑐𝑜𝑛ô𝑚𝑖𝑐𝑜_𝑖𝑡+ 𝛽₁₆∗ 𝐿𝑖𝑞𝑢𝑖𝑑𝑒𝑧 𝐺𝑒𝑟𝑎𝑙_𝑖𝑡∗ 𝐶𝑖𝑐𝑙𝑜 𝐸𝑐𝑜𝑛ô𝑚𝑖𝑐𝑜_𝑖𝑡+ 𝛽₁₇∗𝑀𝑎𝑟𝑘𝑒𝑡 𝐵𝑜𝑜𝑘 𝑖𝑡

∗ 𝐶𝑖𝑐𝑙𝑜 𝐸𝑐𝑜𝑛ô𝑚𝑖𝑐𝑜𝑖𝑡+ 𝜃𝑗+ 𝜀𝑖𝑡 (5)

Tabela 13

DETERMINANTES DE RISCO DE CRÉDITO COM BASE NAS VARIÁVEIS ECONOMICO- FINANCEIRAS E CICLOS ECONÔMICOS E INTERAÇÕES – COMPARAÇÃO ENTRE MODELOS

(29)

Variável Modelo Padrão

Dummy

Recessão IACE ICCE

LN (Ativo) 1.1276***

(5.35)

1.4759*** (6.60)

0.8371 (1.50)

2.8185** (2.11) Endividamento / PL -0.0013***

(-2.86)

-0.0016*** (-3.12)

0.0081** (2.04)

0.0214 (1.39)

ROA 0.0393**

(2.14)

0.0285 (1.49)

0.2111 (1.41)

0.4200 (1.19)

Liquidez Geral 0.9796***

(2.72)

1.0158*** (2.62)

-2.8068* (-1.94)

-0.7802 (-0.26)

Market/Book 0.1330***

(3.07)

0.1551*** (3.27)

-0.3271 (-0.68)

-0.5787 (-0.62)

ROA Superior 2.6279***

(3.45)

2.7977*** (3.09)

4.8515** (2.26)

-10.3282** (-2.13) Desvio Padrão (ROA) -0.1254***

(-3.44)

-0.1062*** (-2.60)

-0.0776 (-0.25)

1.8466*** (5.23)

Downgrade BR -0.1884*

(-1.85)

-0.1761 (-1.60)

-0.1663* (-1.66)

Incerteza -0.0013***

(-4.52)

-0.0011*** (-3.17)

-0.0013*** (-4.41)

Ciclo Econômico¹ 1.8794*

(1.71)

0.0806 (0.89)

-0.4787** (-2.01) Ciclo Econômico * LN (Ativo) -0.1082*

(-1.72)

-0.0049 (-0.95)

0.0174 (1.28) Ciclo Econômico * Endividamento/PL 0.0009*

(1.90)

0.0001** (2.27)

0.0002 (1.47)

Ciclo Econômico * ROA 0.0130

(0.72)

0.0016 (1.12)

0.0037 (1.06) Ciclo Econômico * Liquidez Geral -0.2527

(-1.36)

-0.0351** (-2.51)

-0.0167 (-0.54) Ciclo Econômico * Market/Book -0.0314

(-0.54)

-0.0043 (-0.96)

-0.0072 (-0.78) Ciclo Econômico * ROA Superior (1) 1.2132***

(5.28)

0.0181 (1.00)

-0.1286*** (-2.77) Ciclo Econômico * Desv. Pad. (ROA) -0.0428

(-1.39)

0.0004 (0.13)

0.0197*** (5.54)

Efeitos fixos de tempo Sim Não Não Não

Efeitos fixos de setor Sim Sim Sim Sim

Obs. 2,815 2,815 2,815 2,815

Num empresas 99 99 99 99

Wald chi2 597.21 590.79 611.03 720.58

*p<0.10, **p<0.05,***p<0.01

Nota: A descrição das variáveis pode ser consultada no Apêndice C. Ciclos Econômicos = Dummy Recessão, IACE e ICCE, conforme o caso. IACE e ICCE foram multiplicados por -1 para facilitar a comparação com a Dummy de Recessão. T-stat apresentado entre parênteses. O modelo utiliza

dummies de setor (θ) e considera erros robustos. Não foram incluídas dummies de ano-trimestre (λ)

nos modelos com os indicadores de Ciclos Econômicos, uma vez que elas capturariam parte dos resultados que se deseja capturar com os indicadores macroeconômicos.

Os modelos apresentam percentual de acerto entre 46.50% e 51.94%, bem como se considerarmos a classificação com até um note de diferença, o percentual obtido fica entre 86.22% e 90.05%.

Tabela 14

RESUMO ACERTOS – MODELOS COM VARIÁVEIS MACROECONÔMICAS

Classificação Dummy Recessão IACE ICCE

(30)

Qntd _% Qntd _% Qntd _%

Acerto 1,309 46.50 1,361 48.35 1,462 51.94

Um note de diferença 1,118 39.72 1,106 39.29 1,073 38.12 Mais de um note de diferença 388 13.78% 348 12.36 280 9.95

TOTAL 2,815 100.00 2,815 100.00 2,815 100.00

Nota: O mapa de acertos é apresenta de forma detalhada no Apêndice H.

Prosseguindo a análise, a partir do modelo com interações, estima-se o efeito marginal das variáveis de Ciclos Econômicos sobre a probabilidade de cada rating, assumindo as demais variáveis em seus valores médios (Marginal Effect of the Mean

– MEM). Os resultados representam o efeito parcial das variáveis de Ciclos

Econômicos (Dummy Recessão, IACE ou ICCE, conforme o caso) sobre a variável dependente (categoria de rating), condicional às covariáveis em seus valores médios. Os gráficos a seguir apresentam o resultado dessa análise.

Figura 3

ADJUSTED AVERAGE PREDICTIONS – MODELO COM DUMMY DE RECESSÃO

(31)

Figura 4

ADJUSTED AVERAGE PREDICTIONS – MODELO COM IACE

Nota: Os gráficos apresentam a variável IACE multiplicada por -1, ou seja, os menores valores indicam expansão (a partir de -120) e os maiores valores indicam recessão (até -99.3).

Figura 5

ADJUSTED AVERAGE PREDICTIONS – MODELO COM ICCE

(32)

Nota: Os gráficos apresentam a variável ICCE multiplicada por -1, ou seja, os menores valores indicam expansão (a partir de -105) e os maiores valores indicam recessão (até -93.6).

Assim, conforme Figura 3, considerando uma empresa média da amostra, durante os períodos de recessão (Dummy de Recessão = 1) é possível verificar um aumento na probabilidade de se obter os ratings até A (classificação de 0 à 4), e uma redução na probabilidade de se obter os ratings AA e AAA (classificação 5 e 6). Da mesma forma, durante os períodos de expansão (Dummy de Recessão =0) é possível verificar uma redução na probabilidade de se obter os ratings até A (classificação de 0 à 4) e um aumento na probabilidade de se obter os ratings AA e AAA (classificação de 5 e 6).

Analogamente, é possível fazer inferência parecida quando o Ciclo Econômico é mensurado através de variáveis contínuas (ICCE e IACE). Por exemplo: conforme a Figura 5, ao se variar o ICCE do percentil 1 (-105, aproximadamente) para o percentil 99 (-93.6, aproximadamente), a probabilidade de se obter rating AAA se reduz em aproximadamente 15 p.p. (de ~25% para ~10%), ceteris paribus. Mesmo raciocínio pode ser feito aos ratings mais baixos: a probabilidade de se receber rating CCC a D aumenta em torno de 2 p.p (de ~0% para ~2%) quando a variável ICCE sai do percentil 1 para o percentil 99, ceteris paribus. Portanto, os resultados podem ser interpretados como uma evidência de que os ratings de crédito são de fato procíclicos.

Uma outra análise possível é avaliar o efeito das principais variáveis econômico-financeiras sobre a probabilidade de se obter determinado rating, tanto quando a economia brasileira está em recessão como quando está em expansão. Para isso, calculam-se os efeitos marginais (novamente, MEM) considerando variações na variável econômico-financeira de interesse de percentil 1 a percentil 99, com incrementos de um desvio-padrão, para cada regime (expansão e recessão). Os resultados dessa análise podem ser observados nas Figuras 6 a 11.

(33)

Figura 6

EFEITOS MARGINAIS – ENDIVIDAMENTO/PL – MODELO COM DUMMY DE RECESSÃO

Nota: Foram consideradas variações de um desvio padrão (de P1 à P99), com base em uma empresa média da amostra (atmeans), com base no modelo com interações com a Dummy de Recessão.

Figura 7

EFEITOS MARGINAIS – LIQUIDEZ GERAL – MODELO COM DUMMY DE RECESSÃO

(34)

Figura 8

EFEITOS MARGINAIS – MARKET/BOOK – MODELO COM DUMMY DE RECESSÃO

Figura 9

EFEITOS MARGINAIS – ROA – MODELO COM DUMMY DE RECESSÃO

(35)

Figura 10

EFEITOS MARGINAIS – Desvio Padrão (ROA) – MODELO COM DUMMY DE RECESSÃO

Figura 11

EFEITOS MARGINAIS – LN (Ativo) – MODELO COM DUMMY DE RECESSÃO

(36)

Assim, a diferença na inclinação das trajetórias das variáveis se comparado um período de recessão a um de expansão demostra que empresas com as mesmas características têm diferentes probabilidades de receber determinado rating a depender do Ciclos Econômicos. Para algumas faixas de ratings e variáveis essa diferença em termos de pontos percentuais, ainda que existente, é pequena, mas para outras é bastante considerável.

Com base em uma empresa média da amostra, se aumentarmos o nível de liquidez até P99, ceteris paribus, por exemplo, temos uma redução de 15 p.p. (de ~60% para ~45%) na probabilidade de se obter uma rating AAA durante uma recessão se comparada a uma expansão, e um aumento da probabilidade de obter ratings inferiores. Também podemos citar que para redução do nível do ROA até P1, ceteris

paribus, podemos verificar uma redução de 5 p.p. (de ~15% para ~10%) na

probabilidade de ser obter rating AAA e AA, e um aumento na probabilidade de se obter rating inferiores. Tais resultados, bem como os apresentados para as variáveis

Market-to-Book, Desvio Padrão (ROA) e LN (Ativo), corroboram com a hipótese de

maior rigidez nas análises durante os períodos de recessão e maior leniência durante os períodos de expansão, em linha com o que foi apontado por Auh (2015).

Resultado menos robusto é verificado para a variável Endividamento/PL, quando analisamos níveis mais baixos de endividamento, ceteris paribus, verificamos uma redução de até 10 p.p. na probabilidade de se obter rating AAA (de ~30% para ~20%, próximo ao P1), se comparado um período de recessão a um de expansão, é importante destacar que níveis muito baixos de endividamento podem indicar dificuldade de acesso à crédito, o que corrobora com a hipótese de maior rigidez nas análises durante o período de recessão, no entanto, após determinado nível de endividamento é verificada uma reversão, com aumento na probabilidade de se obter

rating AAA e AA para empresas com maior endividamento, e uma redução da

probabilidade de se obter ratings inferiores, resultado que pode indicar maior leniência com empresas altamente endividadas mesmo durante o período de recessão.

4.4 Movimentos dos ratings e Ciclos Econômicos

Com relação à afirmação feita por Löffer (2012), de que as análises das agência classificadoras são realizadas olhando através dos Ciclos Econômicos, ou seja, não considerando apenas o efeito de curto-prazo gerado por uma recessão ou expansão

(37)

(componente transitório), mas sim considerando as expectativas de longo para as companhias (componente permanente), quando analisamos os movimentos de

downgrades e upgrades realizados pelas agências classificadores e fazemos uma

comparação com o Ciclos Econômicos, ao final dos dois períodos de recessão apresentados, onde se verificou um aumento nos downgrades é possível verificar uma forte reversão, com aumento dos upgrades.

Figura 12

UPGRADE RATIO X CICLOS ECONÔMICOS

Nota: Upgrade ratio = Upgrades / (Upgrades + Downgrades). Os gráficos apresentam as variáveis IACE e ICCE em seus valores originais (sem multiplicar por -1)

Assim, se a hipótese levantada por Löffer (2012) fosse verdadeira, considerando que houve um aumento dos downgrades durante a recessão, significaria que as agências classificadoras identificaram que o impacto dessa recessão nas empresas foi permanente e não apenas transitório, assim não deveríamos verificar essa forte reversão no período seguinte de expansão. Tal movimento indica que os efeitos transitórios dos Ciclos Econômicos estão sendo incorporados nas análises realizadas pelas agências classificadoras.

Tal análise também reforça a hipótese apresentada por Auh (2015) e Lobo et al (2017) de que as análises das agências classificadoras é procíclica, ou seja, apresenta aumento dos downgrades nas recessões e aumento dos upgrades nas expansões, sendo, portanto, influenciadas pelos Ciclos Econômicos.

De forma complementar às análises realizadas, utilizando modelos com interações entre as variáveis econômico-financeiras e as macroeconômicas, similar aos apresentados no item anterior, mas com as ações de rating como variáveis de resposta (sendo downgrade, upgrade, perspectiva positiva e perspectiva negativa), utilizando o modelo probit, de modo verificar se há aumento na probabilidade de ocorrência desses movimentos ao longo do Ciclos Econômicos.