A relação entre otimismo e ondas de fusão e aquisição: evidências do mercado brasileiro

(1)

UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE

CENTRO DE CIÊNCIAS SOCIAIS APLICADAS

PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO

RODRIGO RAPOSO DA FONSECA

A RELAÇÃO ENTRE OTIMISMO E ONDAS DE FUSÃO E

AQUISIÇÃO: EVIDÊNCIAS DO MERCADO BRASILEIRO

NATAL

2018

(2)

Rodrigo Raposo da Fonseca

A Relação Entre Otimismo e Ondas de Fusão e Aquisição:

Evidências do mercado brasileiro

Dissertação apresentada ao Programa de Pós-Graduação em Administração da Universidade Federal do Rio Grande do Norte, em cumpri-mento com as exigências legais para obtenção do título de mestre. Área de Concentração: Ges-tão Organizacional. Linha de Pesquisa: Finanças

Orientador: Prof. Vinicio de Souza e Almeida

Natal

2018

(3)

Fonseca, Rodrigo Raposo da.

A relação entre otimismo e ondas de fusão e aquisição: evi-dências do mercado brasileiro / Rodrigo Raposo da Fonseca. – 2018.

45f.: il.

Dissertação (Mestrado em Administração) – Universidade Federal do Rio Grande do Norte, Centro de Ciências Sociais Aplicadas, Programa de Pós Graduação em Administração. Natal, RN, 2018.

Orientador: Prof. Dr. Vinicio de Souza e Almeida.

1. Mercado financeiro – Dissertação 2. Onda de Fusão e Aquisição – Dissertação 3. Fusão e Aquisição – Dissertação 4. Otimismo dos gestores – Dissertação I. Almeida, Vinicio de Souza e. II. Universidade Federal do Rio Grande do Norte III. A relação entre otimismo e ondas de fusão e aquisição: evidências do mercado brasileiro

RN/UF/Biblioteca Setorial do CCSA CDU 336.76:658 Elaborado por Eliane Leal Duarte - CRB-15/355

(4)

Rodrigo Raposo da Fonseca

A Relação Entre Otimismo e Ondas de Fusão e Aquisição:

Evidências do mercado brasileiro

Dissertação apresentada ao Programa de Pós-Graduação em Administração da Universidade Federal do Rio Grande do Norte, em cumpri-mento com as exigências legais para obtenção do título de mestre. Área de Concentração: Ges-tão Organizacional. Linha de Pesquisa: Finanças

Aprovado em 29 de junho de 2018.

BANCA EXAMINADORA:

Prof. Dr. Vinicio de Souza e Almeida – UFRN Presidente

Prof. Dr. Anderson Luiz Rezende Mól – UFRN Membro Interno

Prof. Dr. Melquiades Pereira de Lima Junior – IFRN

Membro Externo

Visto e permitida a impressão Natal

(5)

Este trabalho é dedicado à Benedito, Severina, Luiz e Irene que, dentre todas as difíceis escolhas possíveis, escolheram a educação

(6)

AGRADECIMENTOS

Gostaria de começar agradecendo a UFRN. Já são quase dez anos me abrigando e propor-cionando novas experiências e conhecimentos, quando muitos não tiveram sequer a oportunidade de entrar nessa instituição.

Agradeço aos meus pais por estarem sempre ao meu lado. Independente do desafio que eu tenha escolhido, eles estarão sempre me apoiando.

Às minhas irmãs, Camila e Gabriela, cada uma à sua maneira, continuam a ser fontes de inspiração e força para avançar na minha jornada.

À minha sobrinha Maria Cecília que, desde que a segurei nos braços pela primeira vez, me ensinou que o amor não conhece a palavra limite.

Agradeço a minha querida Lorena, ela foi a mais entusiasmada quando soubemos que passei no mestrado, e permaneceu sendo uma fonte de energia durante todo o percurso, muito obrigado.

À todos os meus familiares e amigos pela compreensão e apoio. Todas as ausências e reclusão dos últimos anos foram difíceis, mas vocês sempre se mantiveram firmes ao meu lado. Aos meus colegas de turma do mestrado, meus agradecimentos e parabéns a todos. Compartilhamos essa incrível e rica experiência, sabemos como é dura e prazerosa a jornada acadêmica, alguns continuarão a jornada, alguns não, pelo menos por um tempo, mas tenho certeza de que todos nós levaremos esta breve, porém intensa, experiência de pesquisador para todas as nossas vidas.

Gostaria de agradecer aos estimados amigos da base de finanças. Sempre é possível encontrar uma mão amiga e um café quente na base, assim como grandes amizades.

Notadamente, gostaria de destacar o solícito Raimundo que contribuiu enormemente com a construção desse trabalho e nunca recusa um pedido de ajuda, seja de quem for, assim como Heric, que entrou comigo nessa jornada e se tornou um grande amigo.

Ao meu orientador, Professor Vinicio, pelas contribuições, cobranças, oportunidades e momentos de descontração. Me ensinou a não aceitar menos que a excelência, não recuar diante de dificuldades, a refletir de forma crítica e nunca aceitar a primeira opinião.

Gostaria de agradecer a todos os mestres com quem tive a honra de ser aluno. Tive uma oportunidade única de aprender com os melhores e espero retribuir para a sociedade tudo que aprendi com vocês.

Por fim, mas igualmente importante, gostaria de agradecer a toda a equipe do PPGA, NEPSA e funcionários da UFRN em geral, que contribuem para manter nossos espaços agra-dáveis e funcionais, sem vocês nossa universidade não seria a mesma. Em síntese, a todos que contribuíram, de forma direta ou indireta, durante esse período, meu sincero e profundo agradecimento.

(7)

"Se enxerguei mais longe, Foi porque me apoiei no ombro de gigantes."

(8)

RESUMO

O motivo das fusões e aquisições (F&As) acontecerem em ondas é ainda um tema pouco explorado na literatura financeira, especialmente no contexto de mercados fora dos EUA e Reino Unido. Diante disso, o presente trabalho investiga se o otimismo dos agentes econômicos podem levar a uma onda de F&A, utilizando dados brasileiros entre 2007 e 2017 sobre as transações e o Índice de Confiança do Empresário (ICE), que mede o otimismo dos empresários com a situação atual e futura da economia. Foi utilizada a definição de onda de F&A como em Harford (2005). A partir de um modelo de resposta binária Logit, o trabalho apontou que o otimismo aumenta a probabilidade de ocorrência de uma onda de F&A, o aumento no spread, que mede a liquidez no mercado, aumenta a probabilidade de ocorrência da onda. O Ibovespa foi a variável que apresentou maior efeito nas probabilidade de ocorrência de uma onda de F&A, um aumento da primeira levando a um aumento positivo na probabilidade da segunda. Os resultados foram significantes para todos os lags.

(9)

ABSTRACT

The reason for mergers and acquisitions (M&A) occur in waves is still a subject rarely explored in the financial literature, especially in a context of markets outside the USA and UK. Therefore, the present study investigates whether the optimism of the agents could led to a wave of M&A, using brazilian data from 2007 to 2017 about transactions and the entrepreneur confidence index (ICE), wich measure the optimism of the entrepreneurs with the current and future situation of the economy. I used Harford (2005)’s definition for a M&A wave. Using a Logit binary response model, the study pointed that optimism increases the probability of a wave of M&A. An increase of spread, that measures the market liquidity, increases the probability of occur M&A waves. Ibovespa was the variable that had the greater effect on the probabilities of an wave of M&A, an increase in the first one led to an increase of the probability of the second. The results were significant for all lags.

(10)

LISTA DE FIGURAS

Figura 1 – Evolução das operações de FA entre 1995 a 2017: O número de F&As concluídas ocorridas no Brasil entre os anos de 1995 e 2017 . . . 15 Figura 2 – Gráfico da função logística: A figura apresenta a ilustração do gráfico da

função logística. Nota-se que quanto mais negativo o eixo horizontal se apresenta, a função de distribuição tende a 0, enquanto que para o lado positivo, ela tende a 1. . . 26 Figura 3 – Acumulado de 24 meses das transações de F&A: O total de transações para

cada período acumulado de 24 meses entre novembro de 2007 até outubro de 2017. . . 30 Figura 4 – Quantidade de F&As por mês: O número total de F&As por mês entre

(11)

LISTA DE TABELAS

Tabela 1 – Estatísticas Descritivas das variáveis: As estatísticas descritivas de cada variável do modelo. Onda é a dummy que indica se a transação ocorreu em período de onda de F&A ou não, ICE é o índice de confiança o empresário, ICE-1 a ICE-12 indica o índice de confiança com defasagens de 1,2,3,6 e 12 lags, as outras variáveis são controles para as características das transações e indústria a qual pertence a adquirente. 32 Tabela 2 – Estatísticas Descritivas e Diferença Entre Operações Dentro e Fora da Onda

de F&A: A Tabela mostra as estatísticas descritivas das operações de F&As dentro e fora da onda e a diferença, em número e percentual, entre elas. . . . 33 Tabela 3 – Resultado dos Modelos Estimados: Os coeficiente do modelo estão em cima,

entre parênteses estão os erros-padrão robustos. Os modelos de I a VI corres-pondem a variável ICE contemporânea e nos lags 1, 2, 3, 6 e 12, respectiva-mente. A variável de interesse foi significante em todos os lags, assim como as variáveis de controle Spread e LogIBOV. . . 34 Tabela 4 – Percentual de Acerto do Modelo: A tabela apresenta o poder preditivo do

modelo. O modelo com maior força foi o modelo I, cujo o ICE não é defasado 36 Tabela 5 – O Efeito Marginal Médio das Variáveis do Modelo: Apesar de significante, o

efeito do aumento de uma unidade no ICE aumenta levemente a probabilidade de ocorrência de uma onda de F&A, a variáel Spread, por outro lado, tem um aumento mais considerável, ainda que seja necessário levar em conta que o aumento de uma unidade, no caso dessa variável, corresponda a um aumento de 100% no Spread. . . 37 Tabela 6 – Razão de Chances Estimada do Modelo: A variável independente ICE foi

significante em todos os lags mostrando que cada variação positiva no ICE aumenta a probabilidade de ocorrência de uma onda. As variáveis de controle Spreade LogIBOV também são significantes e positivos. . . 38

(12)

LISTA DE QUADROS

Quadro 1 – Variáveis e Descrição: O quadro apresenta as variáveis de estudo do modelo, bem como sua descrição e os estudos que a utilizaram. As variáveis que não contém fonte são as variáveis independentes e as variáveis de controle para a indústria. . . 25 Quadro 2 – Processo de Filtragem dos Dados: O quadro apresenta cada uma das etapas

do processo de tratamento dos dados realizado, com o número de transações após cada etapa e a porcentagem de operações que ocorreram dentro da onda de F&A após aplicar o filtro. . . 29

(13)

LISTA DE ABREVIATURAS E SIGLAS

AIC Critério de Informação de Akaike

BCB Banco Central do Brasil

BIC Critério de Informação Bayesiano

BNDES Banco Nacional do Desenvolvimento Econômico e Social

EUA Estados Unidos da América

FIV Fator de Inflação de Variância

FGV Fundação Getúlio Vargas

F&A Fusão e Aquisição

FATR Fusão e Aquisição Transfronteiriça

ICE Índice de Confiança do Empresário

M/B Market-to-Book

PJ Pessoa Jurídica

P/L Preço/Lucro

(14)

SUMÁRIO

1 INTRODUÇÃO . . . 14 1.1 Contextualização e Problema . . . 14 1.2 Justificativa . . . 15 1.3 Objetivos . . . 16 1.3.1 Objetivo geral . . . 16 1.3.2 Objetivos específicos . . . 16 2 REVISÃO BIBLIOGRÁFICA . . . 17

2.1 Ondas de Fusões e Aquisições . . . 17

2.1.1 Teoria Neoclássica . . . 17

2.1.1.1 Teoria Q das Fusões . . . 18

2.1.2 Teoria Comportamental . . . 19

2.2 Construção da Onda de F&A . . . 20

2.2.1 A métrica de Harford (2005) . . . 21 2.3 Otimismo e Mercado . . . 22 3 METODOLOGIA . . . 24 3.1 Dados . . . 24 3.2 Modelo . . . 24 3.3 Método . . . 27 4 RESULTADOS . . . 29

4.1 Tratamento dos Dados . . . 29

4.2 Onda de Fusão e Aquisição . . . 29

4.3 Estatísticas Descritivas . . . 31

4.4 Análise dos Resultados . . . 31

5 CONCLUSÕES . . . 39

(15)

14

1 INTRODUÇÃO

1.1 Contextualização e Problema

As fusões e aquisições (F&As) têm desempenhado um importante papel nas economias nacionais e comércio internacional. Se fosse considerada uma nação, o setor de F&A seria a a quinta maior economia do planeta em 2014, atrás somente dos EUA, China, Japão e Alemanha (LEAL et al., 2013), além disso, Reddy e Xie (2017) mostram que as fusões e aquisições entre países foram responsáveis por quase 28% do valor do mercado mundial em 2011. Vale ainda destacar que cerca de 90% dos investimentos estrangeiros diretos no mundo foram resultados de F&As, entre 1997-2007 (BORTOLUZZO, 2014).

As motivações para entrar em uma operação dessas são as mais diversas, algumas das quais: ganhos de sinergia, economias de escala e consolidação de mercado, construir, fortalecer e renovar vantagens competitivas (LOHRKE; FROWNFELTER-LOHRKE; JR., 2016; ANDRADE; MITCHELL; STAFFORD, 2001; TRIANTAFYLLOPOULOS; MPOURLETIDIS, 2014). Contudo, os resultados empíricos vão de encontro à essas motivações (TAO et al., 2017; RAO-NICHOLSON; SALABER; CAO, 2016; BORTOLUZZO, 2014; ROMANO; ALMEIDA, 2015; MAGER; MEYER-FACKLER, 2017; LEAL et al., 2013).

Ainda assim, as operações de fusões e aquisições (F&As) têm ganhado força desde a estabilização da economia nos anos 90. Contudo, é a partir dos anos 2000 que as operações ganham destaque, coincidindo com a boa fase pela qual passava a economia brasileira. A Figura 1 apresenta o número de F&As ocorridas no Brasil de 1995 a 2017. Considera-se somente as transações que foram concluídas.

As transações, no geral, se concentram em alguns períodos de tempo. Esse padrão é tomado pela literatura como um fato estilizado sobre F&As, qual seja, elas acontecem em ondas (GÄRTNER; HALBHEER, 2009; GUGLER et al., 2012; TOWN, 1992; GORTON; KAHL; ROSEN, 2009; LAMBRECHT, 2004; RHODES-KROPF; VISWANATHAN, 2004; DUCHIN; SCHMIDT, 2013). Todavia, apesar dos pesquisadores já terem ciência desse fenômeno há algum tempo (MITCHELL; MULHERIN, 1996), ainda restam dúvidas sobre as motivações por trás desse fenômeno1.

A partir das pesquisas sobre as motivações por trás das ondas de F&As, desenvolveram-se duas visões teóricas: a abordagem neoclássica, argumentando que choques nos setores econô-micos podem modificar a estrutura do mercado, alterando os preços dos ativos, dando início as ondas e a explicação comportamental, pela qual os gestores e o mercado de forma geral, movidos por fatores racionais ou não, erram a precificação dos ativos, podendo iniciar uma onda de F&A

(16)

Capítulo 1. Introdução 15

Figura 1 – Evolução das operações de FA entre 1995 a 2017: O número de F&As concluídas ocorridas no Brasil entre os anos de 1995 e 2017

Fonte: Desenvolvido pelo autor com base nos dados da Bloomberg R

(HSU; WRIGHT; ZHU, 2017; GORT, 1969).

Parte da literatura relaciona esse padrão cíclico das operações de F&As aos ciclos econômicos, aumentando em épocas de economia em alta, bem como períodos de altos valuations no mercado de capitais (HARFORD, 2005; TRIANTAFYLLOPOULOS; MPOURLETIDIS, 2014; LAMBRECHT, 2004). Essa relação entre o comportamento agregado das operações de F&As e o otimismo dos agentes pode ser uma indicação do porquê as transações se concentrarem em um determinado período. Portanto, períodos de intensa atividade de F&A parecem estar intimamente ligados à épocas de euforia e clima positivo no mercado.

Diante dessas observações, pretende-se responder a seguinte questão: O otimismo do mercado pode levar a uma onda de fusões e aquisições?

Para responder essa questão esse trabalho dividi-se em quatro capítulos. O primeiro é a parte introdutória do estudo, constando a contextualização, objetivos e justificativa do mesmo, o segundo capítulo dedica-se ao referencial teórico que embasou o desenvolvimento da pesquisa, a terceira seção aborda a metodologia aplicada para responder a questão de pesquisa, no quarto capítulo são discutidos os resultados encontrados e, por fim, o quinto capítulo é dedicado as considerações finais.

1.2 Justificativa

Tradicionalmente, as pesquisas sobre F&As têm explorado temas relacionados à ganhos de eficiência, retorno, poder e disciplina de mercado, mas poucas se debruçam sobre as razões para a ocorrência de F&As e a explicação das ondas (ANDRADE; MITCHELL; STAFFORD, 2001).

(17)

Capítulo 1. Introdução 16

Gugler et al. (2012) apontam que um dos fatos estilizados sobre fusões e aquisições é que elas são, em média, não lucrativas e destruidoras de valor para os acionistas da empresa adquirente.

Períodos de ondas são caracterizado por maior incerteza nas avaliações dos analistas (DUCHIN; SCHMIDT, 2013). Outro comportamento bem documentado sobre ondas de F&As é que elas acontecem em mercados de alta (GUGLER et al., 2012; HARFORD, 2005). Esses períodos otimistas do mercado afetam as decisões dos gestores, levando-os a superestimarem a probabilidade de sucesso de suas decisões (NOFSINGER, 2005). Então, períodos otimistas podem explicar o motivo das operações se concentrarem em determinados períodos de tempo e serem destruidoras de valor.

As pesquisas acerca F&As ainda são muito escassas quando comparadas à outros temas (RAO-NICHOLSON; SALABER; CAO, 2016). Isso fica especialmente evidenciado ao tratar-se de mercados emergentes (RAO-NICHOLSON; SALABER; CAO, 2016; BORTOLUZZO, 2014; ROMANO; ALMEIDA, 2015; LEAL et al., 2013). Mesmo em mercados mais desenvolvidos, fora do eixo EUA-Reino Unido, o assunto é pouco pesquisado (MAGER; MEYER-FACKLER, 2017).

Para o mercado brasileiro, o presente trabalho não encontrou nenhuma pesquisa sobre a temática de ondas de F&As. Leal et al. (2013) em seu trabalho sobre a produção científica brasileira em finanças, registraram que existem anos nos quais não existem trabalhos sobre fusões e aquisições no Brasil dentro dos principais periódicos.

A teoria neoclássica das ondas de F&As não consegue explicar alguns dos fatos sobre esse fenômeno, como ocorrer em mercados de alta e se alastrar em diversos setores diferentes. Por outro lado, a teoria comportamental preenche algumas dessas lacunas, apesar de existir várias explicações para os erros de precificação dos ativos. Com isso o presente trabalho faz uma tentativa de testar se épocas de otimismo pode aumentar a confiança dos gestores, fazendo com que aumente a atividade de F&A, gerando as ondas.

1.3 Objetivos

1.3.1 Objetivo geral

Analisar se o otimismo dos gestores pode levar a uma onda de fusões e aquisições.

1.3.2 Objetivos específicos

• Investigar a existência de ondas de F&As no mercado brasileiro • Analisar o impacto do otimismo nas decisões de F&As dos gestores

(18)

17

2 REVISÃO BIBLIOGRÁFICA

2.1 Ondas de Fusões e Aquisições

As explicações tradicionais sobre as motivações para fusões e aquisições, tais como redu-ção de custos e sinergia, apesar de fazerem sentido do ponto de vista gerencial, não conseguem explicar o porquê delas apresentarem um padrão cíclico, havendo períodos onde a atividade de F&A é mais pronunciada. Esses períodos ficaram conhecidos na literatura como ondas de F&A, contudo, ainda não se sabe o motivo das ondas acontecerem (ANDRADE; MITCHELL; STAFFORD, 2001)

Town (1992) apontou que os economistas há muito sabem que F&As acontecem em ondas. Para os EUA, os estudos já apontam cinco ondas de F&As (LAMBRECHT, 2004). Mitchell e Mulherin (1996) nomeiam cada uma dessas ondas: 1890s é a onda dos monopólios, 1920 a dos oligopólios, 1960 conglomerados, 1980 tomadas de controle hostis e na década de 90 tivemos uma onda caracterizada por ser dirigida por fatores estratégicos.

Mesmo nas chamadas F&As transfronteiriças (F&ATRs)1, é encontrado esse padrão de ondas na atividade de F&As, similar às domésticas (XU, 2017; CHAUDHURI, 2014). As operações de F&ATRs tem uma importância especial por terem se tornado o principal compo-nente do investimento estrangeiro direto (XU, 2017), mais especificamente 90% entre 1997-2007 (BORTOLUZZO, 2014). Portanto, as operação entre países podem ser uma sinalização dos agentes econômicos sobre um determinado país (TAO et al., 2017).

Duas principais abordagens teóricas são utilizadas para explicar as ondas de F&As: a teoria neoclássica e a teoria comportamental.

2.1.1 Teoria Neoclássica

A teoria neoclássica indica que as ondas de F&As acontecem como forma de realocar os ativos para um uso mais eficiente (XU, 2017). Essa necessidade deve-se, segundo a teoria, a choques na indústria (HARFORD, 2005), uma vez que eles causam desestabilizações na estrutura de mercado existente e as F&As surgem para estabilizar o mercado (RODRIGUES, 2014), esses choques podem ser advindos de desregulamentações, inovações tecnológicas, consolidação da indústria, entre outros. Harford (2005), no entanto, aponta ainda que deve existir liquidez suficiente no mercado para acomodar essa realocação de ativos.

Entre os achados que dão suporte a essa teoria, Andrade, Mitchell e Stafford (2001) observaram as F&As ocorridas nos anos 90 na tentativa de provar que elas ocorrem em clus-ters dentro de uma determinada indústria, respondendo a algum choque, no caso do estudo

(19)

Capítulo 2. Revisão Bibliográfica 18

foram desregulamentações, o trabalho apontou que na década de 90 houve um predomínio de negócios dentro de uma indústria específica, em relação aos anos 70 (47,8% contra 29,9%), outro apontamento feito pelos autores foi de que a década de 90 apresentou uma preferencia por transações envolvendo ações. O problema do estudo é que parte dos seus achados também estão em conformidade com a teoria comportamental, qual seja, a preferência por transações com ações, e apesar do aumento de negócios dentro de uma indústria específica, eles ainda foram menos da metade das transações.

Utilizando dados de F&ATRs de 48 países entre 1990 e 2010, Xu (2017) encontrou que dentro das ondas de F&As essas transações trazem retorno maior que fora das ondas, analisando ambos o retorno de mercado e o desempenho operacional, mostrando que as ondas de F&ATRs são eficientes em realocar ativos. o estudo vai na contramão de outros que apontam um desempenho inferior dentro das ondas (GOEL; THAKOR, 2010; DUCHIN; SCHMIDT, 2013). Por envolver operações entre países, os gestores precisam levar em conta um maior número de fatores, como culturais e macroeconômicos (EREL; LIAO; WEISBACH, 2012), diminuindo as chances de entrar em negócios destruidores de valor.

Apesar das F&As desempenharem um importante papel de estruturação das indústrias (CHAUDHURI, 2014), a teoria neoclássica só consegue explicar uma parte das ondas (GUGLER; MUELLER; WEICHSELBAUMER, 2012), ainda que se consiga observar uma resposta via F&As após uma desregulamentação, por exemplo, a teoria não consegue explicar fusões do tipo conglomerado, onde uma empresa de um setor compra uma de outro setor, ou a utilização acima do normal de ações como meios de pagamento durante as ondas.

2.1.1.1 Teoria Q das Fusões

Uma subdivisão da teoria neoclássica é a teoria Q das fusões2, proposta por Jovanovic e Rousseau (2002), por essa proposição teórica, as realocações de capital partem das empresas com maior Q de Tobin3adquirindo empresas com menor Q de Tobin. Os autores propõem que esse modelo pode explicar o motivo de uma empresa adquirir outra.

Essas aquisições são um canal por onde os melhores projetos vão para os melhores ges-tores (JOVANOVIC; ROUSSEAU, 2002). Dessa fora, diante de um choque em uma determinada indústria, os melhores gestores daquele setor (firmas com maiores Q) fazem ofertas de compra aos gestores com menor desempenho (firmas com menores Q). Assim, a indústria se torna mais eficiente para enfrentar a nova realidade do setor. O trabalho ainda encontrou que as ondas são precedidas de um aumento na dispersão do Q dentro da indústria. Essa teoria poderia explicar as F&As nos setores de petróleo (REDDY; XIE, 2017; HSU; WRIGHT; ZHU, 2017) e a reestrutu-ração do setor elétrico europeu após a desregulamentação da indústria (MONASTYRENKO, 2017)

2 _{q-theory of mergers}_{no original em inglês}

(20)

2.1.2 Teoria Comportamental

A teoria comportamental reúne o corpo de trabalhos que apontam erros de precificação como causadores das ondas de F&As. Diferente da teoria neoclássica, a teoria comportamental relaxa o pressuposto de mercados eficientes (GUGLER; MUELLER; WEICHSELBAUMER, 2012). Shleifer e Vishny (2003), observando que cada onda na história era registrada por suas características, propõem um modelo único onde o mercado é ineficiente ao precificar os ativos, enquanto os gestores, racionalmente, se aproveitam de momentos de sobreavaliação de ativos. Algumas das vantagens desse modelo é explicar o motivo da preferência das transações envolvendo ações durante as ondas de F&As e desses períodos serem precedidos de maiores preços das ações.

RHODES-KROPF e VISWANATHAN (2004) partindo da hipótese de que a sobrevalori-zação dos mercados poderiam levar a uma onda, desenvolveram um modelo que, diferentemente do modelo de Shleifer e Vishny (2003), pressupõe que os agentes são racionais e tomam de-cisões racionalmente ex-ante, no entanto, devido a períodos de sobrevalorização do mercado, aumentando assim a probabilidade de uma avaliação errada, as decisões de F&As mostram-se equivocadas ex-post. O modelo ainda pressupõe que os gestores, de ambos compradores e alvos, sabem que seus ativos não estão corretamente avaliados, no entanto eles não conseguem precisar exatamente o quanto errado está a avaliação, por isso tomam decisões equivocadas, pensando estar maximizando o valor da firma.

Rhodes-Kropf, Robinson e Viswanathan (2005) investigaram a relação entre períodos de altos market-to-book (M/B) e ondas de F&As e encontraram que esses períodos usualmente coincidem, especialmente quando as transações são financiadas por ações, outro achado é que os erros na precificação dos ativos podem indicar quem compra quem durante a onda, entre os achados empíricos do trabalho, o comprador normalmente possui um M/B 20% maior que o alvo, 60% do M/B do comprador deve-se a erro de avaliação específico da firma e as transações por ações são levemente sobreavaliadas em relação as por dinheiro. Inclusive, esse trabalho trás discussões sobre a própria teoria neoclássica, uma vez que os autores apontam que dentro de uma indústria, ainda que exista um choque explicando a onda, o comportamento de quem é comprador e quem é alvo, é explicada pelos erros de avaliação.

Nesse sentido de erros de avaliação, o trabalho de Duchin e Schmidt (2013), utilizando um modelo GARCH e dados de 1980 a 2009, mostraram que períodos de onda de F&A se caracteriza por possuir uma maior incerteza e menor qualidade de avaliação dos analistas, apontando uma volatilidade aproximadamente maior em 4,4% e uma dispersão normalizada das previsões cerca de 20% maior.

Existe uma série de estudos que focam nas características pessoais do gestores para tentar explicar seu comportamento nas F&As, podendo até mesmo causar, ou pelo menos ajudar a propagar e prolongar, uma onda. Nesse campo Goel e Thakor (2010) mediram a importância

(21)

da inveja de CEOs nas suas decisões de entrarem em uma operação de F&A, Doukas e Zhang (2016)4 também analisaram o papel da inveja dos CEOs, observando que quando um gestor toma uma decisão de adquirir uma empresa, seus concorrentes passam a repetir o gesto, de forma a não permitir que suas empresas se tornem menor que as concorrentes. Ainda analisando comportamentos pessoais e decisões de F&A, existem os trabalhos de Elnahas e Kim (2017) que investigam as preferências políticas e sua influência no comportamento dos CEOs frente as decisões de F&As, Elnahas, Hassan e Ismail (2017) também investiga a relação entre a religião e as decisões de F&As dos gestores. Essas pesquisas só reforçam que a racionalidade do modelo neoclássico é fraco pra explicar o comportamento das ondas.

Apesar das diferentes tentativas de explicar as motivações por trás das ondas, existem alguns aspectos consensuais na literatura. As ondas de F&As têm coincidido com fortes avanços no mercado de capitais (GUGLER; MUELLER; WEICHSELBAUMER, 2012; GUGLER et al., 2012; GOEL; THAKOR, 2010; HALEBLIAN et al., 2012; UDDIN; BOATENG, 2011), existe um padrão cíclico das ondas, maiores erros de avaliação de ativos, (GOEL; THAKOR, 2010; RHODES-KROPF; ROBINSON; VISWANATHAN, 2005; DUCHIN; SCHMIDT, 2013) e a observação de maior utilização de ações (SHLEIFER; VISHNY, 2003; RHODES-KROPF; ROBINSON; VISWANATHAN, 2005; RHODES-KROPF; VISWANATHAN, 2004). Além disso alguns autores tem observado a ligação das ondas ao otimismo dos agentes, impactando a forma como eles avaliam os ativos (GUGLER; MUELLER; WEICHSELBAUMER, 2012; GUGLER et al., 2012; GOEL; THAKOR, 2010)

2.2 Construção da Onda de F&A

O primeiro obstáculo ao se discutir ondas de F&As é como construí-la. Existem na literatura tentativas de definir uma onda de F&A e classificá-la, desde tentativas mais simples, observando ano a ano os números de F&As e notícias (DUCHIN; SCHMIDT, 2013), quanto métodos mais sofisticados utilizando modelos econométricos. Contudo, essa é uma tarefa difícil de operacionalizar (GÄRTNER; HALBHEER, 2009).

Ravenscraft et al. (1987) tentando provar que a década de 80 passava por uma grande onda, utilizaram três medidas para a atividade de F&A: Volume de ativos adquiridos nos setores de manufaturas e mineração, número de transações em todas as indústrias, e o valor das transações em mineração e manufaturas em relação ao PIB, seguindo a mesma métrica de Golbe e White (1988), unindo as bases de dados diferentes por meio de uma regressão linear. Essas três medidas foram regredidas contra quatro dummy que representavam as quatro ondas conhecidas até então, e encontrou que a atividade nesses períodos é significativamente maior. Esses estudos identificaram a onda nos anos 80.

4 _{para mais detalhes sobre a "Hipótese da Inveja do Pagamento do CEO", tradução livre, veja Doukas e Zhang} (2016) e Goel e Thakor (2010)

(22)

Town (1992), apontou a falha em aplicar técnicas estatísticas para descobrir a estrutura das séries temporais dos dados de F&As. Então utilizou o número de transações, sem nenhum tipo de corte, buscando caracterizar o comportamento univariado da série temporal, linear e não linear. O modelo linear falhou em captar a estrutura dos dados, enquanto o modelo não linear de regime de troca de Markov é melhor para descrever o comportamento da série.

Gärtner e Halbheer (2009) utilizaram um modelo Markoviano de trocas de parâmetros5, conseguindo assim uma melhor qualidade na modelagem da série de dados de F&As, encontrando um padrão de atividade alta em um período e atividade baixa em outro. Contudo dois dos grandes achados do estudo vai de encontro aos achados de outros autores (RAVENSCRAFT et al., 1987; GOLBE; WHITE, 1988), o primeiro é que pelo seu modelo os EUA vivenciaram uma grande onda que vai de 1973 até o segundo semestre de 1995, o segundo achado é que eles encontraram poucas evidencias para a onda dos anos 80. Entre outros achados do estudo, ele identificou duas ondas para os dados do Reino Unido e não encontrou coincidências entre as ondas dos dois países.

Na tentativa de definir uma onda de F&A, Doukas e Zhang (2016) utilizaram a quantidade de transações mensais, retirando a tendência da série e então comparavam o número de transações de um determinado mês com a média de transações mensais dos últimos 5 anos, se a diferença fosse positiva, definia-se aquele mês como uma onda. No entanto, através desse método uma onda pode acabar sendo definida como um único mês, caso a diferença daquele mês for positiva, e a do subsequente não for.

2.2.1 A métrica de Harford (2005)

Uma as métricas mais citadas para definir uma onda é a proposta por Harford (2005). O autor utiliza 24 meses como o período total de uma onda, seguindo Mitchell e Mulherin (1996), o autor então utiliza 120 meses como período total de investigação e de onde sacará os 24 meses de maior atividade. Pelo método realiza-se mil simulações com probabilidade 1/120 de uma operação acontecer em um determinado mês, então observa-se a quantidade total de transações em cada período acumulado de 24 meses nos dados reais e compara com o quinto percentil de maior atividade dos dados das simulações, se esses superarem os valores da simulação, o período é definido como uma onda de F&A.

Haleblian et al. (2012) utilizou o método para investigar as características dos primeiros entrantes na onda, Duchin e Schmidt (2013) investigaram a incerteza e qualidade dos analistas durante e fora das ondas, Rhodes-Kropf, Robinson e Viswanathan (2005) utilizaram a métrica para testar o modelo de erros de avaliação dos ativos.

Já Xu (2017), usou um modelo mais simples para definir a onda. Dentro do período da amostra (1990-2010), para cada indústria, definiu o pico de atividade como uma onda, o início

(23)

da onda é o ano seguinte ao ano onde as operações equivalem a um terço do pico, o fim da onda é feito de maneira similar. Como medida de robustez para esse método de definição de onda, utilizou a métrica de Harford (2005). De forma similar, Doukas e Zhang (2016) não utiliza a métrica de Harford (2005) mas a cita no seu trabalho.

2.3 Otimismo e Mercado

Uma difícil tarefa no mercado é a precificação de ativos. Em uma F&A o comprador deve precificar não só o valor de mercado do alvo, como também o valor da sinergia das duas empresas unidas. Os gestores estão sujeitos à erros de avaliação, sejam eles erros de avaliação do mercado, erros da indústria e erros na de avaliação da firma (RHODES-KROPF; VISWANATHAN, 2004). Esses erros de avaliação podem ser determinantes para o sucesso ou fracasso da transação.

Essa tarefa fica particularmente mais complicada em épocas de otimismo no mercado. De forma geral, em períodos de prosperidade, os preços das ações e P/Ls (Preço/Lucro) são levados a patamares insustentáveis (GUGLER et al., 2012), dessa forma, não é surpresa encontrar que períodos de onda de F&As são sucedidos por um crash nos mercados (RHODES-KROPF; VISWANATHAN, 2004).

Estudando as implicações da confiança dos CEOs para as operações de F&As (MAL-MENDIER; TATE, 2008) encontraram que gestores super confiantes realizam mais F&As quando possuem maior quantidade de recursos internos.

Um dos primeiros a propor uma teoria explicando a tomada de decisão do CEO em uma transação de F&A foi Roll (1986), utilizando a hipótese da Hubris o autor justifica que os gestores creem que o mercado está precificando errado o ativo, logo, ele superestima sua capacidade de avaliação e gestão de recursos. É importante notar que essa teoria é consistente com a eficiência de mercado, o problema então não decorre de um possível problema de agência, onde o gestor não estaria tomando a melhor decisão para o acionista em detrimento de si, mas acredita que seu julgamento sobre a negociação é superior ao mercado.

Nesse sentido (RHODES-KROPF; VISWANATHAN, 2004) também propuseram seu modelo, onde os agentes são racionais, buscam maximizar o valor para o acionista, porém em períodos de mercados sobreavaliados as chances de ocorrer erros de avaliação aumenta, podendo levar a ondas de F&As. Esse modelo se opõe, ou amplia, o de Morck, Shleifer e Vishny (1990) onde os benefícios pessoais do CEO podem interferir na sua decisão em detrimento do acionista. No entanto esse modelo não explicaria o motivo das F&As acontecerem em ondas.

Todo um segmento de estudos têm sido desenvolvido mostrando que o otimismo e confiança excessiva dos CEOs tem se mostrado, teórica e empiricamente, importantes drivers para explicar suas decisões (CAMPBELL et al., 2011). A crença pessoal do gestor de que sua empresa está sobre ou subavaliada parece direcionar uma grande parte de suas decisões (MALMENDIER; TATE, 2015), esse comportamento está em linha com estudos da psicologia

(24)

(25)

24

3 METODOLOGIA

3.1 Dados

O presente trabalho utilizou dados de todas as transações de F&As que ocorreram no Brasil entre novembro de 2007 até outubro de 2017, período de 120 meses, como utilizado em Harford (2005). A primeira amostra compreendeu 3269 operações, só foram consideradas as transações cujo ativo alvo era brasileiro, a fim de investigar a ocorrência de ondas no Brasil. Os dados das transações foram obtidos a partir da plataforma Bloomberg R_.

Além dos dados das transações, o trabalho utilizou outras variáveis econômicas. Foram utilizados os dados do spread das operações de crédito não subsidiados para pessoas jurídicas, disponibilizados no sítio eletrônico do Banco Central do Brasil (BCB), dados do índice da BOVESPA, os dados foram obtidos do Bloomberg R _{e dados sobre o índice de Confiança do}

Empresário (ICE), disponibilizado pela Fundação Getúlio Vargas (FGV).

As variáveis foram selecionadas de acordo com trabalhos na área. Como não foram encontrados trabalhos sobre F&As para o mercado brasileiro, toda a literatura e variáveis foram retiradas das pesquisas internacionais sobre o tema, foram inseridas dummy representando a indústria da adquirente, sendo a variável Utilities a base dentro do modelo. O Quadro 1 mostra as variáveis, descrição e o embasamento teórico para a escolha, as variáveis que não possuem referência foram inseridas de forma exploratória.

De forma geral, os autores utilizam a definição de setor composto de 48 setores de Fama e French (1997), enquanto que na pesquisa foi utilizada a definição do Bloomberg R_{, com a}

diferença que o setor de Construção (Real Estate) foi retirado do setor Financeiro e compôs um setor a parte, devido a importância do setor no mercado brasileiro.

As pequisas internacionais não costumam utilizar medidas de percepção para medir o otimismo do mercado. É mais comumente o P/L (GUGLER; MUELLER; WEICHSELBAUMER, 2012; GOEL; THAKOR, 2010; GUGLER et al., 2012) mas também pode-se encontrar o valor de mercado (GUGLER; MUELLER; WEICHSELBAUMER, 2012), preço do mercado de ações (GUGLER et al., 2012) e até spread (GUGLER et al., 2012). No entanto a pesquisa utilizou o Índice de Confiança dos Empresários (ICE), disponibilizado pela FGV, por ser uma medida de percepção dos agentes econômicos, com isso, espera-se encontrar se o otimismo percebido pelos agentes pode influenciar suas decisões de F&As.

3.2 Modelo

No estudo foi utilizado um modelo de resposta binária, o LOGIT, uma vez que busca-se investigar busca-se o aumento da confiança dos agentes de mercado aumenta a probabilidade de

(26)

Capítulo 3. Metodologia 25

Quadro 1 – Variáveis e Descrição: O quadro apresenta as variáveis de estudo do modelo, bem como sua descrição e os estudos que a utilizaram. As variáveis que não contém fonte são as variáveis independentes e as variáveis de controle para a indústria.

Variável Descrição Estudos Anteriores

Onda Dummy - 1 se a operação foi

realizada dentro de uma onda de MA, 0 se não ICE Índice de confiança dos

empresários

ICE - 1 ICE defasado em 1 período ICE - 2 ICE defasado em 2 períodos ICE - 3 ICE defasado em 3 períodos ICE - 6 ICE defasado em 6 períodos ICE - 12 ICE defasado em 12 periodos Spread Spread das operações de crédito

para PJ, excluindo operações subsidiadas

Harford (2005); Gugler et al. (2012)

Consultor Dummy - 1 se a operação contou

com um consultor financeiro Bao e Edmans (2009); Hermansson e Song (2016) Stock Dummy - 1 se a operação foi

realizada total ou parcialmente com ações Rhodes-Kropf e Viswanathan (2004); Shleifer e Vishny (2003) Cross-border Dummy - 1 se a operação foi

cross-border Chandhuri (2014); Xu (2017) LogAT Logarítmo do Ativo Total Rhodes-Kropf, Robison e

Viswanathan (2005); PB Price-to-book no final do ano

(2004); Rhodes-Kropf, Robison e Viswanathan (2005); Goel e Thankor (2010); Haleblian et al. (2012)

EBITDA EBITDA no ano anterior

Alavancagem Alvancagem no ano anterior Rhodes-Kropf, Robison e Viswanathan (2005); QTOB Q de tobin no ano anterior Jovanovic e Rousseau (2003) LogIBOV Logarítmo do IBOV Shleifer e Vishny (2003); Harford

(2005); Goel e Thankor (2010); Gugler et al. (2012) Basic

Materials Dummy - 1 se do setor de materiais básicos Communications Dummy - 1 se do setor de comunicações Consumer,

Cyclical Dummy - 1 se do setor de consumo cíclico Consumer,

Non-cyclical Dummy - 1 se do setor de consumo não cíclico Diversified Dummy - 1 se atua em diversos setores Energy Dummy - 1 se do setor de energia Financial Dummy - 1 se do setor financeiro Real

Estate Dummy - 1 se do setor de construção Industrial Dummy - 1 se do setor industrial Technology Dummy - 1 se do setor de tecnologia Utilities Dummy - 1 se do setor de utilidade pública

Fonte: Elaborado pelo Autor

ocorrência de uma onda de F&A. Em um modelo de resposta binária procuramos a probabilidade de resposta y dado um conjunto x de variáveis explicativas (WOOLDRIDGE, 2006), como mostrado na Equação 1

P(y = 1|x) = P(y = 1|x1, X2, ..., xk) (1)

Poderia então ser utilizado um modelo de regressão típico, com a variável dependente binária, chamado Modelo de Probabilidade Linear (MPL) (GUJARATI; PORTER, 2011). O problema de utilizar o MPL é ele assumir a relação linear entre a probabilidade de resposta y e as variáveis explicativas x. Além disso o MPL pode retornar probabilidades maiores que 1 e menores que 0.

(27)

em x, a probabilidade y não é, e seu intervalo deve permanecer entre 0 e 1. conforme mostrado na Equação 2

P(y = 1|x) = G(β0+ β1x1+ ... + βkxk) (2)

Onde os betas são lineares, mas a função G não. A função não linear G que utilizaremos no presente trabalho é a função logística, mostrada na equação 3

G(z) = exp(z)

1 + exp(z) = Λ(z) (3)

A função G assume valores entre zero e um (0 < G₍z) < 1), para todos os valores z reais (WOOLDRIDGE, 2006). A figura 2 mostra um exemplo do gráfico da função logística.

Figura 2 – Gráfico da função logística: A figura apresenta a ilustração do gráfico da função logística. Nota-se que quanto mais negativo o eixo horizontal se apresenta, a função de distribuição tende a 0, enquanto que para o lado positivo, ela tende a 1.

Fonte: Desenvolvido pelo autor

O gráfico mostra claramente que quando z → −∞, o G(z) → 0, o contrário também é verdadeiro, quando o z → +∞, G(z) → 1. Dessa forma contornamos os dois problemas encontrados no MPL.

No presente trabalho, o y = 1 significa que a transação k foi realizada em um período de onda de FA, dados as variáveis de controle x, o y − 0 significa que a transação não ocorreu em um período de onda de F&A. Conforme mostra a Equação 4.

P(y = 1|x) = G(β0+ β ICE + β controle) (4)

Onde,

(28)

• β ICE é a variável independente Índice de Confiança do Empresário • β controle são as variáveis de controle

3.3 Método

O primeiro passo para a realização do trabalho foi a coleta dos dados. os dados das transações, bem como do IBOVESPA foram obtidos através da plataforma Bloomberg R

. OS dados do spread, contendo apenas operações de crédito para PJs e excluindo as operações subsidiadas, foram coletados no sistema gerador de séries históricas do BCB.

Paca captar o efeito do otimismo, foi coletado o dado do ICE com ajuste sazonal, dispo-nibilizado pela FGV. Contudo a série ICE utilizada entrou em vigência em 2001, a série antiga tinha uma classificação de atividades diferente e foi descontinuada, no entanto, as diferenças entre as séries são discretas (FGV, 2017?). Ainda assim, de forma a melhor ajustar os dados, foi feita uma regressão linear entre as duas séries, procedimento parecido com o feito em Ravenscraft et al. (1987) para trabalhar com séries diferentes.

O segundo passo foi definir o que seria uma onda de F&A. Existem tentativas de sistematizar e definir uma onda de F&A, o presente trabalho optou por utilizar a definição de Harford (2005), tendo sido utilizado de forma satisfatória em outros trabalhos empíricos (HALEBLIAN et al., 2012; BOYSON; GANTCHEV; SHIVDASANI, 2017; BARROWS, 2017; CORTéS; AGUDELO; MONGRUT, 2017), também tendo sido utilizado como medida alternativa para testar a robustez dos resultados no trabalho de Xu (2017), bem como lembrado por outros trabalhos (DOUKAS; ZHANG, 2016; MORAN, 2017). Assim como Harford (2005) utilizamos a definição de 24 meses como o período de uma onda de F&A, proposto por Mitchell e Mulherin (1996). A metodologia completa de Harford (2005) está descrita no Capítulo 2 do presente trabalho.

A terceira etapa foi realizar a análise das estatísticas descritivas das variáveis nos períodos de onda de F&A e fora delas. Logo em seguida, foi realizada uma análise do impacto do otimismo dos agentes de mercado na probabilidade de ocorrência de uma onda de F&A, de modo a avaliar se o otimismo pode ser um drive para explicar a ocorrência das ondas.

Uma vez que os erros estocásticos do modelo LOGIT podem ser considerados heteroce-dásticos (GUJARATI; PORTER, 2011), utilizou-se uma estimação robusta à heterocedasticidade, garantindo assim que os erros são homocedásticos.

Foram testados modelos para vários lags. Mais especificamente, a variável independente ICE foi testada de forma contemporânea, uma vez que o índice capta não somente o sentimento em relação ao futuro, mais também o otimismo com o presente, bem como uma, duas, três, seis e doze períodos defasados, para observar o poder do índice de captar o otimismo em relação ao futuro. As demais variáveis de controle foram mantidas em todos os modelos.

(29)

No momento seguinte, foram realizadas as análises de efeito marginal médio e odds ratio, além disso foi feito os testes de ajuste do modelo. Foi realizado o teste de Wald para verificar se os parâmetros são significativos, também foi verificada a estatística da razão de verossimilhança (WOOLDRIDGE, 2006), para reforçar o teste de Wald.

Foi verificada também a capacidade de predição do modelo. O teste foi realizado para verificar o quanto o modelo é capaz de prever corretamente as respostas.

(30)

29

4 RESULTADOS

4.1 Tratamento dos Dados

Inicialmente, foram coletados dados de 3269 fusões e aquisições, cujo alvo são empresas brasileiras. Todas as transações foram consideradas para construir a onda de F&A, procedimento detalhado na seção 4.2.

O primeiro filtro realizado foi a exclusão das transações que não continha informação sobre a forma de pagamento, após isso, eliminou-se as operações que não possuíam o valor do ativo total, as que não possuíam dados para o M/B, o EBTIDA, alavancagem e, por fim, para o Q de Tobin. No final restaram 1033 F&As, sendo 306 ocorrendo em períodos de onda, o Quadro 2 mostra o processo de filtro dos dados e os percentuais de transações ocorrendo em onda em cada uma das etapas da filtragem, mostrando que o percentual permaneceu estável.

Quadro 2 – Processo de Filtragem dos Dados: O quadro apresenta cada uma das etapas do processo de tratamento dos dados realizado, com o número de transações após cada etapa e a porcentagem de operações que ocorreram dentro da onda de F&A após aplicar o filtro.

Filtro

N

o

transações

Negócios em ondas

Todos os dados

3269

29,89%

Tipo de pagamento

2060

30,00%

Ativo Total

1370

29,64%

PB

1169

30,37%

EBITDA

1055

29,57%

Alavancagem

1042

29,85%

Q de tobin

1033

29,62%

Fonte: Elaborado pelo Autor

4.2 Onda de Fusão e Aquisição

A segunda etapa do estudo foi a análise da existência de ondas de fusão e aquisição, seguindo a metodologia de Harford (2005). Para construir a onda, as transações foram agrupadas em meses, gerando um total de 120 meses. O escopo da metodologia já foi apresentado na seção 2.2, subseção 2.2.1, do capítulo 2.

Ao realizar as simulações como em Harford (2005), encontrou-se que dentro da distribui-ção de frequência do total de F&As em cada período de 24 meses, 5% das distribuições com

(31)

Capítulo 4. Resultados 30

maior quantidade de transações foi de 804 F&As. Dessa forma se em determinado período de 24 meses o total de transações for superior a 804, aquele período de 24 meses será definido como uma onda de F&A.

A Figura 3 mostra a distribuição de frequência do número total de operações de F&A para cada período de 24 meses para os dados reais de transações de F&As.

Figura 3 – Acumulado de 24 meses das transações de F&A: O total de transações para cada período acumulado de 24 meses entre novembro de 2007 até outubro de 2017.

Pode-se observar que uma pequena porção da distribuição está acima das 804 transações da simulação. Mais especificamente, das 97 distribuições, 25 estão acima desse limite, corres-pondendo a cerca de 25% do período. Para dar uma perspectiva temporal, a Figura 4 mostra a quantidade de transações por mês, durante todo o período.

Figura 4 – Quantidade de F&As por mês: O número total de F&As por mês entre novembro de 2007 e outubro de 2017.

(32)

O período de maior atividade dentro do acumulado dos 24 meses, vai do final de 2009 até o final de 2013. Durante todo esse período o acumulado ficou acima das 804 transações, somando 48 meses, o que dá cerca de 40% do total de período acumulando mais de 50% das transações, 1654 das 3269 operações. Esse número é menor do que o observado por Mitchell e Mulherin (1996), que no seu estudo encontrou que um quarto do tempo acumula 50% das operações.

A partir da observação da Figura 4 percebe-se que o período final de 2009 até cerca do primeiro trimestre de 2012, ocorreu uma concentração da atividade de F&A. Não a toa é nesse período que se encontra o pico da atividade. Entre dezembro de 2010 e novembro de 2012 foi o período acumulado de maior atividade de F&A, um total de 977 operações, ou cerca de 30% do total de transações, fato também apontado por empresas especializadas no assunto (KPMG, 2018). Toda operação que ocorreu dentro desse período apresenta a variável ONDA = 1, representando que ocorreu dentro de uma onda de F&A.

4.3 Estatísticas Descritivas

A Tabela 1 mostra a média, desvio padrão e o número de observação das variáveis do modelo. Pode-se observar que cerca de 30% das observações acontecem em períodos de onda, a confiança média gira em torno de 100 pontos em todos os lags, um quarto das operações contaram com consultores, 12% foram financiadas total ou parcialmente por ações e metade são de operações entre países. Dentro dos setores, a maior parte das operações são de empresas do setor de consumo não cíclico, composto por empresas de produção e processamento de alimentos e pescados.

A Tabela 2, por sua vez, mostra as estatísticas descritivas das transações que ocorreram dentro e fora da onda, bem como a variação entre eles.

As operações fora da onda, no geral, ocorrem em períodos de confiança menor. As variáveis spread e stock, apesar da pequena diferença, são diferentes do que a literatura aponta (HARFORD, 2005; RHODES-KROPF; VISWANATHAN, 2004). Além disso, M/B possui uma diferença muito grande diferente do que se esperaria que acontecesse (HALEBLIAN et al., 2012; SHLEIFER; VISHNY, 2003). O Q de Tobin também é menor em períodos de onda, ao contrário do que aponta a literatura (JOVANOVIC; ROUSSEAU, 2002).

4.4 Análise dos Resultados

A primeira etapa da análise dos dados foi a estimação dos modelos. A Tabela 3 mostra o resultado da estimação para todos os modelos. O modelo de I a VI significam, respectivamente, o ICE contemporâneo, ICE com uma defasagem, com duas, com três, com seis e com doze. Os modelos foram testados a fim de captar o impacto do efeito do otimismo ao longo do tempo. Importante ressaltar que uma vez que no modelo LOGIT deve-se assumir a heterocedasticidade

(33)

Tabela 1 –Estatísticas Descritivas das variáveis: As estatísticas descritivas de cada variável do modelo. Onda é a dummy que indica se a transação ocorreu em período de onda de F&A ou não, ICE é o índice de confiança o empresário, ICE-1 a ICE-12 indica o índice de confiança com defasagens de 1,2,3,6 e 12 lags, as outras variáveis são controles para as características das transações e indústria a qual pertence a adquirente.

Variáveis

Média

Desvio padrão

Obs

Onda

0.30

0.46 1033

ICE

100.20

12.92 1033

ICE-1

100.54

12.74 1033

ICE-2

100.75

12.67 1033

ICE-3

100.99

12.77 1033

ICE-6

101.11

12.98 1033

ICE-12

101.72

12.60 1033

Spread

0.14

0.02 1033

Consultor

0.25

0.44 1033

Stock

0.12

0.32 1033

Cross-border

0.51

0.50 1033

LogAT

3.72

0.94 1033

P/B

10.64

139.75 1033

EBITDA

4029.80

11343.05

1033

Alavancagem

3.90

10.03 1033

QTOB

3.16

34.57 1033

LogIBOV

4.75

0.07 1033

Basic Materials

0.12

0.32 1033

Communications

0.06

0.24 1033

Consumer, Cyclical

0.08

0.27 1033

Consumer, Non-cyclical

0.27

0.44 1033

Diversified

0.01

0.11 1033

Energy

0.06

0.23 1033

Financial

0.04

0.21 1033

Real Estate

0.12

0.32 1033

Industrial

0.10

0.31 1033

Technology

0.06

0.24 1033

Utilities

0.07

0.26 1033

(34)

Tabela 2 – Estatísticas Descritivas e Diferença Entre Operações Dentro e Fora da Onda de F&A: A Tabela mostra as estatísticas descritivas das operações de F&As dentro e fora da onda e a diferença, em número e percentual, entre elas.

Onda Fora da Onda

Variáveis

Média Desvio Padrão Média Desvio Padrão ∆ ∆%

ICE 106.21 3.15 97.68 14.54 8.53 8.74% ICE-1 106.62 3.34 97.99 14.29 8.63 8.81% ICE-2 106.98 3.47 98.13 14.14 8.86 9.03% ICE-3 107.39 3.54 98.30 14.21 9.09 9.25% ICE-6 108.68 3.49 97.92 14.14 10.76 10.99% ICE-12 111.04 2.68 97.80 13.06 13.25 13.55% Spread 0.15 0.01 0.14 0.02 0.01 6.41% Consultor 0.26 0.44 0.25 0.43 0.01 2.56% Stock 0.11 0.44 0.12 0.33 -0.02 -12.89% Cross-border 0.47 0.50 0.53 0.50 -0.06 -10.52% LogAT 3.65 0.90 3.75 0.96 -0.10 -2.77% PB 3.48 11.76 13.65 166.36 -10.17 -74.50% EBITDA 3172.46 9846.06 4390.67 11904.93 -1218.21 -27.75% Alavancagem 2.95 6.10 4.31 11.26 -1.36 -31.50% QTOB 1.84 1.49 3.72 41.20 -1.88 -50.59% LogIBOV 4.82 0.03 4.72 0.07 0.09 2.01% Basic Materials 0.11 0.31 0.12 0.33 -0.01 -9.24% Communications 0.03 0.18 0.08 0.26 -0.04 -56.80% Consumer, Cyclical 0.07 0.25 0.08 0.27 -0.01 -15.44% Consumer, Non-cyclical 0.28 0.45 0.26 0.44 0.02 8.79% Diversified 0.00 0.06 0.02 0.12 -0.01 -78.40% Energy 0.08 0.26 0.05 0.22 0.02 47.69% Financial 0.03 0.16 0.05 0.22 -0.03 -49.98% Real Estate 0.15 0.36 0.10 0.31 0.05 46.93% Industrial 0.13 0.34 0.09 0.29 0.04 45.39% Technology 0.04 0.20 0.07 0.26 -0.03 -39.44% Utilities 0.07 0.25 0.07 0.26 -0.01 -7.61% Obs 306 727

Fonte: Desenvolvido pelo Autor

(WOOLDRIDGE, 2006; GUJARATI; PORTER, 2011), foi utilizado o modelo com erros-padrão robusto.

Os resultados mostrados na Tabela 3 apontam que em todos os modelos, a variável independente ICE é significativa e tem sinal positivo. O achado vai no sentido do trabalho de Gugler et al. (2012), onde o otimismo pode levar a uma onda de F&A, o autor, no entanto, advoga que o otimismo leva os gestores a avaliar ativos de forma errada, ou ainda, sob a ótica da teoria da gestão, os gestores se aproveitam dessa época de euforia antecipando que o mercado responderá positivamente a anúncios de F&A, dessa forma, o trabalho utiliza o P/L e o spread como proxy pra otimismo. Utilizando a percepção dos agentes, consegue-se isolar o sentimento do gestor em relação ao mercado atual e seu futuro, especialmente no mercado brasileiro, marcado por um mercado de capitais menor e mais concentrado. Além disso Gugler, Mueller e Weichselbaumer (2012) também levantou o otimismo como uma variável importante para explicar a existência de onda de F&A e encontrou que os picos das ondas coincidem com os booms no mercado de ações

(35)

Tabela 3 – Resultado dos Modelos Estimados: Os coeficiente do modelo estão em cima, entre parênteses estão os erros-padrão robustos. Os modelos de I a VI correspondem a variável ICE contemporânea e nos lags 1, 2, 3, 6 e 12, respectivamente. A variável de interesse foi significante em todos os lags, assim como as variáveis de controle Spreade LogIBOV. Onda I II III IV V VI Intercept -209.30*** -204.80*** -201.84*** -199.35*** -192.55*** -165.66*** (16.50) (16.28) (15.84) (15.51) (16.05) (17.43) ICE 0.12*** 0.10*** 0.09*** 0.07*** 0.07*** 0.18*** (0.01) (0.01) (0.01) (0.01) (0.01) (0.02) Spread 35.25*** 34.33*** 30.93*** 28.89*** 24.02*** 17.96*** (6.175) (6.16) (5.99) (5.87) (5.55) (6.23) Consultor 0.18 0.09 0.04 0.00 0.03 -0.14 (0.27) (0.27) (0.27) (0.27) (0.26) (0.26) Stock -0.70* -0.60* -0.56 -0.60* -0.78** -0.74** (0.37) (0.36) (0.36) (0.35) (0.35) (0.35) Cross-border 0.21 0.21 0.18 0.16 0.19 0.27 (0.24) (0.24) (0.23) (0.23) (0.23) (0.23) LogAT -0.04 -0.04 -0.05 -0.06 -0.08 0.05 (0.17) (0.16) (0.16) (0.15) (0.15) (0.15) PB -0.01 -0.01 -0.01 0.00 0.00 -0.01 (0.01) (0.01) (0.01) (0.01) (0.01) (0.01) EBITDA 0.00 0.00 0.00 0.00 0.00 0.00 (0.00) (0.00) (0.00) (0.00) (0.00) (0.00) Alavancagem -0.02 -0.02 -0.02 -0.02 -0.02 -0.01 (0.02) (0.01) (0.01) (0.01) (0.02) (0.01) QTOB -0.06 -0.09 -0.10*** -0.10* -0.09* -0.07 (0.05) (0.06) (0.06) (0.06) (0.05) (0.05) LogIBOV 40.11*** 39.44*** 39.24*** 39.10*** 37.94*** 29.82*** (3.42) (3.38) (3.30) (3.26) (3.46) (3.71) Basic Materials -0.30 -0.01 0.20 0.29 0.23 0.52 (0.48) (0.47) (0.47) (0.48) (0.46) (0.45) Communications -0.53 -0.17 0.10 0.12 -0.13 -0.18 (0.48) (0.50) (0.53) (0.53) (0.52) (0.54) Consumer, Cyclical -0.13 0.15 0.32 0.37 0.27 0.60 (0.49) (0.48) (0.49) (0.50) (0.49) (0.50) Consumer, Non-cyclical 0.03 0.33 0.49 0.55 0.43 0.69* (0.38) (0.37) (0.39) (0.41) (0.39) (0.40) Diversified -2.76** -2.41** -2.13** -1.99* -1.97* -2.28** (1.19) (1.13) (1.07) (1.03) (1.07) (1.07) Energy 0.57 0.96 1.20** 1.24** 1.11* 1.62*** (0.66) (0.65) (0.64) (0.63) (0.60) (0.56) Financial -0.71 -0.43 -0.23 -0.14 -0.21 0.15 (0.69) (0.66) (0.67) (0.66) (0.62) (0.61) Real Estate 0.52 0.78* 0.96** 1.01** 0.84* 1.19** (0.47) (0.47) (0.48) (0.48) (0.46) (0.47) Industrial 0.34 0.61 0.80 0.87* 0.73 1.12** (0.47) (0.47) (0.49) (0.49) (0.47) (0.48) Technology 0.15 0.45 0.63 0.67 0.53 0.85 (0.61) (0.59) (0.60) (0.61) (0.62) (0.68) Obs 1033 1033 1033 1033 1033 1033 Pseudo R2 0.57 0.55 0.54 0.53 0.51 0.53 AIC 588.906 604.691 621.632 636.382 653.474 630.259 BIC 697.591 713.376 730.317 745.067 762.159 738.944 Wald test 280.19*** 276.62*** 286.71*** 297.52*** 324.25*** 245.41***

(36)

e P/L, utilizados para medir otimismo.

O spread também foi significante em todos os modelos. Diferente do que aponta Harford (2005) um aumento no spread está associado a um maior probabilidade de ocorrer uma onda de F&A, Esse fenômeno pode ocorrer devido ao fato de o mercado brasileiro possuir uma grande participação de crédito subsidiado pelo BNDES, e o spread inserido no modelo exclui esse tipo de operação de crédito, ao mesmo tempo, períodos de otimismo estão relacionados a mercados em alta (GOEL; THAKOR, 2010), que pode levar a períodos de altas de juros, aumentando o custo do crédito, logo, devido a idiossincrasias próprias do mercado brasileiro, poderíamos observar esse fenômeno. Existem ainda trabalhos que utilizam o spread como forma de medir o otimismo (GUGLER et al., 2012), contudo, devido ao mesmo fenômeno anteriormente levantado talvez não fosse uma boa proxy para o país.

A variável stock mostrou-se significante em quase todos os modelos. Apenas no lag 2 não foi significante, os dados ainda mostram um impacto negativo, ao contrário do que a literatura internacional aponta (RHODES-KROPF; VISWANATHAN, 2004; GUGLER et al., 2012), apesar de alguns estudos apontarem que nem todas as ondas apresentam esse meio de pagamento como o principal (ANDRADE; MITCHELL; STAFFORD, 2001; SHLEIFER; VISHNY, 2003). O fato de mercado de capitais brasileiro ainda ser pequeno, composto por poucas empresas, acessível apenas aquelas com um porte maior, pode explicar o comportamento da variável, a Tabela 1 mostra que apenas 12% dos negócios envolveram ações, o que reforça a hipótese.

O Q de Tobin foi significante nos lags 2,3 e 6, com o sinal negativo, como a Tabela 2 mostra, o Q de Tobin da amostra é alto no período fora da onda, na contramão da hipótese levantada pela teoria q das F&As (JOVANOVIC; ROUSSEAU, 2002), talvez firmas com maior eficiência de investimentos, ou seja, q de tobin em volta do 1, sejam mais propensas a realizar aquisições. O IBOV foi significativo, apresentando um impacto positivo, apontando que um mercado maior aumenta a probabilidade de uma ocorrência de uma onda, esse achado está em consonância com diversas pesquisas empíricas (RHODES-KROPF; VISWANATHAN, 2004; HARFORD, 2005; HALEBLIAN et al., 2012; GOEL; THAKOR, 2010; SHLEIFER; VISHNY, 2003)

Entre as variáveis referentes a indústria, apenas diversified foi significativo em todos os modelos, a variável representa negócios em várias indústrias diferentes, contudo, em alguns lagsa indústria de energia e construção foram significantes. Essas últimas variáveis dão suporte a teoria neoclássica, onde choques na indústria podem levar a ondas de F&As (ANDRADE; MITCHELL; STAFFORD, 2001; CHAUDHURI, 2014), contudo, ainda que se leve em conta a importância dos choques na indústria, outros fatores devem estar presentes para a onda ocorrer, como a expectativa dos agentes do mercado, indicada nos resultados (HARFORD, 2005; RHODES-KROPF; VISWANATHAN, 2004).

(37)

o I, ainda que se discuta a defasagem das variáveis, o ICE não capta exclusivamente o sentimento em relação ao futuro, mas também em relação ao presente, apenas no lag 12 o modelo volta a melhorar seu ajuste. O teste de Wald foi significativo em todos os modelos, indicando que as variáveis são conjuntamente significantes para explicar a probabilidade de ocorrência da onda. Além disso, para medir a eficácia dos modelos, a Tabela 4 mostra a capacidade de predição de cada um.

Tabela 4 – Percentual de Acerto do Modelo: A tabela apresenta o poder preditivo do modelo. O modelo com maior força foi o modelo I, cujo o ICE não é defasado

I

II

III

IV

V

VI

Acerto Total (%)

89.74%

88.87%

87.51%

86.83%

85.87%

88.00%

Acertos Positivos (%)

84.01%

81.73%

78.46%

77.07%

75.16%

79.17%

Acertos Negativos (%)

92.02%

91.80%

91.41%

91.10%

90.63%

91.82%

O modelo I apresenta a maior capacidade de predição, com uma taxa de acerto geral próximo a 90%, mantendo acima dos 80% mesmo para os acertos positivos, onde a dummy onda é igual a 1, cuja observações são em menor número, portanto, mais fácil do modelo errar. Ao avançar a defasagem, o poder de predição dos modelos diminui, em especial os acertos positivos, o que reforça a superioridade do primeiro modelo.

Uma das desvantagem do LOGIT em relação aos modelos lineares, é que a interpretação dos seus coeficientes não é feita de forma direta. No LOGIT, o coeficiente angular dá a variação no logaritmo das chances a uma variação unitária na variável (GUJARATI; PORTER, 2011). Para um entendimento mais claro pode-se calcular o efeito marginal médio, como mostrado na tabela 5.

O efeito de uma unidade a mais no índice de confiança aumenta a probabilidade de acontecer a onda em cerca de 1% . O efeito vai diminuindo conforme aumenta o lag, somente no último o efeito volta a subir, todos os modelos foram significantes. O spread também foi significativo em todos os modelos, o aumento de uma unidade nessa variável corresponde a 100%, portanto para ter uma ideia melhor, se aumentarmos 0.01 unidades da variável, significa um aumento na probabilidade de 2,35%.

Utilizar ações na transação diminui a probabilidade de acontecer uma onda em cerca de 3,8%. A variável que mais afeta a probabilidade de ocorrência de uma onda de F&A é o IBOV, o aumento de 1% no índice aumenta a probabilidade de ocorrência de uma onda em 2,67%.

Apesar de mais didático e fácil entendimento, o efeito marginal médio possui alguns problemas na sua interpretação. Se utilizamos variáveis discretas, por exemplo, existe problema na sua interpretação uma vez que só valerá para uma parte da amostra e não para o indivíduo médio da amostra (WOOLDRIDGE, 2006). Pode-se utilizar também outra métrica, a razão de

(38)

Tabela 5 – O Efeito Marginal Médio das Variáveis do Modelo: Apesar de significante, o efeito do aumento de uma unidade no ICE aumenta levemente a probabilidade de ocorrência de uma onda de F&A, a variáel Spread, por outro lado, tem um aumento mais considerável, ainda que seja necessário levar em conta que o aumento de uma unidade, no caso dessa variável, corresponda a um aumento de 100% no Spread.

Variáveis

I

II

III

IV

V

VI

ICE

0.008***

0.007***

0.006***

0.005***

0.008***

(0.001)

(0.002)

Spread

2.349***

2.311***

2.128***

2.053***

1.696***

0.826**

(0.013)

(0.602)

(0.568)

(0.544)

(0.482)

(0.402)

Consultor

0.013

0.006

0.003

0.000

0.002 -0.006

(0.020)

(0.019)

(0.011)

Stock

-0.038**

-0.034*

-0.033*

-0.035**

-0.043***

-0.027**

(0.016)

(0.017)

(0.018)

(0.017)

(0.016)

(0.011)

Cross-border

0.014

0.012

0.011

0.014

0.012 (0.016)

(0.016)

(0.017)

(0.011)

LogAT

-0.003

-0.004

-0.005

-0.006

0.002 (0.011)

(0.011)

(0.007)

PB

-0.001

0.000

0.000 (0.001)

(0.001)

(0.000)

EBITDA

0.000

0.000 (0.000)

(0.000)

Alavancagem

-0.001

0.000 (0.001)

(0.001)

QTOB

-0.004

-0.006

-0.007*

-0.003

(0.004)

(0.002)

LogIBOV

2.673***

2.655***

2.699***

2.778***

2.679***

1.371***

(0.347)

(0.354)

(0.353)

(0.348)

(0.328)

(0.265)

* significante a 10%, ** significante a 5% e *** significante a 1% As variáveis da indústrias foram omitidas, por não fazerem sentido para a análise

chances, podemos descrevê-la como na Equação 5.

P_i 1 − Pi = 1 + exp Zi 1 + exp−Zi = exp Zi ₍₅₎ Onde:

P_ié a probabilidade do evento acontecer;

1 − Pié a probabilidade do evento não acontecer.

A razão de chances da uma ideia das chances de ocorrência do evento com a mudança de uma unidade na variável (WOOLDRIDGE, 2006). A Tabela 6 mostra a razão de chances para a amostra.

(39)

Tabela 6 – Razão de Chances Estimada do Modelo: A variável independente ICE foi significante em todos os lags mostrando que cada variação positiva no ICE aumenta a proba-bilidade de ocorrência de uma onda. As variáveis de controle Spread e LogIBOV também são significantes e positivos.

Variáveis I II III IV V VI

ICE 1.124*** 1.109*** 1.091*** 1.075*** 1.070*** 1.194***

(0.013) (0.012) (0.011) (0.010) (0.012) (0.027)

Spread 2.04E+15 *** 8.12E+14 *** 2.72E+13 *** 3.54E+12 *** 2.70E+10 *** 6.29E+07 *** (1.26E+16) (5.00E+15) (1.63E+14) (2.08E+13) (1.50E+11) (3.92E+08)

Consultor 1.199 1.091 1.038 1.001 1.027 0.868 (0.325) (0.290) (0.278) (0.267) (0.267) (0.221) Stock 0.493* 0.547** 0.569 0.552* 0.460** 0.475** (0.180) (0.200) (0.203) (0.191) (0.162) (0.168) Cross-border 1.233 1.229 1.194 1.176 1.213 1.304 (0.295) (0.290) (0.277) (0.272) (0.280) (0.300) LogAT 0.958 0.958 0.948 0.938 0.919 1.048 (0.161) (0.157) (0.149) (0.144) (0.140) (0.162) PB 0.992 0.994 0.995 0.996 0.997 0.993 (0.008) (0.008) (0.008) (0.008) (0.009) (0.006) EBITDA 1.000 1.000 1.000 1.000 1.000 1.000 (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) Alavancagem 0.985 0.984 0.984 0.984 0.983 0.993 (0.015) (0.014) (0.014) (0.014) (0.015) (0.013) QTOB 0.942 0.916 0.905 0.901* 0.912* 0.932 (0.051) (0.052) (0.051) (0.050) (0.050) (0.048)

LogIBOV 2.65E+17 *** 1.35E+17 *** 1.10E+17 *** 9.53E+16 *** 3.00E+16 *** 8.94E+12 *** (9.05E+17) (4.54E+17) (3.62E+17) (3.11E+17) (1.04E+17) (3.31E+13)

* significante a 10%, ** significante a 5% e *** significante a 1% As variáveis da indústrias foram omitidas, por não fazerem sentido para a análise

A cada variação positiva de uma unidade no ICE, aumenta 12% as chances de ocorrência de uma transação dentro de uma onda de F&A que fora dela, estatisticamente significante, para o modelo I. As variáveis spread e IBOV possuem o coeficiente de razão de chances (RC) muito alto e estatisticamente significante, esse fato acontece quando o denominador fica muito próximo a zero, essa é uma das dificuldades de se trabalhar com a RC, contudo o resultado indica que o aumento nessas variáveis, aumenta as chances de ocorrer uma transação dentro de um período de onda que fora.

A variável stock diminui em cerca de 50% as chances de ocorrência de uma transação quando utilizada ações dentro de uma onda.