Escolar Documentos
Profissional Documentos
Cultura Documentos
NATAL
2018
Rodrigo Raposo da Fonseca
Natal
2018
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.
BANCA EXAMINADORA:
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.
"Se enxerguei mais longe,
Foi porque me apoiei no ombro de gigantes."
(Isaac Newton)
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.
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.
M/B Market-to-Book
PJ Pessoa Jurídica
P/L Preço/Lucro
RC Razão de Chances
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
REFERÊNCIAS BIBLIOGRÁFICAS . . . . . . . . . . . . . . . . . . . 41
14
1 INTRODUÇÃO
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
1.2 Justificativa
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
Analisar se o otimismo dos gestores pode levar a uma onda de fusões e aquisições.
2 REVISÃO BIBLIOGRÁFICA
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.
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
1 Expressão traduzida do inglês cross-border mergers and acquisitions
Capítulo 2. Revisão Bibliográfica 18
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 Tobin3 adquirindo 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
3 para maiores detalhes sobre o Q de Tobin, ver Tobin e Brainard (1968) e Tobin(1969)
Capítulo 2. Revisão Bibliográfica 19
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)
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.
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
5 Model of Markovian Parameter Switching, no inglês
Capítulo 2. Revisão Bibliográfica 22
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.
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
Capítulo 2. Revisão Bibliográfica 23
que indicam que indivíduos superestimam suas habilidades (DESSÍ; ZHAO, 2018).
24
3 METODOLOGIA
3.1 Dados
3.2 Modelo
No estudo foi utilizado um modelo de resposta binária, o LOGIT, uma vez que busca-
se investigar se o aumento da confiança dos agentes de mercado aumenta a probabilidade de
Capítulo 3. Metodologia 25
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.
Para contornar esses problemas, precisaríamos de um modelo que, apesar de ser linear
Capítulo 3. Metodologia 26
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
exp(z)
G(z) = = Λ(z) (3)
1 + exp(z)
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.
Onde,
• β0 é o intercepto
Capítulo 3. Metodologia 27
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.
Capítulo 3. Metodologia 28
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.
29
4 RESULTADOS
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.
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.
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.
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
Capítulo 4. Resultados 32
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.
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
Capítulo 4. Resultados 34
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
Spread e LogIBOV.
Onda I II III IV V VI
-209.30*** -204.80*** -201.84*** -199.35*** -192.55*** -165.66***
Intercept
(16.50) (16.28) (15.84) (15.51) (16.05) (17.43)
0.12*** 0.10*** 0.09*** 0.07*** 0.07*** 0.18***
ICE
(0.01) (0.01) (0.01) (0.01) (0.01) (0.02)
35.25*** 34.33*** 30.93*** 28.89*** 24.02*** 17.96***
Spread
(6.175) (6.16) (5.99) (5.87) (5.55) (6.23)
0.18 0.09 0.04 0.00 0.03 -0.14
Consultor
(0.27) (0.27) (0.27) (0.27) (0.26) (0.26)
-0.70* -0.60* -0.56 -0.60* -0.78** -0.74**
Stock
(0.37) (0.36) (0.36) (0.35) (0.35) (0.35)
0.21 0.21 0.18 0.16 0.19 0.27
Cross-border
(0.24) (0.24) (0.23) (0.23) (0.23) (0.23)
-0.04 -0.04 -0.05 -0.06 -0.08 0.05
LogAT
(0.17) (0.16) (0.16) (0.15) (0.15) (0.15)
-0.01 -0.01 -0.01 0.00 0.00 -0.01
PB
(0.01) (0.01) (0.01) (0.01) (0.01) (0.01)
0.00 0.00 0.00 0.00 0.00 0.00
EBITDA
(0.00) (0.00) (0.00) (0.00) (0.00) (0.00)
-0.02 -0.02 -0.02 -0.02 -0.02 -0.01
Alavancagem
(0.02) (0.01) (0.01) (0.01) (0.02) (0.01)
-0.06 -0.09 -0.10*** -0.10* -0.09* -0.07
QTOB
(0.05) (0.06) (0.06) (0.06) (0.05) (0.05)
40.11*** 39.44*** 39.24*** 39.10*** 37.94*** 29.82***
LogIBOV
(3.42) (3.38) (3.30) (3.26) (3.46) (3.71)
-0.30 -0.01 0.20 0.29 0.23 0.52
Basic Materials
(0.48) (0.47) (0.47) (0.48) (0.46) (0.45)
-0.53 -0.17 0.10 0.12 -0.13 -0.18
Communications
(0.48) (0.50) (0.53) (0.53) (0.52) (0.54)
-0.13 0.15 0.32 0.37 0.27 0.60
Consumer, Cyclical
(0.49) (0.48) (0.49) (0.50) (0.49) (0.50)
Consumer, 0.03 0.33 0.49 0.55 0.43 0.69*
Non-cyclical (0.38) (0.37) (0.39) (0.41) (0.39) (0.40)
-2.76** -2.41** -2.13** -1.99* -1.97* -2.28**
Diversified
(1.19) (1.13) (1.07) (1.03) (1.07) (1.07)
0.57 0.96 1.20** 1.24** 1.11* 1.62***
Energy
(0.66) (0.65) (0.64) (0.63) (0.60) (0.56)
-0.71 -0.43 -0.23 -0.14 -0.21 0.15
Financial
(0.69) (0.66) (0.67) (0.66) (0.62) (0.61)
0.52 0.78* 0.96** 1.01** 0.84* 1.19**
Real Estate
(0.47) (0.47) (0.48) (0.48) (0.46) (0.47)
0.34 0.61 0.80 0.87* 0.73 1.12**
Industrial
(0.47) (0.47) (0.49) (0.49) (0.47) (0.48)
0.15 0.45 0.63 0.67 0.53 0.85
Technology
(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***
Fonte: Desenvolvido pelo autor
* significante a 10%, ** significante a 5% e *** significante a 1%
Capítulo 4. Resultados 35
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.
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%
Fonte: Desenvolvido pelo Autor
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
Capítulo 4. Resultados 37
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
0.008*** 0.007*** 0.006*** 0.005*** 0.005*** 0.008***
ICE
(0.001) (0.001) (0.001) (0.001) (0.001) (0.002)
2.349*** 2.311*** 2.128*** 2.053*** 1.696*** 0.826**
Spread
(0.013) (0.602) (0.568) (0.544) (0.482) (0.402)
0.013 0.006 0.003 0.000 0.002 -0.006
Consultor
(0.020) (0.019) (0.019) (0.019) (0.019) (0.011)
-0.038** -0.034* -0.033* -0.035** -0.043*** -0.027**
Stock
(0.016) (0.017) (0.018) (0.017) (0.016) (0.011)
0.014 0.014 0.012 0.011 0.014 0.012
Cross-border
(0.016) (0.016) (0.016) (0.017) (0.017) (0.011)
-0.003 -0.003 -0.004 -0.005 -0.006 0.002
LogAT
(0.011) (0.011) (0.011) (0.011) (0.011) (0.007)
-0.001 0.000 0.000 0.000 0.000 0.000
PB
(0.001) (0.001) (0.001) (0.001) (0.001) (0.000)
0.000 0.000 0.000 0.000 0.000 0.000
EBITDA
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
-0.001 -0.001 -0.001 -0.001 -0.001 0.000
Alavancagem
(0.001) (0.001) (0.001) (0.001) (0.001) (0.001)
-0.004 -0.006 -0.007* -0.007* -0.007* -0.003
QTOB
(0.004) (0.004) (0.004) (0.004) (0.004) (0.002)
2.673*** 2.655*** 2.699*** 2.778*** 2.679*** 1.371***
LogIBOV
(0.347) (0.354) (0.353) (0.348) (0.328) (0.265)
Fonte: Desenvolvido pelo Autor
* significante a 10%, ** significante a 5% e *** significante a 1%
As variáveis da indústrias foram omitidas, por não fazerem sentido para a análise
Pi 1 + expZi
= = expZi (5)
1 − Pi 1 + exp−Zi
Onde:
Pi é a probabilidade do evento acontecer;
1 − Pi é 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.
Capítulo 4. Resultados 38
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
1.124*** 1.109*** 1.091*** 1.075*** 1.070*** 1.194***
ICE
(0.013) (0.012) (0.011) (0.010) (0.012) (0.027)
2.04E+15 *** 8.12E+14 *** 2.72E+13 *** 3.54E+12 *** 2.70E+10 *** 6.29E+07 ***
Spread
(1.26E+16) (5.00E+15) (1.63E+14) (2.08E+13) (1.50E+11) (3.92E+08)
1.199 1.091 1.038 1.001 1.027 0.868
Consultor
(0.325) (0.290) (0.278) (0.267) (0.267) (0.221)
0.493* 0.547** 0.569 0.552* 0.460** 0.475**
Stock
(0.180) (0.200) (0.203) (0.191) (0.162) (0.168)
1.233 1.229 1.194 1.176 1.213 1.304
Cross-border
(0.295) (0.290) (0.277) (0.272) (0.280) (0.300)
0.958 0.958 0.948 0.938 0.919 1.048
LogAT
(0.161) (0.157) (0.149) (0.144) (0.140) (0.162)
0.992 0.994 0.995 0.996 0.997 0.993
PB
(0.008) (0.008) (0.008) (0.008) (0.009) (0.006)
1.000 1.000 1.000 1.000 1.000 1.000
EBITDA
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
0.985 0.984 0.984 0.984 0.983 0.993
Alavancagem
(0.015) (0.014) (0.014) (0.014) (0.015) (0.013)
0.942 0.916 0.905 0.901* 0.912* 0.932
QTOB
(0.051) (0.052) (0.051) (0.050) (0.050) (0.048)
2.65E+17 *** 1.35E+17 *** 1.10E+17 *** 9.53E+16 *** 3.00E+16 *** 8.94E+12 ***
LogIBOV
(9.05E+17) (4.54E+17) (3.62E+17) (3.11E+17) (1.04E+17) (3.31E+13)
Fonte: Desenvolvido pelo Autor
* 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.
39
5 CONCLUSÕES
O presente trabalho procurou investigar as relações entre o otimismo dos agentes econô-
micos e as ondas de F&As. Esse ainda é um campo muito profícuo nas finanças, sendo explorado
por um número ainda pequeno de pesquisadores e, no geral, em mercados desenvolvidos, quase
sempre EUA e Inglaterra. Portanto buscou-se, a partir de dados brasileiros, explorar a relação do
otimismo com as ondas de F&As.
O estudo utilizou o Índice de Confiança dos Empresários para medir o otimismo, sendo
esse um índice de percepção do mercado sobre a situação atual e futura da economia (FGV,
2017?). Os achados vão em consonância com os estudos que incluíram o otimismo no modelo
(GUGLER; MUELLER; WEICHSELBAUMER, 2012; GOEL; THAKOR, 2010; GUGLER et al.,
2012), com a diferença que a presente pesquisa utilizou uma medida de percepção, encontrando
uma relação positiva e significativa entre o otimismo e a probabilidade de ocorrência de ondas de
F&As. Além disso, ao defasar a variável que mede o otimismo em até 12 períodos, manteve-se o
resultado positivo e significante, apesar de diminuir o efeito com o tempo.
As variáveis spread e IBOV, que medem respectivamente o spread bancário para ope-
rações de crédito pessoa jurídica e o índice da BOVESPA, foram as que tiveram maior efeito
nas probabilidades de ocorrência de onda. O spread teve um efeito negativo, ao contrário do
que a bibliografia aponta (GUGLER et al., 2012; HARFORD, 2005), isso pode ser devido ao
fato dos dados coletados não incluírem as operações de crédito subsidiadas, podendo ser alvo
de investigações futuras. O índice de mercado mantém uma relação bastante positiva com a
probabilidade de ocorrência de uma onda, da mesma forma que encontrado por vários estudos
(RHODES-KROPF; VISWANATHAN, 2004; HARFORD, 2005; GOEL; THAKOR, 2010;
GUGLER et al., 2012; XU, 2017).
Contudo o uso de ações nas transações apresentaram impacto negativo nas probabilidades,
divergindo dos estudos internacionais (SHLEIFER; VISHNY, 2003; GUGLER et al., 2012).
Esse achados podem ser explicado quando leva-se em conta que o mercado de capitais brasileiro
ainda é pequeno, composto por pequenas empresas e, no geral, de porte maior. Nos dados do
estudo apenas 12% das transações utilizaram ações no negócio, em comparação, no estudo de
Andrade, Mitchell e Stafford (2001) na década de 90, 70% das F&As do mercado americano
utilizaram ações na transação, e desde a década de 70, quase 60% utilizaram, ou seja, o mercado
norte americano, bem como outros maiores, são mais maduros e desenvolvidos que o brasileiro.
O Q de Tobin foi significante em alguns lags somente, com um impacto negativo na
probabilidade, o que contraria a teoria Q das fusões e aquisições (JOVANOVIC; ROUSSEAU,
2002). É preciso observa, todavia, que de modo geral as transações da amostra apresentam um Q
de Tobin alto.
Capítulo 5. Conclusões 40
REFERÊNCIAS BIBLIOGRÁFICAS
HSU, K.-C.; WRIGHT, M.; ZHU, Z. What motivates merger and acquisition activities in the
upstream oil & gas sectors in the us? Energy Economics, Elsevier, v. 65, p. 240–250, 2017.
Citado 2 vezes nas páginas 15 e 18.
JOVANOVIC, B.; ROUSSEAU, P. L. The Q-theory of mergers. [S.l.], 2002. Citado 4 vezes nas
páginas 18, 31, 35 e 39.
KPMG. Fusões e Aquisições 2017 - 4o trimestre. [S.l.], 2018. Citado na página 31.
MALMENDIER, U.; TATE, G. Who makes acquisitions? ceo overconfidence and the market’s
reaction. Journal of financial Economics, Elsevier, v. 89, n. 1, p. 20–43, 2008. Citado na página
22.
MALMENDIER, U.; TATE, G. Behavioral ceos: The role of managerial overconfidence. Journal
of Economic Perspectives, v. 29, n. 4, p. 37–60, 2015. Citado na página 22.
MORCK, R.; SHLEIFER, A.; VISHNY, R. W. Do managerial objectives drive bad acquisitions?
The Journal of Finance, Wiley Online Library, v. 45, n. 1, p. 31–48, 1990. Citado na página 22.
NOFSINGER, J. R. Social mood and financial economics. The Journal of Behavioral Finance,
Taylor & Francis, v. 6, n. 3, p. 144–160, 2005. Citado na página 16.
Referências Bibliográficas 44
UDDIN, M.; BOATENG, A. Explaining the trends in the UK CROSS - BORDER MERGERS
& ACQUISITIONS : A N ANALYSIS OF MACRO - ECONOMIC FACTORS . International
Business Review, V. 20, N . 5, P. 547 – 556, 2011. ISSN 0969-5931. D ISPONÍVEL EM :
< HTTP :// WWW. SCIENCEDIRECT. COM / SCIENCE / ARTICLE / PII /S0969593110001265>.
Citado na página 20.
XU, E. Q. Cross-border merger waves. Journal of Corporate Finance, v. 46, p. 207 – 231,
2017. ISSN 0929-1199. Disponível em: <http://www.sciencedirect.com/science/article/pii/
S0929119917301426>. Citado 5 vezes nas páginas 17, 18, 21, 27 e 39.