avaliaÇÃo do poder preditivo do desempenho … · coelba: companhia de ... a importância do...
TRANSCRIPT
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO
INSTITUTO COPPEAD DE ADMINISTRAÇÃO
MARCELO DOS SANTOS GUZELLA
AVALIAÇÃO DO PODER PREDITIVO DO DESEMPENHO OPERACIONAL A PARTIR DA SITUAÇÃO ECONÔMICO-FINANCEIRA DAS DISTRIBUIDORAS BRASILEIRAS DE
ENERGIA ELÉTRICA
Rio de Janeiro
2015
MARCELO DOS SANTOS GUZELLA
AVALIAÇÃO DO PODER PREDITIVO DO DESEMPENHO OPERACIONAL A PARTIR DA SITUAÇÃO ECONÔMICO-FINANCEIRA DAS DISTRIBUIDORAS BRASILEIRAS DE
ENERGIA ELÉTRICA
Dissertação de Mestrado apresentada ao Instituto
COPPEAD de Administração, da Universidade
Federal do Rio de Janeiro, como parte dos
requisitos necessários à obtenção do título de
Mestre em Administração.
ORIENTADOR: Prof. Adriano Rodrigues, D.Sc.
Rio de Janeiro
2015
Guzella, Marcelo
G993a Avaliação do Poder Preditivo do Desempenho Operacional a partir da
Situação Econômico Financeira das Distribuidoras Brasileiras de Energia
Elétrica / Marcelo Guzella. -- Rio de Janeiro, 2015.
81 f.
Orientador: Adriano Rodrigues.
Dissertação (mestrado) - Universidade Federal do Rio de Janeiro,
Instituto COPPEAD de Administração, Programa de Pós-Graduação em
Administração, 2015.
1. Finanças. 2. Indicadores financeiros. 3. Análise financeira. 4.
Administração - Teses. I. Rodrigues, Adriano, orient. II. Título.
MARCELO DOS SANTOS GUZELLA
AVALIAÇÃO DO PODER PREDITIVO DO DESEMPENHO OPERACIONAL A PARTIR DA SITUAÇÃO ECONÔMICO-FINANCEIRA DAS DISTRIBUIDORAS BRASILEIRAS
DE ENERGIA ELÉTRICA
Dissertação de Mestrado apresentada ao Instituto
COPPEAD de Administração, da Universidade
Federal do Rio de Janeiro, como parte dos
requisitos necessários à obtenção do título de
Mestre em Administração.
Aprovada por:
____________________________________________________
Prof. Adriano Rodrigues, D.Sc., Coppead/UFRJ
____________________________________________________
Prof. Vicente Ferreira, D.Sc., Coppead/UFRJ
____________________________________________________
Prof. Marcelo Alvaro da Silva Macedo, D.Sc., PPGCC/UFRJ
Rio de Janeiro
2015
DEDICATÓRIA
Dedico esta dissertação a minha família, em especial ao meu pai, Fernando, que em vida não
deixou de me incentivar e me apoiar por um minuto sequer nesta realização.
AGRADECIMENTOS
Agradeço a Deus, em primeiro lugar, por ter me mantido motivado e em
condições para enfrentar este desafio e lidar com os sacrifícios necessários. A minha família e
meus amigos, pelo suporte e pela convivência. A meus irmãos Matheus e Thiago, cujas
conquistas acadêmicas foram fonte de inspiração. A meu irmão Rodrigo, pelo constante
apoio. Aos meus pais, Fernando e Neusa, pelo suporte incondicional.
Não me atreverei a citar o nome de cada um dos amigos, para não correr o risco
de esquecer algum, mas deixo a todos minha gratidão pela convivência e paciência neste
período, e por desviarem a atenção da dissertação para os momentos de lazer, sem os quais
seria impossível recuperar as forças para continuar.
Agradeço ao meu orientador, professor Adriano Rodrigues, por ter me oferecido a
oportunidade de trabalhar nesta pesquisa, pelos ensinamentos, pela disponibilidade e
paciência.
Aos professores Vicente Ferreira e Marcelo Alvaro Macedo, por aceitarem o
convite para a banca e pelas suas importantes contribuições.
Agradeço a todos os professores e funcionários do Coppead pelo alto nível das
aulas e do curso, pelo engajamento, cordialidade e profissionalismo. Aos colegas pela
convivência estimulante.
Por fim, agradeço ao programa de bolsas da CAPES, pelo auxílio financeiro, a ao
GESEL pelas valiosas contribuições.
RESUMO
GUZELLA, Marcelo. Avaliação do poder preditivo do desempenho operacional a partir da situação econômico-financeira das distribuidoras brasileiras de energia elétrica. 2015. 81f. Dissertação (Mestrado em Administração) - Instituto
COPPEAD de Administração, Universidade Federal do Rio de Janeiro, Rio de
Janeiro, 2015.
O presente estudo teve como propósito investigar a relação entre indicadores econômico-financeiros e o desempenho operacional (ou a qualidade do serviço prestado), em períodos subseqüentes, de concessionárias brasileiras de distribuição de energia elétrica. A partir de dados de 2011 a 2013, 15 indicadores foram construídos e submetidos a testes estatísticos, em conjunto com variáveis de controle que indicam o porte da empresa e se ela opera ou não no sistema interligado. Para avaliar o desempenho operacional, foram utilizados o Desempenho Global de Continuidade (DGC) e o Índice Aneel de Satisfação do Consumidor (IASC). Boa parte das relações esperadas foi confirmada nos testes, indicando que níveis de investimento, endividamento, eficiência em custos e rentabilidade contribuem para explicar o desempenho operacional futuro. Os indicadores que medem a proporção entre EBITDA e despesa financeira líquida, entre investimentos e ativo total, entre EBITDA e custos gerenciáveis (pessoal, manutenção, serviços, materiais e outros), e a margem EBITDA apresentaram poder de explicação significativo do DGC; já as razões entre passivo e ativo totais, entre custos gerenciáveis e receita líquida, entre receita líquida e ativo total, entre compensações regulatórias e receita líquida, e a margem de lucro apresentaram poder de explicação significativo tanto do DGC quanto do IASC. Os resultados encontrados persistiram em diferentes defasagens temporais e quando a amostra foi submetida a um teste de robustez. Pode-se concluir, portanto, que o monitoramento de indicadores que traduzem a gestão financeira dessas empresas é benéfico para a antecipação de deficiências operacionais e, consequentemente, para promover melhor equilíbrio para o setor. Palavras-chave: Indicadores econômico-financeiros, distribuição de energia, desempenho operacional, DGC, IASC
ABSTRACT
GUZELLA, Marcelo. Avaliação do poder preditivo do desempenho operacional a partir da situação econômico-financeira das distribuidoras brasileiras de energia elétrica. 2015. 81f. Dissertação (Mestrado em Administração) - Instituto
COPPEAD de Administração, Universidade Federal do Rio de Janeiro, Rio de
Janeiro, 2015.
This work aimed to investigate the relationship between financial ratios and future operational performance in Brazilian electric utilities. Data from 2011 to 2013 of 15 ratios were subjected to statistical tests, with 3 control variables that indicated size of the company and whether it was operating in the interconnected system. The quality of the operation was measured by the Continuity Overall Performance (DGC) and the Customer Satisfaction Index (IASC), both determined by Aneel. Most of the expected relationships were confirmed in the analysis, indicating that levels of investments, leverage, cost efficiency and profitability contribute to explain future operational performance. Measures of EBITDA margin, interest coverage, CapEx over total assets and EBITDA over manageable costs significantly explained the DGC, while leverage, regulatory compensations, asset turnover, net margin and manageable costs over net revenue presented significant explanation power for both variables. The results were robust to different lags and additional tests. Hence, we can conclude that monitoring indicators that reflect the financial management is a worthwhile measure to anticipate operational deficit and, consequently, to promote better balance for the Brazilian power distribution sector. Keywords: financial ratios, electric distribution, operational performance, energy interruption, customer satisfaction
LISTA DE ILUSTRAÇÕES
Figura 1 – Distribuição das concessionárias de distribuição de energia ao longo do território brasileiro ................................................................................................................................. 37 Figura 2 – Gráfico com o Desempenho Global de Continuidade (DGC), de 2012 a 2014, em função da razão entre proventos pagos e patrimônio líquido, de 2011 a 2013 das distribuidoras de energia elétrica do Brasil .................................................................................................... 57 Figura 3 – Gráfico com o Índice Aneel de Satisfação do Consumidor (IASC), de 2012 a 2014, em função do fluxo de caixa de investimentos sobre o total de ativos, de 2011 a 2013 das distribuidoras de energia elétrica do Brasil ............................................................................. 58
LISTA DE TABELAS
Tabela 1 – Estatística descritiva dos indicadores financeiros e operacionais que fazem parte da amostra ...................................................................................................................... 45
Tabela 2 – Matriz com as correlações entre as variáveis utilizadas no estudo ........... 47 Tabela 3 – Resultado da aplicação do Teste Reset, proposto por Ramsey (1969), para
verificar possível falha na especificação dos modelos, através da inclusão de componentes quadráticas e cúbicas ............................................................................................................... 48
Tabela 4 – Resultados das regressões lineares adotando o Desempenho Global de
Continuidade (DGC) como variável dependente, ajustado para a relação “quanto maior, melhor” ................................................................................................................................... 50
Tabela 5 – Resultados das regressões utilizando o Índice Aneel de Satisfação do
Consumidor (IASC) como variável dependente ..................................................................... 51 Tabela 6 – Patrimônio líquido, em milhões de reais, da Eletropaulo, registrado em
2012 ......................................................................................................................................... 57 Tabela 7 – Alguns casos que indicam a relação inversa observada entre proventos
sobre patrimônio líquido e desempenho de continuidade ....................................................... 59 Tabela 8 – Observações que exemplificam a relação inversa verificada entre fluxo de
caixa de investimentos sobre ativo total e índice de satisfação do consumidor ..................... 60 Tabela 9 – Resultados das regressões do DGC eliminando outliers e ignorando
regressões com número de observações menor que 10 vezes o número de variáveis ............ 61 Tabela 10 – Resultados das regressões do IASC eliminando outliers da amostra e
casos com quantidade de observações inferiores a 10 vezes o número de variáveis, além dos casos com correlação entre variáveis maior que 40% ............................................................. 62
LISTA DE ABREVIATURAS
AES: Applied Energy Services (Serviços de Energia Aplicados)
AmE: Eletrobras Amazonas Energia
Aneel: Agência Nacional de Energia Elétrica
Bovesa: Boa Vista Energia
CapEx: Capital Expenditure (Despesas de Capital)
CEA: Companhia de Eletricidade do Amapá
Ceal: Eletrobras Distribuição Alagoas
CEB: Companhia Energética de Brasília
CEEEE: Companhia Estadual de Energia Elétrica
Celesc: Centrais Elétricas de Santa Catarina
CELG: Companhia Energética de Goiás
Celpa: Centrais Elétricas do Pará
Celpe: Companhia Energética de Pernambuco
Cemar: Companhia Energética do Maranhão
Cemig: Companhia Energética de Minas Gerais
Cepisa: Eletrobras Distribuição Piauí
Ceri: Centro de Estudos em Regulação e Infraestrutura
Ceron: Eletrobras Distribuição Rondônia
CERR: Companhia Energética de Roraima
CFLO: Companhia Força e Luz do Oeste
CG: Capital de Giro
CHESP: Companhia Hidroelétrica São Patricio
CNEE: Companhia Nacional de Energia Elétrica
Cocel: Companhia Campo Larguense de Energia Elétrica
Coelba: Companhia de Eletricidade do Estado da Bahia
Coelce: Companhia Energética do Ceará
Copel: Companhia Paranaense de Energia
Cosern: Companhia Energética do Rio Grande do Norte
CPC: Comitê de Pronunciamentos Contábeis
CPFL: Companhia Paulista de Força e Luz
DEC: Duração Equivalente de Interrupção por Unidade Consumidora
DEMEI: Departamento Municipal de Energia Elétrica de Ijuí
DGC: Desempenho Global de Continuidade
DIC: Frequência de Interrupção Individual por Unidade Consumidora
DMED: DME Distribuição
DRE: Demonstração de Resultados do Exercício
EBIT: Earnings Before Interest and Taxes (Lucros antes de juros e impostos)
EBITDA: Earnings Before Interest, Taxes, Depreciation and Amortization (Lucros
antes de juros, impostos, depreciação e amortização)
EBO: Energisa Borborema Distribuidora de Energia
EDEVP: Empresa de Distribuição de Energia Vale Paranapanema
EDP: Energias de Portugal
EEB: Empresa Elétrica Bragantina
Eletroacre: Eletrobras Distribuição Acre
Eletrocar: Centrais Elétricas de Carazinho
EMG: Energisa Minas Gerais Distribuidora de Energia
EMS: Energisa Mato Grosso do Sul Distribuidora de Energia
EMT: Energisa Mato Grosso Distribuidora de Energia
ENF: Energisa Nova Friburgo Distribuidora de Energia
EPB: Energisa Paraíba Distribuidora de Energia
Escelsa: Espírito Santo Centrais Elétricas S.A.
ESE: Energisa Sergipe Distribuidora de Energia
ETO: Energisa Tocantins Distribuidora de Energia
FC: Fluxo de Caixa
FEC: Frequência Equivalente de Interrupção por Unidade Consumidora
FIC: Frequência de Interrupção Individual por Unidade Consumidora
Forcel: Força e Luz Coronel Vivida
HC: Heteroscedasticity-consistent (Robusto a Heteroscedasticidade)
Hidropan: Hidroelétrica Panambi
IASC: Índice Aneel de Satisfação do Cliente
IFRS: International Financial Reporting Standards (Normas Internacionais de
Informação Financeira)
JCP: Juros sobre Capital Próprio
Mux: Muxfeldt Marin & Cia
PMSO: Pessoal, Materiais, Serviços e Outros
PRODIST: Procedimentos de Distribuição de Energia Elétrica no Sistema Elétrico
Nacional da Aneel
QRR: Quota de Reintegração Regulatória
RGE: Rio Grande Energia
SAIDI: System Average Interruption Duration Index (Índice de Duração Média de
Interrupção do Sistema)
SAIFI: System Average Interruption Frequency Index (Índice de Frequência Média de
Interrupção do Sistema)
SFF: Superintendência de Fiscalização Econômica e Financeira da Aneel
Sulgipe: Companhia Sul Sergipana de Eletricidade
TWh: Terawatt-hora
UHE: Usina Hidroelétrica Nova Palma
Unisinos: Universidade do Vale do Rio dos Sinos
SUMÁRIO
16
1 INTRODUÇÃO
1.1 CONTEXTUALIZAÇÃO
A importância do setor de distribuição de energia para o desenvolvimento do Brasil é
inquestionável. A vida dos brasileiros e a economia do país são bastante sensíveis à qualidade
da gestão e à continuidade da operação das empresas que fazem parte desse segmento, no qual
predomina monopólio natural e regulação por tarifa. Há atualmente muito a ser investigado
acerca dos determinantes da sustentabilidade econômico-financeira das concessionárias
brasileiras de energia elétrica. Diversos stakeholders, como credores, investidores, agências
de rating e de regulação, buscam métodos para diagnosticar e até prever, da melhor maneira
possível, dificuldades financeiras e operacionais.
Em 16/12/2014, a Superintendência de Fiscalização Econômica e Financeira (SFF) da
Aneel divulgou a nota técnica 353, abrindo consulta pública para o desenvolvimento de
indicadores econômico-financeiros, objetivando melhorar a fiscalização do equilíbrio das
distribuidoras de energia. Segundo a agência de regulação, a leitura de indicadores
econômico-financeiros pode ajudar na antecipação de deficiências na qualidade do serviço
desempenhado pela distribuidora. A nota técnica relata uma preocupação da agência com o
possível descumprimento, por parte das distribuidoras, da obrigação de investir na
manutenção e melhora da qualidade dos serviços. Segundo a agência, os efeitos desse
descumprimento costumam ser indiretos, devido ao lapso temporal entre ele e suas
consequências.
A premissa é que, se os níveis de geração de caixa, endividamento, investimentos ou
dividendos em um exercício são incompatíveis, nos próximos exercícios deverá haver uma
deterioração gradual da qualidade do serviço. Haveria então uma relação de causa e efeito
entre dificuldades econômico-financeiras e problemas operacionais, o que justifica a
17
fiscalização para verificar se as concessionárias apresentam condições favoráveis para a
manutenção da qualidade do serviço e para a adimplência com obrigações tributárias e
setoriais, segundo a Aneel.
Suspeita-se, portanto, que haja relação entre a situação financeira de uma empresa em
um determinado período e seu desempenho operacional em períodos subsequentes. Essa
relação dá suporte às vantagens de se desenvolver um pool de indicadores, comumente
chamados de financial ratios, a serem monitorados a fim de garantir o equilíbrio das
distribuidoras.
Dentro desse contexto, a proposta desse trabalho é avaliar o poder preditivo da
performance operacional a partir da situação econômico-financeira das distribuidoras. Essa
proposta requer a seleção dos financial ratios e de performance operacional mais adequados
para o objetivo proposto e a identificação das demais variáveis que também podem ajudar a
explicar a performance operacional. É importante mencionar que neste estudo são
considerados indicadores econômico-financeiros aqueles oriundos de variáveis medidas em
unidade de moeda. Os demais indicadores relativos à atividade-fim da empresa, que não
tenham qualquer vínculo com unidade de moeda, são aqui considerados como operacionais.
Eles traduzem a qualidade (ou a percepção de qualidade) do serviço de distribuição e dos
ativos operacionais da empresa.
A análise permite ver se indicadores econômico-financeiros contribuem para explicar
o desempenho operacional das distribuidoras brasileiras de energia elétrica. Havendo poder
preditivo, é possível avaliar quais indicadores econômico-financeiros apresentam maior
significância, e em qual defasagem temporal. Um importante benefício deste trabalho é
contribuir para maior eficácia e aderência nos métodos de avaliação da situação e perspectiva
dessas empresas pelos diversos stakeholders das concessionárias, propiciando melhor
equilíbrio para o setor.
18
Pesquisas tipicamente verificam a relação entre financial ratios e a probabilidade de
entrada em falência das empresas, dentre as quais se destacam: Beaver (1966), Altman
(1968), Dambolena e Khoury (1980), Zmijewski (1984), Ohlson (1980), Shumway (2001),
Hillegeist, Keating, Cram e Lundstedt (2004), Bharath e Shumway (2008), Piotroski (2000),
Altman (2000). Apesar da eficácia em prever esse evento, os modelos em geral atribuem alta
probabilidade a muitas firmas que não entram em falência. Além disso, constata-se que o
comportamento das ações se revela bom preditor, assim como indicadores construídos a partir
de variáveis de mercado, ainda que seu poder de determinação não anula a importância em se
considerar variáveis contábeis (DECHOW, AK, SUN, WANG, 2013).
Algumas análises foram também desenvolvidas acerca da relação entre indicadores
financeiros e performance: Delen, Kuzey e Uyar (2013), Lewellen (2004) e Turk (2006).
Realizando abordagens com mais de mil executivos da área financeira de empresas nos
Estados Unidos, Europa e Ásia, Campello, Graham e Harvey (2010) verificaram que
empresas com restrições financeiras reduzem drasticamente investimentos em tecnologia e
marketing, além de postergar gastos de capital. Além disso, empresas que passam por essas
dificuldades são tipicamente menos lucrativas e eficientes, e acabam distribuindo menos
dividendos. Por outro lado, Savov e Weber (2006), ao verificar os determinantes de decisões a
respeito de dividendos em uma amostra de empresas alemãs, concluíram que empresas que
passam a distribuir mais proventos desempenham pior que a média do mercado.
Vários trabalhos indicaram que decisões sobre investimento estão diretamente
relacionadas com a situação financeira (CLEARY, 1999). Ainda que haja resultados
controversos, a relação entre alavancagem e performance foi indicada em alguns estudos
como negativa (JENSEN; MECKLING, 1976; MYERS, 1977). Ao analisar o ambiente
europeu, Weill (2003) constatou resultados diferentes dependendo do país analisado. Já a
19
relação positiva entre eficiência e lucratividade foi confirmada em algumas pesquisas, como a
de Oral e Yolalan (1990) no setor bancário.
Adicionalmente, trabalhos científicos voltados para gestão de operações concluíram
que a posição financeira constitui um importante determinante da qualidade do serviço
prestado pelas empresas (CHIOU; DROGE, 2006). A relação direta entre lucratividade e
qualidade do serviço foi verificada no setor de saúde por Cleverley e Harvey (1992). Outros
estudos indicam que há correlação o nível dos investimentos das empresas e variáveis como a
performance operacional (HOU, 2007; HOU; LIN, 2004) e a qualidade dos serviços e
produtos (CLEVERLEY; HARVEY, 1992).
A relação entre satisfação do consumidor, como resultado da qualidade do serviço, e o
desempenho do negócio não é tão clara nem direta. Há dificuldade em se estabelecer uma
defasagem temporal adequada nessa relação e há diversas variáveis que também afetam essas
duas grandezas (ZEITHAML, 2000). Mesmo assim, a relação positiva entre lucratividade e
satisfação com a qualidade do serviço foi verificada por Wiele, Boselie e Hesselink (2001),
Koska (1990) e Nelson et al (1992). Aaker e Jacobson (1994) e Anderson, Fornell e Lehmann
(1994) também encontraram associação significativa entre satisfação do consumidor e o
retorno sobre o ativo e sobre o patrimônio líquido.
No Brasil, Ribeiro, Macedo e Marques (2012) desenvolveram uma pesquisa
exploratória para verificar os indicadores financeiros e não financeiros mais importantes para
a avaliação do desempenho organizacional em distribuidoras brasileiras de energia, usando
técnicas Delphi e de Análise Hierárquica. Foram analisadas as perspectivas financeira,
operacional e socioambiental.
O presente estudo inova ao verificar a relação entre performance financeira passada e
desempenho operacional presente. O evento de falência é extremo e muitas vezes
irrecuperável. Por isso, é importante que a agência de regulação e outros stakeholders tenham
20
condições de identificar determinantes de deterioração da qualidade do serviço. Ainda que o
desempenho operacional esteja sujeito a diversas variáveis, convém analisar o poder de
explicação de situação financeira em períodos anteriores para identificar se o monitoramento
dessa situação contribui para a antecipação de problemas operacionais e o desenvolvimento
de iniciativas de contingência.
Sob a ótica da Teoria da Agência, essa relação dá suporte ao monitoramento do
agente, representado pelas distribuidoras, feito pelo principal, representado pela agência de
regulação, como uma das formas de mitigar incongruências entre o comportamento desejado
e o apresentado (JENSEN; MECKLING, 1976). Sob a ótica das teorias da regulação baseadas
no interesse público, a fiscalização da situação econômico-financeira das concessionárias
contribui para determinar uma melhor alocação de recursos escassos, do ponto de vista do
benefício dos consumidores (BATOR, 1958).
Em uma situação de equilíbrio, o resultado financeiro em um período de uma empresa
pode ser entendido como uma conseqüência da qualidade dos serviços prestados naquele
período e em exercícios anteriores. Nesse caso, a contabilidade é encarada como uma
formalização do resultado da atuação da empresa, e inverte-se a relação entre as dimensões
financeira e operacional proposta no presente estudo. No entanto, é importante ressaltar que
pretende-se aqui medir a relação entre indicadores que traduzem a gestão financeira – e não
propriamente o resultado financeiro – e a performance operacional, representada pela
qualidade dos serviços prestados. Além disso, a análise abrange um setor típico de monopólio
natural e distante do equilíbrio.
21
1.2 OBJETIVOS
O principal objetivo desse trabalho é verificar o poder de determinação de indicadores
econômico-financeiros sobre a performance operacional no âmbito das concessionárias de
distribuição de energia elétrica do Brasil.
O estudo traz como objetivos secundários o suporte para um melhor monitoramento
das distribuidoras pela agência de regulação e outros stakeholders, a investigação dos
indicadores mais relevantes para o acompanhamento do equilíbrio econômico-financeiro
dessas empresas e a determinação das variáveis mais adequadas para a avaliação da
performance operacional de concessionárias de energia em determinado período.
1.3 QUESTÃO DE PESQUISA E HIPÓTESES
Este trabalho aborda a seguinte problemática de pesquisa: indicadores econômico-
financeiros são determinantes da performance operacional das distribuidoras brasileiras de
energia elétrica?
Em caso positivo, é importante determinar quais os indicadores com maior poder de
determinação e qual a defasagem mais adequada para esse tipo de análise. Essas questões
serão tratadas como hipóteses a serem testadas. Agrupando os indicadores financeiros em 5
categorias básicas (ANEEL, 2014b) – endividamento, eficiência, investimentos, rentabilidade,
retorno ao acionista –, essas hipóteses podem ser descritas de forma geral como:
H1: altos níveis de endividamento levam as concessionárias a arcarem com
despesas financeiras que causam uma deterioração gradual da qualidade do serviço
(JENSEN; MECKLING, 1976; MYERS, 1977).
22
H2: o grau de investimento influencia positivamente a qualidade da operação
das distribuidoras de energia ao longo do tempo (HOU, 2007; HOU; LIN, 2004;
CLEVERLEY; HARVEY, 1992).
H3: existe relação positiva entre a rentabilidade das concessionárias em
determinado período e seu desempenho operacional em períodos posteriores
(CHIOU; DROGE, 2006; CLEVERLEY; HARVEY, 1992).
H4: há uma relação direta entre os níveis atuais de eficiência em custos e a
performance operacional futura das distribuidoras (CHIOU; DROGE, 2006;
CLEVERLEY; HARVEY, 1992).
H5: altos níveis de distribuição de proventos influenciam negativamente o
desempenho operacional das concessionárias em períodos posteriores (SAVOV;
WEBER, 2006).
Como requisito para essa análise, o trabalho verifica também quais as medidas de
performance operacional mais adequadas para as constatações. Há diversas formas de avaliar
o desempenho operacional, dependendo do objetivo e do foco do estudo.
1.4 ESTRUTURA DO DOCUMENTO
Este trabalho primeiramente aborda uma pesquisa bibliográfica com estudos nacionais
e internacionais acerca de modelos de indicadores econômico-financeiros e operacionais de
distribuidoras de energia e suas relações, além de técnicas de previsão de colapso financeiro.
Em seguida, é apresentada a amostra de dados utilizados e a metodologia definida para
verificar o poder explicativo dos indicadores econômico-financeiros utilizados, em diferentes
cenários e defasagens temporais.
23
A partir daí, são expostos e discutidos os resultados da aplicação desses métodos. Por
fim, são feitas considerações finais, ressaltando as limitações do estudo e sugestões de
análises complementares.
24
2 REVISÃO DE LITERATURA
Nessa parte do estudo, primeiramente são apresentados e discutidos alguns trabalhos
desenvolvidos a respeito da previsão de falência e seus resultados. Em seguida, são analisados
trabalhos que abordaram a relação entre financial ratios e performance, podendo esta ser
medida de diversas formas.
São abordados então os estudos para concepção e análise de indicadores econômico-
financeiros especificamente de empresas do setor elétrico. Por fim, faz-se uma análise das
medidas propostas para avaliar a performance operacional das companhias desse setor.
2.1 TÉCNICAS DE PREVISÃO DE DIFICULDADES FINANCEIRAS
A falência representa o fim da empresa em sua configuração atual. Pode significar a
eliminação de sua existência ou uma grande reestruturação e transformação. Nesta parte do
trabalho, serão expostos trabalhos que desenvolvem ou aplicam metodologias de previsão de
falência. De uma forma geral, essas metodologias utilizam-se de indicadores das empresas
para estimar a possibilidade de entrada em default. Contudo, diferentes abordagens podem
fazer com que determinada metodologia seja mais apropriada que outra em um contexto
específico.
Extensivas pesquisas foram desenvolvidas com esse fim. Beaver (1966) encontrou
diferenças significativas em indicadores como fluxo de caixa sobre dívida ou lucro líquido
sobre ativo total até 5 anos antes do evento de falência. Uma amostra contendo 79 empresas
em falência foi utilizada para a modelagem. O clássico modelo Z Score de Altman (1968) foi
resultado de uma análise mais rigorosa, que culminou na combinação de indicadores chave.
Uma amostra de 66 empresas é utilizada para definir o modelo mais adequado para
25
diferenciá-las em grupos de falência e não-falência. As empresas em falência tinham um total
médio de ativos de 6,4 milhões de dólares. A função definida continha indicadores de (1)
capital de giro sobre total de ativos, (2) lucros acumulados sobre total de ativos, (3) EBITDA
sobre total de ativos, (4) valor de mercado do capital próprio sobre valor da dívida e (5)
receita sobre total de ativos. Utilizando a técnica de múltiplo discriminante, 31 de 33 casos de
falência da amostra inicial foram corretamente identificados. A acurácia do modelo é menor
para períodos mais distantes do evento, mas os resultados ainda assim são satisfatórios. Para 2
anos antes do evento de falência, 23 foram corretamente identificados. Quando utilizado para
classificar empresas diferentes da amostra utilizada para parametrização, o modelo registrou
acurácia entre 91% e 93%. Para uma amostra com firmas que apresentaram recentes
resultados desfavoráveis, mas que não entraram em falência, o percentual de acerto foi de
79%.
Circunstâncias justificaram o aperfeiçoamento desse modelo, introduzido por Altman,
Haldeman e Narayanan (1977) com o nome de Zeta, resultado da análise de uma amostra de
casos de falência de 1969 a 1975. Esse aprimoramento foi motivado pela mudança no perfil
das empresas falidas, que se tornaram tipicamente muito maiores. Houve necessidade também
de considerar novas regras contábeis, em especial a capitalização das operações de leasing, e
de incluir varejistas na amostra, além das indústrias. Foram analisados 53 casos de fracasso,
com uma média de tamanho de 96 milhões de dólares, e 58 firmas que não entraram em
falência, com tamanho médio de 167 milhões de dólares. Um total de 27 financial ratios
foram testados, representando rentabilidade, alavancagem, liquidez, capital próprio, ganhos e
outros. Alguns foram apresentados em sua forma logarítmica, para reduzir a ocorrência de
outliers e atender a requisitos estatísticos. Um processo iterativo indicou maior eficácia em
um modelo com 7 dessas variáveis: (1) retorno dos ativos, (2) estabilidade dos ganhos, (3)
cobertura dos juros, (4) lucros acumulados, (5) liquidez corrente, (6) representatividade do
26
capital próprio e (7) total de ativos. Esse modelo registrou uma eficácia de 90% para 1 ano
antes do evento de falência e 70% para 5 anos, melhor do que a obtida com o Z Score.
Outros autores desenvolveram modelos a partir de diferentes técnicas estatísticas.
Ohlson (1980) construiu um modelo Logit que utiliza índices que sinalizam prejuízos líquidos
ou entrada em default, denominado O Score. A falência é identificada com eficácia até 2 anos
antes do evento. Utilizando um corte de 50%, o índice de sucesso registrado foi de 96%.
Falkenstein, Boral e Carty (2000) descrevem a metodologia da agência de rating
Moody's para previsão de default para empresas privadas, utilizando 10 indicadores
financeiros de 17 dados básicos de demonstrativos. Segundo o autor, a grande vantagem do
modelo é a base de dados da agência de rating. Os resultados variam bastante para empresas
públicas e privadas, são relativamente fáceis de entender e de converter em categorias padrão
de rating.
Algumas décadas depois, foram desenvolvidos modelos Hazard para previsão de
falência. Dentre eles, se destaca o de Shumway (2001), que define a probabilidade de falência
no tempo t condicionada à sobrevivência até o tempo t. Basicamente o modelo Hazard é uma
espécie de Logit simulado por ano. Foram utilizadas variáveis contábeis e de mercado, como
tamanho, retorno histórico e volatilidade do retorno não-sistemático. A aplicação resultou em
69% dos casos de falência fora da amostra identificados quando utilizadas apenas variáveis de
mercado. Englobando também variáveis contábeis, a eficácia sobe para 75%.
Alguns autores, como Black, Scholes (1973) e Merton (1974), desenvolveram
modelos que presumem que a eficiência semi-forte dos mercados faz com que não haja
benefício na inclusão de variáveis contábeis. Esses modelos, aqui chamados de BSM,
oriundos da precificação de opções, consideram o capital próprio como uma opção de compra
dos ativos da empresa. Quando o valor dos ativos é menor do que o valor de face dos passivos
(considerado o strike price), a opção não é exercida e a firma passa a pertencer a seus
27
credores. A diferença entre o valor de mercado dos ativos e esse strike price, que é resultante
da volatilidade do valor dos ativos, é o que determina a probabilidade desse evento.
Investigações de Core e Schrand (1999) e Duffie e Lando (2001) sugerem que
informações contábeis tem valor nesses modelos mesmo quando os mercados são eficientes,
já que o valor real dos ativos nem sempre é corretamente inferido ou apresentado nos
demonstrativos e credores podem tomar a empresa tipicamente na ocorrência de violação de
covenants. Hillegeist, Keating, Cram e Lundstedt (2004) verificaram que os modelos
derivados da precificação de opções possuem relativamente melhor poder de informação, mas
que metodologias como a Z- e O-Scores apresentam, de fato, informação incremental. As
variações do modelo BSM que consideram prêmio de risco e rendimento de dividendos nulo
apresentaram melhor acurácia nas estimativas. Os modelos Z- e O-Scores foram
parametrizados novamente, considerando uma base de empresas mais recente e ampla e um
modelo Hazard discreto, levando a um desempenho melhor do que o apresentado por suas
versões originais. Entre eles a nova versão do O-Score mostra melhor capacidade de previsão.
A comparação entre os desempenhos do modelo BSM e a nova parametrização do O-Score
foi feita pela estatística log-likelihood e o teste de Wald. A primeira é 9,2% menor para o
modelo BSM e a segunda é mais que 14 vezes maior que o O-Score atualizado, indicando sua
superioridade. No entanto, em regressões utilizando os três modelos, o Z-Score original e o
O-Score modificado mostraram-se estatisticamente significativos.
O evento de falência é extremo, muitas vezes irrecuperável e comumente ocorre sem
relação com o comportamento operacional da empresa. Faz-se necessário para os principais
stakeholders do setor elétrico investigar os principais determinantes da deterioração do
desempenho dos players que fazem parte desse importante segmento da economia, em
especial aqueles medidos por financial ratios. Na próxima seção, são abordados os estudos
que verificaram as relações entre os diversos financial ratios e a performance das empresas.
28
2.2 DETERMINAÇÃO DA PERFORMANCE A PARTIR DE INDICADORES FINANCEIROS
A literatura propõe diversos financial ratios para avaliar a situação econômico-
financeira de empresas. Comumente uma amostra desses indicadores é utilizada em pesquisas
específicas para testes empíricos com o objetivo de avaliar poder de determinação ou
previsão. Weston e Brigham (1993) agrupam esses indicadores basicamente em cinco tipos:
endividamento, gestão dos ativos, liquidez, rentabilidade e valor de mercado.
Os indicadores de endividamento indicam de alguma forma a representatividade do
capital de terceiros, que rende juros, na estrutura da empresa. Os mais comuns são o indicador
de alavancagem, que tipicamente é medido pelo passivo exigível dividido pelo ativo total, o
de cobertura da dívida, que é a razão entre a dívida líquida e alguma medida de rentabilidade,
e o de cobertura dos juros, que é alguma medida de rentabilidade dividida pela despesa
financeira, bruta ou líquida. A rentabilidade nesse caso é tipicamente medida pelo EBITDA,
como proxy da capacidade de geração de caixa operacional da empresa. Indicadores de gestão
dos ativos medem a compatibilidade dos valores dos diferentes tipos de ativos registrados no
balanço em relação às operações da empresa, sendo comumente utilizados o giro do ativo
total, dos ativos fixos e dos estoques.
Medidas de liquidez verificam a capacidade de pagamento frente às obrigações que a
empresa tem com fornecedores, funcionários e demais stakeholders. Há diferentes versões,
sendo mais comum a liquidez corrente, que compara o ativo circulante com o passivo
circulante.
Indicadores de rentabilidade medem a eficiência da empresa em gerar riqueza ou
valor, e resulta da combinação dos efeitos de liquidez, gestão dos ativos e da dívida. Podem
ser medidos em relação à receita líquida, ao ativo total e ao patrimônio líquido. Geralmente
para esse fim, são utilizadas medidas como lucro bruto, EBIT, EBITDA, lucro líquido, fluxo
de caixa operacional, fluxo de caixa livre, dividendos, entre outros.
29
Por fim, medidas de valor de mercado, que utilizam o preço da ação como referência,
indicam o que investidores esperam da performance futura da empresa. Tipicamente são
apurados o preço da ação dividido pelo lucro da empresa por ação e o valor de mercado
dividido pelo patrimônio líquido. Há ainda outras categorias mais específicas de financial
ratios, que abordam a representatividade dos custos e despesas, dos investimentos, do
imobilizado, entre outros aspectos.
Diversas análises foram desenvolvidas para investigar se existe capacidade de
determinação da performance das empresas por indicadores econômico-financeiros. Na
maioria dos casos, a performance era medida pela evolução do preço das ações. A hipótese
básica a ser verificada é se os preços das ações já refletem as informações contidas nesses
indicadores ou se eles possuem poder informacional. Resultados controversos mostram que
esse problema de pesquisa ainda representa um importante desafio para pesquisadores. Além
disso, a performance a ser explicada é comumente representada por uma variável de natureza
financeira.
Turk (2006), por exemplo, investigou através de regressões o poder preditivo de
preços de ações de curto prazo por indicadores financeiros – caixa, giro de estoque, payout e a
razão entre preço e lucro –, controlando por indústria e verificando também diferenças
logarítmicas. Foi utilizada uma amostra de 50 empresas estáveis. Os resultados não
confirmaram o poder preditivo: o R2 das regressões foi baixo e muitas relações apresentaram
o oposto ao resultado esperado, corroborando com hipótese de eficiência de mercado.
De forma semelhante, Lewellen (2004) analisou se há relação preditiva entre
indicadores financeiros e o retorno de ações. Resultados indicaram que a razão entre
dividendos e preço, entre valor contábil e de mercado e entre lucro e preço da ação oferecem
poder preditivo, mesmo com o viés de amostras pequenas.
30
Outros estudos utilizaram como variável a ser explicada o retorno sobre o ativo ou
sobre o patrimônio líquido. Delen, Kuzey e Uyar (2013) utilizaram análise fatorial e quatro
algoritmos de árvores de decisão (CHAID, C5.0, QUEST and C&RT) para verificar o
impacto de indicadores econômico-financeiros nessas variáveis. A amostra continha dados de
empresas turcas de 2005 a 2011, totalizando 2.345 observações. Os resultados mostraram que
as técnicas CHAID e C5.0 apresentaram melhor acurácia na previsão; entre os indicadores,
análises de sensibilidade indicaram que a razão entre lucro antes de impostos e valor de
mercado e margem líquida são os mais importantes.
É importante verificar o poder de determinação de financial ratios sobre o
desempenho financeiro, mas a investigação empírica do seu poder sobre o desempenho
estritamente operacional ainda é bastante incipiente na literatura e, por isso, tem destaque no
presente trabalho.
2.3 INDICADORES ECONÔMICO-FINANCEIROS NO SETOR ELÉTRICO
Nesta seção, serão apresentados modelos de análise de indicadores para leitura da
performance ou situação financeira de empresas que fazem parte do setor elétrico. Esses
indicadores contemplam aspectos como investimentos, alavancagem, distribuição de
dividendos, margens, entre outros. A intenção é que essa análise proporcione o suporte
necessário para escolha daqueles índices que farão parte do escopo de análise do presente
trabalho. Eles serão utilizados para a avaliação do poder preditivo da performance
operacional.
Ozorio (2013) propõe um conjunto de indicadores para análise do setor elétrico
brasileiro por stakeholders diversos. A metodologia foi aplicada em grandes empresas do
segmento com dados de 2001 a 2011. A análise da situação econômica passa por indicadores
31
como receita líquida, EBIT, giro do capital investido, retorno sobre capital investido, custo
médio ponderado de capital, lucro econômico, necessidade de capital de giro, ciclo financeiro,
índice de cobertura de juros e razão entre dívida líquida e EBITDA.
Outras técnicas foram utilizadas para determinar o grau de importância dos índices em
cada perspectiva. Ribeiro, Macedo e Marques (2012) utilizaram as metodologias Delphi e
Análise Hierárquica para essa avaliação no setor brasileiro de distribuição de energia elétrica.
Na perspectiva financeira, foram identificados como mais importantes os indicadores de
cobertura de juros, retorno sobre o patrimônio líquido e perfil de endividamento. No campo
operacional, margem EBITDA, FEC e DEC foram considerados os mais relevantes. Na
dimensão socioambiental, foram selecionadas a taxa de comprometimento ambiental e a
rentabilidade agregada dos investimentos.
Alguns trabalhos mais direcionados foram desenvolvidos com propósito similar.
Carregaro (2003) apresenta indicadores para análise das empresas que fazem parte da
Eletrobrás, objetivando melhor planejamento e controle. O autor propõe indicadores de
desempenho corrente, de qualidade de energia, de adimplência, de perdas, de desempenho
global e de universalização do atendimento. São feitas análises horizontais e verticais, através
das quais se percebe a importância da segregação entre indicadores de satisfação, desempenho
e qualidade.
A análise de indicadores torna-se ainda mais importante para avaliar o efeito de
eventos regulatórios. Castro et al. (2012) analisa o desempenho de nove grandes
concessionárias de energia de seis estados no momento de implementação do terceiro ciclo de
revisão tarifária periódica feito pela Aneel. Verificou-se uma redução natural nas margens das
empresas, mas não nos investimentos, que podem ser financiados com capital de terceiros e
lucros retidos. Como o capital de terceiros é mais barato e acessível para as grandes
concessionárias, os autores apontam para uma tendência de consolidação do setor.
32
A nota técnica 353/2014 da Aneel, um dos motivadores deste trabalho, propõe 31
indicadores econômico-financeiros – 5 principais e 26 suplementares – para monitoramento
periódico das concessionárias. Eles englobam as 5 dimensões: endividamento, eficiência,
investimentos, rentabilidade e retorno ao acionista. Os indicadores requerem tanto
informações regulatórias, construídas para parametrização de referências e subsidiar
processos de revisão tarifária, quanto realizadas, dos últimos 12 meses ou médias dos últimos
4 anos, coletadas nas versões regulatórias dos demonstrativos financeiros das empresas. O
documento também propõe 4 indicadores operacionais: DGC, DEC, FEC e perdas, sendo
esses três últimos relativos aos valores regulatórios. Ainda que bastante abrangente, a nota
não propõe, por exemplo, indicadores para medir liquidez ou carga tributária.
A consulta pública 015/2014, realizada a partir dessa nota técnica, gerou contribuições
de algumas empresas do setor. A AES Brasil (2015), por exemplo, comenta que o ideal é que
os indicadores sejam apurados conforme a contabilidade societária. A empresa também
solicita a divulgação de limites para os indicadores e não acha viável a utilização do CapEx
regulatório para comparação com o CapEx real.
Já a Copel (2015) sugere a utilização das mesmas premissas adotadas nas revisões
tarifárias como parâmetros e limites e se opõe à incorporação do déficit atuarial no cálculo da
dívida bruta, propondo, por outro lado, que nesse cálculo sejam incluídos os saldos em aberto
das subvenções da conta de desenvolvimento energético junto à Eletrobrás. A empresa
também se opõe ao uso de dados regulatórios utilizados nas revisões tarifárias devido à
periodicidade específica desse processo.
A Celesc Distribuição (2015) ressalta a importância de considerar aspectos de
confidencialidade e validação no processo. A Cemig (2015) sugere a inclusão de um
indicador de retorno sobre o capital investido e se opõe à mensuração da dívida líquida sem a
inclusão dos ativos e passivos regulatórios.
33
O Ceri e a Unisinos (2015) propõem que as médias carreguem pesos maiores para
valores mais recentes e sugere a utilização de métricas como o fluxo de caixa livre para a
firma, fluxo de caixa livre para o acionista, dívida bruta, custo de capital, além de indicadores
de governança corporativa e de retorno ajustado ao risco. Também ressaltam a necessidade de
verificar se os ganhos advindos desse processo superarão os custos de atender essa demanda
por informações.
A EDP (2015) aponta que o Capex Regulatório, medido pela QRR, em muitos casos é
bastante distante do real por não considerar expansões da rede para novos clientes ou a
ampliação da capacidade da rede existente, e também propõe a discussão e adoção de limites
para os indicadores.
Segundo a Elektro (2015), a Aneel deve distinguir má gestão de insuficiência tarifária.
Além disso, ressalta que as recentes variações causaram descasamentos significativos no
fluxo de caixa das distribuidoras, e questiona a divulgação pública dos financial ratios e o
monitoramento das empresas que bons níveis de continuidade do fornecimento.
A Equatorial Energia (2015) sugere a utilização somente do EBITDA e CapEx reais,
excluindo, do primeiro, baixas de ativos permanentes e, do segundo, investimentos que geram
obrigações especiais. Mesmo assim, a empresa menciona que o CapEx real pode ser
naturalmente alto para empresas em crescimento. Ressalta também que os indicadores de
eficiência e endividamento já cumprem o papel proposto pelos de retorno ao acionista e das
penalizações resultantes dos índices de continuidade do fornecimento. Além disso, sugere a
inclusão de um indicador de eficiência do uso do capital de giro.
Para a CPFL Energia (2015), o mercado de capitais já avalia constantemente a
situação financeira das distribuidoras e o processo proposto pode trazer barreiras ou
engessamento da gestão. Também é criticado o uso do CapEx regulatório, em detrimento do
real, da receita líquida, ao invés do valor da parcela gerenciável dos custos, e a falta de
34
coerência entre revisão tarifária e índices utilizados. Pede-se definir se seriam utilizados os
proventos declarados ou efetivamente pagos e sugere-se a inclusão de indicadores que
verificam a liquidez da distribuidora a partir da leitura dos ativos e passivos regulatórios.
O Grupo Energisa (2015) destaca a importância da análise de indicadores financeiros,
mas indica que eles podem estar contaminados por eventos não-recorrentes, não traduzem por
completo a situação, e, por isso, devem ser apreciados em conjunto com notas explicativas,
outras informações e projeções. A empresa não acha adequado efetuar comparações diretas
entre a visão real e regulatória e menciona a importância de se considerar benefícios fiscais,
provisões ou reversões, e valores de referência. Sugere também que indicadores que utilizam
dívida líquida bancária e EBITDA sejam substituídos por outros, como os utilizados por
agências de rating, mais tradicionais. Alerta ainda que o indicador de multas é bastante
sensível ao ritmo fiscalizatório e que os indicadores de dividendos não refletem a situação
financeira da empresa, visto que o resultado a partir deles é controverso e há diferenças nas
políticas de distribuição dependendo do tipo da empresa (de capital aberto, de capital fechado,
estatal pública ou de economia mista).
A Light (2015) argumenta que não é adequado subtrair do EBITDA o CapEx, pois ele
depende do estágio em que se encontra a empresa, ou combinar parâmetros de efeito caixa
com outros de efeito competência. Por fim, a Kev Line (2015) menciona que a contabilidade
tradicional, que trata energia como produto, não deve ser utilizada para o setor elétrico,
invalidando a proposta de monitoramento de indicadores apresentada pela agência reguladora.
A nota técnica da agência reguladora, as contribuições das empresas e pesquisas
correlatas serviram de base para a concepção dos indicadores utilizados no estudo. Em
contrapartida, espera-se que os resultados da análise orientem o processo de monitoramento
proposto.
35
2.4 INDICADORES DE DESEMPENHO OPERACIONAL DE CONCESSIONÁRIAS DE DISTRIBUIÇÃO
DE ENERGIA
Consideram-se indicadores de desempenho operacional neste trabalho as medidas que
não possuem qualquer tipo de relação com os resultados ou balanço financeiro da empresa.
São índices que não são medidos por unidade de moeda, nem constituídos de variáveis
medidas por unidade de moeda. Podem ser, portanto, voltados para a qualidade da operação,
satisfação de clientes, participação de mercado, ocorrências de problemas ou de produtos fora
de especificação ou até o desempenho do atendimento a essas ocorrências.
Como o setor objeto de análise é o de distribuição de energia elétrica, indicadores de
participação de mercado seriam inviáveis, pois há pouca gestão sobre esta variável, que acaba
sendo um resultado da concessão.
Indicadores de qualidade podem ser uma importante representação do desempenho da
operação. Segundo o modulo 8 do PRODIST (Procedimentos de Distribuição de Energia
Elétrica no Sistema Elétrico Nacional) da Aneel – denominado Qualidade da Energia Elétrica
e com sexta revisão vigente em janeiro de 2015 –, a qualidade da operação da distribuidoras
pode ser desmembrada em (1) qualidade do produto e (2) qualidade do serviço.
Em relação à qualidade do produto, através desse manual de procedimentos, a Aneel
solicita às concessionárias que disponham de medidores de tensão em regime permanente, de
fator de potência, de harmônicos, de desequilíbrio e flutuação de tensão, de variações de
tensão de curta duração e de variação de frequência. O documento especifica cada um dos
indicadores e define compensações aos consumidores em caso de valores apurados aquém dos
limites estabelecidos.
O documento determina que a qualidade do serviço, por outro lado, seja medida por
indicadores de atendimento às reclamações dos consumidores, de tempo de atendimento às
ocorrências emergenciais e de frequência e duração das interrupções de fornecimento de
36
energia. Esses dois últimos, denominados DIC (Frequência de Interrupção Individual por
Unidade Consumidora) e FIC (Frequência de Interrupção Individual por Unidade
Consumidora), são mensurados para cada unidade consumidora e também levam as
distribuidoras a compensarem os consumidores em caso de desvios.
Adicionalmente, foram criados os indicadores DEC (Duração Equivalente de
Interrupção por Unidade Consumidora) e FEC (Frequência Equivalente de Interrupção por
Unidade Consumidora), que representam a média das durações (ou frequências) de
interrupção de cada conjunto de consumidores atendidos por cada concessionária. Essas
medidas são baseadas em indicadores internacionais retirados da norma do IEEE,
denominados SAIDI (System Average Interruption Duration Index) e SAIFI (System Average
Interruption Frequency Index). Basicamente, o indicador de duração equivalente corresponde
à soma das durações de todas as interrupções ao longo de um período dividido pela
quantidade de unidades consumidoras atendidas. O indicador de frequência equivalente
representa a soma de todas as interrupções ocorridas divididas pela quantidade de unidades
consumidoras.
Ademais, foi criado um indicador com o propósito de consolidar em um único número
o desempenho da distribuidora no que diz respeito a duração e frequência de interrupções,
normalizado pelos valores atribuídos como limites, ou referências, para os mesmos. Os
limites de duração e frequência são determinados pela agência reguladora através de
resoluções autorizativas. Esses limites são apurados levando em conta a área dos conjuntos
consumidores, a extensão das redes urbana e rural, o número de unidades e a
representatividade das classes residencial, industrial e comercial. Constitui-se então o DGC,
ou Desempenho Global de Continuidade, cuja fórmula é descrita a seguir:
37
Outro importante indicador que pode representar o desempenho operacional da
concessionária é o Índice Aneel de Satisfação do Cliente (IASC). Ele é apurado anualmente
através de consultas feitas a uma amostra de consumidores nas principais localidades da área
de concessão de cada concessionária (ANEEL, 2014a). A pesquisa aborda cinco aspectos da
percepção de qualidade do consumidor: qualidade percebida, valor percebido, confiança,
fidelidade e satisfação. São concedidos prêmios para as concessionárias com os melhores
índices em cada categoria de avaliação.
38
3 METODOLOGIA DA PESQUISA
Esse trabalho se propõe a aplicar técnicas que objetivam determinar com maior
eficácia a possibilidade de deterioração da performance operacional distribuidoras de energia
elétrica do Brasil.
Para isso, é testado estatisticamente um modelo de determinação do desempenho
operacional a partir de indicadores financeiros defasados, que traduzem a situação
econômico-financeiro dessas empresas. Essa análise aborda a hipótese de que a gestão
econômico-financeira contribui para a tendência de performance operacional nos anos
subsequentes e, por isso, pode servir para prever ou evitar dificuldades operacionais em um
setor chave para a economia e com alta dependência da sustentabilidade econômico-
financeira das empresas em atividade.
Inicialmente é descrito o universo considerado para análise e os ajustes efetuados para
adequação da amostra ao propósito do trabalho. Em seguida, são detalhadas as metodologias a
serem aplicadas, suas premissas e as variáveis envolvidas.
3.1 COMPOSIÇÃO DA AMOSTRA
Fazem parte do universo de análise todas as 63 concessionárias brasileiras de
distribuição de energia elétrica. Dessas concessionárias, 6 pertencem ao grupo Eletrobrás
(AmE, Ceron, Eletroacre, Bovesa, Cepisa e Ceal), 13 ao grupo Energisa (EEB, EBO, EPB,
EMG, ENF, ESE, ETO, EMS, EMT, Caiuá, CNEE, CFLO e EDEVP, sendo estas 7 últimas
recentemente adquiridas do Grupo Rede, que entrou em recuperação judicial), 8 da CPFL
(Piratininga, Paulista, Leste Paulista, Sul Paulista, Jaguari, Mococa, Santa Cruz e RGE), 3 da
39
Neoenergia (Coelba, Celpe, Cosern), 2 da AES (AES-Sul e Eletropaulo), 2 da EDP
(Bandeirante e Escelsa), 2 da Equatorial (Celpa e Cemar) e 2 da Endesa (Ampla e Coelce).
Além disso, a amostra contempla 4 importantes concessionárias que não pertencem a
esses grandes grupos: Cemig, Copel, Elektro e Light. Das empresas da amostra, 2 são estatais
municipais: DMED e DEMEI. Há ainda 9 outras empresas mistas (CEA, CEEEE, Celesc,
CELG, CEB, Eletrocar, Cocel, CERR e Forcel) e 10 outras pequenas privadas de capital
fechado (CHESP, Sulgipe, Santa Maria, UHE, Mux, Hidropan, Iguaçu, Urussanga, João Cesa
e Aliança).
A análise utiliza indicadores financeiros anuais de 2011 a 2013 e operacionais de 2012
a 2014. Os indicadores financeiros são originários de dados dos balanços, demonstrativos de
fluxo de caixa e de resultado dos exercícios de 2010 a 2013 dessas empresas, além de dados
do registro de compensações regulatórias. Os demonstrativos de 2010 foram necessários para
a apuração dos investimentos, feita a partir de variações entre exercícios em linhas do
balanço. Os valores contábeis de 2010 e 2011 foram extraídos dos demonstrativos de 2011,
enquanto os valores de 2012 e 2013 foram obtidos dos demonstrativos de 2013. Os dados
operacionais são oriundos da pesquisa de qualidade e do ranking de continuidade promovidos
pela Aneel, e foram obtidos junto à Superintendência de Regulação da Distribuição da Aneel.
Nem todas as informações e demonstrativos estiveram disponíveis para todas as empresas em
todos os anos considerados para a análise.
Os dados financeiros, extraídos do banco de demonstrativos financeiros da Aneel,
foram utilizados segundo a contabilidade regulatória. Entende-se que ela traduz de forma
mais apropriada a situação econômico-financeira da empresa, como indicam estudos
anteriores. Ozorio (2013) verifica que a contabilidade societária para empresas desse setor,
que, no intuito de convergirem para aos padrões definidos pelo IFRS (International Financial
Reporting Standards), deixaram de considerar os ativos e passivos regulatórios, perdeu
40
importante conteúdo informacional. Ohara (2014), ao comparar as demonstrações preparadas
preparados sob as duas óticas, percebeu diferenças relevantes que podem levar a conclusões
equivocadas caso a visão regulatória não seja levada em consideração.
A figura 1 apresenta a distribuição no território brasileiro das concessionárias que
fazem parte da amostra. A imagem mostra a significativa diferença na quantidade de
distribuidoras presentes no sul e sudeste do país, em comparação ao norte, nordeste e centro-
oeste, onde as empresas tipicamente atuam em extensas áreas de concessão.
Figura 1 – Distribuição das concessionárias de distribuição de energia ao longo do território brasileiro. Foi destacada a situação de cada distribuidora em relação ao lucro líquido e patrimônio líquido de 2013,
conforme contabilidade regulatória. Elaborada pelo autor.
Lucro líq. Pat. Líq.
Lucro líq.Pat. líq.
Valor positivoValor negativoValor indisponívelMercado acima de 1 TWhMercado abaixo de 1 TWh
41
3.2 DEFINIÇÃO DAS VARIÁVEIS EXPLICATIVAS
A avaliação das informações brutas contidas nos demonstrativos e a análise de
pesquisas anteriores (MBANWIE; EDMOND, 2009; DECHOW; SUN; WANG, 2013;
BEAVER, 1966; ALTMAN, 1968; DELEN; KUZEY; UYAR, 2013) e da nota técnica
353/2014 da Aneel levaram à determinação dos seguintes financial ratios como variáveis
explicativas para o modelo:
1. Indicadores de endividamento
a. Dívida líquida / EBITDA (OZORIO, 2013)
Corresponde à soma dos empréstimos e financiamentos de curto e longo prazo,
incluindo debêntures e encargos, subtraídos do caixa e aplicações de curto
prazo da empresa, divididos pelo lucro antes de impostos, juros, depreciação e
amortização. Entende-se que a dívida líquida é mais adequada do que a bruta
para o próposito desse indicador, pois reflete o valor que a empresa
efetivamente precisa comprometer o resultado de suas operações. Não estão
incluídos na dívida líquida os resultados de operações de swap, leasing
financeiro ou empréstimo com coligadas. Como a amostra contém vários casos
em que o EBITDA é negativo, os testes estatísticos utilizaram o indicador em
sua forma inversa, sendo calculado sempre que a dívida bruta é maior que o
caixa e aplicações de curto prazo. Os resultados são mostrados de forma a
representar sua forma original, no entanto. Espera-se que empresas mais
endividadas ou com baixa geração de caixa tenham mais dificuldades em
manter um bom desempenho operacional de seus ativos; por isso, espera-se
uma relação inversa entre esse indicador (na sua forma original) e a
performance operacional da concessionária nos anos subsequentes.
42
b. Dívida líquida regulatória / (EBITDA - CapEx) (ANEEL, 2014b)
Esse indicador é similar ao anterior, porém utiliza como denominador o
EBITDA após os gastos com investimentos e inclui no cálculo da dívida
líquida os ativos e passivos regulatórios que representam variações na Parcela
A. Na contabilidade regulatória, essas variações são registradas no balanço
objetivando reduzir a variabilidade dos resultados das empresas. Trata-se de
uma das maiores diferenças entre as visões societária e regulatória dos
balanços das distribuidoras de energia. Da mesma forma que no indicador
anterior, os testes foram feitos com esse indicador na forma inversa, mas os
resultados serão mostrados como se eles estivessem na sua ordem tradicional.
Espera-se para esse indicador, em sua forma original, também uma relação
inversa com a performance operacional.
c. Passivo exigível / Ativo total (CARREGARO, 2003)
Esse índice representa o nível de alavancagem da empresa, ou a
representatividade do capital de terceiros sobre o capital total. Não é feita
distinção entre capital financeiro e operacional nesse caso. Uma vez que níveis
altos de alavancagem tendem a ocasionar gastos significativos com juros,
espera-se uma relação inversa entre esse indicador e o desempenho operacional
da concessionária.
d. EBITDA / Despesa financeira líquida (OZORIO, 2013)
Representa o lucro antes de juros, impostos, depreciação e amortização
dividido pelo resultado financeiro líquido, ou seja, as despesas com juros,
basicamente, líquidas das receitas com aplicações. Analogamente à motivação
para utilização da dívida líquida, entende-se que a medida da despesa líquida
43
dos rendimentos atende de forma mais adequada ao propósito do indicador.
Trata-se de um indicador também influenciado pela rentabilidade da empresa,
representada pelo EBITDA. Ele só é calculado caso a despesa financeira seja
maior que a receita. Espera-se uma relação direta entre esse indicador e o
desempenho operacional nos anos subsequentes.
2. Indicadores de investimentos
a. CapEx / Ativo total (adaptado da nota técnica 353/2014 da Aneel, que propõe
como denominador variáveis apuradas em processos de revisão tarifária)
Representa o quociente da divisão dos gastos de capital no período com o ativo
total. Os gastos de capital foram apurados pela variação no imobilizado e
intangível brutos, ou seja, sem levar em conta depreciações e amortizações no
período. Suspeita-se que firmas que direcionam mais gastos para investimentos
obtenham melhor performance operacional nos anos subsequentes.
b. Fluxo de caixa de investimentos / Ativo total (adaptado da nota técnica
353/2014 da Aneel, que propõe medidas de investimento apenas do regime de
competência)
Corresponde às saídas de caixa relativas a atividades de investimento, como
adições ao imobilizado, sobre o ativo total. Estas saídas representam uma
proxy para o CapEx realizado pela empresa.
c. Investimento em capital de giro / Receita líquida (RIBEIRO; MACEDO;
MARQUES, 2012)
Esse indicador representa a variação do capital operacional de giro da firma em
relação a sua receita líquida. A necessidade de capital de giro é medida pelo
ativo circulante, líquido do caixa e aplicações, subtraído do passivo circulante,
líquido de empréstimos e financiamentos. Espera-se que a necessidade de
44
investimento em capital de giro comprometa a capacidade da empresa de
investir na qualidade de seus ativos, levando a uma relação inversa entre esse
indicador e o desempenho operacional nos períodos subsequentes.
3. Indicadores de rentabilidade
a. Fluxo de caixa operacional / Receita líquida (PIOTROSKI, 2000)
Corresponde ao fluxo de caixa das operações da empresa dividido pela sua
receita líquida. Como espera-se que empresas com maior geração de caixa
operacional tenham mais disponibilidades para manterem a qualidade de seus
ativos, sua relação com o desempenho operacional em anos subsequentes deve
ser direta.
b. Lucro líquido / Receita líquida (ANEEL, 2014b)
Corresponde à margem líquida da empresa. Espera-se que empresas com
melhores margens obtenham melhor desempenho operacional no futuro.
c. EBITDA / Receita líquida (CARREGARO, 2003)
Representa a margem EBITDA da empresa, ou o quociente do lucro antes dos
juros, impostos de renda, depreciação e amortização pela receita líquida. Da
mesma forma, espera-se que empresas com melhor margem EBITDA tenham
melhor performance operacional.
4. Indicadores de eficiência operacional
a. Compensações / Receita líquida (ANEEL, 2014b)
As compensações são os créditos que as concessionárias dão aos consumidores
prejudicados com interrupções de fornecimento ou oscilações de tensão. O
valor financeiro das compensações é apurado de acordo com os encargos do
uso do sistema de distribuição, limitados a um percentual do faturamento
bruto. Esse indicador representa o quociente do valor monetário das
45
compensações pela receita líquida. É esperada uma relação inversa entre ele e
o desempenho operacional.
b. EBITDA / Valor da parcela B (ANEEL, 2014b)
Esse indicador representa a razão entre o EBITDA e a parcela dos custos
gerenciáveis da concessionária. Espera-se que haja uma relação direta entre
esse indicador, que mede eficiência em custos, e a performance operacional
nos anos subsequentes.
c. PMSO / Receita líquida (CARREGARO, 2003)
Trata-se da representatividade na receita líquida dos principais custos
gerenciáveis da concessionária, categorizados como pessoal, materiais,
serviços de terceiros e outros. O PMSO não inclui alguns custos gerenciáveis,
como doações, seguros, aluguéis, tributos, provisões, depreciação e
amortização. Espera-se que empresas com maior eficiência tenham melhor
performance operacional; por isso, suspeita-se que haja uma relação inversa
entre esse indicador e o desempenho operacional nos anos posteriores.
d. Receita líquida / Ativo total (OZORIO, 2013)
Essa medida representa o giro dos ativos da empresa. Espera-se uma relação
direta entre ela e o desempenho operacional em períodos subsequentes.
5. Indicador de proventos
a. Dividendos e JCP / Patrimônio líquido (LEWELLEN, 2004)
Corresponde à saída de caixa referente a distribuição de dividendos ou de juros
sobre capital próprio dividida pelo patrimônio líquido da concessionária. Esse
indicador só é calculado em caso de patrimônio líquido positivo. Espera-se
uma relação inversa entre o montante pago em proventos e o desempenho
operacional nos anos posteriores.
46
As informações oriundas de balanço foram aquelas relativas ao fim do período
analisado. Como boa parte das concessionárias tem capital fechado, não é possível a
utilização também de informações de mercado, como preços de ações.
Ainda que seja uma dimensão importante de avaliação, não foi implementado
indicador referente a impostos pagos devido à falta de uma base adequada: o lucro líquido,
por exemplo, não serviria como denominador visto que boa parte das empresas apresentaram
prejuízo no período analisado. Suspeita-se, porém, que um maior direcionamento do lucro
para impostos reduza a capacidade de investimento, levando a uma relação inversa entre esse
indicador e a performance operacional.
3.3 DEFINIÇÃO DAS VARIÁVEIS DE CONTROLE
A partir da análise do contexto e das especificidades do setor, foram definidas como
mais relevantes as seguintes variáveis de controle:
a. Tamanho do mercado (ANEEL, 2015b)
Para essa variável, é atribuído o valor 1 caso a concessionária atenda uma área
de concessão abaixo de 1 TWh, e 0 caso contrário. A amostra contempla 36
concessionárias consideradas “grandes” e 27 consideradas “pequenas”.
b. Tipo do sistema (ANEEL, 2015b)
Diferencia se a concessionária atua em uma rede isolada ou interligada.
Basicamente, operam em rede isolada a maioria das concessionárias da região
norte (Ceron, AmE, Celpa, Cea, Bovesa, Cerr e Eletroacre) e a Cemat. Para
essas, foi atribuído o valor 0; para as demais, foi atribuído o valor 1.
47
c. Ativo total (ALTMAN; HALDEMAN; NARAYANAN, 1977)
Trata-se do logaritmo em base decimal do total de ativos da empresa. Utilizou-
se o logaritmo para evitar heterocedasticidade dos resíduos da amostra. Assim
como o tamanho do mercado, o objetivo do uso dessa variável é controlar pelo
tamanho da empresa, utilizando, porém, um aspecto econômico-financeiro,
representado por uma variável que pode assumir diversos valores.
O efeito tamanho é avaliado a partir da inclusão do ativo total, em sua forma
convencional ou logarítmica, em diversas pesquisas, como em Altman, Haldeman e
Narayanan (1977), devido a sua relevância. Adicionalmente, o ranking de continuidade do
fornecimento, divulgado anualmente pela Aneel, segrega as empresas pelo tamanho do
mercado em que atuam e ressalta aquelas que atuam fora do sistema interligado, indicando a
importância dessa consideração no presente estudo (ANEEL, 2015b).
3.4 DEFINIÇÃO DAS VARIÁVEIS DEPENDENTES
O estudo contempla duas variáveis para representar o desempenho operacional da
empresa: o indicador de Desempenho Global de Continuidade, ou DGC, e o Índice Aneel de
Satisfação do Consumidor, ou IASC. Eles são não-monetários e estão diretamente
relacionados à qualidade do serviço desempenhado pela concessionária.
a. Desempenho Global de Continuidade (ANEEL, 2015b)
Como já mencionado, o DGC é a média dos valores relativos de duração e
frequência equivalente de interrupções, que representam um aspecto chave da
qualidade do serviço das distribuidoras, que é a continuidade do fornecimento.
Duração e frequências equivalentes são a média de durações e frequências por unidade
48
consumidora. Valores relativos significam o quociente dos apurados sobre os limites.
Os valores limites são referências determinadas pela Aneel para cada conjunto de
unidades consumidoras (que representa, basicamente, cada subestação de distribuição)
de cada concessionária através de análise estatística e resoluções autorizativas. A
consolidação do DEC e FEC de cada concessionária é feita ponderando-se pelo
número de consumidores. É importante ressaltar que tanto DGC quanto DEC e FEC
são indicadores do tipo “quanto menor, melhor”. As medidas DEC e FEC foram
comumente utilizadas em estudos anteriores, como em Carregaro (2003).
b. Índice Aneel de Satisfação do Consumidor (ANEEL, 2014a)
O IASC é resultado de pesquisa anual feita por instituição independente junto a
uma amostra de consumidores das principais localidades atendidas pela concessionária.
Para cada concessionária é atribuído um índice de 0 a 100, dependendo das notas dadas
pelos consumidores consultados. Esse indicador foi utilizado em pesquisas como em
Vianna (2014).
Ao todo, foram coletadas e utilizadas nas análises 2.943 observações. A tabela 1
apresenta a estatística descritiva de cada variável utilizada.
49
Tabela 1 – Estatística descritiva dos indicadores financeiros e operacionais que fazem parte da amostra. As medidas consideram todas as observações coletadas em todo o período. Os dois quocientes que
consideram a informação da dívida líquida estão apresentados na forma invertida. Elaborada pelo autor.
3.5 INSTRUMENTOS DE ANÁLISE
Para a análise estatística, é aplicado o modelo conceitual representado a seguir, que
consiste na relação entre uma das medidas de performance operacional e variáveis
explicativas, dentre elas, indicadores financeiros defasados.
Média& Mediana& Mínimo& Máximo&Dív.%Líq.%/%EBITDA% %0,63%%%% %0,46%%%% 329,07%%%% %14,61%%%%
D.%L.%Reg.%/%(EBITDA%–%CapEx)% 30,27%%%% %0,12%%%% 344,03%%%% %14,57%%%%FC%Inv.%/%AEvo%Total% %0,06%%%% %0,06%%%% 30,16%%%% %0,31%%%%
FC%Operac.%/%Receita%Líq.% %0,10%%%% %0,12%%%% 31,91%%%% %0,69%%%%Lucro%Líq.%/%Receita%Líq.%% 30,03%%%% %0,05%%%% 31,99%%%% %0,19%%%%EBITDA%/%Receita%Líq.% %0,10%%%% %0,14%%%% 31,07%%%% %0,35%%%%CapEx%/%AEvo%Total% %0,05%%%% %0,07%%%% 33,09%%%% %0,46%%%%
EBITDA%/%Desp.%Fin.%Líq.% %5,28%%%% %3,14%%%% 36,95%%%% %100,37%%%%Compens.%/%Receita%Líq.% %0,01%%%% %0,00%%%% %3%%%%%% %0,06%%%%Passivo%/%AEvo%Total% %0,74%%%% %0,68%%%% %0,16%%%% %4,25%%%%Log%(AEvo%Total)% %5,79%%%% %6,08%%%% %3,49%%%% %7,13%%%%Var.%CG%/%Rec.%Líq.% %0,00%%%% 30,01%%%% 31,84%%%% %1,93%%%%
EBITDA%/%Valor%Parc.%B% %0,51%%%% %0,53%%%% 30,87%%%% %1,66%%%%PMSO%/%Receita%Líq.% %0,23%%%% %0,19%%%% %0,08%%%% %0,77%%%%
Receita%Líq.%/%AEvo%Total% %0,66%%%% %0,62%%%% %0,19%%%% %1,38%%%%Proventos%/%Patr.%Líq.% %0,10%%%% %0,04%%%% %3%%%%%% %1,62%%%%
%DGC%% %0,90%%%% %0,82%%%% %0,12%%%% %2,82%%%%%IASC%% %0,64%%%% %0,64%%%% %0,30%%%% %0,85%%%%
50
Inicialmente, a hipótese de relação não-linear entre as variáveis dependentes e
independentes é verificada pelo teste de Ramsey.
O modelo indica 15 indicadores econômico-financeiros e 3 variáveis de controle, mas
diversos cenários de variáveis independentes são simulados, objetivando identificar o poder
explicativo e a relação predominante de cada uma delas. Os cenários são construídos de forma
a evitar multicolinearidade. Por isso, são testadas apenas combinações de variáveis
explicativas com menos de 40% de correlação em valor absoluto; esse limite, relativamente
rigoroso, foi também adotado por Suzuki, Olson e Reilly (2007). A motivação para a
realização de diversas regressões com diferentes combinações de variáveis explicativas
consiste em maior consistência na verificação das relações. O teste de diversos cenários
possibilita a obtenção dos sinais predominantes, com e sem significância estatística,
apresentados pelos coeficientes de cada variável, provendo maior robustez para as conclusões.
Esse método vai ao encontro do objetivo do trabalho, de avaliar se é direta ou inversa a
relação entre quocientes financeiros e performance operacional futura. O método da regressão
linear múltipla foi adotado por ser relativamente simples e permitir a avaliação da relação
entre diversas variáveis contínuas.
Em cada uma das regressões, foi obtido o coeficiente e a significância estatística de
cada variável independente. Essa análise foi feita para as duas variáveis dependentes
utilizadas (DGC e IASC) e para defasagens temporais de 1, 2 e 3 anos. O modelo com
defasagem de 3 anos, por exemplo, verifica se há poder explicativo dos financial ratios de
2011 nos indicadores operacionais de 2014. A tabela 2 mostra a matriz de correlação com
base na defasagem de 1 ano, com destaque para os valores acima de 40%.
Não verificou-se benefício na aplicação de regressões com dados em painel, nesse
caso, principalmente devido ao desbalanceamento causado por indisponibilidade de dados de
algumas empresas em alguns períodos.
51
Tabela 2 – Matriz com as correlações entre as variáveis utilizadas no estudo. Os indicadores que tratam da dívida líquida estão apresentados em sua forma invertida, por serem submetidos dessa forma às simulações.
As correlações foram apuradas com 1 ano de defasagem entre variáveis independentes e dependentes. Elaborada pelo autor.
A premissa de normalidade dos resíduos para a análise dos p-valores não é
preocupante devido ao tamanho da amostra, como sugerem Brooks (2002) e Gujarati (2000).
Mesmo assim, para verificar a robustez dos resultados, uma rodada adicional foi efetuada,
eliminando da amostra os outliers e evitando regressões com relação entre observações e
variáveis menor que 10 vezes.
Nos casos em que o teste de Breusch-Pagan indicou heteroscedasticidade ao nível de
10%, os erros-padrão, que determinam os p-valores, foram apurados utilizando estimadores
HC1, através de técnica desenvolvida ou baseada em trabalhos de Hinkley (1977), Eicker
(1963, 1967), Huber (1967) e White (1980), e detalhada por Hayes e Cai (2007).
52
4 RESULTADOS
Nesta seção, são apresentados os resultados da aplicação da metodologia para avaliar
se há grau de explicação da performance operacional das distribuidoras a partir de sua
situação financeira em períodos anteriores.
A hipótese de relação linear entre as variáveis dependentes (DGC e IASC) e os
indicadores financeiros não foi rejeitada na aplicação do teste proposto por Ramsey (1969),
com componentes quadráticas e cúbicas. Em 5 dos 6 cenários, essa hipótese não foi rejeitada
ao nível de 10%. No teste utilizando o IASC como variável dependente e defasagem de 3
anos, a hipótese nula não foi rejeitada ao nível de 5%. Os p-valores encontrados são
mostrados na tabela 3.
Variável dependente
Defasagem F p-valor
DGC 1 ano 1,667 0,194 2 anos 1,045 0,358 3 anos 1,213 0,318
IASC 1 ano 1,260 0,288 2 anos 0,175 0,840 3 anos 2,907 0,078
Tabela 3 – Resultado da aplicação do Teste Reset, proposto por Ramsey (1969), para verificar possível falha na especificação dos modelos, através da inclusão de componentes quadráticas e cúbicas. A hipótese nula, de que a especificação com relação linear é adequada, não foi rejeitada nas regressões do DGC e do IASC, ao
nível de 5% de significância. Ao nível de 10%, somente no teste do IASC com defasagem de 3 anos essa hipótese pode ser rejeitada. Foram utilizadas todas as variáveis explicativas propostas. Elaborada pelo autor.
As tabelas 4 e 5 sumarizam os resultados para o DGC e o IASC, respectivamente.
Foram feitas 26.775 regressões para cada variável dependente, dentre as 786.429
combinações possíveis (218 - 1, multiplicado pelo total de defasagens). As demais
combinações não foram testadas por conter variáveis independentes que apresentaram
correlação com valor em módulo maior que 40%. Para cada variável dependente, foram
realizadas 15.839 regressões com defasagem de 1 ano, 8.447 regressões com financial ratios
defasados em 2 anos e 2.489 com ratios defasados em 3 anos.
53
As tabelas indicam a relação esperada para cada financial ratio, conforme explicitado
na seção de metodologia. Além disso, para cada defasagem, são apresentados,
respectivamente da esquerda para a direita: (1) o sinal predominante do coeficiente da
variável explicativa, (2) o percentual de regressões em que esse sinal ocorreu e, das regressões
em que o sinal ocorreu, (3) o percentual de regressões com coeficientes estatisticamente
significativos, utilizando um nível de significância de 10%. As variáveis foram destacadas em
negrito quando o sinal predominante é igual ao esperado em todas as três defasagens e, com
asterisco, se, além disso, há mais de 70% predominância e mais de 30% de predominância
com significância estatística ao nível de 10%.
Para facilitar a comparação dos resultados do DGC, que é do tipo “quanto menor,
melhor”, com os do IASC, que é do tipo “quanto maior, melhor”, os sinais registrados pelos
coeficientes foram invertidos na tabela 4. Assim, o DGC fica alterado para a relação “quanto
maior, melhor”.
De uma forma geral, a quantidade de hipóteses confirmadas pelos sinais
predominantes foi bastante relevante. Como mostram as tabelas, dos 15 indicadores
econômico-financeiros avaliados, os sinais predominantes ocorreram da maneira esperada
(em todas as defasagens) em 11 nas regressões do DGC e em 9 nas regressões do IASC.
54
Tabela 4 – Resultados das regressões lineares adotando o Desempenho Global de Continuidade (DGC) como variável dependente, ajustado para a relação “quanto maior, melhor”. As variáveis explicativas correspondem a 3
variáveis de controle e 15 financial ratios, compreendendo as categorias de endividamento, investimentos, rentabilidade, eficiência e dividendos. Foram feitos testes com defasagens de 1, 2 e 3 anos, combinando
variáveis independentes que não possuem, entre elas, valor absoluto de correlação maior que 40%. Para cada uma das 3 defasagens, a tabela mostra, respectivamente da esquerda para a direita, o sinal predominante do
coeficiente da variável independente, o percentual de vezes em que esse sinal ocorreu, e, dessa quantidade, o percentual de vezes em que esse sinal ocorreu com significância de pelo menos 10%. Nos casos em que o teste
de Breusch-Pagan indicou heteroscedasticidade ao nível de 10%, a significância foi apurada utilizando estimadores robustos (HC1). Foram destacados em negrito os financial ratios com confirmação da relação
esperada nas 3 defasagens, e, com asterisco, predominância acima de 70% e com significância acima de 30% em todas as defasagens. Elaborada pelo autor.
55
Tabela 5 – Resultados das regressões utilizando o Índice Aneel de Satisfação do Consumidor (IASC) como variável dependente. Foram utilizados como variáveis independentes 3 variáveis de controle e 15 financial
ratios, relativos a endividamento, investimentos, rentabilidade, eficiência e dividendos. Foram feitos testes com defasagens de 1, 2 e 3 anos, com combinações de variáveis independentes que não possuem valor absoluto de
correlação maior que 40%. Para cada defasagem, a tabela apresenta, respectivamente da esquerda para a direita, o sinal predominante do coeficiente da variável independente, o percentual de vezes em que esse sinal ocorreu, e,
dessa quantidade, o percentual de vezes em que esse sinal ocorreu com significância estatística (a 10% de intervalo de significância). A significância foi verificada utilizando estimadores robustos (HC1) nos casos em
que o teste de Breusch-Pagan indicou heteroscedasticidade ao nível de 10%. Em negrito, apresentam-se os financial ratios com confirmação da relação esperada nas 3 defasagens, e, com asterisco, predominância acima
de 70% e com significância acima de 30% em todas as defasagens. Elaborada pelo autor.
Os resultados foram exatamente o oposto do esperado para um indicador nas
regressões do DGC (Proventos / Patrimônio Líquido) e outro indicador na regressão do IASC
(Fluxo de Caixa de Investimentos / Ativo Total).
Nos demais indicadores, os resultados variaram dependendo da defasagem: Dív. Líq. /
EBITDA e FC Operacional / Receita Líq., nas regressões do DGC e do IASC; Dív. Líq. Reg. /
(EBITDA - CapEx), somente nas regressões do DGC; e EBITDA / Desp. Fin. Líq., Var. CG /
Rec. Líq. e Proventos / Patr. Líq., somente nas regressões do IASC.
56
A seguir, são descritos os resultados por indicador:
1. Indicadores de endividamento
a. Dívida líquida / EBITDA
Os resultados para esse indicador foram inconclusivos. O sinal negativo
esperado foi registrado apenas na regressão do DGC com 3 anos de defasagem
e na regressão do IASC com 2 e 3 anos de defasagem, com significância em
uma pequena parte dos casos. Já na regressão do DGC com 1 e 2 anos de
defasagem, o resultado foi surpreendemente positivo (quanto maior a dívida
líquida sobre o EBITDA, maior o desempenho operacional medido) e com
significância em 76% e 37% dos casos, respectivamente.
b. Dívida líquida regulatória / (EBITDA - CapEx)
Na regressão do IASC, os sinais foram negativos em todas as defasagens,
confirmando o esperado, mas houve significância em, no máximo, 13% dos
casos. Na regressão do DGC, o sinal foi positivo com 1 e 2 anos de defasagem
(com 53% e 56% de casos com significância, respectivamente), mas negativo
com 3 anos, ainda que com poucos casos registrando significância.
c. Passivo exigível / Ativo total
A hipótese inicial, de que empresas indicadas por esse ratio como mais
endividadas teriam pior desempenho nos anos subsequentes, foi confirmada
pelos testes efetuados, de forma consistente. Em todos os casos, o sinal
negativo esperado foi encontrado. Houve significância estatística em grande
parte dos casos.
57
d. EBITDA / Despesa financeira líquida
Os coeficientes desse ratio mostraram-se positivos, confirmando a hipótese
inicial, em todos os casos na regressão do DGC. Houve também uma parcela
significativa de casos com significância estatística. Já no caso do IASC, os
resultados foram positivos em 51% dos casos com 1 ano de defasagem e
negativos com 2 e 3 anos, com poucos casos indicando significância.
2. Indicadores de investimentos
a. CapEx / Ativo total
Os resultados confirmaram a hipótese inicial de que empresas com maiores
níveis de investimentos em ativos permanentes apresentam melhor
desempenho operacional em períodos subsequentes. O resultado mais
consistente foi a regressão do IASC com 1 ano de defasagem, em que o
coeficiente do ratio apresentou o sinal positivo significativo em 49% dos
casos.
b. Fluxo de caixa de investimentos / Ativo total
Curiosamente, os resultados desse financial ratio para o DGC foram
exatamente o oposto ao mostrado para o IASC. A grande maioria dos testes
regredindo o DGC resultaram em coeficiente positivo, confirmando a hipótese
inicial, ainda que tenha havido poucos casos com significância. Já no caso do
IASC, a grande parte dos testes resultou em sinal negativo, mas também com
poucos casos com significância.
c. Investimento em capital de giro / Receita líquida
Os resultados confirmaram o valor negativo esperado do sinal do coeficiente
nas regressões do DGC. Já no caso do IASC, somente na defasagem de 2 anos
58
essa relação foi predominante e significativa. Nas demais defasagens, a relação
predominante foi positiva, mas sem significância em quase nenhum caso.
3. Indicadores de rentabilidade
a. Fluxo de caixa operacional / Receita líquida
Os resultados para esse indicador foram controversos, com sinais diferentes
dependendo da defasagem para ambas as variáveis dependentes. No DGC, a
relação positiva esperada confirmou-se para 1 e 2 defasagens. Já no IASC, essa
relação se revelou para 1 e 3 defasagens, ainda que, com 3 defasagens, não
houve significância em nenhum caso.
b. Lucro líquido / Receita líquida
Para esse ratio, a relação positiva esperada foi confirmada em todos os casos
de forma consistente, com destaque para o percentual de casos em que houve
significância nas regressões do IASC (91%, 99% e 73%, para 1, 2 e 3
defasagens, respectivamente).
c. EBITDA / Receita líquida
Também nesse caso, o sinal esperado foi confirmado em todos os testes, ainda
que, para algumas defasagens, os casos com significância não foram tão
comuns, exceto no IASC com 1 e 2 defasagens.
4. Indicadores de eficiência operacional
a. Compensações / Receita líquida
Os resultados confirmaram a relação negativa esperada em todos os casos de
forma veemente. O resultado foi tão conclusivo que apenas na regressão do
DGC com defasagem 3 anos não houve significância em 100% dos casos.
59
b. EBITDA / Valor da parcela B
Os resultados foram bastante conclusivos e conforme esperados, especialmente
nas regressões do DGC, em que o sinal positivo foi observado em todas as
regressões, com significância em 95%, 84% e 93% dos casos em cada
defasagem. Nas regressões do IASC, o sinal positivo foi bem predominante,
mas a representatividade de casos com significância foi menor.
c. PMSO / Receita líquida
O sinal predominante em ambos os casos foi negativo, conforme esperado. Nas
regressões do IASC, os percentuais com sinal negativo e com significância
foram bem elevados.
d. Receita líquida / Ativo total
O sinal positivo do coeficiente foi predominante em todos os casos. Nas
regressões do DGC, no entanto, houve significância estatística na estimativa do
coeficiente em poucos testes. Já nas regressões do IASC, na grande maioria
das estimativas foram significativas, exceto na defasagem de 2 anos, que
apresentou significância em 4% dos casos.
5. Indicador de proventos
a. Dividendos e JCP / Patrimônio líquido
Surpreendentemente, foi encontrada relação positiva, significativa na grande
maioria dos casos, entre esse ratio e o desempenho de continuidade do serviço,
contrária à esperada. No IASC, essa relação também foi encontrada para 2 e 3
defasagens, ainda que com poucos casos indicando significância. Para 1
defasagem, ocorreu a relação negativa esperada em quase todos os casos, com
10% deles indicando significância ao nível de 10%.
60
Os resultados apresentados pelas variáveis que indicam porte da distribuidora e se ela
está no sistema isolado ou interligado foram bastante conclusivos. A seguir são detalhados os
resultados por variável de controle:
1. Tamanho do mercado
Os sinais foram consistentemente negativos para o DGC e, em especial, o IASC,
que apresentou significância estatística em boa parte dos casos. Os resultados
indicam que distribuidoras que atuam em mercados abaixo de 1 TWh possuem
melhores índices de continuidade e de satisfação do cliente.
2. Tipo do sistema
O sinal positivo predominante indicou que distribuidoras do sistema interligado
obtêm melhores índices de desempenho de continuidade e de satisfação do cliente.
O percentual de regressões com defasagem de 1 ano que apresentaram
significância estatística ao nível de 10% mereceu destaque: 62% para o DGC e
100% para o IASC. No entanto, com 3 anos de defasagem, a relação foi negativa
mas não-significativa em nenhuma regressão do DGC.
3. Ativo total
Essa variável, que, assim como o tamanho do mercado, é uma indicação do porte
da distribuidora, apresentou resultados similares. O sinal negativo e significativo
foi registrado em boa parte dos casos nas regressões do DGC e em todos os casos
nas regressões do IASC, indicando que empresas menores apresentam melhor
desempenho operacional.
Houve, portanto, confirmações das hipóteses na maioria dos casos. Os dois
indicadores que apresentaram resultados opostos ao esperado em todas as defasagens, porém,
61
merecem uma análise mais aprofundada. Para essa análise, o DGC será apresentado em sua
relação original, do tipo “quanto menor, melhor”.
A seguir, na figura 2, é exibido o gráfico de DGC (adiantado em 1 ano) em função do
percentual de proventos sobre o patrimônio líquido. Para facilitar a visualização, foram
excluídos do gráfico os valores da Iguaçu Energia em 2011 (18% de proventos em relação ao
patrimônio líquido e DGC no ano seguinte de 2,82, bem alto ao relação às demais
observações) e da Eletropaulo em 2012 (162% de proventos em relação ao patrimônio líquido
e DGC de 0,80 no ano seguinte).
Figura 2 – Gráfico com o Desempenho Global de Continuidade (DGC), de 2012 a 2014, em função da razão entre proventos pagos e patrimônio líquido, de 2011 a 2013 das distribuidoras de energia elétrica do Brasil.
Elaborada pelo autor.
Não é possível estabelecer uma relação entre as variáveis a partir da imagem, mesmo
desconsiderando esses casos em que os valores foram extremos. É importante destacar a
quantidade de casos em que não houve distribuição de dividendos no período.
Em relação ao valor elevado registrado pelo indicador de proventos da Eletropaulo em
2012, percebem-se pela tabela 6 significativas diferenças entre versões societária e regulatória
e, especialmente, entre números originais e reapresentados de patrimônio líquido.
62
Tabela 6 – Patrimônio líquido, em milhões de reais, da Eletropaulo, registrado em 2012. Elaborada pelo autor.
Segundo as notas técnicas, as diferenças entre os ajustes de avaliação patrimonial das
versões societárias original e reapresentada advêm da adoção do CPC 33 (R1) – Benefícios a
Empregados. Houve registro de perda atuarial de 2,8 bilhões de reais, parcialmente
compensado por efeito de diferimento de imposto de 962 milhões de reais. Já o valor de 544
milhões em prejuízos acumulados na versão regulatória reapresentada reflete variações de
ativos e passivos regulatórios e ajustes devido ao ICPC 01 (efeito bifurcação e de atualização
do ativo financeiro da concessão) e ao CPC 30, além de diferimento de impostos. Ressalta-se
que o presente estudo utilizou para 2012 dados contábeis da versão regulatória reapresentados
em 2013. O valor atipicamente baixo do patrimônio líquido da Eletropaulo nessa versão do
demonstrativo elevou bastante o financial ratio de proventos.
O gráfico 3 a seguir apresenta os valores de IASC, adiantados em 1 ano, em função do
indicador econômico-financeiro de fluxo de caixa de investimentos sobre ativo total. A
imagem indica, de forma menos clara que na análise anterior, a relação inversa entre o
financial ratio e o indicador resultante da pesquisa de satisfação, contrária à esperada.
63
Figura 3 – Gráfico com o Índice Aneel de Satisfação do Consumidor (IASC), de 2012 a 2014, em função do fluxo de caixa de investimentos sobre o total de ativos, de 2011 a 2013 das distribuidoras de energia elétrica do
Brasil. Elaborada pelo autor.
Nas tabelas 7 e 8, são listados os casos com relação mais acentuada, e oposta ao
esperado, entre o financial ratio e a métrica de desempenho operacional no ano subseqüente.
Como sugeriram os gráficos, a relação inversa entre DGC e proventos sobre patrimônio
líquido é suportada por mais exemplos.
64
Tabela 7 – Alguns casos que indicam a relação inversa observada entre proventos sobre patrimônio líquido e desempenho de continuidade. Elaborada pelo autor.
Tabela 8 – Observações que exemplificam a relação inversa verificada entre fluxo de caixa de investimentos sobre ativo total e índice de satisfação do consumidor. Elaborada pelo autor.
65
Objetivando dar robustez aos resultados, a amostra foi submetida a uma nova rodada
de regressões. Dessa vez, além das regras utilizadas na rodada anterior, foram eliminadas da
amostra as observações consideradas outliers. Foram consideradas outliers as observações
muito superiores ao terceiro quartil ou muito inferiores ao primeiro quartil. O limite de
referência utilizado foi 3 vezes a diferença entre o terceiro e o primeiro quartis, como
mostram as equações a seguir.
xi > Q1 - 3(Q3 – Q1), (3)
ou xi < Q3 + 3(Q3 – Q1)
Esse filtro faz com que seja atendido de forma mais consistente o requisito para a
aplicação de regressões, mas diminui a quantidade de observações na amostra. Além disso,
não foram testadas as regressões com número de observações menor que dez vezes o número
de variáveis. Os resultados das regressões são apresentados nas tabelas 9 e 10.
66
Tabela 9 – Resultados das regressões do DGC eliminando outliers e ignorando regressões com número de observações menor que 10 vezes o número de variáveis. 3 variáveis de controle e 15 quocientes financeiros
foram utilizados como variáveis independentes, com defasagens de 1, 2 e 3 anos em relação ao DGC. Regressões contendo variáveis com correlação maior que 40% não foram feitas. Da esquerda para a direita, são mostrados o
sinal predominante, o percentual em que ele ocorreu e o percentual em que ele ocorreu com significância ao nível de 10%, apurada com estimadores robustos a heteroscedasticidade quando esta é atestada pelo teste de Breusch-Pagan ao nível de 10%. Em negrito destacam-se os casos com confirmação das hipóteses, e, com
asterisco, os casos com predominância superior a 70% e com significância acima de 30%. Elaborada pelo autor.
67
Tabela 10 – Resultados das regressões do IASC eliminando outliers da amostra e casos com quantidade de observações inferiores a 10 vezes o número de variáveis, além dos casos com correlação entre variáveis maior
que 40%. Foram contempladas como variáveis independentes 15 financial ratios e 3 variáveis de controle, defasadas de 1 a 3 anos em relação ao IASC. Para cada defasagem, são mostrados o sinal predominantes dos
coeficientes nas regressões, o percentual de vezes em que o sinal ocorreu, e o percentual de vezes em que ocorreu com significância ao nível de 10%. Os estimadores foram calculados robustos à heteroscedasticidade quando esta foi diagnosticada pelo teste de Breusch-Pagan ao nível de 10%. São destacadas em negrito e com asterisco, respectivamente, as variáveis para as quais houve confirmação das hipóteses, e para as quais houve confirmação em mais de 70% dos casos e com significância em mais de 30% dos casos. Elaborada pelo autor.
O número de regressões realizadas reduziu para 6.512 por variável dependente, sendo
4.933 para 1 defasagem, 1.561 para 2 defasagens e apenas 18 para 3 defasagens. Os
resultados apresentaram algumas diferenças em relação à rodada original, especialmente em
relação ao IASC. Nas regressões dessa variável, 3 ratios, que utilizam a medida do EBITDA e
que na rodada original apresentaram resultados conforme esperados, nesse caso mostraram
sinais inconclusivos, que variaram de acordo com a defasagem: Dívida líquida regulatória /
(EBITDA - CapEx), EBITDA / Receita líquida e EBITDA / Valor da parcela B. Além disso, a
medida de CapEx / Ativo total, que havia apresentado resultados originalmente conclusivos,
curiosamente nessa rodada apresentou sinal contrário ao esperado em todas as defasagens.
Nas regressões do DGC, o indicador de Dívida líquida / EBITDA passou a apresentar
68
resultados conclusivos e conforme esperados em todas as defasagens. Por outro lado, o
indicador de Investimento em CG / Receita líquida passou a apresentar resultados
inconclusivos, pois o sinal do coeficiente foi positivo em 68% das regressões na defasagem de
1 ano. Para os demais financial ratios e para as variáveis de controle, os percentuais
alteraram-se, mas as relações encontradas persistiram, com exceção da dummy que identifica
o tipo do sistema nas defasagens 1 e 3 das regressões do DGC.
69
5 CONSIDERAÇÕES FINAIS
5.1 DISCUSSÃO DOS RESULTADOS
O trabalho atingiu o objetivo de avaliar o poder de determinação de financial ratios
sobre a performance operacional futura das distribuidoras brasileiras de energia. Foram
analisados indicadores econômico-financeiros, baseados na contabilidade regulatória, das 63
concessionárias brasileiras, compreendendo o período de 2011 a 2013, quando havia dado
disponível. Como métricas de desempenho operacional, foram utilizadas as variáveis
Desempenho Global de Continuidade (DGC), que mede a frequência e duração das
interrupções de energia, e Índice Aneel de Satisfação do Consumidor (IASC), que mede o
valor que o usuário final percebe do serviço prestado.
Os indicadores econômico-financeiros compreendiam as dimensões de endividamento,
investimentos, rentabilidade, eficiência e dividendos. A expectativa era de que empresas com
indicadores que representem níveis maiores de endividamento ou de distribuição de
dividendos apresentem pior desempenho operacional nos anos posteriores. Por outro lado,
esperava-se que firmas cujas medidas indiquem maiores níveis de investimentos,
rentabilidade e eficiência tenham nos períodos subsequentes melhor performance na
qualidade do serviço prestado.
Os dados foram submetidos a regressões lineares utilizando as medidas de
desempenho operacional como variáveis dependentes e, como explicativas, os financial
ratios, em conjunto com variáveis de controle que indicam o porte da empresa e o tipo do
sistema, totalizando 18 variáveis independentes. Foram testadas regressões com todas as
combinações possíveis de variáveis (de forma a evitar multicolinearidade, entretanto),
atrasando os financial ratios, em relação às variáveis dependentes, em 1, 2 e 3 anos. Uma
70
segunda rodada de testes foi feita com ajustes que objetivaram reduzir a presença de outliers
na amostra.
Os resultados foram apresentados basicamente através de 3 indicações: o sinal do
coeficiente que predominou nos testes, o percentual de vezes em que os testes resultaram
nesse sinal, e, dessa quantidade, o percentual de vezes em que houve significância estatística,
ao nível de 10%, nessa estimativa.
Houve bastante aderência dos resultados obtidos às hipóteses iniciais. Trata-se de um
sinal bastante contundente de que o monitoramento de financial ratios, que traduzem a gestão
econômico-financeira das empresas, contribui para a antecipação de problemas operacionais
futuros, conforme explicitado por Aneel (2014b). Especialmente na análise do índice de
satisfação do consumidor, para o qual deve haver determinantes que vão muito além dessa
gestão (ZEITHAML, 2000), os resultados foram satisfatórios. O estudo também confirma
constatações a respeito da importância em se considerar variáveis contábeis nesse tipo de
análise (DECHOW, AK, SUN, WANG, 2013) e corrobora com a prática proposta pela
agência reguladora para monitoramento das concessionárias, alinhando a atuação destas ao
que é desejado e ao que é de interesse público (JENSEN; MECKLING, 1976; BATOR,
1958).
Nas regressões do DGC, 11 ratios obtiveram resultados que foram ao encontro das
hipóteses inicialmente definidas, enquanto, nas regressões do IASC, isso aconteceu para 9
ratios. Por outro lado, o indicador de proventos nas regressões do DGC e o de fluxo de caixa
de investimentos nas regressões do IASC os resultados apresentaram relação contrária à
esperada. Nos demais indicadores os sinais obtidos foram controversos dependendo da
defasagem temporal. Na segunda rodada, que utilizou ajustes para evitar a presença de
outliers na amostra, reduzindo a quantidade de observações e de regressões, o número de
ratios que confirmaram de forma contundente as hipóteses nas regressões do IASC reduziu
71
para 5. Isso indica que a gestão financeira possui relação com satisfação futura do consumidor
menos forte do que com continuidade do fornecimento.
A análise permite algumas conclusões importantes. Dentre os indicadores de
endividamento, por exemplo, aquele que mede o passivo em relação ao capital total, sem
diferenciação entre capital financeiro e operacional, apresentou melhor poder de explicação
do desempenho operacional, confirmando as constatações de alguns estudos anteriores
(JENSEN; MECKLING, 1976; MYERS, 1977). Especificamente no caso do DGC, o
indicador de EBITDA sobre despesa financeira também se mostrou relevante. Os indicadores
de dívida líquida em relação ao EBITDA, subtraído ou não do CapEx, não apresentaram
poder de determinação tão relevante. Uma das explicações pode estar associada à inversão
desses indicadores para que os casos em que o EBITDA é negativo pudessem ser
considerados. Os casos em que não há dívida líquida (38, do total de 169 observações
disponíveis) tiveram de ser desconsiderados, no entanto, reduzindo o total da amostra e
possivelmente contribuindo para que os resultados encontrados fossem inconclusivos. A
correlação entre as séries de dívida líquida sobre EBITDA e as de dívida líquida regulatória
sobre EBITDA subtraído do CapEx foi de 78%; as demais correlações entre as séries de
ratios de endividamento apresentou valor absoluto abaixo de 40%.
Dentre os indicadores de investimentos, o de CapEx sobre total de ativos apresentou
melhor poder de determinação, mesmo que essa medida não leve em consideração o motivo
dos investimentos (ampliação ou manutenção das linhas, por exemplo), e a relação encontrada
esteve em linha com a apresentada por Campello, Graham e Harvey (2010). Os indicadores
que envolvem fluxo de caixa de investimentos e variação de capital de giro, nas regressões do
DGC, também apresentaram relação igual à esperada, indicando maior aderência de
indicadores de investimentos como determinantes dessa medida de desempenho operacional.
Essa situação faz sentido, uma vez que a quantidade de interrupções de fornecimento é
72
conseqüência direta do investimento em ativos permanentes, enquanto a relação com a
qualidade percebida pelos clientes é mais distante. Investimento em capital de giro, em
especial, se utilizado para aumentar os prazos de recebimento, pode acarretar em maiores
níveis de satisfação do consumidor. O fluxo de caixa de investimentos não é uma proxy
perfeita do CapEx por incluir, por exemplo, adições relativas a ativos financeiros, o que pode
ter contribuído para os resultados inconclusivos ou inversos encontrados para esse indicador.
A correlação entre esses dois indicadores foi de apenas 14%, inclusive. Já a correlação de
19% entre os indicadores de CapEx e de capital de giro não mostra que, na amostra analisada,
o aumento em um tipo de investimento comprometeu o outro.
Os resultados para os indicadores de rentabilidade mostraram que, no regime de
competência, o poder de determinação é melhor. Os resultados foram bastante conclusivos
para a margem EBITDA e líquida – constatação semelhante à apontada por Cleverley e
Harvey (1992) no setor de saúde – mas não para o fluxo de caixa operacional sobre receita
líquida, que apresentou relação inversa em alguns casos. Ele teve correlação de 32% e 34%
com as margens líquida e EBITDA, respectivamente. As margens líquida e EBITDA
mostraram correlação de 92%.
Os 4 indicadores de eficiência, que traduzem a gestão dos custos e dos ativos,
apresentaram resultados bastante contundentes, em relação ao esperado, e conforme apontado
por estudos anteriores (CHIOU; DROGE, 2006; CLEVERLEY; HARVEY, 1992), mostrando
a importância de serem considerados no processo de monitoramento dessas empresas. No
caso do indicador de compensações regulatórias sobre receita líquida, como esperado, a
correlação com o DGC adiantado em 1 ano é relativamente alta, de 54%, e, com o IASC, de -
41%. Já para os ratios que envolvem PMSO e valor da parcela B, uma relação diferente da
esperada poderia apontar que maiores custos (ou margens menores) resultariam em melhor
desempenho operacional ou percepção de qualidade. O mesmo poderia valer para indicadores
73
de rentabilidade e de giro. No entanto, os resultados indicaram relação entre eficiência na
gestão e qualidade do serviço, em linha com a hipótese de pesquisa. Nas regressões do DGC,
o indicador de EBITDA sobre valor da parcela B mostrou casos com significância ainda mais
representativos do que para os indicadores de margem líquida e margem EBITDA, indicando
benefício em não considerar valores referentes à parcela A em análises de rentabilidade e
eficiência. A correlação entre a margem EBITDA e o indicador de EBITDA sobre o valor da
parcela B foi de 84%.
O indicador de proventos mostrou resultados inconclusivos nas regressões do IASC e
contrários ao esperado nas regressões do DGC. O fato de terem sido desconsiderados os casos
em que o patrimônio líquido é negativo pode ter contribuído para o resultado. Utilizar o lucro
líquido no denominador, mesmo que aparentemente mais adequado, diminuiria ainda mais a
quantidade de observações. Maiores níveis de proventos sobre o patrimônio líquido poderiam
indicar maior rentabilidade (CAMPELLO; GRAHAM; HARVEY, 2010), ao invés de menos
disponibilidades para investimentos, afetando a tradução esperada do indicador. A correlação
entre o indicador de proventos e o de margem líquida, no entanto, é de apenas 21%.
Um aspecto interessante é que, dentro os 15 ratios utilizados, 7 utilizam
demonstrativos diferentes (DRE, balanço ou fluxo de caixa) no numerador e no denominador,
enquanto os demais utilizam a mesma fonte. Para esses 7 indicadores, houve confirmação das
hipóteses iniciais em 36% dos casos; para os que utilizam a mesma fonte, o percentual foi de
94%. Os resultados indicaram, portanto, maior poder de determinação nos ratios que utilizam
somente um tipo de demonstrativo.
Quanto às variáveis de controle, os resultados foram bastante conclusivos para os
indicadores de tamanho, que também mostram boa capacidade preditiva em modelos de
falência como o proposto por Shumway (2001). O fato de concessionárias menores
apresentarem melhor desempenho de continuidade e percepção de satisfação pelos usuários
74
sugere que há menor complexidade na garantia de fornecimento e no atendimento ao cliente
em áreas de concessão menores. Pode haver maior identificação do cliente com empresas
locais, facilitando a satisfação com o serviço. A operação em sistema interligado, que
apresentou relação direta com o índice de satisfação, indica que nesse caso também há
melhores condições para o atendimento às expectativas do consumidor. A correlação entre
IASC e DGC, de -44%, sugere que os clientes, de fato, devem levar as interrupções de energia
em consideração na avaliação de satisfação, dentre outros aspectos.
5.2 LIMITAÇÕES DO ESTUDO
As conclusões apresentadas restringem-se ao universo e período analisado. Ainda que
o tamanho da amostra seja considerado suficientemente grande por fontes como Brooks
(2002), o período de tempo disponível para análise foi um fator que limitou a confiabilidade
dos resultados e a abordagem metodológica.
É importante ressaltar que indicadores de interrupção de energia podem estar
associados a diversos fatores não considerados diretamente no estudo, como condições
metereológicas e climáticas que podem levar a risco de desabastecimento. No entanto,
acredita-se que essa questão tenha sido parcialmente sanada tendo em vista que foram
utilizados valores relativos a limites de referência, e não absolutos.
Indicadores resultantes de pesquisa de qualidade junto ao consumidor final também
são influenciados por diversos aspectos, como o preço da tarifa, carga tributária, qualidade do
sistema de atendimento ao consumidor, risco de apagão e, de uma forma geral, a situação
econômica, social e política do país. Mesmo assim, as relações encontradas nas regressões do
IASC confirmaram na maioria dos casos as hipóteses iniciais, levando à notável conclusão de
75
que a gestão financeira contribui, de fato, para explicar a percepção de qualidade do
consumidor nos períodos subsequentes.
O trabalho também se limita pela indisponibilidade de dados econômico-financeiros
de determinadas empresas em alguns períodos de tempo. Essa questão restringiu a aplicação
de métodos quantitativos adicionais e a inclusão de outros indicadores. Acredita-se, porém,
que a metodologia e a quantidade de métricas utilizadas deram suporte a um número relevante
de constatações, com razoáveis níveis de confiabilidade.
5.3 SUGESTÕES DE TRABALHOS COMPLEMENTARES
O presente estudo pode ser considerado abrangente por ter utilizado sobre todo o
universo de concessionárias de distribuição do Brasil métodos estatísticos para avaliação do
poder de determinação de diversos financial ratios. No entanto, o tema é amplo, não muito
explorado, perfeitamente aplicável e conveniente para outras áreas do setor de energia, como
transmissão, geração e comercialização, assim como para outros setores da economia.
Da mesma forma, sugere-se estender esse trabalho dentro do universo de distribuição
de energia do Brasil, utilizando outros indicadores também relevantes, como aqueles que
incluem medidas econômico-financeiras adotadas para as revisões tarifárias, ou oriundas de
balanços na versão societária. Outros indicadores de performance operacional podem ser
também testados, como aqueles que medem qualidade do produto e resposta a ocorrências.
Acredita-se que esses trabalhos possam subsidiar ainda mais a atuação de stakeholders
e a decisão de investidores, além de prover melhor suporte para a regulação e maior equilíbrio
para o setor.
76
REFERÊNCIAS
AAKER, D. A.; JACOBSON, R. The Financial Information Content of Perceived Quality. Journal of Marketing Research, 31, 191-201, 1994. AES BRASIL. Contribuição da AES Brasil à CP 015/2014: Aprimoramento da Fiscalização do Equilíbrio Econômico-Financeiro e Instituição de Indicadores Públicos de Sustentabilidade. 2015. Disponível em <http://www.aneel.gov.br/aplicacoes/consulta_publica/documentos/AESBrasil_CP%2015_2014.pdf>. Acesso em 10/08/2015. ALTMAN, E. I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance, 23 (4), 589-609, 1968. ALTMAN, E. I. Predicting Financial Distress of Companies: Revisiting the Z-Score and Zeta Models. New York University, 2000. ALTMAN, E. I.; HALDEMAN, R. G.; NARAYANAN, P. Zeta Analysis: a New Model to Identify Bankruptcy Risk of Corporations. Journal of Banking and Finance, 1, 29-54, 1977. ANDERSON, E. W.; FORNELL, C.; LEHMANN, D. R. Customer Satisfaction, Market Share and Profitability: Findings from Sweden. Journal of Marketing, 58, 53-66, 1994. ANEEL. Prêmio IASC 2014: Relatório Brasil. Superintendência de Regulação dos Serviços Comerciais - SRC. 2014a. Disponível em <http://www.aneel.gov.br/arquivos/PDF/RELATORIO_BRASIL_IASC_2014.pdf>. Acesso em 10/08/2015. ANEEL. Nota Técnica nº 353/2014–SFF/ANEEL. 2014b. Disponível em <http://www.aneel.gov.br/aplicacoes/consulta_publica/documentos/NT_Indicadores%20de%20Sustentabilidade.pdf>. Acesso em 10/08/2015. ANEEL. Módulo 8 do PRODIST: Procedimentos de Distribuição de Energia Elétrica no Sistema Elétrico Nacional – Qualidade da Energia Elétrica. 6a revisão, 2015a. Disponível em <http://www.aneel.gov.br/arquivos/PDF/M%C3%B3dulo8_Revis%C3%A3o_6_Retifica%C3%A7%C3%A3o_1.pdf>. Acesso em 10/08/2015. ANEEL. Nota Técnica nº 0007/2015–SRD/ANEEL. 2015b. Disponível em <http://www.aneel.gov.br/arquivos/PDF/Nota_Tecnica_0007_2015_SRD_Ranking.pdf>. Acesso em 10/08/2015. BATOR, F. M. The Anatomy of Market Failure. Quarterly Journal of Economics, 72, 351-379, 1958. BEAVER, W. H. Financial Ratios as Predictors of Failure. Journal of Accounting Research, 4, 71-111, 1966. BHARATH, S. T.; SHUMWAY, T. Forecasting Default with the Merton Distance to Default Model. Review of Financial Studies, 21 (3), 1339-1369, 2008.
77
BLACK, F.; SCHOLES, M. The Pricing of Options and Corporate Liabilities. Journal of Political Economy, 7, 637-54, 1973. BROOKS, C. Introductory Econometrics for Finance. Cambridge: Cambridge University Press, 2002. CAMPELLO, M.; GRAHAM, J.; HARVEY, C. The Real Effects of Financial Constraints: Evidence from a Financial Crisis. Journal of Financial Economics, 97, 470-87, 2010. CARREGARO, J. C. Proposta de Indicadores de Desempenho às Distribuidoras de Energia Federalizadas do Setor Elétrico Brasileiro. Dissertação de Mestrado em Engenharia de Produção, Universidade Federal de Santa Catarina, Florianópolis. 2003. CASTRO, N. J.; BRANDÃO, R.; OZÓRIO, L. O Desempenho Financeiro das Distribuidoras de Energia Elétrica e o Processo de Revisão Tarifária Periódica. O Setor Elétrico, 76, 56-61, 2012. CELESC DISTRIBUIÇÃO. Contribuição para a Consulta Pública nº 015/2014: Subsídios à Formalização e ao Aprimoramento da Fiscalização do Equilíbrio Econômico e Financeiro das Distribuidoras de Energia Elétrica, Compreendendo a Instituição de Indicadores Públicos de Sustentabilidade. 2015. Disponível em <http://www.aneel.gov.br/aplicacoes/consulta_publica/documentos/Celesc%20Distribui%C3%A7%C3%A3o%20CP%20015_2014.pdf>. Acesso em 10/08/2015. CEMIG. Contribuições para a Consulta Pública – CP nº 015/2014. 2015. Disponível em <http://www.aneel.gov.br/aplicacoes/consulta_publica/documentos/Celesc%20Distribui%C3%A7%C3%A3o%20CP%20015_2014.pdf>. Acesso em 10/08/2015. CERI; UNISINOS. Contribuição Conjunta, Envolvendo o Centro de Estudos em Regulação e Infraestrutura (CERI) da Fundação Getulio Vargas (FGV), e o Departamento de Ciências Contábeis e Finanças da UNISINOS: Aprimoramento da Metodologia de Monitoramento Econômico e Financeiro das Distribuidoras de Energia Elétrica Utilizada pela SFF/ANEEL conforme Nota Técnica nº 353/2014. 2015. Disponível em <http://www.aneel.gov.br/aplicacoes/consulta_publica/documentos/Celesc%20Distribui%C3%A7%C3%A3o%20CP%20015_2014.pdf>. Acesso em 10/08/2015. CHIOU, J.; DROGE, C. Service Quality, Trust, Specific Asset Investment, and Expertise: Direct and Indirect Effects in a Satisfaction-Loyalty Framework. Journal of the Academy of Marketing Science, 34 (4), 613-627, 2006. CLEARY, S. The Relationship Between Firm Investment and Financial Status. Journal of Finance, 54 (2), 673-692, 1999. CLEVERLEY, W.; HARVEY, R. Competitive Strategy for Successful Hospital Management. Hospital & Health Services Administration, 37 (1), 53-69, 1992. COPEL. Contribuições à Consulta Pública nº 15/2014: Instituição de Indicadores Públicos de Sustentabilidade para a Fiscalização do Equilíbrio Econômico e Financeiro das Distribuidoras de Energia Elétrica. 2015. Disponível em
78
<http://www.aneel.gov.br/aplicacoes/consulta_publica/documentos/cCOPEL%20CP%20015_2014.pdf>. Acesso em 10/08/2015. CORE, J.; SCHRAND, C. The Effect of Accounting-Based Debt Covenants on Equity Valuation. Journal of Accounting and Economics, 27 (1), 1-34, 1999. CPFL ENERGIA. Contribuição à Consulta Pública 015/2014: Indicadores Públicos de Sustentabilidade do Equilíbrio Econômico e Financeiro das Distribuidoras de Energia Elétrica. 2015. Disponível em <http://www.aneel.gov.br/aplicacoes/consulta_publica/documentos/Grupo%20CPFL%20Energia%20CP%20015_2014.pdf>. Acesso em 10/08/2015. DAMBOLENA, I. G.; KHOURY, S. J. Ratio Stability and Corporate Failure. The Journal of Finance, 35 (4), 1017-1026, 1980. DECHOW, P. M.; AK, B. K.; SUN, E. Y.; WANG, A. Y. Do Financial Ratio Models Help Investors Better Predict and Interpret Significant Corporate Events. Australian Journal of Management, 38(3), 553-598, 2013. DELEN, D.; KUZEY, C.; UYAR, A. Measuring Firm Performance Using Financial Ratios: a Decision Tree Approach. Expert Systems with Applications, 40 (10), 3970-3983, 2013. DUFFIE, D.; LANDO, D. Term Structures of Credit Spreads with Incomplete Accounting Information. Econometrica, 69 (3), 633-664, 2001. EDP. Contribuição à Consulta Pública ANEEL nº 15/2014: Aprimoramento da Fiscalização do Equilíbrio Econômico Financeiro das Distribuidoras de Energia Elétrica – Indicadores Públicos de Sustentabilidade. Brasília, 23 de fevereiro de 2015. Disponível em <http://www.aneel.gov.br/aplicacoes/consulta_publica/documentos/EDP_CP15.2014.pdf>. Acesso em 10/08/2015. EICKER, F. Asymptotic normality and consistency of the least squares estimator for families of linear regression. Annals of Mathematical Statistics, 34, 447-456, 1963. EICKER, F. Limit Theorems for Regression with Unequal and Dependent Errors. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability. Berkeley, CA: University of California Press, 1967. ELEKTRO. Contribuição para a Consulta Pública 15/2014 NT 353/2014 SFF-Aneel. 2015. Disponível em <http://www.aneel.gov.br/aplicacoes/consulta_publica/documentos/ELEKTRP%20CP%20015_2014.pdf>. Acesso em 10/08/2015. EQUATORIAL ENERGIA. Submissão de Contribuições à Consulta Pública sobre a Fiscalização do Equilíbrio Econômico e Financeiro das Distribuidoras. 2015. Disponível em <http://www.aneel.gov.br/aplicacoes/consulta_publica/documentos/EQUATORIAL%20ENERGIA%20CP%20015_2014.pdf>. Acesso em 10/08/2015.
79
FALKENSTEIN, E.; BORAL, A.; CARTY, L. V. Riskcalc for Private Companies: Moody's Default Model Rating Methodology. Moody's Investors Service, Global Credit Research, 2000. GRUPO ENERGISA. Consulta Pública nº 015/2014: Contribuições para a Formalização e o Aprimoramento da Fiscalização do Equilíbrio Econômico e Financeiro das Distribuidoras de Energia Elétrica, Compreendendo a Instituição de Indicadores Públicos de Sustentabilidade. 2015. Disponível em <http://www.aneel.gov.br/aplicacoes/consulta_publica/documentos/Grupo%20Energisa%20CP%20015_2014.pdf>. Acesso em 10/08/2015. GUJARATI, D. N. Econometria Básica. 3a ed., São Paulo: Makron Books, 2000. HAYES, A. F.; CAI, L. Using Heteroscedasticity-Consistent Standard Error Estimators in OLS Regression: An Introduction and Software Implementation. Behavior Research Methods, 39, 709-722, 2007. HILLEGEIST, S. A.; KEATING, E. K.; CRAM, D. P.; LUNDSTEDT, K. G. Assessing the Probability of Bankruptcy. Review of Accounting Studies, 9 (1), 5-34, 2004. HINKLEY, D. V. Jackknifing in Unbalanced Situations. Technometrics, 19, 285-292, 1977. HOU, K. L.; LIN, L. C. Optimal Production Run Length and Capital Investment in Quality Improvement with an Imperfect Production Process. International Journal of Systems Science, 35 (2), 133-137, 2004. HOU, K. L. An EPQ Model with Setup Cost and Process Quality as Functions of Capital Expenditure. Applied Mathematical Modelling, 31 (1), 10-17, 2007. HUBER, P. J. The Behavior of Maximum Likelihood Estimation Under Nonstandard Conditions. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability. Berkeley, CA: University of California Press, 1967. JENSEN M.; MECKLING, W. Theory of the Firm: Managerial Behavior, Agency Cost, and Ownership Structure. Journal of Financial Economics, 305-360, 1976. KEV LINE. Contribuição à Nota Técnica nº353/2014-SFF/ANEEL: Subsídios para a Formalização e o Aprimoramento da Fiscalização do Equilíbrio Econômico e Financeiro das Distribuidoras de E. Elétrica, Compreendendo a Instituição de Indicadores Públicos de Sustentabilidade. Brasília, 21 de janeiro de 2015. Disponível em <http://www.aneel.gov.br/aplicacoes/consulta_publica/documentos/PAULO%20KEV%20CP015_2014.pdf>. Acesso em 10/08/2015. KOSKA, M. T. High Quality Care and Hospital Profits: Is There a Link? Hospitals, 62-63, 1990. LEWELLEN, J. Predicting Returns with Financial Ratios. Journal of Financial Economics, 74 (2), 209-235, 2004.
80
LIGHT. Contribuição à Consulta Pública no 015/2014. Fevereiro de 2015. Disponível em <http://www.aneel.gov.br/aplicacoes/consulta_publica/documentos/LIGHT%20AP%20015_2015.pdf>. Acesso em 10/08/2015. MBANWIE, G; NGAM, E. N. Financial Ratios as Bankruptcy Indicators: The Case of Financially Distressed Firms in Sweden. University of Gothenburg, 2009. MERTON, R. On the Pricing of Corporate Debt: the Risk Structure of Interest Rates. Journal of Finance, 29, 448-70, 1974. MYERS, S. C. Determinants of Corporate Borrowing. Journal of Financial Economics, 5 (5), 147-175, 1977. NELSON, E.; RUST, R. T.; ZAHORIK, A. J.; ROSE, R.; BATALDEN, P.; SIEMANSKI, B. A. Do Patient Perceptions of Quality Relate to Hospital Financial Performance. Journal of Health Care Marketing, 42-49, 1992. OHARA, E. H. Finanças do Setor Elétrico: Demonstrações Societárias vs Regulatórias. AVM Faculdade Integrada. 2014. OHLSON, J. A. Financial Ratios and the Probabilistic Prediction of Bankruptcy. Journal of Accounting Research, 109-131, 1980. ORAL, M.; YOLALAN, R. An Empirical Study on Measuring Operating Efficiency and Profitability of Bank Branches. European Journal of Operational Research, 46 (3), 282-294, 1990. OZORIO, L. M. Análise do Desempenho Econômico-Financeiro de Distribuidoras de Energia Elétrica no Brasil. GESEL/UFRJ, Rio de Janeiro. 2013. PIOTROSKI, J. D. Value Investing: The Use of Historical Financial Statement Information to Separate Winners from Losers. Journal of Accounting Research, 38, 1-41, 2000. RAMSEY, J. B. Tests for specification errors in classical linear least squares regression analysis. Journal of the Royal Statistical Society, B, 31, 350-371, 1969. RIBEIRO, M. G. C.; MACEDO, M. A. S.; MARQUES, J. A. V. C. Análise da Relevância de Indicadores Financeiros e Não Financeiros na Avaliação de Desempenho Organizacional: um Estudo Exploratório no Setor Brasileiro de Distribuição de Energia Elétrica. Revista de Contabilidade e Organizações, 6(15), 60-79, 2012. SAVOV, S.; WEBER, M. Dividend Increases and Dividend Initiations: What Role for Fundamentals and Market Movements. University of Mannheim, 2006. SHUMWAY, T. Forecasting Bankruptcy More Accurately: A Simple Hazard Model. The Journal of Business, 74 (1), 101-124, 2001. SUZUKI, N.; OLSON, D. H.; REILLY, E. C. Developing Landscape Habitat Models for Rare Amphibians with Small Geographic Ranges: a Case Study of Siskiyou Mountain Salamanders in the Western USA. Biodiversity and Conservation, 2007.
81
TURK, A. The Predictive Nature of Financial Ratios. The Park Place Economics, v. 14, 2006. VIANNA, D. S. C. O Balanced Scorecard e o Desempenho Organizacional: O Caso do Monopólio Natural das Distribuidoras de Energia Elétrica no Brasil. Tese de Doutorado em Políticas Públicas, Estratégias e Desenvolvimento – Instituto de Economia, Universidade Federal do Rio de Janeiro, Rio de Janeiro. 2014. WEILL, L. Leverage and Corporate Performance: A Frontier Efficiency Analysis on European Countries. Technical Report, EFMA Helsinki Meetings, 2003. WESTON, J. F.; BRIGHAM, E. F. Fundamentos da Administração Financeira. 10a ed., São Paulo: Makron Books, 2000. WHITE, H. A Heteroskedasticity-Consistent Covariance Matrix Estimator and a Direct Test for Heteroskedasticity. Econometrica, 48, 817-838, 1980. WIELE, T.; BOSELIE, P.; HESSELINK, M. Empirical Evidence for Relationship Between Customer Satisfaction and Business Performance. Managing Service Quality, 12, 3, 184-193, 2002. ZEITHAML, V. A. Service Quality, Profitability, and the Economic Worth of Customers: What We Know and What We Need to Learn. Journal of the Academy of Marketing Science, 28 (1), 67-85, 2000. ZMIJEWSKI, M. E. Methodological Issues Related to the Estimation of Financial Distress Prediction Models. Journal of Accounting Research, 22, 59-82, 1984.