a otimizaÇÃo do capital de giro e seu reflexo...

0

CENTRO UNIVERSITÁRIO DA FEI

PEDRO PAULO PERES GARCIA

A OTIMIZAÇÃO DO CAPITAL DE GIRO E SEU REFLEXO NA

RENTABILIDADE DAS EMPRESAS

Relatório final

CENTRO UNIVERSITÁRIO DA FEI

Bolsista (PIBIC): PEDRO PAULO PERES GARCIA

E-mail: [email protected]

N° FEI: 11110131-7

Orientador: Prof. Hong Y. Ching

Departamento de administração – FEI


Colaborador: Prof. Ayrton Novazzi

Departamento de matemática – FEI


São Bernardo do Campo

31/07/2011

mailto:[email protected]



1

RESUMO

Para diferenciarem-se no alto nível de competição, algumas empresas têm levado em

consideração a otimização do capital de giro como uma vantagem para aumentar o lucro. Esse

projeto tem como objetivos: 1) descobrir a relação entre a eficiência da gestão do DCG e a

rentabilidade; 2) descobrir se existe diferença na rentabilidade como resultado da eficiência

desta gestão de dois grupos distintos, assim como o menor uso do capital e uso intensivo do

capital; 3) determinar quais variáveis mais afetam a rentabilidade. Esse projeto tem como

problema de pesquisa: “A otimização do capital de giro melhora a rentabilidade das

empresas?” Desde modo algumas hipóteses foram lançadas, como o fato do DCG e

Alavancagem financeira estarem negativamente relacionadas com a rentabilidade. Foram

utilizadas empresas de capital aberto, 32 empresas no total, separadas em dois grupos, 16 com

menor uso do capital e 16 com uso intensivo do capital. Esse estudo abrangeu um período de

5 anos (2005-2009). Foram utilizados dois métodos matemáticos, o de Regressão Múltipla e

Anova. Nessa análise encontramos que o PME esta negativamente relacionado com os

medidores de rentabilidade, ROS e ROA; e Alavancagem Financeira encontra-se

negativamente relacionado com o ROA.

2

I. OBJETIVOS E HIPÓTESES

I. 1 - Objetivos

Os objetivos dessa pesquisa são:

1. Descobrir a relação entre a eficiência da gestão do capital de giro e a

rentabilidade da empresa

2. Descobrir se existe diferença na rentabilidade da empresa como

resultado da eficiência na gestão do capital de giro em dois grupos distintos de

empresas: as de uso intensivo de capital e as de menor uso de capital. Serão

consideradas empresas de capital intensivo, aquelas cujo ativo não circulante

represente mais de 50% do ativo total. Empresas típicas são as dos setores de

siderurgia, químico e petroquímico. Já as de menor uso de capital serão aquelas

empresas com ativo não circulante menor que 50% do ativo total. Empresas típicas são

as dos setores de varejo, comércio, calçado e alimentício.

3. Determinar as variáveis de capital de giro que mais afetam a

rentabilidade.

I. 2 - Hipóteses

As hipóteses estabelecidas são as seguintes:

1. Dia de capital de giro DCG é negativamente relacionado com a

rentabilidade da empresa – quanto maior o DCG, menor a rentabilidade e vice versa;

2. Alavancagem Financeira é negativamente relacionada com a

rentabilidade da empresa – quanto maior a alavancagem, menor a rentabilidade e vice

versa;

3

II. REVISÃO BIBLIOGRÁFICA

II.1 Capital de giro

O significado do termo capital de giro está claro na literatura. Este se refere aos

recursos próprios ou de terceiros, necessários para sustentar as atividades operacionais, no

dia-a-dia das empresas (Matias, 2007, Ching 2010, Assaf e Silva, 2002, Weston e Brigham,

2000). Não há discordância gritante entre os autores a respeito desse termo, mas sim

colocações de forma distinta. Daí a importância de destacar o emprego da expressão capital de

giro.

Weston e Brigham (2000) referem-se ao capital de giro CG, ou capital circulante,

simplesmente como ativo circulante, enquanto capital de giro liquido CGL, para eles, é

definido como sendo o ativo circulante menos o passivo circulante. O capital de giro

representa o valor total dos recursos demandados pela empresa para financiar o seu ciclo

operacional. Posição idêntica tem Assaf e Silva (2002), Ching (2010) e Brigham e Ehrhardt

(2002). Sinônimo dessa expressão é o capital circulante liquido CCL. Para esses autores, ativo

circulante é representado pelas disponibilidades - valor a receber e estoques - enquanto

passivo circulante é identificado como fornecedores, salários e encargos sociais, contas a

pagar, além de empréstimos e financiamentos.

Bodie et al. apud Aguado (2003) e Helfert apud Aguado (2003) referem-se ao capital

de giro de maneira abrangente, qualificando-o como o conjunto dos ativos circulantes e

exigibilidades de curto prazo, incluindo contas a pagar, salários e empréstimos bancários de

curto prazo. Para os autores acima citados, essa definição é a do CGL. Essa definição é, no

entanto, minoria na literatura pesquisada.

Uma divisão dos grupos patrimoniais do ativo e passivo circulante, e que se mostra

bastante didática, é descrita por Matias (2007) e também compartilhada por Brigham e

Ehrhardt (2002) e Matarazzo (2003). Eles se dividem em capital de giro operacional e capital

de giro financeiro, conforme mostra a figura 1 abaixo.

4

Figura 1. Divisão do capital de giro

Fonte: Autor

O ativo circulante operacional ACO é o investimento que decorre automaticamente

das atividades de compra / produção / estocagem / venda, enquanto o passivo circulante

operacional PCO é o financiamento, também automático, que decorre dessas atividades. A

diferença entre esses investimentos ACO e financiamentos PCO é a quantia que a empresa

necessita de capital para financiar o giro, ou seja, a NCG. Portanto NCG = ACO – PCO. Em

outras palavras, o ativo circulante operacional não pode ser totalmente financiado pelo

passivo circulante operacional.

A necessidade de capital de giro NCG faz com que a empresa busque recursos

externos ao ciclo operacional para financiar o capital de giro. Esses recursos podem advir dos

proprietários (via capital de giro próprio) ou de terceiros (instituições financeiras).

Antes de partir para falar sobre o capital de giro financeiro, convém explicar o

significado do capital de giro próprio. Este é a parcela de recursos próprios que está sendo

utilizada no financiamento do capital de giro (ativo circulante). O CGP é dado pela diferença

entre o patrimônio líquido PL com o montante composto pelo ativo realizável a longo prazo

RLP e o ativo permanente AP. Portanto CGP = PL – AP – RLP (Matias, 2007 e Matarazzo,

2003).

Um conceito importante na gestão do capital de giro financeiro é o saldo de tesouraria

ST, que integra a captação e a aplicação de recursos financeiros para o giro, além de envolver

as contas financeiras, do ativo e do passivo circulantes. Portanto ST = ativo circulante

financeiro – passivo circulante financeiro (Matias, 2007). A relação entre CGL, NCG e ST

pode ser visto na figura 2 abaixo, adaptada de Matias (2007).

Ativo circulante Passivo circulante

Caixa e bancos

Aplicações

financeiras

Financiamentos

e empréstimos

Contas a receber

Estoques

Fornecedores

Contas a pagar

Financeiro

Operacional

Ativo circulante Passivo circulante

Caixa e bancos

Aplicações

financeiras

Financiamentos

e empréstimos

Contas a receber

Estoques

Fornecedores

Contas a pagar

Financeiro

Operacional

5

Figura 2. Formação do CGL

Fonte: Autor

A partir destas relações, pode-se identificar vários tipos de estruturas financeiras.

Matias (2007) denomina de estrutura de baixo risco quando a empresa tem um NCG nulo e há

excedente financeiro (ST positivo) para financiar o CGL. No outro extremo, a estrutura de

alto risco cujo CGL é negativo, as operações não conseguem recursos para se financiar e há

necessidade de recursos de bancos para financiar o ativo operacional (ST negativo).

II.2 Ciclo operacional, ciclo de caixa, dias de capital de giro e eficiência de conversão de

caixa

Um dos conceitos fundamentais é o ciclo operacional da empresa, definido pelo

montante de tempo desde o ponto que a empresa coloca material e trabalho no processo de

produção até o momento em que o dinheiro da venda é arrecadado. Este ciclo é formado por

dois componentes: o período médio do estoque (PME) e o período médio de cobrança das

vendas ou de recebimento (PMR). Quando esse ciclo se inicia, a empresa compra insumos de

produção a crédito. O tempo que leva a empresa a pagar por esses insumos é denominado

período médio de pagamento (PMP). Esse fôlego em seus pagamentos é fonte de

financiamento para o ciclo operacional. O ciclo financeiro ou ciclo do caixa, por outro lado,

focaliza as movimentações de caixa, abrangendo o período entre o momento em que a

empresa realiza os pagamentos e o momento em que recebe pelas vendas (Matias, 2007,

Matarazzo, 2003 e Ching, 2010). Na figura 3 abaixo, o ciclo operacional é de 90 dias (25 +

65) e o ciclo financeiro de 30 dias (90 – 60).

Ativo circulante

(-)

Passivo circulante

(=) CGL

=

A. C.Operacional

(-)

P. C. Operacional

(=) NGC

+

A. C.Financeiro

(-)

P. C. Financeiro

(=) ST

Ativo circulante

(-)

Passivo circulante

(=) CGL

=

A. C.Operacional

(-)

P. C. Operacional

(=) NGC

+

A. C.Financeiro

(-)

P. C. Financeiro

(=) ST

6

Figura 3. Ciclo operacional e ciclo financeiro

Fonte: Autor

Os cálculos do PMR, PME e PMP são universalmente conhecidos na literatura e suas

fórmulas são as seguintes. Prazo médio de recebimento PMR = contas a receber / vendas

diárias; prazo médio de estoque PME = estoque / custo das vendas diário e prazo médio de

pagamento PMP = contas a pagar / compras diárias (Matias, 2007). Dias de capital de giro,

por sua vez, representa um resumo dos dias médios de recebimento, estoque e de pagamento.

Seu cálculo é a soma do prazo médio de recebimento, mais o prazo médio de estoque menos

prazo médio de pagamento.

Por fim, a eficiência de conversão de caixa é calculada como fluxo de caixa das

operações dividido pelas vendas (Filbeck et al, 2007). O fluxo de caixa das operações nada

mais é do que o NCG, isto é, o ativo circulante operacional menos o passivo circulante

operacional. Santi Filho e Oliquevitch (1995) fizeram uma variante dessa formula

multiplicando o resultado por 360 dias e denominando-a de ciclo financeiro. Ao invés do

resultado ser em percentual, ele sai em numero de dias. Quanto menor esse índice, seja em

percentual, seja em numero de dias, melhor para a empresa, pois está sendo mais eficiente na

utilização da sua NCG em relação às vendas geradas.

II.3 Indicadores de rentabilidade e de endividamento

Os três indicadores de rentabilidade e o de endividamento a serem utilizados nessa

pesquisa encontram amplo respaldo na literatura nacional e estrangeira, assim sendo

TEMPO EM DIAS

Compra de

MP e

Início de

Produção

Término da

Produção

e Pagamento

de Salários

VENDAPagamento

ao

fornecedor

Recebimento

das

Vendas

0 20 25 60 90

(PME) = 25 dias

(PMP) = 60 dias

(PMR) = 65

CF

TEMPO EM DIAS

Compra de

MP e

Início de

Produção

Término da

Produção

e Pagamento

de Salários

VENDAPagamento

ao

fornecedor

Recebimento

das

Vendas

0 20 25 60 90

(PME) = 25 dias

(PMP) = 60 dias

(PMR) = 65

CF

7

universalmente conhecidos. O retorno sobre o ativo (do inglês return on asset ROA)

estabelece a eficiência dada pela administração ao dinheiro utilizado nas operações da

empresa. A gestão de uma empresa é considerada eficaz quando o gerenciamento dos seus

ativos gera um retorno adequado a seus investimentos. (Ching et al, 2010).

O retorno sobre patrimônio liquido (do inglês return on equity ROE) apura a relação

entre os ganhos obtidos pelos acionistas e o investimento que realizaram na empresa (Ching et

al, 2010).

O retorno sobre vendas (do inglês return on sales ROS) apura a relação entre ganhos e

vendas das empresas.

O nível de endividamento mostra a relação entre as fontes de divida financeira,

representado pela soma da divida de curto prazo e de longo prazo, e o ativo total. Quanto

maior esse nível, mais endividada a empresa está (Ching et al, 2010).

II. 4 Algumas pesquisas relacionadas

Algumas pesquisas relacionadas são apresentadas abaixo, medindo a influência do

capital de giro na rentabilidade das empresas, Shin and Soenen (1998) investigaram

companhias americanas durante o período de 1975 a 1994 somando um total de 59.985

observações. As variáveis utilizadas foram rentabilidade, medida pelo ROA (returno on

assets) e ROS (return on sales), e ciclo de conversão de caixa. O estudo achou uma forte

evidência na relação negativa entre rentabilidade e ciclo de conversão de caixa, significando

que quanto menos dias de capital de giro, maior a rentabilidade. O estudo também indicou um

positivo impacto nos valores das ações.

Lazaridis e Tryfonidis (2006) investigaram a relação que é estatisticamente

significante entre rentabilidade, ciclo de conversão de caixa e seus componentes. Eles

utilizaram 131 empresas da bolsa de valores de Atenas em um período de 2001 – 2004. As

variáveis independentes que foram utilizadas, similares em nosso trabalho, são: Alavancagem

financeira, ciclo de conversão de caixa e seus componentes (dias de estoque e dias de

recebimento). A variável dependente é rentabilidade medida pelo lucro bruto de vendas. O

estudo mostra uma relação negativa entre alavancagem financeira, rentabilidade e ciclo de

conversão de caixa. Quando os autores substituíram ciclo de conversão de caixa pelos seus

componentes, foi encontrada uma relação negativa entre dias de estoque e dias de

recebimento com a rentabilidade. Os autores concluíram que se pode aumentar o lucro com

8

uma boa gestão do ciclo de conversão de caixa, deixando seus componentes em um

ótimo nível.

Resultados similares foram encontrados por Deloof (2003), pesquisa com

empresas belgas em um período entre 1992 e 1996. Ele encontrou uma relação

negativa entre lucro bruto de vendas e dias a receber e dias de estoque.

No estudo de Christopher and Kamalavalli (2009) foram objeto de pesquisa 14

hospitais indianos, no período de 1996/97 a 2005/06. As variáveis em comum

utilizadas foram dias de estoque, dias a receber e dias de capital de giro. A variável

dependente rentabilidade, nesse caso, foi medida pelo ROI (return on investiment). O

método quantitativo utilizado foi regressão múltipla. Os autores concluíram que os

hospitais deveriam concentrar-se em melhorar a eficiência do capital de giro para

melhorar a rentabilidade, e, junto a isso, melhorar seu valor no mercado.

Ganesan (2007) selecionou uma análise de 349 empresas Norte-Americanas de

equipamentos de telecomunicação, abrangendo um período de 2001-2007. As

variáveis independentes utilizadas foram dias de recebimento, dias de estoque, dias a

pagar, dias de capital de giro e ciclo de conversão de caixa. A variável dependente

rentabilidade foi calculada por (“entrada” divido por ativo total) e (“entrada” dividida

por vendas). A eficiência da gestão do capital de giro está negativamente associada

com rentabilidade, no entanto, há uma evidência que as gestões dos dias a pagar,

receber e estoque são pobres, portanto essas variáveis não têm tanto efeito na

rentabilidade.

A Associação entre rentabilidade e liquidez foi investigada pelo trabalho

Eljelly (2004) nas companhias da Arábia Saudita. O ciclo de conversão de caixa

mostrou ser mais importante do que o índice de liquidez corrente como medida da

liquidez que afeta a rentabilidade.

Raherman and Nasr (2007), selecionaram 94 companhias paquistanesas de

diferentes setores de economia por um período de 5 anos (1999-2004). Os resultados

mostram uma forte evidência de uma associação negativa entre as variáveis do capital

de giro e rentabilidade. A explicação para a relação negativa entre contas a pagar e

rentabilidade se da pelo fato de empresas com menor rentabilidade demorarem mais

para pagar suas contas. Também foi encontrada uma relação negativa entre liquidez e

rentabilidade, e ainda o índice de liquidez corrente, o mais importante medidor da

9

liquidez, foi utilizado. Eles encontraram uma positiva relação entre Tamanho e rentabilidade.

Finalmente acharam que quando aumenta à dívida financeira, rentabilidade diminui.

No estudo de Palombini (2010) foi investigado o impacto da gestão do capital de giro

sobre a rentabilidade de companhias brasileiras de capital aberto abrangendo um período de

14 anos (1994 – 2008). A pesquisa se separou em duas etapas. Na primeira o CCC e Dias de

Estoque apresentaram uma relação negativa com a rentabilidade, enquanto Dias a receber e

Tamanho das empresas apresentaram uma relação positiva. A relação positiva entre Dias a

Receber e rentabilidade pode ser explicada pelo fato das empresas lucrarem com os juros

impostos no parcelamento das compras. Na segunda etapa Alavancagem Financeira mostrou-

se negativamente relacionada com a rentabilidade, assim como CCC e Dias de Estoque.

Silva e Moraes Júnior (2006), baseados em dados de uma empresa fictícia SSM

Móveis para Escritório S/A, com dados de 2005, analisaram o desempenho financeiro com as

variáveis ROA e ROE, baseados no ROI (Return on Investment). Os resultados mostram que

no primeiro trimestre a empresa mostrou um nível de lucratividade bom (ROA= 16% e ROE=

23%) aparecendo atrativa para o mercado, no entanto, no segundo trimestre os níveis

abaixaram e chegaram a 2% e 3% respectivamente, sendo desvalorizada no mercado. Isso

mostra que seus gestores devem tomar medidas rápidas para que seus acionistas não se

desfaçam de suas ações.

Na pesquisa de Chakraborty (2008), que verificou 25 companhias Indianas de

farmácia, sendo todas privadas. Não foram encontrados resultados significativos, porém,

quando todas as firmas são consolidadas em uma ,foi encontrado que quanto maior a

rentabilidade das firmas maior a liquidez, e, quanto menos dias de estoque mais rentabilidade.

Para ele, Dias a Receber não teve impacto significante.

Os estudos acima apresentam algumas semelhanças e diferenças. O termo

rentabilidade é medido de formas diferentes pelos autores. Ele pode ser medido por “return on

investment”, “return on assets”, “return on equidity”, “return on sales”, “return on capital

employed”, “Profit before interest and Tax margin” e “lucro bruto de vendas”. Embora para

maioria dos autores o Ciclo de Conversão de Caixa tem uma relação negativa com os

medidores de rentabilidade, para Ganesan (2007) não teve nenhuma associação relevante.

Para ele também mostrou que a gestão do capital de giro não tem nenhum impacto na

rentabilidade das firmas, já Chakraborty (2008), que não estudou os Dias a Pagar, encontrou

que apenas Dias a Receber não têm impacto. Para Deloof (2003) e Raheman e Nasr (2007) as

10

variáveis do capital de giro tem relação negativa com a rentabilidade, enquanto para

Lazaridis e Tryfonidis (2006) contas a pagar tem um impacto positivo e para

Palombini (2010) dias a receber tem um impacto positivo. Chakraborty (2008)

encontrou uma relação negativa entre Dias de Estoque e rentabilidade. Não há conflito

entre os autores perante Alavancagem Financeira com uma relação negativa.

Finalmente a variável Eficiência do Capital de Giro foi utilizada por apenas Ganesan

(2007) e não apresentou associação com rentabilidade.

Na análise desses estudos foram elaborados alguns objetivos e hipóteses. Os

objetivos 1 e 3 aparecem similarmente em outras pesquisas, assim como as hipóteses 1

e 2. Nosso estudo diferencia-se por duas maneiras. Primeiro pelo objetivo 2, onde

ocorre uma análise do efeito do capital de giro na rentabilidade das empresas de dois

grupos distintos; segundo pelo cálculo da rentabilidade utilizando 3 variáveis, ROS,

ROA e ROE;

Esses estudos fornecem uma base sólida para a compreensão de uma

associação da rentabilidade e a gestão do capital de giro e seus componentes. Com

base nesses estudos conduzidos em diferentes países, desenvolvemos nossa pesquisa

com empresas brasileiras de capital aberto.

III. METODOLOGIA UTILIZADA

III.1 – Seleção das empresas e cálculo das variáveis

No início da pesquisa, foram extraídas do site da CVM, Comissão de Valores

Mobiliários, demonstrações financeiras, assim como DRE, Ativo e Passivo das

empresas brasileiras de capital aberto. No projeto inicial iriam ser selecionadas 40

empresas, sendo 20 de cada grupo, porém no decorrer da pesquisa foi discutido que

um número menor (32 empresas) não afetaria os resultados esperados na pesquisa.

Portanto foram selecionadas 32 empresas, 16 de cada grupo, uso intensivo e menor

uso do capital. Foram consideradas empresas de capital intensivo aquelas cujo ativo

não circulante represente mais de 50% do ativo total. As de menor uso de capital são

aquelas empresas com ativo não circulante menor que 50% do ativo total. A amostra

11

abrangeu um período de 5 anos (2005 a 2009); formando um total de 160 observações.

Usaram-se Variáveis dependentes e independentes iguais para todas as empresas, e foram

foram escolhidas de acordo com estudos previstos relatados na revisão bibliográfica. No

projeto, foi proposto dois diferencias em relação aos outros estudos sobre capital de giro. O

primeiro grande diferencial foi o cálculo da rentabilidade em três diferentes variáveis

dependentes, ROA, ROE e ROS; o outro diferencial proposto foi o estudo das empresas em

dois grupos distintos, o do uso intensivo e menor uso do capital.

O cálculo das variáveis dependentes:

ROS (Lucro de venda liquida) é a razão do (lucro ajustado) e (receita liquida

de vendas).

ROA (Retorno sobre ativo) é a razão do (lucro ajustado) e a (média do

Passivo total dos anos presente e seguinte).

ROE (retorno de equivalência) é a razão do (lucro ajustado) e a (média do

Patrimônio liquido dos anos presente e seguinte).

Lucro ajustado é igual ao (lucro do período) menos os (resultado de

equivalência, financeiras, depreciação e amortização)

O cálculo das variáveis independentes:

CCE (cash flow efficiancy) é à razão do (cash flow from operation) e a

(receita bruta de vendas).

Cash flow from operation é a soma do (clientes e estoque) menos

(fornecedores, impostos, taxas, provisão, salários, ordinárias, aluguel e outros.)

Alavancagem financeira (AF) é à razão da (soma dos empréstimos,

financiamento e debêntures dos passivos circulante e não circulante) e (passivo total).

PMR (prazo médio de recebimento) é a razão de (clientes) e a (receita bruta

dividida por 360).

PME (prazo médio de estoque) é a razão de (estoques) e a (receita bruta

dividida por 360).

DCG (dias de capital de giro) é igual à soma do (PMR e PME) menos (PMP).

PMP (prazo médio de pagamento) é igual à soma de (fornecedores,

impostos, taxas, provisão, salários, ordinárias, aluguel e outros) sobre (receita bruta dividida

por 360).

12

Um objetivo inicial do estudo era analisar empresas de um mesmo setor, para

que exista uma maior comparabilidade entre os resultados, no site da

BMF&BOVESPA as empresas estão separadas em seus respectivos setores e

subsetores; para nosso estudo essa foi a base setorial das empresas.

As empresas foram escolhidas a partir de um critério. As primeiras dezesseis

empresas escolhidas tinham como pré- requisito o ativo circulante (AC) maior que

50% do ativo total. As outras dezesseis o Ativo Circulante menor que 50% do ativo

total.

Como já previsto, não foi possível encontrar 16 empresas em um mesmo

subsetor ou setor que tinham os pré-requisitos solicitados, portanto, para que se

completassem as 16 empresas em cada grupo, foram utilizados empresas de outros

setores e subsetores, como ilustrado nas tabelas a seguir.

Tabela 1 – Número de empresas selecionadas em cada setor

SETORES SUBSETORES

No

EMPRESAS

No EMPRESAS

SELECIONADAS

Tecidos, vestuários

Consumo e Calçados 34 11

Cíclico Ultilidades domésticas 9 3

Consumo

não Cíclico Comércio e distribuição 4 1

Materiais

Básicos Químico 4 1

Fonte: BMF&BOVESPA

Nota: Dados Trabalhados pelo Autor

Para as empresas do primeiro grupo, o setor econômico escolhido para as

pesquisas foi o de consumo cíclico, como ilustrado no quadro acima, onde se deu

maior preferência para o subsetor de Tecidos, Vestuários e Calçados. Nesse subsetor

foram encontradas 34 empresas, mas dessas, apenas 11 empresas tinham o pré-

requisito. Como não foi possível escolher dezesseis empresas outros subsetores foram

selecionados como Utilidade Doméstica. Nesse subsetor existem 9 empresas, mas

apenas 3 tinham o AC maior que 50%. Somando esses dois subsetores foram

encontradas 14 empresas, restando assim duas para completar a amostra, estas foram

retiradas de outros setores; no setor de Consumo não Cíclico, no subsetor de Comércio

13

e Distribuição na área de Saúde, onde foram encontradas 1 entre 4 empresas. E, para

completar a amostra, o setor de Materiais Básicos no subsetor Químico Fertilizantes, onde

novamente, encontramos 1 dentre 4 empresas.

Setor Econômico: Consumo cíclico

Subsetor: Tecidos, Vestuários e Calçados

Empresas: Dohler, Indústria Cataguas, Karsten, Santanense,

Vicunha têxtil, Cia Hering, Cambuci, Alpargatas, Renner, Grazziotin, Pettenati.

Subsetor: Utilidades domésticas

Empresas: Whirlpool, Nadir Figueiredo, Globex.

Setor Econômico: Consumo não cíclico

Subsetor: Comércio e distribuição

Empresas: Drogasil.

Setor Econômico: Materiais básicos

Subsetor: Químico

Empresas: Heringer.

Depois de calcular os dados das variáveis, foi feito o mesmo processo com

outras 16 empresas, do outro grupo, dados retirado dos mesmos sites (Bovespa e CVM), mas

desta vez o pré-requisito foi do ativo circulante ser menor que 50% do ativo total.

14

Tabela 2 – Número de empresas selecionadas em cada setor

SETORES SUBSETORES

No

EMPRESAS

No EMPRESAS

SELECIONADAS

Siderurgia e Metalurgia 14 3

Mineração 5 1

Químico 11 3

Materiais Madeira e Papel 11 1

Básicos Embalagem 4 1

Petróleo,

Gás e Bio-

combustível Exploração de refinos 7 1

Consumo Tecidos

Cíclico Vestuários e Calçados 34 6

Fonte: BMF&BOVESPA

Nota: Dados trabalhados pelo Autor

O setor econômico que foi focado desta vez foi Materiais Básicos, no subsetor

de Siderurgia. Nesse subsetor encontramos 14 empresas, sendo apenas três com o pré-

requisito. Desta vez não houve sucesso em encontrar um bom número de empresas no

primeiro subsetor com o pré-requisito, assim diversos subsetores foram pesquisados

como Mineração com cinco empresas, Químico com 11, Madeira e Papel com nove,

Embalagens com quatro; nesses subsetores foram encontradas 1, 3, 1, 1 empresas,

respectivamente. Assim como nas primeiras pesquisas, foi necessário ir a diferentes

setores para alcançar a meta de 16 empresas. O setor de Petróleo, Gás e Bicombustível

no subsetor de Exploração de Refinos, onde foi encontrada apenas uma empresa

dentre sete. E, para completar as 16 empresas desse grupo, foi recorrido o setor de

Consumo Cíclico no subsetor de Tecidos, Vestuários e Calçados, das 34 empresas,

foram selecionadas seis para completar o grupo.

Setor econômico: materiais básicos

Subsetor: siderurgia

Empresas: CIA Siderurgia, Indústria Siderúrgica de Minas

Gerais S.A, Duque.

Subsetor: mineração

Empresas: Vale

15

Subsetor: químico

Empresas: Braskem,Vale fertilizantes, Millenium.

Subsetor: Madeira e papel

Empresas: Duratex,

Subsetor: Embalagens

Empresas: Dixie Toga

Setor econômico: Petróleo, Gás e Bicombustível

Subsetor: exploração de refinos

Empresas: Petrobrás

Setor econômico: Consumo cíclico

Subsetor: tecidos, vestuários e calçados

Empresas: Buettner, Cedro, Fabrica Carlos Renaux, Teka,

Botucatu, Têxtil Renaux.

As tabelas acima 1 e 2 mostram um número expressivo de empresas que foram

excluídas da amostra. Isso ocorreu devido ao grande número de empresas de “holdings”, que

alguns dados (receita e/ou estoque e/ou clientes) são nulos. Nesse estudo foram selecionadas

apenas as empresas que forneciam os dados de todos os 5 anos, 2005-2009, excluindo assim

mais algumas empresas. Outra e última ocorrência que dificultou a permanência em somente

um mesmo setor foram devidas algumas empresas, tanto com ativo circulante menor, quanto

com ativo circulante maior que 50%, se aproximaram muito dos exatos 50%, ou oscilavam a

cada ano. E, portanto, foram excluídas da amostra.

O fato de ter sido usado diferentes setores não afeta os resultados, pois estas empresas

foram diferenciadas a partir de um critério (ativo circulante maior ou menor que 50% do ativo

total), então, a mudança de setores para se completar a amostra não tem nenhum impacto na

pesquisa.

As demonstrações financeiras das empresas foram organizadas em planilhas

eletrônicas (Excel), para facilitar o trabalho de cálculo das variáveis, e depois de efetuados os

16

cálculos as variáveis foram tabuladas, como mostram as tabelas 3 e 4 abaixo, para o inicio do

tratamento estatístico.

As empresas escolhidas foram:

Categoria 1

Grazziotin (E1), Renner (E2), Drogasil (E3), Globex (E4), Heringer (E5), Dohler (E6),

Ind. Cataguas (E7), Karsten (E8), Santanense (E9), CIA Hering (E10), Alpargatas (E11),

Cambuci (E12), Whirlpool (E13), Nadir Figueira (E14), Vicunha (E15), Pettenati (E16)

Categoria 2

Ind. Sid. M.G. (E1), Cia Siderúrgica (E2), Duque (E3), Vale (E4), Duratex (E5), Dixie

Toga (E6), Braskem (E7), Vale Fertilizantes(E8), Millennium (E9), Petrobrás (E10), Buettner

(E11), Cedro (E12), Fab. C. Renaux (E13), Teka (E14), Textil Renaux (E15), Botucatu (E16)

Tabela 3 – Variáveis do primeiro grupo (Categoria 1)

Observação

CCE (%) AF (%)

PMR

(dias)

PME

(dias)

DCG

(dias) ROS (%)

número ROA (%) ROE (%)

2009

1. E1 11,7 - 53,1 48,8 42,2 9,9 483,1 417,8

2. E2 13,5 18,7 89,2 24,0 48,7 10,8 259,0 525,6

3. E3 5,9 5,1 20,5 52,8 21,5 5,1 269,2 109,4

4. E4 (5,7) 4,8 13,9 57,3 (20,6) (5,2) (297,8) 107,2

5. E5 (1,5) 33,7 33,9 45,9 (5,4) (0,4) (18,4) 2,1

6. E6 33,8 8,3 73,2 94,3 121,7 (3,4) (320,7) (413,8)

7. E7 34,0 28,3 72,0 77,1 123,0 0,6 46,2 73,8

8. E8 22,7 61,6 67,9 46,8 85,9 11,6 542,8 996,4

9. E9 41,9 15,9 82,4 61,6 121,2 10,0 615,7 1.212,0

10. E10 18,1 28,8 88,5 36,7 65,0 12,1 444,1 786,5

11. E11 17,3 8,3 73,2 25,1 62,1 13,3 333,6 825,9

12. E12 24,0 31,5 94,6 45,5 101,0 43,9 1.996,6 4.433,9

13. E13 (14,1) 2,9 20,5 20,5 (50,8) 6,7 137,5 (340,4)

14. E14 22,1 27,1 80,4 40,3 79,6 5,5 221,6 437,8

15. E15 12,7 40,6 80,8 59,4 102,9 6,9 410,1 710,0

16. E16 9,2 6,3 53,2 32,7 33,0 3,3 107,8 108,9

2008

- -

17. E1 0,8 - 16,3 40,0 2,8 8,8 351,6 24,6

18. E2 16,9 22,1 89,4 24,1 60,7 9,9 238,1 600,5

19. E3 8,7 6,8 20,4 59,5 31,7 3,8 225,9 120,5

20. E4 3,5 9,9 39,1 34,4 12,6 1,7 58,5 21,5

17

21. E5 (3,1) 34,6 35,1 53,2 (11,1) 6,3 335,3 (69,6)

22. E6 37,2 14,8 63,2 107,6 133,8 (2,9) (311,9) (388,0)

23. E7 35,7 29,5 80,5 81,7 128,6 6,2 506,5 797,3

24. E8 25,9 55,0 94,8 38,7 99,1 5,2 201,4 515,5

25. E9 32,6 17,3 78,4 36,1 94,8 12,2 440,3 1.156,6

26. E10 18,0 38,7 97,2 43,2 64,9 16,5 712,1 1.070,9

27. E11 21,0 14,7 77,3 30,6 75,5 14,7 450,3 1.109,9

28. E12 23,4 42,9 86,9 62,9 98,8 8,2 515,9 810,2

29. E13 (9,7) 2,8 14,5 31,7 (34,8) 13,3 421,2 (462,8)

30. E14 20,1 22,7 59,5 53,4 72,3 8,9 475,2 643,5

31. E15 21,8 37,5 77,8 53,9 99,6 2,4 129,4 239,0

32. E16 9,7 10,6 44,5 44,8 34,9 4,1 183,8 143,1

2007

- -

33. E1 2,5 - 26,1 44,7 9,1 6,5 290,7 59,2

34. E2 12,8 18,2 99,4 21,4 46,1 10,2 218,0 469,8

35. E3 4,9 10,2 21,2 42,7 18,1 3,0 128,0 54,4

36. E4 5,7 25,8 33,4 31,7 20,6 4,3 136,2 88,7

37. E5 24,1 22,5 49,2 84,3 54,8 2,3 193,9 126,1

38. E6 34,4 11,8 58,9 106,2 123,8 (3,6) (382,4) (445,7)

39. E7 31,3 22,4 83,5 65,2 112,6 6,6 430,1 743,2

40. E8 29,0 27,6 96,9 38,6 108,8 7,0 270,4 761,6

41. E9 32,4 20,8 81,9 40,7 93,6 7,4 301,4 692,6

42. E10 13,6 18,1 98,0 45,6 48,8 9,8 446,6 478,2

43. E11 15,6 9,3 73,0 24,9 56,1 12,8 319,2 718,1

44. E12 12,3 34,8 84,7 44,6 60,9 (2,7) (120,4) (164,4)

45. E13 (7,6) 0,6 21,0 29,9 (27,2) 12,1 362,3 (329,1)

46. E14 19,9 25,7 69,1 38,4 71,7 10,1 387,7 724,2

47. E15 26,3 26,0 74,0 66,6 99,5 6,6 439,3 656,7

48. E16 9,7 8,4 45,4 40,7 35,1 8,3 337,6 291,3

2006

- -

49. E1 2,2 - 26,7 43,3 8,0 8,0 346,1 64,0

50. E2 3,3 7,7 80,7 21,8 11,9 9,8 213,4 116,2

51. E3 7,9 13,8 24,1 55,3 23,2 4,8 265,4 111,4

52. E4 5,1 15,2 31,3 43,2 14,1 5,4 233,4 75,9

53. E5 (3,4) 16,0 62,2 39,4 (10,9) 3,1 122,0 (33,9)

54. E6 37,0 8,9 67,1 108,8 133,2 (8,4) (913,9) (1.118,9)

55. E7 22,7 17,2 86,8 57,2 81,8 8,5 485,9 695,3

56. E8 28,9 34,6 85,5 54,8 109,2 1,0 54,8 109,2

57. E9 35,6 17,8 99,4 43,4 103,3 6,6 286,3 681,8

58. E10 7,9 55,1 79,6 38,4 28,5 12,5 480,3 356,3

59. E11 12,4 4,9 61,9 19,2 44,7 10,2 195,8 455,9

60. E12 1,3 74,7 71,8 38,0 39,4 (2,5) (94,9) (98,5)

61. E13 (0,6) 0,5 45,3 28,4 (2,2) 11,4 324,1 (25,1)

62. E14 20,5 16,5 73,8 37,5 73,9 9,3 348,8 687,3

63. E15 26,0 27,8 73,9 52,4 93,9 (7,4) (387,4) (694,9)

64. E16 13,9 15,3 53,8 50,1 50,0 3,6 180,3 180,0

18

2005

- -

65. E1 2,9 - 22,8 46,0 10,5 6,6 303,4 69,3

66. E2 7,0 6,1 94,7 21,6 25,1 7,8 168,5 195,7

67. E3 7,2 8,1 23,1 49,4 20,8 3,8 187,8 79,0

68. E4 1,4 1,5 26,6 33,6 (4,0) 6,4 214,9 (25,3)

69. E5 1,2 9,3 74,4 48,6 5,5 (1,3) (63,2) (7,1)

70. E6 25,8 5,2 54,8 78,4 92,7 (12,2) (956,4) (1.130,9)

71. E7 22,6 12,5 90,4 54,9 81,4 5,5 301,9 447,7

72. E8 32,1 24,7 84,1 70,5 120,0 5,0 352,6 600,0

73. E9 32,5 20,4 74,7 41,0 94,3 17,8 730,5 1.678,5

74. E10 1,2 58,0 89,5 32,2 4,2 4,6 147,9 19,3

75. E11 9,3 5,0 50,4 18,6 33,6 9,4 174,7 315,8

76. E12 5,6 95,3 70,7 37,8 47,5 1,7 64,2 80,8

77. E13 (3,4) 3,1 34,9 20,5 (12,3) 5,6 114,7 (68,9)

78. E14 22,1 17,8 75,2 40,8 79,6 7,6 309,9 605,0

79. E15 31,1 41,2 68,8 77,8 111,9 5,2 404,7 581,9

80. E16 18,3 18,1 60,5 54,2 65,9 3,8 206,0 250,4

Fonte: CVM (Comissão de Valores Imobiliários)

Nota: Dados Trabalhados pelo Autor

Tabela 4 – Variáveis do segundo grupo ( Categoria 2)

EMPRESAS CCE (%) AF (%)

PMR

(dias) PME (dias)

DCG

(dias) ROS ( %) ROA (%) ROE (%)

2009

1. E1 25,7 22,6 46,71 95,59 92,49 2,7 258,1 249,7

2. E2 14 41,4 46,87 64,53 50,49 32,6 2.103,7 1.646,0

3. E3 -2,4 19,5 11,82 29 -8,68 2,7 78,3 - 23,4

4. E4 3,9 8,8 44,34 24,83 13,89 15,3 379,9 212,5

5. E5 24 31 86,11 45,83 86,37 9,5 435,4 820,5

6. E6 15,2 16,9 69,26 31,45 54,62 2,1 66,0 114,7

7. E7 -11,5 45,3 20,91 35,58 -41,42 2,9 103,2 - 120,1

8. E8 8,2 5,7 13,17 64,39 29,58

-

20,8 - 1.339,3 - 615,3

9. E9 12,2 4,2 32,71 65,52 43,84

-

13,6 - 891,1 - 596,2

10. E10 -8,4 9,2 26,34 33,19 7,29 16,5 547,6 120,3

11. E11 -15,4 23,5 9,4 50,94 -55,39 66,6 3.392,6 - 3.689,0

12. E12 2,1 16,1 29,19 51,57 7,61 1,0 51,6 7,6

13. E13 -32,6 25,1 10,54 63,96 -117,35

-

19,8 - 1.266,4 2.323,5

14. E14 -29 37,7 14,03 32,17 -104,39 17,6 566,2 - 1.837,3

15. E15 -19,7 55,4 68,04 58,81 -70,96 2,9 170,5 - 205,8

16. E16 -8 17,1 29,17 47,79 -28,86 27,7 1.323,8 - 799,4

2008

- -

17. E1 20,5 20 23,17 84,79 73,83 26,3 2.230,0 1.941,7

19

18. E2 11,9 36,4 40,6 69,21 42,67 70,7 4.893,1 3.016,8

19. E3 5,7 24,3 5,83 36,55 20,65 5,1 186,4 105,3

20. E4 25,8 7,1 102,71 30,45 92,86 58,5 1.781,3 5.432,3

21. E5 2,3 39,1 24,34 28,09 8,17 18,6 522,5 152,0

22. E6 16,7 22,6 54,57 38,82 60,23 5,8 225,2 349,3

23. E7 -9,2 53,4 18,93 57,95 -33,14 8,1 469,4 - 268,4

24. E8 -18,4 0,7 1,35 184,12 -66,24 36,7 6.757,2 - 2.431,0

25. E9 22,3 6,3 41,27 144,81 80,45

-

5,5 - 796,5 - 442,5

26. E10 -3 4,5 30,06 23,97 9,18 21,8 522,5 200,1

27. E11 -50 23,9 17,97 39,63 -180,13 0,6 23,8 - 108,1

28. E12 10 17,3 20,29 40,9 36,14 10,5 429,5 379,5

29. E13 -41,8 23,4 15,61 69,16 -150,48

-

9,6 - 663,9 1.444,6

30. E14 -76,2 36,7 17,05 27,62 -274,43

-

23,6 - 651,8 6.476,5

31. E15 -63,2 92,8 51,99 43,96 -227,47 0,2 8,8 - 45,5

32. E16 -26,7 31,2 41,6 78,27 -95,99

-

99,2 - 7.764,4 9.522,2

2007

- -

33. E1 12,8 4 30,19 50,27 45,92 25,5 1.281,9 1.171,0

34. E2 3,5 32,6 32,2 66,64 12,61 25,0 1.666,0 315,3

35. E3 -1 22,5 8,16 24,36 -3,74 3,4 82,8 - 12,7

36. E4 4,1 8,9 37,19 30,2 14,58 35,3 1.066,1 514,7

37. E5 0,9 33,6 36,67 15,68 3,4 15,6 244,6 53,0

38. E6 12 27,6 48,6 30,36 43,31 2,3 69,8 99,6

39. E7 -6,7 33,9 24,14 33,45 -24,09 10,1 337,8 - 243,3

40. E8 -11,7 2 3,37 42,47 -42,25 20,5 870,6 - 866,1

41. E9 12,8 0 44,85 47,26 45,92

-

11,1 - 524,6 - 509,7

42. E10 0,5 2,6 25,45 27,07 7,04 16,6 449,4 116,9

43. E11 -24,4 25,2 47,29 47,13 -87,83 2,7 127,3 - 237,1

44. E12 0,9 20 27,88 48,95 3,24

-

3,7 - 181,1 - 12,0

45. E13 -19,4 24,6 18,29 86,29 -69,88

-

17,8 - 1.536,0 1.243,9

46. E14 -60,4 27,8 12,1 47,67 -217,37

-

0,1

-

4,8 21,7

47. E15 -54 77,9 56,73 44,72 -194,37

-

5,6 - 250,4 1.088,5

48. E16 10,6 26,8 32,8 81,27 38,08

-

18,9 - 1.536,0 - 719,7

2006

- -

49. E1 18,2 5,5 40,3 49,88 65,38 23,8 1.187,1 1.556,0

50. E2 4,7 34,9 58,83 67,93 16,77 26,4 1.793,4 442,7

51. E3 2,5 21,7 20,63 26,35 8,89 4,8 126,5 42,7

52. E4 16,4 28 88,97 20,02 58,88 38,9 778,8 2.290,4

53. E5 5,5 42,4 35,88 21,51 19,68 5,7 122,6 112,2

54. E6 12 27,6 48,6 30,36 43,31 2,3 69,8 99,6

55. E7 -7,6 40,5 22,52 36,46 -27,4 6,7 244,3 - 183,6

20

56. E8 10,6 10,6 4,09 76,38 38,24 8,6 656,9 328,9

57. E9 20,3 0,5 55,11 66,34 73,06 7,9 524,1 577,2

58. E10 3,2 3,5 23,03 28,78 21,04 20,7 595,7 435,5

59. E11 -18,7 20,7 46,09 36,52 -67,24

-

0,6 - 21,9 40,3

60. E12 10,6 18,6 32,86 63,78 38,13

-

7,4 - 472,0 - 282,2

61. E13 -4,1 20,4 22,68 100,44 -14,77

-

18,0 - 1.807,9 265,9

62. E14 -64,8 25,8 30,41 37,75 -233,36

-

3,3 - 124,6 770,1

63. E15 -58,9 122,7 21,5 54,3 -212,01

-

22,7 - 1.232,6 4.812,6

64. E16 8,4 23,1 27,45 53,61 30,19 1,8 96,5 54,3

2005

- -

65. E1 12,6 8,3 34,39 49,72 45,19 32,0 1.591,0 1.446,1

66. E2 8,5 34,9 62,89 49,54 30,55 31,6 1.565,5 965,4

67. E3 2 21,8 18,06 22,91 7,12 2,5 57,3 17,8

68. E4 1,9 6,7 40,54 22,43 6,87 40,7 912,9 279,6

69. E5 6,5 31,1 32,53 31,93 23,47 10,0 319,3 234,7

70. E6 12,4 31 54,09 31,45 44,61 4,5 141,5 200,7

71. E7 -4,4 37,2 22,92 29,74 -15,71 10,1 300,4 - 158,7

72. E8 13 19,1 6,23 123,43 46,73 8,3 1.024,5 387,9

73. E9 25,3 2,5 60,99 61,64 91,11 25,8 1.590,3 2.350,6

74. E10 1,7 5,2 26,75 25,9 19,13 20,4 528,4 390,3

75. E11 -10,7 19,3 32,05 43,9 -38,49

-

0,1

-

4,4 3,8

76. E12 8,4 10,9 26,5 57,07 30,07 7,2 410,9 216,5

77. E13 -10,5 19,8 21,89 76,37 -37,75

-

19,9 - 1.519,8 751,2

78. E14 -59,1 22,6 39,82 40,36 -212,6 3,7 149,3 - 786,6

79. E15 -23,7 103,4 1,98 35,96 -85,27

-

38,3 - 1.377,3 3.265,8

80. E16 5,5 35,6 24,75 26,2 19,93 3,6 94,3 71,7

Fonte: CVM (Comissão de Valores Imobiliários)

Nota: Dados trabalhados pelo Autor

III.2 - Parte teórica dos métodos quantitativos: Regressão múltipla e Anova

Esta seção contou com a colaboração do Professor Ayrton Novazzi que utilizou dois

autores como referencia: Owen (1984) e George e Willian (1989).

Um dos objetivos desse trabalho é investigar simultaneamente os efeitos de diversas

variáveis independentes , sobre uma variável dependente Y. Isto foi feito usando

regressão múltipla, uma técnica que inclui variáveis independentes num modelo linear geral,

cuja equação básica no que se refere à regressão populacional é descrita como:

21

|

Na expressão citada | representa o valor médio (ou esperado) de Y quando

as variáveis , assumem valores . O parâmetro indica o acréscimo em

Y quando aumenta uma unidade, ficando inalterados ; indica o acréscimo em Y

quando aumenta uma unidade, ficando inalterados e assim por diante. O

parâmetro corresponde ao valor de Y se forem zero.

De acordo com a teoria clássica da análise de regressão, o modelo apresentado pode

ser reescrito da seguinte forma:

| (1)

sendo | o valor de Y quando as variáveis assumem os valores de e

é um componente aleatório que indica a diferença entre | e | . O

comportamento probabilístico desse componente obedece a uma distribuição normal com

média 0 e desvio padrão .

Para uma amostra de n valores de ( ) a curva estimada da regressão de

Y sobre é:

| (2)

Os números , estimativas de serão aqueles que

minimizam ∑ ( )

, a soma dos quadrados das n diferenças entre valores reais e

estimados de Y. Tais números foram encontrados com o auxílio das seguintes equações

mínimo quadráticas:

{

(2.1)

Nessas equações usamos a notação: para indicar ∑ ; ; para indicar

∑ ; para indicar ∑

; para indicar ∑ ( ) ( ); para

indicar ∑ ( ) ( ); ; ∑ ( )

( ); ∑ (

) ( ); ; ∑ ( ) ( ).

22

Testes de algumas hipóteses vinculadas ao modelo - Neste estudo consideramos dois

tipos de hipóteses concernentes a (1):

(1) Hipóteses referentes à significância do modelo de regressão como um todo.

(2) Hipóteses referentes ao efeito de uma variável .

Em ambos empregamos a técnica da análise de variância (Anova). No que diz respeito

ao item (a), o par de hipóteses posto à prova é: versus

para pelo menos um i, . Nesse caso, a anova conduz ao seguinte quadro resumo:

Quadro Resumo 1 – Anova: Validade da regressão

Variação Soma dos quadrados Gl Quadrado médio

Explicada

pela

regressão ∑( ) ∑

K ∑

Não

explicada

(resíduo)

∑( )

∑

∑ ( )

Total ∑( )

Fonte: Autor

Tendo em vista o fato de que quando é verdadeira, tem distribuição

F (Fisher – Snedecor) com número de graus de liberdade e , usamos

esta estatística para testar . O procedimento tradicional de teste consiste em: (a) supor

verdadeira; (b) fixar um risco de erro tipo I, isto é, impor uma probabilidade de rejeitar

quando ela é verdadeira. Via de regra, não deve superar 0.05; (c) achar um valor tal

que ( | ) ; (d) rejeitar se , aceitar se .

No que se refere ao item (b), para conhecer o efeito de uma variável especificada

, sobre Y por meio da anova, isolamos esta variável e empregamos as

restantes para prever Y. Como ilustração, suponhamos que nosso foco de interesse seja

analisar o efeito de sobre Y. Nesse caso, basta fazer uso das variáveis para

estimar Y, com suporte nos estimadores

, os quais são determinados resolvendo o

seguinte sistema de equações mínimo quadráticas:

23

{

(2.2)

Tendo à disposição os e os , vem o seguinte quadro

resumo:

Quadro Resumo 2 – Anova: Efeito de sobre Y

variação Soma dos quadrados Gl Quadrado médio

Efeito adicional

de ∑

∑

1 ∑

∑

Regressão sobre

∑

∑ ( )

Resíduo ∑

∑

( )

Total

Fonte: Autor

No presente caso, o par de hipóteses posto à prova é versus e a

estatística utilizada para testar é . Esta estatística tem distribuição F com

e graus de liberdade se for verdadeira. Sendo assim, para testar

leva-se em conta o procedimento que se mencionou.

Critérios análogos ao explanado para avaliar a influência de sobre Y são,

evidentemente, válidos para qualquer outra variável .

Na avaliação da regressão como um todo, se a Anova conduziu à rejeição de ,

calculamos o coeficiente de determinação , que é uma relação entre a variação explicada

pela regressão e a variação total:

∑

(2.3)

24

IV – ANÁLISE DOS RESULTADOS

Neste estudo foram coletados dados amostrais de natureza contábil abrangendo duas

categorias de empresas. Da primeira fizeram parte empresas com ativo circulante maior que

50% do ativo total e da segunda, empresas com ativo circulante menor que 50% do ativo total,

como citado anteriormente na seção III.1.

Nossas fontes de informação foram os balanços corporativos, abertos ao público no

site da CVM, que possibilitaram a quantificação das variáveis independentes: X1=CCE,

X2=Debt Ratio, X3=PMR, X4=PME, X5= Dias de CG e das seguintes variáveis dependentes:

Yr= Rentabilidade, Ya=ROA, Yo=ROE.

As empresas escolhidas foram citadas anteriormente na seção III.1, metodologia.

Nesta mesma seção estão os valores calculados das variáveis independentes e dependentes,

nas Tabelas 3 e 4.

Indicando por Y cada uma das variáveis dependentes, os valores de bi, i=0,..., 5, que

identificam a regressão estimada de Y sobre Xi, i=1,..., 5, ou seja ,

serão calculados com base em [(2.1)] da seção III.2, para k=5

IV.1 - Equação de regressão – Empresas com alto capital de giro (Categoria1)

Nesta etapa, foi usada a regressão múltipla para a análise das empresas da categoria 1.

Para determinar até que ponto as variáveis Xi afetam a rentabilidade das firmas, empregamos a

Anova. Para isso, serão observadas a tabela 3, da seção III.1 e a parte teórica, encontrada na

seção III.2.

IV. 1.1 - Regressão estimada de Yr sobre X1, X2, X3, X4, X5

Nesta parte da pesquisa, usaremos a tabela da seção III.1, tabela 3. Abaixo foi

realizado a tratamento estatístico sobre a variável dependente ROS. Regressão múltipla e

Anova.

Da tabela 3, vem:

25

Substituindo esses valores em [(2.1)] e resolvendo as equações, vem:

Ŷr=7,873107+0,119868x1-0,0365483x2+0,0798714x3-0,131252x4-0,0294017x5

A Anova, para o teste da validade da regressão como um todo, conduziu aos seguintes

resultados [quadro-resumo 1] da seção III.2:

Anova para regressão múltipla

Variação

Soma dos

quadrados g.l Quadrado médio

Explicada 894,171662 5 178,834332

não explicada 2972,578213 74 40,169976

Total 3866,749875 79

Fobs=4,451940, Fcrít=F5,74=3,275224, para α=0,01; R2=0,231246 [(2.3)]

Conclusão: Ao nível de 1% rejeitamos a hipótese H0, segundo a qual todos os βi, i=1,..., 5, são iguais a

zero. Ou seja, pelo menos um deles é diferente de zero.

A regressão estimada acima mostra que 23.12% da variação do ROS é explicada pelas

variáveis independentes.

Como H0 foi rejeitada, devemos conhecer quais β’s são não nulos. Isto pode ser feito

pesquisando os efeitos de cada uma das variáveis independentes, com base em [(2.2)] e

[quadro resumo 2], localizados na seção III.2. Por exemplo, pesquisando o X1 obtivemos:

26

a) Efeito de X1 sobre Yr

Causa da variação Soma de quadrados g.l Quadrado médio

Efeito de X1 depois de

eliminadas as outras

variáveis

9,389543

1

9,389543

Regressão sobre X2, X3,

X4, X5

884,782119

4

Resíduo 2972,578213 74 40,169976

Total 3866,749875 79

Fobs=0,233745, Fcrít=F1,74=3,970230, para α=0,05

Conclusão: Sendo Fobs<Fcrit, não há evidência da presença do efeito de X1

Idêntico processo foi utilizado para avaliar o efeito de X2,..., X5.

Vale lembrar que o único efeito verificado foi o de X4, como ilustrado abaixo.

b) Efeito X4 sobre Yr




variáveis

414,934564

1

414,934564


X3, X5

479,237098

4

Resíduo 2972,578213 74 40,169976

Total 3866,749875 79


Conclusão: Sendo Fobs>Fcrit (nível 0.01), X4 tem efeito na regressão. Então, β4 não é nulo.

Ficou evidente que o PME (X4) foi a única variável independente apresentou efeito

sobre a rentabilidade das empresas com alto capital de giro.

A regressão estimada de X4 sobre Yr é ŷr=b0+b4x4. De [(2.1)] tem-se que b4c44=cy4 e

b0=ȳ-b4Ẍ4. Fazendo as substituições convenientes, vem:

ŷr=11,739199-0,118374x4.

Portanto, o aumento de 1 dia no PME acarreta a diminuição de 0.118% no ROS.

27

IV.1.2 - Regressão estimada de Ya sobre X1, X2, X3, X4, X5

Nesta etapa da pesquisa será feito, assim como anteriormente, as regressões sobre a

variável dependente, mas desta vez, sobre ROA.

Da tabela 3, vem:

.

Substituindo esses valores em [(2.1)] e resolvendo as equações, podemos escrever:

O teste da validade a regressão como um todo [quadro-resumo 1] apresentou a

seguinte configuração:


Variação

Soma dos

quadrados g.l Quadrado médio

Explicada 793,310796 5 158,662159

não explicada 4773,316704 74 64,504280

total 5566,627500 79


Conclusão: Sendo Fobs>Fcrit, (nível 0.05), rejeitamos H0, segundo a qual β1=β2=...=β5=0.

Neste caso a regressão estimada mostrou que 14.25% da variação do ROA pode ser

explicada pelas variáveis independentes. E devemos investigar os β’s para conhecer os que

não são nulos. Como vimos, isso pode ser conseguido analisando os efeitos dos Xi sobre Ya.

28

Levando em conta [(2.2)] e [quadro-resumo 2], vem:

a) Efeito de X1 sobre Ya




variáveis

0,007473

1

0,007473


X4, X5

793,303323

4

Resíduo 4773,316704 74 64,504280

Total 5566,627500 79

Fobs=0,000116, Fcrít=F1,74=3,970230, para α=0.05

Conclusão: Sendo Fobs<Fcrit, não há evidência da presença de efeito de X1


Vale lembrar que o único efeito verificado foi o de X4, como ilustrado abaixo.

b) Efeito X4 sobre Ya




variáveis

347,647202

1

347,647202


X3, X5

445,663594

4

Resíduo 4773,316704 74 64,504280

Total 5566,627500 79

Fobs=5,389521, Fcrít=F1,74=3,970230, para α=0,05. (Efeito de X4)

Fobs=1,727264, Fcrít=F4,74=2,495388, para α=0,05. (Variação explicada pela regressão sobre X1, X2, X3,

X5)

Conclusão: Fica evidenciada a presença do efeito de X4 (nivel 0.05). Fica também evidenciado que a

regressão de Ya sobre as outras variáveis independentes não foi estatisticamente significante. Ou seja, apenas o

PME (X4) interfere no ROA das empresas com capital de alto giro.

Novamente ficou evidente que o PME (X4) foi a única variável independente

apresentou efeito sobre a rentabilidade das empresas com alto capital de giro.

A regressão estimada de X4 sobre Yr é ŷr=b0+b4x4. De [(2.1)] tem-se que b4c44=cy4 e

b0=ȳ-b4ẍ4. Fazendo as substituições convenientes, vem:

.

Portanto, o aumento de 1 dia no PME acarreta a diminuição de 0.123% no ROA.

29

IV.1.3 - Regressão estimada de Ye sobre X1, X2, X3, X4, X5.

Depois da regressão sobre as duas variáveis dependentes, foi feito sobre o ROE, para

assim, finalizar a primeira categoria de empresas.

Da tabela 3, vem:

Empregando esses números em [(2.1)] e resolvendo as equações, podemos escrever:

ŷe=17,999329+5,710737x1+0,663617x2-0,104016x3+0,0990423x4-1,973358x5

O teste da validade da regressão como um todo [quadro-resumo 1] conduziu aos

seguintes resultados:


Variação

Soma dos

quadrados g.l quadrado médio

Explicada 39430,189442 5 7886,037888

não explicada 496062,304433 74 6703,544655

Total 535492,493875 79

Fobs=1,176398, Fcrít=F5,74=2,338278, para α=0,05, R2=0,07363 [(2.3)]

Conclusão: Sendo Fobs<Fcrit, aceitamos a hipótese H0, segundo a qual os βi, i=1,..., 5, são nulos.

Portanto, a regressão fica invalidada.

Devido ao baixo valor explicado, essa regressão foi considerada insignificante,

explicando aproximadamente apenas 8%. ROE foi invalidado pelo menos para essa amostra

coletada, pertencente a esse grupo de empresas.

IV.2 - Equação de regressão – Empresas com baixo capital de giro (Categoria 2 )

Nesta outra etapa do estudo, foram observadas as empresas da categoria 2, pelos

mesmo métodos utilizados anteriormente, regressão múltipla para a análise das empresas da

categoria 2, e, para determinar até que ponto as variáveis Xi afetam a rentabilidade das firmas,

30

empregamos a Anova. Para isso, foram observadas a Tabela 4 da seção III.1 e a parte teórica,

encontrada na seção III.2.

IV.2.1 - Regressão estimada de Yr sobre X1, X2, X3, X4, X5

Abaixo, a regressão estimada da variável dependente Rentabilidade (ROS) sobre as


Da tabela 4, vem:


No teste de regressão como um todo [quadro-resumo 1], obtivemos:


Variação Soma dos quadrados g.l quadrado médio

Explicada 7475,047813 5 1495,009563

não explicada 33937,270187 74 458,611759

Total 41412,318000 79


Conclusão: rejeita-se H0 ao nível de 0,05. Portanto, pelo menos um dos βi, i=1,..., 5, deve ser diferente de

zero.

Do exposto verificamos que 18.05% da variação do ROS pode ser explicada pelas


Ao rejeitarmos a hipótese H0 segundo o qual todos os βi são não nulos, devemos

31

investigar qual (ou quais) desse (s) parâmetros difere (m) de zero. Isto pode ser feito pesquisando

o efeito dos Xi na regressão múltipla.

a) Efeito de X1 sobre Yr

Causa da variação Soma de quadra os g.l Quadrado médio



variáveis

65,856743

1

65,856743


X4, X5

7409,191070

4

Resíduo 33937,270187 74 458,611759

Total 41412,318000 79



b) Efeito de X2 sobre Yr




variáveis

723,472323

1

723,47232


X4, X5

6751,575490

4

Resíduo 33937,270187 74 458,611759

Total 41412,318000 79



c) Efeito X3 sobre Yr

Causa da vari cão Soma de quadrados g.l Quadrado médio



variáveis

497,707711

1

497,707711


X4, X5

6977,340102

4

Resíduo 33937,270187 74 458,611759

Total 41412,318000 79



32

d) Efeito X4 sobre Yr

Causa da varição Soma de quadrados g.l Quadrado médio



variáveis

632,617263

1

632,617263


X3, X5

6842,430550

4

Resíduo 33937,270187 74 458,611759

Total 41412,318000 79


Conclusão: Sendo Fobs<Fcrit , não há evidência na presença do efeito de X4

e) Efeito de X5 sobre Yr

Caus da variação Soma de quadrados g.l Quadrado médio



variáveis

121,700956

1

121,700956


X3, X4

7353,346857

4

Resíduo 33937,270187 74 458.611759

Total 41412,318000 79


Conclusão: Sendo Fobs<Fcrit, não há evidencia da presença de efeito de X5

Como mencionado, nenhuma das variáveis Xi, i=1,..., 5 tem efeito estatisticamente

significante sobre Yr se as quatro outras estiverem juntas. O fato de a Anova para a regressão

estimada ter sido significante decorre a existência de multicolinearidade, ou seja, alta correlação

entre as variáveis independentes. Quando isto ocorre a Anova não pode ser aplicada.

IV.2.2 - Regressão estimada de Ya sobre X1, X2, X3, X4, X5

Nesta seção, foi analisada a regressão da variável ROA sobre as variáveis independentes.

Da tabela 4, vem:


33

O teste da validade da regressão como um todo conduziu a:

Anova para regressão múltipla de Ya sobre X1, X2, ..., X5


Explicada 2071,738021 5 414,347604

não explicada 7436,913979 74 100,498838

Total 9508,652000 79

Fobs=4,122909, Fcrít=F5,74=3,275224, para α=0,01, R2=0,21788 [(2.3)]

Conclusão: Rejeita-se H0 e, portanto, pelo menos um dos βi, i=1,..., 5, difere de zero.

Do quadro acima verificamos que 21.79% da variância do ROA pode ser explicada pelas


A rejeição de H0 leva-nos a pesquisar quais são os β’s que não são nulos, mediante os

testes que identificam os efeitos de Xi, i=1,..., 5. Neste caso usamos como exemplo o X1.

a) Efeito de X1 sobre Ya

Causa da variação Soma de quadrad s g.l Quadrado médio



variáveis

24,790880

1

24,790880


X4, X5

2046,947141

4

Resíduo 7436,913979 74 100,498838

Total 9508,652000 79




Vale lembrar que o único efeito verificado foi o de X2, como ilustrado a seguir.

34

b) Efeito de X2 sobre Ya




variáveis

762,616368

1

762,6 368


X4, X5

1309,121653

4

Resíduo 7436,913979 74 100,498838

Total 9508,652000 79


Conclusão: Sendo Fobs>Fcrit, fica evidenciada a presença do efeito de X2 (nivel 0.01).

Do exposto, verificamos que Alavancagem Financeira (X2) tem influência

estatisticamente significante no ROA.

A regressão estimada de X2 sobre Ya, , calculada com base em [(2.1)], é

.

Pode-se então inferir que quando a AF aumenta 1%, o ROA diminui 0.214%.

IV.2.3 - Regressão estimada de Ye sobre X1,..., X5

Nesta parte, a regressão sobre o ROE.

Da tabela 4, vem:


O teste da validade da regressão como um todo apresentou os seguintes resultados:

35

Anova para regressão múltipla de Ye sobre X1, X2, ..., X5


Explicada 39430,189442 5 7886,037888

não explicada 496062,304433 74 6703,544655

Total 535492,493875 79

Fobs=1.176398, Fcrít=F5,74=2.338278, para α=0.05, R2=0,07363 [(2.3)]

Conclusão: Sendo Fobs<Fcrit, aceitamos a hipótese H0, segundo a qual os βi, i=1,..., 5, são nulos. Portanto,

a regressão fica invalidada.

Novamente, como na primeira categoria, a variável ROE não mostrou nenhuma relação

significante com as variáveis independentes. E, portanto, pode ser concluído que, com esses

dados coletados nesta amostra, tanto para categoria 1, quanto para categoria 2, não mostram

relação entre return on equidity e outras variáveis.

V – DISCUSSÃO DOS RESULTADOS

Nesta seção, foi feita a análise dos resultados encontrados na seção anterior, discutindo-

os e os comparando com pesquisas estudadas anteriormente, e, citadas na Revisão

Bibliográfica.

No inicio da pesquisa, antes do tratamento estatístico, fazendo uma análise parcial dos

valores das variáveis encontrados nas tabelas 3 e 4 da seção III.1, podemos observar que as

variáveis PME e PMR são sempre positivas, enquanto as outras variáveis oscilam entre valores

positivos e negativos. PME e PMR, sempre positivos, vão de acordo com a teoria. A variável

Prazo Médio de Estoque (PME) é medida pelo tempo (dias) que leva desde a chegada do

produto final ao estoque até sua saída (venda). Já o Prazo Médio de Recebimento é calculado

pelo tempo, em dias, que leva para o recebimento do dinheiro após a venda ter sido

concretizada. Por isso não podem aparecer resultados negativos, já que estamos tratando de

tempo.

Continuando a análise anterior, as outras variáveis podem apresentar um resultado

negativo, até mesmo o DCG. Tal fato ocorre quando o Prazo Médio de Pagamento é maior que

a soma dos Prazos de Estoque e Recebimento.

Analisando os resultados encontrados pós-tratamento estatístico, a variável dependente

ROE não teve nenhuma relação significante em nenhuma das duas categorias, sendo nas

36

empresas da categoria 1 sua regressão estimada explicou, aproximadamente, apenas 8%; o

mesmo aconteceu com as empresas da categoria 2. Enquanto ROA e ROS, apresentaram

resultados a serem discutidos. Na categoria 1 o ROS explicou 23.12% e o ROA 14.15%; já na

categoria 2 explicaram 18.05% e 21.79% respectivamente.

V.1 – Resultados da categoria 1

Na primeira etapa dos cálculos (IV.1) foram encontradas, na regressão estimada, que as

variáveis independentes, como um todo, explicam 23.12% da variação no ROS e 14.25% da

variação no ROA. Já o ROE, como dito anteriormente, não se mostrou importante.

Na regressão sobre a variável dependente ROS foram excluídas todas as variáveis

independentes, menos o PME, que teve um efeito significante. No aumento de 1 dia no PME

leva a diminuição de 0.118% no ROS. Novamente, na regressão sobre o ROA, ficou clara a

importância do PME. No aumento de 1 dia no PME, ocorre a diminuição de 0.123% no ROA.

V.2 - Resultados da categoria 2

Na segunda etapa dos cálculos (IV.2) foram encontradas na regressão estimada que as

variáveis independentes, como um todo, explicam 18.05% e 21.79% da variação no ROS e

ROA, respectivamente.

Na variação sobre ROS nenhuma variável independente apresentou efeito significante

quando as outras quatro estiverem juntas. O fato de apresentarem 18.05% de explicação do

ROS decorre a existência de multicolinearidade, ou seja, alta correlação entre as variáveis

independentes. Neste caso a Anova não pode ser aplicada. Já sobre o ROA, apenas AF teve

importância relevante, no aumento de 1% leva a diminuição de 0.214% no ROA.

V.3 – Comparação com outros estudos

A variável DCG na maioria dos estudos apresenta uma relação negativa com a

rentabilidade. No nosso estudo, não verificamos nenhum efeito significante. No entanto, no

PME encontramos uma relação negativa com a rentabilidade das firmas, e, portanto quanto

maior PME, maior o DCG e menor a rentabilidade. Os estudos que se diferenciaram podem ser

explicados pelo fato das empresas lucrarem com o parcelamento de suas vendas, implantando

juros altos, como no estudo de Palombini (2010). Portando, quanto menos dias a receber,

menos DCG e menor a rentabilidade; e, também pode ser explicado pelas empresas com menor

rentabilidade demorarem mais para pagar suas contas, como nas pesquisas de Raheman e Nasr

37

(2007). Onde, quanto menor dias a pagar, maior DCG e maior rentabilidade.

No nosso trabalho, Alavancagem Financeira apresentou uma relação negativa com a

rentabilidade, assim como os outros estudos expostos na revisão bibliográfica. Dias de Estoque,

que apresentou uma relação negativa, também pode ser notado nas pesquisas de Lazaridis e

Tryfonidis (2006), Deloof (2003) e Chakraborty (2008). Lazaridis e Tryfonidis (2006) e Dellof

(2003) também encontraram uma relação negativa entre dias a receber e rentabilidade, mas

nosso estudo não apresentou nenhuma evidência, assim como Chakraborty (2008). Quanto ao

CCE, usado apenas por Ganesan (2007) onde não encontrou nenhum efeito, obtivemos os

mesmo resultados.

VI – CONCLUSÃO

Nesse estudo tínhamos como objetivos descobrir a relação entre rentabilidade (ROS,

ROA e ROE) e a eficiência do capital de giro, descobrir se existe alguma diferença entre essa

relação nos dois grupos, menor uso (cat. 1) e uso intensivo do capital (cat. 2), e determinar

quais variáveis mais afetam a rentabilidade. O Projeto estabeleceu as seguintes hipóteses:

Ambas as hipóteses apontam uma relação negativa entre as variáveis, (1) DCG e (2) AF, com a

rentabilidade.

Neste trabalho foram estimadas as regressões múltiplas do ROS, do ROA e do ROE

sobre as variáveis independentes CCE (%), AF (%), PMR (dias), PME (dias), DCG (dias), para

empresas com alto e baixo capital de giro.

Na regressão estimada das empresas da cat. 1, as variáveis independentes como um todo

explicaram 23.12% da variação no ROS, 14.25% no ROA, valores retirados do R2 (coeficiente

de determinação múltipla); Já na cat. 2, explicaram 18.05%, 21.79%, respectivamente.

Infelizmente, para o ROE, não foram obtidos valores significantes.

A regressão estimada dos dois grupos distintos não relataram grandes divergências.

Portanto, respondendo o objetivo 2, podemos dizer que não existe diferença na relação entre a

eficiência do capital de giro e rentabilidade das firmas dos dois grupos.

A constatação da regressão total das equações de regressão múltipla do ROS e do ROA

não significa que, necessariamente, todas as variáveis independentes levadas em conta tenham

efeito. Sendo assim, tivemos o cuidado de excluir as variáveis independentes que não tiveram

38

influência em cada uma das variáveis dependentes, ROS e ROA. O processo de exclusão foi

desenvolvido a partir da Anova, deixando claros os seguintes pontos:

I) Empresas com alto capital de giro

a) Na regressão do ROS foram excluídas todas menos o PME, que teve efeito

evidenciado. O acréscimo de um dia no PME leva a uma diminuição de 0.118% no ROS

b) No ROA, novamente, ficou evidente a importância do PME. Aumentando 1 dia no

PME, reduz o ROA em 0.123%.

Com esses dados encontrados, concluímos que a gestão do estoque é importante para

empresas da cat. 1; Podemos então, concluir que quanto melhor a rentabilidade (ROS e ROA)

das empresas, menor os dias de capital de giro, confirmando a hipótese 1. Então quanto mais

eficiente essa gestão de estoque, melhor seu retorno. Simultaneamente, podemos relacionar

esse achado com o objetivo 1, dizendo que existe uma relação negativa entre as variáveis do

capital de giro com a rentabilidade das empresas.

II) Empresas com baixo capital de giro

a) Devido à presença de multicolinearidade, a Anova não pode ser aplicada.

b) No ROA, somente a AF teve importância relevante, quando aumenta em 1%, leva à

diminuição de 0.214% no ROA.

De acordo com os resultados encontrados, AF (alavancagem financeira) está

negativamente associado com ROA, confirmando a hipótese 2.

Podemos, contudo, concluir que, de acordo com o método ANOVA, as variáveis

independentes que mais afetam a rentabilidade das empresas, respondendo o objetivo 3 do

estudo, foram:

Cat. 1 – PME, com aumento de 1 dia, leva à queda do ROS e ROA, 0.118% e 0.123%,

respectivamente.

Cat. 2 – No ROA, a única variável independente que teve efeito significante foi a AF,

ao aumentar 1%, acarreta uma diminuição de 0,214% no ROA.

39

REFERÊNCIAS

1. AGUADO, S. C. Estudo comparativo entre o CCL e o IOG – uma abordagem didática.

Dissertação de mestrado de Ciências Contábeis da PUC/SP. 2003.

2. ASSAF NETO, A.; Silva, C. A. T. Administração do capital de giro. 3. ed. São Paulo:

Editora Atlas, 2002.

3. BRIGHAM, E.F.; Ehrhardt, M.C. Financial Management- Theory and Practice. 10. ed.

Florida: South-Western, 2002

4. CHAKRABORTY, K. Working capital and profitability: Na empirical analysis of their

relationship with reference to selected companies in the Indian pharmaceutical Industry.

ICFAI Journal of Management Research, India, 2008, Vol. VII, No. 12

5. CHING, H.Y. Gestão de caixa e de capital de giro. Curitiba: Juruá, 2010.

6. CHING, H. Y.; Marques, F.; PRADO, L. Contabilidade e Finanças para não especialistas.

3.ed. São Paulo: Editora Pearson, 2010.

7.CHRISTOPHER, S. B., Kamalavalli, A. L. Sensitivity of profitability to working capital

management in Indian corporate hospitals. Cópia electronica disponível

HTTP://ssrn.com/abstract=1331500, 2009.

8. DELOOF, M. Does Working Capital Management affect profitability of Belgian Firms?

Journal of Business Finance & Accounting, Vol.30 No 3 & 4, pp 573-587, 2003.

9. ELJELLY, A. Liquidity-Profitability Tradeoff: An empirical investigation in an emerging

market. International Journal of Commerce & Management, Vol 14 No 2, pp 48-61, 2004.

10. FILBECK, G.; Krueger, T.; Dianna, P. CFO Magazine´s “working capital survey”: do

selected firms work for shareholders? Quarterly Journal of Business & Economics. Vol 46,

No 2, 2007.

11. GANESAN, V. An Analysis of working capital management efficiency in

telecommunication equipment industry. River Academic Journal, Vol. 3 No 2, 2007.

12. GEORGE, W. Snedecor; Willian G. Cochram,. Statistical Methods, The Lowa State

University Ress, Iowa, USA, 1989.

13. LAZARIDIS, J.; Tryfonidis, D. Relationship between working capital management and

profitability of listed companies in the Athens Stock Exchange. Journal of Financial

Management and Analysis. Vol. 19 (1), pp 26-35, 2006.

14. MATARAZZO. D.C. Análise financeira de balanços. 6.ed. São Paulo: Editora Altas, 2003.

15. MATIAS, A. B. Finanças corporativas de curto prazo. São Paulo: Editora Altas, 2007.

16. OWEN, L. Davies, Statistical Methods in Research and Production with special reference to

the chemical industry. Imperial Chemical Industries limited & Oliven Boyol, 1984.

http://ssrn.com/abstract=1331500

40

17. PALOMBINI, Nathalie Vicente Nakamura. Gestão do capital de giro: impacto sobre a

rentabilildade e seus determinants. São Paulo: Universidade Presbiteriana Mackenzie, 2010.

Disponível em: < http://mx.mackenzie.com.br/tede/tde_busca/arquivo.php?codArquivo=1848 >. Acesso em 21 mar 2011.

18. RAHERMAN. A.; Nasr, M. Working Capital Management and Profitability – Case of

Pakistani Firms. International Review of Business Research Papers. Vol. 3 No 1, PP 279-300,

2007.

19. SANTI FILHO, A.; Oliquenvitch, J. L. Análise de balanços para controle gerencial. 3. ed.

São Paulo: Editora Altas, 1995

20. SHIN, H. H.; Soenen, L. Efficiency of working capital management and corporate

profitability. Financial Practice and Education. Vol.8 No 2, pp 37-45, 1998.

21. SILVA, S. S; Moraes Júnios, V. F. Análise econômico-financeira dos índices de

lucratividade ROA e ROE, baseados no modelo ROI. Natal: Revista cientifica da faculdade

de Natal, 2006. Disponível em: < http://www.mendeley.com/research/anlise-

econmicofinanceira-dos-ndices-lucratividade-roa-e-roe-baseado-modelo-roi/

>. Acesso em 01 jul 2010.

22. WESTON, J.F.; Brigham, E. F.Fundamentos da Administração Financeira. 10. ed. São

Paulo: Makron Books, 2000.

23. _______________, Pesquisa Corporate Recovery. Consultoria KPMG, 2006.

http://mx.mackenzie.com.br/tede/tde_busca/arquivo.php?codArquivo=1848

http://www.mendeley.com/research/anlise-econmicofinanceira-dos-ndices-lucratividade-roa-e-roe-baseado-modelo-roi/

http://www.mendeley.com/research/anlise-econmicofinanceira-dos-ndices-lucratividade-roa-e-roe-baseado-modelo-roi/

a otimizaÇÃo do capital de giro e seu reflexo...

Documents