Os Efeitos da Estratégia de Negócios e da Competição no Mercado de Produtos no Gerenciamento de Resultados Reais

Resumo

Esta pesquisa investigou os efeitos específicos e combinados da estratégia de negócios (business strategy, BS) ao nível da firma e da concorrência de mercado (market strategy, MC) ao nível da indústria no gerenciamento de resultados por meio de atividades reais (real earnings management, REM). Uma pontuação composta de estratégia baseada no arcabouço de Miles e Snow foi utilizada para calcular BS, enquanto MC foi mensurado por meio de três métricas distintas e REM foi medido com base nos modelos de Roychowdhury (2006) de nível anormal de produção, vendas e gastos discricionários. Dados de empresas não financeiras listadas nos Estados Unidos da América (EUA) no período de 1987-2020 foram analisados utilizando regressões por Mínimos Quadrados Ordinários (Ordinary Least Squares, OLS) controladas por efeitos fixos de indústria e ano. Os achados sugeriram que as empresas que seguem uma estratégia prospectora orientada à inovação estão associadas a níveis mais baixos de REM quando comparadas às empresas que adotam estratégia defensora orientada à eficiência. Enquanto MC isoladamente não exerceu efeito significativo nas atividades de REM, o efeito combinado de BS e MC revelou que empresas prospectoras em mercados mais competitivos engajam menos em práticas de REM, o que confirma o papel da competição de mercado na relação entre BS e REM. Esta pesquisa contribui para a literatura de gerenciamento de resultados, ao documentar que as práticas de REM são afetadas não apenas por escolhas internas de alocação de recursos de acordo com a estratégia de negócios, mas também por determinantes exógenos da competição de mercado.

Palavras-chave
Gerenciamento de resultados por atividades reais; Estratégia de negócios; Competição no mercado de produtos

Abstract

This research investigated the singular and combined effects of firm-level business strategy (BS) and industry-level market competition (MC) on real activities-based earnings management (REM). A composite strategy score based on Miles and Snow’s framework was used to empirically assess BS, while MC was measured through three distinct metrics, and REM was calculated based on Roychowdhury’s (2006) models of abnormal level of production, sales, and discretionary expenditures. Archival data from United Stated (U.S.) non-financial public listed firms in the period 1987-2020 was analyzed using Ordinary Least Squares (OLS) regressions, controlled for industry and year fixed effects. Findings suggested that firms following an innovation-oriented prospector strategy are associated with lower levels of REM than firms following an efficiency-oriented defender strategy. While MC alone did not have a significant effect on REM, the combined effect of BS and MC reveals that prospectors in more competitive markets engage less in REM activities, which confirms the relevance of competition in the relationship between BS and REM. This research contributes to earnings management literature by documenting that REM practices are affected not only by internal choices of resource allocation in accordance with a business strategy, but also by exogenous determinants of market competition.

Keywords
Real earnings management; business strategy; market competition

1. Introdução

Este estudo investiga os efeitos da estratégia de negócios (BS) e da concorrência no mercado de produtos (MC) no gerenciamento de resultados por meio de atividades reais (REM). A teoria da agência postula que o conflito entre principais e agentes ocorre devido à assimetria informacional e falhas contratuais (Jensen & Meckling, 1976). Nesse contexto, o gerenciamento de resultados refere-se ao uso gerencial de julgamento discricionário na estruturação de relatórios financeiros e transações com intuito de manipular os resultados relatados. Esse tipo de gerenciamento de resultados pode ocorrer de duas formas: com base no sistema de medição contábil em função do regime de competência (accruals earnings management, AEM), ou através da manipulação de atividades reais, o que é mais difícil de ser detectado, porém mais custoso porque reduz o valor da firma no longo prazo (Roychowdhury, 2006). Este estudo se concentra neste último tipo, pois envolve a manipulação de importantes atividades operacionais para BS, como a redução das despesas de venda, geral e administrativa (sales, general, and administrative, SG&A), aumento de descontos de preços ou superprodução de itens de estoque. Assim, viola as melhores práticas de negócios, ao mesmo tempo em que compromete o posicionamento estratégico das empresas e de seu desempenho futuro (Gunny, 2010; Wu et al., 2015).

BS é um importante componente das estruturas e processos organizacionais (Miles & Snow, 1978, 2003), influenciando decisões operacionais e mecanismos de governança interna, como sistemas de remuneração executiva (Balsam et al., 2011), e afetando o ambiente geral de divulgação de informações (Bentley-Goode et al., 2017). Existem várias tipologias para BS na literatura de gestão descrevendo como as empresas competem em seus respectivos mercados (Bentley et al., 2013). Duas abordagens consolidadas e compatíveis são Miles e Snow (1978, 2003) e Porter (1980). Consistente com pesquisas anteriores (Bentley-Goode et al., 2017; Habib & Hasan, 2017, 2018), este estudo considera a tipologia de Miles e Snow (1978, 2003): prospectoras, orientadas à inovação, e defensoras, orientadas à eficiência nas atividades. Tais estratégias são consideradas como duas extremidades de um continuum, enquanto o meio é formado pelas analisadoras - empresas que buscam atributos de ambas as estratégias.

De um lado, as prospectoras tendem a mudar rápida e continuamente seu mix de produtos de mercado e investir fortemente em inovação por meio de pesquisa e desenvolvimento (P&D) e da construção da marca por meio de estratégias de marketing. Por outro lado, as defensoras raramente ajustam seus portfólios de produtos e mercado, com foco na eficiência da produção em um mix estável de produtos. No entanto, as empresas que seguem uma BS devem lidar com o custo de divulgar certas informações-chave (Verrecchia, 1983), o que leva à retenção de informações estratégicas com o intuito de proteger sua vantagem competitiva de acordo com a estratégia escolhida (Bentley-Goode et al., 2017). Portanto, as prospectoras são mais seletivas ao divulgar informações sobre investimentos em atividades de P&D, enquanto as defensoras são mais seletivas na divulgação de informações sobre investimentos em tecnologias, por estas serem estratégicas para a eficiência operacional. Devido às diferentes complexidades associadas a cada BS, é razoável argumentar que decisões em nível de estratégia podem influenciar diferentemente o engajamento da gestão no REM.

Além disso, as pressões competitivas também afetam a tomada de decisões gerenciais, influenciando procedimentos internos e decisões operacionais, incluindo a gestão dos resultados (Datta et al., 2013). Embora o efeito da concorrência no mercado de produtos no REM já tenha sido explorado na literatura anterior (por exemplo, Balakrishnan & Cohen, 2013; Markarian & Santaló, 2014; Shi et al., 2018), argumentos teóricos e resultados empíricos apontam para duas direções. Por um lado, a alta concorrência é considerada um motor para mercados eficientes, reduzindo a expectativa de que os gestores se engajem na gestão de resultados à medida que mais informações estão disponíveis nesses ambientes, enquanto que, por outro lado, a alta concorrência também é considerada um direcionador desse tipo de prática, pois os gestores sofrem pressões adicionais para alcançar os resultados pretendidos (El Diri et al., 2020).

Poucos estudos investigaram a associação entre a BS das empresas, as características ambientais e o gerenciamento de resultados em conjunto. Por exemplo, Houqe et al. (2013) evidenciam a ligação entre BS, crescimento econômico e AEM. A partir de uma amostra de empresas listadas nos EUA e utilizando a tipologia de Miles e Snow (1978, 2003), eles descobriram que as defensoras exibem níveis mais altos de AEM, embora em períodos de alto crescimento essas empresas apresentem menos AEM. Ainda, o estudo de Wu et al. (2015) explorou as relações entre a tipologia BS de Porter (1980), MC e REM no contexto da China. Os achados indicam que as líderes em custos (diferenciadoras) estão positivamente (negativamente) associados ao REM. Além disso, o efeito moderador da MC foi considerado insignificante para as diferenciadoras, enquanto para as líderes em custos operando em mercados altamente competitivos o engajamento no REM é aumentado. Mais recentemente, Widuri e Sutanto (2018) examinaram as relações entre estratégia de diferenciação, MC e REM na Indonésia, e os resultados confirmaram que as diferenciadoras se envolvem menos com REM, e em ambientes mais competitivos essas empresas engajam ainda menos em REM.

Dessa forma, considerados elementos importantes para o desempenho financeiro das empresas e de seu ambiente, tanto a BS quanto os aspectos do mercado de produtos têm sido previamente associados ao gerenciamento de resultados. Contudo, a pesquisa sobre a relação conjunta entre esses conceitos ainda é incipiente. Assim, este estudo tem como objetivo explorar o efeito específico e combinado de BS e MC no REM, aplicando diferentes métricas frente à literatura anterior em um contexto de país também distinto. Portanto, propõe-se a seguinte questão de pesquisa: como a BS e a MC afetam o nível de engajamento das firmas em atividades de REM?

Para responder ao problema de pesquisa, uma amostra de empresas não financeiras listadas nos EUA para o período de 1987 a 2020 foi examinada. Seguindo Roychowdhury (2006), o engajamento nas atividades de REM foi captado por meio de valores anormais de custos de produção, fluxos de caixa operacionais e despesas discricionárias. BS foi calculada utilizando uma medida discreta composta (Bentley et al., 2013; Habib & Hasan, 2017, 2018) baseada na tipologia de Miles e Snow (1978, 2003), enquanto a MC foi mensurada ao nível industrial utilizando três métricas: Índice Herfindahl-Hirschman (HHI), Índice de Concentração (CR4) e Índice Hall-Tideman (HTI) (El Diri et al., 2020). Além disso, medidas adicionais foram usadas para testar a robustez dos resultados.

Esta pesquisa traz pelo menos três contribuições para a literatura sobre gerenciamento de resultados, BS e MC. Primeiro, os resultados suportam que a BS é um fator determinante de engajamento no REM, com cada BS levando a diferentes níveis de REM. Além disso, confirma-se a existência de um efeito combinado de BS e MC no REM, no qual os diferentes efeitos de BS no REM são intensificados pelo nível de competição do mercado. Segundo, em contraste com a literatura anterior, esta pesquisa analisa empresas listadas nos EUA, o que traz evidências de uma perspectiva ocidental, um mercado caracterizado por seus altos níveis de desenvolvimento de mercado e forte proteção legal dos investidores (Chen et al., 2020). Terceiro, em comparação com pesquisas anteriores, este estudo utiliza medidas mais robustas para capturar BS, com uma pontuação composta por vários indicadores sobre a estratégia de negócios da empresa, e para capturar MC a nível da indústria, por meio de três índices distintos.

2. Desenvolvimento das hipóteses

2.1. Estratégia de negócio e gerenciamento de resultados por atividade reais

Pesquisas anteriores apontam vários fatores associados ao engajamento no gerenciamento de resultados, incluindo a captação de financiamento externo, para evitar restrições de cláusulas de dívida, e para aumentar a segurança e compensação do trabalho dos gestores (Dechow et al., 1996; Healy & Wahlen, 1999). Por exemplo, Balsam et al. (2011) encontraram que os sistemas de remuneração gerencial diferem de acordo com cada BS. Eles identificaram que as empresas orientadas à eficiência operacional estão mais focadas em métricas financeiras de curto prazo com maiores expectativas de aumento nos resultados de vendas, enquanto as empresas orientadas à inovação se concentram em medidas não financeiras para avaliar o desempenho e colocam um peso significativamente menor nas medidas contábeis.

Entretanto, as empresas que seguem uma estratégia de prospecção têm maiores custos de agência à medida que enfrentam mais risco e incerteza devido à natureza de seus investimentos em ativos intangíveis (Banker et al., 2014), o que resulta em lidar com resultados financeiros indesejáveis e níveis mais altos de discricionariedade (Bentley-Goode et al., 2017). Habib e Hasan (2018) encontraram que as prospectoras produzem narrativas menos compreensíveis do que as defensoras devido à maior assimetria informacional e à incerteza inerente aos projetos. Além disso, Bentley et al. (2013) argumentam que as prospectoras dependem mais de fundos externos do que as defensoras. Dessa forma, enquanto as prospectoras precisam reduzir a assimetria informacional com os provedores de capital, elas podem incorrer em evitar cláusulas de contratos via REM.

Todavia, a singularidade e a valorização dos produtos pelos clientes, ou uma marca forte, permitem que as empresas sustentem seu desempenho superior ao longo do tempo, pois é difícil para os concorrentes imitarem tais recursos intangíveis (Banker et al., 2014). Ademais, Datta et al. (2013) argumentam que a diferenciação de produtos pode levar as empresas a desfrutarem de um forte poder de preços e vantagem competitiva, assim, elas são menos propensas a se envolver em gerenciamento de resultados com o intuito de manipular os resultados financeiros. Ainda, pesquisas anteriores (por exemplo, Wu et al., 2015) indicam que as empresas voltadas para a inovação são menos associadas ao REM do que as orientadas à eficiência. Com base nos argumentos acima discutidos, propõe-se a seguinte hipótese:

H1: As prospectoras são negativamente associadas ao REM, enquanto as defensoras são positivamente associadas a essa prática.

2.2. Competição no mercado de produtos e gerenciamento de resultados por atividades reais

Para entender melhor a prática do REM, a literatura indica que a MC é um determinante fundamental. Alguns estudos descobriram que a concorrência no mercado de produtos é um mecanismo disciplinar que obriga os gestores a agir de forma eficiente e a melhorar a qualidade dos resultados (El Diri et al., 2020; Laksmana & Yang, 2014; Marciukaityte & Park, 2009). A pesquisa de Laksmana e Yang (2014) evidencia que tanto as atividades de AEM quanto de REM são mais prevalentes entre as empresas em ambientes de baixa concorrência do que em alta concorrência. Mais recentemente, El Diri et al. (2020) confirmaram empiricamente que tanto a AEM quanto a REM são maiores em mercados concentrados, ou seja, com baixa concorrência.

Em contraste, outros estudos sugerem que a alta concorrência intensifica os problemas de agência e de comportamento oportunista (por exemplo, Datta et al., 2013; Markarian & Santaló, 2014). Markarian e Santaló (2014) descobriram que manipular os resultados tanto por meio de accruals quanto de atividades reais é, principalmente, gratificante em indústrias altamente competitivas. Eles argumentam que a concorrência aumenta o incentivo do executivo em manipular os resultados, uma vez que o mercado de ações pune ou recompensa em consonância com resultados financeiros, que indicam uma desvantagem/vantagem competitiva.

Existem três canais por meio dos quais a concorrência de mercado podem motivar os gestores a se envolverem em atividades de gerenciamento de resultados, conforme El Diri et al. (2020): (i) poder de precificação de mercado, (ii) divulgação de informações e (iii) efeito disciplinador. Em primeiro lugar, empresas com poder de precificação de produtos superior se envolvem menos no gerenciamento de resultados devido à sua capacidade de repassar custos aos clientes (Datta et al., 2013). Assim, as empresas em ambientes menos (mais) competitivos tendem a ter menos (mais) dificuldade em proteger sua vantagem competitiva, consequentemente, estão menos (mais) motivadas a manipular resultados. O segundo canal pode produzir diferentes efeitos na gestão de lucros. Quando mais empresas estão competindo em um setor, mais informações estão disponíveis e são necessárias para reduzir os custos de capital. Porém, níveis mais elevados de competição podem levar a menos empresas dispostas a divulgar informações devido às ameaças de concorrentes e novos participantes. Terceiro, o canal disciplinar também causa efeitos diferentes. À medida que mais informações circulam no mercado, mais comparabilidade entre o desempenho das empresas é possível. No entanto, essa dinâmica diminui as chances da empresa de sobreviver e os gestores estão mais expostos à punição. Assim, para evitar ameaças que surgem com a alta concorrência, os gestores podem se engajar no gerenciamento de resultados.

Com base nos argumentos acima discutidos, propõe-se a seguinte hipótese:

H2: Empresas em mercados mais competitivos estão positivamente associadas ao REM, enquanto empresas em mercados menos competitivos estão negativamente associadas ao REM.

2.3. Estratégia de negócios, competição no mercado de produtos e gerenciamento de resultados por atividades reais

Datta et al. (2013) argumentam que para empresas com poder de precificação de mercado, a alta concorrência de mercado estimula o engajamento no gerenciamento de resultados, pois é mais difícil sustentar uma vantagem competitiva diante de mais concorrentes. Contudo, Widuri e Sutanto (2018) exploraram a interação entre estratégia de diferenciação e MC no REM e descobriram que diferenciadoras em mercados mais competitivos estão ainda menos associadas ao REM do que quando em mercados menos competitivos. Enquanto que, considerando ambas as estratégias, Wu et al. (2015) mostraram que o nível de manipulação oportunista por parte das líderes de custos aumenta na alta competição. Mas, para as diferenciadoras, o nível de gerenciamento de resultados não muda devido a diferenças na competição de mercado. Assim, a terceira hipótese é mais exploratória e propõe que:

H3: O efeito combinado de BS e MC exerce influência no REM.

3. Metodologia

3.1. Dados e amostra

Os dados utilizados nesta pesquisa foram coletados no banco de dados Thomson Reuters DataStream de empresas listadas nos mercados de ações dos EUA durante o período de 33 anos (assim como Datta et al., 2013; Habib & Hasan, 2018) de 1987-2020. Inicialmente, foram selecionadas todas as indústrias identificadas pelo código de setores do North American Industry Classification System (NAICS) (2 dígitos). Seguindo estudos anteriores (por exemplo, El Diri et al., 2020; Habib & Hasan, 2017, 2018), as observações ano-firma em indústrias regulamentadas (código NAICS 22) e instituições financeiras (código NAICS 52-53) não foram incluídas na amostra final devido às suas práticas contábeis e financeiras singulares. Além do mais, foram eliminadas observações sem o código NAICS. Em linha com Datta et al. (2013), empresas com ativos totais e vendas líquidas inferiores a US$ 1 milhão foram removidas do banco de dados para evitar o viés de pequenas empresas. Finalmente, as variáveis contínuas (REM e controle) foram winsorizadas em níveis de 1% e 99% para reduzir a influência de outliers. A Tabela 1 apresenta os procedimentos amostrais no Painel A e a distribuição da indústria no Painel B.

Tabela 1
Seleção da amostra

Painel A: Procedimentos de seleção da amostra
Descrição			Observações
Número total de observações firma-ano de 1987 a 2020			255.918
Menos: indústrias reguladas (código 22) e financeiras (códigos 52-53) e valores faltantes do código NAICS de 2-digitos			(4.771)
Menos: Observações com valores de vendas líquidas e ativos totais inferiores a US$ 1 milhão			(33.160)
Menos: Observações com valores faltantes para variáveis dependentes e independentes, incluindo observações perdidas por estimar variáveis defasadas.			(198.520)
Amostra final			19.467
Painel B: Distribuição da amostra por indústria
Código	Indústria	# Observações	% Observações
72	Acomodação e Serviços Alimentícios	222	1,14%
56	Serviços Administrativos e de Apoio e Gestão e Remediação de Resíduos	247	1,27%
71	Artes, Entreterimento e Recreação	31	0,16%
23	Construção	176	0,90%
61	Serviços Educionais	61	0,31%
62	Cuidados de Saúde e Assistência Social	160	0,82%
51	Informação	1.531	7,86%
31-33	Manufatura	13.303	68,34%
21	Mineração, Pedreiras e Extração de Petróleo e Gás	413	2,12%
54	Serviços Profissionais, Científicos e Técnicos	1.735	8,91%
44-45	Comércio de Varejo	1.004	5,16%
48-49	Transporte e Armazenagem	177	0,91%
42	Comércio Atacadista	407	2,09%
	TOTAL	19.467	100%

• Fonte: Dados da pesquisa

Inicialmente, a amostra foi composta por 255.918 observações firma-ano. Em seguida, depois de excluir observações de indústrias de códigos NAICS regulamentados, financeiros e ausentes de 2 dígitos, pequenas empresas e valores ausentes de variáveis necessárias para criar as variáveis dependentes e independentes, a amostra final foi restrita a 19.467 observações firma-ano e 5.127 empresas únicas. Devido à estimativa de variáveis defasadas para a pontuação composta de BS, o período amostral final foi limitado para 1992 a 2020.

3.2. Mensuração das variáveis

3.2.1. Gerenciamento de resultados por atividades reais

Com base em Roychowdhury (2006), uma variável agregada baseada em três métricas foi utilizada para representar REM: os níveis anormais de produção, vendas, e despesas discricionárias. Tais métricas foram estimados por meio de regressões cross-section, conforme as equações (1)-(3). Os custos anormais de produção foram acessados por meio dos custos de mercadorias vendidas (cost of goods sold, COGS) e mudanças no estoque. Para capturar o nível anormal de vendas causado por descontos temporários de preços ou condições de crédito lenientes, os fluxos de caixa operacionais (operational cash flow, CFO) foram considerados, enquanto o nível anormal das despesas discricionárias foi mensurado utilizando P&D e SG&A. Especificamente, foram estimadas as seguintes regressões para cada ano e indústria com código NAICS de dois dígitos com pelo menos 15 observações:

$$\frac{{PROD}_{it}}{A_{it-1}}={\propto }_0+{\propto }_1\frac{1}{A_{it-1}}{+\propto }_2\frac{{\mathrm{S}}_{it}}{A_{it-1}}+{\propto }_3\frac{∆{\mathrm{S}}_{it}}{A_{it-1}}+{\propto }_4\frac{∆{\mathrm{S}}_{it-1}}{A_{it-1}}+{\epsilon }_{it}$$ (1)

$$\frac{{CFO}_{it}}{A_{it-1}}={\propto }_0+{\propto }_1\frac{1}{A_{it-1}}{+\propto }_2\frac{{\mathrm{S}}_{it}}{A_{it-1}}+{\propto }_3\frac{∆{\mathrm{S}}_{it}}{A_{it-1}}+{\epsilon }_{it}$$ (2)

$$\frac{{\mathrm{D}\mathrm{I}\mathrm{S}\mathrm{X}}_{it}}{A_{it-1}}={\propto }_0+{\propto }_1\frac{1}{A_{it-1}}{+\propto }_2\frac{{\mathrm{S}}_{it-1}}{A_{it-1}}+{\epsilon }_{it}$$ (3)

No qual PROD_i,t é a soma do COGS e variação do estoque, CFO_i,t é o fluxo de caixa operacional e DISX_i,t é a soma das despesas de P&D e SG&A da empresa i no ano t. A_i,t-1 é o ativo total da empresa i no final do ano t-1. S_i,t as vendas líquidas da empresa i no ano t. S_i,t-1 é a receita líquida da empresa i no final do ano t-1. ΔS_i,t é a mudança nas vendas líquidas do ano t-1 para t, enquanto ΔS_i,t-1 é a mudança nas vendas líquidas do ano t-2 para t-1.

O nível anormal de cada atividade foi estimado como o valor residual de cada regressão. Para as equações 2 e 3, os resíduos foram multiplicados por -1 para gerar o nível anormal de vendas e despesas discricionárias. Nesse sentido, valores elevados das três variáveis indicam um maior engajamento no gerenciamento de atividades reais para aumentar os resultados. Por fim, uma métrica agregada foi formada pela soma das três variáveis REM, com altos valores indicando intenso engajamento no REM (Shi et al., 2018).

3.2.2. Métrica composta de estratégia de negócios

Utilizando dados de demonstrações contábeis, este estudo mede a estratégia realizada da empresa, e não a pretendida (David et al., 2002; Mintzberg, 1987). A estratégia pretendida refere-se a concepção de estratégia baseada em uma declaração de intenção, enquanto a estratégia realizada está relacionada a um padrão de ações em um fluxo de decisões que é encontrado por indicadores objetivos, como os dados históricos (Snow & Hambrick, 1980). Assim, seguindo Bentley et al. (2013), um score composto de estratégia foi aplicado para medir a BS das empresas. Incluindo variáveis de Ittner et al. (1997), esse score composto de BS é baseado no arcabouço de Miles e Snow (1978, 2003) e tem sido consistentemente empregado por pesquisadores anteriores (Bentley-Goode et al., 2017; Chen et al., 2017; Habib & Hasan, 2017, 2018). A Tabela 2 apresenta as descrições e a forma de mensuração das variáveis, e os procedimentos para calcular a métrica composta ESTRATÉGIA utilizada neste estudo são detalhados no Apêndice I.

Tabela 2
Métrica composta de estratégia de negócios

Variável	Descrição	Mensuração da variável
(1) Pesquisa e desenvolvimento pelas receitas (RDS5)	Propensão da empresa à busca de novos produtos.	Média dos gastos com pesquisa e desenvolvimento pelas vendas líquidas com base nos últimos 5 anos.
(2) Empregados pelas venda (EMPS5)	Capacidade da empresa de produzir e distribuir produtos e serviços de forma eficiente.	Média do número de funcionários pelas vendas líquidas com base nos últimos 5 anos.
(3) Variação no número de empregados (σ(EMP5))	Estabilidade organizacional da empresa.	Desvio padrão do número total de funcionários [EMP] com base nos últimos 5 anos.
(4) Variação na receita total (REV5)	Crescimento histórico da empresa ou oportunidades de investimento.	Média da variação percentual de um ano nas vendas líquidas com base nos últimos 5 anos.
(5) Marketing pelas vendas (SGA5)	Foco da empresa em investimentos de marketing.	Média das despesas de venda, geral e administrativa pelas vendas líquidas com base nos últimos 5 anos.
(6) Intensidade de capital (CAP5)	Compromisso da empresa com eficiência tecnológica e produção.	Média de propriedade, planta e equipamentos líquidos dividido pelo total de ativos com base nos últimos 5 anos.

• Nota: Cada variável é medida por firma-ano com base na média dos cinco anos anteriores, exceto a variável σ(EMP5) que considera o desvio padrão do nº de empregados ao longo dos últimos cinco anos. Em sequência, cada uma das seis variáveis foi classificada em quintis por indústria (código NAICS de dois dígitos) e ano. As observações nos quintis mais altos receberam uma pontuação de 5, enquanto as dos quintis mais baixos receberam uma pontuação de 1 (exceto a intensidade de capital que têm pontuação invertida, o que significa que observações no menor (maior) quintil recebem uma pontuação de 5 (1)). Dentro de cada firma- ano, as pontuações são somadas sobre as seis medidas, de tal forma que a pontuação máxima que uma empresa poderia receber é de 30 (tipo prospectora) e uma pontuação mínima de 6 (tipo defensora). Portanto, a pontuação discreta de ESTRATÉGIA varia ao longo de um contínuo com valores entre 6 a 30, com empresas do tipo defensora e prospectora mais próximas dos pontos finais (Bentley et al., 2013).
• Fonte: Dados da pesquisa.

3.2.3. Competição no mercado de produtos

Índice de Herfindahl-Hirschman (HHI) - Frequentemente usado na literatura anterior (Datta et al., 2013; Marciukaityte & Park, 2009; Markarian & Santaló 2014; Shi et al., 2018; Wu et al., 2015), o índice Herfindahl-Hirschman (HHI) é um indicador consolidado da competição no mercado de produtos. HHI reflete a concentração do mercado, em que baixos valores são próximos ao monopólio e representam alta competição de mercado.

Índice de concentração (CR4) - A taxa de concentração é a segunda medida para a competição de mercado utilizada nesta pesquisa. A CR4 também captura o nível de concentração, porém reflete a alta competição mesmo em mercados concentrados (El Diri et al., 2020). A CR4 considera apenas as quatro empresas com maior participação de mercado em cada indústria. No entanto, a interpretação é a mesma do HHI e valores mais baixos significam mercados altamente competitivos.

Índice de Hall Tideman (HTI) - O HTI mede a variação da substitutibilidade do produto, considerando o número absoluto e relativo das firmas, assim, refletindo as barreiras de entrada de uma indústria (El Diri et al., 2020; Hall & Tideman, 1967). O HTI inclui o rank de todas as empresas em uma determinada indústria com base em sua participação de mercado. Como as outras duas proxies, quanto maior o valor de HTI, menos competitivo é a indústria. Todas as três variáveis foram multiplicadas por -1 para facilitar a interpretação dos resultados e foram calculadas conforme o Apêndice I.

3.3. Modelos empíricos

Os modelos empíricos estimados para investigar as hipóteses da pesquisa são expressos nas equações 4, 5 e 6. Regressões por Mínimos Quadrados Ordinários (OLS) foram estimadas para testar todos os modelos empíricos, incluindo efeitos fixos da indústria, para controlar fatores comuns em toda a indústria, e efeitos fixos de ano, para controlar os efeitos transversais. Por fim, todas as regressões foram estimadas com os erros padrão ajustados ao nível da empresa (Petersen, 2009).

Para testar a primeira hipótese, o REM do período corrente foi regredido sobre a estratégia e variáveis de controle no período corrente, da seguinte forma:

$${\mathrm{R}\mathrm{E}\mathrm{M}}_{i,t}={\beta }_0+{\beta }_1{ESTRATÉGIA}_{i,t}+\mathrm{}{\beta }_2{\mathrm{R}\mathrm{O}\mathrm{A}}_{i,t}+\mathrm{}{\beta }_3\mathrm{}{\mathrm{A}\mathrm{L}\mathrm{A}\mathrm{V}}_{i,t}+\mathrm{}{\beta }_4{\mathrm{T}\mathrm{A}\mathrm{M}}_{i,t}+\mathrm{}{\beta }_5{\mathrm{C}\mathrm{R}\mathrm{E}\mathrm{S}\mathrm{C}}_{i,t}+\mathrm{}{\mathrm{I}\mathrm{n}\mathrm{d}\mathrm{u}\mathrm{s}\mathrm{t}\mathrm{r}\mathrm{y}\mathrm{D}\mathrm{u}\mathrm{m}\mathrm{m}\mathrm{y}}_{i,t}+\mathrm{}{\mathrm{Y}\mathrm{e}\mathrm{a}\mathrm{r}\mathrm{D}\mathrm{u}\mathrm{m}\mathrm{m}\mathrm{y}}_{i,t}+\mathrm{}{\mathrm{\epsilon }}_{i,t}$$ (4)

No qual, REM_i,t é o nível de REM para a empresa i no ano t, representado pela soma de APROD, ACFO e ADISX, conforme as equações 1-3 acima. ESTRATÉGIA_i,t é a pontuação composta (contínua), para a empresa i no ano t, variando de um mínimo de 6 a um máximo de 30, seguindo os procedimentos explicados na seção 3.2.2. Todos os modelos incluem variáveis dummies para a indústria e o ano e variáveis de controle consistentes com a literatura anterior (Datta et al., 2013; Habib & Hasan, 2017; Wu et al., 2015), a saber: retorno sobre ativos (ROA), índice de alavancagem (ALAV), tamanho (TAM) e crescimento (CRESC). As definições das variáveis estão apresentadas no Apêndice I.

$${\mathrm{R}\mathrm{E}\mathrm{M}}_{i,t}={\beta }_0+{\beta }_1{\mathrm{E}\mathrm{S}\mathrm{T}\mathrm{R}\mathrm{A}\mathrm{T}\mathrm{É}\mathrm{G}\mathrm{I}\mathrm{A}}_{i,t}+\mathrm{}{\beta }_2{\mathrm{M}\mathrm{C}}_{i,t}+\mathrm{}{\beta }_3{\mathrm{R}\mathrm{O}\mathrm{A}}_{i,t}+\mathrm{}{\beta }_4\mathrm{}{ALAV}_{i,t}+\mathrm{}{\beta }_5{\mathrm{T}\mathrm{A}\mathrm{M}}_{i,t}+\mathrm{}{\beta }_6{\mathrm{C}\mathrm{R}\mathrm{E}\mathrm{S}\mathrm{C}}_{i,t}+\mathrm{}{\mathrm{I}\mathrm{n}\mathrm{d}\mathrm{u}\mathrm{s}\mathrm{t}\mathrm{r}\mathrm{y}\mathrm{D}\mathrm{u}\mathrm{m}\mathrm{m}\mathrm{y}}_{i,t}+\mathrm{}{\mathrm{Y}\mathrm{e}\mathrm{a}\mathrm{r}\mathrm{D}\mathrm{u}\mathrm{m}\mathrm{m}\mathrm{y}}_{i,t}+\mathrm{}{\mathrm{\epsilon }}_{i,t}$$ (5)

Em seguida, a equação 5 exibe o modelo utilizado para testar a segunda hipótese, que diz respeito à relação entre REM e MC. A competição de mercado é medida utilizando três índices distintos: HHI, CR4 e HTI, conforme detalhado em 3.2.3. Três modelos de regressão são estimados, uma para cada proxy de MC. A métrica composta de ESTRATÉGIA foi incluída nesses modelos para controle de seus efeitos.

$${\mathrm{R}\mathrm{E}\mathrm{M}}_{i,t}={\beta }_0+{\beta }_1{ESTRATÉGIA}_{i,t}+\mathrm{}{\beta }_2{\mathrm{M}\mathrm{C}}_{i,t}+\mathrm{}{\beta }_3\mathrm{}{ESTRATÉGIA}_{i,t}\mathrm{*}{\mathrm{M}\mathrm{C}}_{i,t}+\mathrm{}{\beta }_4{\mathrm{R}\mathrm{O}\mathrm{A}}_{i,t}+\mathrm{}{\beta }_5\mathrm{}{\mathrm{A}\mathrm{L}\mathrm{A}\mathrm{V}}_{i,t}+\mathrm{}{\beta }_6{\mathrm{T}\mathrm{A}\mathrm{M}}_{i,t}+\mathrm{}{\beta }_6{\mathrm{C}\mathrm{R}\mathrm{E}\mathrm{S}\mathrm{C}}_{i,t}+\mathrm{}{\mathrm{I}\mathrm{n}\mathrm{d}\mathrm{u}\mathrm{s}\mathrm{t}\mathrm{r}\mathrm{y}\mathrm{D}\mathrm{u}\mathrm{m}\mathrm{m}\mathrm{y}}_{i,t}+\mathrm{}{\mathrm{Y}\mathrm{e}\mathrm{a}\mathrm{r}\mathrm{D}\mathrm{u}\mathrm{m}\mathrm{m}\mathrm{y}}_{i,t}+\mathrm{}{\mathrm{\epsilon }}_{i,t}$$ (6)

Finalmente, o efeito combinado da BS e MC da empresa no REM é testado através do modelo exibido na equação 6, conforme indicado na hipótese 3. Assim como nos modelos anteriores, três modelos de regressão diferentes foram investigados com cada proxy de competição de mercado interagindo com a pontuação de ESTRATÉGIA.

4. Resultados e discussão

4.1. Estatísticas descritivas

As estatísticas descritivas das variáveis utilizadas na análise primária são relatadas no painel A da Tabela 3. A variável dependente REM apresentou valores de média e mediana de -0,052 e 0,004, respectivamente, indicando que, em média, as empresas na amostra se envolvem em valores baixos de REM. Os valores médio e mediano da pontuação de ESTRATÉGIA são de 17,75 e 18, respectivamente, o que está em consonância com Habib e Hasan (2017, 2018) e indicam que, em média, as empresas estudadas não estão claramente posicionadas estrategicamente. Os valores das variáveis MC são comparáveis com os de Markarian e Santaló (2014). Os valores médios do HHI (-0,051), CR4 (-0,042) e HTI (-0,022) indicam que a MC nas indústrias analisadas é, em geral, elevada, pois os valores variam de 0 a -1 e valores mais elevados dessas variáveis indicam mais competição dentro de uma indústria.

Tabela 3
Estatísticas descritivas

Painel A: Estatísticas descritivas
Variáveis	Amostra total (n = 19.467)					Prospectoras (ESTRATÉGIA pontuação entre 24-30) (n = 1.444)		Defensoras (ESTRATÉGIA pontuação entre 6-12) (n = 1.756)
	Média	Mediana	1º Quartil	3º Quartil	Desvio padrão	Média	Mediana	Média	Mediana
REM	-0.052	0.004	-0.289	0.243	0.466	-0.326	-0.251	0.275	0.298
ESTRATÉGIA	17.750	18.000	15.000	21.000	3.904	25.046	25.000	10.886	11.000
HHI	-0.051	-0.026	-0.074	-0.020	0.054	-0.046	-0.026	-0.049	-0.026
CR4	-0.042	-0.020	-0.060	-0.012	0.054	-0.037	-0.020	-0.040	-0.019
HTI	-0.022	-0.009	-0.034	-0.007	0.023	-0.020	-0.009	-0.022	-0.009
ROA	-0.006	0.047	-0.012	0.089	0.216	-0.166	-0.045	0.019	0.045
ALAV	0.501	0.483	0.300	0.638	0.298	0.462	0.406	0.564	0.522
TAM	13.252	13.314	11.706	14.830	2.283	12.703	12.611	13.375	13.291
CRESC	0.086	0.063	-0.028	0.166	0.270	0.265	0.178	0.023	0.023
Painel B: Análise de correlação
	1	2	3	4	5	6	7	8	9
1 REM	1.00
2 ESTRATÉGIA	-0.382	1.00
3 HHI	0.004	0.036	1.00
4 CR4	0.005	0.034	0.998	1.00
5 HTI	-0.010	0.057	0.895	0.876	1.00
6 ROA	-0.063	-0.211	0.047	0.047	0.014	1.00
7 ALAV	0.107	-0.142	-0.049	-0.045	-0.057	-0.256	1.00
8 TAM	0.106	-0.078	0.062	0.062	0.041	0.378	0.151	1.00
9 CRESC	-0.155	0.215	-0.043	-0.043	-0.034	0.143	-0.061	0.038	1.00

• Nota. As variáveis contínuas REM, ROA, ALAV, TAM e CRESC foram winsorizadas nos níveis de 1% e 99% para reduzir a influência de outliers. As variáveis em negrito e itálico são significativos em p < 0.01, variáveis em negrito são significativos em p < 0.05 e itálico para variáveis significativos em p < 0.1.
• Fonte: Dados da pesquisa.

Além disso, as empresas foram classificadas em conformidade com sua pontuação de ESTRATÉGIA. Assim, uma amostra com prospectoras foi formada por empresas com pontuações que variam de 24 a 30 (o máximo), enquanto para as defensoras há uma amostra de empresas com pontuações que variam de 6 (o mínimo) a 12 (Bentley et al., 2013; Habib & Hasan 2018). As prospectoras representam 7,41% da amostra completa, e as defensoras representam 9,02%. A variável ESTRATÉGIA tem média de 25,046 para o grupo de prospectoras, enquanto para o grupo de defensoras a média é de 10,886, que é semelhante a Bentley-Goode et al. (2017) e Bentley et al. (2013). Além disso, para as prospectoras o valor médio do REM é de -0,326, enquanto para as defensoras é de 0,275, e isso indica que o primeiro gerencia seus lucros menos que o segundo.

O painel B da Tabela 3 apresenta a correlação de Pearson das variáveis utilizadas nas análises finais. A análise de correlação indica que o REM é negativo e significativo quando correlacionado com ESTRATÉGIA, oferecendo um panorama inicial de que as empresas que seguem a estratégia de prospecção se envolvem menos no REM do que aquelas que seguem a estratégia defensora. Em contraste, as correlações entre REM e HHI, CR4 e HTI não são significativas, o que pode ser um indicativo de que a MC não está diretamente associada ao REM.

4.2. Resultados principais

A Tabela 4 apresenta os resultados das regressões principais. O modelo 1 mostra os achados relacionados à associação entre BS e REM. Os resultados mostram que o coeficiente de ESTRATÉGIA é negativo e significativo (coeficiente de -0,050, significativo em p < 0,01), o que confirma H1. Altas pontuações de ESTRATÉGIA indicam que a empresa possui a estratégia prospectora, enquanto baixas pontuações indicam a estratégia defensora. Nesse sentido, esse resultado corrobora a hipótese de pesquisa H1, pois sugere que as empresas que seguem uma estratégia orientada à inovação são menos propensas a engajar em REM, enquanto as que seguem uma estratégia orientada à eficiência são mais propensas a engajar nessa prática. Ou seja, quanto mais uma empresa segue a estratégia prospectora, menores níveis de REM ela apresenta.

Tabela 4
Resultados dos modelos de estratégia de negócios e competição de mercado

	Variável dependente: Gerenciamento de resultados por atividades reais
	(1)	(2)	(3)	(4)	(5)	(6)	(7)
ESTRATÉGIA	-0.050***	-0.050***	-0.050***	-0.050***	-0.212***	-0.209***	-0.209***
	(0.002)	(0.002)	(0.002)	(0.002)	(0.011)	(0.010)	(0.011)
HHI		-0.104			-0.149
		(0.259)			(0.268)
CR4			-0.103			-0.150
			(0.251)			(0.260)
HTI				-0.065			-0.203
				(0.820)			(0.842)
ESTRATÉGIA*HHI					-0.399***
					(0.141)
ESTRATÉGIA*CR4						-0.413***
						(0.142)
ESTRATÉGIA*HTI							-0.740***
							(0.347)
TAM	0.034***	0.034***	0.034***	0.034***	0.034***	0.034***	0.034***
	(0.005)	(0.005)	(0.005)	(0.005)	(0.005)	(0.005)	(0.005)
ALAV	-0.053	-0.053	-0.053	-0.053	-0.055	-0.054	-0.055
	(0.037)	(0. 037)	(0.037)	(0.037)	(0.037)	(0.037)	(0.037)
ROA	-0.502***	-0.503***	-0.503***	-0.502***	-0.502***	-0.501***	-0.504***
	(0.051)	(0.051)	(0.051)	(0.051)	(0.051)	(0.051)	(0.051)
CRESC	-0.067***	-0.067***	-0.067***	-0.067***	-0.069***	-0.069***	-0.067***
	(0.020)	(0.020)	(0.020)	(0.020)	(0.020)	(0.020)	(0.020)
EF Indústria	Sim	Sim	Sim	Sim	Sim	Sim	Sim
EF Ano	Sim	Sim	Sim	Sim	Sim	Sim	Sim
Observações	19.467	19.467	19.467	19.467	19.467	19.467	19.467
R2 ajustado	0,206	0,206	0,206	0,206	0,208	0,208	0,207

• Nota. Todas as variáveis estão descritas no Apêndice I. REM e as variáveis de controle foram winsorizadas aos níveis de 1% e 99% com intuito de reduzir a influência de valores extremos. EF diz respeito à presença de efeitos fixos de indústria e ano. Para controlar multicolinearidade, ESTRATÉGIA foi centrada na média para os modelos com interação, todos os VIF apresentaram valores menores do que 10. ^***p<0.01; ^**p<0.05; ^*p<0.1.
• Fonte: Dados da pesquisa.

Os modelos 2 a 4 (Tabela 4) mostram os resultados dos modelos de regressão que testaram a relação entre as variáveis MC e REM. Os coeficientes HHI (coeficiente de -0,104), CR4 (coeficiente de -0,103) e HTI (coeficiente de -0,065) não foram significativos. Assim, a hipótese de pesquisa H2, de que o nível de MC está associado ao REM, não é confirmada. Além disso, o coeficiente de ESTRATÉGIA permanece negativo e significativo (coeficiente de -0,050, significativo em p < 0,01), o que também confirma H1.

Os resultados dos modelos 5 a 7 (Tabela 4) mostram que o coeficiente da interação entre ESTRATÉGIA e MC - mensurado por HHI (coeficiente de -0,399, significativo em p < 0,01), CR4 (coeficiente de -0,413, significativo em p < 0,01) e HTI (coeficiente de -0,740, significativo em p < 0,01) - são negativos e significativos. Apoiando H3, esses resultados confirmam a significância estatística de um efeito moderador da MC na relação entre ESTRATÉGIA e REM. Especificamente, pode-se inferir que as empresas com alta pontuação de ESTRATÉGIA e operando em mercados com alta competição engajam menos em REM. Nesse sentido, MC pode afetar a relação entre ESTRATÉGIA e REM.

Em resumo, os resultados evidenciam que, ao considerar apenas ESTRATÉGIA, as empresas com alta pontuação de ESTRATÉGIA são menos propensas a se engajar em práticas REM do que as empresas com baixa pontuação de ESTRATÉGIA. Além disso, pesquisas anteriores descobriram que empresas orientadas à estratégia de inovação estão associadas a baixos valores de REM (Widuri & Sutanto 2018; Wu et al., 2015), enquanto as orientadas à estratégia de custos foram encontradas associadas a valores maiores de REM (Wu et al., 2015). Esses resultados estão em consonância com a ideia de que as empresas orientadas à eficiência têm maiores incentivos para incorrer no gerenciamento de resultados, enquanto as prospectoras têm menos motivação para se engajar no gerenciamento de atividades reais. Como as defensoras tendem a se concentrar mais no curto prazo e, ainda, estão mais propensas à imitação e obsolescência de seus processos e recursos para eficiência operacional, podem engajar-se em níveis mais elevados de REM.

Além disso, ao considerar o efeito combinado de BS e MC, observa-se que os resultados revelam que o nível de competição no mercado afeta o efeito da ESTRATÉGIA sobre REM, com efeitos líquidos negativos. Esses resultados estão parcialmente alinhados com resultados de pesquisas anteriores, uma vez que Wu et al. (2015) encontraram uma relação positiva entre líderes de custo orientadas para eficiência e REM em mercados mais competitivos. No entanto, Wu et al. (2015) encontraram um efeito insignificativo de MC na relação entre empresas orientadas para a inovação e REM, enquanto Widuri e Sutanto (2018) encontraram que diferenciadoras em mercados altamente competitivos apresentam níveis mais baixos de REM.

4.3. Análises adicionais

4.3.1. Métrica alternativa de BS

Para as análises adicionais, utilizou-se uma medida alternativa de BS no teste de H1 e H3. A partir da medida composta de BS, as firmas com pontuação de ESTRATÉGIA ≥ 24 foram classificadas como PROSPECTORAS, e as firmas com pontuação de ESTRATÉGIA ≤ 12 foram classificadas como DEFENSORAS. Em seguida, uma variável dummy foi criada, em que as observações firma-ano classificadas como PROSPECTORAS receberam o valor de 1, e as outras observações firma-ano receberam o valor zero (Bentley et al., 2013; Habib & Hasan, 2018). Os resultados são apresentados na Tabela 5 e mostram que os coeficientes das PROSPECTORAS estão negativamente associados ao REM, apoiando os resultados da principal análise para H1. Além disso, a análise de interação da medida alternativa de BS e de cada medida de competição confirma um coeficiente negativo e significativo para PROSPECTORAS. Todos os três modelos, (2)-(4), confirmam MC como influenciadora na relação entre PROSPECTORAS e REM. Esses resultados estão alinhados com a análise principal e confirmam a hipótese de pesquisa H3. Por fim, ESTRATÉGIA também foi substituída por duas variáveis indicadoras para prospectoras e defensoras, no qual analisadoras foram usadas como benchmark. Novamente, os resultados suportam os achados reportados acima.

Tabela 5
Testes de robustez - Métrica alternativa de estratégia de negócios

	Variável dependente: Gerenciamento de resultados por atividades reais
	(1)	(2)	(3)	(4)
PROSPECTORAS	-0.651*** (0.035)	-0.769*** (0.044)	-0.751*** (0.041)	-0.743*** (0.045)
HHI		0.958* (0.534)
CR4			0.968* (0.527)
HTI				1.865 (1.562)
PROSPECTORAS* HHI		-2.567*** (0.522)
PROSPECTORAS* CR4			-2.675*** (0.523)
PROSPECTORAS* HTI				-4.406*** (1.299)
TAM	0.030*** (0.008)	0.025*** (0.008)	0.025*** (0.008)	0.027*** (0.008)
ALAV	-0.017 (0.048)	-0.016 (0.045)	-0.016 (0.045)	-0.020 (0.047)
ROA	-0.432*** (0.074)	-0.436*** (0.072)	-0.435*** (0.072)	-0.439*** (0.073)
CRESC	-0.060* (0.031)	-0.068** (0.031)	-0.069** (0.031)	-0.060* (0.031)
EF Indústria	Sim	Sim	Sim	Sim
EF Ano	Sim	Sim	Sim	Sim
Observações	3.200	3.200	3.200	3.200
R2 ajustado	0,381	0,393	0,394	0,388

• Nota. Todas as variáveis são descritas no Apêndice I. REM e as variáveis de controle foram winsorizadas aos níveis de 1% e 99% com intuito de reduzir a influência de valores extremos. EF diz respeito à presença de efeitos fixos de indústria e ano. Para controlar multicolinearidade, ESTRATÉGIA foi centrada na média para os modelos de interação, todos os VIF apresentaram valores menores do que 10. ^***p<0.01; ^**p<0.05; ^*p<0.1.
• Fonte: Dados da pesquisa.

4.3.2. Métrica alternativa para gerenciamento de resultados

Como as empresas podem engajar no gerenciamento de resultados por meio de atividades reais e de accruals, AEM foi testada como variável dependente para todos os três modelos (conforme seção 3.3) como robustez. Seguindo Kothari et al. (2005), a versão modificada do modelo de Jones (Dechow et al., 1995; Jones, 1991) foi usada para capturar accruals discricionários. A Tabela 6 apresenta os resultados que indicam ESTRATÉGIA (coeficiente de 0.003, significativo em p < 0.01) como determinante do gerenciamento de resultados. No entanto, o impacto singular da MC no AEM não foi significativo. Por sua vez, o efeito combinado de ESTRATÉGIA e MC no AEM, é parcialmente confirmado, uma vez que apenas o efeito combinado de ESTRATÉGIA e HTI foi significativo (coeficiente de 0.112, significativo em p < 0.01). Por um lado, os achados apontam que firmas prospectoras durante a alta competição são mais prováveis de se engajarem em AEM. Por outro lado, confirmam a importância da MC na relação entre ESTRATÉGIA e gerenciamento de resultado de forma geral.

Tabela 6
Testes de robustez - Gerenciamento de resultados por accruals, estratégia de negócios e competição de mercado

	Variável dependente: Gerenciamento de resultados por Accruals
	(1)	(2)	(3)	(4)	(5)	(6)	(7)
ESTRATÉGIA	0.003*** (0.000)	0.003*** (0.000)	0.003*** (0.000)	0.003*** (0.000)	0.012*** (0.002)	0.012*** (0.002)	0.013*** (0.002)
HHI		0.044 (0.035)			0.049 (0.035)
CR4			0.040 (0.034)			0.045 (0.034)
HTI				0.003 (0.101)			0.039 (0.101)
ESTRATÉGIA *HHI					0.036 (0.022)
ESTRATÉGIA *CR4						0.035 (0.022)
ESTRATÉGIA *HTI							0.112*** (0.041)
TAM	-0.010*** (0.001)	-0.010*** (0.001)	-0.010*** (0.001)	-0.010*** (0.001)	-0.010*** (0.001)	-0.010*** (0.001)	-0.010*** (0.001)
ALAV	0.039*** (0.008)	0.039*** (0.008)	0.039*** (0.008)	0.039*** (0.008)	0.039*** (0.008)	0.039*** (0.008)	0.039*** (0.008)
ROA	-0.089*** (0.014)	-0.089*** (0.014)	-0.089*** (0.014)	-0.089*** (0.014)	-0.089*** (0.014)	-0.089*** (0.014)	-0.089*** (0.014)
CRESC	0.044*** (0.007)	0.044*** (0.007)	0.044*** (0.007)	0.044*** (0.007)	0.045*** (0.007)	0.045*** (0.007)	0.044*** (0.007)
EF Indústria	Sim	Sim	Sim	Sim	Sim	Sim	Sim
EF Ano	Sim	Sim	Sim	Sim	Sim	Sim	Sim
Observações	20.509	20.509	20.509	20.509	20.509	20.509	20.509
R2 ajustado	0,166	0,166	0,166	0,166	0,166	0,166	0,166

• Nota. Todas as variáveis são descritas no Apêndice I. REM e as variáveis de controle foram winsorizadas aos níveis de 1% e 99% com intuito de reduzir a influência de valores extremos. EF diz respeito à presença de efeitos fixos de indústria e ano. Para controlar multicolinearidade, ESTRATÉGIA foi centrada na média para os modelos de interação, todos os VIF foram e apresentaram valores menores do que 10. ^***p<0.01; ^**p<0.05; ^*p<0.1.
• Fonte: Dados da pesquisa.

5. Conclusões

Pouca atenção tem sido dada para a associação entre a BS das empresas, a MC e o engajamento no gerenciamento de resultados. Todavia, as características internas da firma e os aspectos ambientais são fatores importantes para entender os determinantes dessa prática gerencial. Assim, esta pesquisa confirmou empiricamente que o gerenciamento de resultados por meio de atividades reais é afetado tanto pela BS que uma empresa segue, quanto pelo nível de competição dentro de sua indústria.

Baseando-se em uma ampla amostra de empresas ao longo de 33 anos, esta pesquisa revela que, embora as empresas que seguem uma estratégia orientada à inovação lidam com mais discricionaridades, elas se envolvem menos no REM do que as seguidoras de uma estratégia orientada à eficiência. Ainda, considerando o efeito combinado de BS e MC, prospectoras em ambientes altamente competitivos se engajam menos em REM.

Os resultados empíricos contribuem tanto para a compreensão acadêmica quanto prática sobre os determinantes de gerenciamento de resultados. A investigação de aspectos ao nível da firma e indústria relacionados ao REM e como sua interação influencia na ocorrência do REM trazem avanços para os campos da contabilidade, estratégia e economia. Entender que prospectoras se envolvem menos com REM do que as defensoras, e que o nível de competição de mercado intensifica essa relação, é relevante para o desenvolvimento da teoria. Assim, os resultados desta pesquisa são úteis para diversos stakeholders, como analistas de previsão, investidores, auditores, reguladores e gestores, pois identifica a BS organizacional e a MC intraindústria como importantes determinantes do gerenciamento de atividade reais.

Esta pesquisa não é isenta de limitações. Primeiro, este estudo utilizou a tipologia de BS com base em Miles e Snow (1973, 2003) e nas métricas desenvolvidas por Bentley et al. (2003), consolidadas na literatura. Entretanto, estratégias híbridas, bem como medidas adicionais de BS podem ser agregadas para confirmar os achados desta pesquisa. Além disso, este estudo mede a estratégia realizada pela empresa. Estudar BS, MC e REM através do ponto de vista do gestor pode trazer diferentes perspectivas para essa discussão. Pesquisas futuras deveriam considerar outras características ambientais além da MC, como sistema legal e mecanismos de proteção ao investidor, complexidade, munificência e dinamismo. Ainda, uma comparação entre essas relações em diferentes países (por exemplo, mercados emergentes e desenvolvidos) e em diferentes contextos de empresas (por exemplo, cada ciclo de vida da firma) pode trazer insights interessantes sobre os conceitos estudados nesta pesquisa.

REFERENCES

• Balakrishnan, K., & Cohen, D. A. (2013). Competition and Financial Accounting Misreporting. SSRN, 1-52. https://doi.org/10.2139/ssrn.1927427
  » https://doi.org/10.2139/ssrn.1927427
• Balsam, S., Fernando, G. D., & Tripathy, A. (2011). The impact of firm strategy on performance measures used in executive compensation. Journal of Business Research, 64(2), 187-193. https://doi.org/10.1016/j.jbusres.2010.01.006
  » https://doi.org/10.1016/j.jbusres.2010.01.006
• Banker, R. D., Mashruwala, R., & Tripathy, A. (2014). Does a differentiation strategy lead to more sustainable financial performance than a cost leadership strategy? Management Decision, 52(5), 872-896. https://doi.org/10.1108/MD-05-2013-0282
  » https://doi.org/10.1108/MD-05-2013-0282
• Bentley, K. A., Omer, T. C., & Sharp, N. Y. (2013). Business strategy, financial reporting irregularities, and audit effort. Contemporary Accounting Research, 30(2), 780-817. https://doi.org/10.1111/j.1911-3846.2012.01174.x
  » https://doi.org/10.1111/j.1911-3846.2012.01174.x
• Bentley-Goode, K. A., Omer, T. C., & Twedt, B. J. (2017). Does Business Strategy Impact a Firm ’ s Information Environment ? Journal of Accounting, Auditing & Finance, 34(4), 563-587. https://doi.org/10.1177/0148558X17726893
  » https://doi.org/10.1177/0148558X17726893
• Chen, C. C. S., Chou, Y.-Y., & Wei, P. (2020). Country factors in earnings management of ADR firms. Finance Research Letters, 32, 101146. https://doi.org/10.1016/j.frl.2019.04.003
  » https://doi.org/10.1016/j.frl.2019.04.003
• Chen, Y., Eshleman, J. D., & Soileau, J. S. (2017). Business strategy and auditor reporting. Auditing: A Journal of Practice & Theory, 36(2), 63-86. https://doi.org/10.2308/ajpt-51574
  » https://doi.org/10.2308/ajpt-51574
• Cheng, P., Man, P., & Yi, C. H. (2011). The impact of product market competition on earnings quality. Accounting and Finance, 53(1), 137-162. https://doi.org/10.1111/j.1467-629X.2011.00457.x
  » https://doi.org/10.1111/j.1467-629X.2011.00457.x
• Datta, S., Iskandar-Datta, M., & Singh, V. (2013). Product market power, industry structure, and corporate earnings management. Journal of Banking and Finance, 37(8), 3273-3285. https://doi.org/10.1016/j.jbankfin.2013.03.012
  » https://doi.org/10.1016/j.jbankfin.2013.03.012
• David, J. S., Hwang, Y., Pei, B. K. W., Reneau, J. H., Smith, J., Yuhchang, D., & Buck, H. (2002). The Performance Effects of Congruence Between Product Competitive Strategies and Purchasing Management Design. Management Science, 48(7), 866-885.
• Dechow, P. M., Sloan, R. G., & Sweeney, A. P. (1995). Detecting Earnings Management. The Accounting Review, 70(2), 193-225.
• Dechow, P. M., Sloan, R. G., & Sweeney, A. P. (1996). Causes and consequences of earnings manipulations : An analysis of Firms Subjet to Enforcement Actions by the SEC. Contemporary Accounting Research, 13(1), 1-36. https://doi.org/10.1111/j.1911-3846.1996.tb00489.x
  » https://doi.org/10.1111/j.1911-3846.1996.tb00489.x
• El Diri, M., Lambrinoudakis, C., & Alhadab, M. (2020). Corporate governance and earnings management in concentrated markets. Journal of Business Research, 108, 291-306. https://doi.org/10.1016/j.jbusres.2019.11.013
  » https://doi.org/10.1016/j.jbusres.2019.11.013
• Gunny, K.A. (2010). The Relation Between Earnings Management Using Real Activities Manipulation and Future Performance : Evidence from Meeting Earnings Benchmarks. Contemporary Accounting Research, 27(3), 855-888.
• Habib, A., & Hasan, M. M. (2017). Business strategy, overvalued equities, and stock price crash risk. Research in International Business and Finance, 39, 389-405. https://doi.org/10.1016/j.ribaf.2016.09.011
  » https://doi.org/10.1016/j.ribaf.2016.09.011
• Habib, A., & Hasan, M. M. (2018). Business strategies and annual report readability. Accounting and Finance, 60(3), 2513-2547. https://doi.org/10.1111/acfi.12380
  » https://doi.org/10.1111/acfi.12380
• Hall, M., & Tideman, N. (1967). Measures of Concentration. Journal of the American Statistical Association, 62(317), 162-168. https://doi.org/10.1080/01621459.1967.10482897
  » https://doi.org/10.1080/01621459.1967.10482897
• Healy, P. M., & Wahlen, J. M. (1999). A Review of the Earnings Management Literature and Its Implications for Standard Setting. Accounting Horizons, 13(4), 365-383. https://doi.org/10.2308/acch.1999.13.4.365
  » https://doi.org/10.2308/acch.1999.13.4.365
• Houqe, M. N., Kerr, R., & Monem, R. (2013). Business Strategy and Earnings Quality (Working Paper No. 92). https://www.wgtn.ac.nz/cagtr/working-papers/wp-92.pdf
  » https://www.wgtn.ac.nz/cagtr/working-papers/wp-92.pdf
• Ittner, C. D., Larcker, D. F., & Rajan, M. V. (1997). The Choice of Performance Measures in Annual Bonus Contracts. The Accounting Review, 72(2), 231-255.
• Jensen, M. C., & Meckling, W. H. (1976). Theory of the Firm: Managerial Behavior, Agency Costs and Ownership Structure. Journal of Financial Economics, 3(4), 305-360. https://doi.org/10.1016/0304-405X(76)90026-X
  » https://doi.org/10.1016/0304-405X(76)90026-X
• Jones, J. J. (1991). Earnings Management During Import Relief Investigations. Journal of Accounting Research, 29(2), 193-228. https://doi.org/10.2307/2491047
  » https://doi.org/10.2307/2491047
• Karuna, C., Subramanyam, K. R., & Tian, F. (2012). Industry Product Market Competition and Earnings Management (Working Paper).
• Kothari, S. P., Leone, A. J., & Wasley, C. E. (2005). Performance matched discretionary accrual measures. Journal of Accounting and Economics, 39(1), 163-197 .https://doi.org/10.1016/j.jacceco.2004.11.002
  » https://doi.org/10.1016/j.jacceco.2004.11.002
• Laksmana, I., & Yang, Y. (2014). Product market competition and earnings management : Evidence from discretionary accruals and real activity manipulation. Advances in Accounting, Incorporating Advances in International Accounting, 30(2), 263-275. https://doi.org/10.1016/j.adiac.2014.09.003
  » https://doi.org/10.1016/j.adiac.2014.09.003
• Marciukaityte, D., & Park, J. C. (2009). Market Competition and Earnings Management. SSRN, 1-42. https://doi.org/10.2139/ssrn.1361905
  » https://doi.org/10.2139/ssrn.1361905
• Markarian, G., & Santaló, J. (2014). Product Market Competition , Information and Earnings Management. Journal of Business Finance and Accounting, 41(5-6), 572-599. https://doi.org/10.1111/jbfa.12064
  » https://doi.org/10.1111/jbfa.12064
• Miles, R. E., & Snow, C. C. (1978). Organizational Strategy, Structure, and Process McGraw-Hill.
• Miles, R. E., & Snow, C. C. (2003). Organizational Strategy Structure, and Process Standford University Press.
• Mintzberg, H. (1987). The Strategy Concept 1: 5 Ps for Strategy. California Management Review, 30(1), 11-24. https://doi.org/10.2307/41165263
  » https://doi.org/10.2307/41165263
• Petersen, M. A. (2009). Estimating Standard Errors in Finance Panel Data Sets : Comparing Approaches. The Review of Financial Studies, 22(1), 435-480. https://doi.org/10.1093/rfs/hhn053
  » https://doi.org/10.1093/rfs/hhn053
• Porter, M. E. (1980). Competitive Strategy: Techniques for Analyzing Industries and Competitors The Free Press.
• Roychowdhury, S. (2006). Earnings management through real activities manipulation. Journal of Accounting and Economics, 42(3), 335-370. https://doi.org/10.1016/j.jacceco.2006.01.002
  » https://doi.org/10.1016/j.jacceco.2006.01.002
• Shi, G., Sun, J., & Zhang, L. (2018). Product market competition and earnings management: A firm-level analysis. Journal of Business Finance and Accounting, 45(5-6), 604-624. https://doi.org/10.1111/jbfa.12300
  » https://doi.org/10.1111/jbfa.12300
• Snow, C. C., & Hambrick, D. C. (1980). Measuring Organizational Strategies: Some Theoretical and Methodological Problems. Academy of Management Review, 5(4), 527-538. https://doi.org/10.5465/amr.1980.4288955
  » https://doi.org/10.5465/amr.1980.4288955
• Verrecchia, R. E. (1983). Information quality and discretionary disclosure. Journal of Accounting and Economics, 12(4), 365-380. https://doi.org/10.1016/0165-4101(90)90021-U
  » https://doi.org/10.1016/0165-4101(90)90021-U
• Widuri, R., & Sutanto, J. E. (2018). Differentiation Strategy and Market Competition as Determinants of Earnings Management. Advances in Economics, Business and Management Research, 69, 171-176.
• Wu, P., Gao, L., & Gu, T. (2015). Business strategy, market competition and earnings management: Evidence from China. Chinese Management Studies, 9(3), 401-424. https://doi.org/10.1108/CMS-12-2014-0225
  » https://doi.org/10.1108/CMS-12-2014-0225

• Financiamento

  O presente trabalho foi realizado com apoio da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - Brasil (CAPES) - Código de Financiamento 001.

APÊNDICE I

Definição das variáveis Dimensão Variável Definição Variável dependente Gerenciamento de resultados por atividades reais O valor do gerenciamento de resultados reais foi calculado pela soma de APROD, ACFO e ADISX. Em que, APROD representa o nível anormal dos custos de produção, ACFO representa o nível de fluxo de caixa anormal das operações, e ADISX representa o nível anormal de despesas discricionárias. ACFO e ADISX foram multiplicados por -1. Variáveis independentes ESTRATÉGIA Cada variável apresentada na Tabela 2 foi medida por firma-ano com base na média dos cinco anos anteriores, exceto a variável σ(EMP5) que considera o desvio padrão do número de empregados ao longo dos últimos cinco anos. Em sequência, cada uma das seis variáveis foi classificada em quintis por indústria (código NAICS de dois dígitos) e ano. As observações nos quintis mais altos receberam uma pontuação de 5, enquanto as dos quintis mais baixos receberam uma pontuação de 1 (exceto a intensidade de capital que é invertida, o que significa que observações no quintil mais baixo (mais alto) recebem uma pontuação de 5 (1)). Dentro de cada firma-ano, as pontuações foram somadas ao longo das seis medidas, de tal forma que a pontuação máxima que uma empresa poderia receber é de 30 (tipo prospectora) e uma pontuação mínima de 6 (tipo defensora). Portanto, a pontuação discreta ESTRATÉGIA varia ao longo de um contínuo de valores entre 6 a 30 com empresas do tipo defensora e prospectora mais próximas dos pontos finais. HHI HHI foi calculado como HHI=∑i=1Nω2, em que ω representa a parcela de mercado da firma i mensurada por suas vendas dividido pelas vendas totais da indústria e N é o número de empresas por ano-indústria. CR4 O índice de concentração foi calculado como CR4=∑i=1N= 4ω2, em que apenas as quatro maiores empresas na indústria foram consideradas. HTI O índice de Hall Tideman (HTI) foi calculado como HTI=1/(2∑i=1Nk*ω-1), em que k representa o rank da firma de acordo com sua participação de mercado. Variáveis de controle ROA O retorno sobre os ativos foi calculado através da razão entre o lucro líquido antes de itens extraordinários do ano t pelo ativo total do ano t. ALAV A alavancagem foi calculada através da razão do passivo total do ano t pelo total de ativos do ano t. TAM O tamanho da empresa foi calculado pelo logaritmo natural do total de ativos no ano t. CRESC O crescimento foi calculado dividindo a diferença entre as vendas líquidas do período t e vendas líquidas em t-1 pelas vendas líquidas em t-1. Fonte: Dados da pesquisa.

Definição das variáveis
Dimensão	Variável	Definição
Variável dependente	Gerenciamento de resultados por atividades reais	O valor do gerenciamento de resultados reais foi calculado pela soma de APROD, ACFO e ADISX. Em que, APROD representa o nível anormal dos custos de produção, ACFO representa o nível de fluxo de caixa anormal das operações, e ADISX representa o nível anormal de despesas discricionárias. ACFO e ADISX foram multiplicados por -1.
Variáveis independentes	ESTRATÉGIA	Cada variável apresentada na Tabela 2 foi medida por firma-ano com base na média dos cinco anos anteriores, exceto a variável σ(EMP5) que considera o desvio padrão do número de empregados ao longo dos últimos cinco anos. Em sequência, cada uma das seis variáveis foi classificada em quintis por indústria (código NAICS de dois dígitos) e ano. As observações nos quintis mais altos receberam uma pontuação de 5, enquanto as dos quintis mais baixos receberam uma pontuação de 1 (exceto a intensidade de capital que é invertida, o que significa que observações no quintil mais baixo (mais alto) recebem uma pontuação de 5 (1)). Dentro de cada firma-ano, as pontuações foram somadas ao longo das seis medidas, de tal forma que a pontuação máxima que uma empresa poderia receber é de 30 (tipo prospectora) e uma pontuação mínima de 6 (tipo defensora). Portanto, a pontuação discreta ESTRATÉGIA varia ao longo de um contínuo de valores entre 6 a 30 com empresas do tipo defensora e prospectora mais próximas dos pontos finais.
	HHI	HHI foi calculado como $HHI=\sum _{i=1}^N{\omega }^2$, em que ω representa a parcela de mercado da firma i mensurada por suas vendas dividido pelas vendas totais da indústria e N é o número de empresas por ano-indústria.
	CR4	O índice de concentração foi calculado como $CR4=\sum _{i=1}^{N=4}{\omega }^2$, em que apenas as quatro maiores empresas na indústria foram consideradas.
	HTI	O índice de Hall Tideman (HTI) foi calculado como $HTI=1/(2\sum _{i=1}^N\left(k*\omega \right)-1)$, em que k representa o rank da firma de acordo com sua participação de mercado.
Variáveis de controle	ROA	O retorno sobre os ativos foi calculado através da razão entre o lucro líquido antes de itens extraordinários do ano t pelo ativo total do ano t.
	ALAV	A alavancagem foi calculada através da razão do passivo total do ano t pelo total de ativos do ano t.
	TAM	O tamanho da empresa foi calculado pelo logaritmo natural do total de ativos no ano t.
	CRESC	O crescimento foi calculado dividindo a diferença entre as vendas líquidas do período t e vendas líquidas em t-1 pelas vendas líquidas em t-1.

• Fonte: Dados da pesquisa.

Editado por

Editor-chefe

Talles Vianna Brugni 0000-0002-9025-9440

Editor Associado

Eduardo Flores 0000-0002-5284-5107

Datas de Publicação

• Publicação nesta coleção
  21 Ago 2023
• Data do Fascículo
  Sep-Oct 2023

Histórico

• Recebido
  14 Mar 2022
• Revisado
  27 Jul 2022
• Aceito
  15 Set 2022
• Publicado
  01 Ago 2023