Bierman (1966) define que o GRC consiste nas escolhas de políticas contábeis ou ações reais realizadas pela administração e tendo o poder de afetar os resultados para atingir algum objetivo relacionado aos demonstrativos divulgados. Schipper (1989) corrobora com este pensamento ao entender que o GRC é uma intervenção proposital no reporte financeiro com a intenção de obter algum benefício particular, oposto ao processo neutro de reportar os resultados contábeis. Para estes autores, portanto, o GRC se caracteriza por ações com o propósito de alterar as informações contábeis com o objetivo de atender interesses específicos. Com isto, o conjunto de informações divulgadas é distorcido, prejudicando a adequada representação da realidade econômica da entidade e, consequentemente, o processo de alocação de recursos na economia.

Para muitos autores (por exemplo, Stolowy e Ding, 2003; Matsumoto e Parreira, 2007; Niyama et al, 2015; Ajekwe, 2021), o GRC aparece como uma janela aberta pelas opções existente nas normas e padrões de contabilidade, como uma engenharia de lucros artificias dentro de um conjunto de procedimentos que não transgrida nenhuma regra, porém, representa uma gestão cuidadosa no limite do que é e do que não é permitido (Niyama et al., 2015). Para Matsumoto e Parreira (2007) o motivo fundamental que leva as empresas às práticas do GRC se encontra nas brechas legais, normativos e nos dispositivos regulamentares que permitem escolhas diferentes para reportar resultados distintos.

Na literatura, vários são os trabalhos que versam sobre GRC (Abuaddous, Hanefah, & Laili, 2014; Burgstahler & Dichev, 1997; Costa, Dantas, Galdi, & Medeiros, 2013; Dechow, Sloan, & Sweeney,1996; Goulart, 2007; Healy & Wahlen, 1999; Jones, 1991; Martinez, 2002; Martinez, 2006; Martinez, 2008), focados, em sua maioria, na alteração do resultado contábil através dos accruals discricionários. Além dos accruals discricionários, existem várias outras técnicas de gerenciamento de resultados contábeis, alterando a classificação dos elementos contábeis com o propósito de distorcer a avaliação do desempenho econômico, financeiro e operacional da empresa. McKee (2005) traz algumas técnicas de GRC, dentre elas Target Earnings, utilizada para modificação do lucro de acordo com uma meta, Income Smoothing, usada para evitar flutuações dos resultados, Big Bath Accounting, que consiste em antecipar prejuízos futuros em um período corrente que já seria ruim, e Cookie Jar Reserve, que é a criação de provisões e reservas que poderão ser revertidas no futuro quando for necessário melhorar o resultado. Em 1997, Burgstahler e Dichev (1997) trouxeram evidências da prática de Small Loss Avoidance, indicando que as empresas manipulam seus fluxos de caixa e capital de giro de modo a transformar prejuízos em lucros. As seções a seguir trazem detalhes das modalidades de Income Smoothing e Small Loss Avoidance, que são o foco do presente trabalho.

Income Smoothing é o processo de alterar o perfil temporal dos lucros para reportá-los em uma sequência menos variável, ou seja, para apresentar uma série estável e crescente de lucros ao longo do tempo. Segundo Martinez (2002), os investidores não gostam de ser surpreendidos de modo que empresas com resultados que oscilem em demasiado podem representar alto risco, se tornando menos atraentes para os investidores. A redução da variabilidade dos resultados contábeis pode ser obtida de maneiras diferentes. Fora o fator natural, onde a empresa teria tendência natural a ter uma série de lucros suavizados, isto é, quando a empresa apresenta um perfil de lucros equilibrados pelo atingimento da maturidade do negócio, a empresa pode fazer escolhas contábeis reais para reduzir a variabilidade, como por exemplo, aumentar ou diminuir as despesas com treinamento, ou outras despesas discricionárias.

Trueman e Titman (1988) afirmam que o income smoothing depende da natureza das operações das empresas e o que os stakeholders não podem observar completamente as operações de cada empresa, de modo que não são capazes de avaliar o nível de flexibilidade que a empresa tem para o uso desta prática. Desta forma, empresas com flexibilidade para mudar os resultados ao longo dos períodos podem, em geral, projetar menor volatilidade nos resultados. Tucker e Zarowin (2006) se concentraram nos benefícios do comportamento discricionário fornecendo evidências de que o income smoothing melhora a informatividade dos lucros passados e atuais sobre lucros futuros e fluxos de caixa investigando a associação entre retornos acionários para empresas com diferentes graus de income smoothing. Os autores mediram o income smoothing pela correlação das mudanças nos accruals discricionários com as mudanças nos lucros pré-suavizados, ou seja, lucros relatados menos accruals discricionários.

Ao examinar se os gestores de créditos de 138 empresas fazem GRC por meio de um accrual específico, que é a conta de provisão para devedores duvidosos, McNichols e Wilson (1988) evidenciaram que quando os lucros estão acima do esperado, as empresas tendem a escolher accruals que os reduzam, da mesma forma que quando os resultados estão abaixo do esperado, eles tendem a escolher accruals que os elevem, trazendo evidências de suavização dos resultados.

Especificamente em relação ao goodwill, Giner e Pardo (2015) analisaram 167 empresas na Espanha examinando a substituição da amortização sistemática do GI pela abordagem das International Financial Reporting Standards (IFRS). As autoras argumentaram que os resultados sugerem que as empresas estão exercendo discricionariedade no relato de perdas por GI utilizando técnicas de big bath (padrão de gerenciamento de resultados que consiste em “aproveitar” um ano de resultados ruins para baixar mais perdas que seriam baixadas em períodos futuros) e income smoothing. Abuaddous et al. (2014), analisando a Malásia, também encontraram evidências do uso do impairment do goodwill para gerenciamento de resultados, mas para fins de big bath, assim como Clark & Jordan (2011) para os EUA.

O small loss avoidance consiste em uma prática para se evitar a divulgação de resultados contábeis negativos. Burgstahler e Dichev (1997) encontraram evidências de que as empresas nos EUA gerenciam os resultados reportados para evitar reduções nos lucros e, principalmente, para evitar o reporte de prejuízos (loss avoidance). Os autores encontraram que a frequência de pequenos prejuízos é muito pequena, comparativamente à alta frequência de pequenos lucros, concluindo que as empresas gerenciam resultados de modo a transformar pequenos resultados negativos em pequenos resultados positivos.

Após Burgstahler e Dichev (1997), diversos estudos analisaram esta prática, como Coppens e Peek (2005), que identificaram a prática em empresas europeias de capital fechado, Dechow, Richardson e Tuna (2003), que questionam a classificação desta prática como gerenciamento de resultados, Hansen (2010) que, por sua vez, questiona Dechow et al (2003) ao considerar outros benchmarks de lucro, Santana e Sarquis (2021), que encontram evidências da prática em uma amostra internacional, e Degiannakis, Giannopoulos, Ibrahim e Jørgensen (2023), que também reiteram a evidência do small loss aversion através de novas metodologias.

A evidência do small loss avoidance está relacionada à sensibilidade do preço das ações à divulgação dos resultados contábeis. O preço das ações de empresas em crescimento, também conhecida como glamour stocks, é muito sensível à divulgação de notícias adversas onde os investidores demonstram expectativas excessivamente otimistas sobre a perspectivas de lucros futuros e declínios de preços subsequentes quando essas expectativas não são atendidas (Skinner & Sloan, 1999). Cientes disso, as empresas tendem a evitar a divulgação de prejuízos, principalmente quando os gestores são detentores de ações ou de opções de ações da empresa. Esse é um dos principais motivadores do GRC com o propósito de modificar a percepção de risco quanto aos investimentos nas ações da empresa (Martinez, 2002).

Segundo o Comitê de Pronunciamentos Contábeis (CPC) 15 (Pronunciamento técnico CPC-15, 2011, p. 23), o “ágio por expectativa de rentabilidade futura (goodwill) é um ativo que representa benefícios econômicos futuros resultantes de outros ativos adquiridos em uma combinação de negócios, os quais não são individualmente identificados e separadamente reconhecidos”. Foi o CPC 15 (combinação de negócios) e o CPC 18 (investimento em coligada, em controlada e em empreendimento controlado em conjunto) que mudaram, dentre outras coisas, o método de mensuração do goodwill nas normas internas do Brasil. Hoje, o goodwill é apurado pela diferença entre o valor de aquisição do investimento e o valor justo dos ativos líquidos, ou seja, ativos a valor justo menos o passivo a valor justo da adquirida. A determinação em relação ao goodwill trazida pelo CPC 15 é que este deve ser apresentado no intangível no balanço consolidado.

Em quase todos os casos para as grandes empresas, o valor recuperável do goodwill é obtido pelo valor dos fluxos de caixa futuros estimados, advindos de um conjunto de ativos, o que pode resultar em julgamento de valor (Niyama et al., 2015). Klann et al. (2016) salientam a importância de se tratar a questão das perdas por impairment do goodwill, visto que em várias ocasiões, os valores de goodwill registrados em operações de combinações de negócios são consideráveis, afetando o resultado, o patrimônio e os fluxos de caixa.

Segundo o CPC 01 (Pronunciamento técnico CPC-01, 2010, p. 23), “o goodwill deve obrigatoriamente ser alocado à UGC, para fins de impairment test, a qual ele esteja vinculado. O goodwill é um ativo intangível único, cujo valor não é possível associar a um ativo identificável e não é separável da sociedade como um todo”. A referência para analisar a perda por redução ao valor recuperável normalmente será o valor em uso da UGC à qual o goodwill pertença, pois não é possível avaliar o seu valor justo separadamente (Cappellesso et al., 2017). O goodwill deve ser testado para redução ao valor recuperável, para tanto, ele deve ser alocado a uma UGC ou grupo de UGCs. Havendo perda em uma UGC que tenha goodwill, primeiramente ela deverá ser atribuída ao goodwill até o limite de seu valor. Se ao zerar o valor do goodwill ainda houver valor de perda para ser baixada, essa deverá ser distribuída proporcionalmente aos ativos componentes da respectiva UGC (Barbosa, Clemente, Consoni, & Scherer, 2014).

Além do impairment test do goodwill ser realizado anualmente, ele também deverá ser realizado quando houver evidências externas ou internas de desvalorização, sendo assim, a realização do impairment test apresenta pontos de discricionariedade, pois irá depender do julgamento sobre essas evidências. No caso de impairment do goodwill, a referência para analisar a perda por redução ao valor recuperável normalmente será o valor em uso da UGC à qual ele pertence, pois não é possível avaliar o seu valor justo separadamente (Cappellesso et al., 2017).

Portanto, no impairment test existem fatores geradores de discricionariedades que possibilitam que as empresas possam, influenciar o resultado contábil através do GRC (Zang, 2012). AbuGhazaleh et al. (2011) corroboram com esta ideia ao afirmarem que as empresas podem, de forma oportunística, subestimar, superestimar ou mesmo não reconhecer uma perda por impairment a depender dos seus incentivos.

No ambiente acadêmico nacional, a maioria das pesquisas têm enfoque no conceito e na subjetividade inerente ao goodwill e na divulgação de informações sobre o impairment test. Por exemplo, Almeida, Costa, Martins e Martins (2010) se debruçam sobre os conceitos de goodwill usados na literatura pré-IFRS, mostrando que o goodwill costumava ser tratado tanto no âmbito da contabilização quanto para avaliação de empresas. Em um trabalho também teórico, Niyama et al. (2015) discutem a “contabilidade criativa” com a adoção das IFRS, dando ênfase na subjetividade do goodwill. Analisando o período de transição para as IFRS, Niyama, Ono e Rodrigues (2011) e Cruz, Lima, Machado e Takamatsu (2013) fizeram uma análise descritiva do nível de disclosure de impairment de ativos, inclusive no goodwill, identificando necessidade de melhoras em diversos aspectos. São poucos os trabalhos com enfoque no GRC, sendo possível citar (Cappellesso et al., 2017; Martinez, 2008; Matsumoto & Parreira, 2007). Em âmbito internacional diversos trabalhos verificaram que a discricionariedade é usada no impairment test do goodwill para fins de GRC através do big bath (Abuaddous et al., 2014; Clark & Jordan, 2011; Giner & Pardo, 2015; Kirschenheiter & Melumad, 2002; Schroeder & Sevin, 2005; Tucker & Zarowin, 2006) e através do income smoothing.

Enquanto o income smoothing prevê que as empresas façam uso dos accruals tendo em vista minimizar a variação dos lucros reportados, como discutido na Seção 2.1.1, a prática de big bath acontece quando as empresas que experimentam baixos rendimento em um determinado ano tomam decisões discricionárias para reduzir ainda mais os ganhos do período atual de modo a apresentar resultados crescentes no futuro, ao invés de uma série de resultados ruins (Clark & Jordan, 2011). Considerando a falta de pesquisa sobre estas práticas no contexto do impairment do goodwill na literatura nacional, o presente trabalho visa preencher esta lacuna.

A população deste estudo, de acordo com a Tabela 1, foram as empresas brasileiras registradas na Comissão de Valores Mobiliários (CVM). A amostra, por sua vez, foi formada por dados das demonstrações financeiras trimestrais das empresas a partir do primeiro trimestre de 2010 até o terceiro trimestre de 2019 (último trimestre disponível no momento da coleta). Os dados foram coletados a partir do acesso à base Economatica e das notas explicativas das respectivas empresas, totalizando 593 empresas por 39 trimestres. Foram excluídas da análise as observações de empresas com PL negativo. Além disso, nem todas as variáveis (descritas na próxima seção) têm dados disponíveis para todas as empresas em todos os trimestres, de modo que a amostra final é um painel desbalanceado.

A Tabela 1 mostra a quantidade de empresas subdivididas entre aquelas que reportaram despesas com impairment do goodwill, as que tiveram goodwill no balanço, mas não registraram despesa de impairment e as que nem tinham goodwill no balanço. Como é possível ver na tabela, há uma grande variação entre a quantidade de empresas em cada grupo, o que pode limitar o alcance dos resultados.

Tabela 1

Empresas registradas na CVM no período	593
(i) Empresas com Goodwill e Impairment	8
(ii) Empresas com Goodwill e sem Impairment	54
(iii) Empresas sem Goodwill	531

Fonte: Elaborada pelos autores.

Existem diversas métricas de gerenciamento de resultados na literatura em Contabilidade, sendo as baseadas em accruals discricionários as mais populares (ver, por exemplo, Dechow, Sloan, & Sweeney, 1995; Kothari, Leone, & Wasley, 2005; McNichols & Stubben, 2018), com o modelo de Jones Modificado de Dechow et al. (1995) um dos mais usados. Accruals incluem todos os itens que afetam o lucro da empresa, mas que não afetam o caixa, sendo o impairment do goodwill um destes itens. Assim, considerar o total de accruals seria impreciso dado o objetivo desta pesquisa, porque seria difícil isolar o resultado que concerne ao impairment do goodwill dos demais accruals. Desta forma, optou-se por usar medidas de gerenciamento de resultados que captem melhor o efeito de um accrual específico, no caso, o impairment do goodwill. Leuz et al. (2003) analisaram diversas medidas de GRC para diversos países, investigando diferenças relacionadas aos níveis de proteção de investidores. Especificamente, os autores analisaram a suavização de resultados, que capta o grau em que as empresas “suavizam” a variabilidade dos lucros reportados através dos accruals, a magnitude dos accruals totais, e a incidência de pequenos lucros em relação a pequenos prejuízos, conhecida como small loss avoidance. Assim, de modo a melhor isolar o accrual oriundo da despesa do impairment do goodwill, este estudo foca nas medidas de suavização de resultados, ou income smoothing, e de small loss avoidance.

Assim, seguindo Leuz et al. (2003), são usadas três medidas de GRC, duas que captam o income smoothing e uma que capta o small loss avoidance. A métrica GRC ₁ , que é a primeira medida de income smoothing, é calculada pela razão entre o desvio padrão do Lucro Operacional (LOp) escalonado pelo Ativo Total (AT) e o desvio padrão do Fluxo de Caixa Operacional (FCO) também escalonado pelo Ativo Total, conforme a Equação (1):

G R C 1 =   σ L O p σ F C O (1)

O resultado da razão entre as duas variáveis oferece evidências da manipulação do lucro. Esta medida parte da lógica de que a empresa consegue manipular o lucro com o impairment do goodwill, mas não o fluxo de caixa. Assim, quanto menores forem os resultados obtidos, maior é a evidência da prática de income smoothing porque menor é a variância do lucro operacional em relação à variância do fluxo de caixa.

A segunda variável indica que o income smoothing é mais ou menos difundida em função do tamanho das correlações entre mudanças nos accruals e no fluxo de caixa. Grandes correlações negativas indicam que o income smoothing é mais difundido, pois indica maior reversão de accruals. Assim, valores mais negativos indicam que há discricionariedade contábil através do income smoothing.

A métrica GRC ₂ é calculada, então, pela correlação entre as variações entre períodos nos Accruals totais (Acc) e as variações no FCO, conforme a Equação (2):

G R C 2 =   ρ Δ A c c , Δ F C O (2)

A terceira variável, GRC ₃ consiste em comparar o número de ocorrências de pequenos lucros com o número de ocorrências de pequenos prejuízos. Para ser classificado como um pequeno prejuízo, o valor reportado precisa estar na faixa de -0,01 a 0,00 em relação ponderado pelo Ativo Total e para ser classificado como um pequeno lucro o valor reportado precisa estar na faixa de 0,00 a 0,01 também ponderado pelo Ativo Total. Valores mais altos desta medida indicam que as empresas exercem discricionariedade contábil de modo a transformar um resultado contábil que seria um pequeno prejuízo em um pequeno lucro (Burgstahler & Dichev, 1997). Essa prática é conhecida na literatura como small loss avoidance. Assim, a medida GRC ₃ é calculada como mostrado na Equação (3):

G R C 3 =   Σ   d e   p e q u e n o s   L u c r o s Σ   d e   p e q u e n o s   P r e j u í z o s (3)

Para buscar evidências de que as empresas gerenciam o teste de impairment do goodwill através do income smoothing e do small loss avoidance, a estratégia da pesquisa consistiu em comparar as medidas GRC ₁ , GRC ₂ e GRC ₃ entre as empresas que divulgaram despesas de impairment de goodwill e as que não divulgaram. Considerando que, para ter a despesa de impairment é necessário ter o goodwill registrado no intangível, foram consideradas tanto as empresas sem impairment e sem goodwill no Balanço Patrimonial quanto as sem impairment, mas com goodwill no Balanço Patrimonial. Assim, foram feitas comparações (testes de médias não paramétricos) entre três grupos de empresas. O Grupo 1 é composto por empresas que têm goodwill registrado nos seus balanços e que computaram perdas por impairment do goodwill (grupo de tratamento). O Grupo 2 é composto por empresas que têm goodwill registrado nos seus balanços, mas não computaram perdas por impairment do goodwill (primeiro grupo de controle). Finalmente, o Grupo 3 é composto por empresas que não têm goodwill registrado nos seus balanços (segundo grupo de controle). Assim, se a amostra de empresas que fizeram impairment do goodwill, ou seja, o Grupo 1, apresentar maiores evidências de income smoothing e de small loss avoidance que as demais amostras (Grupos 2 e 3), tem-se uma evidência de que se faz uso da discricionariedade para manipular os resultados das empresas.

Em seguida, a análise segue no intuito de identificar as características das empresas que estão correlacionadas com a decisão de reconhecer perdas por impairment do goodwill. Para isso, foi usado um modelo logit semelhante ao de Giner e Pardo (2015) que utilizaram uma amostra de empresas listadas na Espanha entre 2005 e 2011 e Cappellesso et al. (2017) que replicaram este modelo para empresas brasileiras listadas na bolsa entre 2009 e 2015, conforme a Equação (4):

G I = β 0 + β 1 A L A V + β 2 G W + β 3 R O E + β 4 R E T + β 5 A U D + β 6 M B + β 7 T A M + β 8 E S P +     ∑ i β 9 i S E T i + ε . (4)

O modelo logit permite analisar como cada variável está relacionada com a probabilidade do reconhecimento do impairment do goodwill, colaborando com o entendimento dos fatores que estão relacionadas com o eventual gerenciamento de resultados vinculado a este reconhecimento. A regressão logit é usada quando a variável dependente é binária (“sim” ou “não”) e é estimada por máxima verossimilhança. A Tabela 2 apresenta as variáveis utilizadas na regressão logit, sua descrição, cálculo e fonte de coleta de dados. Todas as análises foram feitas no software R.

Em relação a variável ALAV, a presente pesquisa acompanha o modelo de Giner e Pardo (2015) diferindo de outros estudos nos quais apenas dívidas são incluídas no numerador, uma vez que as empresas dependem dos financiamentos a médio prazo e a inclusão desse financiamento fornece uma imagem mais clara desta variável. A variável GW em t-1 capta decisões atrasadas em relação ao impairment do goodwill (Li & Sloan, 2017). A rentabilidade do patrimônio líquido (ROE) controla pelo desempenho das empresas, uma vez que pesquisas anteriores mostram que o desempenho tem relação com o reconhecimento de GI (AbuGhazaleh et al., 2011). RET e MB levam em consideração as percepções dos investidores sobre a empresa (Bradbury, Godfrey, & Koh, 2003; Chalmers, Clinch, & Godfrey, 2008). Para controlar outros aspectos que podem influenciar a decisão, foi considerada também a variável tamanho (TAM) medida como o logaritmo natural do total de ativos, que também pode ser usado como proxy pela capacidade da empresa de seguir as disposições estabelecidas nas IFRS (Ramanna & Watts, 2012). A variável ESP (perdas esperadas), por sua vez, capta a tendência de que quando os resultados contábeis (lucro) são maiores que os efetivamente esperados, as empresas tendem a reconhecer mais perdas por GI (Cappellesso et al., 2017).

Tabela 2

Variáveis	Descrição	Fórmula	Fonte
Variável dependente
GI	Goodwill Impairment	Dummy: 1 em períodos com perda por GI, e 0 caso contrário	Notas Explicativas
Variáveis Explicativas
ALAV	Alavancagem	Passivo Total / Ativo Total	Economatica
GW	Goodwill	Goodwill / Ativo Total em t-1	Economatica
ROE	Retorno sobre o PL	Retorno sobre o Patrimônio Líquido (PL) médio em t	Economatica
RET	Retorno do Mercado	Retorno de Mercado no período de 12 meses: ln(P t /P t-1 ), onde P t é a última cotação da ação no ano t e Pt-1 é a última cotação do ano anterior.	Economatica
AUD	Empresa de Auditoria	Dummy: 1 se a empresa for auditada por uma Big Four e 0 caso contrário	Notas Explicativas
MB	Market-to-Book	Valor de mercado do PL / valor contábil do PL em t	Economatica
TAM	Tamanho	Logaritmo natural do Ativo Total ao final do ano t	Economatica
ESP	Valor Perda Esperada	Diferença entre o valor patrimonial e o valor de mercado em t (se essa diferença não for maior que o valor do GI em t-1) / GI em t-1. Se o valor de mercado for maior que o valor do PL, variável assume valor 0.	Economatica
SET	Setor de Atuação	Dummy: 1 se a empresa pertencer ao setor i e 0 caso contrário	Economatica

Fonte: Elaborada pelos autores.

A Tabela 3 apresenta informações referentes às observações das empresas com e sem GI. Como é possível observar na referida Tabela, a quantidade de empresas que reconheceram a perda por GI aumentou durante o período de 2015 e 2016 quando atingiu 16 e 20%, respectivamente, do total de empresas com goodwill. Nota-se ainda que, em média, o GI representou 20,42% do valor total dos ativos das empresas, demonstrando a importância de sua análise em específico. No período da amostra, os anos de 2015 e 2016 apresentaram maior incidência de impairment provavelmente devido à crise política que culminou no impeachment da presidenta Dilma Rousseff. Além disso, observa-se que em 2010 não houve nenhum caso de GI, provavelmente por ser o primeiro ano de adoção das IFRS no país.

Tabela 3

Empresas	ANO	1º TRI	2º TRI	3º TRI	4º TRI
Com Goodwill	2010	0	0	0	24
	2011	27	23	23	26
	2012	29	26	24	30
	2013	29	26	24	26
	2014	27	26	25	26
	2015	27	26	25	25
	2016	25	26	26	25
	2017	25	25	23	23
	2018	26	26	26	28
	2019	22	25	25
Com Impairment	2010	0	0	0	0
	2011	0	0	0	1
	2012	0	0	1	1
	2013	1	1	2	2
	2014	0	1	0	2
	2015	0	1	4	3
	2016	0	0	0	5
	2017	0	0	0	0
	2018	0	1	0	2
	2019	0	0	0	0
% Impairment (Em relação às Empresas com Goodwill)	2010	0%	0%	0%	0%
	2011	0%	0%	0%	3,85%
	2012	0%	0%	4,17%	3,33%
	2013	3,45%	3,85%	8,33%	7,69%
	2014	0%	3,85%	0%	7,69%
	2015	0%	3,85%	16,00%	12,00%
	2016	0%	0%	0%	20,00%
	2017	0%	0%	0%	8,70%
	2018	0%	3,85%	0%	7,14%
	2019	0%	0%	0%	0%

Fonte: Elaborada pelos autores.

Por meio da Tabela 4 se observam os valores mínimos, máximos, médios e os desvios-padrão das variáveis Lucro Operacional, Fluxo de Caixa Operacional, Accruals e Lucro Líquido (todas as variáveis são escalonadas pelo Ativo Total). As estatísticas descritivas estão divididas por grupo. Conforme explicado na Seção 3, o Grupo 1 representa as empresas com goodwill e que divulgaram despesas de impairment. Essas empresas são minoria na amostra, somando apenas 307 observações referentes a oito empresas (Eternit, Gafisa, Gerdau, Gerdau Met, Minerva, Petrorio, Qualicorp e Tegma). O Grupo 2 é formado pelas empresas com goodwill mas que não divulgaram impairment, e somam 1.690 observações. Já o Grupo 3, formado pelas empresas sem goodwill, representa a grande maioria da amostra, com um total de 14.570 observações. Segundo a Tabela 4, as empresas do Grupo 3 apresentam prejuízos na média e valores de Lucro Operacional e de Fluxo de Caixa Operacional muito abaixo que as médias do Grupo 1 e do Grupo 2. As empresas de todos os grupos têm Accruals médios negativos, sendo que o Grupo 3 tem níveis mais baixos de Accruals. A quantidade de observações em cada grupo varia entre as variáveis porque uma mesma empresa pode ter um dado faltante para uma variável, mas não para outra.

Tabela 4

Variável: Lucro Operacional / Ativo Total
	N	Mínimo	Máximo	Média	Desvio Padrão
Grupo 1	307	-0,143	0,072	0,011	0,036
Grupo 2	1.690	-0,143	0,072	0,015	0,028
Grupo 3	14.570	-0,143	0,027	0,003	0,047
Variável: Fluxo de Caixa Operacional / Ativo Total
Variável	N	Mínimo	Máximo	Média	Desvio Padrão
Grupo 1	308	-0,219	0,168	0,033	0,063
Grupo 2	1.703	-0,219	0,168	0,038	0,055
Grupo 3	14.682	-0,218	0,060	0,017	0,085
Variável: Accruals / Ativo Total
Variável	N	Mínimo	Máximo	Média	Desvio Padrão
Grupo 1	307	-0,158	0,167	-0,021	0,056
Grupo 2	1.690	-0,158	0,167	-0,023	0,053
Grupo 3	14.552	-0,157	0,167	-0,012	0,072
Variável: Lucro Líquido / Ativo Total
Variável	N	Mínimo	Máximo	Média	Desvio Padrão
Grupo 1	307	-0,234	0,053	-0,001	0,039
Grupo 2	1.690	-0,234	0,053	0,005	0,032
Grupo 3	14.580	-0,233	0,053	-0,012	0,065

Fonte: Elaborada pelos autores.

Tabela 5

Variável	N	Mínimo	Máximo	Média	Desvio Padrão
ALAV	17.981	0,000	29.099,733	20.108	566,34854
GW	14.371	-0,001	196.885	0,025	1,64344
ROE	16.524	-1.154,100	1000,900	0,053	16,81233
RET	8.806	-0,898	149.597	0,052	1,62825
MB	10.414	-390,020	275,987	1,683	8,33669
TAM	19.264	-4,20	21,28	13,43	3,36164
ESP	10.098	0,0	0,988	0,005	0,05242

Fonte: Elaborada pelos autores.

A Tabela 5, por sua vez, mostra as estatísticas descritivas das variáveis usadas na análise da regressão logística. Conforme pode ser observado por meio da Tabela 5, a variável ESP sugere que a média da perda por impairment seria de 0,5% sobre o saldo do goodwill registrado no balanço e que, em média, a representatividade do valor total do goodwill em relação ao Ativo Total (variável GW) é de 2,5%. Em relação à alavancagem, há valores muito pequenos (que se apresentam como zero considerando três casas decimais) e muito altos (com o passivo mais de 20 vezes maior que o ativo), conforme evidenciado pelo alto desvio-padrão. As variáveis de rentabilidade (ROE e RET) também apresentam alta variação.

A Figura 1 apresenta as correlações entre as variáveis consideradas na regressão logística. A correlação foi medida pelo rho de Spearman. Pode-se observar, então, que existem várias variáveis correlacionadas, mas que a maioria delas não apresentaram altas associações, não levantando preocupações em relação à multicolinearidade. As maiores correlações foram entre as variáveis explicativas TAM e AUD com uma correlação de 50%, MB e AUD com uma correlação de 30% e ALAV e MB também com uma correlação de 30%.

Figura 1 Fonte: Elaborada pelos autores.

A Tabela 8 mostra estatísticas descritivas da variável GRC ₁ , que mede o income smoothing, para os três grupos de empresas. A variável GRC ₁ é calculada como a razão entre o desvio-padrão do Lucro Operacional e o desvio-padrão do Fluxo de Caixa Operacional. Quanto menor for o desvio-padrão do Lucro Operacional em comparação ao do Fluxo de Caixa, maior é a evidência de income smoothing. Assim, menores valores de GRC ₁ indicam maior gerenciamento de resultados.

Como é possível observar na Tabela 6, a média de GRC ₁ para o Grupo 1, isto é, as empresas com goodwill e que divulgaram despesas de impairment do goodwill, é ligeiramente menor que a média do Grupo 2, isto é, empresas com goodwill mas que não divulgaram impairment. Já o Grupo 3 (empresas sem goodwill) apresenta uma média um pouco maior que os demais grupos.

Tabela 6

Subamostra	N	Mínimo	Máximo	Média	Desvio Padrão
Grupo 1	8	0,2551	0,4779	0,3804	0,0740
Grupo 2	45	0,2225	0,6974	0,3849	0,1056
Grupo 3	391	0,2225	0,6974	0,4101	0,1027

Nota: Interpretação: Os baixos valores dessa medida indicam que as empresas exercem discricionariedade contábil através do income smoothing. Fonte: Elaborada pelos autores.

Na Tabela 6, as empresas do Grupo 1 apresentam valores menores na variável GRC ₁ que os demais grupos. Para testar a hipótese de que essas empresas suavizam mais resultados que as demais, foram feitos testes de Wilcoxon (teste não paramétrico escolhido devido ao tamanho da amostra) entre os valores médios de cada grupo, apresentados na Tabela 7. Os resultados na Tabela 7 mostram que, apesar da Tabela 6 sugerir que a média de GRC ₁ é menor para o Grupo 1, as diferenças de médias entre o Grupo 1 e o Grupo 2 e entre o Grupo 1 e o Grupo 3 não são estatisticamente significantes. Assim, a partir dos resultados da Tabela 7 não é possível afirmar que as empresas do Grupo 1 suavizam mais seus resultados que as demais.

Tabela 7

Variável	Estatística	Valor p	Conclusão do teste
Grupo 1 x Grupo 2	190,5	0,8036	Diferença não é estatisticamente significante
Grupo 1 x Grupo 3	1365	0,5384	Diferença não é estatisticamente significante

Nota. Interpretação: Os altos valores negativos dessa medida indicam que as empresas exercem discricionariedade contábil através do income smoothing.

A Tabela 8 mostra a estatística descritiva da variável GRC ₂ , que também mede income smoothing, para os três grupos de empresas. A variável GRC ₂ é calculada como a correlação entre a variação dos Accruals (escalonados pelo Ativo Total) e a variação do Fluxo de Caixa Operacional (também escalonado pelo Ativo Total). Quanto mais negativa for a correlação entre Accruals e Fluxo de Caixa, maior é o descasamento entre as duas variáveis, indicando também uma evidência de income smoothing. Assim, valores mais negativos de GRC ₂ indicam maior gerenciamento de resultados.

Tabela 8

Variável	N	Mínimo	Máximo	Média	Desvio Padrão
Grupo 1	6	-0,9587	-0,5206	-0,8332	0,1737
Grupo 2	34	-0,9981	-0,3017	-0,8983	0,1443
Grupo 3	280	-1,0000	-0,9830	-0,8028	0,2900

Nota: Interpretação: Os altos valores negativos dessa medida indicam que as empresas exercem discricionariedade contábil através do income smoothing.

Como é possível observar na Tabela 8, a média de .GRC ₂ para o Grupo 1 é menor (em módulo) que a média do Grupo 2, mas maior (em módulo, isto é, mais negativa) que o Grupo 3. A Tabela 9 mostra o resultado do teste de Wilcoxon para a comparação destas médias. Assim como no caso da variável GRC ₁ , os testes indicam que não há diferença estatisticamente significante entre as médias dos grupos de empresas. Assim, não há evidências que suportam a hipótese de que as empresas do Grupo 1 gerenciem mais resultados via income smoothing. Ou seja, não é possível aceitar a hipótese que as empresas brasileiras usem a discricionariedade do reconhecimento de despesas de impairment do goodwill se utilizando do income smoothing.

Tabela 9

Variável	Estatística	Valor p	Nível de Significância
Grupo 1 x Grupo 2	141	0,1481	Não é significante
Grupo 1 x Grupo 3	952	0,578	Não é significante

Fonte: Elaborada pelos autores.

Finalmente, a variável GRC ₃ mede a tendência das empresas de praticar o small loss avoidance, gerenciando seus resultados para transformar um pequeno prejuízo em um pequeno lucro. GRC ₃ é calculada como a razão entre a frequência de pequenos lucros, isto é, Lucro Líquido escalonado pelo Ativo Total entre os valores de 0,00 e 0,01, e de pequenos prejuízos, isto é, Lucro Líquido escalonado pelo Ativo Total entre os valores de -0,01 e 0,00 para uma determinada amostra. Quanto maior a frequência de pequenos lucros em relação a pequenos prejuízos, maior é o valor de GRC ₃ indicando maior incidência de gerenciamento de resultados. A Tabela 10 mostra os valores mínimos, máximos, médios e os desvios-padrões da variável GRC ₃ .

Os resultados descritos na Tabela 10 mostram uma frequência de pequenos lucros muito maior que de pequenos prejuízos para o Grupo 1 em comparação aos demais grupos, isto é, para as empresas que possuem goodwill e que divulgaram despesas de impairment no período de análise. Assim, os resultados na Tabela 12 sugerem que as empresas do Grupo 1 gerenciam mais resultados através do small loss avoidance que as demais. No mesmo sentido foi evidenciado que pequenos prejuízos são pouco usuais quando comparados a pequenos lucros (Burgstahler & Dichev, 1997; Degeorge et al., 1999) em toda a amostra, mas a diferença é muito mais proeminente para a amostra do Grupo 1. Não foi possível realizar o teste de médias visto que a variável GRC3 é calculada com base em um único número obtido dentro de cada amostra.

Tabela 10

Variável	Σ Pequenos Lucros (1)	Σ Pequenos Prejuízos (2)	GRC3 (1 / 2)
Grupo 1	108	34	3,1764
Grupo 2	423	204	2,0735
Grupo 3	3287	1990	1,6517

Nota: Interpretação: Os altos valores dessa medida indicam que as empresas exercem discricionariedade contábil através do small loss avoidance.

A evidência de small loss avoidance pode ser visualizada através da inspeção de um histograma da variável Lucro Líquido escalonada pelo Ativo Total. A Figura 2 mostra o histograma desta variável para cada Grupo de estudo onde fica claro a ocorrência muito mais frequente de resultados imediatamente acima do zero do que imediatamente abaixo do zero para o Grupo 1. Segundo Burgstahler e Dichev (1997), seria esperado que a distribuição dos lucros fosse contínua ao redor do zero. Assim, a quebra de frequência entre os resultados logo abaixo de zero e logo acima de zero é vista como uma evidência da manipulação dos dados contábeis para se evitar a divulgação de prejuízos.

Figura 2 Fonte: Elaborada pelos autores.

A análise na Seção 4.2 mostrou que existem evidências de que as empresas usam a discricionariedade no reconhecimento de despesas de GI para praticar o small loss avoidance. Uma possibilidade é que as empresas adiam ou antecipam a despesa de impairment que ocorreria em um trimestre que resultaria em prejuízo líquido para trimestres mais confortáveis para a empresa.

Nesse tópico, a análise segue com o intuito de identificar as características das empresas que estejam correlacionadas com a decisão de reconhecer perdas por impairment do goodwill, utilizando-se de um modelo logit, visto que a variável dependente (reconhecimento do GI) consiste em uma variável dummy. A Tabela 11 mostra os resultados da regressão logística e a Tabela 12 mostra os respectivos efeitos marginais. Os erros-padrão são robustos à heteroscedasticidade e o Variance Inflation Factor (VIF) não indica que há multicolinearidade prejudicial ao modelo (todas as variáveis têm VIF menor que cinco).

Conforme pode ser observado na Tabela 11, a variável GW tem um coeficiente positivo e significativo a 1%, indicando, conforme esperado, que empresas com valores mais elevados de goodwill em seu ativo têm uma probabilidade maior de registrar perdas por impairment (Giner & Pardo, 2015). Os efeitos marginais mostram que o aumento de uma unidade no goodwill escalonado pelo ativo total está relacionado ao aumento na probabilidade de reconhecer um impairment em 2,6 pontos percentuais. A variável ROE tem um coeficiente negativo e estatisticamente significativo a 1% indicando que empresas mais rentáveis são menos propensas a realizar impairment do goodwill, o que é condizente com os achados de AbuGhazaleh et al. (2011). Pelos efeitos marginais, o aumento de um ponto percentual no ROE está associado à redução de 1,6 p.p. na probabilidade de a empresa reconhecer um impairment do goodwill. Esse resultado é esperado já que goodwill que precisou ser reavaliado para baixo está provavelmente prejudicando a rentabilidade da empresa. Em complemento à análise na Seção 4.2, este resultado sugere que as empresas que têm maior rentabilidade não precisam gerenciar seus resultados através do small loss avoidance. Finalmente, a variável ESP demonstrou significância a 1% sugerindo que quando os resultados contábeis (lucro) são maiores que os efetivamente esperados, as empresas tendem a reconhecer mais perdas por GI, consistente com a pesquisa de McNichols e Wilson (1988), que evidenciaram que quando os lucros estão maiores ou menores que o esperado, a tendência é que se escolham accruals para fazerem a equalização dos resultados. Os efeitos marginais mostram que o aumento de uma unidade em ESP está relacionado ao aumento de 1,2 p.p. na probabilidade de a empresa reconhecer o impairment do goodwill.

Assim, os resultados da Tabela 11 indicam que empresas com maiores valores de goodwill, menos rentáveis e, com menores valores de perda esperada tendem a reconhecer impairment com maior frequência. Logo, essas empresas são as mais prováveis de gerenciar resultados através do small loss avoidance.

Tabela 11

	Variável Dependente:
	P(GI=1)
ALAV	0,555
	(2,2516)
GW	7,939	***
	(2,605)
ROE	-4,847	***
	(1,337)
RET	-0,584
	(1,049)
AUD	-0,674
	(0,997)
MB	-0,156
	(0,144)
TAM	0,289
	(0,228)
ESP	3,804	**
	(1,405)
Dummies de setor	Sim
Erros robustos	Sim
Observações	4,719
Log Likelihood	-60,950
Critério de Informação Akaike	173,900
Observação: * p<0.1; ** p<0.05; ***p<0.01
As definições das variáveis estão na Tabela 2.

Fonte: Elaborada pelos autores.

Tabela 12

Variável	Efeito Marginal Médio	Erro-padrão	Estatística Z	P-valor	Intervalo de Confiança (Inferior)	Intervalo de Confiança (Superior)
ALAV	0,002	0,008	0,220	0,826	-0,014	0,018
AUD	-0,002	0,003	-0,673	0,501	-0,009	0,004
ESP	0,012	0,005	2,511	0,012	0,003	0,022
GW	0,026	0,009	2,848	0,004	0,008	0,044
MB	-0,001	0,0005	-1,072	0,284	-0,001	0,0004
RET	-0,002	0,003	-0,557	0,577	-0,009	0,005
ROE	-0,016	0,005	-3,319	0,001	-0,025	-0,006
TAM	0,001	0,001	1,253	0,210	-0,001	0,002

Nota. As definições das variáveis estão na Tabela 2.