O documento discute fraudes e gerenciamento de resultados em demonstrações contábeis, enfatizando a importância de detectar manipulações que podem comprometer a qualidade da informação contábil. Apresenta ferramentas e modelos para identificar e analisar tais práticas, além de discutir o impacto dessas manipulações no valuation das empresas. Destaca a necessidade de diligência e métodos de prevenção para auditores e analistas financeiros.

1. UNIVERSIDADE FEDERAL DA PARAÍBA
FRAUDE E GERENCIAMENTO DE
RESULTADOS
grggggggggggggggggggg
ggggggggg
Luiz Felipe de Araújo Pontes Girão
Objetivo da aula: estudar ferramentas para auxiliar na detecção de
manipulações contábeis discricionárias e fraudes que reduzem a qualidade da
informação.
Conteúdo: Gerenciamento de resultados e fraudes. Modelos usados para
auxiliar na detecção de gerenciamento de resultados e fraudes.

2. Felipe Pontes
www.contabilidademq.com.br
2
it
k
k
ktk
k
kitk
j
jitjit XCustosIncAD     1
,,2,,10
𝑃𝑡 =
𝜏=1
∞
𝑅𝑓−𝑡
𝐸𝜏 𝑑 𝑡+𝜏
youtube.com/contabilidademq
@felfelipepontes
@contabilidademq
Slideshare.net/felipepontes16
/pontesfelipe Se inscreva em nosso canal e
ative as notificações para não
perder nada!

3. Felipe Pontes
www.contabilidademq.com.br
Introdução
• O analista, em geral, precisa confiar nas demonstrações contábeis das
empresas, sabendo que elas podem nos enganar. Para evitar esse
problema, confiamos nos auditores... Mas...
• Nessa aula buscaremos algumas ferramentas para tentar reduzir ainda
mais a chance de sermos enganados.
3

4. Felipe Pontes
www.contabilidademq.com.br
O que é e quando ocorre o GR?
• O que é gerenciamento de resultados?
É a intervenção proposital no processo de financial reporting, com a intenção de
obter algum ganho privado. Ou seja, impedir a neutralidade da informação.
• Quando ocorre o gerenciamento de resultados?
Quando os gestores usam o seu julgamento no processo de financial reporting e na
estruturação de transações para alterar a divulgação no sentido de enganar alguns
stakeholders sobre o desempenho econômico da empresa ou para influenciar
questões contratuais (e.g. covenants) que dependem dos números contábeis
reportados.
6
Seção baseada no livro de
Dechow e Schrand (2003)

5. Felipe Pontes
www.contabilidademq.com.br
GR reduz a qualidade da informação contábil?
• Dado que a informação contábil (especificamente o lucro) é de
qualidade quando reflete a performance corrente, que é útil para a
projeção da performance futura e auxilia na estimação do valor
intrínseco da empresa.... O Gerenciamento de Resultados reduz a
qualidade dos lucros, independente do motivo pelo qual o lucro foi
gerenciado.
• À frente veremos o impacto disso em modelos de valuation.
7

6. Felipe Pontes
www.contabilidademq.com.br
GR no mundo
8
Redutores de GR: a) mercado de
capitais grande, b) dispersão de
controle, c) forte proteção do
investidor e d) forte enforcement
legal
Como está o Brasil nesse sentido?

7. Felipe Pontes
www.contabilidademq.com.br
Formas de gerenciar resultados
• O que é lucro?
𝐿𝑢𝑐𝑟𝑜 = 𝐹𝑙𝑢𝑥𝑜 𝑑𝑒 𝐶𝑎𝑖𝑥𝑎 + 𝐴𝑐𝑐𝑟𝑢𝑎𝑙𝑠
• Para gerenciar resultados, é preciso mexer nos componentes do lucro.
• Tipos de manipulações:
a) Atividades reais; e
b) Accruals.
9
Manipulações dos componentes
do lucro afetam a qualidade
deles e, em consequência,
afetam a qualidade do relatório
do analista

8. Felipe Pontes
www.contabilidademq.com.br
Impacto no valuation
• Imagine um modelo de valuation (desenhe um modelo de FCLF
assumindo a perpetuidade já no primeiro ano, por questões didáticas)
10
Receita 11,256,565.00$
Margem operacional (EBIT) 6.34%
EBIT 713,215.00$
(-) IR e CSLL (169,772.81)$
(=) EBIT Líquido 543,442.19$
(-/+) CAPEX líquido (217,531.00)$
(-) Investimento em Capital de Giro (237,230.00)$
(=) Fluxo de Caixa Livre da Empresa 88,681.19$
Situação 1:
Considere o seguinte:
1) WACC = 14,52%
2) Crescimento perpétuo de 1%
3) Qual é o valor da firma?
Situação 2:
1) Considere o mesmo cenário da
situação 1, porém considere que
a empresa manipulou algumas
atividades reais e conseguiu uma
receita 1% maior (situação 2.1).
Faça o mesmo com uma receita
10% maior (situações 2.2).
2) Qual é o valor da firma nas
situações 2.1 e 2.2?
Situação 3:
1) Baseado ainda na situação 1, considere que, após algumas
manipulações, a empresa conseguiu aumentar a margem
operacional para 6,5% (situação 3.1). Considere também que
eles conseguiram aumentar a margem para 7% (situação 3.2).
2) Qual é o valor da firma nas situações 3.1 e 3.2?

9. Felipe Pontes
www.contabilidademq.com.br
Impacto no valuation
11
DUCHARME, Larry L.; MALATESTA, Paul H.; SEFCIK, Stephan E. Earnings
management: IPO valuation and subsequent performance. Journal of Accounting,
Auditing & Finance, v. 16, n. 4, p. 369-396, 2001.

10. Felipe Pontes
www.contabilidademq.com.br
Impacto no valuation
12
DUCHARME, Larry L.; MALATESTA, Paul H.; SEFCIK, Stephan E. Earnings
management: IPO valuation and subsequent performance. Journal of Accounting,
Auditing & Finance, v. 16, n. 4, p. 369-396, 2001.

11. Felipe Pontes
www.contabilidademq.com.br
Manipulação de Atividades Reais
• A manipulação de atividades reais não viola nenhuma norma e nem
deve criar problemas com a auditoria, porque foi uma coisa que
aconteceu de fato na empresa.
• Todavia, apesar de ter acontecido de fato, isso pode prejudicar o
desempenho futuro da empresa e prejudicar o histórico de resultados,
diminuindo a qualidade da informação.
• Uma forma comum de manipular as atividades reais: forçar a venda
(redução de preço/margem) para que os “distribuidores” comprem
mais. Uma hora os estoques ficarão abarrotados e novas vendas não
serão possíveis. (próximo slide).
• Essa prática é conhecida como “channel stuffing”.
14

12. Felipe Pontes
www.contabilidademq.com.br
Manipulação de Atividades Reais
15
Cortei o nome da empresa, mas esse caso parece
ser mais um de vendas forçadas com redução de
margem, até que não foi mais possível vender
porque os “distribuidores” estavam com muito
estoque parado.
Verde é receita e marrom é margem EBIT. Ambos LTM.

13. Felipe Pontes
www.contabilidademq.com.br
Manipulação de Atividades Reais
16
Enquanto isso, uma concorrente não parece ter
forçado a margem de última hora para vender
mais. No 4T18, inclusive, a margem aumentou e
só reduziu no 1T19.

14. Felipe Pontes
www.contabilidademq.com.br
Manipulação de Atividades Reais
17
Outra concorrente com comportamento
bem diferente da nossa primeira empresa.
Mais uma evidência de que pode ter
havido manipulação de atividades reais
por meio das receitas.
É bem difícil comprovar que houve manipulação de atividades reais. Há
como encontrar alguns indícios, mas nada muito exato. O livro de Dechow
e Schrand (2004) traz vários artigos com evidências científicas.

15. Felipe Pontes
www.contabilidademq.com.br
Manipulação de Atividades Reais
18

16. Felipe Pontes
www.contabilidademq.com.br
Manipulação de Atividades Reais
• Como detectar channel stuffing (TUNG et al, 2008):
• Passo 1:
• AR_tr: se a empresa aumenta o crédito aos clientes, o que acontece
com a média das contas a receber? O que acontece com a AR_tr?
– Haverá aumento na média de contas a receber e redução do AR_tr.
• Inv_tr: se a empresa aumenta o crédito aos clientes para vender mais, o
que acontece com a média dos estoques? O que acontece com a Inv_tr?
– Haverá redução na média dos estoques, aumento no CMV e aumento do Inv_tr.
19

17. Felipe Pontes
www.contabilidademq.com.br
Manipulação de Atividades Reais
20
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
AR_tr
Alpargatas Grendene Arezzo
Espera-se redução do
AR_tr. Alguém se
comporta diferente?
Trabalhar com prazos mais agressivos pode ser estratégia
do setor. É importante verificar se o comportamento é
diferente da média/mediana do setor

18. Felipe Pontes
www.contabilidademq.com.br
Manipulação de Atividades Reais
21
-
0.20
0.40
0.60
0.80
1.00
1.20
1.40
1.60
1.80
2.00
Inv_tr
Alpargatas Grendene Arezzo
Espera-se aumento do
Inv_tr. Alguém se
comporta diferente?

19. Felipe Pontes
www.contabilidademq.com.br
Manipulação de Atividades Reais
• Como detectar channel stuffing (TUNG et al, 2008):
• Passo 2: se houve channel stuffing, AR_A < 0 e Inv_A > 0.
22

20. Felipe Pontes
www.contabilidademq.com.br
Manipulação de Atividades Reais
23
-0.5
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
AR_A
Alpargatas Grendene Arezzo
AR_A < 0

21. Felipe Pontes
www.contabilidademq.com.br
Manipulação de Atividades Reais
24
(0.40)
(0.30)
(0.20)
(0.10)
-
0.10
0.20
0.30
0.40
0.50
Inv_A
Alpargatas Grendene Arezzo
Inv_A > 0

22. Felipe Pontes
www.contabilidademq.com.br
Manipulação de Atividades Reais
• Casos de Channel Stuffing famosos:
• https://www.sec.gov/news/press/2004-105.htm
• https://www.marketwatch.com/story/coke-settles-with-sec-over-sales-
inflation-in-japan
• https://www.nytimes.com/2016/03/29/business/dealbook/valeants-
accounting-error-a-warning-sign-of-bigger-problems.html]
• https://www.reuters.com/article/us-monsterbeverage-lawsuit/monster-
beverage-in-16-25-million-channel-stuffing-settlement-
idUSBREA3G1K620140417
25

23. Felipe Pontes
www.contabilidademq.com.br
Manipulação de Accruals
• O que são accruals?
• Accruals abrem oportunidades para o gerenciamento de resultados
porque é preciso fazer previsões, estimativas e julgamentos sobre eles.
• Exemplos de ativos/passivos sujeitos a ajustes nos accruals (DECHOW;
SCHRAND, 2004):
– Contas a receber (alto grau de discricionariedade): a gestão precisa fazer
previsões sobre retorno dos produtos e a quantidade de pagadores ruins;
– Imobilizado (alto grau): alguns custos são capitalizados quando não deveriam e a
depreciação pode ser feita de forma arbitrária. Além disso, as projeções sobre a
demanda futura para fazer impairment também podem ser arbitrárias.
– Dívida (baixo grau): baseado em contratos.
27

24. Felipe Pontes
www.contabilidademq.com.br
Manipulação de Accruals
• O gerenciamento de accruals afeta apenas o timing do reconhecimento
dos lucros. Um lucro inflado em um período implica em uma redução
em outro período (DECHOW; SCHRAND, 2004).
• Uma das poucas certezas da nossa vida: os accruals se revertem e
quando é tomada a decisão de gerenciar os accruals, há a expectativa
de que no futuro as atividades normais compensem o gerenciamento
para que ele passe despercebido.
28

25. Felipe Pontes
www.contabilidademq.com.br
Manipulação de Accruals
• RED FLAGS:
1. Nível alto de accruals é um indício de que possa haver manipulação
(DECHOW; SLOAN; SWEENEY, 1996).
2. Gap muito forte entre lucro e fluxo de caixa livre (RICHARDSON, TUNA,
WU, 2003).
29

26. Felipe Pontes
www.contabilidademq.com.br
Manipulação de Accruals
30

27. Felipe Pontes
www.contabilidademq.com.br
Manipulação de Accruals
31

28. Felipe Pontes
www.contabilidademq.com.br
Manipulação de Accruals
• Trabalhos brasileiros sobre refazimento e repuplicação:
• http://gorila.furb.br/ojs/index.php/universocontabil/article/view/2002/
1598
• http://tcc.bu.ufsc.br/Contabeis296135.PDF
• http://www.cvm.gov.br/menu/regulados/companhias/consultas/refazi
mento/index.html
32

29. Felipe Pontes
www.contabilidademq.com.br
Fraudes são detectáveis?
• Em geral, é difícil detectar de forma muito antecipada, sem que haja
alguma denúncia. Mas existem sinais, como no caso da Enron e
Parmalat (FRIDSON; ALVAREZ, 2011).
– Troca repentina/inesperada de diretores experientes (não é fraude, mas
aconteceu recentemente com a Smiles – de novo ela);
– Falta de clareza na divulgação de informações;
– Notas explicativas que não explicam muita coisa;
– Empresa captando dívida, sem explicação clara, quando aparentemente não
precisa;
– Etc.
34

30. Felipe Pontes
www.contabilidademq.com.br
Fraudes são detectáveis?
• É possível usar modelos preexistentes ou criar o seu próprio modelo, a
exemplo do modelo de Beneish (1999) que ficou famoso após um
grupo de estudantes utilizá-lo para antecipar a derrocada da Enron.
• A ideia é semelhante àquela utilizada pelos modelos de previsão de
falência, mas nesse caso Beneish usou um modelo probit.
• Faça a aplicação do modelo na sua empresa (próximo slide).
• BENEISH, Messod D. The detection of earnings manipulation. Financial
Analysts Journal, v. 55, n. 5, p. 24-36, 1999.
35

31. Felipe Pontes
www.contabilidademq.com.br
Fraudes são detectáveis?
• M-Score de Beneish = -4,840 + 0,920*DSRI + 0,528*GMI + 0,404*AQ +
0,892*SGI + 0,115*DEPI – 0,172*SGAI – 0,327*LVGI + 4,697*TATA
• M-Score > -2,22 indica empresa propensa a manipular informações.
36

32. Felipe Pontes
www.contabilidademq.com.br
Modelo de Dechow et al (2012)
• Esse modelo corrige dois problemas: a desconsideração da reversão
natural dos accruals (Pae e Paulo já fizeram isso muito antes) e ajusta
problemas de variáveis omitidas correlacionadas.
38

33. Felipe Pontes
www.contabilidademq.com.br
Modelo de Pae (2005)
• Vamos aplicar com a base de dados que enviei (Dados Molode de Pae –
calçados)
• Os comandos estão acima. Rode o modelo completo e analise os
accruals discricionários gerados.
• Rode o modelo sem a consideração da reversão natural dos accruals,
retirando a última variável. Qual é o efeito?
• Supondo que o meu modelo pode ser extrapolado, aplique na sua
empresa e analise o nível de gerenciamento de resultados dela.
39
destring data, replace
tsset data empresa
reg ta_at_1 varreceita_at_1 ppe_at_1 cf_at_1 cft_1_at_1
tat_1_at_1
predict acc_discric, residuals

34. Felipe Pontes
www.contabilidademq.com.br
Modelo de Pae (2005)
_cons -.087447 .0474653 -1.84 0.074 -.1839081 .0090141
tat_1_at_1 .5453413 .130408 4.18 0.000 .2803205 .8103622
cft_1_at_1 -.0118305 .0361272 -0.33 0.745 -.0852498 .0615887
cf_at_1 -.5266396 .5208221 -1.01 0.319 -1.585077 .5317982
ppe_at_1 .3282045 .2440542 1.34 0.188 -.1677734 .8241823
varreceita_at_1 -.2683816 .1092889 -2.46 0.019 -.4904834 -.0462797
ta_at_1 Coef. Std. Err. t P>|t| [95% Conf. Interval]
Total .569814085 39 .014610618 Root MSE = .07811
Adj R-squared = 0.5824
Residual .207441405 34 .006101218 R-squared = 0.6359
Model .36237268 5 .072474536 Prob > F = 0.0000
F( 5, 34) = 11.88
Source SS df MS Number of obs = 40
. reg ta_at_1 varreceita_at_1 ppe_at_1 cf_at_1 cft_1_at_1 tat_1_at_1
40

35. Felipe Pontes
www.contabilidademq.com.br
Modelo de Pae (2005)
• Explicação dos comandos:
• ** Comando usado para transformar a data que estava "não numérica"
em uma variável numérica.
• destring data, replace
• ** Comando usado para dizer quem é minha variável de tempo e de
empresa, caso eu queira fazer testes de painel ou série temporal
• tsset data empresa
• ** Comando usado na minha regressão
• reg ta_at_1 varreceita_at_1 ppe_at_1 cf_at_1 cft_1_at_1 tat_1_at_1
• ** Salvando os resíduos (erro da regressão) com o nome de acc_discr
• predict acc_discric, residuals
41

36. Felipe Pontes
www.contabilidademq.com.br
Modelo de Pae (2005)
• Controlei pelos anos. Veja o efeito no R² ajustado:
42
_cons -.0489127 .0623868 -0.78 0.440 -.1769198 .0790945
ano2017 -.1271371 .0567826 -2.24 0.034 -.2436453 -.0106288
ano2016 -.0153751 .0498563 -0.31 0.760 -.1176719 .0869216
ano2015 -.0020402 .0484602 -0.04 0.967 -.1014723 .0973919
ano2014 -.0322461 .0489593 -0.66 0.516 -.1327023 .0682101
ano2013 -.0402282 .0545954 -0.74 0.468 -.1522488 .0717923
ano2012 .0434429 .0512182 0.85 0.404 -.0616482 .148534
ano2011 .0156515 .0487077 0.32 0.750 -.0842885 .1155916
tat_1_at_1 .554503 .1372353 4.04 0.000 .2729194 .8360865
cft_1_at_1 .0350576 .0391977 0.89 0.379 -.0453696 .1154847
cf_at_1 .3058544 .5805371 0.53 0.603 -.8853094 1.497018
ppe_at_1 .2550658 .2376703 1.07 0.293 -.2325934 .742725
varreceita_at_1 -.3522351 .1135162 -3.10 0.004 -.5851511 -.1193191
ta_at_1 Coef. Std. Err. t P>|t| [95% Conf. Interval]
Total .569814085 39 .014610618 Root MSE = .07308
Adj R-squared = 0.6345
Residual .144179623 27 .005339986 R-squared = 0.7470
Model .425634463 12 .035469539 Prob > F = 0.0000
F( 12, 27) = 6.64
Source SS df MS Number of obs = 40
. reg ta_at_1 varreceita_at_1 ppe_at_1 cf_at_1 cft_1_at_1 tat_1_at_1 ano2011 ano2012 ano2013 ano2014 ano2015 ano2016 ano2017

37. Felipe Pontes
www.contabilidademq.com.br
Modelo de Pae (2005)
• Como criei as dummies dos anos:
• g ano2011=(data==2011)
• g ano2012=(data==2012)
• g ano2013=(data==2013)
• g ano2014=(data==2014)
• g ano2015=(data==2015)
• g ano2016=(data==2016)
• g ano2017=(data==2017)
43

38. Felipe Pontes
www.contabilidademq.com.br
Modelo de Pae (2005)
• Agora adicionei também o controle das empresas:
44
_cons .065582 .166648 0.39 0.698 -.2791557 .4103196
Vulca -.0277707 .0669432 -0.41 0.682 -.1662534 .1107119
Grendene -.1532947 .0910353 -1.68 0.106 -.3416155 .0350262
Arezzo -.0955543 .1084376 -0.88 0.387 -.3198745 .1287659
Alpa -.0444058 .0504727 -0.88 0.388 -.1488164 .0600049
ano2017 -.1010376 .0578641 -1.75 0.094 -.2207385 .0186634
ano2016 .0074217 .0511223 0.15 0.886 -.0983328 .1131762
ano2015 .0133649 .0485419 0.28 0.786 -.0870516 .1137815
ano2014 .0008263 .0495626 0.02 0.987 -.1017017 .1033543
ano2013 .0085353 .0571092 0.15 0.882 -.1096042 .1266747
ano2012 .0787746 .0513546 1.53 0.139 -.0274606 .1850098
ano2011 .0323831 .0472801 0.68 0.500 -.0654233 .1301894
tat_1_at_1 .2904929 .1856155 1.57 0.131 -.093482 .6744678
cft_1_at_1 .0352053 .0431402 0.82 0.423 -.0540369 .1244476
cf_at_1 .2380342 .5625823 0.42 0.676 -.9257561 1.401824
ppe_at_1 -.2940973 .6299032 -0.47 0.645 -1.597151 1.008957
varreceita_at_1 -.4327805 .1285752 -3.37 0.003 -.6987586 -.1668024
ta_at_1 Coef. Std. Err. t P>|t| [95% Conf. Interval]
Total .569814085 39 .014610618 Root MSE = .07017
Adj R-squared = 0.6630
Residual .113258077 23 .004924264 R-squared = 0.8012
Model .456556008 16 .028534751 Prob > F = 0.0001
F( 16, 23) = 5.79
Source SS df MS Number of obs = 40
> Vulca
. reg ta_at_1 varreceita_at_1 ppe_at_1 cf_at_1 cft_1_at_1 tat_1_at_1 ano2011 ano2012 ano2013 ano2014 ano2015 ano2016 ano2017 Alpa Arezzo Grendene

39. Felipe Pontes
www.contabilidademq.com.br
Modelo de Pae (2005)
• Como criei as dummies das empresas:
• g Alpa=(empresa==1)
• g Arezzo=(empresa==2)
• g Grendene=(empresa==3)
• g Vulca=(empresa==4)
• Modelo completo:
• reg ta_at_1 varreceita_at_1 ppe_at_1 cf_at_1 cft_1_at_1 tat_1_at_1
ano2011 ano2012 ano2013 ano2014 ano2015 ano2016 ano2017 Alpa
Arezzo Grendene Vulca
45

40. Felipe Pontes
www.contabilidademq.com.br
Modelo de Pae (2005)
• O ideal é se estimar por cross-section por setor, Fama-McBeth, ou até
mesmo por dados em painel. Mas prefiro a primeira opção (vídeo no
final dos slides).
46

41. Felipe Pontes
www.contabilidademq.com.br
Os modelos detectam casos reais?
• https://onlinelibrary.wiley.com/doi/epdf/10.1506/car.25.2.8
47

42. Felipe Pontes
www.contabilidademq.com.br
Os modelos detectam casos reais? 2
• https://www.aaajournals.org/doi/pdf/10.2308/accr.2010.85.2.695
48

43. Felipe Pontes
www.contabilidademq.com.br
O papel da imprensa
• https://onlinelibrary.wiley.com/doi/epdf/10.1111/j.1475-
679X.2006.00224.x
49

44. Felipe Pontes
www.contabilidademq.com.br
Prática
• Para trabalhos maiores, você pode programar no Stata ou no R.
• Veja como programar um modelo de gerenciamento de resultados no
Stata:
• https://www.youtube.com/watch?v=fxUVejr38Cc&t=15s
• Rode o modelo para o setor da sua empresa, de 2010 até 2018. Analise
os resultados comparando as empresas do setor com a sua empresa.
• Façam com base no modelo do vídeo e com base no modelo que eu
apresentei em sala. Compare os resultados.
50

45. Felipe Pontes
www.contabilidademq.com.br
Para ter acesso a mais conteúdos, acesse:
– Blogs
www.ContabilidadeMQ.com.br
www.FinancasAplicadasBrasil.blogspot.com
– Instagram:
www.instagram.com/felfelipepontes
– Facebook:
www.facebook.com/ContabilidadeMQ
– Twitter:
www.twitter.com/felfelipepontes
– YouTube:
www.youtube.com/ContabilidadeMQ
51

46. Felipe Pontes
www.contabilidademq.com.br
52
it
k
k
ktk
k
kitk
j
jitjit XCustosIncAD     1
,,2,,10
𝑃𝑡 =
𝜏=1
∞
𝑅𝑓−𝑡
𝐸𝜏 𝑑 𝑡+𝜏
youtube.com/contabilidademq
@felfelipepontes
@contabilidademq
Slideshare.net/felipepontes16
/pontesfelipe Se inscreva em nosso canal e
ative as notificações para não
perder nada!