Níveis de governança corporativa da B3: interesse e desempenho das empresas − uma análise por meio de redes neurais artificiais

Vitor Borges Tavares, Antônio Sérgio Torres Penedo

Abstract


A governança corporativa continua sendo um fator relevante para os interessados nos mercados de ações em todo o mundo. No Brasil, a B3 (antiga Bolsa de Valores, Mercadorias e Futuros de São Paulo-BM&FBOVESPA) realiza a classificação das empresas que solicitam a inclusão aos níveis de governança corporativa. Apesar de ser a forma mais simples de comunicar ao mercado que pratica governança corporativa, mais da metade das empresas com ações na Bolsa brasileira ainda não está listada nos segmentos de governança da B3. Por isso, esta pesquisa teve como objetivo analisar a prática real de governança corporativa das empresas não listadas nos segmentos de governança para verificar se elas se enquadram em algum dos níveis de governança da Bolsa. Os resultados evidenciaram uma relação diretamente proporcional entre o nível de prática de governança corporativa e o interesse em realizar a adesão aos segmentos da Bolsa. Adicionalmente, realizou-se a comparação dos resultados dos testes econométricos para a relação entre governança corporativa e desempenho a partir das duas classificações, que mostrou alteração na significância estatística para resultados da variável correspondente ao Nível 1 e para a que representava o agrupamento dos três níveis de governança da Bolsa. Nenhum resultado apresentou relação positiva e com significância estatística entre pertencimento a um nível de governança corporativa e desempenho. Para trabalhos futuros, sugere-se identificar variáveis obteníveis em base de dados e demonstrativos financeiros que possam representar a governança corporativa.


Keywords


Níveis de Governança Corporativa, Desempenho, Redes Neurais Artificiais.

References


Abraham, A., Nath, B., & Mahanti, P. (2001). Hybrid intelligent systems for stock market analysis. Computational Science-ICCS 2001, 2074, 337-345. DOI: https://doi.org/10.1007/3-540-45718-6_38

Andrade, G. A. R. (2008). Estudo econométrico dos efeitos da migração para OIGC: índice de ações com governança corporativa diferenciada da Bovespa. Internext, 3(1), 39-53. DOI: http://dx.doi.org/10.18568/1980-4865.3139-53

Bhagat, S., & Bolton, B. (2008). Corporate governance and firm performance. Journal of Corporate Finance, 14(3), 257-273. DOI: https://doi.org/10.1016/j.jcorpfin.2008.03.006

Black, B. S., De Carvalho, A. G., & Sampaio, J. O. (2014). The evolution of corporate governance in Brazil. Emerging Markets Review, 20, 176-195. DOI: https://doi.org/10.1016/j.ememar.2014.04.004

BM&FBOVESPA (2016). Sobre segmentos de listagem. Recuperado em 10 junho 2016, de http://www.bmfbovespa.com.br/pt_br/listagem/acoes/segmentos-de-listagem/sobre-segmentos-de-listagem/.

Bodyanskiy, Y., & Popov, S. (2006). Neural network approach to forecasting of quasiperiodic financial time series. European Journal of Operational Research, 175(3), 1357-1366. DOI: https://doi.org/10.1016/j.ejor.2005.02.012

Brown, L. D., & Caylor, M. L. (2004). Corporate governance and firm performance. Available at SSRN 586423. DOI: http://dx.doi.org/10.2139/ssrn.586423

Burrell, P. R., & Folarin, B. O. (1997). The impact of neural networks in finance. Neural Computing & Applications, 6(4), 193-200. DOI: https://doi.org/10.1007/BF01501506

Bushman, R., Chen, Q., Engel, E., & Smith, A. (2004). Financial accounting information, organizational complexity and corporate governance systems. Journal of Accounting and Economics, 37(2), 167-201. DOI: https://doi.org/10.1016/j.jacceco.2003.09.005

Carvalho, A. G., & Pennacchi, G. G. (2012). Can a stock exchange improve corporate behavior? Evidence from firms' migration to premium listings in Brazil.Journal of Corporate Finance, 18(4), 883-903. DOI: https://doi.org/10.1016/j.jcorpfin.2011.01.003

Catapan, A., & Colauto, R. D. (2014). Governança corporativa: uma análise de sua relação com o desempenho econômico-financeiro de empresas cotadas no Brasil nos anos de 2010–2012. Contaduría y Administración, 59(3), 137-164. DOI: https://doi.org/10.1016/S0186-1042(14)71268-9

Cetişli, B., & Barkana, A. (2010). Speeding up the scaled conjugate gradient algorithm and its application in neuro-fuzzy classifier training. Soft Computing, 14(4), 365-378. DOI: https://doi.org/10.1007/s00500-009-0410-8

Chen, H. J., Huang, S. Y., & Kuo, C. L. (2009).Using the artificial neural network to predict fraud litigation: Some empirical evidence from emerging markets. Expert Systems with Applications, 36(2), 1478-1484. DOI: https://doi.org/10.1016/j.eswa.2007.11.030

Chi, L. C. (2009). Do transparency and disclosure predict firm performance? Evidence from the Taiwan market. Expert Systems with Applications, 36(8), 11198-11203. DOI: https://doi.org/10.1016/j.eswa.2009.02.099

Costa, A. P. P. D., & Wood Jr, T. (2012). Corporate frauds. Revista de Administração de Empresas, 52(4), 464-472. DOI: http://dx.doi.org/10.1590/S0034-75902012000400008

Dami, A. B. T. (2006). Governança corporativa: estrutura de propriedade, desempenho e valor −uma análise de empresas brasileiras. Dissertação de mestrado. Universidade Federal de Uberlândia, Uberlândia, MG, Brasil.

Fadlalla, A., & Lin, C. H. (2001). An analysis of the applications of neural networks in finance. Interfaces, 31(4), 112-122. DOI: https://doi.org/10.1287/inte.31.4.112.9662

Famá, R., & Barros, L. A. B. C. (2000). Q de Tobin e seu uso em finanças: aspectos metodológicos e conceituais. Caderno de Pesquisas em Administração, 7(4), 27-43.

Faria, E. L., Albuquerque, M. P., Gonzalez, J. L., Cavalcante, J. T. P., & Albuquerque, M. P. (2009). Predicting the Brazilian stock market through neural networks and adaptive exponential smoothing methods. Expert Systems with Applications, 36(10), 12506-12509. DOI: https://doi.org/10.1016/j.eswa.2009.04.032

Ferreira, R. N., dos Santos, A. C., Lopes, A. L. M., Nazareth, L. G. C., & Fonseca, R. A. (2013). Governança corporativa, eficiência, produtividade e desempenho. Revista de Administração Mackenzie, 14(4), 134.

Gollner, E. S. (2006). Impacto das práticas de governança corporativa no desempenho das empresas: um estudo no setor de siderurgia e metalurgia sob a perspectiva da teoria de agência. 2006. Dissertação de mestrado, Fundação Instituto Capixaba de Pesquisas em Contabilidade, Economia e Finanças (FUCAPE), Vitória, ES, Brasil.

Guresen, E., Kayakutlu, G., & Daim, T. U. (2011). Using artificial neural network models in stock market index prediction. Expert Systems with Applications, 38(8), 10389-10397. DOI: https://doi.org/10.1016/j.eswa.2011.02.068

Haykin, S. S. (2001). Redes neurais. 2. ed. Porto Alegre: Bookman.

Hecht-Nielsen, R. (1990). On the algebraic structure of feedforward network weight spaces. Advanced Neural Computers, 129-135. Amsterdam: Elsevier. DOI: https://doi.org/10.1016/B978-0-444-88400-8.50019-4

Huang, G. B. (2003). Learning capability and storage capacity of two-hidden-layer feedforward networks. IEEE Transactions on Neural Networks, 14(2), 274-281. DOI: https://doi.org/10.1109/TNN.2003.809401

Instituto Brasileiro de Governança Corporativa (2015). Governança corporativa. Recuperado em 10 de dezembro, 2016, de http://www.ibgc.org.br/index.php/governanca/governanca-corporativa.

Jarboui, S., Forget, P., & Boujelbene, Y. (2014). Inefficiency of public road transport and internal corporate governance mechanisms. Case Studies on Transport Policy, 2(3), 153-167. DOI: https://doi.org/10.1016/j.cstp.2014.05.004

Jarboui, S., Guetat, H., & Boujelbène, Y. (2015). Evaluation of hotels performance and corporate governance mechanisms: Empirical evidence from the Tunisian context. Journal of Hospitality and Tourism Management, 25, 30-37. DOI: https://doi.org/10.1016/j.jhtm.2015.08.002

Junqueira, L. R., Soares, C. H., Bressan, A. A., & Bertucci, L. A. (2017). Impactos da adesão aos níveis diferenciados de governança corporativa sobre a estrutura de capital das empresas brasileiras. Revista de Administração da UFSM, 10(3), 420-436. DOI: https://doi.org/10.5902/19834659 11276

Kamruzzaman, J., & Sarker, R. A. (2003). Forecasting of currency exchange rates using ANN: A case study. In: Conference Neural Networks and Signal Processing. Proceedings of the 2003 International Conference on (Vol. 1, pp. 793-797). IEEEXplore. DOI: https://doi.org/10.1109/ICNNSP.2003.1279395

Klapper, L. F., & Love, I. (2004). Corporate governance, investor protection, and performance in emerging markets. Journal of corporate Finance, 10(5), 703-728. DOI: https://doi.org/10.1016/S0929-1199(03)00046-4

Kolarik, T., & Rudorfer, G. (1994). Time series forecasting using neural networks. In: ACM SigaplApl Quote Quad (Vol. 25, n. 1, pp. 86-94). DOI: https://doi.org/10.1145/190468.190290

Floriani, D. E., & Fleury, M. T. (2012). O efeito do grau de internacionalização nas competências internacionais e no desempenho financeiro da PME brasileira. Revista de Administração Contemporânea, 16(3), 438-458.

Laboissiere, L. A., Fernandes, R. A., & Lage, G. G. (2015). Maximum and minimum stock price forecasting of Brazilian power distribution companies based on artificial neural networks. Applied Soft Computing, 35, 66-74. DOI: https://doi.org/10.1016/j.asoc.2015.06.005

Lameira, V. de J., & Júnior, W. L. N. (2007). Governança corporativa: impactos no valor das companhias abertas brasileiras. Revista de Administração da Universidade de São Paulo, 42(1), 64-73.

Lee, K., Booth, D., & Alam, P. (2005). A comparison of supervised and unsupervised neural networks in predicting bankruptcy of Korean firms. Expert Systems with Applications, 29(1), 1-16. DOI: https://doi.org/10.1016/j.eswa.2005.01.004

Lopes, A. B., & Walker, M. (2012). Asset revaluations, future firm performance and firm-level corporate governance arrangements: new evidence from Brazil. The British Accounting Review, 44(2), 53-67. DOI: https://doi.org/10.1016/j.bar.2012.03.007

Lundén, J., & Koivunen, V. (2007). Scaled conjugate gradient method for radar pulse modulation estimation. In: Acoustics, Speech and Signal Processing. ICASSP 2007.IEEE International Conference on (Vol. 2, pp. II-297). IEEE. DOI: 10.1109/ICASSP.2007.366231

Moller, M. F. (1993). A scaled conjugate gradient algorithm for fast supervised learning. Neural Networks, 6(4), 525-533. DOI: https://doi.org/10.1016/S0893-6080(05)80056-5.

Nenova, T. (2003). The value of corporate voting rights and control: A cross-country analysis. Journal of Financial Economics, 68(3), 325-351. DOI: https://doi.org/10.1016/S0304-405X(03)00069-2

Mendes Filho, E. F. (2000). Redes Neurais Artificiais. São Paulo: Ed. da Universidade de São Paulo.

Orozco, J., & García, C. A. R. (2003). Detecting pathologies from infant cry applying scaled conjugate gradient neural networks (pp. 349-354). In: European Symposium on Artificial Neural Networks, Bruges, Belgium.

Oliveira, F. A., Nobre, C. N., & Zárate, L. E. (2013). Applying Artificial Neural Networks to prediction of stock price and improvement of the directional prediction index–Case study of PETR4, Petrobras, Brazil. Expert Systems with Applications, 40(18), 7596-7606. DOI: https://doi.org/10.1016/j.eswa.2013.06.071

Paliwal, M., & Kumar, U. A. (2009). Neural networks and statistical techniques: A review of applications. Expert Systems with Applications, 36(1), 2-17. DOI: https://doi.org/10.1016/j.eswa.2007.10.005

Salchenberger, L. M., Cinar, E., & Lash, N. A. (1992). Neural networks: A new tool for predicting thrift failures. Decision Sciences, 23(4), 899-916. DOI: https://doi.org/10.1111/j.1540-5915.1992.tb00425.x

Shleifer, A., & Vishny, R. W. (1997). A survey of corporate governance. The Journal of Finance, 52(2), 737-783. DOI: htpps://doi.org/10.1111/j.1540-6261.1997.tb04820.x

Scheffer, R., & Maciel Filho, R. (2000). Training a recurrent neural network by the extended Kalman filter as an identification tool. Computer Aided Chemical Engineering, 8, 223-228. DOI: https://doi.org/10.1016/S1570-7946(00)80039-5

Silveira, A. di M. (2006). Governança corporativa e estrutura de propriedade: determinantes e relação com o desempenho das empresas no Brasil. Tese de doutorado, Universidade de São Paulo, São Paulo, SP, Brasil. DOI: 10.11606/T.12.2004.tde-23012005-200501

Tkáč, M., & Verner, R. (2016). Artificial neural networks in business: Two decades of research. Applied Soft Computing, 38, 788-804. DOI: https://doi.org/10.1016/j.asoc.2015.09.040

Torres, R. G., Machado, M. A. S., & Souza, R. C. (2007). Previsão de séries temporais de falhas em Manutenção industrial usando redes neurais. Engevista, 7(2), 4-18.

TU, J. V. (1996). Advantages and disadvantages of using artificial neural networks versus logistic regression for predicting medical outcomes. Journal of Clinical Epidemiology, 49(11), 1225-1231. DOI: https://doi.org/10.1016/S0895-4356(96)00002-9

Vasconcelos, Y. L. (2002). EBITDA como instrumento de avaliação de empresas. Revista Brasileira de Contabilidade, 31, 38-47.

Wernke, R. (2008). Gestão financeira: ênfase em aplicações e casos nacionais. São Paulo: Saraiva.

Wood, D., & Dasgupta, B. (1996). Classifying trend movements in the MSCI USA capital market index – a comparison of regression, ARIMA and neural network methods. Computers & Operations Research, 23(6), 611-622. DOI: https://doi.org/10.1016/0305-0548(95)00065-8




DOI: http://dx.doi.org/10.51341/1984-3925_2018v21n1a3

Refbacks

  • There are currently no refbacks.


e-ISSN: 1984-3925

Licença Creative Commons
The JAMG adopts the Creative Commons license CC-BY-NC ND Creative Commons Attribution 4.0 

Indexing and Abstracting:

Logotipo SPELLLogotipo LATINDEX Logotipo OPENAIRE Logotipo DOAJLogotipo Cengage Logotipo EBSCOLogotipo REDIB Logotipo ESCI