A dança das cadeiras - o mercado de transferências de pilotos entre equipas na Fórmula 1

Universidade do Minho Escola de Economia e Gestão Alexandra Isabel Machado de Oliveira A dança das cadeiras - o mercado de transferências de pilotos entre equipas na Fórmula 1 junho de 2023 UMinho | 2023 Alexandra M. Oliveira A dança das cadeiras - o mercado de transferências de pilotos entre equipas na Fórmula 1 Alexandra Isabel Machado de Oliveira A dança das cadeiras - o mercado de transferências de pilotos entre equipas na Fórmula 1 Dissertação de Mestrado Economia Monetária, Bancária e Financeira Trabalho efetuado sob a orientação do Professor Doutor Paulo Reis Mourão Universidade do Minho Escola de Economia e Gestão junho de 2023 ii DIREITOS DE AUTOR E CONDIÇÕES DE UTILIZAÇÃO DO TRABALHO POR TERCEIROS Este é um trabalho académico que pode ser utilizado por terceiros desde que respeitadas as regras e boas práticas internacionalmente aceites, no que concerne aos direitos de autor e direitos conexos. Assim, o presente trabalho pode ser utilizado nos termos previstos na licença abaixo indicada. Caso o utilizador necessite de permissão para poder fazer um uso do trabalho em condições não previstas no licenciamento indicado, deverá contactar o autor, através do RepositóriUM da Universidade do Minho. Licença concedida aos utilizadores deste trabalho Atribuição-NãoComercial-SemDerivações CC BY-NC-ND https://creativecommons.org/licenses/by-nc-nd/4.0/ iii Agradecimentos Há uma infinidade de tons entre o preto e o branco. Diz a ciência que são 65. Na cor branca, moram todas as cores; na preta, a ausência delas. Os dias são como as cores: há dias cinzentos como as nuvens carregadas; dias escuros sem ponta de luz; dias claros e brilhantes e dias de todas as cores do arco-íris. Todos os dias, independentemente da cor, só fazem sentido quando estamos acompanhados. E eu sou uma privilegiada. Por na imensidão dos meus dias, e nesse espetro de todas as cores, estar acompanhada por gente que só me fez bem e que tornou os meus dias mais felizes. Começo por muito agradecer ao Senhor Professor Doutor Paulo Reis Mourão por ter aceitado o meu convite para orientar esta Dissertação e por ter acreditado nela e em mim, pelos dados, sábios conselhos e apoio no decorrer deste trabalho, pelas céleres respostas e compromisso e por ter dotado toda a escrita de maior rigor científico. Sem um grande Mestre na temática, nunca teria conseguido terminar este Ciclo. Agradeço ainda ao corpo docente da EEG, por todo o empenho, competência e dedicação. Foi por este contributo que me desenvolvi, não só como aluna, mas também como pessoa. Aos meus queridos pais! Ao longo da vida, proporcionaram-me todas as condições necessárias para que pudesse trilhar e escolher o meu próprio caminho. Sempre que os dias se mostraram cinzentos, foi neles que me pude refugiar. Estou ciente de todas as oportunidades e privilégios que me proporcionaram e todas as palavras e atos nunca serão suficientes para lhes agradecer por tudo. Para eles, um infinito obrigado. Agradeço ainda a diversos colegas e amigos por toda as palavras gentis e carinhosas, conselhos e positivismo que emanaram na minha vida, mas principalmente ao longo deste trabalho. Deixaram, sem dúvida, uma marca positiva na minha vida e guardarei todas as conversas e conselhos, humildemente no meu coração. A todos, por tudo, sou muito grata! Que comece agora, a viagem pelo mundo da Fórmula 1! “Aqueles que passam por nós não vão sós. Deixam um pouco de si, levam um pouco de nós.”, por Antoine de Saint-Exupéry iv DECLARAÇÃO DE INTEGRIDADE Declaro ter atuado com integridade na elaboração do presente trabalho académico e confirmo que não recorri à prática de plágio nem a qualquer forma de utilização indevida ou falsificação de informações ou resultados em nenhuma das etapas conducente à sua elaboração. Mais declaro que conheço e que respeitei o Código de Conduta Ética da Universidade do Minho. v A dança das cadeiras – o mercado de transferências de pilotos entre equipas na Fórmula 1 Resumo Este trabalho de investigação debruça-se sobre a temática do mercado de transferências de pilotos entre equipas na Fórmula 1. Um dos principais objetivos consiste em avaliar quais as condicionantes e determinantes das transferências entre as diversas equipas. Para que resultados pudessem ser concluídos, estudaram-se duas bases de dados, nas quais constam a ocorrência e o número de transferências. A análise debruça-se sobre todas as equipas presentes no Campeonato Mundial de Fórmula 1 desde 2000 até 2017, cobrindo dezoito Temporadas, sendo analisadas dezoito variáveis e vinte e quatro equipas. Começou-se por contextualizar a importância do estudo da Fórmula 1, enquanto temática relacionada com a Economia, apresentando-se a literatura teórica relacionada, bem como com as transferências desportivas, tópico desenvolvido numa alusão ao mercado de trabalho e ao desporto, em particular. Específico ao objetivo deste trabalho, apresentou-se literatura sobre as transferências na Fórmula 1, complementando com estudos relevantes e exposição de factos. Procedeu-se à exposição das variáveis em análise, que estão presentes no estudo conduzido por Mourão (2021) e a inserção de uma outra relevante, champion . Expôs-se com detalhe a caraterização das diferentes variáveis do estudo, complementando a abordagem com tabelas descritivas e gráficos adequados, que permitiu também retratar as equipas do estudo. A introdução destas variáveis no estudo pretende revelar como estas influenciam as transferências e a probabilidade de ocorrência, bem como ilustra os movimentos que conferem ao mercado em estudo. Nessa análise, aplicou-se um modelo Zero Inflated Negative Binomial Regression (ZINB), onde se avalia juntamente o número de transferências entre equipas e a probabilidade de ocorrência de transferências. Depois desta análise, com um teste de Vuong, procedeu-se à confirmação se a aplicação de um modelo Zero Inflated Negative Binomial Regression teria sido a opção mais adequada para o estudo. Palavras-chave: Transferências, Fórmula 1, redes sociais, equipas, Zero Inflated Negative Binomial Regression vi Musical chairs – the driver transfer market between teams in Formula 1 Abstract This research work focuses on the theme of the market for transferring drivers between teams in Formula 1. One of the main objectives is to assess the constraints and determinants of transfers between the different teams. To obtain the results, two databases were studied, which contain information on the occurrence and number of transfers. The analysis focuses on the teams that participated in the Formula 1 World Championship from 2000 to 2017, covering eighteen seasons and a total of eighteen variables were analyzed for twenty-four different teams. The study begins by providing a context of the importance of researching Formula 1 as a theme related to Economics. It presents relevant theoretical literature on sports transfers, specifically in relation to the labour market and sports, particularly. Furthermore, literature on transfers in Formula 1 is reviewed, supported by relevant studies and the presentation of facts. Additionally, the variables under analysis, which are derived from the study conducted by Mourão (2021), along with the addition of another relevant variable, namely, being a champion team were characterized. The characteristics of the different variables are explained in detail, complementing the approach with descriptive statistics tables and appropriate graphs, which also provide an overview of the teams included in the study. The introduction of these variables in the study pretends to reveal how they influence transfers and the probability of occurrence and illustrate the movements that they bring to the market under study. In this analysis, a Zero Inflated Negative Binomial Regression (ZINB) model was applied, where the number of transfers between teams and the probability of transfers is evaluated together. After this analysis, with a Vuong test, we confirmed whether applying a Zero Inflated Negative Binomial Regression model would have been the most appropriate option for the study. Keywords: Transfers, Formula 1, social networks, teams, Zero Inflated Negative Binomial Regression vii Índice Geral Agradecimentos………………………………………………………………………………………………….iii Declaração de integridade…………………………………………………………………………………….iv Resumo…………………………………………………………………………………………………………….v Abstract…………………………………………………………………………………………………………….vi Índice de Tabelas………………………………………………………………………………………………viii Índice de Figuras.……………………………………………………………………………………………….ix 1. Introdução…………………………………………………………………………………………….1 2. Revisão de literatura……………………………………………………………………………….4 a) A Economia e a Fórmula 1, a Economia na Fórmula 1……… …………………..4 b) Transferências no mundo desportivo…………………………………………………..10 c) Transferências na Fórmula 1…………………………………………………………….15 d) Determinantes das transferências de pilotos na Fórmula 1……………………..21 3. Metodologia…….…………………………………………………………………………………..26 3.1 Dados……………………………………………………………………………………..26 a) Número médio de pontos – avgpoints………………………………………………… 32 b) Ranking mediano – medianrank………………………………………………………… 33 c) Orçamento mediano – medianbudget…………………………………………………. 35 d) Vitórias acumuladas – accwins………………………………………………………….. 37 e) Desistências acumuladas – accretirem……………………………………………….. 38 f) Graus de saída – outdeg…………………………………………………………………… 40 g) Graus de entrada – indeg………………………………………………………………..... 41 h) Grau de ligação – betweenness………………………………………………………….. 42 i) Ser campeã – champion…………………………………………………………………… 43 j) Outras variáveis……………………………………………………………………………….44 3.2 Modelos econométricos……………………………………………………………….45 3.2.1Existência de transferências……………………………………………………45 3.2.2Número de transferências………………………………………………….......48 a) A aplicação do modelo Zero Inflated Negative Binomial Regression – ZINB…….48 b) Teste estatístico…………………………………………………………………………………55 4. Conclusões…………………………………………………………………………………………………56 Bibliografia…………………………………………………………………………………………….…..58 Referências bibliográficas………………………………………………………….....58 Anexo……………………………………………………………………………………………………63 5 Se qualquer indivíduo pensar nas suas escolhas diárias, verifica que em muitas situações teve de preferir determinado bem ou escolha, deixando outro bem /outra escolha para trás. Em todas as áreas se fazem escolhas e tomadas de decisão, e todas podem contar com o contributo económico. Também no Campeonato Mundial de Fórmula 1 se fazem escolhas e tomadas de decisão. Todas as scuderias enfrentam um dilema importante, entre outros, ao longo ou no final da época, sobre os seus pilotos. Qual deverão escolher para cada um dos seus monolugares, visto que alguns pilotos têm o seu contrato a terminar? Deverão manter os mesmos, renovando o contrato, ou trocá-los por outros? Deverão estender o contrato de algum dos seus pilotos, pois estes podem ser contratados por outra equipa? Devem trocar por uma jovem revelação, um rookie , ou por um piloto mais experiente? Deve ser um piloto que já tenha experiência no Campeonato ou um piloto vindo da Fórmula 2? Quanto tempo deverá ter o seu contrato e condições? Vários fatores têm de ser considerados até à escolha – maximizar a utilidade da scuderia , ou seja, neste caso, tentar obter com a sua escolha de piloto, o maior número de pontos possíveis. As scuderias têm por objetivo que um dos seus pilotos conquiste o título de Campeão do Mundo; e que, em conjunto, possam conquistar o Mundial de Construtores. A Fórmula 1, também conhecida por F1, é um dos mais conhecidos desportos motorizados. A primeira temporada desportiva deste evento, a temporada inaugural, aconteceu em 1950. Os veículos que participam nos eventos têm de estar em conformidade com as regras da Federação Internacional de Automobilismo, a FIA. O conceito “fórmula” está relacionado com o facto de que todos os automóveis participantes no evento, têm de cumprir uma série de regras, os quais têm de estar em conformidade. Os Grandes Prémios são uma série de corridas que ocorrem, atualmente, ao fim de semana. Acontecem em diversos pontos do Mundo, em circuitos que poderão ter sido construídos para esse fim ou, em circuitos citadinos. Alguns exemplos de circuitos mundialmente conhecidos e de natureza diversa onde acontecem Grandes Prémios são o Grande Prémio do Azerbaijão, de Silverstone, das Américas, de Singapura, do Mónaco, do Brasil, da Arábia Saudita e da Austrália. As cidades que recebem eventos desportivos devem ter recursos suficientes e compatíveis com o evento que irão receber, conclui de Pilla Varotti et al. (2020). Os autores referem que as maiores vantagens para o local e os seus habitantes são o aproveitamento de 6 recursos já existentes e as experiências anteriores. No entanto, ressalvam que os eventos devem ser desenvolvidos de forma mais sustentável, com otimização de recursos já existentes e benefícios para a população. Em termos de impactos locais, Storm et al. (2020) refletem no seu estudo que no que concerne ao PIB nacional do país anfitrião do Grande Prémio, para o emprego e turismo, para regiões europeias, entre 1991 e 2017, receber um evento de Fórmula 1 não produziu efeitos positivos. Ou seja, para as comunidades locais, segundo estes autores, não há incentivo na receção de um evento desportivo como este. Para Chamberlain et al. (2019), as conclusões são contrárias. Segundo estes autores, ser anfitrião de um evento desportivo poderá proporcionar benefícios económicos, sociais e culturais. Assim, para os autores, estes benefícios poderão ser oportunidades de emprego para os locais; geração de infraestruturas de longo prazo, para a cidade ou país anfitrião; crescimento económico de curto prazo; e, entusiasmo da população. Apesar da organização e receção de um megaevento público ser bastante desafiante, devido à dinâmica da logística e aos problemas improváveis que possam acontecer, algumas desvantagens podem ser enumeradas. As receitas totais geradas poderão não cobrir todos os custos totais, fazendo com que os impostos possam ter de ser aumentados; o facto de que as infraestruturas e edifícios utilizados podem ser de curta duração e ter externalidades para o meio ambiente. Ainda mais, Chamberlain et al. (2019) deixam o alerta – o plano do evento deve ser meticulosamente seguido por todos os stakeholders e, planos de desastre devem estar preparados, devido às emergências que possam surgir. No caso da Turquia, segundo Gezici e Er (2014) é referido que, por vezes, receber eventos no Circuito de Istambul, poderá não provocar nenhum benefício na população, devido ao facto de que estes eventos podem não se tornar públicos, nem serem promovidos a nível nacional ou internacional, não trazendo, por isso, receita para o turismo. Um dos exemplos referidos pelos autores são os testes da Ferrari, que se mantêm confidenciais, para não atraírem a atenção da imprensa. Os benefícios para a população local ou nacional não são sempre os mesmos. O Grande Prémio de Singapura de Fórmula 1 é uma importante atração turística, oferecendo experiências agradáveis, tanto para os residentes, bem como para os turistas estrangeiros que o visitam. Os concertos realizados durante o tempo em que um espetador está a assistir a um Grande Prémio, são uma parte importante da sua experiência. Nas conclusões dos autores, Chiu e Leng (2019), há menção às diferenças na experiência turística e impacto individual entre géneros analisados e entre os residentes locais e os espectadores internacionais. Para os turistas do sexo masculino, estes valorizam mais os elementos relacionados com a corrida, como os carros e o traçado. Já 7 os espectadores do sexo feminino preferem as atividades de entretenimento e os concertos. Para os residentes locais, há um maior foco nas experiências relativas à corrida. Enquanto que para os espectadores internacionais há uma melhor experiência com a gastronomia local e com as pessoas, em adição ao tempo aproveitado no Grande Prémio. É ainda concluído que o contexto da corrida, como a paisagem ao redor do circuito, as caraterísticas do traçado e a ação do automóvel, como a técnica e a perícia do piloto, são os fatores mais importantes que influenciam os estrangeiros a visitar um Grande Prémio. Num estudo que examina o Grande Prémio de Shanghai de Fórmula 1, na China, Kim et al. (2017), fazem a divisão dos espectadores em três grupos, baseados na origem – os locais, os do Resto da China e os Internacionais. Os autores concluem que em termos de dinheiro gerado, os espectadores provenientes do Resto da China e os Internacionais contribuem significativamente mais do que os espectadores locais. Por isso, os autores consideram imperativo que a organização do Campeonato Mundial de Fórmula 1 preste atenção a quem provém do estrangeiro, assim como de outras regiões da China, de modo a aumentar o impacto e benefício económico do evento. Uma das sugestões destes autores é uma estreita cooperação com os agentes de viagens para que o evento possa ser promovido em produtos de turismo. Os autores revelam ainda que, para que o impacto económico seja maior, deveria aumentar o número de espectadores do género masculino, mais velhos e internacionais. A Fórmula 1 reúne um conjunto de scuderias , as equipas que lutam pela vitória, através da obtenção de pontos; os seus pilotos, que são desportistas de alto-rendimento; os fãs, de várias nacionalidades, espalhados por todos os cantos do Mundo; e os milhões (ou muito mais) investidos em torno de todos os Grandes Prémios, patrocínios, automóveis, pilotos e merchandising . Aí, nesses Grandes Prémios, as equipas com os seus vinte pilotos, lutam pelo título de campeões mundiais de construtores e de pilotos, respetivamente. É um negócio que movimenta enormes quantias, muitas vezes negligenciado e não ainda muito estudado por economistas. Para Mourão (2021), este é considerado o desporto motorizado mais caro do Mundo! Segundo o que é apresentado por Christian Sylt, jornalista especialista na temática da Fórmula 1 na Forbes, em 2013, as duas grandes fontes de receitas foram os bilhetes vendidos e as transmissões televisivas que combinadas, perfizeram 1.3 mil milhões de dólares. Mais ainda, para o fundador da Williams , Sir Frank Williams, “por cada seis dias e meio da semana, a Fórmula 1 é um negócio, mas ao domingo à tarde, torna-se um desporto”. 8 O estudo da Fórmula 1, na sua vertente económica, é apresentada por Mourão (2017) como um contributo para a Economia, porque expõe o poder desta indústria oligopolista. O mesmo autor, Mourão (2021), num outro estudo, concluiu a presença de elementos oligopolistas nesta indústria. O autor verifica que a Fórmula 1 é um excelente caso de Capital Humano que reflete a combinação das qualidades individuais com as qualidades de uma equipa, permitindo fazer com que os objetivos conjuntos sejam alcançados. É ainda significativo o balanço competitivo entre as corridas e os campeonatos que esta indústria possibilita. Kahn (2000) refere que analisar dados sobre competições desportivas contribui para a resposta a questões importantes na economia, em matéria de incentivos individuais e poder monopolista. Mourão (2017) menciona que em termos de externalidades fornecidas pela Fórmula 1, estas são positivas e de diversas tipologias, tais como, as técnicas e conhecimento na engenharia mecânica, robótica e astronomia, por exemplo. A Unidade de Neonatologia do Hospital Universitário do País de Gales entrou em contacto com a equipa Williams , para perceber como poderiam utilizar os seus conhecimentos e introduzir as técnicas da Fórmula 1, de modo a melhorarem a resposta na reanimação neonatal. Com a ajuda da scuderia , a sala de cuidados intensivos passou a ter traços de box de carros de corrida, cada interveniente sabe que terrenos pisar, o carrinho de instrumentos passou a estar mais bem organizado e o recurso a imagens da operação para analisarem a posteriori são algumas das técnicas que permitem salvar vidas aos recém-nascidos. Mais ainda, todo o desenvolvimento de técnicas e invenções em torno da Fórmula 1 torna-se bastante comentado e popularizado, devido ao impacto produzido. O halo, segundo Lin e Papadopoulos (2014), é um sistema de proteção de titânio adicionado ao chassis e utilizado para proteger o piloto em caso de colisões ou objetos que pudessem colidir com o monolugar. Foi introduzido no início da época de 2018. Foi visto como algo que iria modificar a imagem do automóvel, sendo recebido com pouco entusiasmo por parte dos pilotos e público. Contudo, logo no primeiro ano de introdução protegeu um dos pilotos, em duas diferentes situações. Atualmente, continua a salvar vidas, tal como recentemente aconteceu com Zhou Guanyu, no Grande Prémio da Grã-Bretanha, em 2022; ou, aquando da colisão entre Max Verstappen e Lewis Hamilton, no GP de Monza, em 2021, quando a roda do veículo da Red Bull pisou a cabeça do piloto da Mercedes . 9 A Fórmula 1 é também um espaço onde se quebram recordes impressionantes. Em 2021, foi alcançado por Max Verstappen, o maior número de pódios – 18 – numa temporada. Juan Pablo Montoya atingiu o maior recorde de velocidade, na pista de Monza: 372,6km/h. O maior número de títulos obtidos por um piloto é detido por Michael Schumacher e Lewis Hamilton. Já a pit stop mais rápida vai para a equipa da Red Bull , que preparou o veículo de Max Verstappen em apenas 1,82 segundos. Budzinski e Feddersen (2020) referem que a Fórmula 1 é tutelada pela FIA – The Fédération Internationale de l’Automobile – estando associada a um dos maiores eventos desportivos mundiais – o Campeonato Anual de Fórmula 1. É considerada a nona indústria desportiva mais importante, com uma receita total arrecadada de 1.8 mil milhões de dólares, em 2017. Por cada corrida, é estimado que a Fórmula 1 gere 229 milhões de dólares. A FIA - The Fédération Internationale de l’Automobile - regulamenta também a WSeries, Fórmula E e a Fórmula 2 e 3, por exemplo. O detentor dos direitos comerciais – a Liberty Media Group – adquiriu a totalidade da Fórmula 1 por cerca de 8 mil milhões de dólares. Budzinski e Feddersen (2020), citando Smith (2018), referem ainda que a Heineken se tornou num dos maiores patrocinadores, desde 2016, de todo o desporto motorizado. Alguns outros patrocinadores referidos são Johnnie Walker , TAG Heuer , Rolex , Mobil 1 e Shell . Referindo-se ainda a valores monetários, em 2015, os autores revelam que os orçamentos das equipas têm valores muito díspares. Enquanto a Manor , equipa que já não pertence ao Campeonato de Fórmula 1, teria como orçamento 83 milhões de dólares, a Mercedes teria 467.4 milhões de dólares, refletindo-se nas contratações. Lewis Hamilton, piloto da Mercedes , em 2018, recebeu 42 milhões de dólares, somando-se 9 milhões de dólares em patrocínios. Contudo, Mourão (2017) indica que há custos que não são contáveis. Estes incluem o esforço físico ou a energia consumida, as risadas ou as lágrimas derramadas, algo que não é mensurável. O autor aponta que a indústria dos desportos motorizados enfrenta enormes custos fixos. Os salários dos pilotos são também considerados como um custo fixo, visto que são fixados, independentemente da pontuação realizada por estes. Os custos fixos e variáveis são de elevada importância no domínio económico. No que concerne ao carro, Mourão (2017) revela que o componente mais caro é o motor. Havendo apenas quatro fornecedores de motores e o facto de que há controlo nas 9 unidades utilizadas, o autor enfatiza que há aqui uma prova da concentração do poder de mercado. No que respeita aos custos variáveis, é ainda apontado que estes podem aumentar com o número de pontos, pódios e vitórias dos pilotos. 10 Sendo assim, os de maior volume são os respeitantes a Investigação e Desenvolvimento, variando entre 40 a 50%. Para suportar estes custos anteriormente mencionados, há que conseguir aperfeiçoar as fontes geradoras de recursos monetários. Assim, as scuderias apostam em diversas técnicas de marketing para conseguirem aumentar a sua receita total. Algumas das apostas das equipas são a venda online de produtos alusivos à equipa - o merchandising - tais como bonés, guardachuvas, t-shirts ou até, canecas. A maioria dos pilotos também tem a sua própria loja online , tal como Daniel Ricciardo ou, até o seu outrora companheiro de equipa, Lando Norris. Max Verstappen possui uma loja física. Esta não é a única estratégia. O rebranding é algo que se tem mostrado frequente. Uma marca é um ativo valioso, que faz transparecer um conjunto de valores para os seus stakeholders . É um conjunto de elementos tangíveis (a expressão física da marca) e elementos intangíveis (a imagem, os valores, as atitudes e as sensações emanadas pela marca). No estudo de Daly e Moloney (2005) é referido ainda que, o rebranding consiste na mudança parcial, como o restyle , ou a mudança total destes elementos. Os autores sublinham que o rebranding é, por definição, uma mudança de identidade, que deve ser entendida como uma decisão e estratégia séria, que necessita de um grande planeamento. No Campeonato de 2021, a outrora Renault F1 Team tornou-se a Alpine F1 . As antigas cores foram esquecidas e o atual azul, vermelho e branco da bandeira francesa cobrem agora a marca. Assim, a mudança deve-se ao novo significado, cores e valores que a equipa pretende trazer para o paddock . Portanto, é facilmente verificável que as únicas equipas que não têm sofrido alterações em termos de rebranding são a Mercedes , a Ferrari , a McLaren e a Red Bull Racing . Realça-se que a Mercedes , numa ação contra o racismo, mudou as cores dos seus monolugares. Estes tornaram-se pretos, ao invés de cinzento, com o objetivo de mostrar uma posição bem vincada contra este fenómeno. b) Transferências no mundo desportivo Na visão de Giuffre (2013) é destacado que os seres humanos, como seres sociais, vivem em comunidades que moldam a sua forma de ser e a forma como veem o mundo. A análise das comunidades é vital para o entendimento das nossas vidas. Contudo, estas são complexas. A análise às redes sociais – Social network analysis (SNA) - permite que se olhe para a estrutura de uma comunidade com uma perspetiva diferente, com um melhor entendimento e 11 novas ideias relacionadas com essa mesma estrutura. Mais ainda, a análise às redes sociais concentra-se mais nas relações entre membros de um sistema do que nos atributos individuais desses membros do sistema. O foco na estrutura das relações, ao invés do foco no atributo das partes envolvidas na relação, é o essencial para o entendimento da análise das redes sociais. Boyd e Rocconi (2021) indicam que a análise às redes sociais tem um número extenso de aplicações, tais como na sociologia, comunicações e geografia. Podemos então considerar um conjunto de transferências como uma rede social. Quando se fala de redes sociais, o pensamento mais comum que surge para qualquer indivíduo é pensar em ferramentas associadas à Internet, tal como Aguirre (2011) refere. Contudo, associado às Ciências Sociais, o termo ganha outro sentido. Aí, o conceito de rede social está relacionado com um agrupamento de atores e vínculos/relações entre si; as redes sociais são consideradas como estruturas sociais, onde ocorrem processos de comunicação e transação entre esses agentes, as pessoas. Há até a evidência de que há milhares de anos atrás na História, havia existência de redes sociais nas primeiras comunidades humanas. Aguirre (2011) indica também que há importância na análise destas redes sociais, nomeadamente no que concerne ao estudo de padrões de vínculo e de comportamento desses atores, num determinado contexto. A análise dessas estruturas sociais em diferentes contextos/ambientes tem elevada importância, pois são de interesse para a investigação científica e para compreender o funcionamento dos sistemas sociais. A controlabilidade de uma rede social, segundo Menichetti et al. (2014), é um problema fundamental com diversas aplicações, quer seja na medicina, processos cerebrais ou na avaliação de risco dos mercados financeiros. E, por isso, o estudo da análise da estrutura de uma rede social e os seus processos dinâmicos têm sido um objeto de estudo ativo desde há muito tempo. Em todas as profissões, bem como em todos os desportos, ocorrem/acontecem transferências, na malha complexa das redes sociais. A dinâmica, frequência e caraterísticas com que ocorrem, permite que a malha de transferências evolua, em qualquer nicho e setor em que se encontrem. Os agentes intervenientes nessas transferências experimentam diferentes contextos que os levam também, a um crescimento enquanto pessoas e, enquanto profissionais. Como consequência, a instituição ou empresa onde se encontram, também será impactada por essa transferência e por toda a bagagem que com ela entra para a nova experiência na nova instituição. 12 Mas, como esta introdução, surge a dúvida – porque é que as pessoas se transferem entre instituições ou, pura e simplesmente, mudam de emprego e/ou funções? Cada indivíduo singular, enquanto agente económico, aquando da possibilidade de transferência, reflete sobre as diversas razões para a possível mudança. Assim, elas poderão ser relacionadas com novos desafios profissionais, ambição de maior salário, desejar ter mais benefícios, sentir necessidade de crescimento profissional, desejar mudar de setor profissional e/ou área, ou trabalhar numa empresa de diferente dimensão, são algumas das possibilidades. O conceito de mobilidade no emprego, segundo Sullivan (1999) é referente à passagem/transição de trabalhadores, dentro ou entre organizações, durante a sua vida de trabalho. Para Arthur e Rousseau (2001), uma carreira envolve relações entre e com as empresas. O mercado de trabalho, por sua vez, está em constante mudança e, por isso, há a necessidade de o trabalhador se adaptar à dinâmica da transição e à verificação de que um emprego que dure a vida toda, poderá não ser algo concretizável. Como consequência deste facto, acontecem eventos de mobilidade laboral, tal como ilustrado por Arthur e Rousseau (2001). No estudo de Delfgaauw (2007), o autor conclui que os trabalhadores têm tendência a mover-se para outra indústria quando a sua decisão de sair se prende com a pressão no trabalho, condições de trabalho, salário, funções e/ou a administração. Pelo contrário, caso um trabalhador sinta insatisfação com as oportunidades de estágio, o número de horas de trabalho, ambiente de trabalho e tempo de viagem para o trabalho são fatores que tornam mais provável que um trabalhador se mantenha na mesma indústria. Não apenas em empresas ou entidades corporativas ocorrem transferências e mudanças dos seus quadros. Também nas equipas desportivas se transferem jogadores/desportistas. Para Carmichael e Thomas (1993), uma caraterística dos clubes desportivos e de outras equipas organizadas desportivas é o facto de transacionarem jogadores de futebol individuais, entre clubes. Para o seu estudo, é examinada a época de 1990-91 da Liga Inglesa de Futebol, pretendendo-se verificar quais os procedimentos, propósitos e motivos que estão envolvidos nesta transferência, aplicando depois um two-person bargaining theory para analisar e determinar os custos de transferência. Para estes autores, os propósitos fundamentais de qualquer transferência deveriam ser: facilitar o movimento, entre clubes, de jogadores numa 13 procura por uma melhor oportunidade, o aumento da satisfação decorrente do trabalho, e/ou um aumento de salário; e facilitar e organizar a aquisição e troca de jogadores, para que seja possível aumentar a performance de uma equipa e aumentar as forças de jogo. Contudo, na maior parte das vezes, os jogadores não têm a possibilidade de escolha, devido a contratos restritivos e, não podem ser apresentados num novo clube sem a permissão do seu clube atual. Nos Estados Unidos da América, os jogadores de futebol americano, hóquei no gelo, basebol e basquetebol têm uma cláusula-reserva que os liga a uma equipa proprietária durante a sua carreira ou até à venda do contrato, factos apontados por Carmichael e Thomas (1993). Estas medidas restritivas nas equipas profissionais desportivas pretendem prevenir a concentração de estrelas desportivas em poucos clubes. Mais, é importante mostrar ao público que as equipas desportivas se mantêm estáveis, ao longo do tempo, e manter a lealdade na marca por parte dos consumidores e um estilo de equipa coerente. Esta medida permite que as equipas mais pequenas não sejam expostas à perda de jovens atletas, nos quais fizeram investimento, agravando a sua situação desportiva e as fraquezas económicas. Se observarmos com atenção uma qualquer notícia sobre a Fórmula 1, conseguimos verificar que os intervenientes nas transferências não são sempre os mesmos. A densa malha de transferências na Fórmula 1 poderá ser verificável ao longo de todo o Campeonato. Assim, é passível de observação que pilotos de Fórmula1, engenheiros e restante staff são alvo de mudanças/ transferências neste Campeonato, todos com diferentes motivações – aprendizagem, conhecimento, dinheiro, fama, títulos ou melhores condições de trabalho. Aqui, ponderemos mencionar novamente o conceito de custo de oportunidade. Qualquer que seja a decisão desse protagonista na malha de transferência, este terá de preterir de uma ou mais escolhas, em função daquela que escolheu como a escolha principal. Este poderá decidir manter-se na equipa, com as mesmas ou novas condições; poderá decidir mudarse; ou, sair desse setor. O seu objetivo é sempre o de aumentar a sua utilidade. Por isso, a tomada de uma decisão, em qualquer situação da vida de um agente racional, espera-se que seja ponderada. A tomada de decisão, segundo Williams e Ford (2013), é a capacidade de usar a informação e conhecimento sobre a sua situação atual e planear e executar um objetivo ou ação mais apropriada para o indivíduo. Para além disso, Ford et al. (2010) referem que a tomada de decisão é uma habilidade adquirida pelo indivíduo. No entanto, no momento da escrita, os autores ainda não conseguiam verificar se a capacidade para um 14 indivíduo tomar uma decisão sobre um determinado tema, poderia ser transferida para a tomada de decisão sobre um outro domínio relacionado. Os protagonistas da história de uma transferência evoluem devido ao conhecimento que acumulam; cada rede evolui devido à sua própria dinâmica. Daí, a importância da sua análise, como refere Strzalkowski et al. (2019). Causer e Ford (2014) referem no seu estudo, o conceito de transferência de aprendizagem. Os autores indicam que a experiência e prática anterior numa determinada função ou tarefa permite o desempenho bem-sucedido numa outra tarefa relacionada ou domínio. Pelo contrário, a especificidade de aprendizagem sustenta que a experiência ou prática anterior numa tarefa não se transfere para outras áreas ou domínios relacionados. Os autores verificaram que os jogadores de futebol não eram mais precisos na tomada de decisão, em comparação com o de outros desportos. Analisando um outro desporto, o futebol, Cavalcanti e Capraro (2015) refletem sobre quais os motivos pelos quais os atletas brasileiros voltam a grandes clubes europeus, bem como todo o contexto das transferências de atletas dos maiores clubes nacionais do Brasil para o mercado internacional. Assim, o autor revela que os desportistas voltam novamente para o Brasil por não terem jogado com tanta frequência nos clubes onde estavam, principalmente, quando eram localizados no continente europeu. Mais ainda, o autor conclui também que a maioria dos desportistas negociados, é transferido para os clubes de médio e pequeno porte da Europa ou para mercados emergentes noutros continentes. A maioria dos desportistas brasileiros que rumam ao continente europeu, não têm como destino os melhores clubes europeus. É de realçar que os desportistas procuram bons contratos financeiros, visibilidade e oportunidades futuras num clube europeu de maior grandeza. Ao invés, as equipas que contratam os jogadores, preferem-nos jovens e promissores, pois permitem uma maior longevidade no clube; e, os que têm um perfil diferenciado, permitem numa venda futura, valores acima dos pagos, arrecadando receita para o clube. Cavalcanti e Capraro (2015) concluem ainda que, numa visão sobre economia futebolística, esta gira em torno dos patrocínios, direitos de imagem e rendimentos provenientes das transferências internacionais de desportistas. Portanto, as transferências de jogadores permitem que a equipa avance, devido à entrada de fundos provenientes de outras equipas. Para Mourão (2016), uma das mais importantes questões relacionadas com as finanças do futebol moderno prende-se com as transferências dos seus jogadores, questão com elevada 21 anteriores. Assim, o piloto deveria transferir-se para uma scuderia onde a equipa de onde provém não fosse afetada pelo seu desempenho interno, ou seja, não deveria ir para um concorrente direto. Celik (2020) indica que as scuderias preferem trocar entre elas ou manter os pilotos, do que contratar um novo no Campeonato. É mencionado que ter a mesma nacionalidade que a equipa, é considerado insignificante, nas conclusões de Celik (2020). Para Celik (2017), para que uma equipa possa sobreviver, o seu sucesso pode ser medido pelo número de títulos ganhos no Campeonato, depois pelo número de títulos no Campeonato de Construtores. Desde a crise económica de 2008, o risco de colapso de uma equipa na Fórmula 1, triplicou. Visto que a indústria da Fórmula 1 se encontra no Reino Unido, o que se torna benéfico em termos económicos, faz com que seja ligeiramente significativo, mas decresce o tempo de sobrevivência. d) Determinantes das transferências de pilotos na Fórmula 1 No presente estudo, a fim de explicar os objetivos anteriormente mencionados, fez-se uso de diversas variáveis intrinsecamente relacionadas com uma equipa da Fórmula 1. Assim, estas são as mesmas que as do estudo de Mourão (2021) - Drivers’ moves in Formula One Economics: a network analysis since 2000 , variáveis recolhidas pelo autor. Foi ainda introduzida uma outra variável, uma variável dummy, champion , que indica se a equipa foi, ou não, campeã no período indicado. Cada uma das diferentes variáveis representará e será, de certo modo, uma parte integrante e fundamental do estudo. Com isto, cada variável atuará de forma diferente na explicação da ocorrência de transferências e no seu número. As variáveis da Dissertação referem-se ao número de pontos médio de cada equipa – avgpoints ; a mediana do ranking em que cada equipa se posiciona – medianrank ; o seu orçamento mediano – medianbudget ; as suas vitórias acumuladas – accwins ; as desistências acumuladas – accretirem ; o grau de saída - outdeg ; grau de entrada - indeg ; grau de ligação – betweenness ; e, se alguma vez foi campeã no período indicado– champion . A inclusão destas variáveis é, conforme Mourão (2021), comum na literatura económica relacionada com a Fórmula 1. Segundo o autor, o número de pontos de uma equipa ao longo da época, bem como o seu ranking , poderão ser indicativos da competitividade de uma equipa. Para Phillips (2014), o número de pontos arrecadados por uma equipa é a melhor medida das 22 conquistas na Fórmula 1. Tal como no estudo de Mourão (2021), o sistema de pontuação utilizado no estudo é o mesmo utilizado entre 1962 e 1990 – nove pontos para o vencedor, seis para o segundo classificado, quatro para o terceiro, três para o quarto, dois para o quinto e um para o sexto classificado. O número médio de pontos – avgpoints - que uma equipa alcança num Campeonato é um fator-chave fundamental para que o Campeonato possa ser ganho, por parte de um piloto; ou até, o Mundial de Construtores, com a soma de pontos dos dois pilotos da equipa. Estes são os principais objetivos das equipas. Será desejável que se transfiram pilotos em função desta variável? Ou poderão equipas com significativa discrepância de pontos fazerem transferências entre si? As equipas tendem a transferir para equipas com semelhante, inferior ou superior número de pontos? O ranking de uma equipa em competições de eventos de desporto é, conforme Anderson (2014) indica, baseada na soma de pontos ganhos numa série de eventos. Os rankings são interpretados como medidas da habilidade, no geral. Os team managers , patrocinadores, treinadores e stakeholders , em geral, têm incentivo para avaliarem de forma precisa a habilidade das equipas através do ranking . Por fazerem essa análise, estes têm a capacidade de alocar de modo mais apropriado todos os seus recursos. A melhor posição do ranking em que uma equipa se encontra está intrinsecamente relacionada com o número médio de pontos conquistados. Quantos mais pontos forem alcançados em cada corrida, maior será a probabilidade da equipa conquistar um ranking mais elevado na tabela de classificações. Poderão, neste caso, também, seguindo a mesma linha anterior, equipas com discrepância no ranking fazerem transferências entre si? As equipas tendem a transferir para equipas com semelhante, inferior ou superior posição no ranking ? É o que se pretenderá avaliar com a variável medianrank. Um dos recursos das equipas é o seu orçamento ( budget ), para cada Campeonato, segundo Gutiérrez e Lozano (2014). O valor relativo ao orçamento de cada equipa não é um valor revelado por parte da FIA. Esse mesmo orçamento permite que se faça face às despesas de testes aos monolugares, salários das equipas, motor, despesas relacionadas com o veículo em competição, Investigação e Desenvolvimento, custos relacionados com o túnel de vento, salários dos pilotos, catering , acomodação e viagens e custos de manufatura dos monolugares. Os autores concluem que Construtores ineficientes têm baixas respostas. As reduções de orçamento devem ser feitas por parte de equipas ineficientes de modo a tornarem-se mais 23 eficientes, havendo demasiados gastos durante estes anos, o que justifica a necessidade de introdução de um teto orçamental ( budget cap ), permitindo a mais equipas entrarem na competição. Um maior orçamento mediano - medianbudget - permite às equipas terem a possibilidade de despenderem maiores montantes em contratações de pilotos, bem como numa equipa técnica profissional e competente e em excelente Investigação & Desenvolvimento, sendo este último, o gasto que ocupa maior parte do orçamento, tal como Mourão (2017) e Gutiérrez e Lozano (2014) referem. Ou seja, com maior orçamento, poderá a scuderia ter acesso a melhor Capital Humano. Haverá transações de pilotos para equipas com o mesmo orçamento? Pretenderão os pilotos trabalhar numa equipa com um maior orçamento, que lhes possa proporcionar um maior salário e condições ou, uma equipa com menor ou semelhante orçamento? Neste estudo, os valores da variável medianbudget são a preços em dólares de 1990, tal como Mourão (2021) refere. No estudo de Budzinski e Müller‐Kock (2018), que se debruça sobre a possibilidade da FIA forçar contratos desfavoráveis de receitas dos media e a formação de cartéis com equipas selecionadas, verifica-se que equipas com melhor performance, mais vitórias ou pontos, melhor posição no ranking do Campeonato, por exemplo, recebem uma maior percentagem de receitas relacionadas com os media , comparativamente a equipas com pior performance . No estudo de Sampaio e Janeira (2003), que se debruça sobre equipas de basquetebol, verifica-se que equipas vencedoras têm uma qualidade ofensiva maior, refletindo-se em percentagens de pontuação de dois pontos mais altas. Já no estudo de Scully (1974) há a referência a que as receitas de uma equipa estão positivamente relacionadas com a percentagem de vitórias. As vitórias acumuladas de uma equipa - accwins - poderão ser um excelente reflexo do facto de estas arrecadarem o maior número de pontos possível numa corrida. Por isso, é expectável que a equipa pretenda ter ao volante do seu monolugar, um piloto com as qualidades necessárias para que o máximo número de vitórias possa ser alcançado. Será que a equipa pretende ter um piloto que seja transferido de uma equipa onde acumulou bastantes vitórias ou não será um facto relevante? Salguero et al. (2003) referem que o fenómeno do problema das desistências tem sido alvo de um interesse crescente. As causas das desistências estão relacionadas com fatores 24 físicos e capacidade de performance . Contudo, os fatores com maior importância são os fatores psicológicos e sociais, motivados por falta de sucesso ou melhoria, conflitos de interesse, tédio e desinteresse por parte dos desportistas. As desistências acumuladas de uma equipa – accretirem - são um factor a evitar por parte de qualquer equipa e piloto. Qualquer equipa e piloto desejarão ao máximo não abandonar uma corrida. Caso a desistência aconteça, nenhum ponto será arrecado. Por isso, ter um monolugar em corrida aumenta a hipótese de pontuar, nem que seja o mínimo de pontos. Pretenderá uma scuderia receber um piloto que tenha tido muitas desistências, independentemente de ter acontecido por culpa sua, do monolugar ou eventos de azar? No estudo de Menichetti et al. (2014), verifica-se que a problemática da controlabilidade de uma rede de interação dinâmica é um tema bastante comum na teoria de redes de interação e com uma vasta área de aplicação. Os nós de interação numa rede de interação são os nós que trazem a rede para um estado desejável dinâmico. Os autores concluem que redes de interação com densidade de nós com graus de entrada (in degree) e graus de saída (out degree) igual a um e dois, determinará o número de nós na rede de interação. Mais, estes autores indicam também que uma qualquer rede de interação com o grau de entrada e grau de saída maior que dois é totalmente controlada por uma fração infinitesimal de nós. Alterar a fração de nós para menos do que três graus de entrada e graus de saída fará com que a rede de interação sofra uma mudança dramática. Liu et al. (2006) descrevem que existem muitos sistemas de interação complexos no “mundo real” com nós a representar os indivíduos/instituições e arestas a relacionar/ligar as interações entre eles. Por essa razão, durante esta exposição, serão apresentados e utilizados os mesmos termos relacionados com a temática. No estudo de Veenstra et al. (2013) é apontado que os graus de entrada (in degrees) e os graus de saída (out degrees) são caraterísticas primárias da posição de um qualquer indivíduo na rede de interação. Assim, o grau de entrada é o número de ligações dirigidas a um indivíduo, referindo-se a algo por ele recebido. O grau de saída (out degree) é o número de ligações iniciadas por um indivíduo. As variáveis relativas aos graus de saída ( outdeg ), graus de entrada ( indeg ) e graus de ligação ( betweenness ) são dimensões relacionadas com análise de rede. A centralidade de um ponto pode ser determinada por referência a qualquer um de três diferentes atributos diferentes: 25 o seu grau de ligação (betweenness), o seu grau (degree) e a sua proximidade (closeness), tal como Freeman (1978) refere. A variável graus de saída – outdeg – poderá ser um excelente indicador de que determinada scuderia tende a mover um piloto para fora do seu conjunto de pilotos. Cada um dos diferentes graus de saída indicam o número de diferentes equipas com as quais a equipa que inicia o movimento, faz transferências. Poderá esta variável indicar que maior grau de saída indicará um maior número de transferências; ou, poderá uma equipa com menor grau de saída fazer um maior número de transferências? A variável graus de entrada – indeg – reflete a ideia contrária à variável anterior. Assim, indeg reflete o número de diferentes equipas que transferiram pilotos para uma determinada scuderia. Ou seja, a variável reflete o número de receções por parte de uma determinada equipa. Poderá uma equipa com elevado grau de entrada receber maior número de transferências do que uma equipa com menor grau de entrada? A ideia de centralidade aplicada à comunicação humana foi introduzida por Bavelas, em 1948, tal como relata Freeman (1978) no seu estudo. A centralidade é um importante atributo estrutural das redes sociais. Para Barthelemy (2004), o grau de ligação (betweenness) é um dos mais importantes índices de centralidade que sumaria o número de caminhos mais curtos que passam por um determinado nó. É uma medida com área de atuação alargada – poderá ser usada no estudo de análise de redes de interação ( network ) ou planeamento de trajetória. Na mesma linha, Brandes et al. (2016) indicam que o grau de ligação é considerado como uma medida de dependência dos outros, em determinado nó. Portanto, é como uma medida de controlo. Uma excelente medida da centralidade de um nó tem de fazer a incorporação de informação global sobre a rede de interação e o seu papel de caminho entre dois quaisquer nós da rede de interação, conforme Barthelemy (2004) refere. Para Brandes (2001), a centralidade do grau de ligação é essencial para a análise das redes sociais. A variável grau de ligação – betweenness – é uma medida concebida como uma medida geral de centralidade. A variável apresentada serve de ponte de intermediação entre as transferências entre as equipas. Ou seja, uma equipa que recebe pilotos e tende a movê-los para outras equipas, terá um elevado grau de ligação. Serão estas equipas que maior número de transferências executa? 26 As perspetivas de uma equipa ser campeã poderão contribuir para o interesse dos fãs numa determinada equipa num desporto em particular, segundo Whitney (1988). Para este autor, o objetivo de vencer ou obter um título de campeão são componentes de interesse dos fãs. No estudo de Mourão (2016), as equipas que mais transferências fazem são as que têm uma longa história no desporto ou que participam na Liga Europa ou Liga dos Campeões. Ou seja, um grupo restrito de equipas de elite. Por isso, verificando-se que as equipas de Fórmula 1 são também equipas com história, com grande potencial e campeãs, decidiu-se pela mesma analogia, integrar esta variável no estudo da Dissertação. Por isso, fez-se a inclusão da variável champion . Uma equipa campeã, para efeitos desta Dissertação, é uma equipa que foi alguma vez, durante o período apresentado, campeã no Mundial de Construtores. Pretenderá uma equipa que foi campeã no período apresentado, realizar transferências? Se sim, como pretenderá a equipa realizar a transferência, para uma equipa que também foi campeã ou não? Será essa uma caraterística relevante aquando da transferência? No estudo, estão presentes as variáveis indicadas anteriormente e as mesmas variáveis, mas com a menção “_saída”. Estas tomarão os mesmos valores que as variáveis sem essa menção. Contudo, foram adicionadas à análise, com o intuito de identificar quando se trata de uma equipa que recebe o piloto vindo de uma outra scuderia . As fontes das variáveis anteriores foram computações e cálculos provenientes do estudo de Mourão (2021) para o número médio de pontos das equipas, o ranking mediano, as vitórias e desistências acumuladas, o grau de saída, grau de entrada e grau de ligação. A variável orçamento mediano foi obtida a partir de consulta da revista Forbes e do estudo de Mourão (2017). A variável ser campeã – champion – foi elaborada pela autora através da observação de diversa informação sobre a temática. 3. Metodologia 3.1 Dados Nesta Dissertação, serão analisadas duas questões empíricas principais, que darão respostas aos problemas e objetivos anteriormente enunciados. Tal como referido, serão analisados os fatores que conduzem às transferências de pilotos entre scuderias na Fórmula 1; 27 e, o estudo dos fatores por detrás das transferências de pilotos na F1 nas temporadas de 2000 até 2017. A base de dados a analisar será constituída por todas as equipas presentes no Campeonato Mundial de Fórmula 1 desde 2000 e os dados cobrem as primeiras 18 temporadas, ou seja, até 2017. Os dados que serão utilizados são os mesmos que no estudo de Mourão (2021) - Drivers’ moves in Formula One Economics: a network analysis since 2000 , bem como as variáveis utilizadas. Em adição, uma nova variável dummy foi adicionada – champion – que indica se a scuderia , no período indicado, foi campeã (representado por 1) ou não (representado por 0). No estudo de Mourão (2021), este indica a decisão da escolha para tais temporadas: estas foram as temporadas mais caras de Fórmula 1; e, nestas temporadas, ocorreu o declínio de algumas equipas – a Arrows , a Caterham/Team Lotus , Jaguar , Prost Grand Prix, Super Agury e Toyota Racing . Este autor denota ainda a dificuldade de manter e sustentar uma equipa num desporto como este. Esta base de dados inclui as equipas presentes nos Campeonatos referidos. Algumas delas ainda se mantêm presentes nos dias de hoje. No entanto, outras já se extinguiram/ saíram do Campeonato ou mudaram o seu nome ( rebranding ). Assim, as 24 scuderias que farão parte da análise são: Arrows, BAR, Brawn, Haas, Ferrari, Force India, Honda, HRC, Jaguar, Jordan, Lotus, McLaren, Mercedes, Minardi, Prost, Red Bull, Renault, Sauber, Spyker, Super Agury, Toro Rosso, Toyota, Virgin e Williams . Mais ainda, as variáveis a analisar são as utilizadas na literatura anteriormente mencionada. Com o auxílio do software STATA 15.0 , elaborou-se a Tabela 1 - Estatística descritiva dos dados analisados, que sumaria alguns dados sobre o problema e que permitiu compreender e analisar as variáveis. Assim, através de uma análise econométrica detalhada, com o auxílio do software STATA, verifica-se que há 576 observações, ou seja, 576 interações entre as diferentes scuderias que permitirão analisar a malha de transferências entre elas. Aí, avaliou-se o número de transferências de cada scuderia , variável dependente, em função do número de pontos médio de cada equipa ( avgpoints ), a mediana do ranking em que cada equipa se posiciona ( medianrank ), do seu orçamento mediano ( medianbudget ), as suas vitórias ( accwins ), desistências acumuladas do piloto ( accretirem ), grau de saída ( outdeg ), grau de entrada ( indeg ), grau de ligação ( betweenness ) e se alguma vez foi campeã ( champion ). 28 As variáveis avgpoints_saída, medianrank_saída , medianbudget_saída, accwins_saída , accretirem_saída , outdeg_saída , indeg_saída , betweenness_saída e champion_saída que foram também adicionadas à análise , têm os mesmos valores observados que nas variáveis avgpoints , medianrank , medianbudget , accwins , outdeg , indeg e betweenness , visto que são analisadas as scuderias anteriormente consideradas. No entanto, para estas variáveis mencionadas, a análise será na ótica de scuderia que recebe o piloto, proveniente de uma outra scuderia . Na análise está presente a relação entre a equipa que envia o piloto e a equipa que recebe o piloto. Por isso, considerou-se ser fundamental complementar a análise com a visão das equipas dos dois lados das transferências. Tabela 1 - Estatística descritiva dos dados analisados Fonte: cálculos da autora Notas: “N” corresponde ao número de observações; “min” corresponde ao valor mínimo observado; “max” corresponde ao valor máximo observado; “mean” corresponde à média; “sd” corresponde ao desvio-padrão; “p10”, “p25”, “p50”, “p75” e “p90” são o 10 º, 25º, 50 º, 75 º e 90º percentil, respetivamente. ntransfer – número de transferências; avgpoints – número médio de pontos; avgpoints_saída – número médio de pontos da equipa que (1) (2) (3) (4) (5) (6) (7) (8) (9) (10) VARIÁVEIS N min max mean sd p10 p25 p50 p75 p90 ntransfer 576 0 23 0.378 1.891 0 0 0 0 1 avgpoints 576 0 541 47.71 115.3 0 2 7 28.50 127 avgpoints_saída 576 0 541 47.71 115.3 0 2 7 28.50 127 medianrank 576 2 18 11.25 4.356 5 7.500 12.50 15 16 medianrank_saída 576 2 18 11.25 4.356 5 7.500 12.50 15 16 medianbudget 576 9 433 158.4 124.6 40 54 128 204.5 398 medianbudget_saída 576 9 433 158.4 124.6 40 54 128 204.5 398 accwins 576 0 219 27 58.86 0 0 0 11.50 114 accwins_saída 576 0 219 27 58.86 0 0 0 11.50 114 accretirem 576 0 541 144.2 170.8 4 15 64.50 242 448 accretirem_saída 576 0 541 144.2 170.8 4 15 64.50 242 448 outdeg 576 0 28 6.875 6.378 0 2 6 9.500 15 outdeg_saída 576 0 28 6.875 6.378 0 2 6 9.500 15 indeg 576 2 27 6.833 5.826 2 3 5 9.500 15 indeg_saída 576 2 27 6.833 5.826 2 3 5 9.500 15 betweenness 576 0 32 10.04 11.32 0 0 3.500 22 26 betweenness_saída 576 0 32 10.04 11.32 0 0 3.500 22 26 champion 576 0 1 0.208 0.406 0 0 0 0 1 champion_saída 576 0 1 0.208 0.406 0 0 0 0 1 29 recebe o piloto; medianrank – ranking mediano; medianrank_saída – ranking mediano da equipa que recebe o piloto; medianbudget – orçamento mediano; medianbudget_saída – orçamento mediano da equipa que recebe o piloto; accwins – vitórias acumuladas; accwins_saída – vitórias acumuladas da equipa que recebe o piloto; accretirem – desistências acumuladas; accretirem_saída – desistências acumuladas da equipa que recebe o piloto; outdeg – grau de saída; outdeg_saída – grau de saída da equipa que recebe o piloto; indeg – grau de entrada; indeg_saída – grau de entrada da equipa que recebe o piloto; betweenness – grau de ligação; betweenness_saída – grau de ligação da equipa que recebe o piloto; champion – igual a 1 se a equipa foi campeã; champion_saída – igual a 1 se a equipa que recebe o piloto foi campeã. A Tabela 1 - Estatística descritiva dos dados analisados - reflete as caraterísticas das diferentes variáveis que compõem a base de dados. Analisando as diversas variáveis presentes, verifica-se que, há 576 interações entre as diferentes scuderias. O número mínimo de pontos médios ( avgpoints ) é zero, havendo um máximo de quinhentos e quarenta e um pontos arrecadados. O ranking mediano ( medianrank ) é relativo ao posicionamento geral das equipas no ranking do Campeonato. Nas observações constantes na análise, estas encontram-se entre o 2º lugar e o 18º lugar. O orçamento mediano ( medianbudget ), quantidade monetária que uma equipa tem disponível para gerir ao longo do Campeonato, varia entre cerca de nove milhões de euros a quatrocentos e trinta e três milhões de euros. Já a variável vitórias acumuladas ( accwins ) reflete que há equipas com nenhuma vitória nos Campeonatos do período em análise e equipas que têm um total de duzentas e dezanove vitórias. Por outro lado, as desistências acumuladas ( accretirem ) é uma variável que varia entre zero e cerca de quinhentos e quarenta e uma desistências. Ou seja, indica que há equipas que nunca fizeram nenhuma desistência e equipas com um total de cerca de quinhentas e quarenta e uma desistências. O grau de saída ( outdeg ) varia entre 0 e cerca de vinte e oito; já o grau de entrada ( indeg ) está compreendido entre dois e vinte e sete. Pela análise a estas variáveis, conclui-se que uma determinada equipa do estudo não transferiu pilotos para nenhuma equipa ou, para um máximo de vinte e oito diferentes equipas. Na visão contrária, uma equipa da análise recebe pilotos no mínimo de duas diferentes equipas e, no máximo, de vinte e sete diferentes equipas. O grau de ligação varia entre zero e trinta e dois, o que significa que existiram, no máximo, trinta e dois nós que permitiram receber pilotos de uma equipa e enviá-los para outra equipa. A variável dummy campeã ( champion ), apenas reflete se a equipa foi campeã, no período apresentado, representado por valor 1; ou, se não foi campeã, representado por 0. 30 Numa análise mais minuciosa, comecemos por analisar a variável dependente – número de transferências entre equipas. É verificável que existe um gap entre os valores máximos e mínimos de transferências entre equipas, podendo até levantar-se a hipótese se haverá outliers na amostra. Para começar, verifica-se pela observação da Tabela 1 - Estatística descritiva dos dados analisados que há equipas que não realizaram nenhuma transferência e há equipas que realizaram um total de vinte e três transferências, durante o período apresentado. Para que seja possível materializar esta possibilidade e comparando os valores relativos aos percentis, verificase que a média do número de transferências é maior que a mediana (0.378 > 0), indicado pelo 50º percentil. Mais, o valor máximo é também maior face ao valor indicado no 90º percentil, sendo seguro concluir que a distribuição relativa ao número de transferências entre equipas é mais concentrada à esquerda. Ou seja, com o facto de haver maior concentração de equipas à esquerda reflete o facto de haver mais equipas nas classes mais baixas do Campeonato. É ainda mais esclarecedor perceber o conceito, examinando um histograma, fornecendo uma ideia mais clara de como o número de transferências entre equipas está distribuído, informação constante no Gráfico 1 – Distribuição do número de transferências entre equipas. Fonte: Cálculos da autora Depois disto, e obtendo a confirmação de que a distribuição tem uma pronunciada cauda à direita, denota-se a existência de zeros. 37 É necessário realçar também que à semelhança do ranking mediano, também a variável que representa o orçamento é uma mediana. Ou seja, organizando todos os orçamentos de uma equipa, para o período indicado, incluiu-se na base de dados o valor médio do orçamento da equipa para a 9ª e 10ª observação, que correspondem às Temporadas de 2009 e 2010. d) Vitórias acumuladas – accwins A variável vitórias acumuladas representa a acumulação de vitórias ao longo do período apresentado para uma equipa pertencente ao presente estudo. Esta variável está compreendida entre zero e duzentas e dezanove vitórias. Portanto, um intervalo de valores extenso. Qualquer equipa pretenderá ao máximo sair vitoriosa de uma corrida. Esse facto, caso aconteça, permitirá não só arrecadar o máximo de pontos de uma corrida, como a tentativa de um melhor posicionamento no ranking de classificações das equipas. Com uma análise atenta à Tabela 1 - Estatística descritiva dos dados analisados, é possível averiguar que, em média, as equipas ao longo das temporadas estudadas, reúnem cerca de vinte e sete vitórias. Há, contudo, equipas que não somam nenhuma vitória e equipas que somam duzentas e dezanove vitórias, valor máximo. A média do número de vitórias acumuladas não coincide com o valor relativo ao 50º percentil, sendo a média superior a esse valor (27>0), o que nos poderá indicar novamente a existência de outliers da amostra. O valor máximo estará também bastante distante do representado no 90º percentil, apresentando-se novamente uma situação de enviesamento à direita. Para que se possa sumariar a informação de modo intuitivo, apresenta-se um gráfico da distribuição desta variável, Gráfico 5 – Distribuição do número de vitórias acumuladas pelas equipas. Fonte: Cálculos da autora 38 Com as informações apresentadas anteriormente e pela observação do gráfico anterior, conclui-se que a larga maioria das equipas em análise, tem uma acumulação de pontos inferior a 50. Ou seja, se esta informação fosse vista adotando o sistema de pontos anterior a 2010, pouco mais de oitenta porcento das equipas teria ganho menos do que cinco corridas, número semelhante tendo em conta o sistema de pontuação utilizado. Se fosse olhado, por exemplo, à luz do sistema de pontuação adotado depois de 2010, esse número seria menor que 2. Portanto, com esta informação, conclui-se que grande parte das equipas em análise pontua muito pouco, levando-as a estabelecerem-se nos lugares mais baixos/piores do ranking de classificações. Há, contudo, exceções. Em percentagens menores que dez porcento, há equipas que têm um intervalo de cerca de setenta e cinco pontos a cento e cinquenta; e, na mesma percentagem há equipas a rondar esse número de pontos e o valor máximo, duzentos e dezanove. Relembra-se que a análise a esta variável está intrinsecamente relacionada com o número médio de pontos de uma equipa. Mais, mesmo nesta variável, a maior parte das observações estava relacionada com equipas low ranked , o que poderá ser corroborado também aqui. As situações recorrentes de enviesamento à direita e/ou concentradas à esquerda poderão transmitir informação bastante relevante sobre as equipas em análise. e) Desistências acumuladas – accretirem Qualquer scuderia pretenderá ao máximo não desistir de nenhuma corrida, seja por que motivo for. As desistências poderão ocorrer, por exemplo, por descuido do piloto, falha no motor, colisões ou até acidentes. A desistência que ocorrer numa corrida, fará com que a equipa não tenha a possibilidade de arrecadar nenhum ponto, apesar de já ter incorrido em custos para estarem presentes. A variável que representa as desistências acumuladas de uma equipa situa-se num intervalo entre zero a quinhentas e quarenta e uma desistências. Esta variável é muito semelhante à apresentada anteriormente, se bem que com um maior espetro de valores nas observações. Ou seja, há equipas que durante todo o período, nunca desistiram de nenhuma prova; ao invés de outras, que desistiram cerca de quinhentas e quarenta e uma vez. Em média, 39 as equipas desistiram cerca de cento e quarenta e quatro vezes, valor algo distante do representado no 50º percentil. O valor representado pelo 90º percentil, quatrocentos e quarenta e oito, é também um valor distante face ao valor máximo. Portanto, há mais uma vez, a verificação de que esta variável não está distribuída de forma normal, ou seja, com uma distribuição normal. Para ser esclarecedor verificar esta conclusão, apresenta-se um gráfico representativo da distribuição da variável accretirem . Pela observação ao Gráfico 6 – Distribuição do número de desistências acumuladas entre equipas – conclui-se que cerca de setenta porcento das equipas têm, no total, um número inferior a duzentos desistências, para o período apresentado. Fonte: Cálculos da autora Se fosse considerado que setenta porcento das equipas desistem cento e oitenta vezes, durante o período apresentado de dezoito épocas, cada equipa sofreria cerca de dez desistências por temporada, no mínimo. Esta perspetiva é de certo modo positiva, visto que há até uma percentagem considerável de equipas a desistir entre trezentas e cinquenta vezes a quinhentas e cinquenta vezes, na totalidade de temporadas em análise. Se, pelo contrário, uma equipa desistir quinhentas e quarenta e uma vezes, valor máximo observado, em dezoito temporadas, então desistirá cerca de trinta vezes por temporada, para qualquer um dos dois monolugares. 40 Esta variável, fator a evitar pelas equipas, poderá ser um excelente reflexo da sorte ou infortúnio pelo qual as equipas estão sujeitas. É a variável que, tal como o número médio de pontos, tem a maior amplitude de observações, refletindo também a heterogeneidade da amostra de equipas em análise. f) Graus de saída - outdeg A variável relativa aos graus de saída reflete o número de diferentes equipas com as quais uma determinada equipa realiza transferências. Ou seja, há aqui o reflexo das transferências/movimentos iniciados por uma equipa, um excelente indicador de que a scuderia tende a mover um piloto para fora do seu conjunto de pilotos. Assim, pela análise da Tabela 1 - Estatística descritiva dos dados analisados - é verificável que o intervalo de valores que a variável apresenta está localizado entre 0 e 28. Ou seja, neste conjunto de equipas analisadas, é possível apurar que existem equipas que não fizeram transferência para nenhuma equipa; e, existem equipas que realizam transferências para vinte e oito diferentes equipas. Portanto, realizam transferências para equipas do grupo em análise e para equipas fora do grupo em análise. As equipas que com mais diferentes equipas realizam transferências trazem ao mercado uma grande diversidade de movimentos de pilotos, tanto dentro das equipas do Campeonato, bem como para fora deste. É ainda deveras importante verificar que a média do número de equipas com as quais se realizaram transferências é 6.875 equipas, valor distante face ao valor máximo. Isto é, as equipas realizaram transferências de pilotos para uma média de 7 equipas diferentes. O valor relativo ao 50º percentil é 6 diferentes equipas, valor muito próximo do valor registado na média. O Gráfico 7 – Distribuição do número de graus de ligação das equipas – sumaria o número de diferentes equipas com as quais uma determinada equipa faz transferências. 41 Fonte: Cálculos da autora Assim, pela análise gráfica, verifica-se que grande parte das equipas realizam transferências com menos de dez diferentes equipas. Há, ainda, uma exceção – menos de cerca de cinco porcento das equipas realizam transferências para mais de vinte e cinco equipas. g) Graus de entrada – indeg A variável relativa aos graus de entrada representa o número de diferentes equipas que realizam transferências para uma determinada equipa, que receciona essas transferências. Esta variável é semelhante à variável anterior, mas na ótica de equipa que recebe as transferências. Novamente, pela análise da Tabela 1 - Estatística descritiva dos dados analisados - é verificável que o intervalo de valores que a variável apresenta está localizado entre 2 e 27. Ou seja, uma determinada equipa recebe pilotos, no mínimo de duas equipas diferentes; e, no máximo, recebe de vinte e sete diferentes equipas. Há, portanto, também, um elevado intervalo de número de diferentes equipas que realizam transferências para uma equipa em específico. Mais ainda, é possível apurar que a média de equipas que transferem para uma equipa em específico é 6.833, sendo que o valor relativo ao 50º percentil é cerca de 5. Ambos os valores se encontram próximos, revelando uma maior concentração em valores mais baixos de número de diferentes equipas, conclusão semelhante à da variável anterior. Através de uma análise gráfica ao Gráfico 8 – Distribuição do número de graus de entrada das equipas – é-nos transmitida a noção de que cerca de metade das equipas receberem pilotos de cinco ou menos equipas diferentes equipas. Assim, uma determinada 42 equipa recebeu pilotos de cinco ou menos equipas. Destaca-se o facto de que tal como na variável anterior, existem menos do que cinco porcento das equipas a receber pilotos de vinte e sete diferentes equipas. Fonte: Cálculos da autora h) Grau de ligação – betweenness A variável que representa os graus de ligação – betweenness – revela os nós de intermediação que uma equipa poderá representar aquando das transferências de pilotos. Por outras palavras, uma equipa que recebe pilotos num Campeonato e tende a movê-los para outras equipas, no mesmo Campeonato, terá um elevado grau de ligação. Este tipo de equipa permite a continuidade de um piloto no mercado e a longevidade de uma carreira, fazendo uma ponte de ligação entre as equipas. Revisitando a Tabela 1 - Estatística descritiva dos dados analisados – que serviu de base à análise de todas as variáveis, é-nos revelado que o grau de ligação é uma variável com um intervalo entre os 0 e 32. Ou seja, há equipas que não atuaram como nós de intermediação e equipas que representaram trinta e dois nós de intermediação de transferências no Campeonato. O número médio de nós de intermediação é cerca de dez, valor superior ao 50º percentil, 3.5. 43 De modo a esclarecer a forma como as equipas atuaram no Campeonato no papel de intermediadores e, como consequência, a distribuição dos nós de intermediação, analisa-se de seguida o Gráfico 9 – Distribuição dos graus de ligação. Fonte: Cálculos da autora Através da análise gráfica, é possível concluir que cerca de sessenta e cinco porcento das equipas presentes no estudo, representaram cerca de dez nós de intermediação cada uma, tendo sido essa a principal tendência. i) Ser campeã – champion O principal objetivo de qualquer equipa é ser campeã. Para que isso aconteça e tal como exposto anteriormente, esta deve acumular o maior número possível de pontos, uma boa posição no ranking de Classificações, ter o maior número de vitórias acumuladas e o menor número de desistências durante as suas corridas. Realça-se que uma equipa poderá ganhar o título de pilotos, quando um piloto da equipa soma o maior número de pontos; ou, o Mundial de Construtores, quando a soma das pontuações dos dois pilotos são as maiores do Campeonato, tal como indica Anderson (2014). Uma equipa poderá ter um título de piloto, mas não ser Campeã do Mundial de Construtores. Nesta análise, foram consideradas as equipas Campeãs do Mundial de Construtores. Para efeitos deste estudo, a variável foi considerada como dummy , sendo atribuída a cada scuderia , um 1 ou 0, caso a scuderia fosse campeã ou não, respetivamente. Nesta variável 44 foram consideradas com um 1 as equipas que durante as Temporadas em análise foram campeãs – Brawn (2009), Ferrari (2000 a 2004, 2007 e 2008), Mercedes (2014 a 2017), Red Bull (2010 a 2013) e Renault (2005 e 2006). Das vinte e quatro equipas em análise, apenas cinco foram campeãs, no período em análise. Ou seja, a amostra de equipas campeãs é muito inferior à totalidade de equipas. j) Outras variáveis Para além das variáveis que foram mencionadas nesta secção, foram adicionadas à análise umas outras que poderão ser observados na Tabela 1 - Estatística descritiva dos dados analisados. As variáveis avgpoints_saída, medianrank_saída , medianbudget_saída, accwins_saída , accretirem_saída , outdeg_saída , indeg_saída , betweenness_saída e champion_saída que constam no estudo , têm os mesmos valores observados que nas variáveis avgpoints , medianrank , medianbudget , accwins , accretirem , outdeg , indeg , betweenness e champion, respetivamente. No entanto, para estas variáveis mencionadas, a análise será na ótica de scuderia que recebe o piloto, proveniente de uma outra scuderia . Em anexo, poderá ser consultada a Tabela 9 – Sumário das observações das variáveis por equipa, que inclui toda a informação sobre as observações relativas às diversas variáveis para as diferentes equipas. Após uma análise minuciosa às variáveis em estudo, seguir-se-á um Capítulo onde poderá ser visto de que forma as transferências por estas são influenciadas. Por isso, tal como referido anteriormente e para que não aconteçam os problemas enumerados, devido ao elevado número de zeros incluídos nas observações, tanto para a variável explicada, bem como para a variável explicativa, será aplicado um modelo Zero Inflated Negative Binomial Regression – ZINB - com recurso ao software STATA . Este estudo será composto pela análise de duas bases de dados. A primeira base de dados abordará se as equipas fizeram transferências, tendo em conta as variáveis especificadas. A segunda base de dados reflete qual o número de transferências realizadas entre as diversas equipas, tendo em conta as mesmas variáveis explicativas. Seguidamente, será feita uma aplicação do modelo Zero Inflated Negative Binomial Regression - ZINB, tal como exposto anteriormente neste Capítulo. O motivo dessa escolha 45 prende-se com a elevada inclusão de zeros nas duas bases de dados, na tentativa de que os problemas referidos possam ser resolvidos ou minimizados; e pela grande dispersão dos dados. Mais ainda, também será utilizado um modelo Logit para avaliar a probabilidade de transferência de pilotos entre scuderias . Aí, pretende-se verificar qual a tendência de transferência. Haverá maior probabilidade de os pilotos irem para equipas do mesmo ranking ou de um ranking superior ou inferior? Será que as scuderias escolhem pilotos de equipas com o mesmo orçamento ou orçamento superior ou inferior? Quais são as caraterísticas que consideram aquando da transferência? Estas serão algumas das perguntas a que se pretende dar resposta nesta Dissertação. No próximo subcapítulo – subcapítulo 3.2 -, serão discutidos os modelos econométricos que ilustram a situação. 3.2 Modelos econométricos Neste capítulo, serão avaliadas duas bases de dados. A primeira delas reflete a existência de transferências, em função das variáveis explicativas sumariadas no subcapítulo 3.1. No primeiro subcapítulo desta secção será caraterizada a variável existência de transferências - transfer . Assim, verificar-se-á se a tendência das equipas é de fazerem ou não transferências no Campeonato de Fórmula 1. Depois disto, partir-se-á para a análise da segunda base de dados com o objetivo de verificar qual a influência das diversas variáveis no número de transferências, com a aplicação do modelo Zero Inflated Negative Binomial Regression - ZINB. Após a discussão e análise, aplicar-se-á um teste de Vuong, com o intuito de se verificar se a escolha do modelo Zero Inflated Negative Binomial Regression - ZINB foi a mais adequada, em detrimento de um outro modelo, o modelo Zero-inflated Poisson - ZIP. 3.2.1 Existência de transferências Através da análise da presente base de dados, pretende-se estudar se a tendência por parte das equipas foi a realização ou não de transferências. Partindo da análise à Tabela 1 - Estatística descritiva dos dados analisados – verifica-se que o número de transferências entre equipas varia no intervalo de 0 a 23 transferências. Ou 46 seja, com isto, foi possível verificar que existiram equipas que realizaram mais e menos transferências. Por isso, é possível apurar de modo muito simples que há equipas que não realizaram transferências e equipas que realizaram transferências. Com isto, há uma condição que não poderá ser ignorada. Se efetivamente se concluiu que há um determinado número de transferências na malha de transferências, é porque chegou a haver transferência. Ou seja, verificou-se um nó na malha de transferências. Mas é deveras importante perceber se a tendência foi ou não realizar transferências. Tabela 4 - Estatística descritiva da variável transfer (1) (2) (3) (4) (5) (6) (7) (8) (9) (10) VARIÁVEL N min max mean sd p10 p25 p50 p75 p90 transfer 576 0 1 0.123 0.329 0 0 0 0 1 Fonte: Cálculos da autora Notas: “N” corresponde ao número de observações; “min” corresponde ao valor mínimo observado; “max” corresponde ao valor máximo observado; “mean” corresponde à média; “sd” corresponde ao desvio-padrão; “p10”, “p25”, “p50”, “p75” e “p90” são o 10 º, 25º, 50 º, 75 º e 90º percentil, respetivamente. transfer – igual a 1 se existir transferência. A tabela anterior, Tabela 4 – Estatística descritiva da variável transfer , sumaria a estatística descritiva sobre a variável existência de transferência. Esta variável é representada por 1 e 0, caso se verifique ou não, respetivamente, a existência de transferências. Esta é uma variável explicada dummy . A situação apresentada é simples: há equipas que não realizam nenhuma transferência e há equipas que realizam transferências, durante o período apresentado. A variável dependente apresentada, para efeitos de análise desta base de dados, dependerá de todas as variáveis explicativas presentes no estudo. Assim, partindo para uma análise mais detalhada a esta variável, verifica-se que esta se compreende entre 0 e 1. Comparando os valores relativos aos percentis, verifica-se que a média de existência de transferências é maior que a mediana (0.123>0), indicado pelo 50ºpercentil. O valor máximo é coincidente com o valor indicado no 90º percentil. Poderá ser concluído que a distribuição relativa à variável transfer entre equipas é mais 53 que não haja transferências. O orçamento mediano contribuía para o número de transferências entre equipas, no modelo anterior, ao mesmo tempo que aumenta a possibilidade de transferências, nesta análise. A Tabela 7 – Tabela de regressões – Modelo 2 sumaria as conclusões expostas anteriormente. Tabela 7 - Tabela de regressões – Modelo 2 (2) ntransfer ntransfer medianrank -0.146** (-3.09) constante 0.690 (1.08) inflate avgpoints 0.00553 (1.93) medianbudget -0.00526 (-1.90) constante -1.405 (-0.93) / lnalpha 2.397*** (8.68) Observações 576 Nota: t statistics entre parênteses * p < 0.05, ** p < 0.01, *** p < 0.001 Fonte: Cálculos da autora Para o modelo 3: Modelo de contagem: ntransfer = β0 + β1. medianrank i + β2.medianbudget i Modelo de zeros: logit (ntransfer) = γ0 + γ 1. champion_saída i Na regressão 3, que origina o modelo 3 3 , fazendo uma separação entre o ranking mediano ( medianrank ) e o orçamento mediano ( medianbudget ) e separando-os da variável que 3 Comando utilizado no STATA: zinb ntransfer medianrank medianbudget, inflate (champion_saída) vce (robust) 54 representa ser uma scuderia campeã que recebe o piloto ( champion_saída ), inferem-se diversas conclusões. Assim, novamente, é possível verificar que a variável ranking mediano – medianrank – tem um contributo negativo para o número de transferências, com um coeficiente de -0.117. À semelhança do modelo 1 e 2, a variável apresenta sempre um impacto negativo no número de transferências. Isto significa que, equipas em posições piores, tendem a ter um menor número de transferências, comparativamente a equipas mais bem posicionadas. O ranking mediano contribui negativamente para as transferências entre equipas. Assim, comparativamente a uma equipa que esteja mais bem posicionada, uma scuderia menos bem posicionada fará um menor número de transferências. Por ser uma equipa menos forte, tenderá a estar menos bem posicionada no ranking e com menores condições na luta pelo título, levando a que faça menor número de aquisições. Neste estudo, a Jaguar é a equipa que tem uma maior posição no ranking , 18º lugar, e também uma das que realizou um menor número de transferências, tendo bastantes zeros nas observações para o número de transferências. No que concerne à variável ser uma equipa campeã que recebe o piloto vindo de uma outra equipa – champion_saída -, uma variável dummy , verifica-se que esta confere um impacto positivo na possibilidade de ocorrência de transferências. Por isso, as equipas que durante o período analisado foram alguma vez campeãs, tenderão a ter uma maior probabilidade de receberem transferências, permitindo que no mercado haja variedade de movimentos. Estas pretenderam ter consigo os pilotos com as melhores qualidades, conferindo à malha de transferências, a possibilidade de ocorrência de transferências. Destaca-se ainda o facto de o coeficiente associado a esta variável ser elevado, - 17.03. Assim, se uma equipa nunca tiver sido campeã no período apresentado, a probabilidade de transferência é diminuída para 0; caso tenha sido alguma vez campeã, a probabilidade de as transferências não serem zero, aumentam. Estas pretendem manter consigo, os pilotos que pontuaram e que lhes permitiram arrecadar o título de piloto e/ou o Mundial de Construtores. A Tabela 8 - Tabela de regressões – Modelo 3 sumaria as conclusões expostas anteriormente. 55 Tabela 8 - Tabela de regressões – Modelo 3 (3) ntransfer ntransfer medianrank -0.117** (-2.78) medianbudget 0.00143 (0.92) constante 0.222 (0.33) inflate champion_saída -17.03*** (-15.17) constante -0.912 (-1.10) / lnalpha 2.269*** (8.96) Observações 576 Nota: t statistics entre parênteses * p < 0.05, ** p < 0.01, *** p < 0.001 Fonte: Cálculos da autora Na Tabela 10 – Regressões ensaiadas, em anexo, encontram-se todas as regressões ensaiadas e que permitiram desenvolver este estudo. Destaca-se que a larga minoria dos coeficientes são estatisticamente significativos. b) Teste estatístico Assim, passando à aplicação empírica do teste de Vuong, com o auxílio do software STATA , tal como exposto nesta secção, verificou-se que a aplicação do modelo ZINB foi a mais adequada, em comparação com o modelo Zero-inflated Poisson - ZIP. Para que conclusões pudessem ser retiradas através da aplicação deste teste, aplicou-se no próprio teste, um intervalo de confiança de 95%, sendo que o valor do p-value será 0.05. Ou seja, só seria escolhida a hipótese alternativa (H₁: não escolher modelo ZINB), se os valores do p-value fossem menores que 0.05. Como os valores do p-value são z₁=3.40, z₂=0.41 e z3=0.67 56 para o Modelo 1, 2 e 3, respetivamente. Logo, o mais adequado foi escolher o modelo Zero Inflated Negative Binomial Regression - ZINB, em detrimento do modelo Zero-inflated Poisson - ZIP. 4. Conclusões O presente estudo debruçou-se sobre a temática da Fórmula 1, aliando-a à Economia. Neste estudo, começou-se por incluir uma análise de revisão de literatura, na qual se analisava tanto a Economia, como a Fórmula 1 e uma fusão das duas. Poderiam ser encontrados termos e conclusões respeitantes a estudos relacionados com o impacto económico, curiosidades e noções sobre a Fórmula 1, externalidades e desenvolvimento de técnicas com impactos em várias áreas. Os custos e receitas foram também incluídos. A adoção desta estrutura para o estudo permitirá ao leitor uma leitura mais fluida e dinâmica dos acontecimentos, factos e determinantes. Seguidamente, analisou-se o conceito de redes sociais e o seu impacto nos mercados de trabalho; as transferências na Fórmula 1 com o desenvolvimento de uma exposição de transferências polémicas; e, as determinantes das transferências de pilotos na Fórmula 1. A análise empírica com o resumo dos dados e variáveis em estudo, permitiu um melhor conhecimento das equipas em causa, bem como a sua caraterização. Foi possível apurar que as equipas em estudo tendem a não realizar transferências, sendo que a larga maioria tende a não realizar. As equipas podem ainda caraterizar-se como low/medium ranked , pois acumulam baixo número de pontos e apenas cinco foram campeãs, têm orçamentos inferiores a 150 milhões de dólares e acumulam menos que cinquenta vitórias. Contudo, acumulam poucas desistências, sendo que cerca de cinquenta porcento desistiram menos de cinquenta vezes. No que concerne à análise relacionada com as redes de interação, verifica-se que a maioria das equipas transferiu pilotos para menos do que cinco equipas diferentes e recebeu pilotos de menos do que cinco equipas diferentes. Mais ainda, as equipas não funcionaram como intermediadores de transferências, devido ao baixo grau de ligação, não aumentando a longevidade da carreira dos pilotos. As bases de dados e modelos analisados permitiram concluir que as equipas em análise tendem a não realizar transferências, mantendo os seus pilotos. Com isto, não conferem movimentos de transferências no mercado. Quando realizam transferências, verificou-se que a 57 variável ranking mediano confere, para todos os modelos analisados, um impacto negativo no número de transferências. Contrariamente, o número médio de pontos e o orçamento mediano conferem um impacto positivo. Com isto, infere-se que equipas com piores posições no ranking realizam menos transferências e equipas com maiores orçamentos e número médio de pontos realizam maior número de transferências, sendo estas a conferir mais movimentos na malha de transferências. Quanto à probabilidade de transferências, destaca-se que o facto de ser uma equipa campeã a receber pilotos vindos de outras equipas, diminui a probabilidade de as transferências serem zero. Este indicador vai de acordo com a ideia anteriormente mencionada. As equipas campeãs, com maior orçamento e número médio de pontos são as equipas que vão mais vezes ao mercado e as que realizam mais transferências. A temática da Fórmula 1 é, surpreendentemente, ainda pouco abordada. Se verificarmos este tipo de análise na ótica de economistas, verifica-se que o gap é ainda maior. A maior parte dos artigos encontrados sobre esta temática referem-se à aerodinâmica, à tecnologia utilizada ou à otimização. Pelas conclusões anteriores, verifica-se que a temática da Fórmula 1 está relacionada com a Economia e com a análise de redes. A análise deste estudo permitiu agregar diferentes áreas do conhecimento e pretende-se que possa contribuir para a procura, motivação e formação sobre este tema e até dar um mote ao seu estudo. De um modo geral, pode-se facilmente verificar que da pouca literatura existente, os autores direcionam mais a sua investigação para impactos e benefícios económicos nos locais e países que recebem os Grandes Prémios, havendo poucos a investigar o tema das transferências. 58 Bibliografia Referências bibliográficas Aguirre, J. L. (2011). Introducción al análisis de redes sociales. Documentos de Trabajo del Centro Interdisciplinario para el Estudio de Políticas Públicas , 82 (2), 1-59. Anderson, A. (2014). Maximum likelihood ranking in racing sports. Applied Economics , 46 (15), 1778-1787. Arthur, M. B., & Rousseau, D. M. (Eds.). (2001). The boundaryless career: A new employment principle for a new organizational era . Oxford University Press on Demand Backhouse, R. E., & Medema, S. G. (2009). Retrospectives: On the definition of economics. Journal of economic perspectives , 23 (1), 221-33. Barthelemy, M. (2004). Betweenness centrality in large complex networks. The European physical journal B , 38 (2), 163-168. Boyd, A. T., & Rocconi, L. M. (2021). Formatting Data for One and Two Mode Undirected Social Network Analysis. Practical Assessment, Research, and Evaluation , 26 (1), 24. Brandes, U. (2001). A faster algorithm for betweenness centrality. Journal of mathematical sociology , 25 (2), 163-177. Brandes, U., Borgatti, S. P., & Freeman, L. C. (2016). Maintaining the duality of closeness and betweenness centrality. Social networks , 44 , 153-159. Buchanan, J. M. (1991). Opportunity cost. The world of economics , 520-525. Budzinski, O., & Feddersen, A. (2020). Measuring competitive balance in Formula One racing. Outcome uncertainty in sporting events , 5-26. Edward Elgar Publishing. Budzinski, O., & Müller‐Kock, A. (2018). Is the revenue allocation scheme of Formula One motor racing a case for European competition policy?. Contemporary Economic Policy , 36 (1), 215-233. Carmichael, F., & Thomas, D. (1993). Bargaining in the transfer market: theory and evidence. Applied Economics , 25 (12), 1467-1476. Causer, J., & Ford, P. R. (2014). “Decisions, decisions, decisions”: transfer and specificity of decision-making skill between sports. Cognitive Processing , 15 (3), 385-389. 59 Cavalcanti, E. A., & Capraro, A. M. (2015). Transferências internacionais no futebol: Um estudo de caso comparativo entre os maiores clubes europeus e brasileiros. RBFF-Revista Brasileira de Futsal e Futebol , 7 (23), 3-15. Celik, O. B. (2017). Chequered Flag or Red Flag: Survival Analysis of Formula One Teams. Special Topics in Economics & Management, 45-55. Celik, O. B. (2020). Survival of Formula One Drivers. Social Science Quarterly , 101 (4), 1271-1281. Chamberlain, D. A., Edwards, D., Lai, J., & Thwala, W. D. (2019). Mega event management of formula one grand prix: an analysis of literature. Facilities . Chiu, W., & Leng, H. K. (2021). The experience of sport tourists at the Formula 1 Singapore Grand Prix: an exploratory analysis of user-generated content. Sport in Society , 24 (3), 373-395. Daly, A., & Moloney, D. (2005). Managing corporate rebranding. Irish Marketing Review , 17 (1/2), 30-36. de Pilla Varotti, F., Nassif, V. M. J., & de Souza, D. L. (2020). Os impactos do GP Brasil de Fórmula 1 para a cidade de São Paulo. PODIUM Sport, Leisure and Tourism Review , 9 (1), 7192. Delfgaauw, J. (2007). Where to go? Workers' reasons to quit and intra-vs. interindustry job mobility. Applied Economics , 39 (16), 2057-2067. Desmarais, B. A., & Harden, J. J. (2013). Testing for zero inflation in count models: Bias correction for the Vuong test. The Stata Journal , 13 (4), 810-835. Egorov, N., & Averin, A. (2020). Analysis of the Effectiveness of Toro Rosso Team as a Supporting Team of Red Bull Concern in Formula 1. Laisvalaikio tyrimai , 2 (16). Eichenberger, R., & Stadelmann, D. (2009). Who is the best Formula 1 driver? An economic approach to evaluating talent. Economic Analysis and Policy , 39 (3), 389. Ford, P. R., Low, J., McRobert, A. P., & Williams, A. M. (2010). Developmental activities that contribute to high or low performance by elite cricket batters when recognizing type of delivery from bowlers’ advanced postural cues. Journal of Sport and Exercise Psychology , 32 (5), 638-654. Freeman, L. C. (1978). Centrality in social networks conceptual clarification. Social networks , 1 (3), 215-239. 60 Gezici, F., & Er, S. (2014). What has been left after hosting the Formula 1 Grand Prix in Istanbul?. Cities , 41 , 44-53. Giuffre, K. (2013). Communities and networks: using social network analysis to rethink urban and community studies. John Wiley & Sons. Gutiérrez, E., & Lozano, S. (2014). A DEA approach to performance-based budgeting of formula one constructors. Journal of Sports Economics , 15 (2), 180-200. Kahn, L. M. (2000). The sports business as a labor market laboratory. Journal of economic perspectives , 14 (3), 75-94. Kim, M. K., Kim, S. K., Park, J. A., Carroll, M., Yu, J. G., & Na, K. (2017). Measuring the economic impacts of major sports events: the case of Formula One Grand Prix (F1). Asia pacific journal of tourism research, 22 (1), 64-73. Lin, M., & Papadopoulos, P. (2014). Effect of Halo Protection Device on the Aerodynamic Performance of Formula Racecar. International Journal of Mechanical and Mechatronics Engineering , 14 (1), 13-18. Liu, J., Dang, Y., Wang, Z., & Zhou, T. (2006). Relationship between the in-degree and out-degree of WWW. Physica A: Statistical Mechanics and its Applications , 371 (2), 861-869. Mariotti, F., & Haider, S. (2018). ‘Networks of practice’in the Italian motorsport industry. Technology Analysis & Strategic Management , 30 (3), 351-362. Menichetti, G., Dall’Asta, L., & Bianconi, G. (2014). Network controllability is determined by the density of low in-degree and out-degree nodes. Physical review letters , 113 (7), 078701. Mourão, P. (2017). The economics of motorsports: The case of Formula One. Springer. Mourão, P. (2021). Drivers’ moves in Formula One Economics: a network analysis since 2000. SportK (forthcoming) Mourão, P. R. (2014). Does European regional competitiveness influence sports? An analysis of three sports. Applied Economics , 46 (13), 1476-1489. Mourão, P. R. (2016). Soccer transfers, team efficiency and the sports cycle in the most valued European soccer leagues–have European soccer teams been efficient in trading players?. Applied Economics , 48 (56), 5513-5524. Palmer, S., & Raftery, J. (1999). Opportunity cost. Bmj , 318 (7197), 1551-1552. Phillips, A. J. (2014). Uncovering Formula One driver performances from 1950 to 2013 by adjusting for team and competition effects. Journal of Quantitative Analysis in Sports , 10 (2), 261-278. 61 Salguero, A., Gonzalez-Boto, R., Tuero, C., & Marquez, S. (2003). Identification of dropout reasons in young competitive swimmers. Journal of sports medicine and physical fitness , 43 (4), 530. Sampaio, J., & Janeira, M. (2003). Statistical analyses of basketball team performance: understanding teams’ wins and losses according to a different index of ball possessions. International Journal of Performance Analysis in Sport , 3 (1), 40-49. Scully, G. W. (1974). Pay and performance in major league baseball. The American Economic Review , 64 (6), 915-930. Sheu, M. L., Hu, T. W., Keeler, T. E., Ong, M., & Sung, H. Y. (2004). The effect of a major cigarette price change on smoking behavior in California: a zero‐inflated negative binomial model. Health Economics , 13 (8), 781-791. Storm, R. K., Jakobsen, T. G., & Nielsen, C. G. (2020). The impact of Formula 1 on regional economies in Europe. Regional Studies, 54 (6), 827-837. Strzalkowski, T., Harrison, T., Sa, N., Katsios, G., & Khoja, E. (2019). GitHub as a social network. In Advances in Artificial Intelligence, Software and Systems Engineering: Joint Proceedings of the AHFE 2018 International Conference on Human Factors in Artificial Intelligence and Social Computing, Software and Systems Engineering, The Human Side of Service Engineering and Human Factors in Energy, July 21–25, 2018, Loews Sapphire Falls Resort at Universal Studios, Orlando, Florida, USA 9 (pp. 379-390). Springer International Publishing. Sullivan, S. E. (1999). The changing nature of careers: A review and research agenda. Journal of management , 25 (3), 457-484. Veenstra, R., Dijkstra, J. K., Steglich, C., & Van Zalk, M. H. (2013). Network–behavior dynamics. Journal of Research on Adolescence , 23 (3), 399-412. Wesselbaum, D., & Owen, P. D. (2021). The Value of Pole Position in Formula 1 History. Australian Economic Review, 54 (1), 164-173. Whitney, J. D. (1988). Winning games versus winning championships: The economics of fan interest and team performance. Economic Inquiry , 26 (4), 703-724. Williams, A. M., & Ford, P. R. (2013). ‘Game intelligence’: Anticipation and decision making. In Science and soccer (pp. 117-133). Routledge. 62 Yusuf, O. B., Bello, T., & Gureje, O. (2017). Zero inflated poisson and zero inflated negative binomial models with application to number of falls in the elderly. Biostatistics and Biometrics Open Access Journal , 1 (4), 69-75. 69 Modelos Mod10 Mod11 Mod12 Mod13 Mod14 Mod15 Mod16 Mod17 Mod18 Mod19 loglikelihood -315,738 -322,704 -331,6 -323,323 -315,797 -331,686 -333,578 -326,134 -321,719 -322,795 ntransfer avgpoints -0.000440 -0.0000864 -0.00201 (-0.19) (-0.04) (-0.76) medianrank -0.0747 -0.115 -0.106* -0.0464 (-1.35) (-1.74) (-2.11) (-0.83) medianbudget 0.000215 0.00140 0.00179 0.000937 (0.12) (0.84) (1.15) (0.62) champion 0.896 0.438 0.676 0.385 (1.60) (0.86) (1.41) (0.78) accwins 0.00814 0.00127 (1.07) (0.26) accretirem -0.00301 (-1.37) outdeg 0.0394 0.0594 (1.03) (1.83) indeg 0.0358 -0.00173 (0.82) (-0.06) betweenness 0.0225 (1.22) medianbudget_saída 0.00259 (1.82) champion_saída 0.836 (1.83) 70 medianrank_saída -0.126** (-3.03) accwins_saída accretirem_saída indeg_saída outdeg_saída constante 0.567 -1.690*** -0.0118 -1.186** -0.0523 -0.865** -1.040* -0.855** -1.003 0.385 (0.75) (-4.05) (-0.01) (-2.84) (-0.07) (-2.96) (-2.32) (-3.27) (-1.39) (0.62) inflate accwins 0.619 -0.0160 (0.88) (-0.19) accretirem -0.230 (-0.87) outdeg -0.492*** -1.133 (-3.31) (-1.18) indeg 0.0779 0.121 (1.24) (0.69) betweenness -0.0447 -1.456 (-1.15) (-1.05) avgpoints -0.0155 -1.152 -1.259 -1.077 (-0.39) (-1.30) (-0.89) (-1.28) medianbudget -0.0424 -0.00361* (-1.15) (-2.30) 71 champion_saída medianrank 0.336 0.457* (1.12) (2.47) champion -0.0188 (-0.00) outdeg_saída indeg_saída avgpoints_saída medianrank_saída medianbudget_saída accwins_saída accretirem_saída betweenness_saída constante 2.443*** 2.444 -3.106 0.773 2.618* -7.356** -1.589 1.553* 1.483* 1.568* (4.12) (0.39) (-0.39) (1.55) (2.44) (-2.80) (-0.49) (2.24) (2.09) (2.28) / lnalpha 1.917*** 2.304*** 2.523*** 2.241*** 2.137** * 2.397*** 2.511*** 2.405*** 2.306*** 2.301*** 72 (7.40) (11.99) (8.08) (11.57) (10.51) (12.15) (6.81) (12.42) (11.31) (11.75) Observações 576 576 576 576 576 576 576 576 576 576 73 Modelos Mod20 Mod21 Mod22 Mod23 Mod25 Mod26 Mod27 loglikelihood -329,7058 -315,375 -328,496 -326,492 -326,601 -325,584 -321,674 ntransfer avgpoints -0.0000979 -0.00126 -0.00434 (-0.06) (-0.87) (-1.45) medianrank -0.0884 -0.116** (-1.89) (-2.76) medianbudget 0.000376 0.00141 (0.23) (0.92) champion 0.647 (1.41) accwins 0.00736 0.0146* (1.51) (2.29) accretirem - 0.000484 -0.00468* (-0.27) (-2.37) outdeg 0.139* (2.52) 74 indeg -0.00744 (-0.21) betweenness medianbudget_saída 0.00139 0.000828 (0.88) (0.58) champion_saída medianrank_saída -0.116** -0.147** (-2.74) (-2.89) accwins_saída 0.00840 0.00352 (1.62) (0.88) accretirem_saída -0.00112 (-0.65) indeg_saída 0.0247 (0.67) outdeg_saída 0.0425 (1.05) constante 0.260 0.313 -0.813** 0.349 - 0.359 -1.393*** 75 1.556*** (0.39) (0.46) (-2.74) (0.52) (-4.54) (0.51) (-3.72) inflate accwins -0.623 (-0.66) accretirem outdeg -0.551* (-2.16) indeg 0.0545 (0.80) betweenness avgpoints medianbudget champion_saída medianrank 76 champion outdeg_saída -0.357* -0.359* (-2.14) (-2.23) indeg_saída 0.0506 0.0529 (0.64) (0.69) avgpoints_saída -0.00108 (-0.20) medianrank_saída 2.590* (2.18) medianbudget_saída -0.0492 (-1.66) accwins_saída 0.278 (1.54) accretirem_saída -0.169 (-1.39) betweenness_saída -1.271 (-1.62) 77 constante -0.466 2.122*** 0.687 0.739 -37.26* -0.137 0.283 (-0.74) (4.15) (1.14) (1.13) (-2.22) (-0.13) (0.58) / lnalpha 2.243*** 1.941*** 2.171*** 2.125*** 2.420*** 2.358*** 2.139*** (9.41) (7.06) (9.38) (8.91) (13.49) (13.19) (10.12) Observações 576 576 576 576 576 576 576 Fonte: Cálculos da autora Nota: t statistics entre parênteses * p < 0.05, ** p < 0.01, *** p < 0.001 Fonte: Cálculos da autora ntransfer – número de transferências; avgpoints – número médio de pontos; avgpoints_saída – número médio de pontos da equipa que recebe o piloto; medianrank – ranking mediano; medianrank_saída – ranking mediano da equipa que recebe o piloto; medianbudget – orçamento mediano; medianbudget_saída – orçamento mediano da equipa que recebe o piloto; accwins – vitórias acumuladas; accwins_saída – vitórias acumuladas da equipa que recebe o piloto; accretirem – desistências acumuladas; accretirem_saída – desistências acumuladas da equipa que recebe o piloto; outdeg – grau de saída; outdeg_saída – grau de saída da equipa que recebe o piloto; indeg – grau de entrada; indeg_saída – grau de entrada da equipa que recebe o piloto; betweenness – grau de ligação; betweenness_saída – grau de ligação da equipa que recebe o piloto; champion – igual a 1 se a equipa foi campeã; champion_saída – igual a 1 se a equipa que recebe o piloto foi campeã.