FernandaMendesSouza

Economia I

•

Biológicas / Saúde

Carolina Silva

30/07/2023

E aí, curtiu este material?

Ajude a incentivar outros estudantes a melhorar o conteúdo

Gostou desse material? Compartilhe! 🧡

Economia I

77.555 Materiais compartilhados

Baixe o app para aproveitar ainda mais

Leia os materiais offline, sem usar a internet. Além de vários outros recursos!

Prévia do material em texto

UNIVERSIDADE DE SÃO PAULO
FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE

FERNANDA MENDES SOUZA

DEMANDA POR CRÉDITO E JUROS-ELASTICIDADE: UM ESTUDO NO MERCADO
BRASILEIRO DE PME’S.

SÃO PAULO
2022

Fernanda Mendes Souza

Demanda por crédito e juros-elasticidade: Um estudo no mercado
brasileiro de PME’s.

Monografia submetida à Faculdade de Economia,
Administração, Contabilidade e Atuária da Universidade de
São Paulo como parte dos requisitos para obtenção do título
de Bacharel em Ciências Econômicas.
Orientador: Prof. Claudio Ribeiro de Lucinda

São Paulo
2022

AGRADECIMENTOS

Gostaria de agradecer em primeiro lugar aos meus pais, que foram e são os meus
grandes professores e exemplos na vida. Obrigada por me trazerem até aqui, esta
conquista é nossa.
Agradeço todas as amizades que cultivei nesses anos de FEA-USP. Vocês
fizeram toda a trajetória valer a pena.
Não poderia deixar de agradecer também à Associação Atlética Acadêmica
Visconde de Cairú, que desde os primeiros dias de faculdade foi para mim um lugar de
acolhimento, me proporcionando o aprendizado mais valioso nesses anos de graduação:
Se dedicar todos os dias por algo que você acredita te permitirá aproveitar o caminho,
independente dos resultados. Fazer isso é essencial para se viver uma vida completa e
realizada. Agradeço especialmente aos meus companheiros de Gestão, por todos os
momentos em que pudemos aprender e viver isso juntos.
Ao futsal feminino FEA USP, agradeço à oportunidade de jogar futebol entre
mulheres em uma sociedade ainda conservadora e machista. O esporte me ensinou que
as conquistas que obtemos são resultado direto da dedicação e o esforço que
empenhamos em algo. A todas as meninas que dividiram as quadras comigo, obrigada
por me ensinarem tanto.
Por fim, gostaria também de agradecer a empresa que trabalho por permitir o
acesso à base de dados para realização do presente trabalho.

SUMÁRIO

LISTA DE ILUSTRAÇÕES ................................................................................. IV
RESUMO ............................................................................................................ V
1. INTRODUÇÃO .............................................................................................. 6
1.1. Diferentes modalidades de crédito e acessibilidade no Brasil ............ 6
1.2. Revisão de literatura ........................................................................... 9
1.3. Objetivos ............................................................................................. 12
2. DESCRIÇÃO DA AMOSTRA ........................................................................ 14
2.1. Agrupamento por períodos ................................................................. 14
2.2. Agrupamento por clientes ................................................................... 17
2.2.1. Informações provenientes da plataforma ...................................... 17
2.2.2. Informações de fontes externas .................................................... 18
3. METODOLOGIA ........................................................................................... 19
3.1. Modelo de Resposta Binária – Probit ................................................. 19
3.2. Modelo OLS para o volume de crédito contratado ............................. 21
4. EXPOSIÇÃO DE RESULTADOS ................................................................. 23
4.1. Análise das regressões ...................................................................... 23
4.1.1. Modelo de Resposta Binária – Probit ........................................... 23
4.1.2. Modelo OLS para o volume de crédito contratado ....................... 26
5. CONCLUSÕES ............................................................................................. 29
REFERÊNCIAS BIBLIOGRÁFICAS................................................................... XXXI
APÊNDICE A – DADOS DISTRIBUÍDOS POR PERÍODO ............................... XXXII

LISTA DE ILUSTRAÇÕES

FIGURA 1 – Número de observações por valor de Y .......................................... 21
TABELA 1 - Clientes totais, operantes e operações por período ...................... 15
TABELA 2 - Taxas aplicadas por período ............................................................ 16
TABELA 3 - Distribuição de limite e faturamento por período ........................... 16
TABELA 4 – Resultados Probit .............................................................................. 23
TABELA 5 – Efeitos Marginais ............................................................................... 25
TABELA 6 – Resultados OLS ................................................................................. 26
TABELA 7 – Elasticidades ...................................................................................... 28
GRÁFICO 1 - Evolução do volume de crédito em relação ao PIB ...................... 8

RESUMO

O presente trabalho procura identificar a sensibilidade na demanda por crédito em
decorrência de alterações nas taxa de juros a partir de um estudo realizado com dados
de uma fintech brasileira de crédito no período de dezembro-2021 a junho-2022. A
modalidade analisada é o Desconto de Duplicatas e a base de clientes da empresa é
constituída majoritariamente por PME’s, implicando em uma baixa sensibilidade. Esta
pesquisa utiliza duas abordagens econométricas, um modelo OLS para a variação do
volume de crédito concedido em função da taxa de juros e um modelo Probit, para a
probabilidade de se contratar ou não o crédito em função dos juros cobrados. Os
resultados obtidos indicam uma elasticidade negativa de -0.597 para a modalidade
analisada.
Palavras-chaves: Crédito, Taxa de Juros, Elasticidade
Classificações JEL: G21, M13, O16

1. INTRODUÇÃO

1.1. Diferentes modalidades de crédito e acessibilidade no Brasil
Em países desenvolvidos e subdesenvolvidos, economistas buscam formas de
quantificar a contratação de empréstimos como resultado dos juros e prazos aplicados
nas operações de concessão de crédito. Esta análise é relevante na medida que os
juros aplicados e o volume de crédito de um país têm importante papel na flutuação da
demanda de curto prazo e também no desenvolvimento econômico de longo prazo.
Particularmente para o caso brasileiro, onde a participação do crédito privado no PIB é
historicamente inferior a outros países em desenvolvimento (De Negri et al. 2019),
calcular o impacto independente do custo atrelado às operações de crédito faz-se ainda
mais complexo, uma vez que a baixa disponibilidade de empréstimos para a maioria
das empresas, principalmente as de pequeno porte, dificulta a estimativa de
elasticidade quanto à taxa de juros, além de promover efeitos de seleção adversa na
inadimplência, quando empresas em pior situação financeira e com menor acesso ao
crédito optam por tomar empréstimos a juros mais altos, ainda que não se comprove
sua capacidade de pagamento.
Como demonstram Filho, Macahyba e Martins (2021), esse ambiente de baixa
competitividade no mercado de crédito livre brasileiro foi, ao longo da história do país,
suprido pela introdução de recursos públicos a partir da intermediação do BNDES.
Duas importantes reformas introduzidas em 2010, no entanto, promoveram um
ambiente de maior desenvolvimento de concessões privadas, especialmente a criação
de debêntures que, juntamente com os empréstimos operados pelo BNDES,
responderam pela maior parte dos financiamentos corporativos nas duas décadas mais
recentes.
O estabelecimento de novos instrumentos paraconcessão de empréstimos
privados, além de promover a maior participação das instituições financeiras
tradicionais no volume de créditos do país, teve também importante papel na
transformação do setor bancário a partir da proliferação de fintechs e bancos digitais.
Os avanços regulatórios, somados ao surgimento de novas tecnologias que
possibilitam maior agilidade na troca de informações e dados, foram determinantes

para que essas novas instituições ofertassem modalidades de crédito que, por sua vez,
facilitaram o intercâmbio dos agentes tomadores entre diferentes instituições,
movimento que tende a aumentar a elasticidade entre taxa de juros e volume de crédito,
uma vez que determinadas empresas que antes não detinham acesso a modalidades
de financiamento passam a consumir empréstimos, muitas vezes com menores taxas
de juros (PAULA, 2022).
Segundo dados do IPEA1, dentro do segmento de crédito para pessoa jurídica,
a maior parte das concessões, cerca de 80%, são advindas de modalidades não
rotativas, como os empréstimos para compra de equipamento, operações mais baratas
e com garantias. Já o capital rotativo, como o desconto de duplicatas, modalidade que
será explorada a fundo neste trabalho, responde por 20%. Esta segunda é,
tradicionalmente, ofertada majoritariamente por grandes bancos.
Desde 2018, no entanto, uma série de inovações introduzidas pelo Banco
Central Brasileiro tem permitido e facilitado a constituição de novas empresas
provedoras de crédito. A resolução nº 4.656, de junho de 2019, instituindo a Sociedade
de Direito Creditório (SCD) e Sociedade de Empréstimo entre Pessoas (SEP), por
exemplo, permitiu que fintechs atuassem com recursos próprios para concessão de
empréstimos, o que antes era apenas possível com a intermediação de um banco
tradicional. No gráfico 1, extraído da carta de conjuntura do IPEA, é possível verificar a
acentuação da curva de crescimento do volume de crédito em relação ao PIB no Brasil
a partir do final de 2019 o que é resultado, entre outros fatores, da resolução citada
anteriormente, que facilitou o estabelecimento e competitividade de outros players no
sistema financeiro nacional.
Outro marco regulatório de aspecto relevante para este tipo de crédito é a
resolução nº 4.888, também de junho de 2019. O texto dispõe sobre a centralização do
registro de recebíveis, um importante avanço para os mercados de Desconto de
Duplicatas e Antecipação de Recebíveis de Cartão, garantindo que um mesmo direito
creditório seja descontado por mais de uma instituição, a partir do registro unificado das

1 Consulta em:
https://www.ipea.gov.br/portal/images/stories/PDFs/conjuntura/220207_cc_54_nota_12_credito.pdf .
Acesso em 22/10/2022 20:03

operações nas chamadas registradoras. Esta determinação, no entanto, ainda está em
fase de testes homologatórios.

Gráfico 1 – Evolução do volume de crédito em relação ao PIB.

Fonte: Carta de Conjuntura | 54 | Nota 12 | 1˚ trimestre de 2022 – IPEA

Os recebíveis são valores monetários devidos a uma empresa, normalmente
derivados da venda a prazo de um produto ou serviço. Para garantir capital de giro e um
fluxo de caixa saudável, muitos negócios recorrem a essa modalidade, quando o valor
devido é adiantado por um credor, sendo cobrada uma taxa de desconto. A taxa de
desconto difere dos juros tradicional, uma vez que é calculada no momento da
contratação do crédito, sendo transferido para o beneficiário o valor do recebível já
subtraído do valor cobrado. O cálculo desses juros varia a depender do credor, podendo
ser ponderado pelo prazo da operação ou apenas aplicado um juros simples sobre o
valor de face. Desta forma, a duração do empréstimo poderá interferir ou não na
sensibilidade.
Para esta modalidade, em alguns casos, o repagamento do crédito tomado pode
ser definido como uma função apenas do fluxo de recebimento das vendas da empresa,
que a concessão ou não do crédito e o cálculo do juros aplicado poderá depender
apenas da capacidade de pagamento do sacado da nota, e não do tomador inicial. Este
é o caso de instituições onde a aprovação da operação é feita apenas após confirmação

por parte do comprador, caracterizando uma operação de antecipação com risco-
sacado. A fintech analisada no presente trabalho, no entanto, tem como modelo de
negócios a operação com base no risco-cedente, com emissão de coobrigação da
compra. Isto significa que a liquidação do crédito tomado depende de outras
características do tomador, uma vez que não há a certificação de que o valor recebido
no vencimento da Nota Fiscal será direcionado ao pagamento do crédito, podendo ser
observados casos de inadimplência mesmo que o título seja pago pelo sacado.
Com a resolução nº 4.888 mencionada anteriormente, será possível estabelecer
um registro centralizado de recebíveis, de forma que todos os sacados receberão um
aviso em caso de antecipação de uma Nota Fiscal emitida contra eles, devendo então
fazer o pagamento do título diretamente para o dono do recebível.
Outra especificidade da Antecipação de Duplicatas é que a maior parte das
empresas que opta por tomar esse crédito, o utilizam diariamente como parte da
operação e não como um crédito pontual. Isto acontece especialmente em negócios
caracterizados pelo descasamento do pagamento aos fornecedores e o recebimento
dos pagamentos realizados pelos clientes. Ademais, setores com margens apertadas
tem menor apetite à operação de desconto, uma vez que existe menor espaço para
repassar os custos da operação.
Como será aprofundado posteriormente, o presente trabalho terá intuito de
calcular a sensibilidade das empresas de uma fintech brasileira à taxa de desconto
cobrada na modalidade de Desconto de Duplicatas.

1.2. Revisão de literatura
Embora exista uma vasta literatura estimando equações de demanda por crédito
em função das taxas de juros aplicadas e o prazo das operações, não foram
encontrados trabalhos específicos na modalidade de desconto de duplicatas. Nesta
seção, serão analisados trabalhos de economistas que tentaram estimar a elasticidade
para diferentes tipos de empréstimo, tanto para Pessoa Física como Pessoa Jurídica.
A complexidade de se calcular esse fator em contextos e regulações diferentes,
torna ainda mais difícil uma comparação entre os números absolutos. Apesar disso,
uma importante relação a se estudar é a relação entre sensibilidade aos juros e a renda.

Alguns textos indicam uma sensibilidade ao preço inelástica de empreendedores
(Kochar, 1997), isto acontece porque quanto menor, ou mais nova, a empresa, menor
tende a ser a oferta de crédito disponível, tornando o tomador menos responsivo a
preços maiores.
Lucinda e Vieira (2014), indicam que a sensibilidade de grupos com mais renda
tende a ser maior. Os autores analisaram dados de um experimento conduzido em um
credo4r tradicional brasileiro, em que foram ofertadas propostas de crédito para o
cartão a diferentes taxas, de forma separada para dois grupos, subdivididos pela renda
média sendo o primeiro, premium (P), de até R$ 3.500 e o segundo, considerado
internacional (I), uma renda média de R$ 1.500,00. As taxas aplicadas foram
concedidas de maneira randomizada, sendo que o primeiro grupo variou entre três
valores, 2.85%, 3.85% ou 4.35%, todas ao mês, e o segundo, entre dois, 3.85% e
4.65%, também ao mês. A amostra total conteve mais de 264 mil ofertas.
Foram construídas duas estratégias econométricas para calcular as
sensibilidades. A primeira, um modelo PROBIT considerando o aceite ou não da oferta
como variável dependente binária, obteve elasticidades de -2,832 para o grupo P e -
0,785 para o grupo I, indicando uma maior sensibilidade do grupo com maior renda. Na
segunda equação, um modelo TOBIT, compreendendo o volume de crédito aceitos
como variáveldependente também foram obtidas elasticidades maiores para o primeiro
grupo.
Outro aspecto interessante da pesquisa foi a identificação de maiores
inadimplências nas propostas com juros maiores, apontando para um possível
problema de seleção adversa. Para investigar tal constatação, os autores conduziram
testes estatísticos comparando os clientes que aceitaram e aqueles que não aceitaram
as ofertas, sob a hipótese de que dentre aqueles que aceitaram taxas maiores, seria
possível encontrar scores de crédito menores. Os resultados obtidos, no entanto, não
permitiram afirmar se houve ou não problemas de seleção.
Para o caso do empréstimo a pessoa jurídica, De Negri et al. (2019) obtiveram
constatações relevantes acerca da contratação de crédito em empresas privadas. A
partir de uma base de dados com informações cruzadas do Banco Central do Brasil
(Bacen), da Secretaria de Comércio Exterior (SECEX) e do Instituto Nacional de

Propriedade Intelectual (INPI), na janela entre 2004 e 2017, os autores elaboraram uma
análise da sensibilidade em uma amostra com empresas somando mais de 910 milhões
de operações de crédito ativas mensalmente. O objetivo dos autores foi entender
amplamente a participação e acesso de empresas ao mercado de crédito brasileiro. A
estratégia utilizada foi de separar o crédito nas modalidades livre e direcionada2, para
então realizar as estimativas de elasticidade.
No artigo, foram elaboradas três abordagens econométricas. A primeira,
utilizando modelos OLS e 2SLS, os autores analisaram separadamente as elasticidade-
juros e elasticidade-prazo. Nestas construções, a carteira de crédito ativa da empresa
foi incluída como variável dependente e a taxa de juros como explicativa, além de
dummies contendo o mês e ano das observações. Dentre as conclusões mais
relevantes obtidas nesta primeira etapa, estão o indicativo de que empresas de
pequeno porte tem menor acesso ao crédito livre e direcionado, a constatação do prazo
como mais relevante que os juros para contratação da operação. O modelo OLS obteve
elasticidades-juros de -0,39 e -0,42 e elasticidades-prazo de 0,319 e 0,286 para o
crédito total e para o crédito livre, respectivamente.
A segunda abordagem do texto em questão foi de analisar as estimativas de
elasticidade juros e prazo cruzadas. Assim como na primeira, a variável dependente foi
a carteira ativa. Os resultados obtidos indicaram que o prazo e o juros tem pouca
relação, uma vez que as elasticidades cruzadas tiveram menor valor absoluto que os
encontrados anteriormente (-0,017 para o crédito direcionado e -0,077 para o livre).
Apesar disso, os autores novamente encontraram indícios de que o prazo tem maior
peso na decisão de contratação. Por fim, a terceira metodologia econométrica foi um
modelo logit, estimando a probabilidade da empresa contratar ou não o crédito.
Novamente, os autores encontraram correlações positivas entre o porte da empresa e
a disponibilidade de crédito.
Neste trabalho, serão utilizadas metodologias semelhantes às encontradas nos
dois artigos apresentados.

2 Ver definição de crédito livre e direcionado em: http://www.bcb.gov.br/fis/crc/port/documento3040.asp .
acesso em 04/07/2022 14:39

1.3. Objetivos
Tendo em vista a vasta literatura acerca da demanda por crédito privado e sua
elasticidade em decorrência da taxa de juros, este trabalho tem como objetivo investigar
os determinantes na contratação da operação de Antecipação de Duplicatas por
empresas de diferentes setores no mercado brasileiro. Para tal, foram utilizados dados
de uma fintech brasileira de crédito privado, obtidos ao longo do período de 7 meses,
para analisar diferenças no volume contratado para empresas parecidas, mas expostas
a taxas de juros diferentes devido a descontinuidades na política de crédito da
financiadora.
A fintech analisada tem como público alvo Empresas de Pequeno e Médio Porte
(MPEs )3, com faturamento anual de até R$ 5M. Portanto, espera-se que a sensibilidade
desses grupos às flutuações nas taxas de juros seja menor que o padrão de mercado.
Outra relação importante a ser analisada é a relação entre o Score
Comportamental utilizado na credora e o volume contratado. De acordo com as
políticas aplicadas na fintech, o determinante para a taxa de juros aplicada nas
operações é a nota atribuída aos clientes, de acordo com seu histórico de crédito na
plataforma. No entanto, como essa nota é uma variável contínua, porém as taxas
aplicadas são resultadas de um critério de elegibilidade com um ponto de corte
claramente definido, é esperado que os grupos expostos às mesmas taxas não sejam
homogêneos e que a relação entre a variável do score e o volume contratado não tenha
correlação clara.
Foram testadas duas abordagens econométricas para o caso. Um modelo de
resposta binária, probit, utilizando a efetivação da operação de crédito como variável
dependente. Neste caso, será calculada a probabilidade do cliente efetuar a operação
de desconto dada a taxa de juros. Um problema da base obtida é o viés de seleção dos
clientes com oportunidade de fazer uma cotação, visto que estes já passaram por uma
análise prévia no momento do cadastro na plataforma. Deriva-se disso, um grande
desbalanceamento dos dados da variável dependente Y, uma vez que dada a seleção
inicial dos clientes, a maior parte destes contrata o crédito. Para tentar contornar esse

3 Ver definição de MPE em: https://empresas.serasaexperian.com.br/blog/pme-o-que-sao-pequenas-e-
medias-empresas/. Acesso em 16/07/2022 13:25

problema, foi construído um outro modelo, regredindo o volume total contratado em
função dos juros e outras variáveis de controle. Neste caso, a variável utilizada é
contínua, e calculamos o impacto do aumento de um ponto na taxa de juros, sobre o
volume, em reais, antecipado.
Nas duas abordagens, os modelos foram construídos a partir de uma base cross-
section empilhada. O objetivo de realizar essa distinção entre períodos foi tentar capturar
os possíveis impactos de mudanças na política de concessão de crédito da fintech sobre
os clientes da plataforma e, consequentemente, a sensibilidade, tema que será
aprofundado futuramente.

2. DESCRIÇÃO DA AMOSTRA

A amostra consiste em um conjunto de operações de uma fintech brasileira
de crédito no período de novembro/2021 à julho/2022. Além das informações
relativas às operações, foram incluídas variáveis de controle com características
dos CNPJs, obtidos a partir de consultas públicas realizadas pela credora em birôs
de crédito, como Serasa, no momento do cadastro destes clientes. Foram obtidas
um total de 26.846 operações realizadas por 342 CNPJs ao longo de toda a janela.
Uma característica importante da regra de negócios da empresa analisada, é
que empresas que se tornam inadimplentes ficam impedidas de operar novamente.
Para contornar o problema de clientes que possam ter deixado de operar, não por
opção, mas sim por estarem bloqueados, foram selecionados apenas clientes que
não ficaram inadimplentes em nenhum momento da janela observada.
A partir das cotações obtidas, os dados foram agrupados em dois momentos:
(1) Agrupamento por período e (2) Agrupamento por cliente.

2.1. Agrupamento por período
Como um dos intuitos da pesquisa era de analisar o comportamento de
clientes por classificação de score, as operações foram divididas em 8 períodos,
de acordo com as datas de atualização desse parâmetro na base da fintech. A
tabela 1 mostra a relação de clientes e das operações ao longo de cada período.
Cada cliente tem o seu score atualizado mensalmente, podendo subir ou cair
de faixa, o que implica em uma alteração das tarifas aplicadas nas suas operações
daquele mês. Devido a esta característica,nota-se um enorme desbalanceamento
no número de clientes em cada uma das janelas, uma vez que CNPJs são
adicionados ou retirados da amostra, a depender do seu score no período. Outra
observação importante a respeito da separação por períodos, é que não há uma
data de atualização bem definida, de forma que cada uma das janelas tem número
de dias distinto. O período 4, por exemplo, tem 36 dias, enquanto o período 1 tem
apenas 22. Nesse caso, é razoável constatar que o volume operado em 4 será

maior que o operado 1 apenas pela lógica de dias disponíveis em cada um.
Problemas advindos dessas distinções serão desconsiderados para a análise
realizada.

Tabela 1 – Clientes totais, operantes e operações por período.
p Data inicial Data final Dias
Total de
clientes
Clientes
operantes
Número
operações
1 09/11/2021 01/12/2021 22 124 116 1192
2 02/12/2021 31/12/2021 29 159 155 2165
3 01/01/2022 23/01/2022 22 160 151 1934
4 24/01/2022 01/03/2022 36 208 203 4206
5 02/03/2022 31/03/2022 29 191 178 4408
6 01/04/2022 26/04/2022 25 174 147 2823
7 27/04/2022 31/05/2022 34 190 169 4741
8 01/06/2022 06/07/2022 35 212 181 5377

Fonte: Elaboração própria.
Uma questão relevante acerca deste agrupamento é a dificuldade de incluir
quantitativamente por meio de variáveis os efeitos de mudanças nas políticas de
concessão da empresa ao longo de todo o período. Uma maior ou menor
predisposição da plataforma na liberação de limites poderia, por exemplo, levar a
problemas de seleção adversa, induzindo clientes em pior situação financeira a
antecipar notas fiscais de valor inferior apenas para conseguir o dinheiro. Ou, por
exemplo, campanhas promocionais de marketing mais ou menos assertivas,
poderiam induzir os clientes a operar mais, independente das taxas de juros. Para
validar esta hipótese, serão analisadas variações no intercepto das regressões, a
partir da inclusão de dummies para cada período.
Ao longo dos oito períodos, foram realizadas diversas alterações nas
políticas de concessão, das quais duas serão melhor aprofundadas abaixo.
A primeira delas, foram os ajustes de taxas, aumentando os custos das
operações em linha com movimentos de alta da taxa Selic. Na tabela 2 estão

apresentadas as taxas aplicadas em cada um dos períodos de acordo com cada
faixa de score.

Tabela 2 – Taxas aplicadas por período
Taxas
Períodos S A B C
1, 2, 3 1,20% 1,74% 2,53% 3,68%
4, 5, 6 1,18% 1,30% 2,04% 3,90%
7, 8 1,45% 2,10% 3,20% 4,50%

Fonte: Elaboração própria.

Outra mudança importante se deu na concessão de limites aos clientes. A
tabela 3 mostra o faturamento e o limite médios de cada um dos períodos.
Comparando a distribuição de faturamento, não parecem haver grandes diferenças
no perfil de clientes ao longo dos oito períodos. Já com relação ao limite, observa-
se um claro aumento no apetite da credora. Este fator deverá impactar o cálculo da
elasticidade, visto que no produto de antecipação de recebíveis, o limite tem
impacto direto na contratação do crédito, uma vez que uma nota fiscal só poderá
ser antecipada se o valor total da venda couber no limite disponível.

Tabela 3 – Distribuição de limite e faturamento por período
p
Faturamento
Anual Médio
Limite Médio
1 R$ 1.623.145,16 R$ 31.723,15
2 R$ 1.826.037,74 R$ 45.946,73
3 R$ 1.708.593,75 R$ 58.653,94
4 R$ 1.602.668,27 R$ 63.031,06
5 R$ 1.732.094,24 R$ 85.051,41
6 R$ 1.781.178,16 R$ 105.007,87
7 R$ 1.550.263,16 R$ 103.402,68
8 R$ 1.628.655,66 R$ 100.032,41

Fonte: Elaboração própria.

Uma informação relevante omitida da base são ações promocionais
realizadas ao longo dos períodos. Um exemplo dessas campanhas foi o
estabelecimento de cashback sobre o valor total operado, o que pode ter
influenciado os clientes na contratação ou não do crédito. Isto, no entanto, não será
considerado na análise dos resultados, uma vez que não se obteve acesso a quais
ou quando foram as campanhas realizadas.

2.2. Agrupamento por cliente
Após a divisão dos períodos, foram selecionadas variáveis relativas a cada
um dos CNPJs, sendo estas dividas em duas sub-categorias (1) informações
provenientes das operações na plataforma e (2) informações advindas de fontes
externas.

2.2.1. Informações provenientes da plataforma
Dentre as variáveis obtidas a partir do histórico dos clientes na credora, tem-se o
volume médio mensal operado e o ticket médio, calculados antes de cada um dos
períodos analisados, o limite total disponível e o tempo cadastrado na plataforma,
calculados no início de cada período, o score comportamental e o prazo médio das
operações por período.
Uma especificidade das informações extraídas da plataforma é o cálculo do score.
Esta variável é definida a partir de uma metodologia criada pela empresa para agrupar
clientes de acordo com suas características comportamentais, como liquidez ponderada,
atraso médio, total operado, meses de operação, etc. Desta forma, a composição geral
do Score Comportamental se dá por um produto entre quatro funções, cada uma
representando quantitativamente a confiança no cliente estudado conforme valores
quantitativos de certos parâmetros. O modelo retorna um variável contínua, de 0 a 1000,
que é posteriormente segregada em 5 categorias discretas, sendo elas S, A, B, C e D.
Para análise deste trabalho, foram selecionados clientes de S até A, uma vez que clientes
categorizados como D são impedidos de operar na plataforma. Desta característica
incorre uma forte correlação entre o score e as outras variáveis obtidas pelas

operações na plataforma, o que pode levar a um problema de multicolinearidade
nos modelos.

2.2.2. Informações de fontes externas
Além das informações referentes as operações dos clientes na plataforma de
crédito, foram selecionadas outras informações relativas aos CNPJs analisados.
Todas as características são obtidas a partir da base de dados da fintech, que os
obtém por meio de consultas públicas, de acordo com as regras de reconsultas da
empresa. Isto pode incorrer em dois possíveis problemas: dados inconsistentes com
a realidade ou desatualizados.
Entre a lista de dados selecionados, estão: Capital Social, Idade da empresa
e Faturamento Anual.
As duas primeiras informações representam características não mutáveis dos
CNPJs selecionados, e são obtidas com base em consultas na Receita Federal. As
consultas são realizadas de forma automática por meio de API’s, ocasionando
problemas de falta de informação em função de falhas no fluxo. Linhas com dados
faltantes foram excluídas do modelo.
Já o faturamento é obtido a partir de um fornecedor externo que estima a
cada dois meses o faturamento da empresa pesquisada de acordo com o fluxo de
caixa obtido por meio de notas fiscais emitidas ao londo do período. De acordo
com as regras da fintech, a atualização dos dados provenientes dessa consulta
externa podem ou não ser realizada a cada dois meses, a depender de políticas
de custos. Na amostra obtida, as informações por período têm data mais próxima
à janela analisada, podendo ou não estarem atualizadas. Além do problema
relacionado a atualização, a estimativa do faturamento também pode trazer
problemas de erro do cálculo e distanciamento da realidade. Isto, no entanto, será
ignorado para efeitos de análise do presente trabalho.

3. METODOLOGIA

Para mensurar o apetite a crédito por faixa do score comportamental, foram
escolhidas duas abordagens amplamente utilizadas na literatura. Na primeira, foi
construído um modelo probit a partir do número de cotações realizadas no período. Neste
caso, a variável dependente é discreta e assume valores entre 0 e 1, sendo 1 o caso em
que há efetivação da operação. Nasegunda abordagem, utilizou-se a variável
dependente como contínua, sendo y o volume financeiro contratado por cliente ao longo
do período.
Nos dois casos, os dados são utilizados em formato de cross-section empilhado.
A análise com dados empilhados é útil quando a relação entre a variável dependente e
pelo menos algumas das variáveis independentes se mantiver constante ao longo do
tempo (Wooldridge, 2012, Cap. 13). Neste caso, foi considerado que a relação entre a
taxa de juros e a contratação do crédito não se alterou ao longo dos períodos. Ademais,
para lidar com o fato de que a população tem distribuição diferente ao longo do tempo,
serão utilizadas dummies para cada um dos períodos, permitindo que o intercepto varie.

3.1. Modelo de Resposta Binária - Probit
Nesta primeira abordagem foi construído um modelo de probabilidade linear
PROBIT, tomando como base o modelo proposto por Attanasio, Goldberg e Kyriazidou
(2007), que tentaram estimar a elasticidade da procura de empréstimos de automóveis
com relação à taxa de juros e vencimento.
Nesta construção, a variável dependente assume puramente os valores de 0 e 1,
sendo 1 quando o cliente realizou pelo menos uma operação ao longo do período. Nesta
análise, estamos interessados em calcular o efeito que uma redução na taxa de juros tem
sobre a probabilidade do CNPJ realizar pelo menos uma cotação.
A equação utilizada tem o seguinte formato:

𝑌 = 𝑎0 + 𝛾1log⁡(𝑟) + 𝛽𝑖 log(𝑋𝑖) + 𝛼1𝑧𝐵 + 𝛼2𝑧𝐴 + 𝛼3𝑧𝑆 + 𝜃1𝑝2 +⋯+ 𝜃7𝑝8 + 𝜀⁡

• 𝑦 é o número de operações por cliente, sendo:

𝑌 = {
1, 𝑦 > 0
0, 𝑦 = 0

• 𝑎0 é o intercepto;
• 𝑟 é a taxa de juros aplicada nas operações realizadas no período;
• 𝑋 é um vetor de variáveis controle da empresa que realizou a cotação, sendo:
▪ 𝑥1 o capital social;
▪ 𝑥2 o faturamento anual;
▪ 𝑥3 a idade, em meses, calculada no início do período;
▪ 𝑥4 o tempo cadastrado na plataforma, em meses, calculado no início do
período;
▪ 𝑥5 o total operado na plataforma antes do período;
▪ 𝑥6 o ticket médio das operações realizadas antes do período;
▪ 𝑥7 o limite disponível para operar no período.
• 𝑧 é o score comportamental do cliente no período, sendo:
▪ C é o score base;
▪ 𝑧𝐵⁡ = ⁡1, para o score B;
▪ 𝑧𝐴⁡ = ⁡1, para o score A;
▪ 𝑧𝑆⁡ = ⁡1, para o score S.
• 𝑝2, 𝑝3, … , 𝑝8 são dummies representando cada um dos períodos, sendo o primeiro
período a referência utilizada.
Apesar da variável contendo o prazo das operações estar contida na base, esta
não foi incluída no modelo. Esta escolha se deveu ao fato de que na amostra analisada,
há uma correlação perfeita entre a variável dependente 𝑌, em que para todo 𝑃𝑟𝑎𝑧𝑜⁡ ≠
0⁡|⁡𝑌 = 1. Se esta correlação for verdadeira, não seria necessário incluir nenhuma outra
variável explicativa, visto que o prazo por si só seria capaz de explicar 𝑌. Esta hipótese,
no entanto, não é razoável, uma vez que é impossível um prazo ser de 0 dias. Na
verdade, o que se observou é que na base obtida o prazo da antecipação foi calculado a
partir do número de dias entre a operação e o vencimento da nota, de forma que cotações
não efetivadas estavam com o prazo igual a zero. Para resolver este problema, optou-se
por não incluir o prazo na regressão.
Outra limitação deste modelo, foi o fato de que, ao transformar o volume contrato

em dados binários, ocorreu um enorme desbalanceamento nos dados de 𝑌 (fig. 1). Isto
pode ser explicado pela regra de negócios da plataforma, em que no momento do
cadastro os clientes passam por uma análise prévia e apenas após aprovação nessa
fase, estão elegíveis a realizar cotações de crédito.

Figura 1 – Número de observações por valor de Y

Fonte: Elaboração própria.

Como o filtro de seleção é grande e a amostra pequena, há um grande viés de
seleção, fazendo com que praticamente todos os clientes aptos façam pelo menos uma
operação. Este problema poderia ser corrigido utilizando técnicas de
desbalanceamento que fogem do escopo deste trabalho. Para contornar esse
problema e obter outras estimativas para o coeficiente da taxa de juros, foi construída
uma segunda abordagem econométrica.

3.2. Estimativa OLS para o volume de crédito contratado
Nesta segunda abordagem para o caso proposto, utilizou-se como variável
dependente o volume total contratado no período por CNPJ. A equação utilizada tem
formato semelhante ao anterior, porém com a variável dependente 𝑦 contínua e
logarítmica:

log⁡(𝑦) = 𝑎0 + 𝛾1log⁡(𝑟) + 𝛽𝑖 log(𝑋𝑖) + 𝛼1𝑧𝐵 + 𝛼2𝑧𝐴 + 𝛼3𝑧𝑆 + 𝜃1𝑝2 +⋯+ 𝜃7𝑝8 + 𝜀⁡

Para calcular 𝑦 como logarítmica, foi necessário excluir observações de clientes
que não haviam contratado crédito. Esta modificação pode ser realizada uma vez que,
neste modelo, estamos interessados em calcular o impacto da taxa de juros sob o valor
monetário a mais contratado. Nesta abordagem, estamos interessados em calcular o
quanto uma unidade a menos de taxa de juros implica em reais a mais contratados.

4. EXPOSIÇÃO DE RESULTADOS

4.1. Análise das regressões
4.1.1. Modelo de Resposta Binária - Probit
A tabela 4 apresenta as estimativas obtidas por meio da análise binária. O
modelo (1) é a regressão simples dos juros sobre a contratação. Nos
modelos (2) e (3) foram incluídas as variáveis de controle 𝑋 e as dummies
para o score z, respectivamente. Por fim, o modelo (4) é a regressão final
calculada apenas com as variáveis que apresentaram significância.

Tabela 4 – Resultados Probit
Dependent variable:
Y
(1) (2) (3) (4)
log_r -1.914*** -2.957*** -2.305 -3.010***
(0.315) (0.495) (1.754) (0.443)
log_x1 0.214** 0.214** 0.214**
(0.091) (0.091) (0.089)
log_x2 -0.430*** -0.426*** -0.422***
(0.154) (0.155) (0.150)
log_x3 0.730*** 0.722*** 0.728***
(0.161) (0.162) (0.152)
log_x4 0.016 0.024
(0.181) (0.181)
log_x5 0.034 0.040
(0.174) (0.176)
log_x6 -0.652*** -0.680*** -0.645***
(0.134) (0.136) (0.127)
log_x7 -1.016*** -1.076*** -0.987***
(0.329) (0.337) (0.304)
zB 0.110

(0.374)
zA 0.092
(0.702)
zS 0.682
(0.910)
p2 0.432 0.809** 0.823** 0.804**
(0.277) (0.319) (0.323) (0.318)
p3 0.035 0.508* 0.531* 0.501*
(0.242) (0.280) (0.282) (0.278)
p4 0.378 0.831*** 0.861*** 0.821***
(0.261) (0.299) (0.310) (0.297)
p5 -0.219 0.229 0.271 0.223
(0.229) (0.265) (0.288) (0.265)
p6 -0.747*** -0.316 -0.284 -0.323
(0.219) (0.258) (0.285) (0.257)
p7 -0.190 0.419 0.347 0.425
(0.218) (0.283) (0.320) (0.281)
p8 -0.313 0.305 0.249 0.314
(0.210) (0.278) (0.312) (0.274)
Constant 2.309*** 8.417*** 8.378*** 8.453***
(0.226) (1.523) (1.746) (1.504)
Observations 1,418 1,415 1,415 1,415
Log Likelihood -363.733 -325.813 -323.607 -325.842
Akaike Inf. Crit. 745.467 683.625 685.214 679.684
Note: *p<0.1; **p<0.05; ***p<0.01

Na regressão probit, os coeficientes são interpretados como o impacto da variável
explicativa sobre o índice latente e não sobre a variável dependente (LIMA, 1996). Neste
caso, o efeito marginal que buscamos observar é representado não pelo próprio
coeficiente e sim pela inclinação da curva normal cumulativa, ou seja, a derivada parcial
da função resposta binária (LIMA, 1996). A tabela 5 contém esses efeitos calculados para
os coeficientes significantes.

Tabela 5 – Efeitos marginais

Probit 1 Probit 2 Probit 3 Probit 4

log_r -0.266 -0.372 -0.288 -0.379
log_x1 0.027 0.027 0.027
log_x2 -0.054 -0.053 -0.053
log_x3 0.092 0.090 0.092
log_x6 -0.082 0.085 -0.081
log_x7 -0.128 -0.135 -0.124

Para os coeficientes da taxa de juros 𝑟 estimados, fixando um nível de
significância em 1%, obtivemos resultados significantes nosmodelos (1), (2) e (4). O
resultado não significativo para o modelo com as variáveis de score contribui com a
hipótese levantada nos objetivos de que da forma como essa classificação é calculada,
os grupos não são homogêneos o suficiente dificultando, portanto, a identificação de
uma correlação clara entre o valor total operado e a característica do grupo, além de
haver uma correlação perfeita entre o score e a taxa de juros. Todas os efeitos
apresentaram valor negativo, em linha com o resultado esperado de que a variação
positiva na taxa de juros diminui a probabilidade de se contratar crédito.
Analisando o resultado das variáveis de controle do vetor 𝑋, apenas o tempo
cadastrado (𝑋4) e o total operado na plataforma (𝑋5) não tiveram valores significantes
a 5%. As variáveis de faturamento (𝑋2), ticket médio (𝑋6) e limite disponível para operar
(𝑋7) apresentaram coeficientes negativos. A primeira informação pode ser interpretada
como proxy do tamanho da empresa e, neste caso, o valor negativo indica que
empresas com maior faturamento tem menor probabilidade de operar. Esse resultado
é intuitivo uma vez que, dado o público-alvo da plataforma e o teto de limite
estabelecido pela regra de negócios da fintech, empresas maiores não teriam limite
adequado e, como têm maior acesso a outras instituições, podem fazer mais
antecipações por fora. Já a relação negativa para o ticket médio e o limite disponível é
contraintuitiva, uma vez que a operação é altamente dependente de ambos.

4.1.2. Modelo OLS para o volume de crédito contratado
Os resultados das estimações por OLS estão contidos na tabela (6).

Tabela 6 – Resultados OLS
Dependent variable:
log_y
(1) (2) (3) (4)
log_r -1.591*** -0.613*** -0.338 -0.597***
(0.081) (0.114) (0.422) (0.113)
log_x1 0.019 0.018
(0.023) (0.023)
log_x2 0.137*** 0.138*** 0.122***
(0.038) (0.038) (0.033)
log_x3 -0.029 -0.032
(0.034) (0.034)
log_x4 -0.130*** -0.132*** -0.140***
(0.046) (0.046) (0.043)
log_x5 0.362*** 0.360*** 0.375***
(0.043) (0.044) (0.042)
log_x6 0.155*** 0.153*** 0.156***
(0.035) (0.035) (0.034)
log_x7 0.177** 0.163** 0.183***
(0.069) (0.070) (0.069)
zB 0.041
(0.092)
zA 0.102
(0.169)
zS 0.157
(0.219)
p2 0.089 0.032 0.035 0.030
(0.061) (0.056) (0.056) (0.056)
p3 0.108* -0.008 -0.004 -0.012
(0.061) (0.060) (0.060) (0.060)

p4 0.052 -0.014 0.009 -0.017
(0.058) (0.058) (0.064) (0.058)
p5 0.082 -0.026 0.002 -0.035
(0.060) (0.061) (0.069) (0.061)
p6 -0.035 -0.132** -0.103 -0.137**
(0.063) (0.065) (0.073) (0.065)
p7 0.341*** 0.070 0.052 0.060
(0.060) (0.067) (0.076) (0.067)
p8 0.396*** 0.102 0.085 0.090
(0.059) (0.067) (0.075) (0.067)
Constant 1.492*** -0.526* -0.047 -0.490*
(0.139) (0.274) (0.678) (0.272)
Observations 1,299 1,296 1,296 1,299
R2 0.252 0.385 0.386 0.385
Adjusted R2 0.247 0.378 0.377 0.379
Residual Std.
Error
0.495 (df = 1290) 0.450 (df = 1280) 0.450 (df = 1277) 0.450 (df = 1285)
F Statistic
54.249*** (df = 8;
1290)
53.441*** (df = 15;
1280)
44.526*** (df = 18;
1277)
61.979*** (df = 13;
1285)
Note: *p<0.1; **p<0.05; ***p<0.01

Novamente, o primeiro modelo calcula a regressão simples do volume contratado
em função dos juros, as regressões (2) e (3) incluem variáveis de controle e a (4) um
modelo contendo apenas os coeficientes que demonstraram significância anteriormente.
Na abordagem por meio de modelos OLS, como tanto a variável dependente como
a variável explicativa da taxa de juros estão em log, o coeficiente representa a
elasticidade-juros para na contratação do crédito dessa carteira de clientes. A Tabela 7
apresenta um resumo das elasticidades.
As elasticidades calculadas são interpretadas como o efeito de um aumento
percentual na taxa de juros sobre o volume contratado. Nesse caso, como as
elasticidades calculadas são negativas, o aumento dos juros provoca uma diminuição no
volume. Os valores baixos também contribuem com a hipótese de que a modalidade de
desconto de duplicatas tem menor sensibilidade ao juros, uma vez que a antecipação é

parte do operacional da empresa para ajuste do fluxo de caixa.

Tabela 7 – Elasticidades

Elasticidades

1 2 3 4

Elast. -1.591 -0.613 -0.338 -0.597

Todos os modelos OLS apresentaram p-valor da estatística F virtualmente zero, o
que indica significância conjunta do modelo. No entanto, as variáveis incluídas foram
capazes de explicar cerca de 38,5% das variações no volume contrato para a amostra
de operações da fintech no período analisado, de acordo com o R-quadrado. O valor
baixo pode ser resultado da omissão de outras variáveis que expliquem o apetite a
contratar e que foram omitidas do modelo.
Nesta abordagem, as variáveis relativas a características da empresa contidas no
vetor 𝑋, foram significantes a 5%, com exceção de capital social (𝑥1) e a idade da
empresa (𝑥3). O tempo de cadastro na plataforma apresentou coeficiente negativo, um
resultado não intuitivo, visto que segundo a regra de negócios da plataforma, clientes
com maior tempo de operação são premiados tanto em termos de limites maiores como
taxas de juros menores, fatores que deveriam contribuir para o volume total contratado.

4. Conclusões
As discussões apresentadas no presente trabalho representam importante análise
a respeito da modalidade de Desconto de Duplicatas, poucas vezes explorada na
literatura anteriormente. As constatações obtidas pelos resultados dos modelos
econométricos estimados, corroboram com as principais hipóteses a respeito do mercado
de crédito brasileiro levantadas na revisão literária. Tanto na abordagem por OLS como
nos modelos probit foram encontrados valores negativos para 𝛾1, em linha com a
suposição de que quanto menor o juros, maior o apetite do cliente a contratar o crédito.
As duas abordagens apresentaram modelos com significância conjunta e estimadores
significantes para as taxas de juros, permitindo análises importantes a respeito dos
problemas de interesse.
De modo geral, os dados mostraram uma baixa sensibilidade ao juros por parte
dos clientes na modalidade de Desconto de Duplicatas. Este resultado é interessante
na medida em que nesse tipo de operação de crédito, muitas vezes a opção por tomar
crédito não depende totalmente da oferta obtida, sendo considerada uma parte da
operação das empresas e, portanto, já incluída em custos operacionais. Uma
informação relativa a esta questão e que não pôde ser incluída em nenhuma das
regressões calculadas é o setor da empresa tomadora. Esta variável contribuiria para
uma análise mais aprofundada da relação entre a opção por antecipar e a margem
praticada na categoria, sobre a hipótese de que quanto maior a margem disponível,
maior a opção por antecipação, uma vez que os custos poderiam ser repassados.
Apesar de não observamos o setor, outras interpretações interessantes podem ser
extraídas das regressões estimadas. Uma delas é o fato de que a baixa sensibilidade
pode ser uma consequência não apenas da modalidade como também da carteira de
clientes da fintech, que consiste em empresas pequenas e novas e, portanto, com maior
restrição no acesso ao crédito em outras instituições. Neste caso, o modelo está em linha
com a literatura, na medida de que por se tratarem de PMEs, temos novamente o
indicativo de que quanto menor a renda, menor a sensibilidade à taxa de juros.
Essa baixa acessibilidade ao crédito por empresas menores, acentua a
importância da atuação ativa de reguladores sobre a criação de novos instrumentos
financeiros para a concessão de crédito nas mais diversas modalidades. Neste sentido,

os marcos regulatórios apresentados na introdução do trabalho terão importantepapel
na viabilização e facilitação da atuação de cada vez mais instituições financeiras no
mercado de crédito nacional.
A resolução nº 4.888, por exemplo, com a consolidação das registradoras
unificadas, será um mitigador dos riscos envolvidos no mercado de Desconto de
Duplicatas atual. Dentre suas consequências estão a certificação do pagamento do
sacado da nota diretamente para a instituição credora, além da inibição da prática de de
antecipação duplicada em mais de uma instituição. As duas implicações tem relação
direta com os riscos envolvidos no mercado atualmente, impactando diretamente em um
ambiente mais favorável para que novas empresas, sejam elas fintechs ou instituições
tradicionais, surjam e permaneçam de forma sustentável.
Ainda com relação às regressões estimadas, o resultado da regressão OLS
provavelmente está enviesado pela falta de outras variáveis relevantes para explicar o
volume total contratado. Dentre as informações omitidas, um exemplo seria o setor da
empresa, já apontado anteriormente. Outra variável seria a necessidade de capital de
giro da empresa, que poderia, por exemplo, ser incluída por meio de uma proxy de
descasamento entre o prazo de recebimento e o prazo de pagamento. Apesar do baixo
R-quadrado encontrado nos modelos, a maior parte dos resultados obtidos para foram
estatisticamente relevantes, não invalidando, portanto, as análises realizadas sobre os
coeficientes observados.

REFERÊNCIAS BIBLIOGRÁFICAS

ATTANASIO, O. P.; GOLDBERG, P. K.; KYRIAZIDOU, E. Credit Constraints in the
market for consumer durables: Evidence from micro data on car loans. International
Economic Review, Vol. 49, No. 2. Pennsylvania, EUA, 2008.

DE NEGRI, João A.; ALVES, Patrick F.; KOYAMA, Sergio M.; ARAUJO, Bruno C.
Elasticidades juros e prazo da demanda de crédito livre e direcionado no Brasil. IPEA,
Radar nº 59, 2019.

FILHO, Ernani T. T.; MACAHYBA, Luiz; MARTINS, Norberto M. Desafios do Crédito
Corporativo de Longo Prazo: do BNDES à intermediação privada. Instituto de Estudos
para o Desenvolvimento Industrial (IEDI), 2021.

KOCHAR, A. An empirical investigation of rationing constraints in rural credit markets in
India. Journal of Development Economics, vol. 53., Department of Economics, Stanford
University, 1997.

LIMA, Ricardo, C.; Modelos de Respostas Binárias: Especificação, Estimação e
Inferência. Agricultura em São Paulo, SP, 43(2): 19-25, 1996.

LUCINDA, Claudio, R. de; VIEIRA, Rodrigo L. Interest Rates and Informational Issues in
the Credit Market: Experimental Evidence from Brazil. World Development, Elsevier, Vol.
59, pp. 47–58, 2014.

PAULA, Luiz F. de. Fintechs, Bancos Digitais e Open Banking e seus efeitos sobre o
setor bancário brasileiro. UFRJ I.E., Textos para Discussão 014, 2022.

WOOLDRIDGE, Jeffrey M. Introductory Econometrics: A Modern Approach. 2nd Edition.
Boston, EUA: Cengage Learning, 2003.

APÊNDICE A – DADOS DISTRIBUÍDOS POR PERÍODO

periodo score_faixa taxa_cessao clientes operações R$ contratados
1 A 1.74 31 278 R$ 839.362,68
B 2.53 42 388 R$ 684.083,64
C 3.68 40 431 R$ 522.309,16
S 1.20 11 95 R$ 256.900,42
periodo score_faixa taxa_cessao clientes operações R$ contratados
2 A 1.74 38 585 R$ 1.166.839,90
B 2.53 56 849 R$ 1.114.945,84
C 3.68 49 509 R$ 584.945,20
S 1.20 16 222 R$ 737.351,69
periodo score_faixa taxa_cessao clientes operações R$ contratados
3 A 1.74 48 672 R$ 1.280.788,41
B 2.53 52 568 R$ 997.011,86
C 3.68 45 491 R$ 706.763,58
S 1.20 15 203 R$ 643.293,21
periodo score_faixa taxa_cessao clientes operações R$ contratados
4 A 1.30 47 1131 R$ 1.996.498,36
B 2.04 83 1576 R$ 2.134.943,20
C 3.90 59 1009 R$ 864.535,43
S 1.18 19 490 R$ 1.807.999,93
periodo score_faixa taxa_cessao clientes operações R$ contratados
5 A 1.30 50 1642 R$ 2.838.370,88
B 2.04 84 2067 R$ 2.640.646,07
C 3.90 36 266 R$ 385.506,23
S 1.18 21 433 R$ 2.297.505,80
periodo score_faixa taxa_cessao clientes operações R$ contratados
6 A 1.30 54 1352 R$ 2.014.769,41
B 2.04 67 850 R$ 988.085,86
C 3.90 24 139 R$ 92.849,87
S 1.18 29 482 R$ 2.005.343,27
periodo score_faixa taxa_cessao clientes operações R$ contratados
7 A 2.10 30 1274 R$ 1.449.691,73
B 3.20 76 1848 R$ 2.282.347,26
C 4.50 40 306 R$ 294.119,44
S 1.45 44 1313 R$ 3.316.115,49
periodo score_faixa taxa_cessao clientes operações R$ contratados
8 A 2.10 36 1784 R$ 2.097.047,01
B 3.20 79 1713 R$ 2.199.500,94
C 4.50 59 442 R$ 860.624,27
S 1.45 38 1438 R$ 3.309.479,57