Baixe o app para aproveitar ainda mais
Prévia do material em texto
7 METODOLOGIA 7.1 Hipótese referente ao volume negociado de crédito rural Como a taxa de juros, no caso do crédito rural, é fixada exogenamente, não é adequado estimar uma curva de oferta. Esta iria refletir as variações na quantidade ofertada decorrente de variações nas taxas de juros, se estas ocorressem. No entanto, mesmo a uma taxa de juros fixa, alterações no cenário econômico e no comportamento dos tomadores podem alterar o retorno esperado pelos ofertantes de crédito, o que implicaria em deslocamentos da oferta de recursos. No presente estudo, é analisado o efeito de alterações nas variáveis (em especial na confiabilidade) que afetam o retorno esperado sobre o volume negociado de crédito rural. Um importante instrumento utilizado para decisões relativas à alocação de recursos é o modelo RAROC105 (Risk Adjusted Return on Capital), desenvolvido nos anos 70 e que constantemente é aperfeiçoado ou adaptado a interesses específicos (Bastos, 2002). O que se busca com este modelo é estabelecer a alocação de recursos de modo que a rentabilidade seja, no mínimo, igual à perda máxima esperada em um determinado nível de significância. A fórmula tradicional do RAROC é: 105 Trata-se de uma ferramenta utilizada por diversas instituições financeiras para decisões quanto à alocação de capitais pelos bancos. 109 em que: Lucro Econômico é a lucratividade da operação, compreendendo a soma dos juros e eventuais taxas adicionas, subtraída das perdas esperadas e dos custos operacionais, tudo expresso em valores monetários; e, Capital Econômico é valor monetário necessário para cobrir perdas inesperadas, isto é, que superem as perdas esperadas. Desta forma, o capital econômico pode ser representado por: em que: K = Capital Econômico; Pe = Perda Esperada ; e, Pi = Perda Esperada + Perda Inesperada (sendo estas limitadas a uma taxa de insolvência objetivada de acordo com o nível de significância desejado) Embora de cálculo aparentemente simples, a complexidade da utilização do modelo decorre da estimativa das perdas esperadas e inesperadas. Para o cálculo das perdas esperadas, é necessário calcular (ou estimar) a distribuição probabilística dos (26) EconômicoCapital EconômicoLucro RAROC = (27)ei PPK −= 110 eventos de inadimplência e da severidade das perdas, ou seja, das perdas líquidas das recuperações (Bastos, 2002). Para o cálculo das perdas inesperadas é necessário escolher o percentil divisório entre as perdas inesperadas e aquelas consideradas extremamente raras, isto é, a taxa de insolvência objetivada (Figura 32). Figura 32 – Modelo RAROC: Distribuição hipotética de perdas e taxa de insolvência objetivada. Fonte: Baseado em Bastos (2002) Para estimar o volume de crédito rural transacionado será assumida a hipótese de que o objetivo do agente é maximizar o RAROC [eq. (26)], sujeito a uma limitação (máximo) de capital econômico [eq. (27)]. Esta hipótese de maximização do Pr ob ab ili da de (% ) Valor das Perdas (R$) Perda esperada Perda inesperada Capital Econômico Perdas raras Taxa de insolvência objetivada 111 resultado econômico é compatível com o novo paradigma do financiamento rural (Meyer & Nagarajan, 2000). Diante da limitação legal da taxa de juros, a maximização do lucro econômico [numerador da (eq. 26)] fica restrita à minimização do custo. Isto implica na redução dos custos de transação, referida na literatura como a busca de maior valor médio dos contratos, maior volume de operações e maior especialização nas operações rurais (Guidetti & Araujo, 1994; Pessôa, 1996; Barros & Araujo, 1991). Adicionalmente, a redução do capital econômico [eq. (27) e denominador da eq. (26)] contribui para a maximização do RAROC. Desta forma, variáveis que afetam a perda (tanto a esperada quanto a inesperada) são relevantes no processo de tomada de decisão. Assim, os custos de transação associados à inadimplência, inclusive aqueles relacionados à sua prevenção, destacam-se na atividade de crédito. Isto ressalta a importância da informação e do capital social na determinação do volume crédito a ser ofertado. 112 7.2 Efeito do capital social Buscou-se verificar como o capital social afeta a probabilidade de um agricultor ter acesso ao crédito rural, ou seja, como o volume de negócios praticados no mercado é afetado. O modelo, para esta análise, pressupõe quatro hipóteses: a) O ambiente é exógeno. Não há variações institucionais (por exemplo, a eficiência do judiciário é a mesma em todas operações). Também não é considerada a ocorrência de fenômenos inesperados da natureza (como secas ou enchentes), que poderiam comprometer a oferta de crédito ao inviabilizar a produção agrícola; b) As informações complementares, como dados sobre clima e zoneamento agrícola, são de conhecimento dos ofertantes de crédito. O custo já foi incorrido e será o mesmo (ou seja, não há custo adicional) independente do nível de utilização destas informações; c) conforme o capital social se eleva, maior será a probabilidade de que ocorra uma transação de crédito; e, d) a relação entre a referida probabilidade e o capital social não é linear. Isto é, para baixo nível de capital social o acesso é pouco provável, assim como a partir de determinado nível de capital social, este deixaria de ser limitante ao acesso ao crédito. Portanto, em vista das considerações teóricas apresentadas nos capítulos anteriores, postula-se que a ocorrência de transação de crédito (V) pode ser expressa pela seguinte função: 113 em que: V = ocorrência de transação de crédito, assumindo valor 1 (ocorrido) ou 0 (não ocorrido); G = Garantias oferecidas; K = Capital social; e, W = Outras variáveis. Este termo buscará captar outras fontes que possam influenciar o volume de crédito, tais como a presença de agência bancária no município, facilidade de acesso, tamanho de contrato, entre outras. Em especial, são considerados os fatores que favorecem o surgimento de economias de escala e escopo no uso da informação. As variáveis explanatórias afetam o custo de transação (lucro econômico) e, em especial, a inadimplência (capital econômico), influenciando o RAROC. Porém, deve-se ressaltar a limitação de dados referentes a esta variável. Dentre as dificuldades, destaca-se a confidencialidade das informações, tanto por razões estratégicas das instituições bancárias quanto pelo sigilo bancário. As poucas informações públicas encontram-se muito agregadas e, em muitos casos, podem ser imprecisas, face ao forte impacto fiscal e contábil da inadimplência. Para contornar esta limitação, o modelo considerou dados [incluídos na variável W da eq. (28)] que refletem o interesse de instituições financeiras operarem na região (o que, presume-se, é afetado pela inadimplência). (28) ( )WKGfV ,,= 114 7.3 Modelo econométrico O modelo de lógite será utilizado na verificação da relação entre a quantidade de operações de crédito rural e o capital social, conforme exposto a seguir106. Admitindo que existem k variáveis explanatórias para uma resposta quântica, o vetor-linha com os valores dessas variáveis explanatórias na j-ésima observação é: em que n é o número total de observações. O correspondente vetor de parâmetros é: No modelo de lógite admite-se que, dado xj, a probabilidade de obter uma resposta favorável é: 106 A descrição do modelo é a apresentada por Hoffmann (2000). β β β = k M 1 0 â (30) (29)[ ] .n,,jcomxx' kjjj KK 11 1 ==x115 Se houver apenas uma variável explanatória, trata-se de uma curva logística com assíntota superior com ordenada 1. Obtém-se: E, Então: que é o lógite correspondente a Pj. Partindo do modelo não linear [eq. (31)], o lógite é, por construção, uma função linear nas variáveis explanatórias. Quando Pj varia de zero a 1, o lógite varia de −∞ a +∞. Os parâmetros do modelo de lógite são estimados pelo método da máxima verossimilhança. A função de verossimilhança é: (31)( )[ ] ( )âxâx 'exp1 1 'exp1 1 j jjP −+ =−+= − (32) ( ) ( )âx âx ' ' PQ j j jj −+ − =−= exp1 exp 1 (33)( )âx ' Q P j j j exp= (34)kjkjj j j j xxQ P Y βββ +++=== L110'ln âx 116 em que nj é o número de observações (número de UPAs)107 no j-ésimo ensaio (município) e mj é o número de respostas favoráveis (número de UPAs que receberam crédito rural). Segue-se que: Então Da eq. (31) obtém-se: 107 Unidade de Produção Agropecuária (UPA) é o imóvel rural (não considerados os imóveis utilizados somente para lazer), entendido como o conjunto de propriedades contíguas do(s) mesmo(s) proprietário(s) (São Paulo, 1999). (35)( ) jjj mnjmj j j j PP m n −− = ∏ 1£ (36)( ) ( )∑ −−++ = j jjjjj j j PmnPm m n 1lnlnln£ln (37)∑ ∂ ∂ − − −= ∂ ∂ j i j j jj j j i P P mn P m ββ 1 £ln (38)( )jjijjjij i j PPxQPx P −== ∂ ∂ 1 β 117 Substituindo eq. (38) na eq. (37) e simplificando, obtém-se: Como j j j n m p = , segue-se que O sistema de equações cuja solução consiste nos estimadores de máxima verossimilhança é: No modelo de lógite, o coeficiente βi é o efeito marginal de X i sobre o lógite Y. O efeito marginal de X i sobre a probabilidade P pode ser verificado através do seguinte procedimento: Da eq. (34): Obtém-se: P P Y − = 1 ln (42) (39)( )∑ −=∂ ∂ j jjjij i Pnmx β £ln (40)( )∑ −=∂ ∂ j jjijj i Ppxn β £ln (41)( ) ( )∑ ==− j jjijj kiPpxn ,,1,00 K 118 Mas i iX Y β= ∂ ∂ (44) Das eq. (43) e eq. (44) segue-se que: O efeito marginal de X i sobre a probabilidade P depende do ponto da curva (ou da superfície) que for considerado. Dado um vetor de valores das variáveis explanatórias xj�, pode-se calcular bx 'Ŷ jj = e De acordo com eq. (45), a estimativa do efeito marginal de xi sobre a probabilidade P no ponto xj� é ( )hhi PPb ˆ1ˆ − . (43) ( ) ii X P PPX Y ∂ ∂ − = ∂ ∂ 1 1 (45)( )PP X P i i −= ∂ ∂ 1β (46)( )jj ŶP̂ −+= exp1 1 119 7.4 Variáveis utilizadas no modelo O modelo proposto [eq. (28)] é estimado utilizando o lógite representado pela eq. (34). A análise foi restrita a apenas um estado – São Paulo – para evitar a interferência de outras variáveis regionais, como, por exemplo, a diferente eficiência do Judiciário em cada estado. Assim, o índice j da eq. (34) representa cada um dos municípios do Estado de São Paulo. O percentual de Unidades de Produção Agropecuária (UPA) que receberam crédito, em cada um dos municípios do Estado de São Paulo, serviu como proxy do crédito transacionado [variável V da eq. (28)]. Na eq. (34), Yj é o valor deste percentual, para cada município j, obtido do Levantamento das Unidades de Produção Agropecuária (LUPA), referente ao Estado de São Paulo, safra de 1995/96, elaborado pela Coordenadoria de Assistência Técnica Integral – CATI. O vetor xj, apresentado na eq. (34), é composto por sete variáveis explanatórias (LPROD, CAPSOC, ICMS, OPCRED, AGBCO, AREA e CRIMES) para cada município j, definidas na Tabela 11. Esta tabela apresenta também a definição das variáveis UPA e CREDRUR, necessárias para obtenção dos valores de Yj. A capacidade do tomador oferecer garantias afeta a probabilidade de obter crédito. É pressuposto que quanto maior for a produção, maior deverá ser o patrimônio do produtor e, consequentemente, as alternativas de garantias que poderão ser oferecidas ao credor. Assim, será adotado, como proxy da variável G da eq. (28), o 120 valor da receita108 (na forma logarítmica) de produção animal109 e vegetal110, por município. Tabela 11. Variáveis que compõem o modelo. Nome Descrição Fonte Sinal esperado UPAj Número de unidades de produção agropecuária presentes no município j em 1995. São Paulo (1997) CREDRURj Número de UPAs que receberam crédito no município j. São Paulo (1997) LPRODj Valor da receita, na forma logarítmica, da produção animal e vegetal na safra 1995/96 (em milhares de Reais). IBGE (1997) Positivo CAPSOCj Valor máximo entre os percentuais de UPAs, no município j, cujo produtor fazia parte de cooperativas, associações ou sindicatos de produtores, na safra 1995/96. São Paulo (1997) Positivo ICMSj Percentual da participação do município j na arrecadação do ICMS do Estado de São Paulo no ano de 1995. SEADE (2002)111 Positivo 108 Conforme dados do Censo Agropecuário 1995-96, do Estado de São Paulo, do Instituto Brasileiro de Geografia e Estatística – IBGE 109 Valor da produção e da exploração das atividades desenvolvidas pelos estabelecimentos, tais como a venda de animais (inclusive rãs e peixes) e de produtos de origem animal (leite de vaca, de búfala, e de cabra, lã, ovos de galinha, de codorna e de outras aves, mel e cera de abelha, e casulos de bicho-da-seda) (IBGE, 1997). 110 Refere-se ao valor da produção das principais culturas permanentes e temporárias, da horticultura, da extração vegetal e da silvicultura, no período de 01-08-95 a 31-07-96 (IBGE, 1997). 111 Banco de dados Informações dos Municípios Paulistas, da Fundação Sistema Estadual de Análise de Dados – SEADE. 121 Tabela 11. Variáveis que compõem o modelo. Nome Descrição Fonte Sinal esperado OPCREDj Valor das operações de crédito, na forma logarítmica, nas instituições financeiras do município j em 1995 (em Reais de dezembro de 2000). SEADE (2002) Positivo AGBCOj Número de agências bancárias no município j em 1995, por mil habitantes. SEADE (2002) Positivo AREAj Área das UPAs no município j (em milhares de hectares), em dezembro de 1995. IBGE (1997) Negativo CRIMESj Total de ocorrências de crimes contra o patrimônio, no município j, por habitante (em 1997). SEADE (2002) Negativo O percentual de UPAs que fazem parte de cooperativas, associações ou sindicatos de produtores foi utilizado como medida da quantidade de capital social [variável K da eq. (28)], em um determinado município. Buscando reduzir o risco de dupla contagem, para cada município, a variável utilizada foi o valor máximo entre estas três participações. Assim, a variável CAPSOC serviu como proxy do capital social. A influência positiva da filiação a uma cooperativa sobre a produção do agricultor foi verificada em diversos estudos, dos quais destaca-se o pioneiro de Brandt et al. (1986) referindo-se ao capital de informação adquirido através do contato informal entre os cooperados. O presente estudo amplia a influência deste contato informal, considerando que as relações sociais assim geradas podem beneficiar o produtor em outras áreas de seu interesse, ou seja, produzindo, além de capital de informação, capital social. 122 Conforme destacado no item 5.2, uma determinada forma de capital social pode ser facilitadora para uma ação específica, mas prejudicial ou indiferente para outras. A mensuração do capital social deve estar atenta a estefato. Ela precisa ser específica para cada finalidade. Da mesma forma que, por exemplo, o capital físico representado por uma refinaria de petróleo − a despeito de seu valor para indústria petroquímica − pode ser desprezado quando se analisa a função de produção de um produtor de feijão, diversas formas de capital social podem ser desconsideradas quando estamos analisando o impacto sobre a oferta de crédito. Por exemplo, o número de bandas musicais numa determinada região pode ser relevante ao mensurar o capital social total, mas não há nenhuma indicação teórica de que esta forma de capital social seja relevante ao mercado de crédito. Adicionalmente, diante da limitação de dados, não foi possível identificar o local de residência de cerca de 70% dos proprietários112. Assumindo que o capital social está vinculado ao proprietário e não ao imóvel, não seria conveniente utilizar indicadores de capital social do município onde se encontra a UPA: o adequado seria utilizar indicadores do município de residência do proprietário. Assim, para os objetivos deste trabalho, dentre as diversas formas de capital social, optou-se exclusivamente pelo percentual descrito no parágrafo anterior como medida do capital social. Outras variáveis, descritas na Tabela 12, foram introduzidas no modelo para captar o interesse da instituição financeira operar no município, como reflexo de diferenças nas condições de mercado e de economias de escala e de escopo. Neste sentido, foram incluídas as variáveis referentes ao porte financeiro do município (percentual de participação dos municípios no ICMS113) e ao volume de operações de 112 Os dados disponíveis no LUPA informam apenas que 29,83% dos proprietários residem na UPA (São Paulo, 1999), não indicando a residência dos demais. 113 De acordo com a Lei 8.510, de 29.12.1993, o percentual de participação dos municípios do Estado de São Paulo no Imposto sobre Operações Relativas à Circulação de Mercadorias e sobre Prestações de Serviços de Transporte Interestadual e Intermunicipal e de Comunicação (ICMS) é obtido segundo os seguintes critérios: (a) 76% proporcional ao valor adicionado; (b) 13% proporcional à população; (c) 5% proporcional à receita própria; (d) 3% proporcional à área cultivada; (e) 2% distribuídos igualmente entre os municípios; (f) 0,5% proporcional à área dos reservatórios de água; e, (g) 0,5% proporcional à área de espaço territorial especialmente protegido (PINO, 1997). 123 crédito114. O número de agência bancárias por mil habitantes foi introduzido no modelo para captar a concorrência e a atratividade do mercado financeiro local (não apenas de crédito rural). Também foram consideradas as áreas115 utilizadas pelas UPAs, por município, assumindo que o custo de monitoramento é uma função da área a ser estudada. A concretização da produção agropecuária não é o bastante para o credor. É necessário que ela esteja disponível (para garantia ou comercialização) e que parcela de sua receita seja direcionada para a efetiva liquidação do contrato. Para captar a segurança do credor quanto a este tópico, foi incluída uma variável explanatória que indica a proporção de ocorrências de crimes contra o patrimônio116, verificada no município, para cada habitante. 114 Empréstimos efetuados ao setor público e privado, pelos bancos comerciais, múltiplos e caixas econômicas. 115 Inclui a área ocupada por lavouras (temporárias e permanentes); pastagens; matas e florestas; produtivas e não utilizadas; e, terras inaproveitáveis. Compreende a totalidade das terras que formavam o estabelecimento, considerando a situação existente na data do Censo Agropecuário. O estabelecimento cuja área se estendia a mais de um município foi incluído por inteiro no município em que se achava localizada a sede ou, na falta desta, naquele em que se situasse a maior parte de sua área (IBGE, 1997). 116 Este dado foi obtido junto ao SEADE (2002). Corresponde à soma dos boletins de ocorrências policiais e termos circunstanciados. Inclui apenas as ocorrências policiais registradas pelas delegacias e distritos sob responsabilidade do Departamento de Polícia Judiciária da Capital - Decap, Departamento de Polícia Judiciária da Macro São Paulo - Demacro e Departamento de Polícia Judiciária de São Paulo/Interior - Deinter. O total de ocorrências de crimes contra o a patrimônio inclui ocorrências de: (i) estelionato; (ii) extorsão mediante seqüestro ou não; (iii) furto (tentado ou consumado), inclusive de veículos; (iv) roubo (tentado ou consumado), inclusive de veículos; (v) roubo seguido de morte (latrocínio); e, (vi) outros crimes contra o patrimônio. Ao contrário dos demais dados, não há dados disponíveis referentes ao ano de 1995 (data base das demais informações utilizadas). Foram utilizados dados referentes ao ano de 1997 e assumido que a segurança, representada pelas citadas ocorrências, não sofre alterações significativas no curto prazo. 124 7.5 Tratamento dos dados O Estado de São Paulo, atualmente, é composto por 645 municípios. Destes, dezoito foram criados entre os anos de 1993 e 1996, tendo sido efetivamente instalados em 01 de janeiro de 1997. Como os dados utilizados referem-se à safra 95/96, as informações de cada um destes novos municípios foram agregadas aos dados dos municípios originais (anteriores ao desmembramento), conforme a Tabela 12. Tabela 12. Estado de São Paulo: municípios criados entre 1993 e 1996 e efetivamente instalados em 1997. Município criado Dados incorporados ao município de Arco-íris Tupã Brejo Alegre Coroados Canas Lorena Fernão Gália Gavião Peixoto Araraquara Ipiguá São José do Rio Preto Jumirim Tietê Nova Castilho General Salgado Ouroeste Guarani d’Oeste Pracinha Lucélia Pratânia São Manuel Ribeirão dos Índios Santo Anastácio Quadra Tatui Santa Cruz da Esperança Cajuru Santa Salete Urânia 125 Tabela 12. Municípios criados entre 1993 e 1996 no Estado de São Paulo e efetivamente instalados em 1997. Município criado Dados incorporados ao município de Taquaral Pitangueiras Trabiju Boa Esperança do Sul Vitória Brasil Jales Fonte: IBGE (2002) Desta forma, inicialmente a base de dados é composta por 627 municípios. Oito municípios não constavam nem do Censo Agropecuário nem do Lupa117. Assim, foram desconsiderados os seguintes municípios: Barueri; Carapicuíba; Diadema; Jandira; Nantes; Paulistânia; São Caetano do Sul; e, Taboão da Serra. Seis municípios (Araçariguama; Guarulhos; Mauá; Osasco; Santo André; e, São Bernardo do Campo), embora constassem do Censo Agropecuário, não foram relacionados no LUPA118, tendo sido retirados da amostra analisada. As estatísticas apresentadas no LUPA referentes ao município de Cabrália Paulista estão inconsistentes119. Assim, este município foi excluído do presente estudo. 117 Isto porque em alguns municípios não foram identificadas UPAs e, em outros – caso de Nantes e Paulistânia – não foi possível separar no campo as UPAs de seus territórios (Pino, 1997). 118 Apesar de UPAs destes municípios constarem dos dados do IBGE (1997), pesquisadores do LUPA não encontraram UPAs nestes municípios (PINO, 1997). 119 Foi indicada a presença de 275 UPAs que fazem parte de cooperativas, sendo que o município de Cabrália Paulista possuía, na época, apenas 163 UPAs. 126 Nove municípios (Águas de São Pedro; Cubatão; Ilha Bela; Ilha Comprida; Itapevi; Juquitiba; Praia Grande; Santana do Parnaíba; e, São Vicente), embora constassem do LUPA, não foram relacionados no Censo Agropecuário, tendo sido, também, retirados da amostra analisada. Dos 603 municípios remanescentes, 134 municípios120 não apresentamestatísticas completas (dados não disponíveis ou classificados como sigilosos) na base de dados do SEADE, tendo sido, portanto, desconsiderados na análise. Trata-se de uma redução de 22,22% na amostra. Isto pode potencialmente introduzir um viés na amostra. Como atenuante a este problema, destaca-se que os municípios eliminados não estão concentrados geograficamente (Figura 33) e apresentam média e desvio padrão (0,1504 e 0,1331, respectivamente), referentes ao percentual de UPAs que receberam crédito rural, próximos aos da amostra analisada (0,1479 e 0,1394, respectivamente). A participação da agropecuária na cidade de São Paulo (Capital) é notoriamente marginal. No entanto, a expressão desta cidade nas variáveis quantitativas referentes ao ICMS121 e movimentação financeira é muito significativa. Para que não 120 Refere-se aos seguintes 134 municípios: Adolfo; Alambari; Altair; Anhembi; Aparecida d'Oeste; Aramina; Arandu; Arapeí; Areias; Aspásia; Bady Bassitt; Balbinos; Barão de Antonina; Barra do Chapéu; Barra do Turvo; Bento de Abreu; Bofete; Bom Sucesso de Itararé; Borá; Borebi; Buritizal; Caiabu; Caiuá; Campina do Monte Alegre; Cananéia; Canitar; Cássia dos Coqueiros; Catiguá; Coronel Macedo; Cristais Paulista; Cruzália; Dirce Reis; Dobrada; Elisiário; Emilianópolis; Espírito Santo do Turvo; Euclides da Cunha Paulista; Flora Rica; Floreal; Florínia; Gabriel Monteiro; Guaiçara; Guatapará; Iaras; Igaratá; Iporanga; Itaóca; Itapirapuã Paulista; Itapura; Itobi; Jaborandi; Lavrinhas; Lindóia; Lourdes; Lutécia; Macedônia; Magda; Marapoama; Marinópolis; Meridiano; Mesópolis; Mira Estrela; Mirassolândia; Monções; Monte Alegre do Sul; Monte Castelo; Motuca; Murutinga do Sul; Narandiba; Natividade da Serra; Nova Campina; Nova Canaã Paulista; Nova Independência; Nova Luzitânia; Novais; Óleo; Onda Verde; Orindiúva; Oscar Bressane; Paranapuã; Pardinho; Parisi; Paulicéia; Pedra Bela; Pedranópolis; Pirapora do Bom Jesus; Platina; Pontalinda; Pontes Gestal; Populina; Porangaba; Potim; Presidente Alves; Queiroz; Rafard; Restinga; Ribeira; Ribeirão Grande; Rifaina; Riversul; Rubinéia; Sales; Sandovalina; Santa Ernestina; Santa Lúcia; Santa Maria da Serra; Santa Mercedes; Santana da Ponte Pensa; Santo Antônio do Aracanguá; Santo Expedito; Santópolis do Aguapeí; São João das Duas Pontes; São João de Iracema; São Lourenço da Serra; Sarapuí; Sebastianópolis do Sul; Silveiras; Suzanápolis; Taciba; Taguaí; Taiaçu; Taquarivaí; Tarabai; Tejupá; Torre de Pedra; Tuiuti; Turiúba; Turmalina; Ubarana; União Paulista; Uru; Valentim Gentil; Vargem; e, Zacarias. 121 O percentual de participação da capital na arrecadação de ICMS é de 27,17%, sendo que a segunda maior cidade possui índice de 2,93% e a média da amostra é de 0,10%. 127 houvesse a influência desta capital nos resultados, não relevante ao tema analisado, este município também foi retirado da amostra. Figura 33 – Municípios eliminados da amostra por não apresentarem estatísticas completas na base de dados do SEADE. Fonte: Resultado da pesquisa Municípios eliminados da amostra 8 RESULTADOS 8.1 Características gerais da população amostrada As três medidas utilizadas na estimativa do capital social (Apêndice 1) apresentaram estatísticas semelhantes com relação à média aritmética e às medidas de dispersão (Tabela 13) embora o coeficiente de correlação entre elas seja baixo (Tabela 14), indicando que apresentam comportamentos distintos. As participações em organizações sociais nos diferentes municípios paulistas exibem grande amplitude, variando de 0% (isto é, nenhum proprietário participando em cooperativas, associações e sindicatos) até valores próximos de 100% de participação. A participação em cooperativas é maior na região geográfica que se estende por uma grande faixa na região central, atravessando o Estado de São de Paulo de leste a oeste (Figura 34). As regiões sul e extremo noroeste apresentam participações mais baixas. 129 Tabela 13. Estado de São Paulo: média aritmética e medidas de dispersão das participações percentuais em cooperativas, associações e sindicatos e variável CAPSOC, por município, safra 1995/96. Estatística Participação em Cooperativas Participação em Associações Participação em Sindicatos CAPSOC Média 0,3866 0,2139 0,3092 0,4551 Desvio padrão 0,2417 0,1972 0,2030 0,2162 Mínimo 0,0000 0,0000 0,0000 0,0000 Máximo 0,9706 0,9567 1,0000 1,0000 Amplitude 0,9706 0,9567 1,0000 1,0000 Fonte: Resultado da pesquisa Tabela 14. Estado de São Paulo: coeficientes de correlação entre as participações percentuais em cooperativas, associações e sindicatos, por município, safra 1995/96. Cooperativas Associações Sindicatos Cooperativas 1 Associações 0,540356 1 Sindicatos 0,381718 0,461414 1 Fonte: Resultado da pesquisa 130 (a) Mapa (b) Histograma Figura 34 – Estado de São Paulo: distribuição geográfica e histograma dos municípios de acordo com o percentual de UPAs que fazem parte de cooperativas, safra 1995/96. Fonte: Resultado da pesquisa (a) Mapa (b) Histograma Figura 35 – Estado de São Paulo: distribuição geográfica e histograma dos municípios de acordo com o percentual de UPAs que fazem parte de associações, safra 1995/96. Fonte: Resultado da pesquisa 0,0% a 25,0% 25,1% a 50,0% 50,1% a 75,0% 75,1% a 100,0% 0 1 0 2 0 3 0 4 0 5 0 - 0, 14 0, 28 0, 42 0, 55 0, 69 0, 83 M ais Fr eq üê nc ia 0,0% a 25,0% 25,1% a 50,0% 50,1% a 75,0% 75,1% a 100,0% 0 2 0 4 0 6 0 8 0 - 0, 14 0, 27 0, 41 0, 55 0, 68 0, 82 M ais Fr eq üê nc ia 131 A participação em associações é maior na região central do Estado de São de Paulo (Figura 35). A participação na região sul apresenta nível mais baixo. A participação em sindicatos é maior na região geográfica que se estende por uma grande faixa na região central, atravessando o Estado de São de Paulo de oeste a leste, atingindo, inclusive, a região nordeste e sudeste (Figura 36). As participações na região sul e no extremo noroeste apresentam níveis mais baixos. (a) Mapa (b) Histograma Figura 36 – Estado de São Paulo: distribuição geográfica e histograma dos municípios de acordo com o percentual de UPAs que fazem parte de sindicatos, safra 1995/96. Fonte: Resultado da pesquisa Os valores da variável CAPSOC foram mais baixos na região sul e no extremo noroeste do Estado de São de Paulo (Figura 37). Os valores mais elevados são observados na região central do Estado, destacando-se uma área triangular com os vértices nas regiões de Marília, Ribeirão Preto e Campinas. 0 1 0 2 0 3 0 4 0 5 0 6 0 - 0, 14 0, 29 0, 43 0, 57 0, 71 0, 86 M ais Fr eq üê nc ia 0,0% a 25,0% 25,1% a 50,0% 50,1% a 75,0% 75,1% a 100,0% 132 (a) Mapa (b) Histograma Figura 37 – Estado de São Paulo: distribuição geográfica e histograma dos municípios de acordo com o capital social (medido como o valor máximo entre os percentuais de UPAs que fazem parte de cooperativas, associações e sindicatos), safra 1995/96. Fonte: Resultado da pesquisa A região sul do Estado de São Paulo possui, proporcionalmente ao número de habitantes, uma quantidademenor de agências bancárias. Embora os valores referentes à variável AGBCO (que indica o número de agências per capita em cada município) não apresente concentração geográfica (Figura 38), as operações de crédito (variável OPCRED) exibem volumes maiores no eixo Campinas–Ribeirão Preto (Figura 39). Nesta mesma região (Figura 40), concentram-se os maiores valores da receita da produção animal e vegetal (variável LPROD). A Tabela 15 apresenta estatísticas referentes a estas três variáveis. 0 1 0 2 0 3 0 4 0 5 0 - 0, 14 0, 29 0, 43 0, 57 0, 71 0, 86 M ais Fr eq üê nc ia 0,0% a 25,0% 25,1% a 50,0% 50,1% a 75,0% 75,1% a 100,0% 133 (a) Mapa (b) Histograma Figura 38 – Estado de São Paulo: distribuição geográfica e histograma dos municípios de acordo com o número de agências bancárias por mil habitantes, 1995. Fonte: Resultado da pesquisa (a) Mapa (b) Histograma Figura 39 – Estado de São Paulo: distribuição geográfica e histograma dos munic ípios de acordo com o valor das operações de crédito (na forma logarítmica) nas instituições financeiras do município em 1995, em Reais de dezembro de 2000. Fonte: Resultado da pesquisa 0 2 0 4 0 6 0 8 0 0, 02 0, 13 0, 24 0, 36 0, 47 0, 58 0, 70 M ais Fr eq üê nc ia 0,000 a 0,150 0,151 a 0,250 0,251 a 0,350 0,351 a 1,000 0 1 0 2 0 3 0 4 0 5 0 6 0 10 ,6 2 12 ,2 2 13 ,8 3 15 ,4 4 17 ,0 4 18 ,6 5 20 ,2 6 M ais Fr eq üê nc ia 0,00 a 13,50 13,51 a 16,00 16,01 a 17,50 17,51 a 25,00 134 (a) Mapa (b) Histograma Figura 40 – Estado de São Paulo: distribuição geográfica e histograma dos municípios de acordo com o valor da receita (na forma logarítmica) da produção animal e vegetal na safra 1995/96, em milhares de Reais. Fonte: Resultado da pesquisa Tabela 15. Estado de São Paulo: média aritmética e medidas de dispersão das variáveis AGBCO, OPCRED e LPROD, por município, safra 1995/96. Estatística AGBCO OPCRED LPROD Média 0,2288 15,4021 9,0905 Desvio padrão 0,1038 2,1537 1,3325 Mínimo 0,0173 10,6170 1,3863 Máximo 0,8097 21,8624 11,9236 Amplitude 0,7924 11,2455 10,5373 Fonte: Resultado da pesquisa 0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1, 39 2, 89 4, 40 5, 90 7, 41 8, 91 10 ,4 2 M ais Fr eq üê nc ia 0,00 a 8,50 8,51 a 9,50 9,51 a 10,50 10,51 a 12,00 135 A região centro-leste do Estado de São Paulo apresenta maior ocorrência de crimes contra o patrimônio per capita (variável CRIMES, Figura 41), correspondendo a região onde estão localizados os municípios que possuem índices de participação no ICMS mais elevados (variável ICMS, Figura 42). Esta região geográfica apresenta municípios com menor área (variável AREA, Figura 43), sendo com os municípios da região sul são os maiores do Estado de São Paulo. Já os municípios com áreas menores estão concentrados ao redor da capital do Estado. A Tabela 16 apresenta estatísticas referentes a estas três variáveis. (a) Mapa (b) Histograma Figura 41 – Estado de São Paulo: distribuição geográfica e histograma dos municípios de acordo com o total de ocorrências de crimes contra o patrimônio, por habitante, 1997. Fonte: Resultado da pesquisa - 2 0 4 0 6 0 8 0 1 0 0 0, 00 1 0, 01 0 0, 01 8 0, 02 7 0, 03 5 0, 04 3 0, 05 2 M ais Fr eq üê nc ia 0,0000 a 0,0060 0,0061 a 0,0120 0,0121 a 0,0200 0,0201 a 0,0700 136 (a) Mapa (b) Histograma Figura 42 – Estado de São Paulo: distribuição geográfica e histograma dos municípios de acordo com o percentual da participação destes na arrecadação do ICMS, 1995. Fonte: Resultado da pesquisa (a) Mapa (b) Histograma Figura 43 – Estado de São Paulo: distribuição geográfica e histograma dos municípios de acordo com a área das UPAs, em milhares de hectares, 1995. Fonte: Resultado da pesquisa 0 2 0 4 0 6 0 8 0 0, 03 20 ,2 9 40 ,5 5 60 ,8 1 81 ,0 7 10 1, 34 12 1, 60 M ais Fr eq üê nc ia 0,0 a 15,0 15,1 a 30,0 30,1 a 60,0 60,1 a150,0 0 1 0 0 2 0 0 3 0 0 4 0 0 5 0 0 0, 01 0, 42 0, 84 1, 26 1, 68 2, 09 2, 51 M ais Fr eq üê nc ia 0,0000 a 0,0250 0,0251 a 0,0500 0,0501 a 0,1500 0,1501 a 3,0000 137 Tabela 16. Estado de São Paulo: média aritmética e medidas de dispersão das variáveis CRIMES, em 1997, ICMS e AREA, em 1995, por município. Estatística CRIMES ICMS AREA Média 0,0132 0,1035 31,4484 Desvio padrão 0,0080 0,2502 26,1165 Mínimo 0,0014 0,0056 0,0250 Máximo 0,0601 2,9282 141,8590 Amplitude 0,0587 2,9227 141,8340 Fonte: Resultado da pesquisa A inspeção visual dos mapas apresentados indica que, de acordo com os sinais esperados (Tabela 11), os municípios das regiões central e nordeste do Estado de São Paulo deverão apresentar maior percentual de UPAs que receberam crédito, enquanto os menores percentuais deverão ser obtidos na região sul. 8.2 Análise de regressão Para estimativa dos parâmetros do modelo, foi utilizado o pacote computacional SAS122 para regressão dos dados. Os relatórios gerados estão reproduzidos no apêndice 3. 122 Para maiores detalhes, vide SAS Institute (1989). 138 A Tabela 17 apresenta a matriz de variâncias e covariâncias. O elemento sjk desta matriz representa a covariância estimada entre os estimadores bj e bk, sendo que sjk = skj. Elemento da diagonal desta matriz, skk, é a variância do coeficiente bk, e sua raiz quadrada é o desvio padrão. Pode-se calcular a correlação entre dois coeficientes, rjk pela fórmula kj jk jk ss s r = , ou seja, a covariância dividida pelo produto dos desvios padrão. Tabela 17. Matriz de variâncias e covariâncias. LPROD CAPSOC ICMS OPCRED AGBCO AREA CRIMES LPROD 9,0E-5 CAPSOC -4,0E-5 9,6E-4 ICMS -2,9E-6 -2,0E-5 2,2E-3 OPCRED -2,0E-5 -2,0E-5 -8,0E-5 2,1E-5 AGBCO 8,1E-5 -3,0E-4 9,2E-4 -1,0E-5 5,4E-3 AREA -1,1E-6 2,6E-7 1,6E-6 -1,1E-7 1,2E-6 6,4E-8 CRIMES 2,5E-4 4,3E-4 -5,3E-3 -1,4E-3 2,3E-2 3,2E-6 1,0343 Fonte: Resultado da pesquisa A multicolinearidade123, que implica em variâncias e covariâncias das estimativas dos parâmetros elevadas, deve ser detectada antes de iniciar a análise de regressão logística (Menard, 1995). A baixa precisão das estimativas, caso ocorra multicolinearidade, dificulta a verificação da influência das diversas variáveis independentes. No entanto, a multicolinearidade não viola nenhuma hipótese de regressão: as estimativas serão não-viesadas e consistentes (Gujarati, 2000). Esta 123 Multicolinearidade refere-se à situação em que há uma relação linear exata ou aproximadamente exata entre as variáveis independentes (Gujarati, 2000). 139 situação pode implicar na exclusão, indevida, de variáveis relevantes da análise. Mas o efeito de uma variável independente pode ser suficientemente forte que, apesar da multicolinearidade, o seu coeficiente se mostre estatisticamente diferente de zero (Hoffmann & Vieira, 1998). Para diagnosticar a multicolinearidade foi calculado o índice de condição (IC), definido como: Valores IC situadosentre 10 e 30 indicam multicolinearidade de moderada a forte, sendo que valores superiores a 30 sugerem multicolinearidade grave (Gujarati, 2000). Embora os valores das variâncias e covariâncias tenham sido baixos – apenas a variância relacionada com a variável CRIMES apresentou valor mais alto – o IC obtido124 na análise foi superior a 30, indicando multicolinearidade grave. Assim, o efeito de uma variável independente relevante deverá ser forte para que a estimativa de seu coeficiente se mostre estatisticamente significativa. Diante do problema de multicolinearidade encontrado125, e considerando que este é essencialmente em fenômeno da amostra (Gujarati, 2000), foram realizadas 20 simulações para observar o impacto da mulcolinearidade sobre os estimadores. Cada simulação constitui-se na estimativa dos estimadores a partir de uma nova amostra elaborada através da eliminação aleatória de 25 observações (5,3% do total) dentre as 468 observações utilizadas neste estudo. A Tabela 18 apresenta o resultado destas simulações, destacando o nível de significância de cada estimador e o coeficiente de variação referente às 20 estimativas de cada um dos parâmetros. 124 Autovalor máximo = 6,25055 e autovalor mínimo = 0,00581, resultando em IC = 32,81. 125 Optou-se pela não eliminação de uma das variáveis colineares para evitar um viés de especificação. (47) mínimoautovalor máximoautovalor IC = 140 Tabela 18. Estimadores obtidos em simulações para observar o impacto da multicolinearidade verificada nos dados analisados. Simu- lação Intercepto LPROD CAPSOC ICMS OPCRED AGBCO AREA CRIMES 1 -7,761** 0,490** 1,263** -1,050** 0,042** 1,824** -0,006** -4,528** 2 -8,002** 0,505** 1,134** -1,003** 0,043** 2,293** -0,007** -1,338 3 -7,427** 0,480** 1,327** -1,212** 0,028** 1,394** -0,006** -1,132 4 -8,025** 0,514** 1,293** -1,050** 0,032** 2,031** -0,006** 0,814 5 -7,535** 0,468** 1,272** -1,239** 0,044** 1,672** -0,006** -3,830** 6 -7,599** 0,481** 1,240** -1,240** 0,044** 1,514** -0,006** -3,987** 7 -7,799** 0,493** 1,228** -1,151** 0,048** 1,837** -0,007** -7,532 8 -7,841** 0,516** 1,243** -1,033** 0,032** 1,788** -0,007** -2,166* 9 -7,717** 0,495** 1,362** -1,024** 0,036** 1,793** -0,006** -5,883** 10 -7,587** 0,461** 1,262** -1,143** 0,049** 1,765** -0,005** -3,863** 11 -7,627** 0,480** 1,229** -1,052** 0,035** 1,941** -0,006** 0,189 12 -7,749** 0,476** 1,281** -1,146** 0,048** 1,857** -0,006** -3,309** 13 -7,419** 0,447** 1,219** -0,958** 0,049** 1,692** -0,006** -5,960** 14 -7,904** 0,514** 1,279** -1,068** 0,036** 1,859** -0,006** -3,453** 15 -7,477** 0,461** 1,194** -1,082** 0,042** 1,794** -0,006** -3,241** 16 -7,724** 0,524** 1,401** -0,986** 0,017** 1,457** -0,006** -2,380* 17 -7,823** 0,485** 1,250** -0,990** 0,049** 1,960** -0,006** -4,470** 18 -7,503** 0,479** 1,199** -0,972** 0,035** 1,714** -0,006** -3,937** 19 -7,888** 0,479** 1,121** -1,015** 0,056** 2,012** -0,006** -3,059** 20 -8,308** 0,540** 1,150** -1,070** 0,041** 2,321** -0,007** -0,959 Média -7,736 0,489 1,247 -1,074 0,040 1,826 -0,006 -3,201 D.P. 0,226 0,023 0,070 0,087 0,009 0,235 0,000 2,067 C.V. -2,9% 4,8% 5,6% -8,1% 22,1% 12,9% -6,5% -64,6% Fonte: Resultado da pesquisa 141 Nota: D.P. = Desvio-padrão C.V. = Coeficiente de variação * significante em nível de 5% ** significante em nível de 1% Observa-se na Tabela 18 que, com exceção do estimador relacionado à variável CRIMES, todas estimativas foram significativas em nível de 1% e com baixo valor de coeficiente de variação. O estimador associado à variável CRIMES não foi significativo em nível de 5% em 6 simulações (ou seja, em 30% das simulações realizadas). A multicolinaridade, embora represente uma potencial falta de precisão na estimativa dos parâmetros, não implica necessariamente em perda de acurácia na análise. A acurácia diz respeito à capacidade da medida em representar bem o objeto medido, diferentemente da precisão, que diz respeito à fineza com que se realiza a medida (Pereira, 2001). Pode-se comparar acurácia e precisão com tiros sobre um alvo. Na Figura 44: Figura 44 – Acurácia e precisão. Fonte: Pereira (2001) Y Y Y Y Z Z Z Z X X X X W W W W 142 • W não tem acurácia (não se aproxima do alvo), nem precisão (as marcas são dispersas); • X não tem acurácia (está longe do alvo), mas tem precisão (pequena dispersão dos tiros); • Y tem acurácia (aproxima-se do alvo), mas não tem precisão (marcas dispersas); e, • Z tem tanto acurácia (acerta o alvo) quanto precisão (pequena dispersão). Os métodos de análise de regressão utilizados tradicionalmente, como o teste F, não são diretamente aplicáveis aos dados de resposta quântica porque a variável dependente126 ( i i i n m P = ) está compreendida no intervalo [0;1] e sua variância é i ii n QP . Portanto, a variável dependente possui heterocedasticia, não apresentando distribuição normal (Hoffmann & Vieira, 1998). O teste da razão de verossimilhança é utilizado para verificar se o modelo é melhor que um modelo em que todos coeficientes fossem nulos, ou seja, é um teste global de significância. O logaritmo da verossimilhança do modelo estimado é comparado com o logaritmo da verossimilhança do modelo só com constante, chamado de modelo básico (Pereira, 2002). Esta estatística apresenta, assintoticamente, distribuição de qui-quadrado. Assim, a razão de verossimilhança (LR) é dada por (Greene, 1993): Em que l(α,ββ ) é o máximo do logaritmo da verossimilhança do modelo irrestrito e l(α,0) é o máximo do logaritmo da verossimilhança do modelo restrito, isto é, só com a constante. 126 A notação utilizada é a mesma que foi apresentada no item 7.3. (48)( ) ( )[ ] 2~,,2 χαα â0 llLR −−= 143 A razão de verossimilhança obtida foi igual a 8.605,5656 com sete graus de liberdade, que é altamente significativa, com p < 0,0001. O valor-p representa a probabilidade de realização de um erro do tipo I ao se rejeitar uma hipótese127 (Maddala, 1990). Portanto, ao menos um dos coeficientes não é nulo. O Teste de Wald é utilizado para verificar a significância de cada coeficiente. Isto é, a hipótese verificada é se o coeficiente é estatisticamente igual a zero. O teste é realizado calculando a razão entre o coeficiente e seu desvio padrão. O teste de Wald apresenta distribuição de qui-quadrado. Nos modelos de lógite, quando o valor do coeficiente é elevado, a estatística Wald pode ocasionar erros tipo II128 (Hauck & Donner, 1977). No caso do modelo testado, este fato não ocorreu, pois os testes individuais dos coeficientes foram todos significativos com p < 0,01 (Tabela 19). Tabela 19. Análise dos estimadores de máxima verossimilhança. GL Estimador Desvio padrão Wald Qui-quadrado Valor-p Intercepto 1 -7,74310 0,088600 7.641,6104 <0,0001 LPROD 1 0,48800 0,009480 2.648,4984 <0,0001 CAPSOC 1 1,23610 0,030900 1.596,1674 <0,0001 ICMS 1 -1,05200 0,046900 503,4251 <0,0001 OPCRED 1 0,04080 0,004570 79,8163 <0,0001 AGBCO 1 1,89640 0,073800 660,3616 <0,0001 AREA 1 -0,00618 0,000254 593,1716 <0,0001 CRIMES 1 -2,80020 1,017000 7,5812 0,0059 Fonte: Resultado da pesquisa 127 Isto é , considerar que o efeito é significativo quando na realidade ele não é. 128 Isto é, falsos negativos, considerando que o efeito não é significativo quando na realidade ele é. 144 De acordo com a estimativa assim obtida dos parâmetros, o modelo de lógite [eq. (34)] é: Y = – 7,7431 + 0,4880 LPROD + 1,2361 CAPSOC – 1,052 ICMS + + 0,0408 OPCRED + 1,8964 AGBCO – 0,00618 AREA – 2,8002 CRIMES Os coeficientes apresentaram os sinais esperados, com exceção do relativoà variável ICMS. Ao final deste capítulo, esta alteração de sinal é discutida com detalhe. Os coeficientes representam o efeito marginal de cada variável sobre o lógite. Para análise dos resultados, é mais interessante observar a razão de chances. A chance (odds) de um evento é o quociente entre a probabilidade que o evento ocorra e seu complementar129. A razão de chances (odds ratio ou razão de probabilidades) possui uma interpretação direta: se a razão de chances for superior a 1,0 significa que um incremento no valor da variável explanatória implica em maior probabilidade de ocorrência do evento analisado (Halli & Rao, 1992). A razão de chances pode ser obtida a partir dos coeficientes: Razão de chances = exp(bi) (50) em que bi é o coeficiente estimado referente ao parâmetro i. 129 Ou seja, a probabilidade que o evento não ocorra. (49) 145 Subtraindo um da razão de chances e multiplicando o resultado por 100, obtém-se a variação percentual na chance devido ao aumento de uma unidade no i-ésimo regressor (Gujarati, 2000). As razões de chance obtidas estão apresentadas na Tabela 20. Os valores mais elevados das variáveis LPROD, CAPSOC e AGBCO implicam em maior probabilidade de ocorrência de crédito rural, enquanto um aumento da criminalidade (elevação do valor da variável CRIMES) e no valor da variável ICMS reduz esta probabilidade. Variações nas variáveis OPCRED e AREA afetam muito pouco a probabilidade de ocorrência de crédito rural. Tabela 20. Estimativas de razão de chances. Intervalo de confiança (limites) Efeito Estimativa Inferior Superior LPROD 1,629 1,599 1,660 CAPSOC 3,442 3,240 3,658 ICMS 0,349 0,319 0,383 OPCRED 1,042 1,032 1,051 AGBCO 6,662 5,765 7,698 AREA 0,994 0,993 0,994 CRIMES 0,061 0,008 0,446 Fonte: Resultado da pesquisa Para avaliar a qualidade de ajuste do modelo (goodness of fit) utilizam-se medidas que indicam a acurácia com a qual o modelo se aproxima dos dados observados (assim como o R² no modelo de regressão linear). Quando a variável dependente é 146 qualitativa, a acurácia pode ser avaliada em termos do ajuste entre as probabilidades calculadas e as freqüências das respostas observadas (Maddala, 1990). A amostra analisada correspondeu a 242.467 UPAs (denominadas de observações no modelo de lógite), distribuídas em 468 municípios. Destas, 36.280 receberam crédito rural (ou seja, observações em que o evento crédito rural ocorreu), enquanto 206.187 não obtiveram tais recursos (observações em que não ocorreu o evento). Se a resposta observada é uma variável binária Zi que é igual a 1 quando o evento ocorre e é igual a zero quando o evento não ocorre, pode-se formar pares de observação com valores distintos da resposta130 (ou variável dependente). No caso analisado, são formados 7.480.464.360 pares (36.280 multiplicado por 206.187). Cada um dos pares é denominado concordante se a probabilidade estimada for maior para a observação Zi = 1, isto é, se Zi e iP̂ variam no mesmo sentido no par. O par é denominado discordante se iP̂ é menor na observação com Zi=1. Se o valor de iP̂ for o mesmo nas duas observações o par é um empate (Kageyama & Hoffmann, 2000). O número total de pares (nt) com valores distintos de Zi é: nt = nc + nd + ne (51) em que nc, nd e ne são os números de pares concordantes, discordantes e de empates, respectivamente. A Tabela 21 apresenta a distribuição das associações entre as respostas observadas e as probabilidades estimadas. 130 Ou seja, todos possíveis pares em que uma observação apresente o evento e a outra não apresente. 147 Tabela 21. Associações entre as respostas observadas e as probabilidades estimadas. Percentual concordante 64,2 Percentual discordante 34,7 Percentual de empates 1,1 Fonte: Resultado da pesquisa A partir destas informações, foram geradas quatro estatísticas que avaliam a qualidade de ajuste do modelo: • Somers’ D: nt ndnc D −= (52) • Goodman-Kruskal Gamma: ndnc ndnc Gamma + −= (53) • Kendall’s Tau-a: ( )[ ]15,0 − −=− NN ndnc aTau (54) em que N é o número de observações (242.467). • c: nt nenc c 5,0+= (55) 148 A Tabela 22 apresenta estas quatro estatísticas utilizadas na avaliação da qualidade de ajuste do modelo. Tabela 22. Estatísticas referentes às associações entre as respostas observadas e as probabilidades estimadas. Somers’ D 0,295 Gamma 0,298 Tau-a 0,075 c 0,648 Fonte: Resultado da pesquisa A estatística Gamma tem a interpretação de redução proporcional no erro (DeMaris, 1992), assim como a estatística Somers’ D. Os resultados obtidos sugerem que são realizados cerca de 30% menos prognósticos incorretos em relação sobre qual município terá maior proporção de operações de crédito rural quando são utilizadas as informações de acordo com o modelo. A estatística Tau-a, para a amostra analisada, poderia apresentar um valor máximo de 0,254 (caso 100% dos pares fossem concordantes). Assim, o valor obtido (0,075) representa 29,5% do valor máximo, corroborando com os resultados obtidos nas estatísticas Somers’ D e Gamma. Como o percentual de empates foi relativamente baixo, o valor da estatística c aproxima-se do percentual de pares concordantes. As quatro estatísticas indicam que a qualidade de ajuste do modelo é boa. No entanto, a medida da qualidade do ajuste a partir das associações entre as respostas observadas e as probabilidades estimadas apresenta deficiências. Em particular, não há um padrão na literatura para confrontar as medidas obtidas do percentual de prognósticos corretos. Adicionalmente, um prognóstico incorreto quando a 149 probabilidade estimada for, por exemplo, 51% pode ser considerado um erro “menor” que o prognóstico incorreto com probabilidade estimada de 99%. Ainda assim, estas medidas são indicadores adequados da qualidade do modelo131 (Aldrich & Nelson, 1984). Observações discrepantes (outliers) que possam estar exercendo forte influência nos resultados da regressão devem ser identificadas e analisadas. No entanto, a influência das observações discrepantes nos modelos de lógite deve ser analisada de forma diferente da tradicionalmente realizada em regressões lineares, em que é considerada a sua exclusão da base de dados. O exemplo a seguir, adaptado de Jennings (1986), ilustra esta posição. Seja uma observação discrepante definida como a observação em que a probabilidade de uma resposta Y mais distante da média do que o valor y observado é baixa. Ou seja, Pr(|yt − EYt| > |yt − Yt| ) < ε, onde ε é pequeno. Supõe-se que as observações são censuradas, de modo que não se obtenha uma informação discrepante. No caso da regressão linear com o modelo yt = xt′ββ + et, onde et ~ N(0, σ²), a censura da observação discrepante equivale a obter observações de yt = xt′ββ + rt, onde rt é distribuído como uma variável normal com ambas caudas censuradas. Ou seja, a estrutura do erro é alterada mas a parte sistemática do modelo não se altera. A estimativa dos quadrados mínimos produzirá estimadores não viesados de ββ . Na regressão logística a censura de observações discrepantes apresenta efeito diferente. Neste caso, a censura implica que se Pr(Yt = i| xt) < ε, não será observado Yt = i. Assim, será censurado apenasuma cauda. Isto altera a parte sistemática 131 Pode-se avaliar a qualidade do modelo através do número de prognósticos incorretos. A principal desvantagem neste caso surge quando há eventos que ocorrem com altas ou baixas probabilidades, situações em que a maioria dos modelos será considerada adequada por este critério (Ameniya, 1981). 150 do modelo. Ajustando o modelo aos dados censurados, serão gerados estimadores de ββ com viés. Adicionalmente, a presença de observações discrepantes é esperada em modelos em que a escolha pessoal e o livre arbítrio tem forte influência (como no caso do acesso ao crédito), e, naturalmente, produzem prognósticos não perfeitos do comportamento humano (Menard, 1995). Entretanto, é apropriado executar um diagnósticos no modelo, como uma precaução contra dados inconsistentes e uma orientação quanto a pontos fracos no conceito do modelo. O diagnóstico foi realizado utilizando as estatísticas C e CBARRA, definidas para a j-ésima observação como (SAS Institute, 1989): e em que: e ( )2 2 1 jj jjj j h h C − = χ (56) ( )jj jjj j h h C − = 1 2χ (57) (58)( ) ( )jjj jjj j ppn pnr ˆ1ˆ ˆ − − =χ (59)( )( ) ( )',1ˆ',1ˆ1ˆ jbjjjjjj ppnh xVx−= 151 Nas eq. (58) e (59), rj é o valor do evento (1 se ocorre crédito ou 0 se não é utilizado crédito), nj é o número de UPAs, pj é a probabilidade de que a j-ésima observação apresente crédito rural, e bV̂ é a matriz de covariâncias dos estimadores b. Através das aplicações destes testes, foram identificados 51 municípios com observações discrepantes (Tabela 23) – observações que obtiveram valores superiores a dois nos testes [eq. (56) e (57)]. Não foi identificada nenhuma inconsistência nos dados em análise individual destas observações. Assim, as observações discrepantes foram mantidas na base de dados utilizadas para análise de regressão do modelo estimado. Tabela 23. Municípios que apresentaram observações diagnosticadas como discrepantes. CREDRUR ÷ UPA Variável relacionada Município Observado Estimado ao coeficiente mais influenciado Artur Nogueira 0,18 0,08 CRIMES Caconde 0,06 0,12 OPCRED e CRIMES Campinas 0,05 0,01 ICMS Cândido Mota 0,66 0,26 CRIMES Cândido Rodrigues 0,06 0,24 AGBCO Capão Bonito 0,15 0,08 AREA Cosmópolis 0,73 0,05 CRIMES Descalvado 0,24 0,37 CRIMES Divinolândia 0,28 0,18 CAPSOC; OPCRED; AGBCO; e, CRIMES Dumont 0,87 0,27 CAPSOC Elias Fausto 0,51 0,21 CRIMES Guaíra 0,51 0,30 CRIMES Guapiara 0,02 0,14 CRIMES Ipuã 0,61 0,29 CRIMES Itapetininga 0,05 0,10 AREA 152 Tabela 23. Municípios que apresentaram observações diagnosticadas como discrepantes. CREDRUR ÷ UPA Variável relacionada Município Observado Estimado ao coeficiente mais influenciado Itapeva 0,15 0,08 AREA e CRIMES Itatiba 0,06 0,22 AREA e CRIMES Ituverava 0,52 0,20 CRIMES Jundiaí 0,09 0,06 ICMS Junqueirópolis 0,09 0,17 OPCRED e CRIMES Laranjal Paulista 0,05 0,23 CRIMES Limeira 0,07 0,18 ICMS Macatuba 0,00 0,27 OPCRED Matão 0,72 0,25 LPROD Miguelópolis 0,74 0,19 LPROD Moji das Cruzes 0,06 0,13 ICMS Moji-Guaçu 0,24 0,10 ICMS Monte Aprazível 0,01 0,13 OPCRED Nhandeara 0,79 0,14 OPCRED/AGBCO Novo Horizonte 0,07 0,19 CRIMES Nuporanga 0,54 0,21 LPROD; OPCRED; AGBCO; e, CRIMES Palmital 0,54 0,26 CRIMES Paraguaçu Paulista 0,12 0,19 CRIMES Piedade 0,40 0,17 LPROD; CAPSOC; e, AREA Piracicaba 0,17 0,13 ICMS Potirendaba 0,00 0,11 CAPSOC; OPCRED; e, CRIMES Presidente Prudente 0,02 0,11 LPROD; OPCRED; e, CRIMES Promissão 0,42 0,29 LPROD Ribeirão Bonito 0,05 0,32 AGBCO Ribeirão Branco 0,21 0,11 CRIMES Rosana 0,79 0,16 CAPSOC; AGBCO; e, CRIMES São José do Rio Preto 0,05 0,13 ICMS Sete Barras 0,31 0,10 LPROD; CAPSOC; e, AREA 153 Tabela 23. Municípios que apresentaram observações diagnosticadas como discrepantes. CREDRUR ÷ UPA Variável relacionada Município Observado Estimado ao coeficiente mais influenciado Socorro 0,01 0,15 CAPSOC Sumaré 0,65 0,14 AGBCO e AREA Tanabi 0,08 0,19 CRIMES Tarumã 0,56 0,19 OPCRED; AGBCO; e, CRIMES Teodoro Sampaio 0,27 0,08 AREA Terra Roxa 0,48 0,22 CRIMES Tietê 0,08 0,25 CRIMES Tupã 0,07 0,17 CAPSOC e AREA Fonte: Resultado da pesquisa A quarta coluna da Tabela 23 apresenta qual variável está relacionada ao estimador que é mais afetado pela observação discrepante. Esta verificação foi realizada de acordo com a análise dos DFBETAs132 obtidos. A Tabela 23 apresenta importantes resultados: • O coeficiente relacionado à variável CRIMES foi o mais influenciado. Assim, o coeficiente e razão de chances referente a este estimador deve ser analisado com cautela. • Municípios ricos e com economia diversificada, com forte presença do setor industrial – como Campinas, Jundiaí, Moji das Cruzes, Moji Guaçu e São José do 132 O DFBETA é uma medida da influência de uma observação i, em cada coeficiente da regressão. Para sua obtenção, é verificada a diferença entre o valor estimado para o coeficiente de regressão baseado em todas observações e a estimativa omitindo o caso i. Para maiores detalhes, vide SAS Institute (1989). 154 Rio Preto – exercem forte influência sobre o coeficiente da variável ICMS, único que apresentou sinal diferente do esperado na análise de regressão. Neste aspecto, nota-se uma importante limitação do modelo. A variável ICMS foi introduzida no modelo para captar o interesse de instituições financeiras operarem nos municípios. No entanto, a participação do setor primário na economia varia de município para município. Assim, a influência dos municípios industrializados, que, em geral, apresentam elevados valores referentes à variável ICMS e baixa vocação rural (por definição), ocorre no sentido inverso do esperado. Ou seja, valores elevados da variável ICMS indicam forte industrialização nestes municípios e valores baixos no lógite. • O modelo apresentou dificuldade na estimativa dos valores mais elevados do percentual de UPAs que receberam credito rural. Dos 15 maiores percentuais observados, 14 referem-se a municípios que apresentaram observações discrepantes. • As observações discrepantes estão geograficamente concentradas em três regiões (Figura 45): extremo nordeste (região de Ituverava), região de Campinas e região sul (Itapetininga). A região de Ituverava, em especial, ressalta uma limitação na mensuração de capital social utilizada no modelo analisado. Trata-se uma região que apresentou elevados percentuais de UPAs que obtiveram crédito rural na safra 1995/96. Os valores de capital social obtidos de acordo com a metodologia adotada neste estudo foram possivelmente subestimados, perdendo parte do poder explicativo. Esta hipótese (subestimativa) deve-se à presença de um forte grupo agroindustrial na região, que culturalmente exerce forte influência positiva nos produtores da vizinhança, influenciando o capital social. A influência de ações de fortes grupos agroindustriais sobre o capital social não é captada por nenhuma das variáveis utilizadas no modelo. 155 Figura 45 – Municípios que apresentaram observações diagnosticadas como discrepantes. Fonte: Resultado da pesquisa Deve-se ressaltar que uma limitação da regressão logística é que a probabilidade de ocorrência de um evento pode se elevar com a duração da exposição à variável (Halli & Rao, 1992). Por exemplo, a probabilidade de um indivíduo ter acesso ao crédito pode ser diferente se ele é participante de cooperativa, associação ou sindicado há menos de um ano ou há 30 anos. O modelo não capta esta diferença no tempo de exposição. O número de UPAs que receberam crédito rural, em percentagem, é estimadopelo modelo substituindo os valores obtidos através da eq. (48) na eq. (46). Os valores estimados apresentaram uma distribuição geográfica similar aos dados reais (Figuras 46 e 47), e de acordo com o esperado (item 8.1). A Tabela 24 apresenta estatísticas referentes a estes percentuais (estimado e real). Municípios com observações discrepantes 156 (a) Mapa (b) Histograma Figura 46 – Estado de São Paulo: distribuição geográfica e histograma dos municípios de acordo com a percentagem de UPAs que efetivamente receberam crédito rural, safra 1995/96. Fonte: Resultado da pesquisa (a) Mapa (b) Histograma Figura 47 – Estado de São Paulo: distribuição geográfica e histograma dos municípios, de acordo com o modelo, da percentagem de UPAs que teriam recebido crédito rural, safra 1995/96. Fonte: Resultado da pesquisa 0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 - 0, 12 0, 25 0, 37 0, 49 0, 62 0, 74 M ais Fr eq üê nc ia 0,0% a 10,0% 10,1% a 15,0% 15,1% a 25,0% 25,1% a 100,0% 0,0% a 10,0% 10,1% a 15,0% 15,1% a 25,0% 25,1% a 100,0% 0 1 0 2 0 3 0 4 0 5 0 0, 00 0, 05 0, 11 0, 16 0, 22 0, 27 0, 32 M ais Fr eq üê nc ia 157 Tabela 24. Estado de São Paulo: média aritmética e medidas de dispersão dos percentuais de UPAs que receberam crédito rural, números reais e estimativas, por município, safra 1995/96. Estatística Real Estimado Média 0,1479 0,1387 Desvio padrão 0,1394 0,0723 Mínimo 0,0000 0,0009 Máximo 0,8655 0,3789 Amplitude 0,8655 0,3780 Fonte: Resultado da pesquisa Considerando que o valor estimado do percentual de UPAs que receberam crédito rural por município apresente um desvio de cinco pontos percentuais, a mais ou a menos, em relação ao valor real, o modelo estaria estimando corretamente 47,4% dos valores. Se o desvio for elevado para dez pontos percentuais, o percentual de municípios concordantes eleva-se para 74,4% (Figura 48). A comparação da Figura 45 (municípios que apresentaram observações diagnosticadas como discrepantes) com a Figura 48.b (estimativas discordantes) destaca que características particulares de regiões como a de Campinas e a de Ituverava não foram adequadamente captadas pelo modelo. A presença de agroindústrias que exercem forte influência sobre as UPAs, como usinas e esmagadoras de sementes, assegurando a comercialização agrícola (e, consequentemente, o fluxo de caixa do empreendimento rural) caracteriza estas regiões e pode influenciar o acesso ao crédito. No entanto, nenhuma das variáveis presentes no modelo captam a presença ou a influência de agroindústrias nos municípios analisados. 158 (a) desvio de 5 pontos percentuais (b) desvio de 10 pontos percentuais Figura 48 – Estado de São Paulo: estimativas concordantes e discordantes, considerando desvios de cinco e de dez pontos percentuais, referentes ao número de UPAs que receberam crédito rural, em percentagem, safra 1995/96. Fonte: Resultado da pesquisa Concordante Discordante 9 CONCLUSÕES Nos últimos 40 anos, a política de crédito rural no Brasil tem oscilado de acordo com as políticas macroeconômicas do governo. Os efeitos das crises econômicas, particularmente o esforço governamental no combate e controle da inflação, tiveram sérios impactos não somente sobre o volume de financiamento formal (concedido via Sistema Nacional de Crédito Rural – SNCR) mas, também, sobre a forma de atuação do governo nesse mercado. Uma das conseqüências mais importantes foi a saída do Tesouro Nacional da posição de principal fonte de recursos para o financiamento dos agricultores. Ao longo do tempo, o setor agrícola foi forçado a buscar alternativas para o financiamento das suas atividades. Porém, face às dificuldades macroeconômicas do País, observou-se uma tendência de redução significativa do volume de crédito rural formal e um aumento nas taxas de juros pagos pelos agricultores. Neste novo paradigma do crédito rural, o papel maior do Estado é o de zelar pelo ambiente institucional e fornecer as condições para o fortalecimento do mercado financeiro. Este papel é particularmente importante no caso do crédito rural. As características do financiamento da agricultura – destacando-se o controle das taxas de juros, os riscos da atividade, a forte assimetria de informação e a subaditividade dos 160 custos – não favorecem a competição perfeita e o surgimento expontâneo de um equilíbrio Pareto-eficiente. Em um período mais recente, observa-se um sério agravante. O setor bancário privado (de um modo geral) não tem conseguido atuar nesse mercado, financiando os investimentos tão necessários para a modernização e expansão deste importante setor da economia. No crédito rural, os bancos têm operado de forma muito limitada e bastante seletiva. A teoria econômica mostra que uma das possíveis explicações para o problema seria a ineficiência de mercado causada pela não-rivalidade do fator de produção informação. Nesse sentido, a teoria postula que o aumento no nível de informação poderia contribuir para o aumento da eficiência nesse mercado, elevando o volume de crédito concedido aos agricultores. A utilização do conceito de capital social tem sido crescente como alternativa de redução de custos de transação diante de informação imperfeita. O capital social reduz os custos de transações atrelados aos comportamentos oportunísticos, diminuindo, assim, os custos de seleção, monitoramento e de execução de contratos. Uma importante constatação é a de que a informação e o capital social favorecem o desenvolvimento da agricultura na medida em que tornam o mercado de crédito rural mais eficiente e aumentam o volume de financiamentos. Quanto mais alta for a confiança (somatório de informação e capital social) dos ofertantes de recursos na seleção, no monitoramento e na execução de seus créditos, tanto maior será o volume de recursos ofertado, com menores taxas de juros (menor será o risco). Os resultados empíricos obtidos no presente estudo mostram que, de fato, o volume de crédito rural contratado no Estado de São Paulo é afetado pela variável capital social. Esse resultado tem importantes implicações de natureza política. Por 161 exemplo, a eficiência no mercado de crédito rural poderia ser obtida via redução do risco de crédito, aperfeiçoando e tornando mais disponíveis as informações sobre os mutuários. Isto porque, dentre os custos de transação, aqueles ligados à informação são relevantes e constituem, muitas vezes, barreiras à entrada de novos financiadores e à expansão desse mercado. Neste sentido, instituições locais, tais como aquelas ligadas ao microcrédito e agências locais de crédito, e a estrutura do Banco do Brasil podem exercer papel decisivo para tornarem disponíveis mais e melhores informações para o mercado, desde que adequadamente incentivadas (caso contrário, haverá subinvestimento na geração de informações ou restrição à disponibilidade daquelas que forem geradas). Desta forma, o mercado de crédito rural pode desenvolver-se mais, com incremento no volume de negócios, através de incentivos que favoreçam não apenas a geração e a disponibilidade de informação, mas também a criação e manutenção de capital social. Iniciativas sociais, como as associações horizontais (cooperativas, associações e sindicados de produtores rurais) poderiam ser apoiadas pelo governo como forma de redução de custos de transação e fortalecimento do mercado financeiro. Isto para que ocorraum aumento da eficiência da intermediação financeira e, em conseqüência, sejam elevados os volumes de recursos ofertados para a agricultura. As características de não-rivalidade e não-exclusividade do capital social implicam em subinvestimento privado na sua formação e manutenção. Isto ressalta a importância do apoio do setor público na construção de capital social. Para futuras pesquisas, é interessante observar que existe um amplo campo de estudo das relações entre capital social e mercado financeiro. Esse tipo de pesquisa teria grande interesse acadêmico, da mesma forma que seria de utilidade para os formuladores de políticas econômicas. Pesquisas envolvendo dados desagregados por produtor, inclusive com aplicação de questionários, permitiriam a superação de uma das principais limitações deste estudo: a mensuração do capital social. Informações individualizadas facilitariam a obtenção de um indicador mais detalhado de capital 162 social, menos agregado que o utilizado nesta pesquisa. Ressalte-se que, segundo a literatura revisada, a mensuração do capital social é, reconhecidamente, um forte desafio a ser superado. Neste sentido, investigações para a identificação de metodologias para estimativas robustas do nível de capital social permitiriam importantes avanços no tipo de investigação iniciada no presente estudo. Por exemplo, em trabalhos futuros, o impacto da ocorrência de crimes contra o patrimônio poderia ser avaliado com maior detalhe, definindo uma variável mais específica. No presente estudo, em função da disponibilidade de dados, foram considerados crimes tanto na área rural quanto na área urbana. Caso seja possível considerar apenas aqueles ocorridos em propriedades rurais, a variável fortaleceria a hipótese que justificou sua inclusão no modelo. Ressalte-se que da maneira utilizada no modelo de regressão, incluindo ocorrências urbanas, a estimativa do parâmetro foi a mais problemática, apresentando maior número de observações discrepantes e estatisticamente significante em nível mais elevado que os demais estimadores. Adicionalmente, o escopo da análise poderia ser ampliado. A inclusão de variáveis que capturem a influência de grupos de interesses (econômicos e políticos) na oferta de crédito rural contribuiria para melhor compreensão dos diferentes aspectos relacionados com os problemas estudados nesta pesquisa . Outras limitações poderão ser contornadas em estudos futuros com a inclusão de variáveis que captem a vocação rural do proprietário da UPA e o seu efetivo interesse na obtenção de crédito rural. Ou seja, seria importante analisar não somente a realização de operações de crédito rural, mas também o acesso dos produtores ao crédito (que, eventualmente, podem não conseguir o financiamento). Infelizmente, este trabalho analisou apenas as operações de crédito efetivamente realizadas. No futuro, trabalhos econométricos mais avançados poderão contribuir para estudar, em detalhes, a influência do capital social na oferta de crédito, auxiliando no aumento ainda maior da eficiência do mercado financeira no meio rural. REFERÊNCIAS BIBLIOGRÁFICAS ADAMS, D.W. Are the arguments for cheap agricultural credit sound ? In: ADAMS, D.W.; GRAHAM, D.H.; VON PISCHKE, J.D. (Ed.). Undermining rural development with cheap credit. Boulder: Westview Press, 1984. cap.6, p.65-77. AGÉNOR, P.R.; AIZENMAN, J. Financial sector inefficiencies and coordination failures implications for crisis management. Cambridge, Dec. 1999. (NBER working papers series, 7446) http://www.nber.org (22 Dec. 2001) AGROANALYSIS. Rio de Janeiro, v.3, n.6, jul. 1979. 36p. AKERLOF, G. The market for lemons: qualitative uncertainly and the market mechanism. Quarterly Journal of Economics, v.84, n.3, p.488-500, 1970. ALBUQUERQUE, M.C.C.; NICOL, R. Economia Agrícola. São Paulo: McGraw-Hill, 1987. 335p. ALDRICH, J.H.; NELSON, F.D. Linear probability, logit and probit models. Newbury Park: Sage Publications, 1984. 95p. (SAGE university paper series, 45) ALMEIDA, A. Mercados informais como fonte alternativa de liquidez para os agricultores. Piracicaba, 1994. 204p. Dissertação (M.S.) – Escola Superior de Agricultura “Luiz de Queiroz”, Universidade de São Paulo. AMENIYA, T. Qualitative response models: a survey. Journal of Economic Literature , v.19, n.4, p.1483-1536, Dec. 1981. ANUÁRIO ESTATÍSTICO DO BRASIL – 1959-2000, v.20-60. 164 ARAUJO, P.F.C. Análise da política de crédito à agricultura brasileira. Piracicaba, 1980. 225p. Tese (Livre-Docência) – Escola Superior de Agricultura “Luiz de Queiroz”, Universidade de São Paulo. ARAUJO, P.F.C. Agricultura brasileira sem subsídio. Revista de Economia Rural, v.21, n.3, p.295-303, jul./set. 1983. ARAUJO, P.F.C. Crédito rural e seguro: a busca de um novo modelo. Preços Agrícolas, v.14, n.152, p.2, jun. 1999. ARAUJO, P.F.C. Crédito rural e endividamento em período recente. Preços Agrícolas, v.14, n.161, p.3-6, mar. 2000a. ARAUJO, P.F.C. Busca de novo modelo de crédito rural: até quando ? Preços Agrícolas, v.14, n.161, p.2, mar. 2000b. ARAUJO, P.F.C.; BARROS, A.L.M.; ALMEIDA, A. Turbulência e indefinição no financiamento da agricultura brasileira. In: BARREIRA, M.; JORGE, R. (Coord.). Agricultura, economia e sociedade : ensaios em homenagem ao prof. Fernando Estácio. Lisboa: IFADAP, 2001. p.83-97 ARAÚJO, U.M. Assimetria de informação no crédito rural: aspectos teóricos e um modelo para classificação do risco dos créditos concedidos a cooperativas agropecuárias. Piracicaba, 1996. 81p. Tese (Doutorado) – Escola Superior de Agricultura “Luiz de Queiroz”, Universidade de São Paulo. ARNOTT, R.; GREENWALD, B.; STIGLITZ, J.E. Information and economic efficiency. Cambridge, Nov. 1993. 18p. (NBER working papers series, 4533) http://www.nber.org (27 Apr. 2002) ARRAES, R.A.; BARRETO, R.C.S. Capital social, políticas públicas e desenvolvimento econômico. In: CONGRESSO BRASILEIRO DE ECONOMIA E SOCIOLOGIA RURAL, 40., Passo Fundo, 2002. Anais. Passo Fundo: UPF, 2002. 19p. ARYEETEY, E.; HETTIGE, H.; NISSANKE, M.; STEEL, W. Financial market fragmentation and reforms in Ghana, Malawi, Nigeria and Tanzania. The World Bank Economic Review, v.11, n.2, p.195-218, May 1997. BAER, W. A economia brasileira. São Paulo: Nobel, 1996. 416p. 165 BANCO CENTRAL DO BRASIL. Anuário Estatístico do Crédito Rural 2000. Brasília, 2001. 2v. BANCO MUNDIAL. Relatório sobre o desenvolvimento mundial: sistemas financeiros e desenvolvimento. Rio de Janeiro: Fundação Getúlio Vargas, 1989. 265p. BANCO NACIONAL DE DESENVOVIMENTO ECONÔMICO E SOCIAL Setor agropecuário. http://www.bndes.gov.br/produtos/agropecuario/default.asp (16 out. 2002) BARONE, F.M.; LIMA, P.F.; DANTAS, V.; REZENDE, V. Introdução ao Microcrédito. Brasília: Conselho da Comunidade Solidária, 2002. 65p. BARROS, G.S.A.C. Agricultura e inflação no Brasil. In: FONTES, R.M.O. (Ed.). Inflação brasileira. Viçosa: UFV, Imprensa Universitária, 1993. cap.14, p.191-197. BARROS, G.S.A.C.; ARAUJO, P.F.C. Estimativas de custos bancários de transações do crédito rural no Brasil. Piracicaba: FEALQ, jan. 1991. 41p. (Relatório de Resultados, 7) BARROS, G.S.A.C.; ARAUJO, P.F.C. Crédito rural no Brasil: estrutura de oferta e demanda e perspectivas para os anos 90. Piracicaba: ESALQ, DESR, 1995. 42p. (Série Pesquisa, 49) BARROS, J.R.M. de Política e desenvolvimento agrícola no Brasil. In: ENCONTRO NACIONAL DE ECONOMIA, 10., Águas de São Pedro, 1982. Resumos. Brasília: ANPEC, 1982. v.1, p.187-222. BASTOS, N.T. Rentabilidade ajustada ao risco das operações bancárias de crédito. 1999. http://www.risktech.com.br (15 abr. 2002) BAUMOL, W.J.; PANZAR, J.C.; WILLIG, R.D. Contestable markets and theory of industry structure . New York: Harcourt Brace Jovanovich, 1988. 538p. BEBBINGTON, A. Capitals and
Compartilhar