A eficiência das operações de microcrédito na Agência de Fomento do Estado do Amazonasperíodo de 2016 a 2021

Resumo

O microcrédito foi concebido para ajudar os cidadãos mais pobres a viabilizarem pequenas atividades geradoras de rendimento. Os mutuários precisam de um pequeno capital para empreender e o microcrédito pode desempenhar um papel importante neste cenário. Diferentemente de outras partes do mundo, onde as iniciativas são predominantemente do setor privado, no Brasil, as principais iniciativas de microcrédito são públicas ou possuem incentivos do setor público. O governo e as instituições de microcrédito, que possuem incentivos públicos, tentam reduzir a pobreza através de programas de microcrédito. Observa-se um interesse crescente em oportunizar programas de microcrédito no país exigindo das instituições financeiras a adoção de métodos de avaliação dos mutuários capazes de reduzir o risco de crédito, garantindo os repagamentos das operações, e mantendo as instituições superavitárias e sustentáveis no transcorrer do tempo. O presente estudo busca examinar e inferir o efeito de variáveis independentes como aval solidário, gênero do tomador, valor do financiamento, quantidade de prestações, fidelidade do tomador, finalidade do crédito e grau de instrução do tomador sobre a adimplência/inadimplência das operações de microcrédito da Agência de Fomento do Estado do Amazonas – AFEAM, instituição financeira pública, localizada no estado do Amazonas. Utilizando-se das técnicas de regressão logit e probit, combinadas com o ferramental moderno de Machine Learning, além de outros algoritmos de classificação, construiu-se um modelo para estimar o risco de inadimplência do tomador de microcrédito da AFEAM, com base em uma amostra probabilística de operações de microcrédito realizadas pela instituição, no período de 2016 a 2021. Os resultados dos modelos se mostram eficientes na discriminação dos contratos adimplentes e inadimplentes, podendo ser utilizados para previsão de futuros contratos. Por meio da pesquisa, foi possível verificar que, com diferentes pesos, algumas variáveis explicam a adimplência e inadimplência. Nesse caso, as variáveis de cliente especial e aval solidário possuem o maior peso para explicar a probabilidade de adimplência e inadimplência. Avaliando as métricas dos modelos de Machine Learning, oriundas das matrizes de confusão estimadas (Acurácia, Precisão, Recall, F1-Socre e ROC-AUC), pode-se afirmar, que os modelos de classificação exibiram bons resultados. Tem-se uma taxa de acerto de predição de, aproximadamente, 70% dos resultados, que de acordo com a literatura, trata-se de um padrão razoável de aceitação.

Ficha do documento

Tipo

Tese

Ano

2024

Instituição

Fundação Getulio Vargas

Fonte

Repositório da FGV

Idioma

Português

Acesso

Acesso aberto

Identificador

oai:repositorio.fgv.br:10438/35609

Temas

Gestão Pública

Palavras-chave

MicrocréditoAgência de fomentoMétricasPrediçãoMachine learningMicrocreditDevelopment agencyMetricsPredictionAdministração de empresasMicrofinançasCréditosPequenas e médias empresas - FinanciamentoInadimplência (Finanças)Aprendizado do computador