Artículo

26 de octubre de 2026

Indicadores Macroeconómicos y el Desempeño de la Cartera de Crédito Persona Física de una Institución Bancaria

Pamela Siller de Melo; Marcio Pereira Basilio

DOI: 10.22167/2675-6528-202601292

Artículo elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción.

Resumen

La concesión de crédito desempeña un papel estratégico en el crecimiento económico brasileño, siendo sensible a las fluctuaciones macroeconómicas que impactan el consumo de las familias y la gestión de riesgos de las instituciones financieras. Se evaluó la relación entre indicadores macroeconómicos, como el Producto Interno Bruto (PIB), el Índice Nacional de Precios al Consumidor Amplio (IPCA), la tasa Selic y el desempleo, y el comportamiento del saldo de la cartera de crédito de personas físicas de una institución bancaria, en el período de 2015 a 2025. Se realizó un estudio de caso cuantitativo, empleando regresión lineal múltiple con análisis de desfases temporales de hasta cuatro trimestres sobre datos trimestrales. Los resultados indicaron que el PIB fue la variable explicativa más robusta, ejerciendo influencia positiva directa sobre el crecimiento de la cartera. La tasa Selic, con un desfase de un trimestre, presentó una relación negativa con el stock de crédito, confirmando la eficacia de la política monetaria. Contrariamente a la teoría, la tasa de desempleo exhibió un coeficiente positivo, sugiriendo el uso del crédito para la suavización del consumo en períodos de deterioro del mercado laboral. El IPCA no demostró relevancia estadística. Se concluyó que la dinámica de la cartera de crédito estuvo intrínsecamente ligada al ciclo económico y respondió de forma desfalsada a las variaciones en el costo del capital. La identificación de estas relaciones dinámicas y desfalsadas evidenció que la gestión eficiente de carteras depende de la capacidad de la institución para adaptar sus políticas a las oscilaciones económicas y del costo del capital.

Palabras clave: Análisis econométrico; Actividad económica; Intereses; Regresión lineal múltiple.

1. Introducción

El crédito, en sus diversas modalidades, constituye un pilar fundamental para la dinámica económica contemporánea, actuando como catalizador del consumo, de la inversión y, consecuentemente, del crecimiento del Producto Interno Bruto (PIB) de una nación. En Brasil, la concesión de crédito a personas físicas asume un papel estratégico, impulsando la demanda de bienes duraderos, financiación inmobiliaria y acceso a servicios esenciales, generando efectos multiplicadores sobre la actividad productiva y el mercado laboral (Assaf Neto, 2015; Mankiw, 2021). La relevancia de este segmento se evidencia por su volumen expresivo en el Sistema Financiero Nacional (SFN), que refleja la capacidad de intermediación bancaria para canalizar recursos de agentes superavitarios a deficitarios, promoviendo la liquidez y la circulación monetaria.

Sin embargo, la salud y el desempeño de la cartera de crédito de personas físicas son intrínsecamente sensibles a las fluctuaciones del entorno macroeconómico. Indicadores como la tasa de interés básica (Selic), la inflación (IPCA), el nivel de actividad económica (PIB) y la tasa de desempleo influyen en la capacidad de pago de los tomadores y la propensión de las instituciones financieras a conceder crédito. Teóricamente, un aumento del PIB, que señala expansión económica y mayor ingreso, tiende a estimular la demanda de crédito y a mejorar la capacidad de pago de las familias. En contrapartida, alzas en la tasa Selic, principal instrumento de política monetaria, encarecen el costo del capital, desestimulando el crédito y el consumo, en línea con el mecanismo de transmisión monetaria (Mankiw, 2021; Linardi, 2008). La inflación, a su vez, puede tener efectos ambiguos: en el corto plazo, puede impulsar la búsqueda de crédito para suavizar el consumo, pero, en el largo plazo, la incertidumbre inflacionaria inhibe nuevos compromisos financieros (Camargos, 2022; Maia, 2025). El desempleo, al reducir el ingreso y la estabilidad financiera, generalmente reduce la demanda de crédito y eleva el riesgo de morosidad de pago, impulsando políticas de concesión más restrictivas (Buss, 2024).

La literatura académica brasileña ha explorado ampliamente estas relaciones. Silveira (2015) analizó el crédito bancario y confirmó la correlación entre renta, intereses e impago, impactando la estabilidad financiera familiar. Buss (2024) identificó el desempleo y los intereses como determinantes del impago familiar, mientras que Murtadha (2025) reforzó la influencia del Selic, la inflación y el tipo de cambio en el rendimiento de carteras de crédito, notablemente en operaciones de tarjeta. Davoglio (2019) complementó al evidenciar que el impago acompaña el rendimiento económico sectorial, subrayando la importancia del entorno macroeconómico para la sostenibilidad bancaria. Tiryaki et al. (2017) resaltaron el carácter procíclico del crédito, donde la expansión de la renta estimula concesiones y eleva el saldo de las operaciones. Sin embargo, la mayoría se enfoca en datos agregados o sectores específicos, dejando una laguna en el análisis empírico del impacto simultáneo y desfase de estos indicadores sobre la cartera de crédito de personas físicas de una institución bancaria particular. La comprensión de estas dinámicas es vital, ya que la gestión eficiente de carteras y la formulación de políticas públicas dependen de la capacidad de anticipar y reaccionar a las oscilaciones económicas.

En este contexto, la presente investigación se justifica por la necesidad de profundizar la comprensión sobre cómo las condiciones macroeconómicas afectan el crédito de personas físicas en una institución bancaria específica, proporcionando subsidios prácticos para la gestión de riesgos, la fijación de precios de productos y las estrategias de concesión. El estudio contribuye a la literatura al investigar empíricamente, con análisis de desfases temporales, la sensibilidad de la cartera de crédito de personas físicas a las variaciones del Producto Interno Bruto (PIB), el Índice Nacional de Precios al Consumidor Amplio (IPCA), la tasa Selic y el desempleo, en el período de 2015 a 2025, mediante la estimación de modelos de regresión lineal múltiple.

2. Material y Métodos

El presente estudio se caracterizó como una investigación de carácter aplicado, con enfoque cuantitativo y descriptivo, siguiendo la clasificación metodológica propuesta por Gil (2023). La naturaleza aplicada de la investigación tuvo como objetivo profundizar la comprensión sobre la dinámica del crédito de personas físicas en un contexto bancario específico, mientras que el enfoque cuantitativo permitió el análisis estadístico de datos numéricos. El diseño descriptivo buscó identificar y analizar las relaciones entre las variables macroeconómicas y el desempeño de la cartera de crédito, sin la manipulación de variables, centrándose en la descripción de los fenómenos observados. Esta combinación metodológica fue esencial para alcanzar los objetivos propuestos.

La investigación se desarrolló como un estudio de caso, teniendo como unidad de análisis la cartera de crédito de personas físicas de una institución bancaria específica. Esta institución, clasificada en el segmento S3, tiene su sede en el estado de Espírito Santo y opera con créditos para personas físicas y jurídicas. Para preservar la confidencialidad del estudio, se optó por no identificar nominalmente a la institución. El período de análisis abarcó los años 2015 a 2025, con datos organizados en frecuencia trimestral, lo que permitió observar la dinámica de las variables a lo largo de distintas fases del ciclo económico brasileño y sus impactos en el crédito.

Los procedimientos técnicos de la investigación se basaron en un enfoque documental y bibliográfico, utilizando exclusivamente datos secundarios. La información macroeconómica, que sirvió como variables explicativas, se recopiló de fuentes oficiales y de acceso público, incluyendo el Banco Central de Brasil y el Instituto Brasileño de Geografía y Estadística (IBGE). Los datos referentes a la cartera de crédito de personas físicas de la institución bancaria analizada, que constituyó la variable dependiente, se obtuvieron a través de informes públicos disponibles en el sitio electrónico de relaciones con inversores de la propia institución. Esta metodología garantizó la fiabilidad y la disponibilidad de los datos para el análisis.

La variable dependiente del estudio se definió como el crecimiento porcentual del saldo de la cartera de crédito comercial de personas físicas de la institución bancaria. Esta cartera abarca operaciones de préstamos, financiamientos inmobiliarios y de otros bienes, además de operaciones con tarjeta de crédito. Las variables explicativas seleccionadas, fundamentadas en la literatura económica, fueron el Producto Interno Bruto (PIB), la tasa básica de interés (Selic Meta), la inflación medida por el Índice Nacional de Precios al Consumidor Amplio (IPCA) y la tasa de desempleo. La elección de estas variables se justificó por su reconocida influencia tanto en la demanda de crédito como en la capacidad de pago de las familias.

Para asegurar la consistencia, comparabilidad y adecuación de los datos al modelado econométrico, las variables utilizadas fueron previamente tratadas. El crecimiento de la cartera de crédito de personas físicas, variable dependiente, se midió en términos porcentuales trimestrales. Esta medición se realizó a partir de la variación del saldo de la cartera entre períodos consecutivos, una transformación que tuvo como objetivo reducir la tendencia inherente a la serie temporal y hacerla más apropiada para el análisis de regresión. Dicho procedimiento es común en estudios econométricos para estabilizar la varianza y cumplir con los supuestos de los modelos.

Las variables explicativas – tasa Selic, PIB, IPCA y tasa de desempleo – tuvieron sus series organizadas en base trimestral, compatibilizándolas con la frecuencia de los datos de la cartera de crédito. La tasa Selic Meta se calculó como la media trimestral de la tasa anualizada, disponible en el Banco Central de Brasil. El PIB se empleó como índice de volumen trimestral con ajuste estacional, obtenido de la tabla 1621 del IBGE. El IPCA representó la variación porcentual acumulada en tres meses, correspondiente a la inflación trimestral, extraído de la tabla 1737 del IBGE. La tasa de desempleo se utilizó conforme a la Encuesta Nacional por Muestra de Hogares Continua (PNAD Continua), de la tabla 4099 del IBGE, ya en frecuencia trimestral.

Adicionalmente, para capturar los efectos dinámicos de las condiciones macroeconómicas sobre la cartera de crédito, se incorporaron rezagos temporales en las variables explicativas. Este enfoque consideró que los impactos de las variables económicas no se manifiestan de forma inmediata, sino a lo largo del tiempo. Se estimaron modelos con rezagos de uno a cuatro trimestres para todas las variables explicativas. La elección de incorporar rezagos temporales encuentra respaldo en el mecanismo de transmisión de la política monetaria, cuyos efectos pueden materializarse con un retraso de aproximadamente seis a nueve meses, lo que corresponde a dos a tres trimestres, según lo indicado por el Banco Central de Brasil.

Para el análisis de los datos, se empleó la técnica estadística de regresión lineal múltiple. El objetivo fue evaluar la relación entre el crecimiento del saldo de la cartera de crédito de personas físicas, como variable dependiente, y los indicadores macroeconómicos seleccionados, como variables explicativas. Este enfoque permitió identificar la dirección, la magnitud y la significancia estadística de las asociaciones entre las variables, contribuyendo a la comprensión del comportamiento de la cartera de crédito frente a las variaciones del entorno macroeconómico. La selección de las variables explicativas más relevantes en cada especificación se realizó mediante el método stepwise, un proceso algorítmico basado en criterios estadísticos de significancia.

Los análisis estadísticos se realizaron con la ayuda de hojas de cálculo electrónicas, como Microsoft Excel, y de la plataforma Stats Studio, una herramienta estadística desarrollada por docentes de la Escuela Superior de Agricultura “Luiz de Queiroz” de la Universidad de São Paulo (USP/ESALQ). El Stats Studio se utilizó para la estimación de los modelos de regresión lineal múltiple, el cálculo de los coeficientes, la realización de pruebas de significancia y la verificación de los supuestos del modelo. Este conjunto de herramientas contribuyó a la precisión en la medición y comparación de las series históricas, asegurando transparencia y reproducibilidad. Se realizaron pruebas con diferentes especificaciones, incluyendo retardos temporales, para evaluar la robustez de los resultados y capturar posibles efectos dinámicos entre las variables.

En relación con los aspectos éticos, la investigación adoptó el principio de confidencialidad, optando por no identificar nominalmente la institución bancaria analizada. Esta medida tuvo como objetivo proteger los datos y la privacidad de la entidad, garantizando la integridad del estudio de caso. Adicionalmente, el autor asumió total responsabilidad por la consistencia, interpretación de los resultados y conclusiones presentadas, tras una revisión crítica de todo el contenido. Dichos procedimientos aseguraron la transparencia y la ética en la conducción de la investigación, en conformidad con las buenas prácticas académicas y la protección de las informaciones sensibles involucradas.

El estudio presentó algunas limitaciones metodológicas que merecen ser destacadas. La utilización de datos agregados y la no consideración de modelos econométricos más complejos, capaces de capturar la dinámica temporal de las series de forma más sofisticada, representan restricciones. La muestra analizada, comprendiendo el período de 2015 a 2025, aunque relevante, puede no abarcar todas las matices del ciclo económico. Además, la complejidad del crédito puede ser influenciada por factores no observados, y la posibilidad de variables relevantes omitidas, así como la limitación de usar variables macroeconómicas de alcance nacional para una institución con actuación predominantemente regional, son puntos a ser considerados en la interpretación de los resultados.

3. Resultados y Discusión

La presente sección detalla los resultados obtenidos en la investigación empírica, con enfoque en el análisis descriptivo de las variables macroeconómicas y del crecimiento de la cartera de crédito de personas físicas, así como en la interpretación de los modelos de regresión lineal múltiple estimados. Los datos analizados, de frecuencia trimestral, abarcan el período de 2015 a 2025, permitiendo una comprensión profunda de la dinámica del crédito en un contexto bancario específico, localizado en el estado de Espírito Santo, cuya identidad se preserva por razones de confidencialidad. Las variables explicativas – tasa Selic, IPCA acumulado, PIB y tasa de desempleo – fueron cuidadosamente tratadas para asegurar la consistencia y adecuación al modelado econométrico, según se detalla en la metodología.

Inicialmente, el análisis descriptivo de las series temporales reveló patrones y tendencias importantes en la evolución del saldo de la cartera de crédito. Se observó un crecimiento continuo del saldo de la cartera de crédito de personas físicas a lo largo del período, aunque puntuado por momentos de desaceleración. Este comportamiento cíclico de la cartera de crédito es intrínseco a la naturaleza del mercado financiero y refleja la sensibilidad del crédito a las fluctuaciones de la actividad económica. A partir de 2018, un cambio en la forma de divulgación de los datos, que pasaron a expresarse en miles de reales (R$ mil), indicó una mejora en la precisión de la información proporcionada por la institución, lo que, a su vez, contribuye a un análisis más robusto. La expansión del crédito, incluso con oscilaciones, es un indicativo de la creciente demanda de recursos financieros por parte de las familias, ya sea para consumo, inversión en bienes duraderos o financiación inmobiliaria, según lo señalado por Assaf Neto (2015) y Mankiw (2021), quienes destacan el papel del crédito como motor de la economía.

La trayectoria de la tasa Selic, la tasa básica de interés de la economía brasileña, exhibió ciclos de política monetaria distintos, caracterizados por períodos de ajuste y flexibilización. El período de análisis se inició con tasas elevadas, en torno al 14,25% anual, entre finales de 2015 y mediados de 2016. Posteriormente, la Selic experimentó una reducción acentuada, alcanzando un mínimo histórico del 2,00% anual en 2020, en respuesta a un escenario de desaceleración económica y a la crisis sanitaria. Sin embargo, a partir de 2021, se inició un nuevo ciclo de alza, elevando la tasa al 13,75% anual en 2023 y cerrando 2025 al 15% anual. Estos movimientos de la Selic actuaron como un termostato para el saldo de la cartera de crédito. La caída de los intereses hasta 2020 abarató significativamente el costo del capital, estimulando la toma de nuevos préstamos por parte de las familias y, consecuentemente, impulsando el crecimiento de la cartera de crédito. En contrapartida, las elevaciones subsiguientes encarecieron las cuotas e indujeron una mayor selectividad por parte de las instituciones bancarias en la concesión de crédito, además de desestimular la demanda. Linardi (2008) corrobora esta interpretación, al afirmar que la tasa de interés influye directamente en el costo del capital, y los aumentos en la Selic tienden a frenar la expansión del crédito. Murtadha (2025) complementa, observando que la política monetaria impacta la planificación financiera de las familias, llevando a una moderación en el crecimiento de los saldos de crédito en períodos de intereses elevados, especialmente para modalidades de consumo inmediato. Para la institución bancaria, la comprensión de estos ciclos es crucial para ajustar sus estrategias de fijación de precios, gestión de riesgos y oferta de productos de crédito, garantizando la sostenibilidad de la cartera.

El comportamiento del Índice Nacional de Precios al Consumidor Amplio (IPCA), que mide la inflación, estuvo marcado por fluctuaciones considerables a lo largo del período. Se observó un pico inflacionario en 2015, con un 10,67% anual, seguido por un nuevo período de presión en 2021, cuando el índice alcanzó el 3,02% en el tercer trimestre. Al cierre del período, en 2025, la inflación mostró nueva volatilidad, registrando un 2,04% en el primer trimestre, antes de una desaceleración. La elevada inflación, al corroer el poder adquisitivo real de las familias, impacta el saldo de la cartera de crédito de dos maneras principales. A corto plazo, puede haber un aumento del saldo de crédito debido a la necesidad de las familias de financiar artículos básicos para mantener su nivel de consumo, lo que puede elevar momentáneamente el endeudamiento, como destacó Camargos (2022). Sin embargo, a largo plazo, la inflación persistente inhibe la demanda de nuevos contratos de crédito de mayor valor, llevando a un comportamiento más cauto y, eventualmente, a la estabilización del stock total de crédito, como sugiere Maia (2025). Para las instituciones financieras, la volatilidad inflacionaria representa un desafío en la gestión de carteras, exigiendo modelos de fijación de precios y provisionamiento que consideren la erosión del poder adquisitivo y el impacto en la capacidad de pago de los tomadores.

El Producto Interno Bruto (PIB) brasileño, un indicador fundamental de la actividad económica, experimentó una fuerte contracción en el bienio 2015-2016, con caídas del 3,5% y 3,3%, respectivamente, reflejando un período de recesión. La recuperación subsiguiente fue lenta, pero consistente, culminando en un crecimiento constante a finales de 2024 y 2025, con el índice de volumen trimestral evolucionando de 189,63 en el segundo trimestre de 2024 a 194,92 a finales de 2025. Este comportamiento de recuperación de la actividad económica se traduce positivamente en el saldo de la cartera de crédito. El aumento de la producción nacional y la mejora de las expectativas económicas fortalecen la confianza tanto de los tomadores, que se sienten más seguros para contraer deudas, como de los prestamistas, que perciben menor riesgo de impago. Tiryaki et al. (2017) resaltan la naturaleza procíclica del crédito, donde períodos de expansión de la renta estimulan las concesiones y elevan el saldo de las operaciones. Davoglio (2019) refuerza este vínculo, evidenciando la agilidad con que el desempeño de la cartera de crédito responde a las movimentaciones de la riqueza nacional. Para la institución, un PIB en crecimiento señala un ambiente favorable para la expansión del crédito, justificando políticas más flexibles de concesión e inversiones en nuevos productos.

La tasa de desempleo, otro indicador macroeconómico crucial, presentó niveles alarmantes al inicio del período analizado, aumentando del 8% en el primer trimestre de 2015 al 13,9% en el primer trimestre de 2017, y alcanzando un pico del 14,9% en el tercer trimestre de 2020, en medio de la crisis sanitaria. Sin embargo, los datos más recientes indican una trayectoria de caída consistente, reduciéndose del 7,0% en el primer trimestre de 2025 al 5,1% en el último trimestre del mismo año. La mejora en el mercado laboral en 2025 favoreció la capacidad de las familias para acceder al mercado de crédito, sosteniendo el saldo de la cartera. Teóricamente, el desempleo actúa como un señalizador de riesgo para las instituciones bancarias, que tienden a restringir la oferta de crédito en períodos de baja ocupación, impactando negativamente el stock total de operaciones (Buss, 2024). Aunque Camargos (2022) observa que el desempleo puede, paradójicamente, elevar la demanda de crédito de subsistencia, la tendencia general es de retracción de la cartera debido al compromiso de la fuente primaria de ingresos. La recuperación del empleo, por lo tanto, es un factor positivo para la salud de la cartera de crédito, reduciendo el riesgo de incumplimiento y ampliando la base de potenciales tomadores.

El análisis gráfico de las series permitió una evaluación preliminar de las relaciones entre las variables macroeconómicas y el crecimiento de la cartera de crédito de personas físicas, complementando los resultados econométricos y ofreciendo una perspectiva visual de la dinámica observada.

Fuente: Resultados originales de la investigación a partir de datos del Banco Central de Brasil y datos públicos de la institución financiera del segmento S3

Figura 1. Crecimiento trimestral del saldo de la cartera de crédito de personas físicas y la tasa Selic Meta trimestral anualizada

Como se presenta en la Figura 1, que relaciona la evolución de la tasa Selic con el crecimiento trimestral de la cartera de crédito, no se observa una relación contemporánea claramente definida. Períodos de elevación de la tasa de interés no coinciden, de forma inmediata, con reducciones en el crecimiento de la cartera. Este comportamiento sugiere que los efectos de la política monetaria sobre el crédito no se manifiestan instantáneamente, sino con un desfase temporal, lo que es consistente con el mecanismo de transmisión de la política monetaria. La política monetaria, al alterar las tasas de interés, afecta el costo del crédito y las expectativas de los agentes económicos, pero estos impactos tardan tiempo en materializarse en la economía real y, consecuentemente, en la demanda y oferta de crédito. Esta observación preliminar refuerza la necesidad de incorporar desfases temporales en los modelos econométricos para capturar la complejidad de estas interacciones.

La relación entre el IPCA trimestral y el crecimiento de la cartera de crédito, aunque no ilustrada por una figura específica en este recorte, demostró una elevada volatilidad del indicador inflacionario, sin un patrón visual consistente de asociación directa y contemporánea con el crecimiento de la cartera. Este resultado preliminar indica que la inflación, a corto plazo, puede tener un bajo poder explicativo sobre la dinámica del crédito, una evidencia que fue posteriormente confirmada en los modelos econométricos, donde el IPCA no se mostró estadísticamente significativo. Esto no significa que la inflación no tenga impacto, sino que sus efectos pueden ser indirectos, desfasados o ya incorporados en otras variables, como la tasa de interés, que es frecuentemente ajustada en respuesta a las presiones inflacionarias.

Fuente: Resultados originales de la investigación a partir de datos del Banco Central de Brasil y datos públicos de la institución financiera del segmento S3

Figura 2. Crecimiento trimestral de la cartera de crédito comercial de persona física y la tasa de desempleo trimestral

En la Figura 2, que relaciona la tasa de desempleo con el crecimiento de la cartera, se observó una asociación menos intuitiva de lo esperado por la teoría económica. Hubo períodos en los que el aumento del desempleo coincidió con el crecimiento del crédito, especialmente entre 2020 y 2021, durante la pandemia de COVID-19. Este fenómeno puede explicarse por la reducción de la tasa Selic en el mismo período, que abarató el crédito y pudo haber incentivado a las familias a recurrir a préstamos como mecanismo de suavización del consumo en un momento de incertidumbre económica y pérdida de ingresos. Esta dinámica atípica sugiere que, en contextos de crisis, el crédito puede asumir un papel de “amortiguador” para las familias, aunque esto pueda llevar a un aumento del endeudamiento en un escenario de fragilidad financiera. La interpretación de este hallazgo es crucial para las instituciones financieras, que necesitan considerar no solo el riesgo de crédito en escenarios de desempleo, sino también la potencial demanda de crédito de subsistencia.

Fuente: Resultados originales de la investigación a partir de datos del Banco Central de Brasil y datos públicos de la institución financiera del segmento S3

Figura 3. Crecimiento trimestral de la cartera de crédito comercial de personas físicas y el PIB trimestral

Finalmente, la Figura 3 presenta la relación entre el Producto Interno Bruto (PIB) y el crecimiento de la cartera de crédito. Aquí, se observó un patrón más consistente, con períodos de expansión de la actividad económica asociados al aumento del crecimiento de la cartera de crédito. Esta evidencia refuerza el carácter procíclico del crédito, donde la salud de la economía y la capacidad de generación de ingresos de las familias se traducen directamente en una mayor demanda y oferta de crédito. Este resultado anticipa el papel central del PIB en los modelos de regresión, confirmando su robustez como principal variable explicativa. Para los gestores bancarios, la Figura 3 subraya la importancia de monitorear de cerca los indicadores de actividad económica, ya que ofrecen una señal clara sobre las perspectivas de expansión o contracción de la cartera de crédito.

En términos generales, la evidencia gráfica sugiere que la relación entre las variables macroeconómicas y el crédito no es plenamente capturada por relaciones contemporáneas simples. Esto indica la necesidad de incorporar rezagos temporales en los modelos econométricos, un enfoque que permite analizar cómo los impactos de las condiciones económicas se propagan a lo largo del tiempo, un aspecto fundamental para la comprensión de la dinámica del crédito. La complejidad de estas interacciones exige un análisis más sofisticado, que trasciende la observación de correlaciones inmediatas.

Resultados de la regresión lineal múltiple

Con el objetivo de analizar la relación entre variables macroeconómicas y el crecimiento de la cartera de crédito de personas físicas, se estimaron modelos de regresión lineal múltiple, tanto con como sin la inclusión de rezagos temporales. El procedimiento stepwise se aplicó en todas las especificaciones para seleccionar las variables explicativas más relevantes, garantizando la parsimonia y la significancia estadística de los modelos.

a) Modelo sin desfase:

El primer modelo estimado, sin el uso de rezagos temporales, presentó resultados que ofrecen una visión inicial de las relaciones contemporáneas entre las variables.

Tabla 1. Salida del modelo sin rezago temporal

Período trimestral

Saldo Cartera de Crédito Comercial Persona Física (R$ mil)

Crecimiento de la Cartera por Trimestre (R$ mil)

Crecimiento de la Cartera por Trimestre (%)

1T15

2340000.00

40000.00

1.74

2T15

2350000.00

10000.00

0.43

3T15

2350000.00

0.00

4T15

2290000.00

60000.00

-2.55

1T16

2320000.00

30000.00

1.31

2T16

2330000.00

10000.00

0.43

3T16

2290000.00

40000.00

-1.72

4T16

2230000.00

60000.00

-2.62

1T17

2250000.00

20000.00

0.90

2T17

2270000.00

20000.00

0.89

3T17

2280000.00

10000.00

0.44

4T17

2270000.00

10000.00

-0.44

1T18

2363680.29

93680.29

4.13

2T18

2421545.21

57864.91

2.45

3T18

2438329.17

16783.97

0.69

4T18

2483729.28

45400.10

1.86

1T19

2544798.72

61069.44

2.46

2T19

2622957.60

78158.88

3.07

3T19

2655954.63

32997.03

1.26

4T19

2694406.39

38451.76

1.45

1T20

2876676.49

182270.10

6.76

2T20

2912390.15

35713.66

1.24

3T20

3041734.63

129344.48

4.44

4T20

3210636.72

168902.09

5.55

1T21

3401280.71

190643.99

5.94

2T21

3643911.18

242630.47

7.13

3T21

3836068.64

192157.46

5.27

4T21

4027600.31

191531.67

4.99

1T22

4244872.41

217272.10

5.39

2T22

4521202.96

276330.55

6.51

3T22

4787240.77

266037.81

5.88

4T22

5148001.83

360761.07

7.54

1T23

5562775.06

414773.23

8.06

2T23

5970974.25

408199.19

7.34

3T23

6315490.45

344516.20

5.77

4T23

6567490.18

251999.73

3.99

1T24

6910329.97

342839.79

5.22

2T24

7309712.34

399382.38

5.78

3T24

7692898.74

383186.39

5.24

4T24

8043955.98

351057.25

4.56

1T25

8372414.00

328458.02

4.08

2T25

8535345.30

162931.30

1.95

3T25

8653657.42

118312.11

1.39

4T25

8736579.00

82921.59

0.96

Fuente: Elaboración propia basada en los resultados de Stats Studio

Según se presenta en la Tabla 1, la estimación del modelo resultó en una especificación parsimoniosa, en la cual solo las variables PIB y tasa de desempleo se mantuvieron como explicativas del crecimiento de la cartera de crédito de personas físicas. El coeficiente de determinación (R²) de 0,4168 indica que aproximadamente el 41,68% de la varianza en el crecimiento de la cartera de crédito es explicada por las variables seleccionadas. Aunque este R² es moderado, la prueba F presentó un p-value de 0,0000, permitiendo rechazar la hipótesis nula de que los coeficientes son conjuntamente iguales a cero, lo que evidencia la significancia global del modelo al nivel del 5%.

El coeficiente asociado al PIB fue positivo y estadísticamente significativo, lo que indica que un aumento en la actividad económica está directamente relacionado con la expansión de la cartera de crédito. Este resultado está en total consonancia con la teoría económica, que postula que el crecimiento del producto eleva la renta disponible de las familias y, en consecuencia, estimula tanto el consumo como la demanda de crédito (Mankiw, 2021; Assaf Neto, 2015). Para la institución bancaria, este hallazgo refuerza la importancia de alinear las estrategias de concesión de crédito con las proyecciones macroeconómicas de crecimiento del PIB, aprovechando los períodos de expansión para aumentar la oferta de crédito y mitigar riesgos en fases de desaceleración.

Por otro lado, la tasa de desempleo también presentó significancia estadística al nivel del 5%, pero con un coeficiente positivo. Este resultado diverge de lo esperado teóricamente, ya que el aumento del desempleo tiende a reducir la capacidad de pago de los individuos y, consecuentemente, la demanda de crédito, llevando a la contracción de la cartera (Buss, 2024). Esta relación positiva observada debe interpretarse a la luz del contexto del período analizado, especialmente durante la crisis de la COVID-19. En este intervalo, la elevación del desempleo ocurrió simultáneamente a la reducción expresiva de la tasa Selic, lo que abarató el crédito y pudo haber incentivado su utilización como mecanismo de suavización del consumo y mantenimiento del nivel de vida de las familias. Por lo tanto, este resultado refleja un contexto atípico y debe ser analizado con cautela, sugiriendo que el crédito pudo haber actuado como un “colchón” financiero en momentos de adversidad. Alternativamente, esta relación puede reflejar características específicas de la cartera analizada, como la predominancia de modalidades de crédito de menor riesgo o la capacidad de la institución de gestionar el riesgo de forma eficaz incluso en escenarios adversos.

Las variables tasa Selic e inflación (IPCA) fueron excluidas por el procedimiento stepwise en este modelo sin rezago, indicando que, en la especificación contemporánea, no presentaron contribución estadísticamente significativa para explicar la variación de la cartera de crédito. Este resultado no implica la ausencia de efecto económico de estas variables, pero sugiere que sus impactos pueden ocurrir de forma indirecta o con rezago temporal, no siendo capturados por este modelo más simplificado. Para los gestores, la no significancia contemporánea de la Selic y del IPCA en este modelo inicial resalta la complejidad de la transmisión de los shocks macroeconómicos y la necesidad de considerar la dimensión temporal en el análisis.

En resumen, los resultados del modelo sin rezago indican que la dinámica de la cartera de crédito de personas físicas está más fuertemente asociada al nivel de actividad económica y a las condiciones del mercado laboral en el corto plazo. Sin embargo, la presencia de un coeficiente con signo no esperado para el desempleo y la ausencia de rezagos temporales evidencian limitaciones en la especificación del modelo, sugiriendo que un análisis más profundo, con la inclusión de rezagos, sería más adecuado para capturar la complejidad de las relaciones.

b) Modelo con desfase de 1 trimestre:

La introducción de rezagos temporales en las variables explicativas es crucial para capturar los efectos dinámicos de las condiciones macroeconómicas sobre la cartera de crédito, ya que tales impactos no se manifiestan de forma inmediata. El modelo con rezago de un trimestre buscó abordar esta cuestión.

Tabla 2. Salida del modelo con un rezago de 1 trimestre

Período trimestral

Selic Meta (% anual)

Meta Selic (% a.a.)

Meta Selic (t-2) (% a.a.)

Meta Selic t-3 (% a.a.)

Meta Selic (% a.a.)

1T15

12.75

11.32

11

10.99

10.51

2T15

13.24

12.75

11.32

11

10.99

3T15

14.09

13.24

12.75

11.32

11

4T15

14.25

14.09

13.24

12.75

11.32

1T16

14.25

14.25

14.09

13.24

12.75

2T16

14.25

14.25

14.25

14.09

13.24

3T16

14.25

14.25

14.25

14.25

14.09

4T16

13.97

14.25

14.25

14.25

14.25

1T17

12.78

13.97

14.25

14.25

14.25

2T17

11.05

12.78

13.97

14.25

14.25

3T17

9.28

11.05

12.78

13.97

14.25

4T17

7.57

9.28

11.05

12.78

13.97

1T18

6.83

7.57

9.28

11.05

12.78

2T18

6.50

6.83

7.57

9.28

11.05

3T18

6.50

6.50

6.83

7.57

9.28

4T18

6.50

6.50

6.50

6.83

7.57

1T19

6.50

6.50

6.50

6.50

6.83

2T19

6.50

6.50

6.50

6.50

6.50

3T19

6.10

6.50

6.50

6.50

6.50

4T19

5.05

6.10

6.50

6.50

6.50

1T20

4.28

5.05

6.10

6.50

6.50

2T20

3.19

4.28

5.05

6.10

6.50

3T20

2.10

3.19

4.28

5.05

6.10

4T20

2.00

2.10

3.19

4.28

5.05

1T21

2.12

2.00

2.10

3.19

4.28

2T21

3.33

2.12

2.00

2.10

3.19

3T21

4.96

3.33

2.12

2.00

2.10

4T21

7.68

4.96

3.33

2.12

2.00

1T22

10.37

7.68

4.96

3.33

2.12

2T22

12.46

10.37

7.68

4.96

3.33

3T22

13.57

12.46

10.37

7.68

4.96

4T22

13.75

13.57

12.46

10.37

7.68

1T23

13.75

13.75

13.57

12.46

10.37

2T23

13.75

13.75

13.75

13.57

12.46

3T23

13.38

13.75

13.75

13.75

13.57

4T23

12.33

13.38

13.75

13.75

13.75

1T24

11.36

12.33

13.38

13.75

13.75

2T24

10.60

11.36

12.33

13.38

13.75

3T24

10.53

10.60

11.36

12.33

13.38

4T24

11.27

10.53

10.60

11.36

12.33

1T25

13.06

11.27

10.53

10.60

11.36

2T25

14.58

14.58

11.27

10.53

10.60

3T25

15.00

15.00

15.00

11.27

10.53

4T25

15.00

15.00

15.00

15.00

11.27

Fuente: Resultados originales de la investigación con software Stats Studio

Según se presenta en la Tabla 2, este modelo con un rezago de un trimestre presentó un coeficiente de determinación (R²) de 0,3588, lo que indica una capacidad moderada para explicar la variación de la cartera de crédito de personas físicas. Aunque ligeramente inferior al modelo sin rezago, la prueba F presentó un p-value de 0,0001, lo que demuestra que el modelo es estadísticamente significativo en su conjunto. Las variables seleccionadas por el procedimiento stepwise fueron la tasa Selic y el PIB, ambas con coeficientes estadísticamente significativos al nivel del 5%.

El coeficiente asociado a la tasa Selic, con un rezago de un trimestre, presentó un signo negativo, lo que indica que el aumento de la tasa de interés de referencia en el trimestre anterior está asociado a una reducción en el crecimiento de la cartera de crédito en el período subsiguiente. Este resultado es altamente consistente con el mecanismo de transmisión de la política monetaria, según el cual el aumento de los intereses encarece el crédito, desestimula la demanda de financiación y, en consecuencia, contrae el saldo de la cartera (Linardi, 2008; Murtadha, 2025). El rezago de un trimestre (aproximadamente tres meses) para la materialización de este efecto es plausible, considerando el tiempo necesario para que las decisiones de política monetaria se traduzcan en cambios en las condiciones de mercado y en el comportamiento de tomadores y prestamistas. Para la institución bancaria, esta evidencia refuerza la necesidad de monitorear las decisiones del COPOM y anticipar sus impactos en la demanda de crédito, ajustando las tasas de interés de sus productos y las políticas de concesión con base en las expectativas de movimientos de la Selic.

A su vez, el PIB desfasado en un trimestre también presentó un coeficiente positivo y estadísticamente significativo, lo que indica que el aumento de la actividad económica en el período anterior contribuyó a la expansión de la cartera de crédito. Este resultado refuerza la importancia del ciclo económico como determinante de la dinámica del crédito, evidenciando que la mejora de las condiciones económicas se traduce, con cierto desfase, en una mayor demanda de crédito por parte de las familias. La confianza económica y la estabilidad del empleo, impulsadas por el crecimiento del PIB, incentivan a las familias a asumir compromisos financieros a largo plazo. Para los bancos, el desfase positivo del PIB sugiere que la planificación de la expansión de la cartera puede basarse en indicadores económicos precedentes, permitiendo una proactividad en la oferta de crédito y en la gestión de riesgos.

La inclusión del rezago temporal permitió capturar de manera más adecuada los efectos de las variables macroeconómicas sobre el crédito, ya que tales impactos no ocurren de forma inmediata. En este sentido, los resultados obtenidos para el modelo con rezago de un trimestre presentan mayor coherencia con la teoría económica cuando se comparan con el modelo sin rezago, especialmente por la presencia de la tasa Selic con el signo esperado. Este modelo ofrece una base más robusta para la toma de decisiones, permitiendo a la institución bancaria desarrollar modelos de predicción de crédito que incorporen la dinámica temporal de la política monetaria y del ciclo económico, optimizando la fijación de precios de productos y la gestión de su cartera de riesgo.

c) Modelo con desfase de 2 trimestres:

El análisis continuó con la estimación de un modelo que incorpora rezagos de dos trimestres para las variables explicativas, buscando verificar si los efectos de las condiciones macroeconómicas se manifiestan en un horizonte temporal más prolongado.

Tabla 3. Salida del modelo con rezago de 2 trimestres

Variable

Coeficiente (β)

valor-p

La constante α

-0,16085

0,02448

β1

-0,00341

0,00105

B2

0,00130

0,00295

Indicadores del modelo

Valía

R2

0,2928

R cuadrado ajustado

0,2583

F (valor p)

0,0008

Fuente: Resultados originales de la investigación con software Stats Studio

El modelo con rezago de dos trimestres, cuyos resultados se presentan en la Tabla 3, exhibió un coeficiente de determinación (R²) de 0,2928, indicando una menor capacidad explicativa en comparación con el modelo con rezago de un trimestre. A pesar de la reducción en el R², la prueba F indicó significancia global del modelo (p-valor = 0,0008), confirmando que las variables seleccionadas son conjuntamente relevantes. Las variables seleccionadas por el procedimiento stepwise fueron la tasa Selic y el PIB, ambas estadísticamente significativas al nivel del 5%.

El coeficiente de la tasa Selic mantuvo su signo negativo, lo que indica que los aumentos en la tasa de interés con un desfase de dos trimestres continúan asociados a la reducción del crecimiento de la cartera de crédito. Este resultado refuerza la persistencia del efecto de la política monetaria, aunque con menor intensidad explicativa. La transmisión de la política monetaria, que puede tardar de seis a nueve meses en materializarse plenamente, según lo indicado por el Banco Central de Brasil, encuentra respaldo en la observación de efectos desfasados. Para la gestión de riesgos, esto implica que las decisiones de política monetaria de hoy pueden impactar la cartera de crédito durante un período prolongado, exigiendo una visión a largo plazo en la formulación de estrategias.

De manera similar, el PIB rezagado en dos trimestres presentó un coeficiente positivo, evidenciando que la actividad económica sigue ejerciendo influencia sobre la expansión del crédito, incluso en un horizonte temporal más lejano. El crecimiento económico, al generar renta y empleo, crea un ambiente propicio para la expansión del crédito, y estos efectos pueden prolongarse. Sin embargo, la reducción en el poder explicativo de este modelo en relación con el de un trimestre sugiere que los efectos de las variables macroeconómicas sobre la cartera de crédito tienden a manifestarse con mayor intensidad en el corto y mediano plazos. Para los formuladores de políticas públicas, la persistencia del efecto del PIB en el crédito, incluso con rezago, subraya la importancia de políticas de estímulo al crecimiento económico para la estabilidad y expansión del sistema financiero.

En resumen, aunque el modelo con un rezago de dos trimestres presenta coherencia en las señales estimadas, su menor capacidad explicativa en relación con el modelo de un trimestre indica que esta especificación podría no ser la más adecuada para capturar la dinámica del crédito en el período analizado. Los gestores bancarios deben considerar que, si bien existen efectos a largo plazo, las respuestas más inmediatas de la cartera de crédito son más sensibles a las condiciones macroeconómicas recientes.

d) Modelo con desfase de 3 trimestres:

La investigación de los efectos rezagados continuó con la estimación de un modelo con un rezago de tres trimestres, buscando identificar patrones de influencia en un horizonte temporal aún más extendido.

Tabla 4. Salida del modelo con rezago de 3 trimestres

Período trimestral

PIB (índice numérico)

PIB (índice numérico)

PIB (índice numérico)

PIB (índice numérico)

PIB (índice numérico)

1T15

173.86

175.23

174.32

174.42

177.05

2T15

169.75

173.86

175.23

174.32

174.42

3T15

166.95

169.75

173.86

175.23

174.32

4T15

165.67

166.95

169.75

173.86

175.23

1T16

163.3

165.67

166.95

169.75

173.86

2T16

163.75

163.3

165.67

166.95

169.75

3T16

162.86

163.75

163.3

165.67

166.95

4T16

162.7

162.86

163.75

163.3

165.67

1T17

164.35

162.7

162.86

163.75

163.3

2T17

165.73

164.35

162.7

162.86

163.75

3T17

166.12

165.73

164.35

162.7

162.86

4T17

167.02

166.12

165.73

164.35

162.7

1T18

168.01

167.02

166.12

165.73

164.35

2T18

167.85

168.01

167.02

166.12

165.73

3T18

169.46

167.85

168.01

167.02

166.12

4T18

169.01

169.46

167.85

168.01

167.02

1T19

169.54

169.01

169.46

167.85

168.01

2T19

170.49

169.54

169.01

169.46

167.85

3T19

170.53

170.49

169.54

169.01

169.46

4T19

172.02

170.53

170.49

169.54

169.01

1T20

168.1

172.02

170.53

170.49

169.54

2T20

153.16

168.1

172.02

170.53

170.49

3T20

165.3

153.16

168.1

172.02

170.53

4T20

171.63

165.3

153.16

168.1

172.02

1T21

173.16

171.63

165.3

153.16

168.1

2T21

171.96

173.16

171.63

165.3

153.16

3T21

172.18

171.96

173.16

171.63

165.3

4T21

174.46

172.18

171.96

173.16

171.63

1T22

175.72

174.46

172.18

171.96

173.16

2T22

177.74

175.72

174.46

172.18

171.96

3T22

179.56

177.74

175.72

174.46

172.18

4T22

180.3

179.56

177.74

175.72

174.46

1T23

182.79

180.3

179.56

177.74

175.72

2T23

184.25

182.79

180.3

179.56

177.74

3T23

184.44

184.25

182.79

180.3

179.56

4T23

185.03

184.44

184.25

182.79

180.3

1T24

186.47

185.03

184.44

184.25

182.79

2T24

189.63

186.47

185.03

184.44

184.25

3T24

191.19

189.63

186.47

185.03

184.44

4T24

191.19

191.19

189.63

186.47

185.03

1T25

194.02

191.19

191.19

189.63

186.47

2T25

194.59

194.02

191.19

191.19

189.63

3T25

194.64

194.59

194.02

191.19

191.19

4T25

194.92

194.64

194.59

194.02

191.19

Fuente: Resultados originales de la investigación con software Stats Studio

El modelo con un rezago de tres trimestres, según la Tabla 4, presentó un coeficiente de determinación (R²) de 0,2954, lo que indica un bajo poder explicativo en relación con las demás especificaciones estimadas. A pesar de ello, la prueba F evidenció significancia global del modelo (p-valor = 0,0008). Las variables seleccionadas para este modelo fueron el PIB y la tasa de desempleo, ambas estadísticamente significativas al nivel del 5%.

El PBI desfasado en tres trimestres mantuvo su coeficiente positivo, reforzando la relevancia de la actividad económica en la explicación de la dinámica del crédito, incluso con un desfase más largo. Este hallazgo sugiere que los efectos del ciclo económico pueden prolongarse, impactando el comportamiento de la cartera de crédito de forma persistente. La resiliencia del PBI como variable explicativa en diferentes desfases subraya su importancia fundamental para la salud del mercado de crédito.

Sin embargo, la tasa de desempleo presentó nuevamente un coeficiente positivo, resultado que diverge de la expectativa teórica. Esta inconsistencia, ya observada en el modelo sin rezago, sugiere que, en un horizonte de tres trimestres, la relación entre desempleo y crédito puede ser influenciada por factores no capturados por el modelo o por dinámicas atípicas, como el uso del crédito para suavizar el consumo en períodos de crisis. La persistencia de esta señal inesperada plantea interrogantes sobre la robustez de la interpretación económica para esta variable en rezagos más largos, especialmente si el contexto de tasas de interés bajas que incentivó el crédito de subsistencia no se mantiene.

En términos generales, el modelo con un rezago de tres trimestres no presentó ganancias significativas en términos de capacidad explicativa y mantuvo inconsistencias en la interpretación económica del coeficiente de desempleo. Esto lo convierte en una especificación menos adecuada para representar la dinámica de la cartera de crédito en el período analizado, sugiriendo que los efectos más relevantes se concentran en rezagos más cortos.

e) Modelo con desfase de 4 trimestres:

La última especificación estimada incorporó rezagos de cuatro trimestres, buscando capturar efectos de largo plazo de las variables macroeconómicas sobre la cartera de crédito.

Tabla 5. Salida del modelo con un desfase de 4 trimestres

Variable

Coeficiente (β)

valor-p

La constante α

-0,52479

0,00003

β1

0,00263

0,00149

B2

0,00968

0,00000

R2

0,4258

R cuadrado ajustado

0,3978

F (valor p)

0,0000

Fuente: Resultados originales de la investigación con software Stats Studio

Según se presenta en la Tabla 5, el modelo con un rezago de cuatro trimestres presentó el mayor coeficiente de determinación (R²=0,4258) entre todas las especificaciones analizadas. Este elevado R² indica una mayor capacidad explicativa de la variación de la cartera de crédito de personas físicas. La prueba F presentó un p-value de 0,0000, evidenciando la elevada significancia estadística del modelo en su conjunto. Las variables seleccionadas por el procedimiento stepwise fueron el PIB y la tasa de desempleo, ambas estadísticamente significativas al nivel del 5%.

El PBI rezagado en cuatro trimestres mantuvo su coeficiente positivo, reforzando la evidencia de que la actividad económica ejerce una influencia relevante sobre la expansión del crédito, aunque con un desfase temporal más largo. Este resultado sugiere que los efectos del ciclo económico pueden prolongarse e impactar el comportamiento de la cartera de crédito de forma persistente, hasta por un año. Para los planificadores estratégicos de la institución, esto implica que las decisiones de inversión y expansión de la cartera deben considerar las tendencias económicas de mediano a largo plazo, utilizando el PBI como un indicador clave para anticipar escenarios futuros.

Por otro lado, la tasa de desempleo presentó nuevamente un coeficiente positivo, manteniendo la divergencia en relación con la expectativa teórica. La persistencia de esta señal inesperada, incluso con la mayor capacidad explicativa del modelo, indica que la interpretación económica para esta variable debe realizarse con cautela. La ausencia de la tasa Selic en este modelo, a pesar del mejor desempeño estadístico, y el mantenimiento de la señal no esperada para el desempleo, sugieren que, aunque el modelo con rezago de cuatro trimestres presenta un ajuste estadístico superior, puede no constituir la especificación más adecuada desde el punto de vista teórico para una interpretación causal directa. La complejidad de las interacciones macroeconómicas y la posibilidad de variables omitidas o de canales de transmisión no lineales pueden explicar estas inconsistencias.

Comparación entre los modelos y definición de la especificación final

La síntesis comparativa de los modelos estimados, con y sin rezago temporal, es fundamental para evaluar conjuntamente el desempeño estadístico y la coherencia económica de las diferentes especificaciones, permitiendo la definición de la especificación final más adecuada para la interpretación de los resultados.

Tabla 6. Síntesis comparativa de los modelos de regresión

Variable

Sin desfase

t-1

t-2

t-3

t-4

La constante α

-0,58149

-0,20524

-0,16085

-0,45087

-0,52479

ẞ SELIC OBJETIVO

-0,00347

-0,00341

ẞ PIB

0,00302

0,00155

0,00130

0,00231

0,00263

ẞ Desempleo

0,00827

0,00772

0,00968

R²

0,4168

0,3588

0,2928

0,2954

0,4258

R cuadrado ajustado

0,3883

0,3275

0,2583

0,2610

0,3978

F (valor p)

0,0000

0,0001

0,0008

0,0008

0,0000

Fuente: Resultados originales de la investigación con software Stats Studio

Según se presenta en la Tabla 6, el Producto Interno Bruto (PIB) demostró ser la variable explicativa más robusta, presentando un coeficiente positivo y estadísticamente significativo en todos los modelos en los que fue seleccionado por el procedimiento stepwise. Este resultado refuerza el papel central de la actividad económica en la determinación de la dinámica del crédito, confirmando la literatura que apunta a la naturaleza procíclica del crédito (Tiryaki et al., 2017; Davoglio, 2019). La consistencia del PIB en diferentes rezagos y especificaciones subraya su importancia como un indicador clave para la gestión de carteras de crédito y para la formulación de políticas económicas.

Se destaca que la variable inflación, representada por el IPCA, no fue seleccionada en ninguna de las especificaciones estimadas por el procedimiento stepwise, independientemente del rezago considerado. Este resultado sugiere que, para este modelo y en el período analizado, la inflación no presentó una contribución estadísticamente significativa para la explicación de la variación de la cartera de crédito de personas físicas. Dicha evidencia no implica la ausencia de efecto económico de la inflación sobre el crédito, pero puede indicar que sus impactos ocurren de forma indirecta, posiblemente ya incorporados en otras variables del modelo, como la tasa de interés, o aún que se manifiesten con mayor rezago o por medio de canales no capturados por la especificación adoptada. Para la institución, esto puede significar que, aunque la inflación afecte el poder adquisitivo y la capacidad de pago, sus efectos directos sobre el volumen de crédito son menos perceptibles que los de otras variables macroeconómicas.

En el modelo sin rezago, se seleccionaron las variables PIB y tasa de desempleo, con un coeficiente de determinación relativamente alto (R²=0,4168). Sin embargo, la presencia de un coeficiente positivo para el desempleo indica una inconsistencia con la teoría económica, sugiriendo limitaciones en la especificación contemporánea, especialmente debido al contexto atípico de la pandemia de COVID-19, donde el crédito pudo haber sido utilizado para suavizar el consumo en un escenario de bajas tasas de interés.

La introducción de rezagos temporales permitió captar efectos dinámicos de las variables macroeconómicas, que son cruciales para entender la transmisión de los choques económicos. El modelo con rezago de un trimestre se destacó por presentar coeficientes con signos consistentes con la teoría económica, especialmente en el caso de la tasa Selic, que exhibió una relación negativa con el crecimiento de la cartera de crédito. Este resultado es compatible con el mecanismo de transmisión de la política monetaria, en el cual aumentos en la tasa de interés tienden a restringir el crédito (Linardi, 2008). La coherencia teórica de este modelo, aliada a su significancia estadística, lo convierte en una especificación valiosa para la interpretación.

Sin embargo, el modelo con un rezago de cuatro trimestres presentó el mayor coeficiente de determinación (R²=0,4258), indicando el mejor ajuste estadístico. A pesar de ello, la ausencia de la tasa Selic y el mantenimiento del coeficiente positivo de la tasa de desempleo indican limitaciones en la interpretación económica, a pesar del mayor poder explicativo. Esto sugiere un trade-off entre el ajuste estadístico y la coherencia teórica. Los modelos con rezagos de dos y tres trimestres, por su parte, presentaron menor capacidad explicativa y no aportaron ganancias relevantes en términos de interpretación económica, no destacándose como especificaciones adecuadas.

De esta forma, existe un trade-off entre la calidad del ajuste estadístico y la coherencia teórica de los modelos. Considerando la consistencia de las señales estimadas, la presencia de variables económicamente relevantes y el alineamiento con la literatura, el modelo con un rezago de un trimestre se mostró el más adecuado para la interpretación de los resultados. Este modelo ofrece las mejores bases para que la institución bancaria desarrolle estrategias de gestión de cartera y fijación de precios de productos que consideren la dinámica de la política monetaria y del ciclo económico de forma más realista.

Finalmente, el modelo con un rezago de cuatro trimestres se utiliza como referencia complementaria de robustez, evidenciando que los efectos de las variables macroeconómicas sobre la cartera de crédito pueden manifestarse también a largo plazo, aunque con algunas limitaciones interpretativas. La capacidad de un modelo con un rezago más largo de explicar una mayor proporción de la varianza de la cartera de crédito sugiere que, para ciertas decisiones estratégicas a largo plazo, la institución puede considerar estos efectos más prolongados, incluso con las reservas interpretativas. La combinación del análisis de modelos con diferentes rezagos ofrece una visión abarcadora y multifacética de la compleja relación entre el entorno macroeconómico y el desempeño de la cartera de crédito de personas físicas.

4. Conclusión

Se concluye que el objetivo se alcanzó al evaluar la relación entre indicadores macroeconómicos como el PIB, el IPCA, la Selic y la tasa de desempleo y el comportamiento de la cartera de crédito de personas físicas de una institución bancaria, en el período de 2015 a 2025. La investigación demostró que el Producto Interno Bruto (PIB) fue la variable más robusta, ejerciendo una influencia positiva y consistente sobre el crecimiento de la cartera de crédito. La tasa Selic, cuando se consideró con un desfase de un trimestre, presentó la esperada relación negativa, confirmando el mecanismo de transmisión de la política monetaria. Sin embargo, la tasa de desempleo exhibió un coeficiente positivo, sugiriendo un uso atípico del crédito para la suavización del consumo en períodos de crisis, mientras que el IPCA no resultó estadísticamente significativo. Los resultados refuerzan que la dinámica de la cartera de crédito está intrínsecamente ligada al ciclo económico y responde de forma desfalsada a las variaciones en el costo del capital, subrayando la importancia de los desfases temporales para una comprensión más precisa.

Como limitaciones del estudio, se destaca la utilización de datos macroeconómicos de alcance nacional para explicar el comportamiento de una institución bancaria específica, así como la complejidad inherente al crédito, que puede ser influenciado por factores no observados o variables omitidas. La muestra temporal, de 2015 a 2025, aunque abarcadora, puede no capturar todas las matices de ciclos económicos más largos. Para estudios futuros, se sugiere la exploración de modelos econométricos más complejos, capaces de capturar dinámicas temporales más sofisticadas y múltiples rezagos simultáneos. La inclusión de nuevas variables explicativas, como indicadores de confianza del consumidor o datos microeconómicos de la propia institución, y la aplicación de técnicas avanzadas de series temporales podrían profundizar la comprensión de la relación entre el ambiente macroeconómico y el desempeño de la cartera de crédito, ofreciendo subsidios aún más precisos para la gestión de riesgos y la formulación de estrategias bancarias.

Referencias Bibliográficas

Assaf Neto, A. 2015. Mercado financeiro. 16. ed. Atlas, São Paulo, SP, Brasil.

Buss, L. S. 2024. Determinantes macroeconômicos da inadimplência da pessoa física no Sistema Financeiro Nacional Brasileiro. Trabalho de Conclusão de Curso Bacharel em Ciências Econômicas. Universidade Federal de Mato Grosso, Cuiabá, MT, Brasil.

Camargos, M.A.R. 2022. Análise do Comportamento do Nível de Endividamento dos Brasileiros. Trabalho de Conclusão de Curso Bacharel em Ciências Contábeis. Universidade Federal de Uberlândia, Uberlândia, MG, Brasil.

Davoglio, T. R. 2019. O impacto do desempenho setorial na inadimplência de carteiras de crédito. Trabalho de Conclusão de Curso Bacharel em Administração. Universidade Federal do Rio Grande do Sul, Porto Alegre, RS, Brasil.

Gil, A. C. 2023. Como elaborar projetos de pesquisa. 7. ed. Atlas, São Paulo, SP, Brasil.

Linardi, F.M. 2008. Avaliação dos Determinantes Macroeconômicos da Inadimplência Bancária no Brasil. Dissertação de Mestrado em Economia. Universidade Federal de Minas Gerais, Belo Horizonte, MG, Brasil.

Maia, A.C. 2025. Influência dos indicadores macroeconômicos na inadimplência de pessoas físicas no Brasil. Revista Delos 18(67):01-29.

Mankiw, N. G. 2021. Macroeconomia. 10. ed. LTC, Rio de Janeiro, RJ, Brasil.

Murtadha, N. A. 2025. Cartão de crédito: prevendo a taxa de inadimplência através dos indicadores macroeconômicos. Dissertação de Mestrado em Economia. Universidade Católica de Brasília, Brasília, DF, Brasil.

Silveira, J. R. 2015. Crédito e endividamento no Brasil: fatores macroeconômicos e impactos sociais. Trabalho de Conclusão de Curso Bacharel em Ciências Econômicas. Universidade Federal de Pelotas, Pelotas, RS, Brasil.

Tiryakia, G.F.; Gavazzab, I.O.; Andradec, C.M.; Motad, A.L. 2017. Ciclos de crédito, inadimplência e as flutuações econômicas no Brasil. Revista de Economia Contemporânea 21(1): 1-33.

Artículo originario del Trabajo de Conclusión de Curso de la Especialización en Economía, Inversiones y Banking del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy

También te puede interesar

17 de noviembre de 2026

Detección y Diagnóstico de Enfermedades en Maíz y Arroz en Mozambique con Deep Learning

La agricultura mozambiqueña depende del maíz y el arroz, cultivos fundamentales para la seguridad alimentaria, pero su productividad se ve fuertemente afectada por enfermedades fitosanitarias, cuya identificación temprana y precisa sigue siendo un desafío en contextos de recursos limitados. El estudio tuvo como objetivo desarrollar y comparar modelos basados en Deep Learning para la detección y el diagnóstico automático de enfermedades en hojas de maíz y arroz en Mozambique. Se utilizaron tres enfoques: una Red Neuronal Convolucional (CNN) clásica desarrollada desde cero, y dos modelos de transfer learning, ResNet50 y MobileNetV2. El conjunto de datos se compuso de imágenes de bases públicas y recolectadas en campo, que pasaron por etapas de limpieza, balanceo y aumento artificial. Los modelos fueron entrenados y evaluados con métricas de desempeño estándar, incluyendo precisión (accuracy), precisión (precision), recall, F1-score, Log Loss y Kappa de Cohen. La CNN clásica presentó el mejor desempeño global, con 94% de precisión (precision), recall y F1-score, y 93% de precisión (accuracy) y Kappa de Cohen. La MobileNetV2 alcanzó 91% de F1-score y 90% de precisión (accuracy), destacándose por el menor Log Loss (0,30) y tiempo de entrenamiento (6h32min59s). La ResNet50 alcanzó 80% de F1-score y 79% de precisión (accuracy). Se concluyó que las técnicas de Deep Learning poseen un elevado potencial para apoyar el diagnóstico fitopatológico en contextos agrícolas reales, contribuyendo a decisiones más rápidas y precisas en el manejo de enfermedades en maíz y arroz.

Palabras clave: Aprendizaje profundo; Arroz; Enfermedades en plantas; Maíz; Visión computacional.

17 de noviembre de 2026

Estructuración del proceso de cierre de proyectos de una industria de la construcción civil

Un estudio abordó el grupo de procesos de cierre de proyectos en una industria de manufactura de la construcción civil, utilizando la guía PMBOK como referencia principal. El proceso existente en la industria presentaba superficialidad y fragilidades, especialmente en el registro de lecciones aprendidas. Ante este escenario, el objetivo fue desarrollar un procedimiento para el cierre de proyectos de la organización, visando agregar valor por medio de la estandarización del proceso, registro del conocimiento adquirido, formalización de la conclusión y entrega de los proyectos, y mejoramiento de la comunicación, compromiso, integración y transparencia con los stakeholders. La investigación se clasificó como descriptiva, empleó datos cualitativos y adoptó la investigación-acción como delineamiento. El alcance del estudio se estructuró conforme a los cinco grupos de procesos de la guía PMBOK y fue representado por una Estructura Analítica de Proyecto (EAP). Los principales resultados obtenidos incluyeron el procedimiento desarrollado y diversas plantillas de documentos, que constituyeron los entregables del nuevo proceso de cierre de proyectos. Se verificó que el trabajo alcanzó el objetivo esperado, pues el procedimiento desarrollado viabilizó la estandarización del cierre de proyectos, el mejoramiento de la integración y el compromiso con los stakeholders, y la promoción de seguridad y transparencia en el proceso.

Palabras clave: Gestión del conocimiento; Lecciones aprendidas; PMBOK; Plantillas; Término de aceptación de proyecto.

17 de noviembre de 2026

Machine Learning y priorización de funcionalidades en productos digitales: un estudio de caso en una fintech

Una investigación analizó el potencial del uso de técnicas de machine learning aplicadas al análisis del comportamiento de los usuarios en la priorización de funcionalidades en productos digitales. El objetivo fue comprender los procesos de priorización utilizados en la práctica, el papel de los datos de comportamiento en la toma de decisiones y las percepciones sobre la aplicación de técnicas de machine learning en este contexto. Se adoptó un enfoque cualitativo y exploratorio, estructurado como un estudio de caso en productos desarrollados bajo el modelo Software as a Service (SaaS). La recolección de datos se realizó a través de entrevistas semiestructuradas con profesionales de las áreas de producto y de datos. El análisis de los datos siguió la técnica de análisis de contenido. Los resultados indicaron que, aunque los datos de comportamiento ya se utilizaban como apoyo a la decisión, los procesos de priorización aún presentaban baja formalización y enfrentaban limitaciones técnicas y organizacionales. Se observó, también, el reconocimiento del potencial del machine learning como soporte estratégico a la priorización de funcionalidades, aunque su aplicación práctica fuera incipiente. Como principal contribución, el estudio propuso un modelo conceptual que integra datos de comportamiento, procesos de priorización y el uso de machine learning como soporte a la decisión.

Palabras clave: Análisis de datos; Comportamiento del usuario; Datos de comportamiento; Software as a Service (SaaS); Toma de decisiones.

17 de noviembre de 2026

Inteligencia artificial en las rutinas operativas contables y en la eficiencia financiera

La incorporación de Inteligencia Artificial (IA) y de herramientas de automatización ha reconfigurado las rutinas de las oficinas contables brasileñas, impactando la productividad, la mitigación de errores y la eficiencia financiera. Se analizaron estos impactos en una oficina contable de pequeño tamaño, especializada en la atención a prestadores de servicios del área médica en São Caetano do Sul, São Paulo. La investigación adoptó un enfoque cualitativo, con un diseño de estudio de caso único y unidades de análisis incorporadas. Los datos se recolectaron mediante un cuestionario estructurado, aplicado vía Google Forms entre enero y febrero de 2026, a cinco profesionales de la estructura operativa de la oficina en un relevamiento censal. El tratamiento siguió un análisis de contenido con categorías a priori y emergentes. Todos los encuestados declararon uso de herramientas automatizadas o con recursos de IA. La percepción de reducción del tiempo de ejecución, de disminución de errores operacionales, de retrabajo y de mejor aprovechamiento del tiempo del equipo convergió en el 80% de las respuestas afirmativas y el 20% parciales. Las actividades más beneficiadas fueron la conciliación bancaria, la importación de documentos fiscales y la liquidación tributaria, con ganancias visibles sobre errores de digitación, asientos duplicados y clasificación incorrecta. La intervención humana permaneció indispensable en la planificación tributaria, el análisis de escenarios y la verificación de obligaciones accesorias. La evaluación general de la contribución de la IA fue predominantemente favorable, con moderación vinculada a la complejidad normativa fiscal.

Palabras clave: Análisis de contenido; Automatización de procesos; Contabilidad 4.0; Pequeño tamaño; Transformación digital.

17 de noviembre de 2026

Factores que influyen en la gestión de plazos en proyectos de “retrofit” de estaciones de tratamiento de aguas residuales

Los proyectos de “retrofit” en Plantas de Tratamiento de Aguas Residuales (PTAR) se caracterizan por su alta complejidad, restricciones operativas y múltiples interfaces técnicas. El estudio analizó la percepción de los profesionales involucrados sobre la gestión y el cumplimiento de los plazos en proyectos de “retrofit” de plantas de tratamiento de aguas residuales, considerando factores técnicos, operativos y organizacionales. La investigación se caracterizó como un estudio aplicado, con un enfoque cuali-cuantitativo, delineado como un levantamiento de campo de tipo “survey”. El análisis de los datos se realizó mediante estadística descriptiva y categorización cualitativa, utilizando las herramientas SWOT, matriz de riesgo (Probabilidad x Impacto) y plan de acción 5W2H. Los resultados indicaron una alta percepción de claridad (77,8%) y realismo de los plazos (100% de acuerdo), evidenciando una planificación inicial consistente. Sin embargo, el 77,7% de los encuestados señaló que los retrabajos y cambios de alcance impactaron directamente el cumplimiento de los plazos. La integración entre ingeniería, fabricación y Planificación y Control de la Producción (PCP) presentó una evaluación intermedia (77,7% de acuerdo parcial/total), indicando fragilidad en la coordinación interfuncional. La matriz de riesgo destacó como críticos: cambios de alcance, limitaciones operativas de la PTAR y complejidad técnica, todos con nivel alto. Como mejora central, se propuso la estandarización del control de cambios de alcance, análisis y aprobación, con el fin de reducir retrabajos y aumentar la previsibilidad del cronograma.

Palabras clave: Desempeño; Integración; Planificación; Retrabajo; Riesgo.

17 de noviembre de 2026

Captación B2C en medicina diagnóstica: acuerdos estratégicos con consultorios médicos especializados

El sector de la medicina diagnóstica en Brasil opera con una alta dependencia de las aseguradoras de planes de salud, lo que limita la autonomía financiera de los prestadores. Este estudio propuso y analizó un modelo de captación directa de pacientes (B2C) para una institución de medicina diagnóstica de alta complejidad, estructurado a partir de alianzas con consultorios de Oncología y Cardiología y operado por un servicio de atención personalizada denominado conserjería. La investigación adoptó un enfoque mixto en tres fases: levantamiento de campo con cuestionario estructurado aplicado a 87 pacientes, mapeo del flujo operativo mediante “Service Blueprint” y análisis de la tasa de conversión a partir de 312 indicaciones médicas registradas en el proyecto piloto. Los resultados indicaron que la confianza en la indicación médica obtuvo un 92,0% de concordancia, configurándose como el principal factor de adhesión. La conveniencia de realizar el examen el mismo día alcanzó el 78,2%, y la disposición al pago directo llegó al 55,2%, con una polarización asociada a la predominancia de usuarios de planes de salud. El “Service Blueprint” identificó tres puntos críticos en las transiciones entre etapas del recorrido. La tasa de conversión global fue del 51,0%, con un desempeño superior en Oncología (58,2%) en relación con Cardiología (45,0%), y la mayor pérdida se concentró en la etapa de aceptación y agendamiento (28,3%). Se concluyó que el modelo demostró posible viabilidad operativa e indicios de aceptación por parte de los pacientes, condicionado a la transparencia de precios y a la reducción del intervalo entre la consulta y el abordaje por la conserjería.

Palabras clave: Desembolso directo; Recorrido del paciente; Salud suplementaria; Servicio de conserjería; Tasa de conversión.

17 de noviembre de 2026

El papel del director escolar en la promoción de una cultura inclusiva: liderazgo y políticas educativas

La investigación analizó el desempeño del director escolar en la promoción de una cultura inclusiva, considerando la necesidad de transformar directrices legales y fundamentos pedagógicos en prácticas institucionales efectivas. Se partió del supuesto de que la inclusión escolar exige planificación, organización y liderazgo estratégico en el día a día de la escuela. Se adoptó un enfoque cualitativo de naturaleza aplicada, desarrollado en tres etapas complementarias: análisis documental de las legislaciones brasileñas sobre educación inclusiva, revisión bibliográfica sobre liderazgo y gestión escolar, y sistematización de los datos por medio de herramientas gerenciales como la matriz FODA y el ciclo PDCA. Los resultados indicaron que el desempeño de la gestión escolar influyó directamente en la consolidación de ambientes inclusivos, especialmente en la organización de procesos, formación continua del equipo y fortalecimiento de una cultura institucional colaborativa y respetuosa de la diversidad. También se identificaron desafíos estructurales, pedagógicos y relacionales que demandaron intervenciones planificadas. Al final, se elaboró una Guía Práctica para Directores Escolares, con directrices, protocolos y orientaciones operacionales para la toma de decisiones y organización de los procesos inclusivos. Se concluyó que la construcción de una cultura inclusiva dependió de la capacidad de gestión para articular políticas públicas, prácticas pedagógicas y procesos institucionales, consolidando la inclusión como un compromiso permanente en el contexto escolar.

Palabras clave: Accesibilidad educativa; Equidad educativa; Gestión participativa; Planificación estratégica; Procesos institucionales.

17 de noviembre de 2026

Un artefacto de IA basado en Design Thinking para apoyar la elicitación de requisitos de software a partir de las necesidades de los usuarios

El desarrollo de software orientado a las necesidades de los usuarios a menudo enfrenta desafíos en la elicitación de requisitos, derivados de ambigüedades en el lenguaje natural y fallos de comunicación. Ante esto, se propuso y validó un artefacto inteligente que integra Design Thinking e Inteligencia Artificial, con foco en las etapas de Empatía y Definición, para apoyar la recolección, interpretación y estructuración de las necesidades de los usuarios. La investigación, de naturaleza aplicada, cualitativa y exploratoria, condujo una Prueba de Concepto en un ambiente controlado, empleando escenarios hipotéticos. El artefacto operó mediante entrevistas guiadas en lenguaje natural, organizando información en elementos como dolor, contexto e impacto, y generando síntesis de problemas rastreables. Los resultados indicaron que el sistema organizó relatos no estructurados, redujo ambigüedades y preservó el sentido de la información original en la mayoría de los casos. Se observó también la capacidad de reorganización lógica en escenarios complejos, aunque con limitaciones en la separación de múltiples problemas y dependencia de las instrucciones. Se concluyó que el artefacto tiene potencial como apoyo a la elicitación de requisitos, mejorando la claridad y la estructuración de la información, pero requiere supervisión y control contextual.

Palabras clave: Design Thinking; Elicitación de Requisitos; Ingeniería de Requisitos; Inteligencia Artificial; Procesamiento del Lenguaje Natural.

17 de noviembre de 2026

La Extinción de la Sistemática de Retención en la Industria Farmacéutica a la Luz de la Reforma Tributaria

La Reforma Tributaria del consumo, establecida por la Enmienda Constitucional nº 132/2023, introdujo alteraciones estructurales en el sistema tributario brasileño, con la sustitución del Programa de Integración Social (PIS) y de la Contribución para el Financiamento de la Seguridad Social (COFINS) por la Contribución sobre Bienes y Servicios (CBS), en un modelo de Impuesto sobre el Valor Añadido (IVA dual). El objetivo fue analizar los impactos de la extinción de la sistemática monofásica en la industria farmacéutica, a la luz del nuevo diseño normativo y de sus efectos económicos y jurídicos. Se realizó una investigación cualitativa, de naturaleza exploratoria, por medio de estudio de caso y análisis documental de la legislación y la doctrina especializada. Se examinó si el fin de la monofasia implicaría un aumento relevante de la carga tributaria para el sector. Los resultados indicaron que, aunque la superación formal de la sistemática monofásica ha ocurrido, la desgravación material de los medicamentos fue preservada, sobre todo en razón de la aplicación de alícuotas reducidas del 60% y, en determinados casos, de alícuota cero del Impuesto sobre Bienes y Servicios (IBS) y de la CBS. El cambio de modelo puede provocar variaciones puntuales en la recaudación, sin caracterizar un aumento estructural de la carga tributaria, tendiendo a la neutralidad a lo largo del tiempo. Se concluyó, preliminarmente, que la Reforma Tributaria reorganizó la técnica de tributación en la industria farmacéutica, sustituyendo un régimen concentrado por mecanismos más transparentes de desgravación. Este enfoque se mostró compatible con los principios de neutralidad, de no acumulatividad plena y de extrafiscalidad, manteniendo la protección tributaria a los medicamentos esenciales y alineando la política fiscal al derecho fundamental a la salud.

Palabras clave: CBS; COFINS; IBS; IVA Dual; PIS.