27 de octubre de 2026
Riesgo de crédito en las operaciones de crédito rural en Brasil: comparación entre fuentes de recursos
Lucas Mattos de Freitas; Juliana L. de Oliveira Bergamini
DOI: 10.22167/2675-6528-202601095
Artículo elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción.
Resumen
Se analizó el riesgo de crédito en las operaciones de crédito rural en Brasil, centrándose en la comparación entre financiamientos concedidos con recursos libres y aquellos provenientes de fuentes controladas. El objetivo central del estudio fue verificar en qué medida el origen de los recursos y el costo asociado al crédito alteraban la probabilidad de incumplimiento en operaciones rurales. La investigación se desarrolló con base en microdatos administrativos extraídos del Sistema de Operaciones del Crédito Rural y del Proagro (SICOR), proporcionado por el Banco Central de Brasil, abarcando el período de 2021 a 2025. Los procedimientos metodológicos incluyeron extracción, tratamiento y análisis estadístico, destacando la aplicación de modelos de regresión logística para evaluar la asociación entre el tipo de recurso y el incumplimiento, controlando por otras variables. Los resultados descriptivos indicaron un incumplimiento promedio del 8,07% en las operaciones con recursos libres, significativamente superior al 1,96% observado en las operaciones con recursos controlados. La incorporación de la regresión logística reforzó esta constatación, demostrando que, incluso después del control por la tasa de interés, las operaciones con recursos libres presentaron una razón de probabilidades de 2,84 para el incumplimiento en relación con las operaciones con recursos controlados. Los hallazgos sugirieron que el menor incumplimiento observado en los recursos controlados no se explicó únicamente por el costo del crédito, sino también por mecanismos institucionales, regulatorios y de selección de operaciones. Se concluyó que el arreglo regulatorio del crédito rural controlado desempeñó un papel relevante en la mitigación del riesgo de crédito en el sector, promoviendo mayor estabilidad financiera.
Palabras clave: Morosidad de pago; Mercado Financiero; Política Agrícola; Regresión Logística; Regulación.
1. Introducción
El agronegocio brasileño constituye un pilar fundamental de la economía nacional, contribuyendo significativamente al Producto Interno Bruto, la balanza comercial y la generación de empleo. En este escenario, el crédito rural desempeña un papel estratégico, posibilitando el financiamiento de la producción, inversiones en infraestructura y tecnología, y la comercialización de productos agropecuarios. La salud financiera de este segmento es, por lo tanto, vital para la estabilidad y el crecimiento del sector. Históricamente, el crédito rural en Brasil ha presentado características peculiares, marcadas por la coexistencia de diferentes fuentes de financiación. Por un lado, existen los recursos controlados, provenientes de exigibilidades bancarias y fondos específicos, con tasas de interés y condiciones reguladas. Por otro lado, operan los recursos libres, captados en el mercado y precificados conforme a la lógica de oferta y demanda de las instituciones financieras. Comprender los factores que influyen en la calidad de la cartera de crédito rural, especialmente el riesgo de incumplimiento, es crucial para la formulación de políticas públicas y estrategias de gestión de riesgos. La arquitectura del crédito rural brasileño, con la fuerte presencia del Estado y de políticas de financiación sectorial, es un elemento central para esta comprensión (Bacha, 2004).
Desde el punto de vista teórico, la discusión sobre el riesgo de crédito en mercados financieros se ancla frecuentemente en la literatura de asimetría de información y racionamiento de crédito. El modelo seminal de Stiglitz y Weiss (1981) postula que, en mercados con información imperfecta, el aumento de las tasas de interés puede no solo seleccionar prestatarios de mayor riesgo (selección adversa), sino también incentivar comportamientos más arriesgados por parte de los prestatarios (riesgo moral). Desde esta perspectiva, sería plausible suponer que los recursos libres, al permitir mayor flexibilidad en la fijación de precios y una asignación más adherente a las condiciones de mercado, tenderían a generar una cartera con menor riesgo de incumplimiento, en virtud de una selección de crédito más eficiente. Sin embargo, la presencia de mecanismos regulatorios e institucionales asociados a los recursos controlados puede introducir filtros adicionales de elegibilidad, monitoreo y seguimiento de las operaciones, que no se restringen solo al precio, alterando la dinámica esperada de la selección de riesgo.
Estudios previos han explorado los determinantes de la morosidad de pago en el crédito rural brasileño desde diversas perspectivas. Braga de Melo y Resende Filho (2017), por ejemplo, analizaron la influencia de factores macroeconómicos, como tasas de interés e inflación, así como el impacto de las renegociaciones de deuda y la rentabilidad agrícola en la morosidad de pago. Complementariamente, Almeida (2016) y Pereira y Melo (2021) investigaron factores microeconómicos y climáticos, destacando la relevancia de las condiciones de renta del productor, las garantías ofrecidas y el entorno productivo para el desempeño de las operaciones de crédito. Si bien estos trabajos proporcionan una base sólida para comprender la complejidad del riesgo crediticio rural, la literatura aún carece de un análisis en profundidad que compare directamente el desempeño en términos de morosidad de pago entre las operaciones financiadas con recursos libres y controlados, considerando los mecanismos institucionales y regulatorios subyacentes. La observación empírica preliminar del presente estudio, que apunta a un desempeño crediticio superior para operaciones con recursos controlados, desafía la expectativa de que la libertad de fijación de precios de los recursos libres conduciría a una selección de riesgo más eficiente, indicando la necesidad de investigar los factores que explican esta dinámica.
La aparente contradicción entre la teoría de mercado, que sugiere una mejor asignación de riesgo en entornos de fijación de precios libre, y la observación empírica en el crédito rural brasileño, donde los recursos controlados muestran menor incumplimiento, demanda una investigación profunda. Comprender si esta diferencia se explica por factores más allá del costo del crédito, como arreglos institucionales y regulatorios, es fundamental para el desarrollo de políticas agrícolas y financieras más eficaces. Así, el objetivo central de este estudio es analizar el riesgo de crédito en las operaciones de crédito rural en Brasil, con enfoque en la comparación entre financiamientos concedidos con recursos libres y aquellos provenientes de fuentes controladas, a fin de verificar en qué medida el origen de los recursos y el costo asociado al crédito alteran la probabilidad de incumplimiento en operaciones rurales, controlando por otras variables relevantes.
2. Material y Métodos
La presente investigación adoptó un enfoque cuantitativo, utilizando microdatos administrativos para analizar el riesgo crediticio en operaciones rurales en Brasil. El estudio se centró en la comparación entre financiamientos concedidos con recursos libres y aquellos provenientes de fuentes controladas, buscando verificar cómo el origen de los recursos y el costo asociado al crédito impactan la probabilidad de incumplimiento. Esta metodología permitió una investigación profunda de los mecanismos institucionales y regulatorios que pueden influir en la calidad de la cartera de crédito rural, conforme al objetivo central delineado en la introducción.
El contexto del estudio abarcó el mercado de crédito rural brasileño, con enfoque en las operaciones registradas en el Sistema de Operaciones del Crédito Rural y del Proagro (SICOR), proporcionado por el Banco Central de Brasil (BCB). El período de análisis comprendió los años 2021 a 2025. Este recorte temporal fue seleccionado estratégicamente para observar la dinámica más reciente del crédito rural, en un escenario pospandemia, caracterizado por alteraciones significativas en las condiciones financieras y en el costo del crédito, minimizando interferencias de períodos atípicos y concentrando el análisis en un horizonte comparable.
La unidad de análisis primaria consistió en operaciones individuales de crédito rural. La población de interés abarcó todas las operaciones de crédito rural registradas en el SICOR y Proagro durante el período de 2021 a 2025. La muestra se compuso de todas las operaciones para las cuales fue posible extraer e integrar datos completos de las bases del SICOR, tras la aplicación de criterios de selección que garantizaron la claridad y la consistencia de la información, especialmente en cuanto a la clasificación de la fuente de recurso, según se detalla en las etapas de tratamiento de datos.
Los instrumentos de recolección de datos fueron las bases de datos del Sistema de Operaciones del Crédito Rural y del Proagro (SICOR), mantenidas por el Banco Central de Brasil. La investigación se construyó a partir de la integración de dos bases principales del SICOR, que son complementarias entre sí. La primera base, denominada “saldos”, proporcionó información periódica sobre el stock de las operaciones, incluyendo saldo medio diario, saldo pendiente, saldo al último día del período y la situación de la operación, esencial para identificar la mora.
La segunda base, denominada “operación básica por estado”, contuvo las características contractuales de las operaciones. Estas características incluyeron la fuente de recursos, la tasa de interés nominal, el costo efectivo total, la unidad federativa, la categoría del prestatario, el programa de crédito, el tipo de seguro y el monto financiado. El uso conjunto de estas bases permitió relacionar, en un mismo análisis, las características contractuales definidas en el momento de la concesión del crédito con la información observada a lo largo de la ejecución de la operación, proporcionando una visión integral del ciclo de vida del crédito rural.
Las etapas de ejecución de la investigación se iniciaron con la importación individual de los archivos anuales referentes al período de 2021 a 2025. Posteriormente, estos archivos fueron consolidados en una base única mediante apilamiento vertical, estandarizando la estructura de los registros. A continuación, las dos bases principales del SICOR se integraron utilizando una unión de tipo “left join”, empleando los campos X. REF_BACEN y NU_ORDEM como claves compuestas. Esta estrategia aseguró la preservación de las observaciones de la base de saldos y la incorporación de la información contractual correspondiente.
Tras la integración, se realizó una etapa de selección de variables, manteniendo solo aquellas consideradas necesarias para el análisis de riesgo crediticio. De la base de saldos, se conservaron variables como AÑO_BASE, MES_BASE, VL_MEDIO_DIARIO_VINCENDO, VL_ULTIMO_DIA, VL_MEDIO_DIARIO y CD_SITUACAO_OPERACAO. De la base contractual, se mantuvieron X. REF_BACEN, NU_ORDEM, CD_FONTE_RECURSO, CD_TIPO_SEGURO, CD_EMPREENDIMENTO, CD_PROGRAMA, VL_JUROS, CD_ESTADO, VL_PARC_CREDITO, VL_PERC_CUSTO_EFET_TOTAL y CD_CATEG_EMITENTE, centrándose en la información directamente relacionada con el comportamiento de la operación y el perfil del tomador.
Un tratamiento crucial de los datos implicó la conversión de la variable de costo efectivo total (VL_PERC_CUSTO_EFET_TOTAL). Originalmente, esta variable estaba en formato de texto, conteniendo símbolos de porcentaje y comas decimales, lo que imposibilitaba su uso directo en modelos estadísticos. Para corregir esta inconsistencia, se eliminó el símbolo de porcentaje, se reemplazó la coma por un punto y se convirtió el contenido al formato numérico. Este procedimiento permitió que la variable fuera interpretada como una medida continua del costo del crédito, esencial para los análisis econométricos subsecuentes.
La clasificación de las fuentes de recursos también requirió un tratamiento específico. Basándose en las directrices del Manual de Crédito Rural, los códigos de la variable CD_FONTE_RECURSO se agruparon en dos categorías analíticas principales: recursos libres y recursos controlados. Los recursos libres comprendieron operaciones financiadas por fuentes de mercado, como recursos bancarios libres, LCA a tasas libres, ahorro rural libre y BNDES libre. Por su parte, los recursos controlados abarcaron operaciones sujetas a dirección obligatoria, subsidio, igualación o reglas específicas, como Tesoro Nacional, exigibilidades bancarias, fondos constitucionales, FUNCAFÉ, BNDES igualable y ahorro rural controlado. Las observaciones sin clasificación clara fueron excluidas de la muestra analítica para evitar ambigüedades.
La variable dependiente del estudio, la ocurrencia de incumplimiento, se construyó a partir de la variable CD_SITUACAO_OPERACAO. Se clasificaron como incumplidoras las operaciones encuadradas en los códigos 9, 11 y 12, que corresponden, respectivamente, a pérdida, cobro y deuda activa. Con base en esta regla, se creó la variable binaria INADIMPLENTE, donde el valor 1 representó la ocurrencia de incumplimiento y el valor 0 las demás situaciones. Adicionalmente, se creó una variable histórica por contrato, denominada tuvo_inadimplencia, para indicar si la operación presentó incumplimiento en cualquier momento del período analizado.
Para la etapa de modelado econométrico, se construyó una base analítica específica que contiene una única observación por contrato. Esta reducción se realizó mediante la identificación de registros duplicados a partir de la clave X. REF_BACEN, manteniendo solo una línea por operación. A continuación, se conservaron únicamente las observaciones con información completa para las variables esenciales para el modelado, incluyendo tipo de recurso, año base, unidad federativa, tamaño del productor, costo efectivo total e historial de incumplimiento. Las variables categóricas se convirtieron al formato factor, permitiendo su uso adecuado en la Regresión Logística.
La estimación econométrica se realizó mediante modelos de regresión logística, técnica apropiada para variables dependientes binarias, como la morosidad de pago. La regresión logística permitió estimar la probabilidad de ocurrencia del evento de interés en función de un conjunto de variables explicativas. La formulación general del modelo expresó que la probabilidad de morosidad de pago depende del vector de covariables observables. En términos prácticos, este tipo de modelo indicó cómo cada característica de la operación estaba asociada al aumento o a la reducción de la probabilidad de morosidad de pago, proporcionando información sobre los factores determinantes del riesgo de crédito.
Se especificaron tres modelos principales de regresión logística. El primero, un modelo básico, consideró solo el tipo de recurso para medir la diferencia bruta entre recursos libres y controlados. El segundo modelo incorporó el costo efectivo total, permitiendo verificar si el efecto del tipo de recurso persistía después de controlar la tasa de interés. El tercero, un modelo multivariado completo, incluyó tipo de recurso, tasa de interés, año base, unidad federativa y tamaño del productor, con el objetivo de estimar el efecto neto del tipo de recurso, controlando simultáneamente heterogeneidades temporales, regionales y estructurales.
Los resultados de la regresión logística se presentaron en forma de razones de probabilidad, obtenidas por la exponenciación de los coeficientes estimados. Este formato facilitó la interpretación de los efectos, donde valores superiores a 1 indicaron un aumento de la probabilidad de morosidad de pago y valores inferiores a 1 indicaron una reducción. Además del modelado econométrico, la investigación desarrolló análisis descriptivos complementarios. Se calcularon estadísticas de morosidad de pago por tipo de recurso, evolución anual, retorno al curso normal, mapas de calor por fuente de recurso y rango de interés, morosidad de pago por categoría del emisor y probabilidades previstas por tipo de recurso, ofreciendo una interpretación más amplia de los resultados.
Todo el procesamiento y análisis de los datos se realizaron en el entorno RStudio, utilizando los paquetes dplyr, ggplot2, broom y tibble. Estos recursos se emplearon en todas las etapas, desde la importación y consolidación hasta el tratamiento, modelado y visualización de los datos. El uso de estos paquetes y la documentación del pipeline completo en el script desarrollado para la investigación garantizaron la reproducibilidad del procedimiento analítico y la trazabilidad de las etapas ejecutadas, asegurando la integridad y la transparencia de la metodología aplicada al conjunto de datos.
3. Resultados y Discusión
Los resultados obtenidos a partir del análisis de los microdatos administrativos del Sistema de Operaciones del Crédito Rural y del Proagro (SICOR) revelaron patrones distintos de riesgo de crédito entre las operaciones financiadas por recursos libres y aquellas con recursos controlados en Brasil, en el período de 2021 a 2025. El análisis descriptivo inicial demostró una diferencia sustancial en la morosidad promedio, con las operaciones de recursos libres presentando una tasa del 8,07%, significativamente superior al 1,96% observado en las operaciones con recursos controlados. Este hallazgo es crucial, ya que contradice la hipótesis inicial de que la mayor flexibilidad de fijación de precios y la lógica de mercado asociadas a los recursos libres llevarían a una selección de riesgo más eficiente y, consecuentemente, a una menor morosidad. Por el contrario, la evidencia empírica sugiere que el entorno regulatorio y los mecanismos institucionales inherentes a los recursos controlados desempeñan un papel preponderante en la mitigación del riesgo de crédito.
La persistencia de este diferencial de impago a lo largo de todos los años analizados, como se ilustra en la Figura 1, refuerza la idea de que no se trata de una fluctuación puntual, sino de un patrón estructural en el comportamiento de las carteras. La Figura 1 evidencia claramente que, en cada año del período de 2021 a 2025, la proporción de operaciones impagadas fue consistentemente mayor en el segmento de recursos libres. Este comportamiento sistemático desafía la visión simplista de que la intervención regulatoria en el mercado de crédito rural, al imponer tasas de interés administradas o limitadas, necesariamente distorsionaría la asignación de capital y aumentaría el riesgo. Por el contrario, la menor morosidad de pago en los recursos controlados apunta a la eficacia de otros mecanismos de control y selección de crédito que operan en este segmento.
Fuente: Resultados originales de la investigación
Figura 1. Porcentaje de morosidad de pago por fuente de recursos (2021-2025)
La literatura sobre asimetría de información y racionamiento de crédito, como el modelo seminal de Stiglitz y Weiss (1981), postula que el aumento de las tasas de interés puede atraer a prestatarios más arriesgados (selección adversa) e incentivar comportamientos de riesgo moral. Sin embargo, el presente estudio sugiere que, en el contexto del crédito rural brasileño, la regulación asociada a los recursos controlados puede introducir filtros adicionales de elegibilidad y seguimiento que superan los potenciales efectos negativos de las tasas administradas. Bacha (2004) ya había destacado el papel del Estado y de las exigibilidades bancarias en la arquitectura del crédito rural, indicando que los recursos controlados no son solo “crédito más barato”, sino operaciones insertadas en un régimen normativo más restrictivo. Esta perspectiva teórica es fundamental para interpretar los resultados descriptivos, que apuntan a un desempeño superior del segmento regulado.
El análisis de la relación entre la tasa de interés y la morosidad de pago, cuando se observa de forma aislada para los dos grupos de recursos, no resultó concluyente, según lo indicado por análisis descriptivos complementarios. Un mapa de calor de morosidad de pago por fuente de recurso y rango de interés, aunque no se detalla gráficamente en este punto, reveló que la complejidad de la interacción entre el costo del crédito y el riesgo de morosidad de pago trasciende una simple correlación lineal. En cambio, el rendimiento del crédito parece estar moldeado por una combinación de factores, incluida la naturaleza de la fuente de recurso y las características intrínsecas de los tomadores y las operaciones. Este hallazgo sugiere que la fijación de precios del riesgo en el crédito rural es un fenómeno multifacético, donde la tasa de interés es solo uno de los componentes, y no necesariamente el más determinante en todos los contextos. Para los formuladores de políticas y las instituciones financieras, esto implica que la gestión del riesgo de crédito rural requiere un enfoque holístico, que considere no solo el costo del capital, sino también los mecanismos de selección, monitoreo y las características socioeconómicas de los productores.
Adicionalmente, la categoría del emisor se mostró asociada al comportamiento de la morosidad de pago. Análisis descriptivos complementarios, que examinaron el número de deudores en mora por categoría de emisor, indicaron que el mayor contingente de deudores en mora se concentraba entre los pequeños productores rurales, seguido por los medianos y, en menor proporción, por los grandes productores. Aunque el número absoluto de deudores en mora puede ser mayor entre los pequeños productores debido a su mayor representatividad en la base de datos o a vulnerabilidades específicas, la interpretación de este dato debe hacerse con cautela. Estudios como los de Almeida (2016) y Pereira y Melo (2021) resaltan la importancia de factores microeconómicos y climáticos en la morosidad de pago rural, que pueden afectar desproporcionadamente a los pequeños productores. Sin embargo, el análisis de regresión logística posterior refinará esta comprensión, revelando el riesgo relativo de cada categoría. Para las políticas públicas, este resultado inicial subraya la necesidad de programas de crédito rural que consideren las especificidades de cada tamaño de productor, con mecanismos de apoyo y mitigación de riesgo adaptados a sus capacidades y vulnerabilidades.
La regresión logística, empleada para estimar la probabilidad de impago, proporcionó una base más sólida para la interpretación de los hallazgos. En el Modelo 1, que consideró solo el tipo de recurso como variable explicativa, las operaciones financiadas con recursos libres presentaron una razón de probabilidades (OR) de 2,48 para el impago en relación con las operaciones con recursos controlados. Esto significa que, en la comparación bruta, la probabilidad de impago fue casi dos veces y media mayor entre las operaciones basadas en fuentes de recursos libres. La Figura 2 ilustra esta diferencia de probabilidad, mostrando que la probabilidad de impago para recursos libres es sustancialmente mayor que para recursos controlados. Este resultado refuerza la observación descriptiva y solidifica la idea de que el origen del recurso no es un factor neutro en el riesgo de crédito.
Fuente: Resultados originales de la investigación
Figura 2. Probabilidad de morosidad de pago por tipo de recurso
La implicación práctica de este hallazgo es que las instituciones financieras y los responsables de la formulación de políticas no pueden tratar las operaciones de crédito rural de manera homogénea, independientemente de la fuente de recursos. La existencia de un diferencial tan acentuado en la probabilidad de incumplimiento, incluso antes de controlar otras variables, sugiere que los mecanismos de concesión, seguimiento y cobro son intrínsecamente diferentes entre los dos tipos de recursos. Para las instituciones que operan con ambas modalidades, esto implica la necesidad de modelos de riesgo y estrategias de gestión de cartera distintos, adaptados a las características regulatorias y de mercado de cada fuente. Para los responsables de la formulación de políticas, el resultado inicial ya apunta a la eficacia del marco regulatorio de los recursos controlados en la contención del riesgo.
La solidez de este hallazgo se evidenció aún más en el Modelo 2, que incorporó el costo efectivo total (tasa de interés) como variable de control. Incluso después de ajustar por la tasa de interés, el efecto del tipo de recurso permaneció estadísticamente relevante y, notablemente, se intensificó, alcanzando una razón de probabilidades de 2,84. Esto significa que las operaciones con recursos libres continuaron presentando una probabilidad de morosidad de pago casi tres veces mayor que las operaciones con recursos controlados, incluso cuando se tuvo en cuenta el costo del crédito. La Figura 3 visualiza este resultado, demostrando que la diferencia en la probabilidad de morosidad de pago entre los tipos de recurso persiste y se acentúa tras el control de la tasa de interés.
Fuente: Resultados originales de la investigación
Figura 3. Probabilidad de morosidad de pago por tipo de recurso, controlando para tasa de intereses
Este es uno de los resultados más significativos del estudio, ya que refuta directamente la idea de que la menor morosidad de pago en los recursos controlados sería meramente un reflejo de tasas de interés más bajas o subsidiadas. La persistencia e intensificación del efecto del tipo de recurso, incluso después del control del costo, sugiere fuertemente que otros factores, de naturaleza institucional y regulatoria, son los verdaderos mitigadores de riesgo. Esto dialoga con la literatura que enfatiza el papel de mecanismos no-precio en la asignación de crédito y en la gestión de riesgo en mercados con asimetría de información. El ambiente regulado de los recursos controlados, con sus exigibilidades, direccionamientos y mayor disciplina documental, parece imponer filtros adicionales de elegibilidad y seguimiento que resultan en una cartera de mejor calidad, independientemente del nivel de interés cobrado.
Desde el punto de vista práctico, este resultado tiene implicaciones profundas. Para los bancos y cooperativas de crédito, significa que la simple comparación de tasas de interés entre recursos libres y controlados no es suficiente para evaluar el riesgo. Es imperativo que las instituciones comprendan e incorporen en sus modelos de riesgo las diferencias en los procesos de selección, monitoreo y recuperación de crédito que caracterizan a cada tipo de recurso. Para los formuladores de políticas, el hallazgo sugiere que el valor de los recursos controlados no reside únicamente en el subsidio de intereses, sino en la estructura regulatoria que los acompaña, la cual actúa como un mecanismo eficaz de selección y gestión de riesgos. Por lo tanto, cualquier reforma en el sistema de crédito rural debe considerar cuidadosamente el mantenimiento o la mejora de estos mecanismos institucionales.
El Modelo 3, la regresión logística ajustada más completa, confirmó la robustez de la asociación entre el tipo de recurso y el incumplimiento, incluso después del control simultáneo por tasa de interés, año, unidad federativa y tamaño del productor. Las operaciones con recursos libres presentaron una razón de probabilidades de 2,25 (IC95%: 2,21–2,29; p < 0,001), lo que indica que la probabilidad de incumplimiento en estas operaciones es más del doble que en aquellas con recursos controlados. Este resultado finaliza la discusión sobre el origen de los recursos, confirmando que el arreglo institucional y regulatorio asociado a los recursos controlados es un factor determinante en la mitigación del riesgo de crédito rural.
La variable del costo total efectivo (tasa de interés) presentó una asociación inversa con la morosidad de pago (OR = 0,99; IC95%: 0,987–0,989; p < 0,001), lo que sugiere que los aumentos en la tasa de interés están asociados con una *reducción* de la probabilidad de morosidad de pago. Este resultado, a primera vista contraintuitivo, es un punto crucial para el debate. Puede interpretarse a la luz de mecanismos de selección de crédito y racionamiento. En mercados con asimetría de información, las instituciones financieras pueden cobrar tasas de interés más elevadas a los tomadores percibidos como más arriesgados, pero, al mismo tiempo, pueden aplicar criterios de selección más rigurosos, exigir garantías adicionales o implementar un monitoreo más intensivo para esas operaciones. Así, las operaciones con tasas más altas pueden, paradójicamente, ser concedidas a tomadores con un perfil de riesgo intrínseco mejor o que son sometidos a un escrutinio mayor, resultando en menor morosidad de pago observada. Este hallazgo desafía directamente la premisa de que tasas más altas siempre implican mayor riesgo, según lo sugerido por Stiglitz y Weiss (1981) en su modelo de selección adversa, al introducir la complejidad de los mecanismos de selección y monitoreo que pueden operar en paralelo a la fijación de precios.
Las implicaciones prácticas de esta asociación inversa son significativas para la gestión de riesgos. Las instituciones financieras no deben interpretar una tasa de interés más alta como una señal automática de mayor riesgo de incumplimiento. En cambio, deben investigar los mecanismos subyacentes de selección y seguimiento que pueden estar asociados con estas tasas. Para los responsables de la formulación de políticas, el resultado sugiere que la tasa de interés, por sí sola, no es un indicador lineal del riesgo de crédito y que las políticas de crédito deben considerar la interacción entre la fijación de precios, los criterios de elegibilidad y las estrategias de monitoreo.
También se observó un efecto temporal significativo en la morosidad de pago. En relación con el año de referencia, hubo un aumento expresivo de la morosidad de pago en 2022 (OR = 1,80), 2023 (OR = 2,94) y 2024 (OR = 2,63), lo que indica un agravamiento del riesgo a lo largo del período analizado. En 2025, aunque todavía por encima del año de referencia, hubo una reducción relativa (OR = 1,36), sugiriendo una posible inflexión en la tendencia. Esta dinámica temporal puede atribuirse a factores macroeconómicos y coyunturales que afectan la capacidad de pago de los productores rurales, como oscilaciones en los precios agrícolas, condiciones climáticas adversas y variaciones en el costo de producción (Braga de Melo & Resende Filho, 2017; Pereira & Melo, 2021). La pandemia de COVID-19 y sus consecuencias económicas, seguidas por períodos de alta inflación y aumento de las tasas de interés globales, pueden haber contribuido al aumento del riesgo en los años iniciales del período analizado. La subsiguiente estabilización o recuperación económica puede explicar la inflexión observada en 2025.
Para las instituciones financieras, la comprensión de estos efectos temporales es crucial para el desarrollo de modelos de riesgo dinámicos y para la implementación de estrategias de provisionamiento y gestión de cartera que consideren los ciclos económicos y agrícolas. Para los formuladores de políticas, los resultados resaltan la necesidad de políticas anticíclicas y mecanismos de apoyo que puedan ser activados en períodos de mayor vulnerabilidad económica o climática, a fin de proteger la estabilidad del crédito rural y la renta de los productores.
En lo que se refiere a la dimensión espacial, se observó una alta heterogeneidad entre las unidades federativas. Varios estados presentaron menor probabilidad de incumplimiento en relación con la categoría de referencia, destacando Santa Catarina (OR = 0,19), Espírito Santo (OR = 0,17) y Amazonas (OR = 0,13). Esta variación regional se detalla en la Tabla 1, que presenta las probabilidades estimadas de incumplimiento por UF y fuente de recurso.
Tabla 1. Probabilidad de incumplimiento por UF y Fuente de Recurso
|
Poder público |
Recurso bajo control (%) |
Recurso Libre (%) |
|
AC (ref.) |
3,6% |
8,1% |
|
AL |
3,4% |
7,6% |
|
AM |
0,5% |
1,1% |
|
AP |
3,6% |
8,1% |
|
BA |
2,1% |
4,7% |
|
CE |
3,0% |
6,7% |
|
DF |
0,6% |
1,3% |
|
ES |
0,6% |
1,3% |
|
IR |
1,3% |
2,9% |
|
MA |
3,5% |
7,9% |
|
MG |
1,0% |
2,2% |
|
MS |
2,0% |
4,5% |
|
MT |
2,3% |
5,2% |
|
PA |
3,4% |
7,7% |
|
PB |
2,7% |
6,1% |
|
PE |
2,9% |
6,4% |
|
PI |
3,2% |
7,2% |
|
PR |
1,0% |
2,3% |
|
RJ |
2,2% |
5,0% |
|
RN |
2,8% |
6,3% |
|
RO |
2,6% |
5,9% |
|
RR |
1,6% |
3,6% |
|
RS |
1,0% |
2,3% |
|
SC |
0,7% |
1,6% |
|
SE |
1,4% |
3,2% |
|
SP |
1,3% |
3,0% |
|
A |
2,4% |
5,4% |
Fuente: Resultados originales de la investigación
La heterogeneidad espacial puede explicarse por diferencias en las estructuras productivas regionales, en la resiliencia a choques climáticos, en la diversificación económica y en la eficacia de las políticas públicas y programas de crédito implementados localmente. Los estados con menor morosidad pueden poseer cadenas productivas más robustas, mayor acceso a mercados, o programas de asistencia técnica y financiera más eficaces. Para los formuladores de políticas, este hallazgo subraya la importancia de regionalizar las políticas de crédito rural, adaptándolas a las realidades y necesidades específicas de cada unidad federativa. Para las instituciones financieras, el análisis regional es esencial para refinar la fijación de precios del riesgo, asignar capital de forma más eficiente y desarrollar productos de crédito que atiendan a las particularidades de cada región.
En cuanto al tamaño del productor, el Modelo 3 reveló que los productores medianos presentaron un mayor riesgo de morosidad de pago (OR = 1,15) en comparación con la categoría de referencia, mientras que los pequeños productores presentaron un menor riesgo relativo (OR = 0,88). Este resultado refina la observación descriptiva inicial, que indicaba un mayor *número* de impagos entre los pequeños productores. La regresión logística muestra que, *controlando* por otras variables, el riesgo *relativo* de morosidad de pago para los pequeños productores es, en realidad, menor. Este hallazgo puede explicarse por una mayor inserción de los pequeños productores en programas de crédito dirigido y políticas públicas de apoyo, que frecuentemente ofrecen condiciones más favorables, subsidios, asistencia técnica y mecanismos de protección, como el Programa de Garantía de la Actividad Agropecuaria (Proagro), mitigando su riesgo relativo. Bacha (2004) ya había señalado el papel del Estado y de las políticas de financiación sectorial en la protección de segmentos específicos.
Para los formuladores de políticas, este resultado valida la eficacia de los programas de apoyo a los pequeños productores, sugiriendo la continuidad y el perfeccionamiento de estas iniciativas. Para las instituciones financieras, implica la necesidad de reevaluar el perfil de riesgo de los medianos productores, que, a pesar de no estar tan expuestos a vulnerabilidades extremas como los pequeños, pueden no beneficiarse de los mismos mecanismos de protección y direccionamiento de crédito, volviéndolos relativamente más arriesgados. La Figura 4, un “forest plot”, sintetiza las razones de probabilidad para las principales variables del Modelo 3, ofreciendo una visión clara de la magnitud y precisión de los efectos estimados.
Fuente: Resultados originales de la investigación
Figura 4. Odds ratio para morosidad de pago
En resumen, los resultados de la regresión logística evidenciaron que el origen de los recursos constituye un factor determinante de la morosidad de pago en el crédito rural brasileño. Las operaciones financiadas con recursos libres presentaron una probabilidad significativamente mayor de morosidad de pago en comparación con las operaciones con recursos controlados, incluso después del control por variables cruciales como la tasa de interés, el año, la unidad federativa y el tamaño del productor. Este hallazgo robusto refuerza la hipótesis de que el ambiente regulatorio asociado a los recursos controlados, marcado por exigibilidades, direcionamiento de crédito y mayor rigor en la concesión y seguimiento, actúa como un mecanismo eficaz de mitigación del riesgo de crédito. La menor morosidad de pago observada en los recursos controlados no se debe solo a un costo de crédito potencialmente más bajo, sino a un régimen distinto de concesión, encuadramiento y monitoreo que moldea el perfil de riesgo de la cartera.
La discusión de los hallazgos sugiere que el riesgo de crédito en el crédito rural brasileño está condicionado por elementos institucionales y regulatorios que trascienden la mera fijación de precios monetarios de la operación. La persistencia y ampliación del efecto del tipo de recurso en la regresión, incluso con control de la tasa de interés, indican que el origen de los recursos representa un régimen más amplio de concesión, encuadramiento y monitoreo. En los recursos controlados, la existencia de exigibilidades, reglas operacionales específicas y mayor disciplina documental funcionan como mecanismos adicionales de selección y seguimiento, explicando por qué las carteras con intereses administrados o limitados no exhiben peor desempeño. Por el contrario, el ambiente regulado puede reducir la entrada de operaciones más arriesgadas o imponer filtros que mejoran la calidad media de la cartera.
Por otro lado, los recursos libres, aunque operan con mayor flexibilidad contractual y lógica comercial de mercado, no demostraron menor riesgo. La evidencia sugiere que esta flexibilidad puede venir acompañada de una composición distinta de tomadores, perfiles productivos o motivaciones de contratación que elevan la exposición al impago. Así, la fijación de precios más libre no se mostró suficiente para compensar los factores estructurales que diferencian las carteras. La asociación inversa entre tasa de interés y morosidad de pago en el modelo multivariado refuerza esta complejidad, sugiriendo que tasas más altas pueden estar ligadas a mecanismos de selección o monitoreo más rigurosos, o a un perfil de riesgo intrínseco diferente de los tomadores que acceden a estas líneas.
Desde el punto de vista académico, este trabajo contribuye al demostrar que la evaluación del riesgo de crédito rural no puede reducirse a la comparación entre intereses administrados e intereses de mercado. La regresión logística mostró que el tipo de fuentes de recursos tiene un contenido institucional propio que afecta la morosidad de manera robusta, enriqueciendo la literatura sobre economía institucional y finanzas rurales. En términos prácticos, los hallazgos interesan a formuladores de política pública, agentes financieros e investigadores del mercado de crédito rural. La evidencia de mejor desempeño de los recursos controlados sugiere que mecanismos regulatorios y exigibilidades pueden ejercer un papel relevante en la mitigación del riesgo, siempre que no comprometan excesivamente la eficiencia operativa y el acceso a la financiación.
Las implicaciones para la política pública son claras: la arquitectura regulatoria del crédito rural, especialmente en lo que respecta a los recursos controlados, debe ser vista como un activo estratégico para la estabilidad del sector. Las políticas que apunten a la desregulación o a la reducción de las exigibilidades deben ser cuidadosamente evaluadas en cuanto a sus potenciales impactos en el riesgo de crédito. Es fundamental que los formuladores de políticas consideren el mantenimiento y el perfeccionamiento de los mecanismos de selección y monitoreo que acompañan a los recursos controlados, en lugar de centrarse exclusivamente en la liberalización de las tasas de interés. Además, la heterogeneidad temporal y espacial de los resultados apunta a la necesidad de políticas más flexibles y regionalizadas, capaces de responder a las dinámicas específicas de cada período y región.
Para las instituciones financieras, los resultados indican la necesidad de desarrollar modelos de riesgo y estrategias de gestión de cartera que diferencien claramente entre recursos libres y controlados. La simple aplicación de modelos de riesgo genéricos puede subestimar el riesgo de las operaciones con recursos libres y sobreestimar el riesgo de las operaciones controladas. Es crucial invertir en sistemas de evaluación de crédito que consideren no solo las características financieras de los tomadores, sino también el contexto regulatorio e institucional de la operación. La comprensión de que los pequeños productores, a pesar de su mayor número de incumplimientos, presentan un riesgo relativo menor cuando controlados por otras variables, sugiere que los programas de crédito dirigidos y las políticas de apoyo son eficaces y deben mantenerse, con atención especial a los medianos productores, que mostraron un riesgo relativo mayor.
En resumen, este trabajo analizó el riesgo crediticio en las operaciones de crédito rural en Brasil, comparando operaciones con recursos libres y recursos controlados en el período de 2021 a 2025. El análisis descriptivo mostró una morosidad media del 8,07% en los recursos libres y del 1,96% en los recursos controlados, evidenciando un desempeño superior de la cartera regulada. Mediante regresión logística, esta diferencia no solo se mantuvo, sino que se fortaleció tras el control por la tasa de interés. Las operaciones con recursos libres presentaron una razón de probabilidades de 2,48 en el modelo bruto y de 2,84 en el modelo ajustado, mientras que la tasa de interés exhibió una asociación inversa con la morosidad, con una razón de probabilidades de 0,99. Estos resultados llevan al rechazo de la hipótesis inicial de que los recursos libres presentarían menor riesgo debido a la fijación de precios más adherente al mercado. En cambio, los hallazgos indicaron que los recursos controlados se benefician de un entorno institucional y regulatorio capaz de mejorar la selección de crédito y reducir la exposición a la morosidad. Como limitaciones, el estudio aún puede avanzar con la inclusión de nuevos controles explicativos, pruebas de robustez y un detalle por perfil de productor, tipo de producción, modalidad y finalidad del crédito. Aun así, los resultados ya ofrecen evidencia de que la arquitectura regulatoria del crédito rural brasileño constituye un elemento fundamental para la comprensión del riesgo crediticio en el sector y para la formulación de políticas más eficaces.
4. Conclusión
Se concluye que el objetivo se alcanzó, al analizar el riesgo crediticio en las operaciones de crédito rural en Brasil, comparando financiaciones con recursos libres y controlados, y verificando cómo el origen de los recursos y el costo del crédito alteran la probabilidad de incumplimiento. Los resultados demostraron que las operaciones con recursos libres presentaron una probabilidad significativamente mayor de incumplimiento en comparación con las operaciones con recursos controlados, incluso después del control por variables como tasa de interés, año, unidad federativa y tamaño del productor. Este hallazgo refuta la hipótesis inicial de que la fijación de precios más libre de los recursos conduciría a un menor riesgo, indicando que el ambiente institucional y regulatorio asociado a los recursos controlados actúa como un eficaz mitigador de riesgo. La asociación inversa entre tasa de interés e incumplimiento sugiere la complejidad de los mecanismos de selección y monitoreo de crédito.
A pesar de la solidez de los hallazgos, el presente estudio tiene limitaciones que abren camino a futuras investigaciones. Se sugiere que futuros estudios puedan avanzar con la inclusión de nuevos controles explicativos, como variables socioeconómicas más detalladas de los productores, y la realización de pruebas de robustez adicionales para validar los modelos. El detalle por perfil de productor, tipo de producción, modalidad y finalidad del crédito también puede enriquecer la comprensión de las dinámicas de riesgo. Tales profundizaciones permitirían un análisis aún más granular y contextualizado, contribuyendo a la formulación de políticas públicas y estrategias de gestión de riesgo más precisas en el agronegocio brasileño.
Referencias Bibliográficas
Almeida, C.A. de. 2016. Determinantes da Inadimplência no Crédito Rural Brasileiro. Tese de Doutorado em Economia Aplicada. Escola Superior de Agricultura Luiz de Queiroz, Universidade de São Paulo, Piracicaba, SP, Brasil.
Bacha, C.J.C. 2004. Economia e Política Agrícola no Brasil. Atlas, São Paulo, SP, Brasil.
Braga de Melo, A.S.; Resende Filho, J. 2017. Uma crítica às renegociações da dívida rural: determinantes do risco de crédito rural no Brasil. Revista Brasileira de Economia 71(1): 69-92. Disponível em: <https://www.scielo.br/j/rbe/a/7sb9fHHyPZvsXgr8xBQgZcP/>. Acesso em: 19 abr. 2026.
Pereira, R.M.; Melo, A.S. 2021. Inadimplência no crédito rural brasileiro: uma análise dos fatores macroeconômicos e climáticos. Revista de Política Agrícola 30(2): 45-60.
Stiglitz, J.E.; Weiss, A. 1981. Credit rationing in markets with imperfect information. The American Economic Review 71(3): 393-410.
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