24 de fevereiro de 2026
Análise do endividamento por crédito consignado em servidores públicos municipais
Lucas Piovesan Kobayashi; Charles Gomes da Silva
Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.
Este estudo utiliza a regressão logística multinomial para identificar os fatores demográficos, profissionais e financeiros que influenciam o perfil de endividamento de servidores de um hospital público da Prefeitura do Município de São Paulo (PMSP). O objetivo é prever a probabilidade de um indivíduo pertencer a um perfil de baixo, moderado ou alto risco de endividamento por empréstimo consignado. A pesquisa se justifica pela lacuna na literatura, que foca em servidores federais, com legislação unificada e maiores remunerações (Loureiro, 2021), deixando os servidores municipais como uma área subexplorada, apesar de sua representatividade.
O endividamento municipal é complexo devido a legislações locais variadas, pressões econômicas e rendas geralmente mais modestas. A ausência de um padrão regulatório nacional para o crédito consignado municipal cria disparidades e obscurece a dimensão do problema (Macedo, 2023). Em São Paulo, a Lei nº 8.989/1979 limitou a margem consignável a 30% da remuneração líquida. O Decreto nº 58.890/2019 expandiu as possibilidades ao instituir o cartão consignado e o cartão de benefícios, com margens adicionais de 5% e 10%, respectivamente. Essa evolução normativa reflete a tensão entre a demanda por crédito e a preocupação com o superendividamento.
Um paradoxo do serviço público é que a estabilidade funcional, em vez de garantir segurança financeira, torna os servidores um alvo preferencial para instituições de crédito. A garantia de desconto em folha permite a oferta de empréstimos com taxas de juros atrativas, que em São Paulo variam de 1,98% a 2,61%, e prazos de até 120 meses. Durante a pandemia de COVID-19, o Decreto nº 60.316/2021 ampliou temporariamente a margem para 35%, uma medida emergencial que potencializou o risco de um ciclo de dívidas. Tais ajustes, sem programas de educação financeira, podem agravar a vulnerabilidade dos servidores.
O endividamento não se deve apenas ao fácil acesso ao crédito ou à má gestão individual, sendo influenciado por fatores sociais e comportamentais. A literatura sobre educação financeira, embora recente no Brasil, enfatiza a importância do planejamento orçamentário para a sustentabilidade financeira (Cordeiro, Costa e Silva, 2018). Para os servidores municipais de São Paulo, a combinação de estabilidade, crédito facilitado e portabilidade cria um ambiente propício ao endividamento contínuo. A constatação de que até 45% do salário pode ser consumido por consignações evidencia a urgência em compreender as variáveis que modulam esse comportamento.
A regressão logística multinomial é a abordagem metodológica adequada, pois permite especificar um modelo para explicar e prever uma variável dependente categórica — o perfil de risco de endividamento — a partir de variáveis explicativas (Favero e Belfiore, 2017). A variável dependente, operacionalizada em três categorias (baixo, moderado e alto risco), justifica a escolha do modelo multinomial para uma análise granular. O estudo busca, portanto, identificar os correlatos do endividamento e fornecer um modelo preditivo que possa subsidiar políticas de gestão de pessoal e programas de bem-estar financeiro na administração municipal.
A metodologia partiu da coleta de dados de um sistema informatizado da PMSP, com recorte temporal de agosto de 2023 a agosto de 2025, abrangendo servidores do hospital com algum desconto consignado. Para garantir a qualidade dos dados, foi empregada a técnica de ETL (Extract, Transform, Load). A base de dados inicial era transacional, com cada linha representando um contrato, significando que um servidor poderia aparecer múltiplas vezes. Uma análise preliminar revelou que aproximadamente 41% dos servidores, ativos e aposentados, possuíam ao menos um contrato de crédito consignado.
O processo de transformação dos dados foi executado com a biblioteca pandas em Python. As etapas incluíram a conversão de variáveis para formatos numéricos e de data, o tratamento de valores inconsistentes e a remoção de linhas com dados ausentes. O passo mais crítico foi a agregação dos dados: utilizando o identificador único do servidor (“RF/VINC”), a base transacional foi consolidada em uma base analítica centrada no indivíduo; cada linha representa o perfil completo de um servidor. Colunas com alta incidência de valores ausentes e baixa relevância preditiva, como “ATIVIDADE”, foram descartadas.
A engenharia de dados foi crucial para derivar indicadores significativos. Foram criadas seis variáveis explicativas: Idade, TempodeServico, TotalEmprestimos (número de contratos), ValorTotalParcelas (soma das parcelas mensais), NumConsignatariasUnicas (número de instituições financeiras distintas) e a RazaoDividaRenda (ValorTotalParcelas dividido pela renda bruta). Para operacionalizar o risco de endividamento, foi desenvolvido o IndicedeRisco. Este índice foi calculado para cada servidor somando-se as pontuações (de 1 a 4) obtidas em três métricas: TotalEmprestimos, NumConsignatariasUnicas e RazaoDividaRenda, após a classificação de cada servidor em quartis para cada uma dessas métricas.
A análise dos resultados começou com a avaliação do ajuste global do modelo. O Teste da Razão de Verossimilhança, comparando o modelo completo contra um modelo nulo, resultou em uma estatística Qui-quadrado (χ²) de 245.7, com 28 graus de liberdade e um valor-p extremamente baixo (p < 0.001). Este resultado permite rejeitar a hipótese nula de que os coeficientes são zero, fornecendo evidência de que as variáveis independentes possuem poder explicativo. A qualidade do ajuste foi corroborada pelo Pseudo R² de McFadden de 0,31, indicando que o modelo representa uma melhoria de 31% no ajuste em comparação ao modelo nulo. Um valor nesta faixa é considerado indicativo de um excelente ajuste em ciências sociais (Greene, 2018).
A significância de cada preditor foi avaliada pelo teste z de Wald, com a categoria “Baixo Risco” como referência. Para a comparação “Risco Alto vs. Baixo”, quatro preditores foram altamente significativos. O fator mais impactante foi o status de aposentado (STATUS_Aposentado), com uma Razão de Chances (OR) de 17.29 (IC 95%: [5.85, 51.05]). Isso indica que as chances de um servidor aposentado ser classificado como ‘Alto Risco’ em vez de ‘Baixo Risco’ são mais de 17 vezes maiores que para um servidor ativo, ceteris paribus. Este achado quantifica a hipótese de que a estabilidade dos proventos pode facilitar um endividamento mais agressivo.
A variável Idade também demonstrou um efeito positivo e significativo: para cada ano adicional, as chances de pertencer ao grupo de ‘Alto Risco’ aumentam em 8% (OR = 1.08, IC 95%: [1.04, 1.12]). Em contrapartida, a Renda Bruta (BRUTO) apresentou um efeito protetor, com um coeficiente negativo e significativo (OR ligeiramente inferior a 1.00), indicando que, para cada aumento na renda, as chances de ser classificado como ‘Alto Risco’ diminuem. Isso sugere que o comprometimento relativo da renda é menor entre os servidores com maiores salários.
Outro achado relevante foi o efeito do sexo. Ser do sexo masculino (SEXO_M) reduziu significativamente as chances de pertencer ao perfil de ‘Alto Risco’, com uma OR de 0.43 (IC 95%: [0.22, 0.84]). Isso significa que as chances para um homem são 57% menores do que para uma mulher, ceteris paribus, o que pode refletir diferenças em comportamento financeiro ou responsabilidades familiares (Johnson & Smith, 2020). Para a comparação “Risco Moderado vs. Baixo”, os efeitos foram na mesma direção, mas com magnitudes menores. O status de aposentado (OR = 3.49) e a idade (OR = 1.04) continuaram a aumentar as chances de risco, enquanto a renda bruta apresentou efeito protetor, todos com significância estatística (p < 0.05). A variável Sexo, no entanto, não foi significativa para esta comparação (p = 0.067).
A interpretação visual dos resultados, por meio de forest plots, destacou a variável STATUS_Aposentado como o preditor mais forte para o ‘Alto Risco’. Adicionalmente, gráficos de probabilidades previstas ilustraram que, com o avanço da idade, a probabilidade de pertencer ao grupo de ‘Baixo Risco’ diminui, enquanto a de pertencer ao ‘Alto Risco’ aumenta acentuadamente, especialmente após os 60 anos, corroborando a associação entre envelhecimento, aposentadoria e maior risco de endividamento.
A discussão dos resultados aponta para uma complexa interação de fatores. A vulnerabilidade dos aposentados pode ser explicada pela estabilidade de sua renda, que os torna um alvo atrativo, somada a uma possível redução nos proventos, despesas com saúde e suporte a familiares. A legislação municipal sobre o cálculo da aposentadoria pode resultar em uma renda menor na inatividade, aumentando a dependência do crédito. A estabilidade funciona como garantia para o credor, mas não necessariamente como proteção para o devedor.
O efeito protetor da renda mais alta é esperado, pois oferece maior margem para absorver a dívida. No entanto, a análise bivariada inicial sugeriu que a mediana da renda era ligeiramente maior nos grupos de maior risco, indicando que a capacidade de endividamento também aumenta com a renda. O modelo de regressão, ao controlar por múltiplos fatores, esclarece que, para um dado comportamento de endividamento, uma renda maior de fato reduz o risco relativo. A associação do sexo feminino com maior risco pode estar ligada a fatores socioeconômicos, como maior representatividade feminina em cargos de menor remuneração e o papel social de gestora do orçamento familiar.
Em suma, os resultados do modelo fornecem um diagnóstico detalhado e quantificável dos fatores que modulam o endividamento por crédito consignado na amostra. A identificação de perfis de risco claros, especialmente a elevada vulnerabilidade dos servidores aposentados e mais idosos, oferece subsídios concretos para a formulação de políticas públicas e ações institucionais, como programas de educação financeira direcionados, revisão dos limites de crédito para populações específicas e monitoramento ativo do endividamento pela administração pública.
A análise de regressão logística multinomial identificou com sucesso fatores demográficos e funcionais que discriminam perfis de endividamento, com o modelo demonstrando um ajuste global robusto. O perfil do servidor com maior probabilidade de ser classificado como ‘Alto Risco’ é caracterizado por ser aposentado, ter idade avançada, ser do sexo feminino e possuir menor renda bruta relativa ao seu endividamento. O status de aposentado emergiu como o preditor mais forte. As limitações do estudo incluem a natureza transversal da análise, que impede a inferência de causalidade, e o fato de a variável dependente ser uma construção metodológica que aproxima o risco, não um desfecho como a inadimplência.
Para trabalhos futuros, sugere-se uma perspectiva longitudinal para analisar a evolução do endividamento, bem como a investigação da dinâmica de renegociações de empréstimos. A análise do impacto da margem negativa e o estudo de variáveis comportamentais e de literacia financeira poderiam agregar novas dimensões à compreensão do fenômeno. Conclui-se que o objetivo foi atingido: demonstrou-se que o status de aposentado, a idade, o sexo e a renda bruta são fatores que influenciam significativamente a probabilidade de um servidor público municipal pertencer a um determinado perfil de risco de endividamento por crédito consignado.
Referências:
Agresti, A. (2013). Categorical Data Analysis. John Wiley & Sons.
Banco Central do Brasil (BACEN). (2022). Relatório de Estabilidade Financeira. Brasília, DF: BACEN.
Cordeiro, A., Costa, F., & Silva, J. (2018). A importância da educação financeira no contexto brasileiro: desafios e perspectivas. Revista de Finanças e Contabilidade, 9(2), 45-62.
Fávero, L. P.; Belfiore, P. (2017). Manual de análise de dados. 1ed. Elsevier, Rio de Janeiro, RJ, Brasil.
Freitas, L. (2019). Testes de hipótese em Modelos Multivariados de Covariância Linear Generalizada (McGLM). Recuperado de https://lineu96. github. io/mscpage/2wald_test. html
Gomes, P. (2024). Regressão Logística: Um Guia Detalhado. Recuperado de https://www. datageeks. com. br/regressao-logistica/
Greene, W. H. (2018). Econometric Analysis. 8th ed. Pearson.
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis. 8th ed. Cengage Learning.
Johnson, R., & Smith, L. (2020). Gender Disparities in Financial Literacy and Indebtedness. Journal of Economic Psychology, 41, 102-115.
Kimball, R., & Ross, M. (2013). The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling. 3rd ed. John Wiley & Sons.
Loureiro, D. (2021). Endividamento Do Servidor Público: A Possibilidade de Estudo da Realidade do MPDFT sob a Perspectiva do PES. Dissertação de Mestrado, Instituto de Pesquisa Econômica Aplicada – IPEA, Brasília, DF, Brasil.
Macedo, T. (2023). Endividamento e uso de Crédito Consignado: Um Olhar Sobre a Realidade do Servidor Público Federal da UNIVASF. Dissertação de Mestrado, Universidade Federal do Vale do São Francisco, Bahia, BA, Brasil.
Prefeitura do Município de São Paulo (PMSP). (2022). Anuário Estatístico do Servidor Público. São Paulo, SP: Secretaria Municipal de Gestão.
Silva, P. (2024). Aplicação De Modelo de Regressão Logística Politômica. Trabalho de Conclusão de Curso, Universidade Estadual Paulista Júlio Mesquita Filho, São Paulo, SP, Brasil.
Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Data Science e Analytics do MBA USP/Esalq
Saiba mais sobre o curso; clique aqui:
