24 de febrero de 2026
Análisis del endeudamiento por crédito consignado en servidores públicos municipales
Lucas Piovesan Kobayashi; Charles Gomes da Silva
Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción.
Este estudio utiliza la regresión logística multinomial para identificar los factores demográficos, profesionales y financieros que influyen en el perfil de endeudamiento de servidores de un hospital público de la Prefectura del Municipio de São Paulo (PMSP). El objetivo es predecir la probabilidad de que un individuo pertenezca a un perfil de bajo, moderado o alto riesgo de endeudamiento por préstamo con descuento de nómina. La investigación se justifica por la laguna en la literatura, que se centra en servidores federales, con legislación unificada y mayores remuneraciones (Loureiro, 2021), dejando a los servidores municipales como un área subexplorada, a pesar de su representatividad.
El endeudamiento municipal es complejo debido a legislaciones locales variadas, presiones económicas y rentas generalmente más modestas. La ausencia de un estándar regulatorio nacional para el crédito consignado municipal crea disparidades y oscurece la dimensión del problema (Macedo, 2023). En São Paulo, la Ley nº 8.989/1979 limitó el margen consignable al 30% de la remuneración neta. El Decreto nº 58.890/2019 amplió las posibilidades al instituir la tarjeta consignada y la tarjeta de beneficios, con márgenes adicionales del 5% y 10%, respectivamente. Esta evolución normativa refleja la tensión entre la demanda de crédito y la preocupación por el sobreendeudamiento.
Una paradoja del servicio público es que la estabilidad funcional, en lugar de garantizar la seguridad financiera, convierte a los servidores en un objetivo preferencial para las instituciones de crédito. La garantía de descuento en nómina permite la oferta de préstamos con tasas de interés atractivas, que en São Paulo varían de 1,98% a 2,61%, y plazos de hasta 120 meses. Durante la pandemia de COVID-19, el Decreto nº 60.316/2021 amplió temporalmente el margen al 35%, una medida de emergencia que potenció el riesgo de un ciclo de endeudamiento. Tales ajustes, sin programas de educación financiera, pueden agravar la vulnerabilidad de los servidores.
El endeudamiento no se debe únicamente al fácil acceso al crédito o a la mala gestión individual, sino que está influenciado por factores sociales y conductuales. La literatura sobre educación financiera, aunque reciente en Brasil, enfatiza la importancia de la planificación presupuestaria para la sostenibilidad financiera (Cordeiro, Costa y Silva, 2018). Para los funcionarios municipales de São Paulo, la combinación de estabilidad, crédito facilitado y portabilidad crea un entorno propicio al endeudamiento continuo. La constatación de que hasta el 45% del salario puede ser consumido por consignaciones evidencia la urgencia de comprender las variables que modulan este comportamiento.
La regresión logística multinomial es el enfoque metodológico adecuado, ya que permite especificar un modelo para explicar y predecir una variable dependiente categórica —el perfil de riesgo de endeudamiento— a partir de variables explicativas (Favero y Belfiore, 2017). La variable dependiente, operacionalizada en tres categorías (bajo, moderado y alto riesgo), justifica la elección del modelo multinomial para un análisis granular. El estudio busca, por lo tanto, identificar los correlatos del endeudamiento y proporcionar un modelo predictivo que pueda respaldar políticas de gestión de personal y programas de bienestar financiero en la administración municipal.
La metodología partió de la recolección de datos de un sistema informatizado de la PMSP, con un recorte temporal de agosto de 2023 a agosto de 2025, abarcando servidores del hospital con algún descuento por nómina. Para garantizar la calidad de los datos, se empleó la técnica de ETL (Extract, Transform, Load). La base de datos inicial era transaccional, con cada línea representando un contrato, lo que significaba que un servidor podía aparecer múltiples veces. Un análisis preliminar reveló que aproximadamente el 41% de los servidores, activos y jubilados, poseían al menos un contrato de crédito por nómina.
El proceso de transformación de datos se ejecutó con la biblioteca pandas en Python. Los pasos incluyeron la conversión de variables a formatos numéricos y de fecha, el tratamiento de valores inconsistentes y la eliminación de filas con datos faltantes. El paso más crítico fue la agregación de datos: utilizando el identificador único del servidor (“RF/VINC”), la base transaccional se consolidó en una base analítica centrada en el individuo; cada fila representa el perfil completo de un servidor. Se descartaron columnas con alta incidencia de valores faltantes y baja relevancia predictiva, como “ACTIVIDAD”.
La ingeniería de datos fue crucial para derivar indicadores significativos. Se crearon seis variables explicativas: Edad, TiempodeServicio, TotalEmpréstitos (número de contratos), ValorTotalCuotas (suma de las cuotas mensuales), NumConsignatariasÚnicas (número de instituciones financieras distintas) y la RazónDeudaIngresos (ValorTotalCuotas dividido por los ingresos brutos). Para operacionalizar el riesgo de endeudamiento, se desarrolló el ÍndicedeRiesgo. Este índice se calculó para cada servidor sumando las puntuaciones (de 1 a 4) obtenidas en tres métricas: TotalEmpréstitos, NumConsignatariasÚnicas y RazónDeudaIngresos, tras la clasificación de cada servidor en cuartiles para cada una de estas métricas.
El análisis de los resultados comenzó con la evaluación del ajuste global del modelo. La Prueba de Razón de Verosimilitud, comparando el modelo completo contra un modelo nulo, resultó en una estadística Chi-cuadrado (χ²) de 245.7, con 28 grados de libertad y un valor p extremadamente bajo (p < 0.001). Este resultado permite rechazar la hipótesis nula de que los coeficientes son cero, proporcionando evidencia de que las variables independientes poseen poder explicativo. La calidad del ajuste fue corroborada por el Pseudo R² de McFadden de 0,31, indicando que el modelo representa una mejora del 31% en el ajuste en comparación con el modelo nulo. Un valor en este rango se considera indicativo de un excelente ajuste en ciencias sociales (Greene, 2018).
La significancia de cada predictor fue evaluada por la prueba z de Wald, con la categoría “Bajo Riesgo” como referencia. Para la comparación “Riesgo Alto vs. Bajo”, cuatro predictores fueron altamente significativos. El factor más impactante fue el estatus de jubilado (STATUS_Jubilado), con una Razón de Probabilidades (OR) de 17.29 (IC 95%: [5.85, 51.05]). Esto indica que las probabilidades de que un servidor jubilado sea clasificado como ‘Alto Riesgo’ en lugar de ‘Bajo Riesgo’ son más de 17 veces mayores que para un servidor activo, ceteris paribus. Este hallazgo cuantifica la hipótesis de que la estabilidad de los ingresos puede facilitar un endeudamiento más agresivo.
La variable Edad también mostró un efecto positivo y significativo: por cada año adicional, las posibilidades de pertenecer al grupo de ‘Alto Riesgo’ aumentan en un 8% (OR = 1.08, IC 95%: [1.04, 1.12]). Por el contrario, los Ingresos Brutos (BRUTO) presentaron un efecto protector, con un coeficiente negativo y significativo (OR ligeramente inferior a 1.00), lo que indica que, por cada aumento en los ingresos, las posibilidades de ser clasificado como ‘Alto Riesgo’ disminuyen. Esto sugiere que la carga relativa de los ingresos es menor entre los servidores con salarios más altos.
Otro hallazgo relevante fue el efecto del sexo. Ser del sexo masculino (SEXO_M) redujo significativamente las posibilidades de pertenecer al perfil de ‘Alto Riesgo’, con una OR de 0.43 (IC 95%: [0.22, 0.84]). Esto significa que las posibilidades para un hombre son un 57% menores que para una mujer, ceteris paribus, lo que puede reflejar diferencias en el comportamiento financiero o responsabilidades familiares (Johnson & Smith, 2020). Para la comparación “Riesgo Moderado vs. Bajo”, los efectos fueron en la misma dirección, pero con magnitudes menores. El estatus de jubilado (OR = 3.49) y la edad (OR = 1.04) continuaron aumentando las posibilidades de riesgo, mientras que la renta bruta presentó un efecto protector, todos con significancia estadística (p < 0.05). La variable Sexo, sin embargo, no fue significativa para esta comparación (p = 0.067).
La interpretación visual de los resultados, a través de forest plots, destacó la variable STATUS_Jubilado como el predictor más fuerte para el ‘Alto Riesgo’. Adicionalmente, gráficos de probabilidades previstas ilustraron que, con el avance de la edad, la probabilidad de pertenecer al grupo de ‘Bajo Riesgo’ disminuye, mientras que la de pertenecer al ‘Alto Riesgo’ aumenta acentuadamente, especialmente después de los 60 años, corroborando la asociación entre envejecimiento, jubilación y mayor riesgo de endeudamiento.
La discusión de los resultados apunta a una compleja interacción de factores. La vulnerabilidad de los jubilados puede explicarse por la estabilidad de sus ingresos, que los convierte en un objetivo atractivo, sumada a una posible reducción en los beneficios, gastos de salud y apoyo a familiares. La legislación municipal sobre el cálculo de la jubilación puede resultar en un ingreso menor en la inactividad, aumentando la dependencia del crédito. La estabilidad funciona como garantía para el acreedor, pero no necesariamente como protección para el deudor.
Se espera el efecto protector de los ingresos más altos, ya que ofrecen un mayor margen para absorber la deuda. Sin embargo, el análisis bivariado inicial sugirió que la mediana de los ingresos era ligeramente mayor en los grupos de mayor riesgo, lo que indica que la capacidad de endeudamiento también aumenta con los ingresos. El modelo de regresión, al controlar por múltiples factores, aclara que, para un comportamiento de endeudamiento dado, unos ingresos más altos de hecho reducen el riesgo relativo. La asociación del sexo femenino con un mayor riesgo puede estar ligada a factores socioeconómicos, como una mayor representatividad femenina en puestos de menor remuneración y el papel social de gestora del presupuesto familiar.
En resumen, los resultados del modelo proporcionan un diagnóstico detallado y cuantificable de los factores que modulan el endeudamiento por crédito consignado en la muestra. La identificación de perfiles de riesgo claros, especialmente la elevada vulnerabilidad de los servidores jubilados y de mayor edad, ofrece subsidios concretos para la formulación de políticas públicas y acciones institucionales, como programas de educación financiera dirigidos, revisión de los límites de crédito para poblaciones específicas y monitoreo activo del endeudamiento por parte de la administración pública.
El análisis de regresión logística multinomial identificó con éxito factores demográficos y funcionales que discriminan perfiles de endeudamiento, con el modelo demostrando un ajuste global robusto. El perfil del servidor con mayor probabilidad de ser clasificado como ‘Alto Riesgo’ se caracteriza por ser jubilado, tener edad avanzada, ser del sexo femenino y poseer menores ingresos brutos relativos a su endeudamiento. El estatus de jubilado emergió como el predictor más fuerte. Las limitaciones del estudio incluyen la naturaleza transversal del análisis, que impide la inferencia de causalidad, y el hecho de que la variable dependiente sea una construcción metodológica que aproxima el riesgo, no un desenlace como la morosidad.
Para trabajos futuros, se sugiere una perspectiva longitudinal para analizar la evolución del endeudamiento, así como la investigación de la dinámica de renegociaciones de préstamos. El análisis del impacto del margen negativo y el estudio de variables conductuales y de alfabetización financiera podrían agregar nuevas dimensiones a la comprensión del fenómeno. Se concluye que el objetivo se alcanzó: se demostró que el estatus de jubilado, la edad, el sexo y los ingresos brutos son factores que influyen significativamente en la probabilidad de que un servidor público municipal pertenezca a un determinado perfil de riesgo de endeudamiento por crédito de nómina.
Referencias:
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.
Resumen ejecutivo del Trabajo de Conclusión de Curso de Especialización en Data Science y Analytics del MBA USP/Esalq
Más información sobre el curso; haga clic aquí:
