Introdução
Entender se o risco de crédito está corretamente precificado em operações de empréstimos com garantia em veículos é algo relevante do ponto de visto macroprudencial. Em agosto de 2024, a carteira de veículos correspondia a 8,7% do estoque de crédito às pessoas físicas e 16,6% das contratações
1. Do ponto de vista de risco, tal carteira já passou ciclos de alta e baixa relevantes. Por exemplo, em 2010 o BCB implementou relevante política para mitigar um crescimento na carteira empréstimos para veículos que estaria acumulando riscos ao SFN (Afanasieff et. al., 2015; Araújo et. al., 2020). Após esta medida, bem como um menor apetite a risco por parte das instituições financeiras, tal crescimento foi arrefecido durante muitos anos.
Não obstante, verifica-se no pós-Covid uma retomada forte do ritmo de contratações desta modalidade, o que ensejou um acompanhamento mais intenso sobre os dados recentes por parte do Banco Central do Brasil. Por exemplo, em novembro de 2023 o Relatório de Estabilidade Financeira afirmou: “O crédito bancário às famílias desacelerou, […] com exceção dos financiamentos habitacionais e de veículos…” e ainda que “ressaltam-se a melhor qualidade de contratações da carteira de financiamento de veículos” (BCB, 2023). Este trabalho mostrará evidências empíricas complementares, as quais sinalizam que o incremento recente no apetite a risco nesta modalidade parece ter sido mais no quantum (e.g. maior volume de contratações) e menos no preço (e.g. menos juros para um dado nível de risco).
Análise inicial do preço e risco do mercado
Uma primeira pergunta de pesquisa seria qualificar se os riscos dos empréstimos eram diferentes conforme o tipo de colateral (i.e. veículos). No eixo X da Figura 1 mostramos o score de contratações do Banco Central, o qual foi desenvolvido internamente para estimar qual o risco de crédito de cada operação. O score de contratação é uma medida que quantifica o risco de crédito de operações contratadas na data-base, determinado por um modelo estatístico que se baseia em variáveis do tomador, em características da operação e nas garantias fornecidas. Quanto mais alto o score, mais arriscadas são as operações (BCB, 2021). No eixo Y da parte superior da Figura 1 está a taxa média anual das operações das carteiras de automóveis novos, usados com mais de 3 anos e motocicletas de qualquer idade e, no eixo Y da parte inferior, o valor contratado de cada uma das carteiras.
Na Figura 1 (parte superior), verifica-se que existe diferenciação clara de preços de acordo com o tipo de veículo ou idade do veículo, no caso de automóveis, o que deve indicar que para um determinado score de contratação, empréstimos de motocicletas apresentam risco superior a veículos usados e, estes, superior aos novos. Também na Figura 1 (parte superior), observamos que, à medida que os scores são maiores, as taxas de juros também o são. Essa diferenciação de taxa por risco do cliente parece ser mais relevante nos mercados de maior risco, ou seja, para motocicletas e para automóveis usados. O mercado de automóveis zero quilômetro tem taxas mais insensíveis ao risco da operação e do cliente, segundo essa primeira exploração dos dados. Na parte inferior, vemos a concentração do valor contratado do segmento de menor risco nos melhores scores e maior dispersão daqueles de maior risco.
.gif)
Modelo quantitativo
À luz das distribuições apresentadas, propomos então um modelo de dados em painel que tente responder de forma mais precisa se há relação entre riscos (aqui mensurados pelo
score) e preços (aqui mensurados pela taxa de juros). Como forma de tornar a amostra mais uniforme, optamos aqui por nos restringirmos a contratações de veículos automotores. Em uma amostra aleatória de 10% do total de operações contratadas entre junho de 2023 e junho de 2024, rodamos a seguinte especificação:
Taxao,t = Scoreo,t +
Controleo,t +
EF + γ
o,t
Onde
o é um dado da operação,
t é o período de contratação. O lado esquerdo da regressão é a taxa de juros de contratação (em % a.a.), e esta variável foi winsorizada a 5% para reduzir o efeito de
outliers na especificação. Do lado direito da equação, temos a nossa variável independente de interesse, qual seja, o
score de contratação (BCB, 2021). A depender da especificação, adicionamos ou retiramos efeitos-fixos (EF), conforme mostraremos a seguir.
Os resultados apresentados na Tabela 1 mostram que as taxas de juros respondem de forma positiva e estaticamente significante no período analisado aos riscos incorridos pelas operações contratadas
2. A cada ponto adicional de score (i.e. maior risco da operação) se traduz entre 0,26% e 0,44% a mais na taxa de juros cobrada da operação. Note que estes resultados são, devido à inclusão de efeitos fixos, robustos a eventuais choques que tenham ocorrido em determinado mês de contratação (especificação 1), localização e renda dos tomadores (especificação 2), e menor ou maior apetite a risco de instituições financeiras ao longo do tempo (especificação 3).
Indo além, os controles adicionais inseridos nas especificações caminham nas direções esperadas. Créditos com garantias de maior valor, o que deve reduzir custos de monitoramento individual, são contratados sob taxas de juros inferiores (em todas as especificações). Sobre as faixas de prazos das operações, ainda que o resultado da coluna 1 seja contraintuitivo (maiores prazos e menores taxas), nota-se pelas colunas 2 e 3 que estes coeficientes se tornam estatisticamente insignificantes, o que pode demonstrar a heterogeneidade não observável presente na especificação 1 (na qual temos menos efeitos-fixos).
Para fins de monitoramento, ainda comparamos se os efeitos de scores sobre taxas de juros, nosso coeficiente de interesse, são estáveis ao longo do período em análise. Na Figura 2 é possível ver que não há mudança relevante entre os meses da amostra
3. Ou seja, não é possível rejeitar a hipótese nula de que os efeitos de riscos sobre preços dos empréstimos não variaram ao longo do período amostral.
Figura 2 – Diferencial do efeito de scores sobre a taxa de juros (score BC x tempo)2
Conclusão
Neste trabalho ilustramos o contexto do financiamento de veículos pelo Sistema Financeiro Nacional. Aqui demonstramos que em alguns mercados, notadamente motocicletas e automóveis com mais de três anos de uso, há maior discriminação das taxas de juros conforme o risco das operações. Utilizando um modelo econométrico sobre dados de financiamento de veículos automotores entre 2023 e 2024, encontramos evidência no sentido de que operações mais arriscadas incorrem em maior custo aos tomadores, isto é, maior taxa de juros. Este é um achado relevante em termos de supervisão do SFN, pois se o mercado precifica corretamente os riscos das operações, a probabilidade de acúmulo de operações muito arriscadas diminui e as perdas potenciais serão devidamente contrabalanceadas por um resultado financeiro adequado.
Também foi proposto aqui um método de avaliação de riscos ao longo do tempo, o qual demonstra que a despeito da retomada no maior volume de contratações no financiamento de veículos nos anos recentes, não foram encontradas evidências de que este processo se dá com mudanças na sensibilidade de taxas de juros a riscos, o que é prudencialmente saudável.
Por fim, ainda que os resultados aqui apresentados não demonstrem ausência de relação entre riscos e preços no momento da contratação dos créditos, isto por si só
não é suficiente para dizer se o elevado crescimento recente na modalidade de financiamento a veículos será saudável ao longo de todo o ciclo econômico e de todo horizonte das operações contratadas.
As opiniões expressas nesse trabalho são exclusivamente dos autores e não refletem, necessariamente, a visão do Banco Central do Brasil.
Theo Cotrim Martins é professor da FGV-EAESP e servidor do Departamento de Monitoramento do Sistema Financeiro (Desig); Alexandre Giacomoni Viana Pereira é servidor do Departamento de Monitoramento do Sistema Financeiro (Desig)
NOTAS
1 Em relação ao crédito bancário, os números apresentados nesta seção podem diferir daqueles existentes nas séries temporais do BC, pois a fonte aqui utilizada é o saldo de carteira ativa dos clientes identificados no SCR.
2 Todas as regressões estão clusterizadas ao nível do conglomerado prudencial, o que considera que os resíduos possam ser correlacionados entre si dentro de um mesmo conglomerado.
3 Esta especificação inclui efeitos fixos de localização e renda dos tomadores, e efeitos fixos de banco x tempo. Ou seja, ela é análoga à especificação (3) da Tabela 1, adicionando uma interação entre tempo e nossa variável independente de interesse (score).
REFERÊNCIAS
Afanasieff, T., Carvalho, F., Castro, E., Coelho, R., Gregório, J. (2015). Implementing Loan-to-Value Ratios: The Case of Auto Loans in Brazil (2010-11). Trabalhos para discussão do Banco Central do Brasil.
Araújo, D. K. G., Barroso, J. B. R. B., Gonzalez, R. B.. (2020). Loan-to-value policy and housing finance: Effects on constrained borrowers. Journal of Financial Intermediation 42, 100830.
BCB. (2021). Relatório de Estabilidade Financeira do Banco Central do Brasil, Vol. 20, N. 2, Outubro de 2021.
BCB. (2023). Relatório de Estabilidade Financeira do Banco Central do Brasil, Vol. 22, N. 2, Novembro de 2023.
BCB. (2024). Relatório de Estabilidade Financeira do Banco Central do Brasil, Vol. 23, N. 2, Novembro de 2024.
Autor
