Propensity score de matching

Além dos problemas de simultaneidade o modelo do custo de crédito pode apresentar outro tipo de endogeneidade. Conforme pesquisa de Shamshur e Weill (2019), os bancos mais avessos ao risco teriam despesas com perdas de empréstimos menores. Estes bancos seriam mais eficientes em termos dos custos quando comparado a outros bancos. Por outro lado, a existência de preferência por liquidez, volume de depósito ou até mesmo as características institucionais dos municípios podem influenciar nos custos de financiamento bancário. Os municípios que apresentam maior preferência por liquidez, menor volume de depósitos ou instabilidade institucional tornam os bancos mais avessos ao risco. Portanto, a análise realizada no trabalho de (SHAMSHUR ; WEILL, 2019) a nível bancário foi estendida a nível municipal.

O presente estudo realizará uma análise de matching para as equações (4.15) e (4.20). A análise de matching possibilitará a comparação dos custos de crédito das micro e pequenas empresas nos diferentes municípios. A amostra será dividida em dois grupos por níveis de eficiência e poder de mercado dos bancos. O grupo de tratamento é formado por 10% dos municípios com maiores níveis de eficiência bancária e poder de mercado dos bancos. O grupo de controle é formado por 10% dos municípios com os menores níveis de eficiência bancária e poder de mercado dos bancos, baseado na pesquisa de (SHAMSHUR; WEILL, 2019). A análise de matching para a Equação 4.20 sinalizou poucas diferenças entre o custo de crédito nos diferentes municípios. A média entre os grupos de tratamento de controle são próximas e o teste t rejeita a hipótese de diferenças entre os grupos tratados e de controle. Enquanto isso, a análise de matching para a Equação 4.15 indica a existência diferenças no custo de crédito para as micro e pequenas empresas.

Tabela 16 – Vizinho mais próximo: poder de monopólio dos bancos e custo do crédito

A tabela mostra os resultados para o procedimento mais próximo usando empresas de um município. Dividiu-se a amostra pelo poder de monopólio dos bancos. Os 10% superiores dos municípios (alto poder de

monopólio) formam o grupo de tratamento e os 10% inferiores dos municípios (baixo poder de monopólio) formam o grupo de controle. Em seguida, analisou-se o efeito do poder de monopólio dos municípios com maiores indicadores sobre o custo de crédito das micro e pequenas empresas, estimando o Efeito de Tratamento no Trabalho (ATT), utilizando a regressão ponderada por efeito fixo. O painel A apresenta os resultados correspondentes e o painel B fornece o resumo do saldo da covariável. *, ** e *** denota uma estimativa significante diferente de zero aos níveis 10%, 5% e 1% respectivamente. A definição das variáveis está no Apêndice Capítulo A.

Fonte: Elaborado pelo autor. (2021).

O efeito médio do grupo de tratamento possui relação positiva e estatisticamente significante para os indicadores de HHI e CR5, e positiva e estatisticamente não significante para o indicador de Lener semelhante aos demonstrado na Tabela 4.

O resumo das estatística para amostras de matching e não matching é apresentado no painel B da Tabela 16. Os resultados mostram relativa proximidade entre os grupos de tratamento e controle. Porém, as correspodências reduzem pouco em relação às médias. Os gráficos boxplot (Figuras 13 e 14) apontam a menor diferença entre as amostras de controle e de tratamento. As informações contida nos gráficos sinalizam poucas diferenças, conforme demonstrado no painel B da Tabela 16.

Os gráficos, Figuras 13 e 14, mostram a distribuição dos dados tratados e não tratatos (controle)

como forma de verificar as diferenças entre estes dados. A maior diferença entre os dados podem indicar que há relevantes diferenças entre os municípios, comprometendo os resultados dos parâmetros. Os boxplots serão construídos para duas variáveis, tamanho das firmas e ativo das firmas. A escolha apenas das variáveis tamanho e ativo das firmas ocorreu devido a mudança na estratégia dos bancos perante as características das firmas, de acordo com (SHAMSHUR;

WEILL, 2019). Além das variáveis tamanho e ativo das firmas, os boxplots são distribuídos por índice de monopólio (índice de Lener, HHI e CR5).

Os resultados da Figura 13 evidenciam que existem poucas diferenças na variável tamanho da firma entre os grupo tratado e de controle quando estamos verificando os índice de lener, HHI e CR5. Dessa forma, as três análises de matching na Figura 13 indicam que não existem diferenças representativas entre o tamanho da firma entre os municípios com maiores e menores níveis de concentração bancária.

Figura 13 – Box plots dos dados unmatched e matched (Tamanho das firmas) Tamanho da Firma (Indicador de Lener)

Control Treatment

Tamanho da Firma (Indicador HHI)

Control Treatment

Tamanho da Firma (Indicador CR5)

Control Treatment

Fonte: Elaborado pelo autor. (2021).

A variável ativo da firma também apresentou poucas diferenças quando verifica-se o índice de Lener, bem como, quando se trata do índice HHI e do índice CR5. Dessa forma, não existem relevantes diferenças entre os grupos de tratamento e de controle da variável ativo da firma.

0246810 120246810 1202468 1012

Figura 14 – Box plots dos dados unmatched e matched (Ativo das firmas) Ativo da Firma (Indicador de Lener)

Control Treatment

Ativo da Firma (Indicador HHI)

Ativo Treatment

Ativo da Firma (Indicador CR5)

Ativo Treatment

Fonte: Elaborado pelo autor. (2021).

Os resultados das Figuras 13 e 14 não indicam diferenças relevantes entre os grupos tratado e de controle. No entanto, há diferenças na distribuição das variáveis. Essa evidência indica que existem custos de crédito diferentes entre os entre os municípios com maiores índices de concentração bancária e aqueles com menores índices de concentração bancária. A diferença nos custos de crédito entre os municípios favorece a discussão da literatura de economia regional

051015051015051015

quanto ao custo de crédito entre os municípios.