3 ANÁLISE E DISCUSSÃO DOS RESULTADOS
Diante dos objetivos estabelecidos pelo presente trabalho, este capítulo possui a finalidade apresentar e discutir os principais resultados obtidos a partir da aplicação da metodologia selecionada. Dessa forma, pretende-se, ao fim da discussão realizada, indicar quais os fatores que estão associados à participação do gênero feminino na carteira de crédito das IMFs. Para isso, o capítulo se divide em duas seções, a primeira busca realizar uma análise exploratória dos dados de modo a evidenciar as principais características e tendências dos dados. E a última, procura apresentar e discutir os resultados do modelo de regressão empregado.
Tabela 1- Média das variáveis para o Mundo
PMGF PMC PMG PMAC MG Ln (TI) PCP PCS Ln(TME) Região 2014 0,603 0,301 0,339 0,405 0,398 17,040 0,240 0,213 6,923 0,430 2015 0,598 0,301 0,354 0,392 0,398 17,115 0,239 0,204 6,909 0,430 2016 0,593 0,304 0,345 0,405 0,398 17,120 0,242 0,201 6,886 0,430 2017 0,594 0,295 0,343 0,397 0,398 17,253 0,253 0,166 7,005 0,430 2018 0,582 0,315 0,368 0,438 0,398 17,330 0,250 0,190 7,044 0,430 Fonte: O autor, 2021.
Outra informação relevante que deve ser observada na Tabela 1 é a região de origem da instituição, dado que para realização de análises subsequentes esta amostra foi dividida em duas subamostras, América Latina e Resto do Mundo. Assim, pelos dados apresentados na coluna Região é possível constatar que 43% (0,430) das IMFs pertencem à América Latina. O que implica que 57% pertencem ao grupo Resto do Mundo. Essa informação é fundamental para estratégia de investigação adotada nesta pesquisa, pois demonstra que as subamostras selecionadas possuem proporções parecidas em relação à amostra geral.
A Tabela 1 também indica que as variáveis PMC, PMG, PMAG, Ln (TI), PCP, Ln (TME) apresentaram aumento em seus valores durante o período analisado. Entretanto, é preciso destacar que esse crescimento apresenta duas características que precisam ser consideradas: pequena magnitude e não ser contínuo durante todo tempo. Nesse caso, é interessante observar que a tendência dessas variáveis caminha em sentido oposto à trajetória da variável dependente do modelo, PMGF. Já no caso da variável PCS é possível verificar que sua evolução ocorre no mesmo sentido da variável PMGF, ou seja, diminui em praticamente todo o período, apresentando apenas um aumento no último ano.
Além disso, foi possível determinar a partir da Tabela 1 que a amostra que engloba as IMFs do Mundo possui uma proporção de 39,8% (0,398) de IMFs que se organizaram como instituição com fins lucrativos. O que, por consequência, indica que a maioria das dessas organizações, 60,2% (0,602), não possui finalidade lucrativa. A pertinência dessa informação está relacionada ao fato da literatura sobre tema atribuir às organizações sem fins lucrativos um compromisso maior com objetivos sociais (ABDULLAH; QUAYES, 2016; COSTA, 2017).
O próximo passo necessário ao avanço desta investigação é o exame dos dados referentes às subamostras. Desse modo, as Tabelas 2 e 3 que apresentam, respectivamente, as médias para América Latina e Resto do Mundo. Nessa altura, essa abordagem mostra-se fundamental na medida em que propicia a comparação entre os indicadores calculados.
Permitindo, desse modo, a identificação de semelhanças e diferenças, em termos de valores e evolução.
Tabela 2 - Médias das variáveis para a América Latina
PMGF PMC PMG PMAC MG Ln (TI) PCP PCS Ln(TME) 2014 0,533 0,364 0,442 0,490 0,275 17,507 0,226 0,005 7,638 2015 0,534 0,363 0,447 0,499 0,275 17,516 0,232 0,004 7,616 2016 0,531 0,370 0,438 0,495 0,275 17,597 0,241 0,027 7,685 2017 0,525 0,359 0,403 0,484 0,275 17,708 0,249 0,027 7,798 2018 0,500 0,381 0,438 0,498 0,275 17,750 0,251 0,025 7,825 Fonte: O autor, 2021.
Inicialmente, é possível destacar que as variáveis PMC, PMG, PMAG, Ln (TI), e Ln (TME) exibem crescimento no período, ainda que, em alguns casos, esse aumento ocorra de forma marginal e inconstante, em ambas subamostras. Indicado, dessa forma, que se trata de uma tendência que não está restrita a determinadas regiões. Como pode ser verificado na Tabela 1 que contempla as IMFs do Mundo.
Tabela 3 - Médias das variáveis para o Resto do Mundo
PMGF PMC PMG PMAC MG Ln (TI) PCP PCS Ln(TME) 2014 0,656 0,254 0,261 0,340 0,491 16,687 0,250 0,370 6,383 2015 0,646 0,253 0,285 0,312 0,491 16,812 0,244 0,356 6,375 2016 0,640 0,254 0,275 0,338 0,491 16,760 0,242 0,331 6,282 2017 0,645 0,247 0,298 0,331 0,491 16,910 0,255 0,271 6,406 2018 0,644 0,266 0,316 0,392 0,491 17,012 0,248 0,315 6,455 Fonte: O autor, 2021.
Contudo, algumas diferenças começam a ficar evidentes quando a atenção é direcionada para as variáveis PCP e PCS. Neste caso, é possível constatar que as variáveis mencionadas apresentam comportamentos contrastantes nas duas subamostras. Pois, enquanto a variável PCS diminuiu de uma proporção de 37% para 31,5% na subamostra do Resto do Mundo, no caso da América Latina sua proporção aumenta de 0,5% para 2,5%. Acrescenta- se, ainda, o fato dessa participação ser muito discrepante quando se comparam as duas regiões. O que permite inferir que na América Latina a metodologia de empréstimos em grupo, ou de aval solidário como também é conhecida essa modalidade, é quase insignificante.
No caso da variável PCP também foi possível encontrar algumas diferenças entre as subamostras. Pois, enquanto que para o Resto do Mundo essa variável se manteve praticamente estável, em torno de 25%. A média para América Latina aumentou de 22,6%
para 25,1 %. Essa diferença apesar de, a princípio, parecer muito pequena, pode mostrar-se significativa para explicar as diferenças na evolução da variável dependente do modelo PMGF quando se compara as duas subamostras.
E ainda, entre as diferenças relevantes para a análise está a proporção de IMFs com fins lucrativos em relação ao total de instituições. Para a América Latina essa proporção era de 27,5% para o período investigado. Enquanto que para o Resto do Mundo essa proporção foi de 49,1%, que de fato é uma diferença significativa entre as duas subamostras.
Figura 2 - Evolução da variável PMGF
Fonte: O autor, 2021.
Por fim, conforme é possível observar na Figura 2, as médias e a evolução da variável PMGF nas duas subamostras apresentam comportamentos diferentes. Pois, a subamostra Resto do Mundo apresenta valores superiores à média da amostra Mundo e tendência de manutenção dos mesmos. Enquanto que subamostrada América Latina apresenta valores inferiores à média da amostra Mundo em todos os anos e, além disso, exibe uma clara tendência de queda. Acentuada no último ano da amostra, 2018.
0,603 0,598 0,593 0,594
0,582
0,533 0,534 0,531 0,525
0,500 0,656
0,646 0,640 0,645 0,644
0,500 0,520 0,540 0,560 0,580 0,600 0,620 0,640 0,660 0,680
2014 2015 2016 2017 2018
Evolução da PMGF - 2014 até 2018
PMGF Mundo PMGF A.L. PMGF R.M.
A diferença evidenciada nas médias da PMGF das subamostras examinadas e entre essas e o valor da mesma variável apresentada na amostra Mundo, indicam que diferentes tendências estão ocorrendo. Essa constatação pode indicar que essa variável pode sofrer a influência de diferentes fatores em cada região, ou ainda, que os mesmo fatores apresentam efeitos diferentes de acordo com a região em que a instituição se localiza.
Essa dinâmica de evolução reforça a importância de se avaliar os fatores que estão associados a maior proporção de mulheres na carteira de crédito das IMFs. Não apenas em nível mundial, mas também de forma regional. Uma vez que as variáveis podem está sendo influenciadas por fatores diferentes, dependendo da região em que se localizam, ou ainda, as mesmas variáveis podem influenciar de maneira diferente a PMGF.
Após averiguar o comportamento médio das principais variáveis de interesse nesse estudo, o próximo passo é verificar a possibilidade de existir um alto nível de associação entre as variáveis explicativas que serão utilizadas na composição do modelo. Sendo fundamental, para esse fim, a utilização de instrumentos que permitam verificar essa expectativa. A importância desta conduta está relacionada aos possíveis efeitos que cada variável explicativa do modelo pode estar exercendo sobre as outras. O que, por sua vez, como discorre Gujarati (2006), pode implicar em problemas de multicolinearidade quando se emprega modelos multivariados.
Com a finalidade de identificar as possíveis relações entre as variáveis que compõem o modelo utiliza-se como ferramenta de análise a matriz de correlação. Este instrumento adequa-se a esse objetivo na medida em que permite verificar os coeficientes de correlação entre todas as variáveis explicativas utilizadas no modelo, bem como entres essas e a variável explicada. A Tabela 4 apresenta o resultado da matriz de correlação para amostra Mundo.
Ao examinar a Matriz de Correlação apresentada na Tabela 4 é possível verificar que a maioria das variáveis apresentou coeficiente de correlação classificado como desprezível, conforme a classificação de correlações apresentadas por Hinkle, Wiersma e Jurs (2002). As correlações mais significativas apresentadas na matriz podem ser classificadas como moderadas.
Entretanto, como a proposta do presente trabalho também engloba uma investigação que decompõe a amostra inicial em duas subamostras para realização de uma análise comparativa entre algumas regiões do mundo. Torna-se, portanto, conveniente analisar se existem correlações entres os dados também nas subamostras. Sendo assim, os valores dos coeficientes de correlação são apresentados na Tabela 5, para os dados correspondentes a América Latina, e na Tabela 6 para o Resto do Mundo.
Tabela 4 - Matriz de correlação das variáveis na amostra Mundo
PMGF PMC PMG PMAG MG Ln (TI) PCP PCS Ln(TME) Região
PMGF 1,000
PMC 0,148 1,000
PMG 0,002 0,214 1,000
PMAC 0,050 0,205 0,536 1,000
MG -0,148 -0,347 -0,270 -0,258 1,000
Ln (TI) -0,108 -0,039 -0,239 -0,256 0,311 1,000
PCP 0,049 0,156 0,171 0,196 -0,101 -0,252 1,000
PCS 0,590 0,109 -0,139 -0,057 -0,051 -0,213 0,011 1,000 Ln(TME) -0,595 -0,063 0,062 -0,024 0,133 0,513 -0,223 -0,560 1,000 Região -0,256 0,260 0,294 0,314 -0,218 0,220 -0,024 -0,444 0,493 1,000
Correlação Muito Forte (Corr > 0,9 ou Corr <-0,9)
Correlação Forte (0,9 ≥ Corr > 0,7 ou -0,9 ≤ Corr < -0,7) Correlação Moderada (0,7 ≥ Corr > 0,5 ou -0,7 ≤ Corr < -0,5)
Correlação Fraca (0,5 ≥ Corr > 0,3 ou -0,5 ≤ Corr < -0,3)
Correlação Desprezível (-0,3 ≤ Corr ≤ 0,3)
Fonte: O autor, 2021.
Os resultados expostos pelas matrizes de correlação retratadas nas Tabelas 5 e 6 indicam que as variáveis das subamostras utilizadas também não possuem um coeficiente de correlação significativo entre as variáveis explicativas, conforme os critérios dados por Hinkle, Wiersma e Jurs (2002). Desse modo, não foram identificados valores que possam comprometer sua utilização para estimar os parâmetros do modelo. Pois, como ocorreu no caso da matriz correlação da amostra do Mundo, a maioria dos coeficientes de correlação pôde ser classificada como desprezíveis ou fracos. Sendo que o maior nível de correlação verificado em ambas as matrizes é classificado apenas como moderado.
No entanto, apesar dos coeficientes demonstrarem não haver forte correlação entre as variáveis examinadas nas duas subamostras, é possível perceber que os indicadores apresentam algumas diferenças quando se comparam as duas regiões. Essa diferença é notada não apenas nos coeficientes relativos às variáveis independentes utilizadas no modelo, mas também entre estas e a variável dependente.
Dessa forma, apenas para ilustrar a situação descrita no parágrafo anterior, é possível destacar a diferença existente nos coeficientes de correlação que avalia associação entre a variável explicada PMGF e a variável explicativa PCS, quando se compara as duas subamostras. Visto
que, para a subamostra da América Latina o coeficiente em questão apresentou o valor de 0,169, enquanto que, no caso da subamostra do Resto do mundo, foi identificado um valor significativamente superior de 0,615. É importante ressaltar que esta situação se repete quando se comparam, entre as subamostras, outros coeficientes de correlação. Esse padrão representa um indicativo de que a interação entre essas variáveis ocorre de formas diferentes dependendo da localização da IMF.
Tabela 5 - Matriz de correlação das variáveis na amostra América Latina
PMGF PMC PMG PMAG MG Ln (TI) PCP PCS Ln(TME)
PMGF 1,000
PMC 0,056 1,000
PMG 0,142 0,243 1,000
PMAC 0,274 0,134 0,365 1,000
MG -0,057 -0,155 -0,320 -0,207 1,000
Ln (TI) -0,205 -0,147 -0,414 -0,166 0,649 1,000 PCP 0,414 0,272 0,429 0,270 -0,197 -0,421 1,000 PCS 0,169 -0,184 -0,028 -0,007 0,194 0,058 0,038 1,000 Ln(TME) -0,681 -0,059 -0,157 -0,105 0,044 0,302 -0,602 -0,294 1,000
Correlação Muito Forte (Corr > 0,9 ou Corr <-0,9) Correlação Forte (0,9 ≥ Corr > 0,7 ou -0,9 ≤ Corr < -0,7) Correlação Moderada (0,7 ≥ Corr > 0,5 ou -0,7 ≤ Corr < -0,5) Correlação Fraca (0,5 ≥ Corr > 0,3 ou -0,5 ≤ Corr < -0,3) Correlação Desprezível (-0,3 ≤ Corr ≤ 0,3)
Fonte: O autor, 2021.
Os resultados encontrados permitem especular que os valores da PMGF nas IMFs podem estar associadas a fatores distintos, dependendo da região de localização da instituição.
Esse cenário traz importantes repercussões para esta investigação, pois, caso essa conjectura seja confirmada, os resultados obtidos necessitarão de análises complementares para que se esclareçam as possíveis diferenças. Devendo, portanto, ser considerados, também, os dados relativos a regiões específicas, com base no interesse geográfico. De modo a verificar se o modelo exibe estimativas diferentes quando os dados utilizados são restritos a uma determina região.
De maneira resumida, esta análise exploratória de dados proporcionou um panorama inicial dos dados utilizados nesta pesquisa. Desse modo, os indicadores empregados apontaram as tendências de evolução das variáveis e, também, possibilitaram identificar as
relações existentes entre as mesmas. Além de identificar a existência de diferenças nos mesmos indicadores quando as subamostras são comparadas.
Tabela 6 - Matriz de correlação das variáveis na amostra Resto do Mundo
PMGF PMC PMG PMAG MG Ln (TI) PCP PCS Ln(TME)
PMGF 1,000
PMC 0,318 1,000
PMG 0,063 0,082 1,000
PMAC 0,096 0,136 0,561 1,000
MG -0,284 -0,414 -0,159 -0,203 1,000
Ln (TI) -0,001 -0,074 -0,276 -0,446 0,226 1,000 PCP -0,099 0,099 0,037 0,184 -0,056 -0,161 1,000 PCS 0,615 0,400 -0,008 0,125 -0,259 -0,178 -0,007 1,000 Ln(TME) -0,521 -0,331 -0,069 -0,272 0,410 0,561 -0,056 -0,495 1,000
Correlação Muito Forte ( Corr > 0,9 ou Corr <-0,9) Correlação Forte (0,9 ≥ Corr > 0,7 ou -0,9 ≤ Corr < -0,7) Correlação Moderada (0,7 ≥ Corr > 0,5 ou -0,7 ≤ Corr < -0,5) Correlação Fraca (0,5 ≥ Corr > 0,3 ou -0,5 ≤ Corr < -0,3) Correlação Desprezível (-0,3 ≤ Corr ≤ 0,3)
Forte: O autor, 2021.