Efeitos do crédito rural sobre a cultura do milho na região do MATOPIBA do nordeste brasileiro

Resumo

Resumo  Este artigo analisa os efeitos do crédito rural sobre a produção e a produtividade do milho na região do MATOPIBA, que abrange áreas do Maranhão, Tocantins, Piauí e Bahia. Utiliza-se um painel de dados de 238 municípios, no período de 2014 a 2023, com informações do IBGE e do Banco Central. A estratégia empírica baseia-se no modelo Vetor Autorregressivo em Painel (PVAR), considerando as seguintes variáveis: valor da produção, área plantada, quantidade produzida, produtividade e volume de crédito rural. Os resultados indicam que choques no crédito rural exercem efeitos positivos sobre a produção e a produtividade do milho, sobretudo no médio e no longo prazo. Ademais, a decomposição da variância evidencia que o crédito rural passa a explicar uma parcela crescente da variabilidade dos erros de previsão ao longo do tempo, reforçando seu papel estratégico como instrumento de fomento à agricultura e de sustentação econômica da produção de milho no MATOPIBA.

Palavras-chave:
crédito rural; produção de milho; MATOPIBA

Abstract

Abstract  This article analyses the effects of rural credit on maize production and productivity in the MATOPIBA region, which covers areas of Maranhão, Tocantins, Piauí, and Bahia. It uses a data panel from 238 municipalities, covering the period from 2014 to 2023, with information from IBGE and the Central Bank. The empirical strategy is based on the Panel Vector Autoregression (PVAR) model, considering the variables of production value, planted area, quantity produced, productivity, and volume of rural credit. The results indicate that shocks in rural credit have positive effects on corn production and productivity, especially in the medium and long term. Furthermore, the variance decomposition shows that rural credit explains an increasing share of the variability of forecast errors over time, reinforcing its strategic role as an instrument for promoting agriculture and providing economic support for corn production in MATOPIBA.

Keywords:
rural credit; corn production; MATOPIBA

1 Introdução

A agropecuária brasileira ocupa posição central no desenvolvimento econômico do país, tanto pelo abastecimento interno quanto pela inserção nos mercados internacionais, sustentada por sua elevada capacidade de produção de grãos, fibras e proteínas. Esse protagonismo, contudo, convive com desafios estruturais e conjunturais relacionados à instabilidade climática, à volatilidade de preços e às desigualdades regionais, que afetam a eficiência e a equidade do sistema produtivo (Santos, 2018; Buainain et al., 2014). Nesse cenário, o acesso desigual à tecnologia e ao financiamento limita a modernização e a competitividade de pequenos e médios produtores, especialmente nas áreas da nova fronteira agrícola, como o MATOPIBA, onde a heterogeneidade produtiva e a crescente pressão dos mercados internacionais dificultam a consolidação de um modelo de desenvolvimento mais inclusivo (Araújo et al., 2020; Alves et al., 1997, 2024).

Diante dos múltiplos desafios que caracterizam o setor agropecuário brasileiro, o crédito rural assume papel central enquanto instrumento de política pública. Ao viabilizar o acesso a recursos financeiros, sobretudo para pequenos e médios produtores, o crédito contribui para a mitigação de restrições econômicas e para a adoção de tecnologias capazes de elevar a produtividade e fortalecer a capacidade de investimento no meio rural (Ramos & Martha Júnior, 2010; Rocha & Ozaki, 2020). Evidências empíricas recentes corroboram essa função, apontando efeitos positivos do crédito sobre variáveis como produção e área cultivada, bem como sobre o dinamismo econômico regional, com destaque para os impactos observados na região do MATOPIBA (Costa & Vieira Filho, 2018; Sousa et al., 2021).

Desde sua institucionalização, em 1965, com o Sistema Nacional de Crédito Rural (SNCR), o crédito agrícola tornou-se instrumento central da política agrícola brasileira, abrangendo desde o custeio até a modernização produtiva (Buainain et al., 2014). Iniciativas como o Programa Nacional de Fortalecimento da Agricultura Familiar (Pronaf) e o Programa Nacional de Apoio ao Médio Produtor Rural (Pronamp) ampliaram o atendimento a diferentes perfis de produtores, mas persistem desigualdades no acesso e nos impactos, sobretudo em regiões periféricas e na nova fronteira agrícola, indicando a necessidade de análises mais aprofundadas sobre sua eficácia distributiva (Araújo et al., 2020).

Nesse contexto, o milho destaca-se como uma das culturas mais beneficiadas pelo crédito rural, dada sua relevância econômica e alimentar. O Brasil ultrapassou 130 milhões de toneladas na safra 2022/23, consolidando-se como um dos principais produtores globais (Brasil, 2023b). Esse desempenho reflete a expansão da fronteira agrícola, o avanço tecnológico e o papel do crédito na viabilização de investimentos (Castillo et al., 2021; Costa & Vieira Filho, 2018). O MATOPIBA, por sua vez, firmou-se como região estratégica, com produção de cerca de 9,5 milhões de toneladas e produtividade média de 3,3 t/ha em 2023 (Empresa Brasileira de Pesquisa Agropecuária, 2021; Instituto Brasileiro de Geografia e Estatística, 2024b).

Diante desse contexto, torna-se relevante analisar os efeitos do crédito rural sobre a produção e a produtividade do milho no MATOPIBA, tanto sob a perspectiva acadêmica quanto para o aperfeiçoamento das políticas públicas. A compreensão da magnitude e do sentido desses impactos é essencial para orientar a alocação de recursos e avaliar se o crédito influencia o volume produzido e a eficiência técnica da cultura na região. Com esse objetivo, o estudo investiga em que medida o crédito rural afetou a produção e a produtividade do milho nos municípios do MATOPIBA entre 2014 e 2023, por meio do modelo Vetor Autorregressivo em Painel (PVAR). A análise baseia-se em dados da Matriz de Crédito Rural do Banco Central do Brasil (MDCR) e da Produção Agrícola Municipal do IBGE, abrangendo 238 municípios, o que possibilita examinar os efeitos de curto prazo, bem como as relações de causalidade e persistência temporal entre as variáveis consideradas (Instituto Brasileiro de Geografia e Estatística, 2024a).

Cumpre destacar que este trabalho contribui para a literatura ao aprofundar a compreensão do crédito rural como elemento estruturante da dinâmica produtiva agrícola, ao tratá-lo de forma endógena e integrada à produção e à produtividade do milho em um arcabouço dinâmico. A utilização do modelo PVAR possibilita superar abordagens estáticas predominantes na economia agrícola aplicada, permitindo captar mecanismos de retroalimentação, efeitos defasados e respostas a choques de política de crédito em nível municipal.

Adicionalmente, ao concentrar-se em regiões de fronteira agrícola, o estudo oferece evidências empíricas sensíveis às especificidades territoriais, contribuindo para o debate acerca da eficácia e da heterogeneidade dos impactos das políticas de financiamento rural. Desse modo, amplia o escopo analítico da literatura ao articular rigor metodológico, dinâmica temporal e dimensão regional na avaliação dos efeitos do crédito rural sobre o desempenho produtivo agrícola.

Por fim, o artigo encontra-se estruturado da seguinte forma: a próxima seção apresenta uma breve discussão da literatura relacionada ao problema de pesquisa; em seguida, são descritos os dados e os procedimentos metodológicos adotados. Na seção subsequente, expõem-se as estatísticas descritivas, as estimações do modelo PVAR e a análise dos resultados obtidos. Por último, são apresentadas as considerações finais.

2 Fundamentação Teórica

2.1 A política de crédito rural no Brasil

A agricultura brasileira apresenta elevada heterogeneidade produtiva e profundas desigualdades regionais, além de enfrentar desafios relacionados à instabilidade climática, à volatilidade de preços e às limitações de infraestrutura. Nesse contexto, o crédito rural destaca-se como instrumento central da política pública, ao viabilizar a produção, estimular a modernização tecnológica e reduzir riscos da atividade agropecuária (Amaral & Bacha, 2025; Costa & Vieira Filho, 2018). Instituído em 1965 com a criação do Sistema Nacional de Crédito Rural (SNCR), esse mecanismo consolidou-se como um dos pilares da política agrícola nacional, desempenhando papel fundamental na transformação produtiva do setor.

O crédito rural é regulamentado pelo Manual de Crédito Rural (MCR), elaborado e periodicamente atualizado pelo Banco Central do Brasil (BCB), que estabelece critérios, modalidades, beneficiários e fontes de recursos (Banco Central do Brasil, 2018, 2024a). Ao longo do tempo, esse instrumento tem sido fundamental para a modernização da agricultura brasileira, incentivando a adoção tecnológica, a expansão da escala produtiva e o aprimoramento da gestão agrícola (Santos & Braga, 2013). A política estrutura-se nas modalidades de custeio, investimento, comercialização e industrialização, com recursos provenientes de diversas fontes, como depósitos obrigatórios, poupança rural, Letras de Crédito do Agronegócio, fundos constitucionais, repasses do BNDES e instrumentos privados, como a CPR e do Fiagro (Rocha & Ozaki, 2020; Banco Central do Brasil, 2024b).

Para a safra 2024/2025, o governo federal destinou R$ 400,59 bilhões a médios e grandes produtores e R$ 108 bilhões em operações via CPR com lastro em LCA, totalizando R$ 508,59 bilhões. À agricultura familiar foram destinados R$ 76 bilhões, representando crescimento de 6% em relação ao ciclo anterior (Brasil, 2024b). Apesar da ampliação do volume de recursos, observa-se a persistência da concentração do crédito nos grandes estabelecimentos e nas regiões com maior presença bancária, o que contribui para a reprodução de desigualdades estruturais no meio rural brasileiro (Araújo et al., 2020).

Nesse contexto, o Pronaf exerce papel central na promoção da inclusão produtiva dos pequenos produtores, ao oferecer linhas de financiamento com taxas de juros subsidiadas e incentivos à adoção de práticas produtivas sustentáveis. Evidências empíricas indicam que o programa contribui de forma significativa para a elevação da renda e da produção da agricultura familiar, especialmente nas regiões Norte e Nordeste (Araújo et al., 2020). Todavia, a efetividade do Programa ainda é limitada por entraves estruturais, como a elevada burocracia, a insuficiência de assistência técnica e a baixa capilaridade institucional em áreas periféricas, fatores que restringem o acesso ao crédito (Paiva et al., 2023).

A desigualdade no acesso ao financiamento rural permanece, assim, como um desafio persistente. Machado et al. (2021) demonstram que o acesso ao crédito está positivamente associado à escolaridade do produtor, ao uso de tecnologias e à localização em regiões com melhor infraestrutura. De forma convergente, Paiva et al. (2023), ao utilizarem o Índice de Capitalização do Crédito Rural (Irca), evidenciam que os recursos do Pronaf tendem a se concentrar nas regiões Sul e Sudeste, em detrimento do Norte e Nordeste. Essa evidência reforça a necessidade de políticas públicas mais articuladas, que integrem crédito rural, assistência técnica e estratégias de comercialização, sobretudo em regiões de fronteira agrícola, como o MATOPIBA, onde o potencial produtivo ainda carece de suporte institucional consistente.

A literatura recente também destaca que as transformações da agricultura brasileira ocorrem de forma espacialmente desigual, com o crédito exercendo papel central nessa dinâmica. Estudos de Cruz et al. (2025a, 2025b) indicam que a expansão da fronteira agrícola e a intensificação produtiva refletem diferenças regionais na especialização das lavouras, na capacidade de absorção tecnológica e no acesso ao financiamento. Observa-se, em particular, uma associação espacial entre crédito, área cultivada, valor bruto da produção e emprego, mais intensa nas lavouras temporárias, bem como respostas regionais assimétricas a choques de investimento.

Esses resultados evidenciam que as políticas de crédito agrícola produzem efeitos diferenciados conforme o contexto territorial, podendo tanto mitigar quanto aprofundar desigualdades regionais. Essa constatação reforça a importância de abordagens analíticas integradas, de natureza espacial e estrutural, para a compreensão do papel do crédito na agricultura brasileira.

Apesar de seu potencial, o modelo vigente de financiamento rural enfrenta limitações relevantes, associadas a restrições fiscais, à concentração regional dos recursos e às dificuldades de acesso enfrentadas por pequenos produtores (Lopes et al., 2016; Gimenes et al., 2023). Nesse contexto, instrumentos complementares, como o crédito privado, mecanismos de mitigação de riscos e modalidades inovadoras de financiamento, emergem como alternativas capazes de ampliar e diversificar o sistema de crédito rural.

Assim, o fortalecimento das políticas de crédito rural requer uma abordagem integrada, sensível às especificidades regionais e orientada à articulação entre financiamento, assistência técnica e infraestrutura produtiva. Essa perspectiva é fundamental para promover uma agricultura mais eficiente, equitativa e ambientalmente sustentável, especialmente em áreas vulneráveis, como o semiárido nordestino e as fronteiras agrícolas em expansão do MATOPIBA.

2.2 Panorama internacional e expansão da produção de milho no Brasil

O milho ocupa posição estratégica no agronegócio global em virtude de sua ampla escala produtiva e da diversidade de seus usos. De acordo com Erenstein et al. (2022), a cultura abrange cerca de 197 milhões de hectares no mundo, com produção superior a 1,137 bilhão de toneladas, superando o trigo e o arroz, o que evidencia sua centralidade para a segurança alimentar, energética e industrial. Projeções do United States Department of Agriculture (2025) indicam que a safra global de 2025/2026 deverá alcançar 1,265 bilhão de toneladas, representando crescimento de 3,6%, com destaque para o Leste Asiático como principal polo de demanda internacional.

Nesse cenário, o Brasil ampliou de forma expressiva sua inserção no mercado internacional de grãos. Segundo o relatório do Insper Agro Global (Cardoso et al., 2024), o país assumiu, desde 2023, a liderança mundial nas exportações de commodities agropecuárias e agroindustriais, impulsionado por ganhos de produtividade, expansão de mercados externos e fortalecimento da produção interna. A consolidação da segunda safra de milho, conhecida como safrinha, tem sido decisiva para elevar a competitividade do agronegócio brasileiro.

No contexto nacional, o milho mantém-se como cultura de expressiva relevância econômica. Em 2023, o Brasil ocupou a terceira posição no ranking mundial de produção, com colheita superior a 130 milhões de toneladas (Dompieri et al., 2024). Em 2025, até o mês de maio, a produção parcial já alcançava aproximadamente 130,8 milhões de toneladas, mesmo sem a contabilização de uma eventual terceira safra (Instituto Brasileiro de Geografia e Estatística, 2025). Dados mais recentes corroboram essa trajetória de crescimento, uma vez que a produtividade média nacional atingiu 4.108 kg/ha, representando aumento de 10,4% em relação à safra anterior (Brasil, 2025). Ademais, projeções do Insper indicam que o Brasil deverá consolidar-se, até 2034, como o maior exportador mundial de milho, com vendas estimadas em 77,5 milhões de toneladas, superando os Estados Unidos (Cardoso et al., 2024), o que reforça o papel estratégico do grão na inserção internacional do agronegócio brasileiro.

2.3 A importância regional e os vetores estruturantes da produção de milho no MATOPIBA

O MATOPIBA consolidou-se como fronteira agrícola dinâmica, com forte expansão na produção de grãos, especialmente milho e soja. A produção regional mais que dobrou entre 2013 e 2023 e segue em crescimento, com projeções elevadas para a próxima década (Brasil, 2023a). Nesse contexto, o crédito rural é fator central ao impulsionar tecnologia e expansão produtiva, com impactos positivos sobre a produção agrícola regional (Brasil, 2025; Silva Filho et al., 2023).

No Brasil, o milho destina-se majoritariamente à alimentação animal, responsável por cerca de 85% do consumo interno há aproximadamente duas décadas (Brasil, 2024a), ao mesmo tempo em que se observa a expansão de seu uso na produção de etanol, especialmente no Centro-Oeste, contribuindo para a diversificação da matriz energética nacional (Neves, 2021). O grão também apresenta elevada relevância no comércio exterior, com receitas superiores a US$ 10 bilhões em 2022 (United States Department of Agriculture, 2023). Apesar da retração de 18,9% no Valor Bruto da Produção em 2024, que atingiu R$ 122,92 bilhões em função da queda de preços e do volume produzido (Brasil, 2024d), o milho permanece como um dos pilares centrais da agropecuária brasileira.

As projeções de longo prazo do Ministério da Agricultura e Pecuária reforçam essa relevância ao indicar o milho como o produto agropecuário com maior crescimento percentual esperado nas exportações até 2033/2034, com variação acumulada de 61,9% no volume exportado (Brasil, 2024c). À luz desses indicadores, evidencia-se que a expansão da produção de milho, especialmente em regiões de fronteira agrícola como o MATOPIBA, decorre não apenas do aumento da área cultivada ou do dinamismo dos mercados, mas da atuação conjunta de fatores institucionais, tecnológicos e financeiros. Nesse contexto, o crédito rural assume papel estruturante, ao viabilizar a modernização produtiva e impulsionar a consolidação dessas regiões no cenário agropecuário nacional.

2.4 Crédito rural destinado à cultura de milho no MATOPIBA

A consolidação do MATOPIBA como nova fronteira agrícola está associada a um arranjo institucional que articula interesses públicos e privados voltados à expansão do agronegócio. Conforme destacam Favareto et al. (2019), esse processo fundamenta-se na adoção intensiva de inovações tecnológicas, no fortalecimento das instituições de pesquisa e extensão rural, com destaque para a Embrapa, e na ampliação do acesso ao financiamento por meio do SNCR, criando condições favoráveis ao avanço da produção de grãos, especialmente soja e milho.

Nesse contexto, a produção de soja e milho assume centralidade econômica na região. Segundo Santos et al. (2024), essas culturas lideraram o Valor Bruto da Produção agropecuária (VBP) no MATOPIBA em 2006 e 2017, respondendo, neste último ano, por mais de 74% do VBP regional. Evidências empíricas indicam que o crédito rural tem sido decisivo nesse processo, elevando o Produto Interno Bruto (PIB) agropecuário e a rentabilidade em municípios do Oeste da Bahia, Sul do Maranhão e Sudoeste do Piauí (Souza et al., 2022), corroborando a interpretação de Gomes et al. (2020) sobre o papel do financiamento nas mudanças produtivas e no uso da terra.

No âmbito das políticas públicas, o Plano Safra 2025/2026 ampliou significativamente os recursos destinados ao crédito rural empresarial, totalizando R$ 516,2 bilhões, com ênfase no custeio, na comercialização e nos investimentos (Brasil, 2024b). Dada a elevada demanda por insumos e infraestrutura, a cultura do milho tende a se beneficiar diretamente dessas linhas de financiamento, reforçando o crédito rural como instrumento estratégico de modernização produtiva e de desenvolvimento regional no MATOPIBA.

Apesar dessa relevância, a literatura ainda carece de análises empíricas específicas sobre os efeitos do crédito rural na produtividade do milho na região. Os estudos existentes concentram-se em impactos mais amplos ou em culturas específicas, como a soja (Araújo et al., 2020; Aquino et al., 2023), deixando em aberto a relação entre financiamento e eficiência produtiva do milho. Este estudo busca suprir essa lacuna ao oferecer evidências inéditas com base em modelagem econométrica aplicada a dados municipais do MATOPIBA.

2.5 Fundamentos Teóricos: Racionamento de Crédito e Assimetria de Informação

Os fenômenos observados, concentração do crédito rural, exclusão de pequenos produtores e assimetrias no financiamento, encontram respaldo na teoria de mercados com informação imperfeita. Stiglitz & Weiss (1981) demonstram que a assimetria informacional gera racionamento de crédito como resultado de equilíbrio, mesmo em mercados competitivos, devido à atuação conjunta da seleção adversa e do risco moral. Nesse contexto, a taxa de juros possui um nível ótimo (r*), que maximiza o retorno esperado dos bancos, sendo que aumentos acima desse ponto reduzem a rentabilidade e levam à restrição da oferta de crédito.

O colateral, embora funcione como mecanismo de triagem, apresenta efeitos ambíguos, podendo também intensificar problemas de seleção ao favorecer tomadores com menor aversão ao risco (Stiglitz & Weiss, 1986). Arnold & Riley (2009) questionam a robustez desse resultado, mas Stiglitz & Weiss (1987) reafirmam a validade do racionamento como fenômeno persistente, inclusive em contextos mais complexos, destacando sua ineficiência do ponto de vista de Pareto.

No caso do MATOPIBA, essa abordagem permite compreender a exclusão de produtores eficientes, especialmente pequenos e médios, como resultado da insuficiência de garantias, caracterizando uma falha de mercado estrutural. Tal diagnóstico justifica políticas públicas como o Pronaf e o Plano Safra, voltadas à ampliação do acesso ao crédito. Com base nisso, o estudo parte da hipótese de que a expansão do crédito rural, ao reduzir esse racionamento, tende a gerar impactos positivos sobre a produção e a produtividade do milho, hipótese testada por meio de um modelo PVAR (Stiglitz & Weiss, 1981, 1986).

3 Metodologia

3.1 Método de análise

A análise empírica fundamenta-se na utilização do modelo Vetor Autorregressivo em Painel (Panel Vector Autoregression – PVAR), apropriado para investigar sistemas dinâmicos nos quais as variáveis apresentam relações simultâneas, interdependentes e persistentes ao longo do tempo. Essa abordagem permite tratar todas as variáveis do sistema como endógenas, capturando mecanismos de retroalimentação e efeitos defasados entre crédito rural, produção e produtividade do milho.

O PVAR constitui uma extensão natural dos modelos VAR tradicionais para o contexto de dados em painel, ao incorporar simultaneamente a dimensão temporal e a heterogeneidade entre unidades de corte transversal. Conforme discutido por Holtz-Eakin et al. (1988), Bondar (2010), Maia (2011) e Canova e Ciccarelli (2013), essa classe de modelos é particularmente adequada quando se busca analisar processos econômicos dinâmicos sujeitos a efeitos não observados específicos das unidades.

Formalmente, seguindo a especificação geral proposta por Abrigo & Love (2016), um modelo PVAR de ordem$p$ pode ser representado como exposto a seguir.

$Y_{it}=A_1{Y}_{it-1}+A_2{Y}_{it-2}+\cdots +A_p{Y}_{it-p}+B{X}_{it}+{\mu }_i+{\lambda }_t+{\epsilon }_{it}$

$Y_{it}$ representa o vetor de variáveis endógenas para o municipio $i$ no período $t$, $A_j$ são as matrizes de coeficientes autorregressivos, $X_{it}$ é o vetor de variáveis exógenas, ${\mu }_i$capta os efeitos fixos específicos dos municípios, ${\lambda }_t$ representa os efeitos comuns no tempo e ${\epsilon }_{it}$corresponde ao vetor de erros idiossincráticos.

No presente estudo, o vetor endógeno é definido como exposto a seguir.

$Y_{it}={[LC{R}_{it},LQ{P}_{it},LPRO{D}_{it}]}^{\text{'}}$

$LCR$ é o logaritmo do crédito rural, $LQP$ é o logaritmo da quantidade produzida de milho e $LPROD$ é o logaritmo da produtividade do milho.

A inclusão explícita dos efeitos fixos ${\mu }_i$permite controlar a heterogeneidade não observada entre municípios, como características edafoclimáticas, estrutura fundiária e infraestrutura produtiva, enquanto os efeitos-tempo ${\lambda }_t$ capturam choques comuns ao longo do período, como mudanças institucionais, políticas macroeconômicas e variações conjunturais no mercado agrícola.

A estimação direta do modelo por Mínimos Quadrados Ordinários (MQO) ou por modelos tradicionais de efeitos fixos é inadequada, dado que a presença de defasagens da variável dependente implica correlação entre os regressores e os termos de erro, gerando estimadores viesados e inconsistentes, conforme demonstrado por Nickell (1981). Esse problema é particularmente relevante em painéis com dimensão temporal relativamente curta, como no presente caso (2014–2023).

Para contornar esse viés dinâmico, os efeitos fixos são eliminados por meio de transformações nos dados, como a transformação de desvios ortogonais à frente (Forward Orthogonal Deviations – Helmert). O sistema passa a ser estimado pelo Método dos Momentos Generalizados (GMM), utilizando defasagens das próprias variáveis como instrumentos, conforme a estratégia originalmente proposta por Holtz-Eakin et al. (1988) e sistematizada por Abrigo & Love (2016).

Essa abordagem instrumental permite testar se os efeitos fixos são correlacionados com os regressores defasados e garante a consistência dos estimadores sob a hipótese de ausência de autocorrelação serial de ordem superior. A validade dos instrumentos é avaliada por meio do teste J de Hansen, evitando problemas de sobreidentificação e de proliferação instrumental.

Uma vez estimado o sistema, procede-se à análise dinâmica por meio de testes de causalidade de Granger, funções de resposta ao impulso (Impulse Response Functions – IRFs) e decomposição da variância do erro de previsão (Forecast Error Variance Decomposition – FEVD). A identificação estrutural das respostas é obtida por meio da decomposição de Cholesky da matriz de variância-covariância dos resíduos, conforme proposto por Sims (1980).

A ordenação adotada no vetor $Y_{it}$ segue a sequência: crédito rural, produção e produtividade. Essa escolha baseia-se em fundamentos teóricos e institucionais, uma vez que o crédito rural antecede as decisões produtivas e pode influenciar contemporaneamente tanto a produção quanto a produtividade, enquanto estas, em razão de sua natureza contratual e institucional, não afetam o volume de crédito no mesmo período.

Por fim, a definição de um horizonte de análise restrito a cinco períodos decorre de uma decisão metodológica e econométrica. Horizontes mais longos tendem a intensificar a proliferação de instrumentos e reduzir a confiabilidade dos testes de sobreidentificação no contexto do GMM. Ademais, do ponto de vista econômico, cinco períodos são suficientes para capturar os principais mecanismos dinâmicos de transmissão dos efeitos do crédito rural sobre a produção e a produtividade, cujos impactos se manifestam predominantemente no curto e médio prazo, assegurando maior robustez estatística e clareza interpretativa aos resultados.

3.2 Base de dados

Para analisar os efeitos do crédito rural sobre a produção e a produtividade do milho nos municípios do MATOPIBA entre 2014 e 2023, utilizaram-se dados da Matriz de Crédito Rural (MDCR), disponibilizada pelo Banco Central (Bacen), e da Produção Agrícola Municipal (PAM), do IBGE (Instituto Brasileiro de Geografia e Estatística, 2024b). O Quadro 1 apresenta a descrição das variáveis empregadas na modelagem econométrica.

Quadro 1
Variáveis utilizadas na modelagem econométrica

VARIÁVEIS	ABREVIAÇÕES	DESCRIÇÃO	FONTE
Valor bruto da produção	VBP	Valor Bruto da produção de milho por município (mil reais)	Produção agrícola municipal (PAM – IBGE)
Quantidade produzida	QP	Quantidade de milho produzida por município (toneladas)
Produtividade	PROD	Produtividade da terra por município
Área plantada	AP	Área Plantada de milho por município (hectares)
Crédito rural	CR	Valor do crédito rural por município (mil reais)	MDCR / BACEN

• Fonte: Elaborado pelos autores.

No âmbito da pesquisa, as variáveis foram mensuradas de forma padronizada: o valor bruto da produção de milho e o crédito rural foram expressos em milhares de reais, a quantidade produzida em toneladas, a produtividade da terra por município e a área plantada em hectares. Essa padronização assegura coerência analítica e comparabilidade entre os indicadores ao longo do período investigado.

A Figura 1 evidencia uma trajetória de queda nos valores médios anuais do crédito rural concedido aos municípios entre 2014 e 2023, indicando uma redução progressiva dos repasses, particularmente a partir de 2019. Esse comportamento sugere uma retração estrutural no volume de recursos financeiros, possivelmente associada a mudanças institucionais na política de financiamento, restrições fiscais ou à realocação de recursos dentro do setor agropecuário.

Figura 1
Valor médio do crédito rural por ano nos municípios do MATOPIBA

Observa-se, ainda, que os maiores valores médios ocorreram entre 2014 e 2016, todos superiores a R$ 44,8 milhões, enquanto o menor patamar foi registrado em 2023. Esse resultado reforça a interpretação de esgotamento do impulso observado até meados da década, consolidando a hipótese de redução sustentada do crédito rural médio nos anos subsequentes.

4 Resultados e Discussão

4.1 Estatísticas descritivas

Os resultados da Tabela 1, referentes a 238 municípios produtores de milho do MATOPIBA no período de 2014 a 2023, revelam elevada heterogeneidade no acesso ao crédito rural, com forte dispersão entre valores mínimos e máximos, indicando desigualdade no financiamento. A produtividade média mantém-se relativamente modesta, coexistindo municípios sem produção registrada e outros com níveis elevados de eficiência. A produção também apresenta ampla variação entre as unidades analisadas, refletida em alto desvio-padrão. Destaca-se que, em 2023, São Desidério apresentou a maior produtividade, enquanto Coribe registrou o menor desempenho produtivo.

Tabela 1
Estatísticas descritivas

Variáveis	Máximo	Mínimo	Média	Desvio-padrão	OBS
Quantidade de milho (ton)	690.984	-	24.672,25	73.731,45	238
Produtividade (ton/ha)	11,542	-	2.956,96	2.138,25	238
Crédito rural (r$)	1.846.961.633,65	1.400,00	44.707.864,94	131.213.754,59	238

• Fonte: Elaborada pelos autores.

Os resultados evidenciam a concentração dos maiores produtores de milho no Nordeste brasileiro, com destaque para os estados da Bahia, do Maranhão e do Piauí. O município de São Desidério/BA lidera a produção, seguido por Balsas/MA e Uruçuí/PI, refletindo a consolidação da fronteira agrícola no MATOPIBA, região marcada por forte dinamismo produtivo, associado a investimentos em tecnologia, mecanização e logística.

Adicionalmente, o elevado volume produzido nesses municípios indica a combinação entre grandes áreas cultivadas e níveis satisfatórios de eficiência agrícola, expressos pela produtividade média. Municípios como Baixa Grande do Ribeiro/PI e Correntina/BA reforçam essa configuração, evidenciando a relevância regional tanto para o abastecimento interno quanto para a exportação de milho, além de fornecer subsídios importantes para a formulação de políticas públicas e estratégias voltadas à sustentabilidade e à competitividade da cadeia produtiva.

4.2 Estimações do PVAR

Previamente à estimação do modelo PVAR, aplicou-se o teste de raiz unitária de Harris & Tzavalis (1999) com o objetivo de verificar a estacionariedade das séries temporais. Com base nos resultados obtidos por meio desse procedimento, apresentam-se a seguir as evidências correspondentes (Tabela 2).

Tabela 2
Teste de raiz unitária (HT)

Variáveis	Estatística	Z	P-Valor
Quantidade de milho	0,5431	-10,3086	0,0000
Valor do crédito rural	1,0933	20,4833	1,0000
Produtividade do milho	0,2924	-24,3382	0,0000

• Fonte: Elaboração dos autores.

Os resultados do teste indicam que as variáveis QP (quantidade produzida) e PROD (produtividade) são estacionárias em nível, uma vez que os p-valores iguais a 0,0000 permitem rejeitar com segurança a hipótese nula de raiz unitária. Esse comportamento revela estabilidade temporal, sem tendência estocástica persistente, tornando tais séries adequadas para aplicações econométricas que requerem estacionariedade, como modelos de painel estático ou VAR em nível. Ademais, essa propriedade sugere que choques incidentes sobre essas variáveis tendem a se dissipar ao longo do tempo, convergindo para seu valor médio.

Em sentido distinto, a variável CR (crédito rural) apresentou p-valor igual a 1,0000, evidenciando a presença de raiz unitária e, portanto, não estacionariedade. Tal resultado indica que seu comportamento temporal é influenciado por choques permanentes ou tendências, o que exige tratamento estatístico prévio para evitar problemas de inferência. Nesse contexto, a literatura recomenda a transformação da série antes de sua utilização em modelos que pressupõem estacionariedade.

Assim, para corrigir essa característica, podem ser adotadas alternativas como a aplicação da primeira diferença ou a transformação logarítmica da variável. Por critério de conveniência analítica, optou-se pela logaritmização das séries e pela reaplicação do teste, cujos resultados encontram-se apresentados na Tabela 3.

Tabela 3
Teste de raiz unitária HT com vaiáveis logaritmizadas

Variáveis	Estatística	Z	P-Valor
Ln da quantidade de milho	0,458	-15,0715	0,0000
Ln do valor do crédito rural	0,5948	-7,4480	0,0000
Ln da produtividade do milho	0,1621	-31,6316	0,0000

• Fonte: Elaborada pelos autores.

Conforme apresentado na Tabela 3, a aplicação do teste de raiz unitária de Harris & Tzavalis (1999) às variáveis em forma logarítmica resultou na rejeição consistente da hipótese nula, dado que todos os p-valores foram iguais a 0,0000. Esses resultados indicam que as séries do logaritmo da quantidade produzida de milho, do crédito rural e da produtividade são estacionárias em nível, evidência reforçada pela magnitude dos valores Z negativos. Essa propriedade sugere estabilidade temporal das séries e caráter transitório dos choques. Na sequência, procedeu-se à aplicação do teste de causalidade de Granger, com o objetivo de examinar a direção das relações causais entre as variáveis analisadas.

O teste de causalidade de Granger avalia se os valores passados de uma variável contribuem para a previsão de outra, sem pretender estabelecer causalidade em sentido estrito (Mills, 2015). Os resultados obtidos, caracterizados por elevados valores do teste Qui-quadrado e p-valores inferiores a 0,01, rejeitam a hipótese nula e indicam que o crédito rural exerce influência preditiva sobre a produtividade agropecuária. Essa interpretação é consistente com o critério de significância das defasagens proposto por Hamilton (2012) e sustentado por Stock & Watson (2007), ainda que, conforme alertam Wegman (1996) e Mills (2015), essa evidência deva ser compreendida como relação preditiva, e não como causalidade filosófica (Tabela 4).

Tabela 4
Resultados do teste de causalidade de Granger

EQUATION(Y) \ EXCLUDED(X)		chi2	Df.	Prob>chi2
Log produção total	Log crédito rural	46,888	1	0,0000
Log produtividade	Log crédito rural	24,889	1	0,0000
Log crédito rural	Log produção total	15,006	1	0,0000
Log crédito rural	Log produtividade	19,561	1	0,0000

• Fonte: Elaborada pelos autores.

A análise empírica confirma que o crédito rural apresenta causalidade de Granger sobre a quantidade produzida e a produtividade, evidenciando seu papel dinâmico como antecedente das variações produtivas. Esses achados dialogam com a literatura internacional, que aponta efeitos causais unidirecionais de instrumentos financeiros sobre o desempenho agrícola, tanto em economias desenvolvidas (Ahmed et al., 2022) quanto em países em desenvolvimento (Azeem et al., 2022). No contexto brasileiro, especialmente na região do MATOPIBA, os resultados reforçam a relevância do crédito rural como variável explicativa central, fornecendo base estatística consistente para sua utilização na formulação e avaliação de políticas públicas voltadas ao fortalecimento da agropecuária regional.

As evidências de causalidade obtidas são compatíveis com as proposições metodológicas de Nazlioglu & Karul (2024), que ressaltam a pertinência de testes que incorporam a heterogeneidade entre unidades de corte transversal em painéis compostos por múltiplos municípios. A significância estatística observada confere robustez aos resultados e sustenta a interpretação de que políticas de financiamento direcionadas tendem a produzir efeitos persistentes e relevantes sobre o desempenho agrícola, reforçando o papel do crédito rural como instrumento central para a elevação da produtividade e a expansão agropecuária regional (Tabela 5).

Tabela 5
Decomposição do erro de variância

Variável de impulso	Variável de resposta	Horizontes
		0	1	2	3		4	5
Produção total	Crédito rural	0,00	100,00	91,01	74,55	57,64		44,20
		0,00	0,00	8,99	25,45	42,36		55,80
Crédito rural	Produção total	0,00	6,74	10,95	14,00	16,02		17,31
		0,00	93,26	89,05	86,00	83,98		82,69
Produtividade	Crédito rural	0,00	100,00	93,83	83,03	71,31		60,98
		0,00	0,00	6,17	16,97	28,69		39,02
Crédito rural	Produtividade	0,00	9,42	20,07	26,51	30,22		32,38
		0,00	90,58	79,93	73,49	69,78		67,62

• Fonte: Elaborado pelos autores. Nota: os valores da coluna à esquerda estão expressos em milhões de reais.

A decomposição da variância do erro de previsão permite avaliar, em termos percentuais, a contribuição dos choques próprios e das demais variáveis do sistema para explicar a variabilidade futura de uma variável endógena em modelos VAR, constituindo instrumento central para a análise da interdependência dinâmica ao longo do tempo.

No caso da produtividade do milho, observa-se que, nos períodos iniciais, a maior parcela de sua variância é explicada por choques na própria variável; entretanto, à medida que o horizonte de previsão se amplia, o crédito rural assume papel progressivamente mais relevante no processo explicativo. Esse comportamento é consistente com a literatura sobre séries temporais, que destaca a decomposição da variância como medida da influência relativa dos choques estruturais em distintos horizontes de previsão (Shumway & Stoffer, 2017), bem como como ferramenta para identificar a importância dos impulsos de diferentes variáveis ao longo do tempo (Madsen, 2007).

Essa evidência encontra respaldo adicional nos resultados do teste de causalidade de Granger, anteriormente discutidos. Conforme argumentam Stock & Watson (2007), a causalidade de Granger se estabelece quando os valores passados de uma variável contribuem para a previsão de outra, mesmo após o controle de suas próprias defasagens. Assim, ao constatar que o crédito rural explica parcela crescente da variância da produtividade do milho ao longo do tempo, a decomposição da variância do erro de previsão reforça, de maneira coerente, as evidências empíricas obtidas a partir do teste de Granger.

Conforme destacado por Chris Brooks (2014), a análise de impulso-resposta e a decomposição da variância são complementares ao teste de causalidade de Granger, pois permitem compreender de forma mais aprofundada a dinâmica do sistema, ao quantificar a influência das variáveis ao longo do tempo, e não apenas identificar a existência de relações estatísticas. Nesse sentido, a decomposição do erro de variância (Forecast Error Variance Decomposition – FEVD) assume papel central nos modelos de Vetores Autorregressivos em Painel (PVAR) ao possibilitar a identificação da proporção da variância de uma variável endógena explicada por choques nas demais variáveis do sistema, contribuindo para a interpretação da direção e da intensidade dos efeitos dinâmicos, em especial daqueles associados ao crédito rural sobre a produtividade agrícola em diferentes horizontes temporais (Almeida, 2021, p. 57).

No âmbito das análises empíricas e da formulação de políticas públicas, a FEVD assume papel estratégico, sobretudo em contextos marcados por interdependências regionais e setoriais. Conforme destacam Gomes et al. (2023, p. 1033), trata-se de uma das etapas mais relevantes da aplicação do PVAR, ao mensurar o impacto relativo das variáveis explicativas na dinâmica das variáveis endógenas. Evidências adicionais ressaltam sua importância para captar os efeitos de choques em diferentes horizontes temporais, mesmo em modelos parcialmente identificados (Oliveira, 2024, p. 51; Fusari et al., 2024, p. 3). No contexto do MATOPIBA, a aplicação da FEVD evidencia o papel do crédito rural na produção de milho e nas interações com variáveis estruturais, como área plantada e produtividade, oferecendo subsídios técnicos para o aprimoramento das políticas de financiamento agrícola.

A função impulso-resposta apresentada na Figura 2 evidencia a trajetória da quantidade produzida (LQP) em resposta a um choque positivo no crédito rural (LCR), ao longo de cinco períodos. A linha representa o efeito médio estimado, enquanto a faixa cinza indica o intervalo de confiança, refletindo a incerteza da estimativa. Observa-se uma resposta crescente da produção ao longo do tempo, o que sugere que os impactos do crédito rural se ampliam para além do curto prazo.

Figura 2
Quantidade produzida de milho em relação a choques no crédito rural.

A persistência dos efeitos do choque de crédito sobre a produção observada nas funções impulso-resposta é consistente com a literatura de racionamento de crédito (Stiglitz & Weiss, 1981) ao sugerir que, uma vez mitigada a restrição de liquidez, os produtores realizam investimentos com efeitos que se prolongam por múltiplos ciclos produtivos. Esse padrão está alinhado com a hipótese de que o crédito rural atua como elemento estruturante da capacidade produtiva e não apenas como capital de giro sazonal, em linha com a discussão teórica apresentada na seção 2.5.

O efeito positivo e estatisticamente significativo confirma o papel do crédito como indutor do crescimento agrícola. A partir do segundo período, a consistência da resposta indica que o acesso ao financiamento favorece investimentos produtivos, como aquisição de insumos, adoção de tecnologia e expansão da área cultivada, resultando em aumento da produção.

Ademais, o caráter cumulativo e crescente desse impacto ao longo dos cinco períodos analisados ressalta a importância de políticas públicas contínuas e estáveis de financiamento agrícola, sobretudo em regiões de recente expansão da fronteira produtiva, como o MATOPIBA. Os resultados do modelo PVAR alinham-se à literatura ao evidenciar que choques positivos em variáveis financeiras geram efeitos multiplicadores e persistentes sobre variáveis reais, como a produção agrícola (Canova & Ciccarelli, 2013), oferecendo subsídios relevantes para o aperfeiçoamento das políticas de crédito rural voltadas ao desenvolvimento regional e à segurança alimentar.

A Figura 3 apresenta a função impulso-resposta entre o crédito rural (LCR) e a produtividade do milho (LPROD) ao longo de cinco períodos, na qual a curva média indica a reação esperada da produtividade a um choque positivo no crédito, enquanto o intervalo de confiança reflete a precisão da estimativa. Os resultados evidenciam efeitos positivos, significativos e persistentes do crédito rural sobre a produtividade ao longo do horizonte analisado, indicando que choques nessa variável produzem impactos duradouros, em consonância com a literatura que destaca o papel do crédito agrícola na elevação da eficiência produtiva, sobretudo em contextos de restrição ao financiamento (Canova & Ciccarelli, 2013).

Figura 3
Resposta da produtividade do milho a choques no crédito rural.

A robustez dos achados é corroborada pela significância estatística a partir do segundo período, com intervalos de confiança que não englobam o valor zero, sugerindo que o crédito viabiliza investimentos em tecnologia, insumos e práticas de manejo mais eficientes, resultando em ganhos sustentados de produtividade. Esses resultados dialogam com Jordà (2005) ao evidenciar que métodos dinâmicos, como as projeções locais, capturam de forma adequada os efeitos persistentes do financiamento em setores intensivos em crédito, reforçando a relevância do crédito rural como instrumento de política pública, sobretudo em regiões de fronteira agrícola recente, como o MATOPIBA.

5 Conclusões

Os resultados indicam, de forma consistente, que o crédito rural desempenha papel central na dinâmica da produção e da produtividade do milho na região do MATOPIBA. A partir da estimação do modelo Vetor Autorregressivo em Painel (PVAR), observa-se que choques positivos na concessão de crédito geram efeitos significativos e persistentes sobre o desempenho produtivo, tanto em termos de volume produzido quanto de produtividade.

A análise de causalidade de Granger indica que o crédito rural antecede e influencia o desempenho produtivo, enquanto a decomposição da variância mostra que sua importância na explicação da produtividade aumenta ao longo do tempo. Esses resultados evidenciam o crédito como motor da expansão produtiva e da modernização agrícola, ao viabilizar investimentos em insumos, tecnologia e capacitação.

Esses efeitos decorrem de mecanismos interdependentes, envolvendo acumulação de capital, ganhos de eficiência, redução da volatilidade e retroalimentação entre produção e acesso ao crédito, caracterizando uma dinâmica endógena. Nesse sentido, o modelo PVAR é adequado por captar essas interações simultâneas e defasadas entre as variáveis, conforme proposto por Holtz-Eakin et al. (1988), difundido por Love & Zicchino (2006) e sistematizado por Abrigo & Love (2016), com evidências empíricas recentes para o Brasil reforçando essa relação (Cruz et al., 2025a).

Complementarmente, a função impulso-resposta mostra que um choque positivo no crédito rural gera aumento progressivo da produção ao longo do tempo, com efeito estatisticamente significativo a partir dos períodos seguintes. Isso reforça o papel do crédito como indutor do crescimento agrícola, ao estimular investimentos produtivos e expansão da atividade.

Esses achados empíricos encontram respaldo na teoria do racionamento de crédito sob informação assimétrica (Stiglitz & Weiss, 1981, 1986), segundo a qual a expansão do crédito rural, ao mitigar restrições de colateral que excluem produtores eficientes do mercado financeiro, gera impactos positivos sobre a produção em regiões de fronteira agrícola. A persistência temporal dos efeitos observada nas funções impulso-resposta sugere que o crédito não apenas financia o ciclo corrente, mas também amplia a base produtiva de forma estrutural permitindo que produtores antes marginalizados pela insuficiência de garantias realizem investimentos de longo prazo em tecnologia, insumos e capital fixo.

No contexto do MATOPIBA, onde a agricultura familiar e os médios produtores convivem com histórico reduzido de formalização fundiária, esse efeito é particularmente relevante, pois evidencia que políticas públicas de crédito rural, como o Pronaf e o Plano Safra, atuam como instrumentos concretos de correção de falhas de mercado, promovendo não apenas crescimento produtivo, mas também inclusão financeira e redução das desigualdades regionais.

Este estudo apresenta limitações que abrem oportunidades para investigações futuras. Em primeiro lugar, a análise utilizou o crédito rural em seu valor agregado total, sem desagregação por modalidade (custeio, investimento, comercialização) ou por programa (Pronaf, Pronamp, demais linhas). Estudos futuros podem decompor o crédito por finalidade para identificar quais modalidades exercem maior impacto sobre a produção e a produtividade do milho no MATOPIBA.

Em segundo lugar, as variáveis estruturais como logística de transporte, infraestrutura portuária, armazenagem e questões fundiárias (regularização de terras, concentração fundiária) não foram incluídas no modelo devido a restrições de disponibilidade de dados em nível municipal com periodicidade anual para o horizonte analisado. Futuras pesquisas podem incorporar essas dimensões à medida que novas bases de dados se tornem disponíveis, ou por meio de abordagens metodológicas complementares.

Em terceiro lugar, o modelo PVAR adotado trata todas as variáveis como endógenas, o que é adequado para capturar a dinâmica de retroalimentação entre crédito e produção, mas não permite estabelecer relações causais unidirecionais com o mesmo nível de robustez de métodos experimentais ou quase-experimentais. Recomenda-se que estudos posteriores explorem estratégias de identificação complementares

Diante desses achados, o estudo reforça a necessidade de políticas públicas territorializadas que ampliem o acesso ao crédito rural e promovam seu uso eficiente, especialmente em regiões menos favorecidas. O fortalecimento da assistência técnica, a qualificação da gestão produtiva e a melhoria da infraestrutura logística configuram-se como elementos complementares à política de crédito, de modo a potencializar seus efeitos e assegurar maior equidade regional.

Em síntese, o crédito rural consolida-se como instrumento estratégico para o fortalecimento da produção de milho no MATOPIBA, contribuindo tanto para a expansão do volume produzido quanto para o aumento da produtividade e da competitividade agrícola. A manutenção e a ampliação de programas de crédito direcionado revelam-se fundamentais para a segurança alimentar, a dinamização econômica regional e a redução das desigualdades territoriais no meio rural brasileiro.

• Como citar:
  Albuquerque, W. F., Araújo, J. A., Araújo, T. J. M., & Teixeira, K. H. (2026). Efeitos do crédito rural sobre a cultura do milho na região do MATOPIBA do nordeste brasileiro. Revista de Economia e Sociologia Rural, 64, e302485. https://doi.org/10.1590/1806-9479.2026.302485pt
• Suporte financeiro:
  Nada a declarar
• Aprovação do conselho de ética:
  Não se aplica
• JEL Classification:
  Q10; Q14; Q18.

Disponibilidade de dados:

Os dados da pesquisa não estão disponíveis

6 Referências

• Abrigo, M. R. M., & Love, I. (2016). Estimation of panel vector autoregression in Stata. The Stata Journal, 16(3), 778-804. https://doi.org/10.1177/1536867X1601600314
  » https://doi.org/10.1177/1536867X1601600314
• Ahmed, S., Diffenbaugh, N. S., Hertel, T. W., Lobell, D. B., Ramankutty, N., Rios, A. R., & Rowhani, P. (2022). Do crop insurance programs lead to improved total factor productivity? Evidence from the US agricultural sector. Energy Economics, 109, 105995.
• Almeida, F. F. (2021). Uma investigação dos efeitos e dos determinantes da participação nas cadeias globais de valor: aspectos teóricos e empíricos (Tese de doutorado). Universidade de São Paulo.
• Alves, E., Souza, G. S., & Garagorry, F. L. (1997). A evolução da produtividade do milho. Revista de Economia e Sociologia Rural, 37(1), 77-98.
• Alves, L. J., Santos, R. B. N., Pereira, A. C., & Lima, M. F. (2024). Reconfiguração produtiva no Matopiba: uma análise das estratégias de modernização agrícola e acesso ao crédito. Revista Brasileira de Estudos Regionais, 12(2), 34-58.
• Amaral, F. J. G., & Bacha, C. J. C. (2025). Evolução do crédito rural no Brasil de 1969 a 2023. Revista de Economia Contemporânea, 29, e252903. https://doi.org/10.1590/19805527252903
  » https://doi.org/10.1590/19805527252903
• Aquino, G. R, Lima, R. A. S., Souza, D. T., & Vieira Filho, J. E. R. (2023). Avaliação dos impactos do crédito rural sobre a produtividade agropecuária nos estados brasileiros. Ipea. Recuperado em 3 de novembro de 2025, de https://www.ipea.gov.br/portal/images/stories/PDFs/nota_tecnica/230808_nt_82_dipes.pdf
  » https://www.ipea.gov.br/portal/images/stories/PDFs/nota_tecnica/230808_nt_82_dipes.pdf
• Araújo, J. A., Alencar, M. O., & Vieira Filho, J. E. R. (2020). Crédito rural e agricultura familiar no Brasil: uma avaliação do Programa Nacional de Fortalecimento da Agricultura Familiar. Redes, 25, 2009-2034. https://doi.org/10.17058/redes.v25i0.14470
  » https://doi.org/10.17058/redes.v25i0.14470
• Arnold, L. G., & Riley, J. G. (2009). On the possibility of credit rationing in the Stiglitz-Weiss model. The American Economic Review, 99(5), 2012-2021. https://doi.org/10.1257/aer.99.5.2012
  » https://doi.org/10.1257/aer.99.5.2012
• Azeem, M. M., Mugera, A. W., Schilizzi, S., & Siddique, K. H. M. (2022). Agricultural credit and agricultural productivity: evidence from developing countries. Energy Economics, 112, 106145.
• Banco Central do Brasil – BCB. (2018). Manual de crédito rural. Recuperado em 3 de novembro de 2025, de https://www.bcb.gov.br/pre/normativos/busca/normativo.asp?numero=2018
  » https://www.bcb.gov.br/pre/normativos/busca/normativo.asp?numero=2018
• Banco Central do Brasil – BCB. (2024a). Estatísticas de crédito rural. Recuperado em 3 de novembro de 2025, de https://www.bcb.gov.br/estabilidadefinanceira/tabelas-credito-rural-proagro
  » https://www.bcb.gov.br/estabilidadefinanceira/tabelas-credito-rural-proagro
• Banco Central do Brasil – BCB. (2024b). Boletim do crédito rural e do Proagro: novembro 2024. Recuperado em 3 de novembro de 2025, de https://www.bcb.gov.br/content/publicacoes/boletimderop/Boletim%20Derop%20-%20novembro2024.pdf
  » https://www.bcb.gov.br/content/publicacoes/boletimderop/Boletim%20Derop%20-%20novembro2024.pdf
• Bondar, C. (2010). Unificação monetária no Mercosul: uma aplicação da teoria das áreas monetárias ótimas utilizando a metodologia VAR estrutural (Monografia de graduação). Universidade Federal do Rio Grande do Sul.
• Brasil. Ministério da Agricultura e Pecuária – MAPA. (2023a). Projeções do agronegócio: Brasil — 2022/23 a 2032/33: projeções de longo prazo. Brasília. Recuperado em 3 de novembro de 2025, de https://www.gov.br/agricultura/pt-br/assuntos/noticias/producao-de-graos-brasileira-devera-chegar-a-390-milhoes-de-toneladas-nos-proximos-dez-anos/ProjeesdoAgronegcio20232033.pdf
  » https://www.gov.br/agricultura/pt-br/assuntos/noticias/producao-de-graos-brasileira-devera-chegar-a-390-milhoes-de-toneladas-nos-proximos-dez-anos/ProjeesdoAgronegcio20232033.pdf
• Brasil. Companhia Nacional de Abastecimento – CONAB. (2023b). Acompanhamento da safra brasileira: grãos — safra 2022/23: 12º levantamento (Vol. 11). Brasília. Recuperado em 3 de novembro de 2025, de https://www.gov.br/conab/pt-br/atuacao/informacoes-agropecuarias/safras/safra-de-graos/boletim-da-safra-de-graos/12o-levantamento-safra-2023-2024/boletim-da-safra-de-graos
  » https://www.gov.br/conab/pt-br/atuacao/informacoes-agropecuarias/safras/safra-de-graos/boletim-da-safra-de-graos/12o-levantamento-safra-2023-2024/boletim-da-safra-de-graos
• Brasil. Ministério da Agricultura e Pecuária. Secretaria de Comércio e Relações Internacionais. (2024a). Exportações brasileiras: milho. Brasília. Recuperado em 3 de novembro de 2025, de https://www.gov.br/agricultura/pt-br/assuntos/relacoes-internacionais/documentos/Milho.pdf
  » https://www.gov.br/agricultura/pt-br/assuntos/relacoes-internacionais/documentos/Milho.pdf
• Brasil. Ministério da Agricultura e Pecuária. (2024b). Plano Safra 2025/2026: agricultura empresarial. Brasília. Recuperado em 3 de novembro de 2025, de https://www.gov.br/agricultura/pt-br/assuntos/politica-agricola/plano-safra/2025-2026/apresentacao-plano-safra-2025-2026
  » https://www.gov.br/agricultura/pt-br/assuntos/politica-agricola/plano-safra/2025-2026/apresentacao-plano-safra-2025-2026
• Brasil. Ministério da Agricultura e Pecuária. (2024c). Projeções do agronegócio: Brasil — 2023/24 a 2033/34: projeções de longo prazo. Brasília. Recuperado em 3 de novembro de 2025, de https://www.gov.br/agricultura/pt-br/assuntos/politica-agricola/todas-publicacoes-de-politica-agricola/projecoes-do-agronegocio/projecoes-do-agronegocio-2022-2023-a-2032-2033.pdf
  » https://www.gov.br/agricultura/pt-br/assuntos/politica-agricola/todas-publicacoes-de-politica-agricola/projecoes-do-agronegocio/projecoes-do-agronegocio-2022-2023-a-2032-2033.pdf
• Brasil. Confederação da Agricultura e Pecuária do Brasil. (2024d). VBP da agropecuária deve recuar 1,9% em 2024, mesmo com leve melhora em alguns preços. Brasília. Recuperado em 3 de novembro de 2025, de https://www.cnabrasil.org.br/storage/arquivos/pdf/vbp-21-nov-2024.pdf
  » https://www.cnabrasil.org.br/storage/arquivos/pdf/vbp-21-nov-2024.pdf
• Brasil. Companhia Nacional de Abastecimento – CONAB. (2025). Acompanhamento da safra brasileira: grãos — safra 2023/2024: 9º levantamento, junho 2025 (Vol. 12). Brasília. Recuperado em 3 de novembro de 2025, de https://www.gov.br/conab/pt-br/atuacao/informacoes-agropecuarias/safras/safra-de-graos/boletim-da-safra-de-graos/9o-levantamento-safra-2024-25/e-book_boletim-de-safras-9o-levantamento-2025
  » https://www.gov.br/conab/pt-br/atuacao/informacoes-agropecuarias/safras/safra-de-graos/boletim-da-safra-de-graos/9o-levantamento-safra-2024-25/e-book_boletim-de-safras-9o-levantamento-2025
• Brooks, C. (2014). Introductory econometrics for finance (3rd ed.). Cambridge University Press.
• Buainain, A. M., Alves, E., Silveira, J. M., & Navarro, Z. (Eds.). (2014). O mundo rural no Brasil do século 21: a formação de um novo padrão agrário e agrícola. Embrapa.
• Canova, F., & Ciccarelli, M. (2013). Panel vector autoregressive models: a survey (ECB Working Paper Series, No. 1507). European Central Bank.
• Cardoso, V. M., Lima, R. A. S., & Barros, G. S. A. C., & Adami, A. C. O. (2024). Perspectivas para as exportações do agronegócio brasileiro em 2024 (Insper Working Papers, No. 6). Insper.
• Castillo, R., Botelho, A. C., & Busca, M. D. (2021). Agronegócio globalizado no MATOPIBA maranhense: análise da especialização regional produtiva da soja. Espaço e Economia, 10(21), 1-20.
• Costa, E. M., & Vieira Filho, J. E. R. (2018). Choque de oferta no crédito rural e seu impacto produtivo na agricultura brasileira. In A. Sachsida (Ed.), Políticas públicas: avaliando mais de meio trilhão de reais em gastos públicos (pp. 207-224). IPEA.
• Cruz, B. O., Alves, L. J., & Lima, R. A. S. (2025a). Dinâmicas espaciais e estruturais na agricultura brasileira: análises comparativas dos períodos 2013-2017 e 2018-2022. Revista de Economia e Sociologia Rural, 63, e290289. https://doi.org/10.1590/1806-9479.2025.290289
  » https://doi.org/10.1590/1806-9479.2025.290289
• Cruz, B. O., Lima, R. A. S., Alves, L. J., & Vieira Filho, J. E. R. (2025b). Política nacional de desenvolvimento regional: monitoramento e avaliação de impactos dos fundos constitucionais (Vol. 1). Ipea; MIDR.
• Dompieri, M. H. G., Manzatto, C. V., Assad, E. D., & Marin, F. R. (2024). Perspectivas para o etanol de milho brasileiro (Boletim de Pesquisa e Desenvolvimento, No. 44). Embrapa Territorial.
• Empresa Brasileira de Pesquisa Agropecuária – Embrapa. (2021). Matopiba: características, potencialidades e desafios. Embrapa Territorial. http://www.embrapa.br/tema-matopiba/sobre-o-tema
  » http://www.embrapa.br/tema-matopiba/sobre-o-tema
• Erenstein, O., Jaleta, M., Sonder, K., Mottaleb, K., & Prasanna, B. M. (2022). Global maize production, consumption and trade: trends and R&D implications. Food Security, 14(5), 1295-1319. https://doi.org/10.1007/s12571-022-01288-7
  » https://doi.org/10.1007/s12571-022-01288-7
• Favareto, A., Nakagawa, L., Kleeb, S., Seifer, P., & Penereiro, J. (2019). Há mais pobreza e desigualdade do que bem-estar e riqueza nos municípios do MATOPIBA. Revista Nera, 22(47), 348-381. https://doi.org/10.47946/rnera.v0i47.6275
  » https://doi.org/10.47946/rnera.v0i47.6275
• Fusari, F., Marlow, J., & Volpicella, A. (2024). Estimation and inference of the forecast error variance decomposition for set-identified SVARs (Discussion Papers in Economics, No. 4). University of Surrey. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4961282
  » https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4961282
• Gimenes, R. M. T., Queiroz, R. G., & Henschel, D. (2023). Revisão sistemática sobre o crédito rural no Brasil, com destaque para a operação barter. Revista Gestão e Secretariado, 14(12), 21104-21123. https://doi.org/10.7769/gesec.v14i12.2953
  » https://doi.org/10.7769/gesec.v14i12.2953
• Gomes, L. C., Bianchi, F. J. J. A., Cardoso, I. M., Schulte, R. P. O., Arts, B. J. M., & Fernandes Filho, E. I. (2020). Land use and land cover scenarios: an interdisciplinary approach integrating local conditions and the global shared socioeconomic pathways. Land Use Policy, 97, 104723. https://doi.org/10.1016/j.landusepol.2020.104723
  » https://doi.org/10.1016/j.landusepol.2020.104723
• Gomes, T. G. P., Besarria, C. N., & Silva, J. A. (2023). Informalidade na América Latina: uma análise por vetores autorregressivos em painel. Cadernos Metrópole, 25(58), 1017-1049. https://doi.org/10.1590/2236-9996.2023-5811
  » https://doi.org/10.1590/2236-9996.2023-5811
• Hamilton, L. C. (2012). Statistics with Stata: updated for version 12 (8th ed.). Cengage Learning.
• Harris, R. D. F., & Tzavalis, E. (1999). Inference for unit roots in dynamic panels where the time dimension is fixed. Journal of Econometrics, 91(2), 201-226. https://doi.org/10.1016/S0304-4076(98)00076-1
  » https://doi.org/10.1016/S0304-4076(98)00076-1
• Holtz-Eakin, D., Newey, W., & Rosen, H. S. (1988). Estimating vector autoregressions with panel data. Econometrica, 56(6), 1371-1395. https://doi.org/10.2307/1913103
  » https://doi.org/10.2307/1913103
• Instituto Brasileiro de Geografia e Estatística – IBGE. (2024a). Pesquisa agrícola municipal: PAM. IBGE. Recuperado em 3 de novembro de 2025, de https://www.ibge.gov.br/estatisticas/economicas/agricultura-e-pecuaria/9117-producao-agricola-municipal-culturas-temporarias-e-permanentes.html
  » https://www.ibge.gov.br/estatisticas/economicas/agricultura-e-pecuaria/9117-producao-agricola-municipal-culturas-temporarias-e-permanentes.html
• Instituto Brasileiro de Geografia e Estatística – IBGE. (2024b). Produção agrícola municipal: culturas temporárias e permanentes 2023. IBGE. Recuperado em 3 de novembro de 2025, de https://www.ibge.gov.br/estatisticas/economicas/agricultura-e-pecuaria/9117.html
  » https://www.ibge.gov.br/estatisticas/economicas/agricultura-e-pecuaria/9117.html
• Instituto Brasileiro de Geografia e Estatística – IBGE. (2025). Levantamento sistemático da produção agrícola: LSPA. IBGE. Recuperado em 3 de novembro de 2025, de https://www.ibge.gov.br/estatisticas/economicas/agricultura-e-pecuaria/9201-levantamento-sistematico-da-producao-agricola.html
  » https://www.ibge.gov.br/estatisticas/economicas/agricultura-e-pecuaria/9201-levantamento-sistematico-da-producao-agricola.html
• Jordà, Ò. (2005). Estimation and inference of impulse responses by local projections. The American Economic Review, 95(1), 161-182. https://doi.org/10.1257/0002828053828518
  » https://doi.org/10.1257/0002828053828518
• Lopes, D., Lowery, S., & Peroba, T. L. C. (2016). Crédito rural no Brasil: desafios e oportunidades para a promoção da agropecuária sustentável. Revista do BNDES, (45), 155-196.
• Love, I., & Zicchino, L. (2006). Financial development and dynamic investment behavior: evidence from panel VAR. The Quarterly Review of Economics and Finance, 46(2), 190-210. https://doi.org/10.1016/j.qref.2005.11.007
  » https://doi.org/10.1016/j.qref.2005.11.007
• Machado, B. S., Neves, M. C. R., & Mattos, L. B. (2021). Determinantes do acesso a programas de financiamento de crédito rural no Brasil: uma análise a partir da PNAD 2014. Agricultura em Debate, 9(2), 313-332.
• Madsen, H. (2007). Time series analysis. New York: Chapman & Hall/CRC.
• Maia, P. R. B. (2011). Análise comparativa da previsão de demanda de energia elétrica industrial no período pós-crise: uma aplicação dos modelos VAR e BVAR (Dissertação de mestrado). Pontifícia Universidade Católica de São Paulo.
• Mills, T. C. (2015). Time series econometrics: a concise introduction. Palgrave Macmillan.
• Nazlioglu, S., & Karul, C. (2024). Revisiting the agricultural productivity-credit nexus: panel bootstrap Granger causality approach. Economic Modelling, 131, 106627.
• Neves, M. F. (Ed.). (2021). Etanol de milho: cenário atual e perspectivas para a cadeia no Brasil. UNEM.
• Nickell, S. (1981). Biases in dynamic models with fixed effects. Econometrica, 49(6), 1417-1426. https://doi.org/10.2307/1911408
  » https://doi.org/10.2307/1911408
• Oliveira, R. S. (2024). Combinando previsões do consumo de energia elétrica do setor industrial brasileiro por modelos de séries temporais e de redes neurais (Dissertação de mestrado). Universidade Federal Rural do Rio de Janeiro.
• Paiva, E. C., Oliveira, M. A., Santos, T. R., & Vieira Filho, J. E. R. (2023). Unequal capitalization of rural credit in Brazilian states and regions. Contribuciones a las Ciencias Sociales, 16(6), 3131-3150. https://doi.org/10.55905/revconv.16n.6-006
  » https://doi.org/10.55905/revconv.16n.6-006
• Ramos, S. Y., & Martha Júnior, G. B. (2010). Evolução da política de crédito rural brasileira (Documentos, No. 292). Embrapa Cerrados.
• Rocha, G. A. P., & Ozaki, V. A. (2020). Crédito rural: histórico e panorama atual. Revista de Política Agrícola, 29(4), 6.
• Santos, C. C. M. (2018). Matopiba: uma nova fronteira agrícola ou um reordenamento geográfico do agronegócio e dos espaços produtivos de “cerrados”? Cadernos do CEAS, (245), 570-600.
• Santos, R. B. N., & Braga, M. J. (2013). Impactos do crédito rural na produtividade da terra e do trabalho nas regiões brasileiras. Economia Aplicada, 17(3), 299-324. https://doi.org/10.1590/S1413-80502013000300004
  » https://doi.org/10.1590/S1413-80502013000300004
• Santos, L. F., Vieira Filho, J. E. R., Lima, R. A. S., & Alves, L. J. (2024). Padrões espaciais da produção agropecuária no Maranhão, Tocantins, Piauí e Bahia (MATOPIBA). COLÓQUIO: Revista do Desenvolvimento Regional, 21(3), 226-251.
• Shumway, R. H., & Stoffer, D. S. (2017). Time series analysis and its applications: with R examples (4th ed.). Springer.
• Silva Filho, L. A., & Lima, R. A. S., Vieira Filho, J. E. R., & Alves, L. J. (2023). Crédito público e produção agrícola do Matopiba: uma abordagem espacial. In Anais do Encontro Nacional da Associação Brasileira de Estudos Regionais e Urbanos (ENABER). ABER.
• Sims, C. A. (1980). Macroeconomics and reality. Econometrica, 48(1), 1-48. https://doi.org/10.2307/1912017
  » https://doi.org/10.2307/1912017
• Souza, D. T., Magalhães, L. A., & Castro, G. S. A. (2022). Uma avaliação do impacto do crédito rural e do mercado de trabalho à agropecuária do Matopiba. In Anais do 50º Encontro Nacional de Economia. ANPEC.
• Stiglitz, J. E., & Weiss, A. (1981). Credit rationing in markets with imperfect information. The American Economic Review, 71(3), 393-410.
• Stiglitz, J. E., & Weiss, A. (1986). Credit rationing and collateral. In J. Edwards, J. Franks, C. Mayer & S. Schaefer (Eds.), Recent developments in corporate finance (pp. 101-135). Cambridge University Press.
• Stiglitz, J. E., & Weiss, A. (1987). Credit rationing. The American Economic Review, 77(1), 228-231.
• Stock, J. H., & Watson, M. W. (2007). Introduction to econometrics (2nd ed.). Addison-Wesley.
• United States Department of Agriculture – USDA. (2023). Grain: world markets and trade: december 2023. USDA.
• United States Department of Agriculture – USDA. (2025). World agricultural supply and demand estimates: WASDE-652. USDA. Recuperado em 3 de novembro de 2025, de https://www.usda.gov/oce/commodity/wasde
  » https://www.usda.gov/oce/commodity/wasde
• Wegman, E. J. (1996). Time series analysis: theory, data analysis and computation. Center for Computational Statistics.

Editado por

• Editor de seção:
  Silvio Cezar Arend

Datas de Publicação

• Publicação nesta coleção
  07 Ago 2026
• Data do Fascículo
  2026

Histórico

• Recebido
  03 Nov 2025
• Aceito
  28 Maio 2026