Decomposição do Impulso de Crédito no Brasil usando Python

O impulso de crédito mede a aceleração do crédito em proporção do PIB e funciona como um indicador antecedente da atividade econômica. Neste tutorial, mostramos como construímos o indicador para o Brasil no Python, usando apenas séries públicas do Banco Central, e o decompomos entre recursos livres e direcionados para revelar qual segmento comanda cada fase do ciclo.

O resultado é um termômetro que ajudou a antecipar a recessão de 2015-16, expôs a resposta anticíclica do crédito na pandemia e explica por que a atividade cresceu nos últimos anos mesmo com o crédito em terreno contracionista. Tudo com dados abertos e reproduzíveis.

O gráfico acima resume o exercício: a linha navy costuma virar antes da linha vermelha. É essa antecedência que faz do indicador uma ferramenta de monitoramento do ciclo — e o caminho até ele é mais curto do que parece.

O que é o impulso de crédito

A análise tradicional olha para o crescimento do estoque de crédito: quanto a economia deve no total. O problema é que o PIB é uma variável de fluxo — o que move a demanda agregada de hoje é quanto crédito novo está entrando na economia, e não o tamanho da dívida acumulada.

O trabalho de Biggs, Mayer e Pick (2010) dá um passo além: a demanda responde à variação do fluxo de novos empréstimos, ou seja, à aceleração do crédito. Se o fluxo cresce, o impulso é positivo e soma ao PIB. Se cresce a uma taxa constante, o impulso é zero. Se desacelera, mesmo continuando positivo, o impulso fica negativo e age como freio.

Essa lógica explica os "phoenix miracles" do título do paper: economias se recuperam de recessões mesmo com o crédito total ainda caindo, porque basta o fluxo parar de piorar para o impulso virar positivo. O Banco Central e o BNDES publicaram boxes com essa mesma metodologia para o Brasil.

Na prática, o cálculo compara o fluxo de crédito acumulado em 12 meses com o fluxo dos 12 meses anteriores, cada um dividido pelo PIB nominal acumulado do seu período. O resultado é lido em pontos percentuais (p.p.) do PIB: um impulso de +2 significa que o fluxo anual de crédito cresceu o equivalente a 2% do PIB em relação ao ano anterior.

Como o indicador foi construído

O exercício inteiro roda em Python e segue quatro etapas, todas com dados públicos do Sistema Gerenciador de Séries Temporais (SGS) do Banco Central:

A coleta usa a API aberta do SGS, que devolve cada série em CSV a partir do código dela — sem cadastro e sem chave. O tratamento e o cálculo ficam com o pandas, e os gráficos com o plotnine, a gramática de gráficos do ggplot em Python. A série final começa em 2009: a fórmula precisa de dois anos de dados para a primeira observação completa.

A decomposição vem de um detalhe conveniente do dado brasileiro: o BCB publica os saldos separados em recursos livres (operações pactuadas em condições de mercado, como capital de giro e crédito pessoal) e recursos direcionados (operações reguladas ou subsidiadas, como crédito rural, habitacional e repasses do BNDES). Como o total é a soma dos dois e o denominador é o mesmo, os impulsos parciais somam exatamente o impulso total.

O que a decomposição revela

Os dois segmentos contam histórias diferentes. O crédito livre é sensível ao juro de mercado: mergulhou no aperto monetário de 2022-23, liderou a recuperação de 2024-25 e voltou a desacelerar na ponta. O direcionado, com funding menos elástico à Selic, passa a maior parte do tempo perto de zero — e dispara justamente nos episódios de política pública, como os programas emergenciais de crédito da pandemia.

A tabela abaixo traz o impulso no fechamento de cada ano, com a contribuição de cada segmento:

Impulso de crédito no fechamento de cada ano (dezembro, acumulado em 12 meses). Fonte: BCB (SGS), elaboração Análise Macro.

Três episódios que o indicador explica

Na leitura mais recente, o impulso voltou a ficar levemente negativo (por volta de -1 p.p. do PIB), sinalizando que o aperto das condições financeiras segue limitando a contribuição do crédito para a atividade.

As ferramentas por trás

Python — a linguagem do exercício: coleta, cálculo e visualização num único script, com pandas e plotnine.

Banco Central (SGS) — a fonte dos dados: saldos de crédito, PIB mensal e IBC-Br, via API aberta, sem cadastro e sem chave.

Considerações finais

O exercício mostra que olhar o estoque de crédito engana: o que move a demanda é a aceleração do fluxo. Com cinco séries públicas e uma função de poucas linhas, sai um indicador antecedente que ajuda a interpretar cada ciclo brasileiro desde 2009 — e a decomposição diz se cada fase é fenômeno de mercado ou de política pública.

O caminho percorrido aqui — coletar via API, transformar, calcular e visualizar — se repete em quase todo problema de análise macroeconômica. O que muda é a aplicação:

• Analistas de mercado: monitoram o canal do crédito como insumo de cenário para PIB e Selic.
• Economistas de bancos e consultorias: replicam a metodologia dos boxes do BCB e do BNDES com dados sempre atualizados.
• Gestores e áreas de risco: antecipam pontos de virada do ciclo que afetam inadimplência e apetite de crédito.
• Estudantes e pesquisadores: transformam um paper de referência em evidência empírica reproduzível para o Brasil.

Aprender Python aplicado à macroeconomia é o que abre a porta para todas essas frentes.

Leia também:

• Calculando o impulso de crédito no Python
• Qual o efeito de um choque de juros sobre a inadimplência?