A POBREZA EXTREMA NOS MUNICÍPIOS BAIANOS: UM ESTUDO DE ... · e na Bahia; e uma revisão sobre...

X ENCONTRO DE ECONOMIA BAIANA – SET. 2014

A POBREZA EXTREMA NOS MUNICÍPIOS BAIANOS: UM ESTUDO DE DEPÊNDENCIA ESPACIAL COM DADOS DO CENSO 2010

Laércio Damiane Cerqueira da Silva*Patrícia Araújo Amarante**

Jadilma Ruana Silva***

RESUMO

Este trabalho analisa a dependência espacial da extrema pobreza dos municípios do Estado da Bahia com dados censitários do ano de 2010, através da análise exploratória de dados espaciais e da estimação do modelo econométrico espacial. Primeiramente, a dependência espacial é obtida através das medidas de autocorrelação espacial global e local. Em seguida, a estimação e comparação entre o Modelo por Mínimos Quadrados Ordinários, o Modelo com Defasagem Espacial e o Modelo de Erro Espacial, indica o melhor ajuste dos dados e consequentemente o resultado mais robusto entre estes. Os resultados atestam a existência de clusters em vários pontos do Estado da Bahia. Também evidenciam que o impacto da renda per capita, da taxa de analfabetismo, entre outras variáveis, são significativos na determinação da extrema pobreza no estado. Estes resultados abrem espaço para recomendações de políticas públicas que combatam, de forma eficiente, a extrema pobreza, levando em consideraçao a questão da dependência espacial. Pensa-se na formação de capital humano; geração de emprego e renda com distribuição justa; maior cobertura dos serviços de água, esgoto e coleta de lixo, com provimento adequado do acesso à saúde e saneamento, como a condução essencial para reduzir os indicadores de pobreza dos municípios baianos.

Palavras-chave: Extrema pobreza. Dependência espacial. Municípios baianos.

ABSTRACT

This paper analyzes the spatial dependence of the extreme poverty of the municipalities in the state of Bahia with census data from 2010, through exploratory spatial data analysis and estimation of the spatial econometric model. First, the spatial dependence is obtained by measuring the global and local spatial autocorrelation. Then, the estimation and comparison between the OLS Model, the Spatial Lag Model, and Spatial Error Model indicates the best fit of the data and consequently the most robust result among them. The results show the existence of clusters in various parts in the state of Bahia. We also show that the impact of per capita income and literacy rate, among other variables, are significant in determining the extreme poverty in the state. These results pave the way for public policy recommendations to combat extreme poverty efficiently, taking the spatial dependence into account. Formation of human capital, generation of jobs and income, fair distribution, greater coverage of water, sewer and garbage collection services, and appropriate provision of access to health and sanitation are considered essential to reducing poverty indicators in the Bahian municipalities.

Keywords: Extreme Poverty. Spatial Dependence. Municipalities of Bahia.

* Mestre e doutorando em Economia pela Universidade Federal da Paraíba (UFPB). Professor do Departamento de Economia da UFPB. [email protected]

** Mestre e doutoranda em Economia pela Universidade Federal da Paraíba (UFPB). [email protected]

*** Graduada em Economia pela Universidade Federal da Paraíba (UFPB). [email protected]

ECONOMIA BAIANA • 158

A POBREZA EXTREMA NOS MUNICÍPIOS BAIANOS: UM ESTUDO DE DEPÊNDENCIA ESPACIAL COM DADOS DO CENSO 2010Laércio Damiane Cerqueira da Silva, Patrícia Araújo Amarante, Jadilma Ruana Silva

X ENCONTRO DE ECONOMIA BAIANA – SET. 2014 ECONOMIA BAIANA • 159

1 INTRODUÇÃO

A pobreza se apresenta como um complexo fenômeno que exibe variadas extensões a serem analisadas. Apesar de políticas governamentais de transferências de renda e redução das desigualdades, a incidência ainda é notável, principalmente em algumas camadas regionais, onde se perpetua um elevado índice de cidadãos em condições de total privação.

Considerando os dados em nível de regiões do Brasil, o Nordeste tem apresentado historicamente as maiores taxas de pobreza. O censo demográfico de 2000 mostrava que dos 47% de pessoas da população brasileira que viviam em situação de pobreza, metade desse total era residente na Região Nordeste. (OLIVEIRA, 2008).

Com vistas às informações desta região em nível populacional, a taxa de pobreza nesse ano era de 56,93% de sua população. E os indícios são de que, além das distorções regionais, existiam e ainda persistem fortes desigualdades internas. Esses fatos aliados ao baixo nível de renda per capita, proporcionam a essa região elevados índices de extrema pobreza, resultando em uma baixa qualidade de vida de sua população.

São claras as evidências do progresso do Brasil entre 2000 e 2010 no que diz respeito à redução de seus níveis de pobreza e de pobreza extrema, não só dos desníveis regionais de bem-estar entre os estados, como também entre as macrorregiões. Entretanto, os números ainda preocupam. Segundo dados do Censo 2010, 9,5% das pessoas encontravam-se na extrema pobreza, o que equivalia em torno de 18 milhões de pessoas nessa condição. Com efeito, o Nordeste apresentava quase o dobro do percentual de extremamente pobres do país (17 %). Isto é, dado o seu peso populacional, significa que mais da metade dos extremamente pobres do país, cerca de 9 milhões de pessoas, viviam, em 2010, nesta região.

Segundo Silveira Neto (2012), tal peso está associado às disparidades regionais ainda presentes no país: em 2010, a renda domiciliar per capita nordestina equivalia a menos da metade daquela observada na região Sudeste (48%) e a menos de 60% daquela observada para o país como um todo.

As distintas características do Nordeste em relação às outras regiões do país, além de acentuar as desigualdades regionais, formam um cenário propício às distorções internas, apresentando o fenômeno de difusão de riqueza e pobreza entre os estados.

As peculiaridades da região ocasionam, à maioria dos municípios em seus estados, além do alto percentual de pessoas com rendimentos abaixo da linha de pobreza, uma elevada concentração de renda.

O estado da Bahia, por exemplo, destaca-se nos dois cenários expostos acima: De acordo com Castro Neto e Alves (2011), é o oitavo com maior número de pessoas em condição de pobreza extrema1, ao mesmo tempo em que, conforme o Instituto Brasileiro de Pesquisas Econômicas (IPEA) em 2010, está entre os cinco estados com pior distribuição de renda do país, com índice em torno de 0,512.

Tais características heterogêneas relacionam-se à diferenciação espacial do território, ou seja, são definidas pela instabilidade no espaço do comportamento humano ou de outras relações socioeconômicas, etc. Ao falar de heterogeneidade da pobreza, Anselin (1988), refere-se ao fato de que a população pobre encontra-se concentrada em algumas áreas geográficas específicas.

1 Dos 3,8 milhões de pessoas residentes no Estado, 613, 7 mil (16,3) têm rendimentos de até 70,00 por mês, sendo que destes, 46% localizam-se em áreas rurais e 56% estão localizados em áreas urbanas.

2 A escala varia de 0 a 1, e quanto mais próximo de 1, pior a distribuição de renda.



Essa heterogeneidade espacial é um tema recorrente em estudos sobre a economia regional, e uma série de métodos econométricos tem sido utilizado no intuito de avaliar a existência de relações socioeconômicas entre os fatores intervenientes, bem como, a associação desses com sua localização geográfica (HENINGER E SNEL, 2002).

Estes estudos permitem uma visão clara e específica dos problemas de cada área geográfica, mostram informações cartográficas, identificam padrões, tendências e clusters e principalmente possibilitam aos formuladores de políticas públicas executar de forma eficiente os projetos de desenvolvimento local e/ou regional.

Nesse contexto, este trabalho tem como objetivo analisar esse fenômeno para os 417 municípios do Estado da Bahia, enfocando as particularidades de cada município. Será investigada a existência ou não de agrupamentos de municípios com altos índices, bem como municípios com baixos índices de extrema pobreza. Em caso afirmativo, serão investigadas as possíveis causas para a sua ocorrência e os fatores3 que favoreceram a perpetuação ao longo do período.

Para atingir os objetivos propostos, a estratégia empírica adotada consistirá em realizar a Análise Exploratória de Dados Espaciais, a partir do uso da matriz de contiguidade espacial e das medidas de autocorrelação local e global. E adiante, a estimação do modelo econométrico espacial.

Salienta-se que existem diversas abordagens e formas de mensuração da pobreza, e em muitos estudos esta se apresenta definida como uma privação material, mensurada pela renda per capita dos indivíduos. Deste modo, os indivíduos extremamente pobres são aqueles com renda per capita mensal menor ou igual a R$ 70,00.

Considerando esta análise uma verificação da dependência espacial da extrema pobreza, torna-se importante distinguir tal conceito: A pobreza pode ser definida em termos absolutos e relativos, dado o modo como o crescimento econômico e outros fatores influenciam na renda destinada a essa parcela da população. Nesses termos, a pobreza absoluta ou extrema, denomina-se como a predominância de baixos rendimentos, insuficientes para atender as necessidades alimentares básicas. Por outro lado, a pobreza relativa corresponde à insuficiência de renda para atender tanto as necessidades básicas como as não básicas, tais como energia, vestuário, entre outros.

Para a consecução deste trabalho, serão utilizados aspectos relacionados à definição de pobreza absoluta. Conforme Atkinson et al (2002), é mais relevante em países em desenvolvimento do que a análise da pobreza relativa, mais adequada para países desenvolvidos.

Além desta introdução, serão apresentados na próxima seção deste trabalho os aspectos gerais do conceito de pobreza; a caracterização da extrema pobreza no Brasil, Nordeste e na Bahia; e uma revisão sobre outros trabalhos que evidenciam a distribuição espacial da pobreza. A terceira seção será dedicada aos aspectos metodológicos e a estimação do modelo econométrico. Na quarta parte são apresentadas as discussões acerca das estimativas e por fim são apresentadas as considerações finais.

3 Serão analisadas variáveis relacionadas à educação, demografia, renda e emprego, como forma de caracterizar as especificidades dos municípios.



2 ASPECTOS GERAIS ACERCA DO CONCEITO DE POBREZA

Iniciar os trabalhos que analisam a pobreza, conceituando-a, apesar da extrema dificuldade de definição, torna-se relevante em estudos sobre o tema por permitir uma visão mais clara e analítica do fenômeno. Historicamente, tem sido tratada sob diferentes abordagens, classificadas em categorias específicas que ajudam compreender a complexidade do fenômeno, essencial para a concepção de políticas públicas que busquem trazer soluções eficazes para o problema.

A noção de pobreza tem sido estudada pelos diversos autores levando-se em conta as suas variadas formas, seja com base em algum juízo de valor, seja considerando apenas o ponto de vista econômico ou incorporando aspectos não-econômicos à análise, e ainda contextualizada de forma dependente ou não da estrutura política da sociedade. Formalmente, conforme Crespo e Gurovitz (2002), tem sido enquadrada da seguinte forma: pobreza como juízo de valor, pobreza relativa, pobreza absoluta e pobreza relativa/ absoluta.

Na definição de pobreza enquanto “juízo de valor”, o indivíduo trata o que deveria ser um grau suficiente de satisfação de necessidades de forma abstrata e subjetiva, não levando em consideração uma situação social concreta, caracterizável pela falta de recursos. O “enfoque relativo” do conceito de pobreza torna-se relevante a partir da observação do caráter macroeconômico, descrevendo que a pobreza está diretamente vinculada com a desigualdade na distribuição de renda. Essa categoria discorre do padrão de vida contemporâneo da sociedade, definindo como indivíduos pobres, aqueles situados em camadas inferiores da distribuição de renda, ou seja, referem-se a situações em que o indivíduo quando em comparação a outros, apresenta algum atributo desejado menor, seja renda, ou condições favoráveis de emprego ou poder.

Ainda sob a caracterização macroeconômica, a percepção do conceito de “pobreza absoluta” engloba os padrões de vida mínimos como, por exemplo, os nutricionais, de moradia ou vestuário, que são avaliados mediante preços relevantes, segundo o cálculo da renda necessária para custeá-los. Para a identificação dos limites de pobreza, utilizam-se três diferentes enfoques: os biológicos, os de necessidades básicas ou dos salários mínimos. O enfoque biológico caracteriza a linha de pobreza considerando os requisitos nutricionais mínimos de dieta alimentar, onde o valor aproximado da renda dever ser despendido no atendimento desses requisitos. As necessidades básicas são aquelas referentes à alimentação, moradia, e serviços essenciais (água potável, saneamento, transporte público, serviços médicos e escolas). O enfoque dos salários mínimos, por sua vez, consolida a existência de um salário mínimo oficial que deve apresentar uma aproximação ótima do montante em dinheiro necessário para o nível de vida mínimo.

Por fim, o conceito de “pobreza relativa/absoluta” considera que a conceituação da pobreza relativa apresenta fragilidade, uma vez que, não fixa uma linha acima da qual a pobreza deixaria de existir. De um modo geral, busca tratar o problema associando esta abordagem ao de caráter absoluto. Sendo assim, ao calcular a renda per capita média de parcelas da população (abordagem relativa), cunha-se a linha de pobreza na metade da renda per capita média do país (abordagem absoluta).



Por essas inúmeras conceituações, e pela falta de um consenso quanto aos atributos axiomáticos relevantes que caracterizem um indicador ideal, a mensuração da pobreza não é trivial. A escolha de uma determinada definição é feita com base em argumentos pragmáticos, pela acessibilidade aos dados, pela observação das decisões políticas e até mesmo de acordo com argumentos históricos, (HAGENAARS e DE VOS, 1988).

Não obstante, o grau de pobreza, em grande parte, mostra-se delimitada ao nível de renda per capita dos indivíduos e, perante a grande tenacidade desse fenômeno, estudos foram sendo delineados, tendo como medida compreender as causas associadas a sua origem. Codes (2008) assenta que os primórdios teóricos sobre o tema tomou como suporte para a explicação, a renda necessária para a sobrevivência física do indivíduo, ou seja, uma agregação da pobreza com a subsistência biológica.

Essencialmente, considera-se pobre o indivíduo que não possui o atendimento as necessidades biológicas, carência nas condições mínimas habitacionais, vestuárias, etc. Sinteticamente, consiste na precariedade de acesso aos bens e serviços essenciais à existência humana. Sabe-se que para a análise da pobreza, torna-se primordial à observância sobre as causas das necessidades que, para tanto, depende do poder aquisitivo dos indivíduos, oriundo do trabalho, muitas vezes indisponível no mercado.

Desta forma, os trabalhos de destaque na literatura têm abordado a pobreza como insuficiência de renda, com referência a um determinado limite, que é comumente chamado de linha da pobreza, enfocando os aspectos da conceituação relativa ou absoluta. Souza (2004) expõe que:

A estimação da linha de pobreza depende do objetivo de obtenção de um indicador de pobreza relativa ou absoluta. O primeiro refere-se à posição da família ou indivíduo em relação ao conjunto da sociedade. Por exemplo, uma linha de pobreza relativa pode ser o valor que corresponda a um quarto da mediana da distribuição da renda per capita familiar de um dado país. As famílias ou os indivíduos com renda inferior àquele número seriam considerados pobres. Já a linha de pobreza absoluta equivale a um valor fixo, que independe de sua posição na distribuição de renda [...].

Com efeito, as especificidades dos estudos que analisam a geografia espacial e o processo de difusão da pobreza, sobretudo na literatura brasileira, caracterizam-na pela forma absoluta, tendo como base as informações dos Censos Demográficos, e a adoção de um valor oficialmente estimado pelo governo federal como linha extrema. Apesar desse enfoque não levar em consideração aspectos relativos ao bem-estar das pessoas para além da insuficiência de atender as necessidades básicas, tem como vantagem a possibilidade de medir a pobreza comparando de forma clara os seus níveis ao longo do tempo, e entre regiões ou grupos sociais.



3 A EXTREMA POBREZA NO BRASIL E NORDESTE

Em virtude das políticas governamentais, que funcionam como aparato da linha de pobreza na inclusão dos programas sociais, o Brasil tem apresentando elevação do seu nível de renda e taxas decrescentes de extrema pobreza. A dinâmica, principalmente entre 2000 e 2010, tem sido bastante favorável e o papel de destaque nesse avanço dar-se a região nordeste, a qual historicamente apresenta a maior participação nos níveis de pobreza do país.

Silveira Neto (2012) mostra que o crescimento da renda nesse período foi de 4,1% a.a. contra 2,7% a.a. considerando o país como um todo, e em termos de extensão e de intensidade da pobreza4 apresentaram, respectivamente, redução de 5,1% a.a contra 4,2% de todo o país; e 4,3% a.a. contra 2,4% a.a. para o país como um todo.

Através do gráfico 1, é possível observar a dinâmica na participação da região Nordeste na extrema pobreza do país, seja em termos de extensão ou de intensidade da pobreza, entre o período de 2000 e 2010.

Gráfico 1: Participação da região Nordeste no total da população e da extrema pobreza do país (%)

Fonte: Silveira Neto (2012), elaboração própria.

Esses dados, com evidência ao peso populacional, apontam para uma nova configuração na contribuição da região Nordeste para o total da pobreza extrema do país.

Historicamente, sua contribuição é sempre mais importante que das demais regiões, e impressiona refletindo a relevância a dinâmica da região para a evolução da condição de pobreza no país. No período 2000-2010, quase 70% da redução da pobreza extrema do país, em termos de extensão, ocorreu na região, enquanto que a contribuição no Nordeste para a redução do hiato da renda foi de quase 90%. Tais resultados podem ser vistos na Tabela 1, a qual expõe a redução da pobreza na referida década, ocorrida de forma desigual entre as regiões do Brasil.

4 Silveira Neto (2012) trata o termo extensão da pobreza com referência à proporção da população na situação da pobreza extrema. Já o termo intensidade da pobreza tem respeito ao hiato de renda, isto é, a distância da renda individual da linha de extrema pobreza.



Tabela 1: Contribuições das regiões para a redução da extrema pobreza do Brasil entre 2000 e 2010 (%)

Extensão da Pobreza Intensidade da Pobreza

Centro Oeste 3,0 0,6

Nordeste 66,4 87,8

Norte 7,5 2,9

Sudeste 14,0 0,4

Sul 9,1 8,3

Total 100,0 100,0

Fonte: Silveira Neto (2012), elaboração própria.

Realmente, esse decréscimo no índice da pobreza, em boa parte, resulta do crescimento da renda per capita da classe pobre proveniente das transferências públicas e da elevação da renda do trabalho que, conforme os dados censitários de 2010, registrou uma elevação substancial no período em análise, dentre os 20% mais pobres.

Contudo, apesar dessa dinâmica positiva, ainda são persistentes as desigualdades e o elevado índice de pobreza no Brasil, resultado de um desenvolvimento econômico concentrador tanto do ponto de vista regional, quanto social, tendo na região Nordeste as maiores distorções.

As constatações são de que um entre cada dez brasileiros vive em condições de extrema pobreza no país, sendo que na região Norte e Nordeste, respectivamente, 18,1% e 16,8% pessoas vivem nessas condições, apesar de receberem maior apoio de programas de transferência de renda do governo. Infere-se que os referidos programas, apesar de melhorarem as condições de vida dos beneficiários, ajudam na manutenção de estudantes na escola e no acompanhamento de gestantes, mas não retiram efetivamente o cidadão da condição de insuficiência.

A despeito do desempenho diferenciado do Nordeste com relação aos indicadores de pobreza, seus contrastes internos, sociais e com respeito à configuração geográfica de seu meio físico, provocam a exploração da diversidade da dinâmica e as contribuições de mesorregiões na explicação do desempenho apresentado pela região. A Tabela 2 apresenta a “classificação dinâmica” dos estados da região de acordo com a proporção de pobres extremos residentes.

Tabela 2: Extrema Pobreza por Estados do Nordeste -2000/2010 2000 2010

Maranhão 0,3760 0,2419

Piauí 0,3295 0,1994

Alagoas 0,3427 0,1873

Ceará 0,2931 0,1673

Bahia 0,2759 0,1618

Paraíba 0,2675 0,1525

Pernambuco 0,2462 0,1505

Sergipe 0,2649 0,1418

Rio Grande no Norte 0,2363 0,1229

Fonte: Elaboração própria a partir de dados Censitários de 2000 e 2010.



De uma forma geral, observa-se que os estados melhoraram significativamente os seus índices na década em análise, contudo, sem apresentarem maiores alterações entre si. As observações apontam os estados do Maranhão, Piauí e Alagoas ocupando as primeiras posições no ranking de extrema pobreza das unidades federativas do nordeste. O Maranhão apresenta 24,2% do total de sua população ainda em extrema pobreza, permanecendo desde 2000 como o estado com maior proporção de extremamente pobres do país.

Os estados com menores índices de pobreza extrema na região destacam-se por apresentarem entre 2000 e 2010 expressivo percentual de redução da pobreza, atingindo níveis abaixo do registrado na região como um todo.

No Estado da Bahia, por exemplo, a pobreza extrema recuou cerca de 37%. Consideravelmente, nesse período houve uma queda de analfabetos absolutos entre os mais pobres (de 33% para 21%) e redução no índice de desempregados (de 12% para 10%).

Não obstante a favorável redução, o estado apresentara, no fim desse período, um percentual de pobres numa proporção, em termos relativos, que chegava ao dobro da média nacional. Ainda, segundo dados do IPEA, os classificados como extremamente pobres no estado em 2010 representavam 9% da população baiana, e sua maior concentração era nas áreas rurais, onde ao mesmo tempo se detecta problemas climáticos, baixa produtividade e menor cobertura dos serviços públicos de infraestrutura.

3.1 CARACTERIZAÇÕES GERAIS DO ESTADO DA BAHIA

3.1.1 Aspectos Geográficos

O Estado da Bahia é o quinto do país em extensão territorial e equivale a 36,3% da área total do Nordeste brasileiro e 6,64% do território nacional. Possui área equivalente a 567 295,67 (em km²), e cerca de 70% encontram-se na região do semiárido. O seu litoral é o maior entre os estados brasileiros, com 1.183 quilômetros.

Esse Estado é composto por 417 municípios e, segundo Censo 2010, é o quarto estado mais populoso e o 15º mais povoado do país, apresentando uma população de 14.016.906 habitantes distribuída em 564.733.1 km² resultando em 24,82 hab./km² nos seus municípios.

Atribui-se ao mérito de uma das unidades federativas de menor superfície maior extensão territorial, e com relação ao Nordeste apresenta a maior população, o maior produto interno bruto, o maior número de municípios. A capital do estado, Salvador, apresenta-se como a cidade mais populosa do estado com mais de 2.800.000 pessoas, segundo o Censo (2010). A vegetação constitui-se de três grandes formações vegetais: a caatinga, vegetação predominante, a qual se localiza em toda a região norte, na área da depressão do São Francisco, e na serra do Espinhaço, o cerrado, encontrado apenas na parte ocidental do estado, e a floresta tropical úmida, predominante no sudeste.



3.1.2 Aspectos econômicos

O Estado da Bahia responde por mais de 30% do PIB, e por mais da metade das exportações da região Nordeste do Brasil. É o 6º estado com maior produção de riqueza e sua economia esta fundamentada na indústria (química, petroquímica, informática, automobilística e suas peças), na agropecuária (mandioca, feijão, cacau e coco), na mineração, no turismo e nos serviços.

Em termos de indústria, destacam-se importantes empreendimentos que formam o complexo industrial localizado na cidade de Camaçari, na Região Metropolitana de Salvador, com ênfase, sobretudo, ao Polo petroquímico de Camaçari, e a montadora Ford, primeira indústria automobilística a se instalar na região, em 2001.

As atividades agropecuárias ocupam cerca de 70% da população ativa do estado. Um bom indicador das atividades econômicas é sua pauta de exportação, composta principalmente por Petróleo Refinado, Pastas Químicas de Madeira à Soda ou Sulfato, Soja, Algodão e Farelo de Soja.

3.2 A LITERATURA EMPÍRICA SOBRE A DISTRIBUIÇÃO ESPACIAL DA POBREZA

Apesar da melhora da renda e da pobreza extrema no Brasil ter apresentado recuo gradual nos últimos anos, ainda são persistentes as disparidades regionais, conforme exposto em linhas acima. Os diferentes desempenhos de espaços sub-regionais dentro das unidades federativas, e as condições associadas aos meios físico-geográficos no entendimento da dinâmica da extrema pobreza no país tornam o campo aberto para muitas discussões sobre o tema e uma área de interesse para várias pesquisas no país.

Essa revisão inicia-se por Andrade et al (2004), os quais apontam para a formação de clusters espaciais de convergência com as regiões Norte e Nordeste em um grupo de renda baixa, e as regiões Centro-Oeste, Sudeste e Sul em um grupo de renda elevada.

Com outras perspectivas em análise, Langoni (2005) comprova a existência de uma sólida relação entre a distribuição de renda no Brasil e a expansão do sistema educacional. O autor infere que os fatores que agravam ainda mais a pobreza e as disparidades sociais no país, em espacial, na região Nordeste passam pela má qualidade da educação ofertada, principalmente a população mais pobre, o baixo nível educacional e a distribuição heterogênea da educação entre os indivíduos.

Já Romero (2006), faz uma análise espacial da pobreza, entre 1991 e 2000, no Estado de Minas Gerais, utilizando como proxies o índice de Desenvolvimento Humano (IDH) e suas dimensões. Suas inferências são positivas para a existência de dependência espacial nos níveis estaduais e municipais.

Barros, Franco e Mendonça (2007), que quantificaram os determinantes da queda da desigualdade de renda no Brasil, concluíram que mais da metade dessa queda advinha da evolução da renda não proveniente do trabalho. Em termos de análise sub-regional, Chiarini (2008) estudou a análise espacial da pobreza no estado do Ceará para o período de 1991 e 2000, com base nos dados dos censos demográficos, confirmando a existência de formação de clusters de pobreza e miséria para grupos de municípios do Ceará.

Silveira et al (2010) pesquisaram a distribuição da pobreza nos municípios paulistanos nos anos de 1991 e 2000, e apontaram a existência de dependência espacial entre os municípios de São Paulo e a formação de um agrupamento expressivo de municípios pobres e evidenciaram que a pobreza se apresentou com maior vigor nos municípios mais afastados dos centros industriais do estado.



Ainda utilizando-se da técnica de análise explanatória espacial para o Ceará, Medeiros e Pinho Neto (2011), observaram a existência de grandes desigualdades entre os municípios relacionados à miséria e a dependência espacial de pessoas em situação de extrema pobreza, ou seja, verificaram que os municípios do estado que apresentam altas taxas de misérias estão rodeados por municípios com elevados percentuais de pobreza extrema e os municípios com baixas taxas se encontram cercados por outros municípios em mesma condição.

Um dos trabalhos mais importantes e completos sobre a pobreza, o estudo de Silveira Neto (2012), analisa a evolução da extrema pobreza no Nordeste brasileiro entre 1991-2010 a partir das mesorregiões, identificando clusters de extrema pobreza e a sua contribuição para o total da pobreza do país. Por fim, Silva, Souza e Batista da Silva (2013) buscando evidências da correlação espacial da pobreza, em nível municipal, para o Nordeste atestaram a existência de dependência espacial da extrema pobreza, formando clusters em vários pontos da região.

Os resultados destes trabalhos são muito importantes, pois permitem aos formuladores de políticas, ações públicas que possibilitem maior eficiência no combate à extrema pobreza, considerando as questões da dependência espacial. Além destes citados, muitos outros trabalhos enfocam a questão espacial da pobreza em suas respectivas federações, evidenciando a compreensão das interações e dos transbordamentos entre unidades geográficas distintas no que se refere à distribuição de renda e desigualdades sociais.

4 METODOLOGIA

4.1 ANÁLISE EXPLORATÓRIA DE DADOS ESPACIAIS (AEDE)

Esta subseção tem por objetivo explanar sobre a abordagem descrita por Anselin (1999), que identifica a correlação espacial da variável em estudo utilizando indicadores. A interação de agentes no espaço causa o que se conhece na literatura por dependência espacial. Dessa forma, a Análise Exploratória de Dados Espaciais (AEDE) refere-se a um conjunto de técnicas que descrevem e visualizam distribuições espaciais, com o objetivo primordial de deixar os dados espaciais falarem por si próprios. Com efeito, a análise consiste em buscar representações que revelem se os dados estão relacionados espacialmente.

4.1.1 Matriz de Contiguidade ou Peso Espacial

Dito de outra forma, o referido estudo visa descobrir se os dados sobre extrema pobreza nos municípios, em termos per capita, são distribuídos aleatoriamente ou seguem um padrão espacial sistemático. Então, um coeficiente de autocorrelação espacial descreve um conjunto de dados que está ordenado segundo uma sequência espacial. Para a construção de uma estatística de autocorrelação espacial é necessário, no entanto, entre outros fatores de uma matriz de ponderação espacial (W).

Essa matriz de pesos espaciais dará uma ideia do grau de interação entre os municípios nordestinos. Para tanto, será usada uma matriz binária de pesos espaciais (W), atribuindo valor 1 (um) para o caso em que dois municípios são vizinhos e valor 0 (zero) quando não são vizinhos. Considera ainda, que dois municípios são vizinhos caso compartilhem uma fronteira comum.



4.1.2 Autocorrelação Espacial Global

O Índice Global de Moran (I) é o indicador de autocorrelação espacial global mais usado em análises empíricas, e permite estimar o quanto o valor observado de um atributo numa área é correlacionado com os valores desta mesma variável nas localizações vizinhas, fornecendo um único valor como medida de associação espacial para todo o conjunto de dados, ou seja, permite averiguar a existência de dependência espacial de uma dada variável em diferentes lugares.Para detectar a existência de autocorrelação espacial global nos dados usa-se Índice Global de Moran (I) entre vizinhos de primeira ordem. Tal índice é medido do seguinte modo:

(1)

Ou matricialmente

(2)

onde n é o numero de cidades analisadas, Z expressa os valores da variável de interesse padronizada (isto é, Zi é o percentual da população de pobres extremos no município i menos a média amostral e ZJ é o percentual da população extremamente pobre no município j menos a média amostral), WZ denota os valores médios da variável de interesse padronizada nos vizinhos, definidos segundo uma matriz de ponderação espacial W. Um elemento dessa matriz referente à região i e a região j, é registrado por Wij. S0 é igual a operação ΣΣ wij, significando que todos os elementos da matriz de pesos espaciais W devem ser somados. Os valores de I de Moran normalmente variam entre 1 e -1, e sua interpretação é expressa por três possibilidades:

• Se o I de Moran for próximo de 1 (um) positivamente, significa que existe uma correlação espacial positiva, com os valores das áreas vizinhas similares entre si. Quanto mais perto de 1, maior a autocorrelação espacial, sendo o valor 1 atribuído a uma autocorrelação positiva (direta) perfeita;

• Se o I de Moran for próximo de um negativamente, ocorre uma não similaridade dos valores das áreas vizinhas. Quanto mais perto de -1, maior é a autocorrelação espacial, sendo o valor -1 atribuído a uma autocorrelação negativa (inversa) perfeita;

• Se o I de Moran for zero ou aproximadamente zero não há evidências de autocorrelação espacial.

O índice considera duas hipóteses: a) a primeira que corresponde à hipótese nula (H0) admite independência espacial;b) a segunda hipótese é a alternativa (H1) admite a existência de dependência espacial



4.1.3 Autocorrelação Espacial Local

Conforme Anselin (2005), em análises desse tipo, faz-se também necessário à utilização das estatísticas LISA5 que são indicadores locais de associação espacial. Essa estatística expressa, ainda segundo o autor, quais os municípios ao redor do qual há aglomeração de valores semelhantes e também que a soma dos LISA individuais deveria ser proporcional ao indicador de associação global. Dessa forma, o Índice Moran Local (Ii) é definido como:

(3)em que zi = yi – e zJ = yJ – , e as demais variáveis tal como definidas no I de Moran local. O I de Moran local decompõe o coeficiente global de autocorrelação em quatro categorias, cada uma correspondendo a um quadrante do diagrama de dispersão de Moran. O diagrama de dispersão representa o coeficiente de regressão, verificado pela inclinação da regressão (SILVA, SOUSA E BATISTA DA SILVA, 2013). Os quatro quadrantes do diagrama expressam respectivamente: 1) Alto-Alto, representa clusters de pobreza; 2) Baixo-Alto, onde se localizam os municípios com baixos percentuais de população extremamente pobre cercado por municípios com altos percentuais; 3) Baixo-Baixo, representa clusters de riqueza; e 4) Alto-Baixo, indicando os municípios com altos percentuais de população extremamente pobre cercado por municípios com baixos percentuais. Resumidamente, os valores positivos para a estatística apostam a existência de autocorrelação espacial local positiva, tendo valores similares à média dos municípios vizinhos, caracterizando a presença de clusters de altos (AA) e/ou baixos (BB). Por outro lado, valores negativos expressam a existência de autocorrelação espacial local negativa, quando comparados às médias dos municípios vizinhos indicando padrões Alto-Baixo (AB) ou Baixo-Alto (BA), caracterizando a presença de outliers espaciais.

4.2 MODELOS ECONOMÉTRICOS ESPACIAIS

Como enfocam Anselin (1988); Anselin (1995); Anselin e Bera (1998), os efeitos espaciais devem ser considerados em sua forma funcional durante a definição de um modelo, identificando de maneira adequada questões inerentes aos efeitos de transbordamento entre regiões.

Isto posto, detecta-se a presença de autocorrelação espacial no modelo econométrico, através do teste I de Moran Global nos resíduos gerados por meio da regressão, utilizando o método de Mínimos Quadrados Ordinários (MQO). Se confirmada a autocorrelação espacial, a análise por MQO não seria a melhor escolha, já que não levaria em consideração problemas de autocorrelação e heterogeneidade espaciais, e assim, as estimativas fornecidas seriam inconsistentes. Torna-se necessário, então, o emprego de um modelo econométrico espacial.

5 Local Indicator of Spatial Association



Os modelos econométricos espaciais visam captar a associação espacial detectada através da utilização da metodologia citada acima e apresentar os determinantes da extrema pobreza.

Abaixo, há uma melhor descrição dos métodos de econometria espacial utilizados no estudo: O Modelo por Mínimos Quadrados Ordinários (MQO), o Modelo de Defasagem Espacial (MDE) e o Modelo de Erro Espacial (MEE). A explicação para estes dois últimos é que a econometria espacial sugere basicamente os modelos de autocorrelação espacial na variável dependente, isto é, defasagem espacial e autocorrelação espacial no erro espacial (ANSELIN, 1988).

4.2.1 Modelo de Mínimos Quadrados Ordinários (MQO)

O método não é especificamente espacial, e segue a estrutura do clássico modelo de regressão linear. É estimado pelo método dos mínimos quadrados ordinários (MQO), o qual é representado como:

Y = Xβ + u. (4)Onde Y é um vetor (nx1) de observações da variável dependente; β é um vetor de coeficientes a serem estimados; X é uma matriz com (nxk) variáveis explicativas; e u é um vetor de erros, que se supõe seguir a distribuição normal, com média zero, variância constante e (u N(0, I σ 2)), e

não se correlaciona as variáveis explicativas e nem com outros erros para i≠j).

4.2.2 Modelo de Defasagem Espacial (MDE)

Este modelo assume que a autocorrelação espacial pode ser captada por meio da estimativa de um coeficiente relacionado com a variável dependente defasada espacialmente. A equação a seguir expressa o referido modelo:

Y = pWY + Xβ+u.(5) Em que Y é um vetor (nx1) de observações da variável dependente; β é um vetor de coeficientes a serem estimados; X é uma matriz com (nxk) variáveis explicativas; e u é um vetor de erros, que pela suposição tem distribuição normal, com média zero, variância constante e (u N(0, I σ 2)),

e não se correlaciona com outros erros para i≠j), e com as variáveis explicativas. ρ é um coeficiente autorregressivo espacial, o qual capta os efeitos da extrema pobreza de um município sobre a dos seus vizinhos; W (nxn) é a matriz de contiguidade espacial, sendo o termo WY a variável dependente defasada espacialmente.

4.2.3 Modelo de Erro Espacial (MEE)

A utilização deste modelo ocorre quando não são atendidas as suposições de homocedasticidade e de erros não correlacionados. Ou seja, o modelo é adequado quando as variáveis omitidas, e incluídas nos termos de erro, são autocorrelacionadas espacialmente.

Em termos práticos, estima-se os parâmetros inicialmente por Mínimos Quadrados Ordinários, e logo após, estima-se o erro, u, do modelo de MQO, da seguinte forma: u= λWu+ζ. Onde λ é um escalar do coeficiente do erro e u N (0, Iσ2). Nessas condições, o modelo de erro espacial é:



Sendo Y um vetor (nx1) de observações da variável dependente; β é um vetor de coeficientes a serem estimados; X é uma matriz com (nxk) variáveis explicativas; e u é um vetor de erros, que pela suposição tem distribuição normal, com média zero, variância constante

e (u N (0, I σ2)), e não se correlaciona com outros erros para i≠j), e com as variáveis explicativas. Wu é uma matriz de defasagem espacial dos erros; λ é o coeficiente de erro autorregressivo espacial; e ξ é um erro “bem comportado”, com média zero e variância constante (Anselin, 1992).

Exposta a metodologia econométrica, salienta-se que o trabalho reportará as inferências do modelo melhor avaliado de acordo com os critérios da Função de Verossimilhança (LIK) e os critérios de informação Akaike (AIC) e Schwarz (SC). A regra de decisão é simples: quanto maior o valor da LIK e menores os valores de AIC e SC, melhor é o modelo para captar a relação de dependência espacial das variáveis estudadas.

4.3 BASE DE DADOS

Seguindo Medeiros e Pinho Neto (2011) e Silva, Sousa e Batista da Silva (2013), faz-se aqui considerações a dois tipos de dados utilizados no trabalho: O primeiro refere-se à malha de municípios georreferenciada do Estado da Bahia (arquivo shapefile), disponível no site do IBGE ( www.ibge.gov.br ), o qual permite a confecção dos mapas temáticos. A segunda consiste na base das informações estatísticas dos municípios baianos extraídas do Censo Demográfico de 2010, também disponível no site do IBGE. Os indicadores calculados para cada um dos municípios analisados foram:

Taxa de extrema pobreza: Variável dependente do modelo e consiste no percentual da população residente em domicílios particulares permanentes com renda mensal domiciliar per capita de até 70 reais dividida pela população total, caracterizando a população extremamente pobre ou em situação de miséria;

Renda per capita: Consiste no valor (em R$) do rendimento nominal médio mensal domiciliar per capita das pessoas residentes em domicílios particulares com rendimento;

Taxa de analfabetismo: É calculada a partir da divisão da população com 15 anos ou mais de idade analfabeta pela população total nesta mesma faixa de idade;

Empregos formais: Refere-se ao percentual do número de empregos formais dividido pela população total. A fonte de dados para empregos formais em 2010 foi o Cadastro Geral de Empregados e Desempregados (CAGED) do Ministério do Trabalho e Emprego (MTE);

Infraestrutura domiciliar: Corresponde à média aritmética dos seguintes índices: % de domicílios ligados à rede geral de esgoto ou pluvial; % de domicílios com coleta de lixo realizada por serviço de limpeza e % de domicílios ligados à rede geral de água.

Taxa de dependência: Corresponde ao percentual da população menor de 15 anos somada à população maior de 64 anos, dividida pela população em idade ativa (15 a 64 anos);



É razoável esclarecer que os indicadores citados são utilizados no estudo na forma de logaritmos naturais, devido à heterogeneidade entre os municípios analisados, e problemas associados com a variância e não-normalidade dos dados. Dessa forma, essa transformação possibilita reportar às elasticidades da extrema pobreza com relação às variáveis explicativas do modelo econométrico.

5 APRESENTAÇÃO E ANÁLISE DOS RESULTADOS

5.1 RESULTADO DAS ANÁLISES ESPACIAIS

Esta seção objetiva apresentar os índices de associação espacial I de Moran e Lisa, no sentido de identificar clusters e outliers espaciais, ou seja, verificar a existência de algum tipo de associação espacial na extrema pobreza entre os municípios baianos.

Primeiramente, através do I de Moran Global, verifica-se para os 417 municípios que compõem o estado da Bahia, se há evidência estatística de dependência espacial da extrema pobreza. A hipótese nula desse teste supõe que a proporção da população em condições de miséria se distribui de forma aleatória no território paraibano em nível municipal, já a hipótese alternativa afirma a existência espacial no indicador estimado. A Tabela 3 mostra o valor I de Moran Global para a taxa de extrema pobreza usando a matriz de contiguidade espacial tipo Queen em primeira ordem.

Tabela 3: Teste de I de Moran Global para o indicador Logaritmo da Taxa de Extrema Pobreza dos municípios baianos - 2010

Indicador Valor do índice p-valor

Logaritmo da Taxa de Extrema Pobreza 0,5688 0,001Fonte: Elaboração própria

Feita a estimação com 999 permutações aleatórias, observa-se na tabela um p-valor de 0,001, rejeitando-se assim a hipótese nula de aleatoriedade na distribuição da proporção da população em condições de miséria.

Este resultado permite deduzir que há uma forte indicação de autocorrelação global positiva para o indicador verificado. Nesses termos, isso significa que os municípios com altas taxas de extrema pobreza são cercados por municípios na mesma situação, enquanto que municípios com baixas proporções são circundados de municípios circunstância, evidenciando clusters de municípios pobres e ricos respectivamente.

O resultado evidenciado pelo I de Moran Global pode ser complementado pelo diagrama de dispersão, através da utilização da matriz de contigüidade, para o logaritmo da taxa de extrema pobreza.

A figura 1 apresenta o diagrama, e uma visualização detalhada expõe que a maior parte dos dados (municípios) está localizada nos quadrantes (1) e (3). Esses resultados estão de acordo com o I de Moran computado, uma vez que mostram que a maioria dos municípios encontra-se nos quadrantes que representam a existência de autocorrelação espacial positiva, ou seja, valores de extrema pobreza de um determinado município semelhante ao verificado por seus vizinhos.



Figura 1: Diagrama de Dispersão de Moran para o logaritmo da taxa de extrema pobreza. Fonte: Elaboração dos autores.

A fim de corroborar com o citado anteriormente, tem-se que a inclinação positiva da reta de regressão também comprova a existência de autocorrelação espacial, uma vez que o valor de 0,5688 do I de Moran consiste no coeficiente angular da mesma (ANSELIN, 1995).

Entretanto, como bem expõe Anselin (1995), o indicador I de Moran Global pode ser uma medida insuficiente na identificação de padrões locais espaciais, como os clusters ou outliers locais significantes. Sendo assim, para identificar a existência de clusters ou outliers localmente significativos, foi utilizado o indicador I de Moran Local, ou LISA, que testa a hipótese de inexistência de associação espacial, comparando os valores de cada localização com os valores de seus vizinhos, possibilitando identificar a existência de aglomerações no território baiano, sujeita ao nível de significância estatística utilizada no teste de autocorrelação espacial.

Dentro desta perspectiva, foi elaborado o Moran Map, exposto abaixo, como forma de visualização dos municípios para os quais os valores do indicador LISA foram considerados significantes.



Trata-se de um mapa temático que busca classificar as áreas em quatro possibilidades de associação espacial, sendo:

• Alto-Alto (AA), encontradas no mapa com a cor vermelha representando correlação espacial positiva, identifica municípios com altos índices de população extremamente pobre vizinhos a municípios com altos índices. São denominados clusters locais;

• Baixo-Baixo (BB), também representando tipos de correlação positiva, encontram-se no mapa na cor azul, e identifica municípios com baixos índices de população extremamente pobre circundados por municípios com baixos índices;

• Alto-Baixo (AB), encontradas no mapa na cor rosa, representando tipos de correlação espacial negativa, denominados outiliers, identifica municípios com altos índices de população extremamente pobre, rodeados por municípios com baixos índices;

• Baixo-Alto (BA), em cor cinza no mapa, também representam correlação espacial negativa (outiliers) e identificam municípios com baixos índices de população extremamente pobre vizinhos a municípios com altos índices.

Figura 2: Indicador Local de Cluster Espacial (LISA) para os municípios da Bahia - 2010

Fonte: Elaboração própria



Através do mapa de clusters, pode-se verificar que a existência da autocorrelação global positiva no tocante a extrema pobreza dos municípios baianos é confirmada localmente, pois dentre os índices com significância, encontram-se predominantemente a classificação Alto-Alto e Baixo-Baixo. O resultado apresentado comprova a hipótese de que municípios com alta proporção de população em condições de miséria influenciam municípios contíguos a terem o mesmo desempenho, devido à condição da proximidade espacial.

Em termos de localização territorial, são 63 municípios classificados como Alto-Alto, e estes podem ser divididos em pelo menos quatro agrupamentos de municípios, isto é, cidades com alta proporção de população em condições de miséria circundadas por cidades em situação equivalente, caracterizando clusters de municípios considerados extremamente pobres.

O primeiro grupo está situado na entre o Extremo Oeste Baiano e a Região do Sertão do São Francisco - São municípios que apresentam como características principais: Suas economias voltadas para o comércio local, uma considerável quantidade de pessoas habitando em áreas rurais, as quais são prejudicadas pelo clima semiárido, com precipitação irregular de chuvas e baixa umidade relativa do ar, o que naturalmente favorece a condição de extrema pobreza.

O segundo grupo de municípios classificados como Alto-Alto, está localizado no Centro Norte Baiano com uma concentração maior na Região da Chapada Diamantina, dos 27 municípios inseridos nessa região, 9 apresentaram-se classificados com alto índice de pobreza, rodeados por outros municípios também com alto índice.

O terceiro e quarto grupo com elevada proporção de pobreza englobam, respectivamente, uma pequena parte do Nordeste Baiano, no Semiárido, e a Região do Sisal que apresenta 4 municípios extremamente pobres.

De modo geral, o que se observa é que essas microrregiões da Bahia estão situadas em regiões com pouquíssimas áreas úmidas. A principal fonte de receita destas regiões é oriunda da arrecadação do turismo, do comércio local, que dependem substancialmente das atividades agrícolas, pecuária e avicultura. Boa parte desses municípios sofre com as prolongadas estiagens, em decorrência das adversidades do clima e do solo. Além disso, muitos dessas cidades apresentam precariedade na disponibilidade de recursos hídricos, baixa produtividade e baixo nível educacional, aspectos que contribuem para a condição desfavorável da população.

Não obstante, constata-se também a formação de “blocos” de municípios classificados como Baixo-Baixo, isto é, cidades com baixa proporção de população em condições de miséria circundadas por cidades em situação equivalente, caracterizando clusters de municípios considerados ricos.

São 65 cidades que podem ser também agrupadas em 3 blocos: Dois grupos são formados por cidades localizadas no centro-sul e extremo sul da Bahia. O Extremo Sul é a segunda região de maior atração de investimentos da Bahia e nela está concentrada a produção de celulose do Estado. Beneficiando-se da montagem de nova infra-estrutura para viabilizar a produção de celulose e o desenvolvimento do turismo, conta com investimentos de implantação de derivados da fruticultura. Tem na pecuária bovina a utilização dominante, seguida do cultivo do mamão, cacau, café, coco-da-baía, abacaxi, melancia, mandioca e eucalipto. A silvicultura desempenha importante papel econômico na Região. Várias empresas atuam nesse segmento, orientadas para a produção de celulose e carvão de uso siderúrgico.



E o terceiro bloco localiza-se na Região Metropolitana de Salvador. Esta é a região mais desenvolvida do Estado, sendo adensada pela presença de suporte comercial e de serviços, com infra-estrutura diferenciada em relação às demais regiões da Bahia. Possui um percentual extremamente elevado dos investimentos da indústria baiana, em função da representatividade do setor petroquímico e do novo vetor de expansão metal-mecânico.

Os municípios classificados como Baixo-Alto não teve formação de agrupamentos de em especial, sendo composto por 9 cidades: Antas, Antônio Gonçalves, Bom Jesus da Lapa, Capim Grosso, Ibotirama, Jacobina, Lençóis, Santa Maria da Vitória, São Felix do Coribe. Estes municípios caracterizam-se por possuírem baixas proporções de população extremamente pobre, mas estarem rodeados de municípios em situação pior.

Por fim, em relação às cidades com classificação Alto-Baixo, identificou-se significância estatística para apenas 5 municípios: Guaratinga, Itanagra, Jitaúna, Nova Canaã e São Felipe.

Os demais municípios (275) não tiveram valores significativos estatisticamente, ou seja, não influenciam e nem são influenciados pelos seus vizinhos no tocante as condições de extrema pobreza de suas populações.

Com base no exposto, evidencia-se a existência de uma estrutura de autocorrelação espacial na distribuição do indicador da extrema pobreza nos municípios do Estado da Bahia. Neste sentido, a discussão sobre quais variáveis influenciam esta correlação poderia explicar os resultado apresentados, e qual o seu nível de influência. Isto poderia servir de fonte de auxílio das autoridades na tentativa esclarecer a extrema pobreza na Bahia.

5.2 A EXTREMA POBREZA NA BAHIA: SEUS DETERMINANTES

Nesta seção são apresentados os resultados das análises dos determinantes da extrema pobreza nos municípios do Estado da Bahia. O modelo foi estimado com base nas variáveis disponíveis, conforme os três modelos descritos na metodologia econométrica espacial, buscando verificar qual deles apresenta um melhor ajuste aos dados com resultados mais robustos. A variável adotada é a proporção de pessoas do município que vive em domicílios caracterizados pela condição de miséria, isto é, proporção de pessoas com renda domiciliar per capita de até R$ 70,00. As variáveis explicativas utilizadas foram: renda, educação, emprego, infraestrutura domiciliar e taxa de dependência, como medida de relacionar as características dos municípios, que teoricamente, podem impactar nas taxas de pobreza.



Tabela 4: Determinantes da Extrema Pobreza na Bahia: MQO, MDE e MEE- 2010Variáveis Explicativas MQO MDE MEE

Renda per capita -0,236** -0,222** -0,299**(0,012) (0,069) (0,031)

Taxa de Analfabetismo 0,165** 0,151* 0,188*(0,041) (0,004) (0,009)

Empregos formais -0,125 * -0,109** - 0,111***(0,009) (0,023) (0,049)

Infraestrutura Domiciliar -0,145** -0,152** -0,153*(0,062) (0,014) (0,011)

Taxa de Dependência 0,114*** 0,118* 0,121***(0,056) (0,007) (0,038)

Constante 1,036* 1,018* 1,030*(0,021) (0,004) (0,019)

ρ - 0,430** - (0,031)

λ - - 0,681* (0,013)

Estatísticas Multicolinearidade 101,66 - -Coeficiente de Determinação - R² 0,757 0,802 0,836LIK 2303,31 3005,79 3411,32AIC -5993,11 -6889,21 -7094,28SC -5829,24 -6721,15 -7001,39Teste Jarque-Bera 222,31* - -Teste Breusch-Pagan 385,13* 307,83* 200,21*Nº de Observações 417 417 417

Fonte: Elaboração própria a partir dos dados do Censo 2010. Obs: (i) Todas as variáveis estão em logaritmo natural; (ii) As estimativas de MQO foram obtidas com correção para Heteroscedasticidade (erros robustos de White); (ii): Erro padrão entre parênteses. Notas: * significante ao nível de 1%.** significante ao nível de 5%.*** significante ao nível de 10%.

Na primeira coluna da tabela estão expostos os resultados dos coeficientes estimados por MQO. Com vistas às especificações, a existência da dependência espacial foi confirmada pelo teste I de Moran para os resíduos do modelo, além dos testes de Breusch-Pagan e o de Jarque-Bera indicarem a presença de heterocedasticidade e não normalidade desses resíduos, o que permite inferir que os resultados estimados por MQO não são eficientes.

Deste modo, considerando a presença da dependência espacial na taxa de extrema pobreza da população dos municípios analisados, assim como, a autocorrelaçao espacial dos erros, a estimação foi realizada, seguindo Medeiros e Pinho Neto (2011) e Silva, Souza e Batista da Silva (2013), através da utilização do Modelo de Defasagem Espacial (MDE), exposto na 2ª coluna, e do Modelo de Erro Espacial (MEE), exposto na 3ª coluna.

Observa-se que esses modelos apresentaram um bom grau de ajuste, com coeficiente de determinação (R²) razoavelmente elevado, de 0,80 para o MDE e 0,83 para o MEE.



A regra de escolha, com base na minimização dos valores dos critérios de informação de Akaike (AIC) e Schwarz (SC), e maior valor para o LIK, indica que o modelo mais indicado (possui melhor ajuste) para se estudar os determinantes da taxa de extrema pobreza nos municípios baianos é o Modelo de Erro Espacial. Com efeito, as inferências serão feitas a partir deste método de estimação. Salienta-se ainda que, como o modelo está na forma log-linear, os coeficientes estimados reportam as próprias elasticidades, informando a sensibilidade da extrema pobreza com relação a cada uma das variáveis explicativas incluídas na análise.

Considerando os coeficientes do modelo MEE, estes apresentaram os sinais esperados e estatisticamente significativos. O termo do erro autorregressivo (λ), positivo (0,68) e significante, indica que os efeitos não modelados apresentam uma autocorrelção espacial positiva.

Os coeficientes das proxies “Renda per capita” e “Taxa de Analfabetismo” permitem, respectivamente, inferir uma relação inversa e proporcional destas variáveis com a extrema pobreza, indicando que tanto o crescimento da renda quanto a elevação dos níveis educacionais médios da população afetam a condição de miséria dos municípios. Um incremento de 10% na Renda per capita reduz a pobreza em aproximadamente 2,9%, e havendo uma redução de 10% na taxa de analfabetismo, o modelo prevê uma queda em torno de 1,8% percentual de população em situação de miséria nos municípios.

Esse resultado vai de encontro aos trabalhos da literatura brasileira, confirmando a importância dos investimentos em educação para promoção do crescimento econômico e a redução da desigualdade como instrumento capaz de retirar pessoas da extrema pobreza.

A variável “Empregos Formais” apresentou um coeficiente negativo, informando que a taxa de extrema pobreza é reduzida em 1,1%, caso a proporção de trabalhadores formais se eleve em 10%. Esse resultado demonstra que a inserção de pessoas pobres no mercado de trabalho formal contribui para elevar os rendimentos e as condições de vida da população.

Prosseguindo com a análise dos coeficientes, observa-se que as condições de “Infraestrutura Domiciliar” também exercem impacto na extrema pobreza. Indicando que quanto menor a cobertura dos serviços de água, esgoto e coleta de lixo, maior os indicadores de pobreza dos municípios baianos. Esse fato ressalta que a pobreza está mais concentrada em áreas rurais dos municípios verificados, em que se observa uma menor cobertura dos serviços de infraestrutura domiciliar.

Em relação à variável “Taxa de Dependência”, ou seja, número de pessoas muito jovens (com menos de 15 anos) e idosas (com mais de 64 anos), relativamente às pessoas em idade ativa (15 a 64 anos), observa-se uma maior tendência de possuir índices elevados de pobreza. Esse resultado condiz com o esperado, pois geralmente os responsáveis em manter o domicílio são aquelas pessoas em idade ativa que participam do mercado de trabalho e auferem de algum tipo de renda.

Com base nos resultados apresentados, recomenda-se aos formuladores de políticas, ações públicas que possibilitem a formulação eficiente de capital humano; criação de emprego e renda com distribuição justa dos benefícios, uma maior cobertura dos serviços de água, esgoto e coleta de lixo; e fomentar de forma universal o acesso aos serviços de saúde e saneamentos, pois perante os resultados do trabalho essas ações seriam essenciais para amenizar os indicadores de pobreza dos municípios do Estado da Bahia.



6 CONSIDERAÇÕES FINAIS

Esta pesquisa buscou analisar a dependência espacial da extrema pobreza para os municípios do Estado da Bahia no ano de 2010, com base em dados censitários, pela utilização da análise explanatória de dados espaciais, obtida através das medidas de autocorrelação espacial global (I de Moran) e de autocorrelação local (Local Indicator Spatial Association - LISA). Em análise comparativa, a estimação do modelo econométrico indicou o Modelo de Erro Espacial (MEE) com o melhor ajuste dos dados e, por isso, com resultados mais robustos.

As análises comprovaram a existência de dependência espacial da extrema pobreza com a formação de clusters em vários pontos da região paraibana. Evidenciou-se que 275 municípios não exerceram influência e nem foram influenciados pelos seus vizinhos quando se refere às condições de extrema pobreza de suas populações.

Os municípios classificados como Alto-Alto, ou seja, cidades com alta proporção de pessoas em condições miseráveis rodeadas por cidades em situação equivalente, caracterizando clusters, totalizaram 63 municípios, os quais foram divididos em quatro agrupamentos, sendo que a maior concentração de municípios em situação extrema de pobreza concentra-se no Sertão do são Francisco e no Extremo Oeste Baiano.

A evidência é de que a pobreza apresenta uma maior concentração nas áreas rurais das regiões analisadas, em que se verificam problemas relacionados ao clima seco e árido da região: à baixa produtividade e precária cobertura dos serviços públicos de infraestrutura.

Constatou-se também a formação de “blocos” de municípios classificados como Baixo-Baixo, isto é, cidades com baixa proporção de população em condições de miséria circundadas por cidades em situação equivalente, caracterizando clusters de municípios considerados ricos. São 65 cidades, e ganha destaque na análise a Região Metropolitana de Salvador, que tem a economia baseada em elevados investimentos da indústria, em função da representatividade do setor petroquímico e do novo vetor de expansão metal-mecânico; e também o Extremo Sul, a qual é a segunda região de maior atração de investimentos da Bahia e nela está concentrada a produção de celulose do Estado.

O grupo dos municípios classificados como Baixo-Alto não teve formação de agrupamentos de em especial, sendo composto por 9 cidades: Antas, Antônio Gonçalves, Bom Jesus da Lapa, Capim Grosso, Ibotirama, Jacobina, Lençóis, Santa Maria da Vitória, São Felix do Coribe. Estes municípios caracterizam-se por possuírem baixas proporções de população extremamente pobre, mas estarem rodeados de municípios em situação pior.

Por fim, em relação às cidades com classificação Alto-Baixo, identificou-se significância estatística para apenas 5 municípios: Guaratinga, Itanagra, Jitaúna, Nova Canaã e São Felipe.

Em relação aos resultados do modelo econométrico espacial MEE, as variáveis “Renda per capita” e “Taxa de Analfabetismo”, permitiram deduzir que investimentos em educação, a promoção do crescimento econômico e consequentemente a redução da desigualdade, apresentam-se como instrumentos essenciais capazes de retirar pessoas da extrema pobreza.



A variável “Empregos Formais” indica que a inserção de pessoas pobres no mercado de trabalho formal auxilia na elevação dos rendimentos e da condição de vida da população.

As condições de ”Infraestrutura Familiar” também exercem impacto sobre a extrema pobreza, de maneira que uma menor cobertura dos serviços de água, esgoto e coleta de lixo, revela maiores indicadores de pobreza nos municípios da Bahia.

Por fim, em relação à variável “Taxa de Dependência”, observou-se que há um número maior de pessoas muito jovens e idosas em condições de pobreza em comparação às pessoas em idade ativa.

Esses resultados apresentam grande importância e abre espaço para recomendações aos formuladores de políticas para ações públicas que combatam de forma eficiente, a extrema pobreza, levando em consideração a questão da dependência espacial. Nesse contexto, conforme exposto em Silva, Souza e Batista da Silva (2013), pensa-se na formação de capital humano; geração de emprego e renda com distribuição justa; maior cobertura dos serviços de água, esgoto e coleta de lixo, com provimento adequado do acesso á saúde e saneamento, como a condução essencial para reduzir os indicadores de pobreza dos municípios baianos.



REFERÊNCIASANDRADE, E., LAURINI, M., MADALOZZO, R., & PEREIRA, P. L. V. (2004). Convergence clubs among Brazilian municipalities. Economics Letters, nº. 83 pp.179–184.

ATKINSON, T.; CANTILLON, B.; MARLIER, E.; NOLAN, B. Social Indicators. The E.U. and Social Inclusion. Oxford: Oxford University Press, 2002. p. 240.

ANSELIN, L. (1988). Spatial Econometrics: methods and models. Boston: Kluwer Academic.

ANSELIN, L. (1995). Local Indicator of Spacial Association-LISA. Geographical Analysis, 27:93-115.

ANSELIN, L. (2005). Exploring Spatial Data with GeoDa: a Workbook. University of Illinois, Urbana-Champaign.

ANSELIN, L. e BERA, A. (1998).Spatial dependence in linear regression models with an introduction to spatial econometrics, in Ullah A. e Giles D. E. (eds.) Handbook of applied economic statistics, Marcel Dekker, New York, p. 237-289.

BARROS, R. P.; FRANCO, S.; MEDONÇA, R. (2007). A Recente Queda da Desigualdade de Renda e o Acelerado Progresso Educacional Brasileiro da Última Década. Texto para Discussão 1.304. Rio de Janeiro: IPEA, set.

CASTRO NETO, A. A.; ALVES, L. A. A. Considerações sobre a pobreza na Bahia: tendências e estimativas de efeitos de política de transferência direta. Publicações SEI. Texto para discussão nº 3. Salvador, agosto 2011.

CHIARINI, T. (2008). Análise espacial da pobreza municipal no Ceará, 1991-2000. Revista de Economia, v. 34, n. 2 (ano 32), p. 69-93, maio/ago.

CODES, A.L.M. A Trajetória do pensamento científico sobre pobreza: em direção a uma visão complexa. IPEA: Texto para Discussão n.1332, 2008. Disponível em:http://www.ipea.gov.br. Acesso em: 21 nov. 2013.

CRESPO, Antônio Pedro Albernaz; GUROVITZ, Elaine. A pobreza como um fenômeno multidimensional. Revista RAE- Eletrônica. Edição 1: São Paulo, Fundação Getúlio Vargas, 2002. Disponível na Internet: http:// www.rae.com.br/eletrônica> ISSN 1676- 5648.

HAGENAARS, A.; DE VOS, K. “The definition and measurement of poverty.” The journal of human resources 23 (2): 211-221, 1988.

HENNINGER, N; SNEL, M.Where are the poor? Experiences with the development and use of poverty maps.World Resources Working Institute, Washington, D.C., 2002.

INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA – IBGE. Censo Demográfico 2000. Disponível na internet: <www.ibge.gov.br>, acessado dia 02 de abril 2013.

______.Censo Demográfico 2010. Disponível na internet: <www.ibge.gov.br>, acesso em 02 abril 2013.



INSTITUTO DE PESQUISA ECONÔMICA APLICADA – IPEA. Brasil em Desenvolvimento. Disponível em: <www.ipea.gov.br> Acesso em: 30 maio 2013.

LANGONI, C. (2005). Distribuição de renda e desenvolvimento econômico no Brasil. 3ª ed. Rio de Janeiro: FGV.

MEDEIROS, C. N.; PINHO NETO, V. R. (2011). Análise Espacial da Extrema Pobreza no Estado do Ceará. In: VII Encontro de Economia Ceará em Debate. Fortaleza, 2011, Anais... Encontro de Economia Ceará em Debate, 2011.

OLIVEIRA, C. A. (2008). Desigualdades Regionais e Pobreza no Nordeste: Uma análise espacial do crescimento pró-pobre na década de noventa. In: XIII Encontro Regional de Economia do Nordeste, Fortaleza. Anais...XIII Encontro Regional de Economia do Nordeste.SILVA, L.D.C; SOUZA,W.P.S.F. e BATISTA DA SILVA, M.V. Análise da Extrema Pobreza na Região Nordeste: Uma aplicação para os Municípios. XI Encontro de Economia Baiana, 2013. Disponível na internet:< www.eeb.ufba.br>, acessado em: 05 dez. 2013.

SILVEIRA NETO, R. D. M. (2012). Quão pró-pobre tem sido o crescimento econômico no Nordeste? Evidências para o período 1991-2000. Revista Econômica do Nordeste, 36(4), 483-507.

SILVEIRA, G.F. ET al. Análise espacial da pobreza nos municípios do estado de São Paulo. Revista de Economia e Administração, v.9, n2, 207-225p, abr./ jun. 2010. Disponível na internet: <www. spell.org. br>, acessado em: 19 out. 2013.SOUZA, A. P. Por uma política de metas de redução da pobreza. São Paulo em Perspectiva, V. 18, n. 4, pp. 20-27, 2004.

ROMERO, J. A. R. (2006). Análise especial da pobreza municipal do estado de Minas Gerais, 1991-2000. Anais do XIV Encontro Nacional de Estudos Populacionais, ABEP.



APÊNDICE

Tabela A1: Total de associações espaciais significantes por município.

Código Município Observações Significantes

2900801 ALCOBAÇA Baixo-Baixo

2901106 AMÉLIA RODRIGUES Baixo-Baixo

2901353 ANDORINHA Alto-Alto

2901601 ANTAS Baixo-Alto

2901809 ANTÔNIO GONÇALVES Baixo-Alto

2901957 APUAREMA Baixo-Baixo

2902401 AURELINO LEAL Baixo-Baixo

2902708 BARRA Alto-Alto

2902906 BARRA DO CHOÇA Baixo-Baixo

2903003 BARRA DO MENDES Alto-Alto

2903102 BARRA DO ROCHA Baixo-Baixo

2903235 BARRO ALTO Alto-Alto

2903300 BARRO PRETO Baixo-Baixo

2903607 BIRITINGA Alto-Alto

2903805 BOA VISTA DO TUPIM Alto-Alto

2903904 BOM JESUS DA LAPA Baixo-Alto

2904050 BONITO Alto-Alto

2904407 BREJOLÂNDIA Alto-Alto

2904704 BUERAREMA Baixo-Baixo

2904753 BURITIRAMA Alto-Alto

2904803 CAATIBA Baixo-Baixo

2905305 CAFARNAUM Alto-Alto

2905701 CAMAÇARI Baixo-Baixo

2905909 CAMPO ALEGRE DE LOURDES Alto-Alto

2906204 CANARANA Alto-Alto

2906501 CANDEIAS Baixo-Baixo



2906808 CANSANÇÃO Alto-Alto

2906824 CANUDOS Alto-Alto

2906873 CAPIM GROSSO Baixo-Alto

2906907 CARAVELAS Baixo-Baixo

2907509 CATU Baixo-Baixo

2907905 CIPÓ Alto-Alto

2908002 COARACI Baixo-Baixo

2908101 COCOS Alto-Alto

2908507 CONCEIÇÃO DO JACUÍPE Baixo-Baixo

2909208 CORONEL JOÃO SÁ Alto-Alto

2909406 COTEGIPE Alto-Alto

2909604 CRISÓPOLIS Alto-Alto

2909703 CRISTÓPOLIS Alto-Alto

2910057 DIAS D’ÁVILA Baixo-Baixo

2910602 ESPLANADA Alto-Alto

2910701 EUCLIDES DA CUNHA Alto-Alto

2910909 FIRMINO ALVES Baixo-Baixo

2911006 FLORESTA AZUL Baixo-Baixo

2911501 GONGOGI Baixo-Baixo

2911808 GUARATINGA Alto-Baixo

2912400 IBIPEBA Alto-Alto

2912608 IBIQUERA Alto-Alto

2912806 IBIRAPUÃ Baixo-Baixo

2912905 IBIRATAIA Baixo-Baixo

2913200 IBOTIRAMA Baixo-Alto

2913606 ILHÉUS Baixo-Baixo

2913903 IPIAÚ Baixo-Baixo

2914406 IRAQUARA Alto-Alto

2914653 ITABELA Baixo-Baixo



2914802 ITABUNA Baixo-Baixo

2915007 ITAETÉ Alto-Alto

2915304 ITAGIMIRIM Baixo-Baixo

2915353 ITAGUAÇU DA BAHIA Alto-Alto

2915403 ITAJU DO COLÔNIA Baixo-Baixo

2915502 ITAJUÍPE Baixo-Baixo

2915809 ITAMBÉ Baixo-Baixo

2915908 ITANAGRA Alto-Baixo

2916005 ITANHÉM Baixo-Baixo

2916203 ITAPÉ Baixo-Baixo

2916302 ITAPEBI Baixo-Baixo

2916401 ITAPETINGA Baixo-Baixo

2916500 ITAPICURU Alto-Alto

2916807 ITARANTIM Baixo-Baixo

2917003 ITIÚBA Alto-Alto

2917102 ITORORÓ Baixo-Baixo

2917508 JACOBINA Baixo-Alto

2917904 JANDAÍRA Alto-Alto

2918100 JEREMOABO Alto-Alto

2918308 JITAÚNA Alto-Baixo

2918506 JUSSARA Alto-Alto

2918555 JUSSARI Baixo-Baixo

2918902 LAJEDÃO Baixo-Baixo

2919207 LAURO DE FREITAS Baixo-Baixo

2919306 LENÇÓIS Baixo-Alto

2919702 MACARANI Baixo-Baixo

2919926 MADRE DE DEUS Baixo-Baixo

2920007 MAIQUINIQUE Baixo-Baixo

2920452 MANSIDÃO Alto-Alto



2920809 MARCIONÍLIO SOUZA Alto-Alto

2921005 MATA DE SÃO JOÃO Baixo-Baixo

2921104 MEDEIROS NETO Baixo-Baixo

2921401 MIRANGABA Alto-Alto

2921500 MONTE SANTO Alto-Alto

2921609 MORPARÁ Alto-Alto

2921708 MORRO DO CHAPÉU Alto-Alto

2922003 MUCURI Baixo-Baixo

2922052 MULUNGU DO MORRO Alto-Alto

2922102 MUNDO NOVO Alto-Alto

2922250 MUQUÉM DE SÃO FRANCISCO Alto-Alto

2922706 NOVA CANAÃ Alto-Baixo

2922854 NOVA REDENÇÃO Alto-Alto

2922904 NOVA SOURE Alto-Alto

2923001 NOVA VIÇOSA Baixo-Baixo

2923100 OLINDINA Alto-Alto

2923209 OLIVEIRA DOS BREJINHOS Alto-Alto

2923902 PAU BRASIL Baixo-Baixo

2924405 PILÃO ARCADO Alto-Alto

2924603 PINDOBAÇU Alto-Alto

2925253 PONTO NOVO Alto-Alto

2925303 PORTO SEGURO Baixo-Baixo

2925501 PRADO Baixo-Baixo

2925808 QUEIMADAS Alto-Alto

2925907 QUIJINGUE Alto-Alto

2926004 REMANSO Alto-Alto

2926657 RIBEIRÃO DO LARGO Baixo-Baixo

2927002 RIO REAL Alto-Alto

2927408 SALVADOR Baixo-Baixo



2927705 SANTA CRUZ CABRÁLIA Baixo-Baixo

2927804 SANTA CRUZ DA VITÓRIA Baixo-Baixo

2928109 SANTA MARIA DA VITÓRIA Baixo-Alto

2928208 SANTANA Alto-Alto

2928604 SANTO AMARO Baixo-Baixo

2928950 SÃO DOMINGOS Baixo-Baixo

2929107 SÃO FELIPE Alto-Baixo

2929057 SÃO FÉLIX DO CORIBE Baixo-Alto

2929206 SÃO FRANCISCO DO CONDE Baixo-Baixo

2929305 SÃO GONÇALO DOS CAMPOS Baixo-Baixo

2929354 SÃO JOSÉ DA VITÓRIA Baixo-Baixo

2929503 SÃO SEBASTIÃO DO PASSÉ Baixo-Baixo

2929701 SÁTIRO DIAS Alto-Alto

2929800 SAÚDE Alto-Alto

2929909 SEABRA Alto-Alto

2930303 SERRA DOURADA Alto-Alto

2930709 SIMÕES FILHO Baixo-Baixo

2930808 SOUTO SOARES Alto-Alto

2930907 TABOCAS DO BREJO VELHO Alto-Alto

2931350 TEIXEIRA DE FREITAS Baixo-Baixo

2931707 TERRA NOVA Baixo-Baixo

2932309 UBATÃ Baixo-Baixo

2932408 UIBAÍ Alto-Alto

2932457 UMBURANAS Alto-Alto

2932507 UNA Baixo-Baixo

2932705 URUÇUCA Baixo-Baixo

2933257 VEREDA Baixo-Baixo

2933455 WANDERLEY Alto-Alto

2933604 XIQUE-XIQUE Alto-Alto Fonte: Elaboração própria

A POBREZA EXTREMA NOS MUNICÍPIOS BAIANOS: UM ESTUDO DE ... · e na Bahia; e uma revisão sobre...

Documents

Transcript of A POBREZA EXTREMA NOS MUNICÍPIOS BAIANOS: UM ESTUDO DE ... · e na Bahia; e uma revisão sobre...