ÁREA 3 – ECONOMIA REGIONAL E URBANA

Ajustamentos do mercado de trabalho na crise econômica brasileira: uma análise de painel de dados espaciais

Samara Cristina VieceliMestre em Desenvolvimento Regional e Agronegócio pela Universidade Estadual do Oeste do Paraná (Unioeste), Campus de Toledo. Economista pela Unioeste. E-mail: samarav.piacenti@hotmail.com.

Jefferson Andronio Ramundo StadutoDoutor em Economia Aplicada pela Universidade Federal de Viçosa. Professor Titular do Curso de Economia e do Programa de Pós-Graduação em Desenvolvimento Regional e Agronegócio da Unioeste, Campus de Toledo. E-mail: jstatudo@yahoo.com.br.

RESUMOOs fatores de produção móveis (trabalho e capital financeiro) são atraídos pelas forças produtivas centrípetas de localizações que se encontram em expansão, contribuindo para acelerar o seu desenvolvimento. A localização espacial das atividades econômicas é amplamente associada às economias de aglomeração na literatura. No entanto, este estudo contribui com a discussão ao analisar espacialmente os ajustamentos do mercado de trabalho dos municípios brasileiros diante da crise econômica brasileira de 2014. A metodologia utilizada foi painel de dados espacial, com série temporal dos anos de 2012 a 2017, cujo é composto por um período de crise e subsequente estagnação econômica com alto desemprego. O mercado de trabalho brasileiro está sofrendo uma mudança estrutural com um processo de desaglomeração dos principais polos de desenvolvimento, e a atividade econômica, assim como o crescimento econômico brasileiro lentamente se recuperaram dos impactos causados por esse choque, o que indica um baixo dinamismo nas atividades.

Palavras-chave: Mobilidade. Mercado de trabalho. Economias de aglomeração. Painel de dados espaciais. Crise econômica.

ABSTRACTMobile factors of production (labor and financial capital) are attracted by the centripetal productive forces of locations that are expanding, contributing to accelerate their development. The spatial location of economic activities is largely associated with agglomeration economies in the literature. However, this study contributes to the discussion by analyzing spatially the labor market adjustments of Brazilian municipalities in the face of the Brazilian economic crisis of 2014. The methodology used was a spatial data panel, with a time series from 2012 to 2017, which is composed for a period of crisis and subsequent economic stagnation with high unemployment. The Brazilian labor market is undergoing a structural change with a process of deglomeration of the main development poles, and economic activity, as well as Brazilian economic growth were slowly recovered from the impacts caused by this shock, which indicates a low dynamism in activities.

Keywords: Mobility. Labor market. Agglomeration economies. Spatial data panel. Economic crisis.

JEL: J11, J2, R12

1. INTRODUÇÃO

A mobilidade dos fatores de produção é um aspecto substancial da economia capitalista contemporânea, pois tem importante influência na eficácia das políticas de desenvolvimento regional, uma vez que grandes fluxos de capital e trabalho possibilitam o alcance de objetivos sociais e econômicos por meio de incentivos alocativos (MCCULLOCH; YELLEN, 1977). Os fatores móveis de produção (trabalho e capital) são atraídos pelas forças centrípetas das regiões em expansão, de modo a contribuir para o seu desenvolvimento. Uma vez iniciado o processo de desenvolvimento econômico em uma localidade, os fluxos de capital, trabalho, ideias, bens e serviços seguem o processo cumulativo na região central, decorrente do fluxo das regiões periféricas, aumentando as disparidades regionais (OLIVEIRA, 2008).

Estes fatores estão associados às aglomerações das atividades econômicas no espaço, assim como ao processo de crescimento e desenvolvimento das regiões. As implicações do desenvolvimento desigual em diferentes localidades são amplamente debatidas na literatura. Smith (2007)1 foi o precursor dessa discussão ao trazer à luz que a produção em escala permite a divisão do trabalho, viabilizando, assim, a especialização das pessoas em funções específicas e o aumento de sua produtividade. A partir da aglomeração e desaglomeração, que demonstram parte importante do comportamento do mercado de trabalho regional, é possível observar a elevada volatilidade da força de trabalho frente aos choques econômicos (BARROS et al., 1997; STADUTO; SCHIO, 2010).

O mercado de trabalho é responsável por grande parte do processo de distribuição de renda, e sua estrutura pode ser suscetível a influências de oferta e demanda, tais como: cenário macroeconômico, características regionais, decisões políticas, estoque de capital humano e outros (TELES; MIRANDA, 2006; SILVA; MONSUETO; PORSSE, 2015). Em virtude de sua característica de absorver e refletir vetores socioeconômicos do meio em que está inserido, o estudo do mercado de trabalho permite refletir acerca da dinâmica econômica de um país e suas regiões, por meio da sua distribuição espacial e grau de ajustamento diante de turbulências (BARROS et al., 1997; STADUTO; SCHIO, 2010; GONÇALVES et al., 2019).

Em tempos de opulência na economia, a oferta e a demanda do mercado agem em relativo

equilíbrio. Em tempos de escassez, o equilíbrio do mercado de trabalho é prejudicado, há altas taxas de

desemprego e estes momentos costumam ser acompanhados por grandes problemas econômicos, sociais e

políticos, como já afirmava Keynes (1974, p. 4) “[…] if real aggregate demand exceeds the supply

potential of the economy, you will tend to get inflationary pressures building up and inflation itself

occurring. On the other hand, if aggregate demand is below the supply potential then you will have

unemployment.”

Se o cenário econômico afeta o equilíbrio da oferta e demanda do mercado, automaticamente o equilíbrio do mercado de trabalho é alterado positiva ou negativamente. Conforme Barros et al. (1997), sempre que ocorrem expressivas flutuações no cenário econômico, o mercado de trabalho é atingido por um choque, podendo este ser idiossincrático ou agregado.

Um choque agregado afeta todos os setores igualmente. Um choque idiossincrático tem efeitos heterogêneos nos setores de atividade econômica, prejudicando alguns setores e beneficiando outros, como aconteceu na crise econômica brasileira de 2014. Teoricamente, todo choque pode ser composto por partes agregadas e partes idiossincráticas (BARROS et al., 1997; SALES; QUEIROZ; LUCCA, 2003; TELES; MIRANDA, 2006).

Por exemplo, a crise do Subprime, iniciada em 2007, foi um caso de grande choque que atingiu a economia mundial, considerada a crise financeira mais crítica desde 1929 (BRESSER-PERERIRA, 2009). Seu efeito na economia mundial foi de tal magnitude que os principais bancos centrais do mundo tiveram dificuldade de se recuperar e tirar suas economias da recessão (ALMEIDA et al., 2018).

No Brasil, entretanto, os efeitos desta crise foram menos intensos e rapidamente contornados por 1 Adam Smith (1976). Edição digital: MetaLibri, 2007.

meio de políticas anticíclicas. Poucos anos depois, em 2012, uma crise doméstica começou no país e tomou grandes proporções, resultando em consequências como instabilidade econômica e, a partir de 2014, gerou uma das maiores ondas de desemprego dos últimos anos (MORETTO; PRONI, 2011; OREIRO, 2015).

A taxa de desemprego brasileira, de acordo com a Pesquisa Nacional por Amostra de Domicílios Contínua trimestral - PNAC, de 2012 a 2014 foi, em média, 7,1% da população economicamente ativa (PEA). A partir de 2015, a taxa passou para 9%, seguindo uma trajetória ascendente até atingir 13,7% no primeiro trimestre de 2017. Após essa marca, o mercado de trabalho ficou instável e a taxa de desemprego sofreu oscilações, passando a apresentar tendência de lenta recuperação, revelada pela pequena redução do desemprego formal. No primeiro trimestre de 2018, a taxa de desemprego era de 13,1%, baixou para 12,7% no final do primeiro trimestre de 2019, e voltou a reduzir para 11% no último trimestre de 2019.

Considerando o tamanho da população brasileira e suas diferentes particularidades regionais, estes números são alarmantes e apontam que os efeitos da crise brasileira ainda afetam o mercado de trabalho. Ademais, cada setor de atividade econômica foi afetado em graus diferentes, o que caracteriza um choque idiossincrático. Deste modo, pode-se dizer que a crise de 2014 se configura em uma ação turbulenta e idiossincrática, e um de seus efeitos foi o desequilíbrio do mercado de trabalho em várias regiões do país.

Nesta conjuntura, o choque idiossincrático pode ser observado a partir do ano de 2014 (Figura 1), quando houve um grande aumento do desemprego e os setores de atividade reagiram a intensidades diferentes ao choque. Não obstante, o mercado de trabalho ainda sofre os efeitos da estagnação econômica com altas taxas de desemprego e crescente informalidade (PNAC, 2020). Enquanto a economia permanecer estagnada, o mercado de trabalho tende a não se acomodar plenamente e a integração dos desempregados no mercado será lenta e ineficiente (BARROS; MENDONÇA, 1997).

Figura 1 – Variação de emprego dos grandes setores de atividade econômica – 2011 a 2017

Fonte: Elaborado pela autora, com base em RAIS (2019).

Segundo Urani (1996), Barros e Mendonça (1997), Barros et al. (1997), OCDE (2002) e Machado (2011), a flexibilização do mercado de trabalho diante de choques idiossincráticos é uma ferramenta para auxiliar na retomada do crescimento econômico. Portanto, isso se aplica ao mercado de trabalho brasileiro após sofrer os efeitos da crise econômica de 2014. A mobilidade da mão de obra pode ser uma importante ferramenta para promover o ajustamento da economia e retomar seu potencial de crescimento, principalmente regional, além, é claro, de reduzir a taxa de desemprego, gerar mais lucros, renda e movimentar vigorosamente a economia.

No cenário de crise doméstica, o ajustamento mais eficiente do mercado será a alocação

intersetorial e interregional. No processo de ajustamento da mão de obra, indivíduos que saem dos setores mais prejudicados tendem a se inserir em setores beneficiados (ou menos prejudicados). Evidentemente, isso pode ter efeitos negativos sobre a produtividade e crescimento econômico.

Deste modo, este estudo busca contribuir com o meio científico e com a sociedade respondendo a seguinte problemática: diante do choque macroeconômico e idiossincrático, da economia brasileira em 2014, quais particularidades regionais mais contribuíram para os ajustamentos no mercado de trabalho? Onde ocorreram os ajustamentos interregionais mais intensos entre os municípios brasileiros? Para responder a estas questões, o objetivo do artigo é analisar os ajustes alocativos no mercado de trabalho dos municípios brasileiros no período de 2012 a 2017, bem como analisar as características regionais econômicas e demográficas que se correlacionam com os ajustamentos alocativos.

A hipótese do estudo está baseada nos estudos de Urani (1996), Barros e Mendonça (1997), Barros et al. (1997), OCDE (2002) e Machado (2011) sobre a flexibilização do mercado de trabalho diante das recessões econômicas. Para esses autores, quando a economia está sofrendo impactos negativos de um choque, é fundamental que o mercado de trabalho aumente seus níveis de flexibilidade para reintegrar rapidamente os indivíduos ao mercado de trabalho. Caso contrário, a reintegração do indivíduo no mercado de trabalho levará mais tempo, haverá aumento da taxa de desemprego e as condições de desenvolvimento local tenderão a ser prejudicadas.

Portanto, a hipótese deste estudo é: em períodos de recessão econômica, regiões com altos níveis de turbulência tendem a integrar os indivíduos mais rapidamente ao mercado de trabalho, e então, ocorre uma redução da taxa de desemprego devido à diversificação de seus quadros de atividades econômicas.

2. Desenvolvimento Regional e o mercado de trabalho

Os custos de transação da produção ganharam destaque na literatura a partir dos estudos de Von Thünen (1966). Posteriormente, posteriormente desenvolvido por Coase (1937) ao apontar a relevância dos custos de transação nas etapas de produção e nas transações de mercado. Esses custos tornaram-se relevantes nas decisões de localização das indústrias e empresas, que se organizaram a partir da cadeia produtiva, próximo às diferentes etapas da produção. Logo, o processo de aglomeração de empresas se inicia devido à viabilidade dos custos de transação. A literatura associa o cenário de economias de aglomeração às regiões centrais ou regiões polos. As aglomerações costumam se manifestar em regiões com perfis dinâmicos e com capacidades distintas de geração de empregos e externalidades positivas.

Há regiões fortemente influenciadas pela tendência de crescimento da economia nacional, cujas se fortalecem a partir de atividades motoras. Enquanto outras regiões percorrem uma tendência embasada em atividades diferenciadas, sendo capazes de estimular o crescimento econômico por meio de especialização e, principalmente, de capital endógeno estruturado (GONÇALVES JR. et al., 2010). Com isso, se inicia o processo de desenvolvimento de uma região e os fatores de capital e trabalho são atraídos para a região, dando continuidade ao processo de aglomeração das atividades econômicas.

No mesmo sentido, Furtado (2002) aponta que o desenvolvimento econômico é um processo endógeno de criação de demanda e formação do mercado interno. No subdesenvolvimento, há demasiada dependência do comércio exterior para diversificação da demanda e progresso técnico. Já o desenvolvimento regional estrutura-se em torno da criação de padrões de consumo e geração de emprego e renda a partir da dinâmica interna da economia, ou seja, a partir da intensidade do desempenho dos fatores de produção da região.

Na maturidade do desenvolvimento regional, as economias passam a se associar geograficamente a outras economias regionais, interligadas por estruturas de produção, consumo, distribuição da força de trabalho e aspectos sociais, culturais, entre outros. Essa formação é denominada área de mercado (LEMOS et al., 2003; PIACENTI; ALVES; FERRERA DE LIMA, 2008). Outra fase que pode ocorrer após o amadurecimento do desenvolvimento é o processo de desaglomeração industrial, em que se torna mais vantajoso para empresas e indústrias saírem do polo central e se deslocarem para centros periféricos. Nesse estágio de desenvolvimento, a região tende a formar um crescimento polinuclear e descentralizado (ISARD, 1960).

Nas hierarquias das aglomerações espaciais, Kon (1999) e Gonçalves Jr. et al. (2010) discutem o

papel das atividades econômicas nos setores secundário e terciário como indutoras do desenvolvimento. Estas atividades realocam capital e trabalho de outros setores, como as áreas rurais, devido ao aumento da mecanização. O setor terciário também tem absorvido parcela relevante da mão de obra advinda de processos de desaglomeração industrial ou em períodos de instabilidade econômica. As economias de serviços estão crescendo principalmente em países industrializados, mas também em economias menos desenvolvidas como o Brasil.

O mercado de trabalho reflete os estágios de desenvolvimento de uma região, bem como sua estrutura econômica, seu perfil de produtividade e consumo. Segundo Kon (1999), Lemos et al. (2003), Souza (2009) e Gonçalves Jr. et al. (2010), a estrutura das atividades econômicas no mercado de trabalho passa por reorganizações no espaço. Este fenômeno ocorre ao longo do tempo na estrutura do mercado global e regional, no interior dos países e seus estados. Ao longo do tempo, toda a estrutura do mercado pode ser alterada por diversos fatores e passar por reorganizações espaciais das atividades econômicas. Ademais, tais transformações tendem a ocorrer principalmente em centros mais desenvolvidos, de forma que, geralmente, o setor terciário passa a ter grandes ganhos no processo.

3. MATERIAIS E MÉTODOS

Este capítulo está dividido em duas partes. Primeiramente é apresentado o índice de turbulência do mercado de trabalho, que será a variável dependente do modelo econométrico. A segunda parte apresenta a econometria espacial, com uma abordagem rápida da Análise Exploratória de Dados Espaciais (EASD) e maior foco na regressão econométrica de painel de dados espaciais.

3.1 Dados e Índice de Turbulência

Os dados utilizados na mensuração do índice de turbulência foram os valores absolutos de empregos formais da base de dados do Ministério do Trabalho e Emprego (MTE) obtidos pela Relação Anual de Informações Sociais - RAIS, para cada um dos 5.563 municípios2 brasileiros. Os 25 subsetores da atividade económica (formal) foram selecionados de acordo com a divisão do Instituto Brasileiro de Geografia e Estatística (IBGE), posteriormente agregados em quatro grandes setores: (i) indústria, (ii) comércio e serviços (C&S), (iii) administração pública e (iv) agricultura, conforme divisão no Quadro 1.

Quadro 1 – Composição dos setores de atividade econômicaSETOR DA INDÚSTRIA SETOR DO COMÉRCIO E SERVIÇOS1- Extração de minerais; 2- indústria de produtos minerais não metálicos; 3- indústria metalúrgica; 4- indústria mecânica; 5- indústria do material elétrico e de comunicações; 6- indústria do material de transporte; 7- indústria da madeira e do mobiliário; 8-indústria do papel, papelão, editorial e gráfica; 9- indústria da borracha, do fumo, de couros, peles e produtos similares e indústria diversa; 10- indústria química, de produtos farmacêuticos, veterinários, de perfumaria, sabões, velas e matérias plásticas (indústria química); 11- indústria têxtil, do vestuário e artefatos de tecidos (indústria têxtil); 12 - indústria de calçados; 13- indústria de produtos alimentícios, de bebida e álcool etílico (indústria de alimentos e bebidas).

14- Serviços industriais de utilidade pública (SIUP); 15- construção civil; 16- comércio varejista; 17- comércio atacadista; 18- instituições de crédito, seguros e de capitalização; 19- administradoras de imóveis, valores mobiliários, serviços técnicos profissionais, auxiliar de atividade econômica (serviços mobiliários e atividade econômica); 20- transporte e comunicações; 21- serviços de alojamento, alimentação, reparo, manutenção, radiodifusão e televisão; 22- serviços médicos, odontológicos e veterinários (serviços médicos); 23- ensino.

SETOR DA ADMINISTRAÇÃO PÚBLICA SETOR DA AGROPECUÁRIA24- Administração pública direta e indireta. 25- Agropecuária – agregado das atividades

agricultura, silvicultura, criação de animais, extração vegetal e pesca.

Fonte: Autores

2 Foram retirados da amostra os municípios que não apresentaram dados para todos os anos da análise, sendo estes: Mojuí dos Campos (PA), Marajá do Sena (MA), Guaribas (PI), Pescaria Brava (SC), Balneário Rincão (SC), Lagoa Mirim (RS), Lagoa dos Patos (MG), Pinto Bandeira (RS) e Paraíso das Águas (MS).

O período de 2012 a 2017 foi selecionado para captar os efeitos da crise econômica brasileira, que conforme Barbosa Filho (2017) e Perondi (2017), os primeiros sintomas da crise foram iniciados em 2012, enquanto o último o ano da análise foi determinado pela disponibilidade da RAIS (2019), portanto, 2017.

O índice de turbulência tem a aplicabilidade de medir a intensidade dos choques idiossincráticos na estrutura do mercado de trabalho, de forma a representar a fração de trabalhadores a ser realocada ao final do período. Este índice capta essencialmente medidas de ajustamento - setorial, ocupacional, interregional, agregado de mercado e outras - na base de emprego num intervalo de dois instantes no tempo, e apresenta valores a partir de 0 (zero). No presente estudo, o choque a ser mensurado é a crise econômica brasileira de 2014.

Para o cálculo do índice de turbulência, foi utilizada a proporção dos 25 subsetores em relação ao total de trabalhadores do Brasil e, então somadas em módulo em seus respectivos grandes setores de atividade econômica. A formalização do índice de turbulência para cada município pode ser representada pela Equação 1, em que, pmi t=(Emit / EBt)∙ 1000:

TURBi=∑Eise=1

mi

|pmi t 1−pmit 0|(SEQ Equação ¿ ARABIC 1)

TURBi = índice de turbulência no município i;mi = subsetores de cada grande setor no município i;Eise= emprego no grande setor se no município i;EB = total de emprego formal no Brasil;t0 = período inicial;t1 = período final;pmi t = proporção de trabalhadores em cada subsetor, por município, em relação ao total de

trabalhadores do Brasil (EB).Este índice capta a intensidade do fenômeno de alocação no espaço (ajustamento de alocativo

espacial), seja dentro do mesmo setor de atividade ou em outros setores de atividade econômica. No entanto, as trocas de posição de indivíduos não são captadas, pois a distribuição destes eventos se mantém anulada. Devido à influência dos principais polos econômicos na economia brasileira e no mercado de trabalho, manteve-se o efeito de escala dos municípios para realização dos cálculos.

3.2 Econometria espacial

Para Fotheringham, Brunsdon e Charlton (2002, p. 159) “Before any sophisticated statistical analysis takes place, it is usually a good idea to carry out some initial exploratory data analysis”. Como a natureza da análise pode ser espacial ou a-espacial, primeiro realizamos a Análise Exploratória de Dados Espaciais (AEDE) calculando o I de Moran univariado, que informa a presença ou ausência de autocorrelação espacial da variável de interesse e auxilia na definição da matriz de ponderação mais adequada ao modelo econométrico em caso de presença de autocorrelação espacial. Como a presença de autocorrelação foi constatada, buscamos identificar o modelo econométrico do painel de dados espaciais com o melhor ajuste para o estudo, que foi o Modelo espacial de Durbin (SDM).

3.2.1 Testes de correlação espacial

I de Moran verifica se os dados espaciais estão distribuídos aleatoriamente entre as regiões ou se há dependência espacial entre elas. Se a hipótese nula for verdadeira, assume-se que a variável em análise em uma região não depende dos valores de um mesmo atributo em regiões vizinhas, ou, em suma, que não há dependência espacial. Uma estatística de autocorrelação espacial consiste em três itens: a medida de autocovariância, medida de variância de dados e uma matriz de ponderação (W).

Portanto, a dependência espacial pode ser definida como uma correlação entre a amostra de observações de uma determinada região i com as observações dos locais j. Formalmente, essa relação

pode ser expressa pela Equação 2:

y i=f ( y j , X )(SEQ Equação ¿ ARABIC 2)

em que, i pode assumir qualquer valor entre 1 e n, que j ≠ i. Dessa forma é possível analisar a dependência entre várias observações (LESAGE, 1998). Almeida (2012) demonstra que em dados de cross section esta autocorrelação espacial pode ser expressa pela matriz de covariância, definida pela Equação 3:

Cov ( y i , y j )=E ( y i y j )+E ( y i ) , E ( y j)≠ 0 (SEQ Equação¿ ARABIC 3)

Em que y denota a variável em análise (índice de turbulência); y_i denota a variável de localização i; e y_j denota a variável de localizações vizinhas.

A matriz de covariâncias gerada pela Equação 3 possui dimensão n por n, com n²-n elementos de covariância, o número de conjuntos a serem avaliados inviabilizaria a estimação. Este problema é resolvido com uma matriz de ponderação espacial (W), que visa refletir um certo grau de interações com base no fenômeno estudado. Essas matrizes são baseadas na contiguidade, na qual duas regiões serão consideradas vizinhas se possuírem algum limite físico comum (ANSELIN; FLORAX, 1995).

A matriz binária de pesos espaciais (Wij) atribui valores de 0 (zero) se i e j não forem vizinhos, ou 1 (um) se i e j forem vizinhos. Por convenção, um polígono não pode ser vizinho dele mesmo, portanto, Wii = 0. A contiguidade de uma matriz espacial pode ser um de quatro tipos: rainha, torre, bispo e k-vizinhos. Neste estudo, a matriz de contiguidade utilizada foi do tipo torre (rook).

Para estimar o modelo econométrico espacial, foi necessário corrigir a matriz de contiguidade espacial, para que não houvesse municípios sem vizinho(s). Portanto, os dois municípios considerados ilhas pela divisão geográfica do IBGE, Ilha Bela e Fernando de Noronha, foram corrigidos para serem contados como vizinhos de fronteira de seu (s) município (s) mais próximo (s), respeitando as propriedades de cada tipo de contiguidade.

3.2.2 Autocorrelação espacial local

Outra ferramenta utilizada para identificar a autocorrelação espacial é o I de Moran local, com o mapa de clusters do indicador local de associação espacial (LISA). Este método decompõe o indicador de autocorrelação global de acordo com a contribuição local de cada observação e classifica-os em seis categorias de associação espacial estatisticamente significativa, a saber: não significativo, Alto-Alto (AA), Baixo-Baixo (BB), Baixo-Alto (B-A), Alto-Baixo (AB) e sem vizinhança.

Estas classificações são determinadas pelos valores do I de Moran atribuídos a cada unidade espacial e suas relações de dependência com as regiões vizinhas. O efeito de autocorrelação pode ser demonstrado espacialmente no mapa de clusters LISA, apresentado por Anselin (1995), ou Autocorrelação Espacial Local Univariada. Na visão do autor, LISA pode ser definida brevemente como:

[…] a local indicator of spatial association (LISA) is any statistic that satisfies the following two requirements: a. the LISA for each observation gives an indication of the extent of significant spatial clustering of similar values around that observation; b. the sum of LISAs for all observations is proportional to a global indicator of spatial association (ANSELIN, 1995, p. 94).

As matrizes de ponderação espacial captam a formação dos clusters de autocorrelação e dependência espacial de uma variável de interesse em determinadas localidades, a partir de comportamento semelhante da variável em regiões vizinhas. Essa metodologia foi utilizada no presente estudo para verificar os padrões ou ausência da formação de clusters de autocorrelação espacial do índice de turbulência (TURB) no mercado de trabalho para cada período calculado, assim como da variável TURB para cada setor de atividade econômica.

3.2.3 Modelos de painel de dados espaciais

Este estudo utiliza um modelo de painel de dados assintótico, baseado em um cross-section com uma série temporal de 6 períodos (anos de 2012 a 2017) para os 5.563 municípios brasileiros, em que o índice de turbulência (TURB) é a variável dependente. Ou seja, vamos analisar como os deslocamentos no mercado de trabalho foi influenciado pelas seguintes 22 variáveis independentes, descritas no Quadro 2:

A metodologia de painel de dados se adequa a presente pesquisa porque capta os efeitos das externalidades dinâmicas das regiões, fundamentais para analisar o fenômeno do ajustamento alocativo no mercado de trabalho, nos diversos setores da atividade econômica. Tais externalidades, segundo Glaeser et al. (1992), Henderson (1997) e Gonçalves et al. (2019), permitem explicar o desenvolvimento a partir do fluxo de pessoas, das inovações, tecnologia e outros. Este método também permite captar a dinâmica de curto prazo do emprego local, levando em consideração as particularidades da estrutura econômica regional.

Quadro 2– Variáveis explicativas do modelo econométricoSigla Legenda Descrição resumida / Fórmula

POP1

POP2POP3

Dummy de população até 100.000 habitantes

Dummy de 100.001 a 499.999 habitantes Dummy acima de 500.000 habitantes

Escala demográfica dos municípios.

IHH Índice Hirschman-Herfindahl ajustado

Diversificação ou concentração/especialização produtiva local.

IHH i=∑se=i

m [( Eise

Ei )−( EBse

EB )]Sendo: m = subsetores; Eise= emprego no município i do setor se; Ei = total de empregos no município i; EBse = emprego nacional no setor se; EB = total de empregos no Brasil.

CAINCACS

CAAP

CAAG

Coeficiente de Atração da Indústria Coeficiente de Atração do Comércio e

Serviços Coeficiente de Atração da Administração

Pública Coeficiente de Atração da Agropecuária

Potencial de influência (positiva ou negativa) de cada setor no mercado de regional.

CAi=( Eise

∑se=1

i

Eise )popi

∑se=1

i

pop

Sendo: Eise = emprego do setor se do município i;popi = população3 da região i.

ID17ID29ID64ID65

Idade de 10 a 17 Idade de 18 a 29 Idade de 30 a 64 Idade a partir de 65

Faixas etárias dos indivíduos que compõem o mercado de trabalho formal.

MASC

FEM

Percentual de participação do sexo masculino

Percentual de participação do sexo feminino

Percentual de participação de cada sexo no mercado de trabalho formal.

EANA

EFUNEMED

Analfabeto ou sem título de Ensino Fundamental

Ensino Fundamental Completo Ensino Médio Completo Ensino Superior Completo

Faixas de escolaridade dos indivíduos que compõem a mão de obra formal.

3 A fonte de dados para população dos municípios foi a PNADC.

ESUP

R1SMR3SMR7SMRM7

Renda até 1 Salário Mínimo Renda de 1,01 a 3 Salários Mínimos Renda de 3,01 a 7 Salários Mínimos Renda maior que 7 Salários Mínimos

Faixas salariais dos indivíduos que compõem o mercado de trabalho formal.

Fonte: Dados dos bancos de dados: RAIS (2019), IBGE (2019) e PNAC (2019).

O painel de dados é composto por mais informações ao levar em conta a dependência espacial dos municípios. Um painel de dados com dependência espacial capta a heterogeneidade das regiões não observável, manifestada nos parâmetros da regressão, principalmente nos interceptos. Isto ocorre devido à influência que as variáveis não observadas podem exercer nos interceptos e/ou no componente erro (ALMEIDA, 2012).

Outra vantagem de utilizar o painel de dados (espacial ou a-espacial) consiste em sua maior variação, menor colinearidade entre as variáveis e na possibilidade da especificação de modelos mais sofisticados, que compreendam hipóteses comportamentais mais complexas (ELHORST, 2003; ALMEIDA, 2012). Tais como este estudo, que visa analisar a dependência espacial dos efeitos de externalidades regionais por meio dos ajustamentos no mercado de trabalho em um período de instabilidade macroeconômica.

Como a presença da autocorrelação espacial foi verificada pelo teste de I de Moran, é necessário tratar esta dependência espacial, incorporando a defasagem espacial no modelo. No escopo da econometria espacial, há diversas possibilidades de estimação para determinar o modelo econométrico espacial mais adequado. Portanto, apenas um modelo será mais adequado para cada fenômeno estudado. A base de estimação em econometria espacial é o modelo a-espacial convencional ou o Modelo Clássico de Regressão Linear (CLRM). Portanto, o modelo Polled (MQO) é estimado de acordo com a Equação 4 (ANSELIN, 2003b; ALMEIDA, 2012; GOLGHER, 2015).

Y ¿=X ¿ β+ε ¿(4)

Sendo, Y ¿ = vetor de dimensão n x I da variável dependente, sendo I = matriz identidade; X ¿ = matriz n x 22 observações independentes; β = vetor com 22 coeficientes de regressão; e ε ¿= termo erro com distribuição normal (0,σ 2 I n). Na Equação 5, considera-se o modelo econométrico dos efeitos não observados.

Y ¿=α i+ X¿ β+ε¿ (5)

Em que α representa os efeitos não observados, específicos das regiões e invariáveis ao longo da série temporal analisada. Estes efeitos podem estar correlacionados ou não com as variáveis explicativas do modelo. É importante frisar que o modelo de painel de dados deve levar em conta os efeitos não observados ao ser estimado. Afinal, ignorar tais efeitos é o mesmo que estar exposto a alta propensão de problemas de inferência, de modo que as estimativas sejam inconsistentes ou ineficientes.

Portanto, o modelo pooled (dados empilhados, por MQO), considerando o MCRL com efeitos não observados, pode apresentar problemas de inferência. Para a identificação do modelo, portanto, assume-se que o erro não está correlacionado com α, que a hipótese de variância é constante ao longo do tempo e não há autocorrelação serial dos erros (Equação 6).

E [ε¿ εis ]=δ ts σ ε2(6)

Em que, δ ts=1 se t = s; δ ts=0 se t ≠ s.

Caso as variáveis explicativas e o erro não forem correlacionados (E [ε¿ X is ]=0), considera-se a hipótese de exogeneidade forte. Pode-se dizer que a hipótese de exogeneidade é fraca quando estas variáveis não estão relacionadas todo o tempo, mas poderiam estar correlacionados em outros períodos (ALMEIDA, 2012). Após estimar o modelo MQO, testamos o modelo de efeitos aleatórios (re) e os de

efeitos fixos (fe) sem a defasagem espacial. De acordo com os testes de Hausman, Breusch-Pagan (BP) e Chow, o modelo a-espacial de efeitos fixos a-espacial apresentou o melhor ajuste, o que indica que o modelo espacial de melhor ajuste para este estudo também terá efeitos fixos.

Para cada modelo geral com defasagem espacial (SAR, SEM, SDM e SAC), é realizada a regressão econométrica com determinadas especificações de painel de dados espaciais. Modelos com efeito fixo: (i) para regiões (espacial); (ii) para regiões com correção de viés conforme Lee e Yu (2010); (iii) para períodos (t); e (iv) para regiões e períodos. Modelos com efeito aleatório: (v) efeitos aleatórios; e (vi) efeitos aleatórios sem efeitos diretos, indiretos e totais. As regressões de painel de dados espaciais foram estimadas com auxílio do software Stata/MP 16.0, com o pacote de comandos para rotina de programação xsmle4.

As correções de viés, propostas por Lee e Yu (2010), foram aplicadas aos modelos de efeitos fixos para regiões (espaciais). Segundo os autores, os modelos de defasagem espacial ou erro espacial com efeitos fixos podem apresentar estimativas inconsistentes, tanto para os parâmetros do modelo quanto para a variância (σ²). Para evitar esses problemas, Lee e Yu (2010) propõem corrigir o viés com base nas estimativas de parâmetros de efeitos diretos.

Coforme Almeida (2012), em modelos com erros não esféricos, o coeficiente de determinação (R²) deixa de ser um indicador da qualidade do ajuste da regressão. Ao estimar o modelo por máxima verossimilhança (MV), recomenda-se utilizar os critérios de informação de Akaike (AIC) e Bayesiano (BIC) para orientar a seleção do melhor modelo, considerando que quanto menor o valor dos critérios, melhor ajuste do modelo.

Os critérios AIC e BIC, apresentaram os menores valores para modelo SDM com efeitos fixos para regiões (espaciais), com viés corrigido de acordo com Lee e Yu (2010). Este modelo incorpora a dependência espacial nas variáveis explicativas, de modo que pode ser expresso pela Equação 7.

y¿=ρ∑j=1

N

W ij y¿+ X ¿ β+∑j=1

N

W ij X ijt γ+µi+ε¿ (7)

Sendo:y¿ = variável dependente;

∑j=1

N

W ij y¿ = interação do efeito de dependência espacial da variável dependente da região i em

relação às variáveis dependentes das regiões vizinhas (j);ρ = parâmetro da relação de dependência da variável dependente;X ¿ β = vetor de cada modelo de variável explicativa;

∑j=1

N

W ij X ijt γ = interação do efeito de dependência espacial da variável dependente da região i em

relação às variáveis explicativas de regiões vizinhas (j);γ = vetor de coeficientes espaciais de variáveis explicativas; µi = parâmetro fixo de especificidade não observada na região i;ε ¿ = termo erro.

Ou ainda, sua representação com as variáveis utilizadas neste estudo pode ser expressa formalmente como o modelo econométrico estruturado SDM, com correção de viés para painel espacial (para regiões) estimado conforme Equação 8. As variáveis POP 3t β, WPOP3 t β e FEM foram omitidos do modelo devido à suas características de variáveis dummies.

TURB¿=α +ρW TURB¿−POP 1¿ β−POP 2¿ β+ HHI¿ β−CAIN¿ β+CACS¿ β+CAPA¿ β−CAAG ¿ β−AGE 17¿ β−AGE 29¿ β+AGE 64¿ β+ AGE 65¿ β+MA LEβ +ELEM ¿ β+ EPRI ¿ β+EHIG¿ β−ESUP¿ β−S 1 MW ¿ β−S 3MW ¿ β+S7 MW ¿ β−G 7 MW ¿ β+WPOP1¿ β+WPOP2¿ β+W ¿ γ−W ¿ γ−W ¿γ−W ¿CAPA¿γ−W ¿CAAG¿ γ+W ¿ γ+W ¿γ−W ¿ AGE 64¿ γ+W ¿γ+W ¿MALE ¿γ−W ¿ γ−W ¿γ−W ¿ γ+W ¿γ +W ¿ γ−W ¿γ +W ¿γ +W ¿ γ+ε¿(8)

O modelo de Durbin espacial (SDM) tem como característica a capacidade de estimar modelos não viesados, principalmente após a correção de vieses proposta por Lee e Yu (2010). Para o fenômeno 4 Conferir em: Belotti, Hughes e Mortari (2013 e 2017).

estudado, a estimação infere que a especialização/diversificação da produção, a atratividade dos setores de atividade, assim como outras características do mercado de trabalho afetam a flexibilidade de ajustamento dos trabalhadores. Para tal, a autocorrelação espacial no modelo SDM sugere que o valor das variáveis exógenas e a endógena do município i tendem a estar associadas ao valor dessas variáveis nos municípios vizinhos j e vice-versa, pois o SDM se caracteriza como modelo de efeito cruzado de transbordamento.

O modelo espacial de Durbin para efeitos fixos (SDM fe) é caracterizado pela capacidade de estimar modelos não enviesados, principalmente após a correção de enviesamento proposta por Lee e Yu (2010). Segundo Almeida (2012), outra característica importante do SDM são os seus efeitos de transbordamento globais e locais. O alcance global é observado pelo multiplicador espacial criado a partir da variável dependente espacialmente desatualizada (ρ). Nesse caso, a dependência espacial está associada à matriz de variância-covariância e detecta a existência de autocorrelação espacial global. Se ρ for positivo, um valor alto de TURB nas regiões j aumenta o valor de TURB na região i.

O alcance local é gerado pelas defasagens espaciais (W) nas variáveis exógenas (independentes). Em modelos econométricos espaciais, a dependência espacial local é observada apenas em algumas regiões da área de estudo entre municípios vizinhos. A nível local, o SDM tem a propriedade de transbordamento espacial das variáveis explicativas da região i para influenciar a variável dependente (y) das regiões i e j, bem como as variáveis exógenas da região j.

4. RESULTADOS EMPÍRICOS

4.1 Autocorrelação especial global

O teste de I de Moran global verificou presença de dependência espacial nos ajustes alocativos do mercado de trabalho nos municípios brasileiros, mensurado pela variável TURB (índice de turbulência) para cada intervalo de tempo (2011-2012; 2012-2013; 2013-2014; 2014-2015; 2015-2016; 2016-2017).

A matriz de contiguidade do tipo torre apresentou os maiores valores de I de Moran, apesar de resultar em valores relativamente baixos (maior I de Moran: 0,2960, para a indústria). Todavia, são validados pelos testes p-valor, os quais foram altamente significativos (0,001) em todos os períodos, e pelo teste z-valor, cujos valores significativos e positivos indicam a presença de autocorrelação espacial positiva, conforme mostrado na Tabela 1.

Tabela 1 – Teste de robustez do I de Moran com 999 permutações para contiguidade de torreIntervalo t Testes Indústria Comercio &

serviços Administração Pública Agropecuária

2011 – 2012 p-valor 0,001 0,001 0,001 0,001z-valor 39,2423 29,4828 9,1085 17,3945

2012 – 2013 p-valor 0,001 0,001 0,001 0,001z-valor 40,1433 27,6758 11,5973 8,4378

2013 – 2014 p-valor 0,001 0,001 0,001 0,001z-valor 41,7684 25,4011 9,6944 13,3835

2014 – 2015 p-valor 0,001 0,001 0,001 0,001z-valor 39,5647 26,9850 8,5841 9,1619

2015 – 2016 p-valor 0,001 0,001 0,001 0,001z-valor 43,7964 29,3808 8,1494 15,2212

2016 - 2017 p-valor 0,001 0,001 0,001 0,001z-valor 40,2964 30,6590 10,6923 16,8199

Nota: Os testes foram realizados com matrizes de contiguidade da rainha, torre, 2 vizinhos, 4 vizinhos, 5 vizinhos e 7 vizinhos, com o auxílio do software GeoDa 1.12.1.131.

Os valores de I de Moran com a matriz de contiguidade de torre podem ser observados na Tabela 2, para os 4 setores e para a totalidade do mercado de trabalho nos 6 períodos analisados.

Tabela 2 – I de Moran global univariado para 4 setores e mercado de trabalho, matriz de contiguidade:

torreIntervalo t Indústria Comércio e

serviçosAdministração

Pública Agropecuária Mercado de trabalho

2011 – 2012 0,2931 0,1857 0,0526 0,1261 0,19512012 – 2013 0,2388 0,1414 0,0879 0,0489 0,16112013 – 2014 0,2944 0,1408 0,0409 0,0921 0,17492014 – 2015 0,2242 0,1813 0,0489 0,0644 0,16582015 – 2016 0,2960 0,1429 0,0489 0,1194 0,15292016 – 2017 0,2575 0,1648 0,0445 0,0816 0,1644

Fonte: Autores, por software GeoDa 1.12.1.131.

A indústria foi o setor de atividade que apresentou a maior autocorrelação espacial dos ajustamentos alocativos no período de 2015 a 2016, ainda superior à totalidade do próprio mercado de trabalho. Isso indica que a maior incidência de regiões vizinhas com efeitos de transbordamento de turbulência ocorreu no setor industrial. Depois da indústria, os maiores transbordamentos espaciais da turbulência ocorreram no setor de C&S, depois na agropecuária e, por último, na administração pública.

Estes três últimos setores apresentaram seus maiores I de Moran entre os primeiros períodos analisados, o que indica que apresentaram maiores transbordamentos nos ajustamentos do mercado de trabalho (entre demissões e/ou contratações) nos primeiros períodos e, de modo geral, a partir dos períodos de crise e instabilidade, estes transbordamentos reduziram. Os setores de administração pública e da agropecuária demonstraram-se mais estáveis, com oscilações mais curtas do que os primeiros setores.

Os efeitos de transbordamento podem ter reduzido ao longo da crise pelo baixo potencial de geração de emprego das atividades econômicas que, consequentemente, geraram redução da média de salários e queda do poder de compra da população. Conforme PNAC (2019), a taxa de desemprego estava alta nesse período, o que revela que não houve queda expressiva durante o período analisado, apenas uma baixa capacidade de recuperação da economia a partir do momento mais crítico da crise.

4.2 Autocorrelação local univariada

Os mapas de cluster de autocorrelação LISA demonstraram resultados semelhantes de dependência espacial nos ajustes alocativos do mercado de trabalho em todos os períodos (2011-2012 a 2016-2017). Sendo assim, a Figura 2 apresenta os mapas do último período dos setores de indústria e do comércio e serviços, já a Figura 3 apresenta o último período da administração pública e da agropecuária.

Os setores de indústria e do comércio e serviços tiveram um padrão semelhante de clusters Alto-Alto (AA) em torno de algumas capitais e suas regiões metropolitanas, enquanto a maior parte dos clusters Baixo-Baixo (BB) se situaram no Norte e Nordeste do Brasil. Os maiores valores do Índice de Turbulência em ambos os setores foram registrados na região metropolitana de São Paulo (SP), no Sudeste do Brasil, a maior e mais dinâmica região metropolitana do Brasil.

Os dois primeiros mapas da Figura 2 demonstram claramente que os maiores movimentos do mercado ocorrem próximos aos grandes polos de desenvolvimento, seguindo a hierarquia dos polos centrais. Os ajustes alocativos estão associados ao desenvolvimento de cada região, o que corresponde aos seus níveis hierárquicos nas localizações centrais. Conforme Lemos et al. (2003), essa hierarquia é iniciada pelo centro de maior tamanho (São Paulo e Rio de Janeiro), que supre a necessidade de serviços especializados a centros menores, principalmente serviços ofertados para a produção regional. Logo, quanto mais dinâmica e desenvolvida for a região, maior tende a ser seu potencial de flexibilidade e de ajustamento alocativo em momentos de instabilidade econômica.

Figure 2 – Mapa LISA para indústria e comércio e serviços em 2016-2017Índice de turbulência na Indústria Índice de turbulência no Comércio e Serviços

Legenda: não-significativo Alto-Alto Baixo-Baixo Baixo-Alto Alto-BaixoFonte: Autores, por softwares GeoDa 1.12.1.131 e QGIS 2.18.0

O setor da administração pública também apresentou padrões de correlação espacial de AA nas capitais e suas regiões metropolitanas (Figura 3), que se explica pela distribuição de funções administrativas do governo estadual e federal. Por outro lado, houve um grande cluster de AA na região Norte, na Amazônia, apontando que as instituições governamentais contrataram ou dispensaram quantidade significativa de mão de obra, principalmente nos últimos períodos da análise.

Figure 3 – Mapa LISA para administração pública e agropecuária em 2016-2017Índice de turbulência na Administração Pública Índice de turbulência na Agropecuária

Legenda: não-significativo Alto-Alto Baixo-Baixo Baixo-Alto Alto-BaixoFonte: Autores, por softwares GeoDa 1.12.1.131 e QGIS 2.18.0

Os ajustamentos alocativos da agropecuária apresentaram clusters adensados regionalmente, com baixos valores no índice de turbulência e sem um padrão de municípios que se mantêm ao longo dos períodos analisados. Estes fenômenos podem ser explicados pela natureza das atividades econômicas deste setor, que dependem das características do solo, clima e diversos outros fatores. Os ajustamentos alocativos neste setor também podem ocorrer por motivos externos à crise econômica, principalmente para as regiões de fronteira agrícola e suas rotas de expansão (SOUZA, 1993; ANDRADE; SERRA, 1998; SISCÚ E LIMA, 2000; ORLANDI et al., 2012 ) a baixa turbulência do setor pode ser explicada pela dinâmica da agropecuária de não ser um grande empregador, porque as tecnologias de modernização são normalmente poupadoras de mão de obra (STADUTO; SHIKIDA; BACHA, 2004).

4.3 Painel espacial de Durbin

O modelo espacial de Durbin (SDM) indica que os efeitos de transbordamentos locais e globais são importantes componentes da dinâmica alocativa do mercado de trabalho entre os anos 2012 e 2017. A autocorrelação espacial no modelo sugere que o valor das variáveis exógenas e da variável endógena das unidades espaciais j tendem a estar associadas ao valor das mesmas na unidade espacial i.

A regressão (4) do SDM, na Tabela 5, demonstra que o índice de turbulência com defasagem espacial (ρ) apresentou coeficiente positivo (0,248) e altamente significativo (0,000). Isso permite inferir que a alta turbulência no mercado de trabalho dos municípios vizinhos exerce influência direta de aumento na turbulência no mercado de trabalho do município i. Portanto, há relação de dependência espacial global positiva no nível de turbulência no mercado de trabalho brasileiro, o que contribui expressivamente no aumento dos ajustamentos alocativos no mercado de trabalho após os efeitos de desemprego gerados pela crise econômica brasileira.

Como ρ representa as movimentações dos indivíduos no mercado de trabalho defasadas espacialmente, ele capta os ajustamentos alocativos entre os setores e ajustamentos espaciais. Parte desse fenômeno pode ser observado, por exemplo, nos mapas de cluster LISA de cada setor. As regiões que formaram clusters AA dos índices de turbulência são regiões metropolitanas (com exceção do setor agropecuário), altamente dinâmicas e consideradas os principais polos de desenvolvimento do país, na hierarquia dos polos centrais.

Deste modo, se entende que o mercado de trabalho reage mais rápido em regiões mais dinâmicas e de maior potencial de desenvolvimento regional. As teorias de localização que auxiliam na explicação deste fenômeno são a hierarquia de centralidade de Christaller (1966), aglomeração e desaglomeração de Isard (1960) e polos de crescimento de Perroux (1950 e 1977). Estas teorias compreendem que polos mais desenvolvidos influenciam seus arredores com os desencadeamentos na produção, logo, desencadeiam também os fatores de produção como o trabalho, os fluxos de mercado de trabalho e sua relação com a ocupação da população.

A Tabela 5 apresenta as regressões (1, 2 e 3) a-espaciais e (4) espacial (SDM). Assim como no modelo (3) efeitos fixos, as dummies de menores portes demográficos (POP1 e POP2) do modelo SDM (4) são significativas e apresentaram menores índices de turbulência do que a variável de referência. Isso indica que a alta/baixa incidência da turbulência nos municípios vizinhos implica em aumento/redução do índice de turbulência do município i. Em suma, regiões com maiores portes demográficos tendem a apresentar maior turbulência no mercado de trabalho e transbordamento deste efeito no município i. O que justifica a concentração de altos índices de turbulência no entorno das regiões metropolitanas ao longo do território nacional, como apresentado nos mapas de cluster LISA.

Table 5 – Estimativas econométricas de turbulência nos modelos combinados, efeito aleatório, efeito fixo e SDM (fe) para regiões

Var (1) Pooling (2) Efeitos Aleatórios

(3) Efeitos Fixos (4) SDM, fe (Lee e Yu)

(W_)α 311,687*** 311,687*** 104,876POP1 -299,282*** -299,282*** -163,668** -306,732* 580,713POP2 -240,804*** -240,804*** -212,210*** -322,047** 459,985POP3 (omitida) (omitida) (omitida) (omitida) (omitida)IHH 0,059** 0,059** 0,403*** 0,084 0,744***CAIN -0,024*** -0,024*** -0,150*** -0,098*** -0,135**CACS 0,485*** 0,485*** 0,616*** 0,614* -0,098CAAP -0,035** -0,035** -0,039 0,007 -0,099**CAAG -0,009*** -0,009*** -0,014** -0,007 -0,015ID17 0,000*** 0,000*** -0,001*** -0,001 0,000ID29 0,000 0,000 0,000*** -0,000 0,000ID64 0,000 0,000 0,000*** 0,000 -0,000ID65 0,000*** 0,000*** 0,001*** 0,000 0,000MASC -0,364*** -0,364*** 1,071*** 0,540*** 1,150***EANA 0,003*** 0,003*** 0,003*** 0,003*** -0,000

EFUN 0,000 0,000 0,000*** 0,000* -0,000EMED 0,000*** 0,000*** 0,000*** 0,000 -0,000***ESUP 0,000*** 0,000*** 0,000*** -0,000 0,000R1SM 0,000*** 0,000*** 0,000 -0,000 0,000R3SM 0,000*** 0,000*** 0,000*** -0,000 -0,000R7SM 0,000*** 0,000*** 0,000*** 0,000 0,000RM7 0,000 0,000 0,000*** -0,000 0,000ρ 0,248***R² 0,825 0,825 0,827 0,1868Hausman 0,0000BP 1,0000Chow 0,0000

Nota: *** significativo para 1%, ** para 5% e * para 10%.Fonte: Autores

Quanto aos níveis de emprego observados neste estudo5, houve regiões com altos índices de turbulência que apresentaram as maiores reduções no número de empregos e outras com os maiores aumentos. Entre os municípios que mais reduziram o número de empregos em quase todos os setores (exceção da agropecuária), se destacam as capitais, enquanto os municípios que mais empregaram são considerados municípios motrizes de polos menores de desenvolvimento. Logo, se observa que o Brasil está passando por uma fase de efeitos de desaglomeração do mercado de trabalho dos grandes polos de desenvolvimento, em que os grandes polos mantêm sua importância econômica, cultural e política, enquanto seus arredores e demais regiões passam a ganhar relevância. Lemos et al. (2003), Stamm et al. (2013), Dalberto (2018) e Souza e Veríssimo (2019) já haviam notado este efeito de desaglomeração nas atividades econômicas brasileiras, principalmente do setor industrial.

As variáveis dummies com defasagem espacial (W_POP1 e W_POP2), por outro lado, foram maiores nos municípios de pequeno e médio porte do que naqueles de grande porte. Uma vez que a defasagem espacial na variável dependente analisa os efeitos locais, municípios de grande porte (acima de quinhentos mil habitantes) se localizam de forma heterogênea ao longo do Brasil e não compartilham fronteira para serem consideradas vizinhas pela matriz de ponderação espacial, assim os efeitos de trasbordamento entre elas não são captados na análise local. Outra justificativa pode ser atribuída a grande parcela dos municípios serem de pequeno porte, mais de 94% do total no Brasil tem até cem mil habitantes, portanto, estes municípios apresentam maior correlação espacial local do que W_POP3 (municípios de grande porte), mesmo que não significativas no modelo.

A relação espacial global do Índice de Hirschman-Herfindahl ajustado foi não significativa, no entanto, quando espacialmente defasado (W_IHH) a relação foi direta e significativa. Isso indica que municípios vizinhos mais especializados ou com atividades concentradas influenciaram diretamente no aumento do índice de turbulência dos municípios i e j (relação cruzada de influência). A concentração e/ou especialização produtiva das atividades econômicas corrobora para aumentar a turbulência do mercado de trabalho, contribuindo para sua flexibilização ao influenciar o mercado de trabalho a aumentar sua intensidade de ajustamentos alocativos entre regiões vizinhas frente ao choque macroeconômico em estudo, considerando os movimentos tanto de geração de empregos quanto de demissões.

Os municípios com maiores valores de IHH, ou seja, com maior grau de especialização/concentração, localizam-se principalmente em municípios de pequeno porte da região Nordeste, cuja predominância apresentou mais contratações do que dispensas no período. Esses valores elevados estão associados à concentração do emprego nas atividades agrícolas e, principalmente, na administração pública, bem como a uma maior concentração com faixas de renda entre 1,01 a 3 salários mínimos. Portanto, tal concentração não ocorreu devido à especialização e atividades com alta densidade tecnológica, mas devido à concentração em atividades econômicas com baixa densidade tecnológica. Essa concentração em atividades específicas na região Nordeste também foi observada no estudo de Dalberto e

5 Análises dos ajustamentos alocativos, principalmente nos setores da indústria (tópico 5.3, p. Error: Reference source notfound) e do comércio e serviços (tópico 5.4, p. Error: Reference source not found).

Staduto (2013) em 2001, mas em atividades voltadas para a indústria, como madeira, couro, calçados e construção civil.

O coeficiente de atração da indústria (CAIN) apresentou alta significância estatística e uma relação indireta com o índice de turbulência no SDM (4), quanto maior o potencial de atração da indústria, menor a turbulência no município. Locais com elevado potencial de atração de indústria, de um modo geral, mantiveram os níveis de emprego mais estáveis neste setor, portanto, apresentaram menor turbulência. A indústria possui maior grau de formalidade do que os demais setores, assim, as empresas têm menor grau de liberdade para internalizar a informalidade nas atividades produtivas. Desta forma, o desemprego tende a ser uma resposta de longo prazo à crise, bem como uma expectativa de longo prazo. Porém, a justificativa desta variável espacialmente defasada pode ser atribuída a localidades que reduziram seu coeficiente de atração ao longo do tempo, como São Paulo (SP), Rio de Janeiro (RJ), Curitiba (PR), Belo Horizonte (MG), Manaus (AM), Guarulhos (SP) e Betim (MG), que apresentaram elevada turbulência e saldo negativo no número de empregos no período.

O coeficiente de atração de comércio e serviços (CACS) exerceu influência direta e significativa no índice de turbulência, quanto maior o coeficiente de atração, maior a influência no aumento da turbulência. Em nível global, altos valores de coeficiente de atração de municípios vizinhos influenciam o aumento da turbulência no município i. As regiões com os maiores valores de coeficiente de atração do C&S foram regiões metropolitanas, semelhante ao comportamento do índice de turbulência, apresentado no mapa de clusters LISA deste setor. O setor de comércio e serviços apresentou o maior volume de demissões e contratações em diferentes regiões. Portanto, a capacidade de realocar e atrair mão de obra foi maior e mais significativa para a turbulência do mercado de trabalho do que outros setores. Gonçalves Jr. et al. (2010) já apontavam para uma notável expansão e movimento no setor de comércio e serviços, especialmente nos grandes e médios centros brasileiros. A alta intensidade de ajustes alocativos que esse setor enfrentou no período analisado justifica a relação direta entre o índice de turbulência e o coeficiente de atração.

Em nível local, os coeficientes de atração da indústria e da administração pública defasados espacialmente (W_CAIN e W_CAAP) apresentaram relação inversa e significativa com o índice de turbulência. A redução do potencial de atratividade destes setores nos municípios vizinhos (j) em determinadas regiões implica em aumento do índice de turbulência do município i. Com base nos dados de emprego e desemprego (RAIS), o setor indústria apresentou grandes reduções no número de pessoas ocupadas durante a crise econômica, o que contribuiu para reduzir os coeficientes de atração do setor ao mesmo tempo em que gerava aumento do índice de turbulência, devido aos ajustamentos realizados pela força de trabalho.

O percentual de participação masculina no mercado de trabalho (MASC) e o mesmo defasado espacialmente (W_MASC) demonstraram relação significativa e direta com o índice de turbulência. Devido ao comportamento da dummy binária, a variável FEM apresenta os mesmos valores das variáveis referentes ao gênero masculino, porém com sinais invertidos, portanto, a proporção de trabalhadoras do sexo feminino apresentou relação significativa e inversa com o índice de turbulência. Estes coeficientes (MASC e FEM) demonstram que em períodos de instabilidade econômica, há maior redução da participação feminina no mercado de trabalho do que a masculina, o que gera aumentos na participação masculina e no índice de turbulência. Portanto, a participação masculina está diretamente relacionada ao índice de turbulência, uma vez que ambos aumentaram diante do choque da crise econômica brasileira. Staduto, Nascimento e Souza (2013) apontam na mesma direção, em momentos de instabilidade econômica, o sexo feminino é mais afetado do que o masculino. Embora o estudo de Martini, Hermeto e Jayme Jr. (2014) concorda, porém identifica uma ressalva para chefes de família do sexo feminino, elas são menos propensas ao desligamento em momentos de recessão. A nível local (W_MASC), infere-se que quando municípios vizinhos apresentam aumento do percentual de mão de obra masculina no mercado de trabalho, há influência de aumento nos níveis de ajustamentos alocativos no município i.

Sobre os níveis de escolaridade na correlação espacial global, apenas as variáveis referentes a indivíduos sem escolaridade e com formação até ensino fundamental completo (EANA e EFUN) foram significativas, ambas apresentaram relação direta com o índice de turbulência. Ou seja, foram indivíduos que, em geral, participaram significativamente dos ajustamentos alocativos no período. No alcance local,

a faixa de escolaridade que demonstrou relação significativa de influência direta entre municípios vizinhos com o aumento do índice de turbulência no município i foi o grupo com ensino médio completo (W_EMED). Deste modo se confere que a instabilidade econômica gerada pela crise econômica brasileira atingiu mais fortemente indivíduos com menor escolaridade/qualificação, indicando que estão mais propensos aos desligamentos e/ou contratações no período. Estes resultados convergem com diversos estudos, como de Savedoff (1990), Martini, Hermeto e Jayme Jr. (2014), Silva, Monsueto e Porsse (2015) e Krein et al. (2018). Os autores têm em comum o entendimento de que indivíduos com menor qualificação/escolaridade são mais suscetíveis ao desemprego e a menores salários, principalmente em cenários de instabilidade econômica.

5. CONCLUSÃO

Diante do choque macroeconômico e idiossincrático, da economia brasileira em 2014, este estudo buscou responder quais particularidades regionais mais contribuíram para os ajustes no mercado de trabalho e onde ocorreram os ajustes interregionais mais intensos entre os municípios brasileiros. Para tanto, este artigo explorou a correlação espacial dos ajustes alocativos no mercado de trabalho brasileiro durante a crise econômica doméstica, de 2012 a 2017. O modelo econométrico de melhor ajuste para o estudo foi o modelo espacial de Durbin (SDM) para painel de dados.

Os resultados empíricos do Moran’s I revelam que os ajustes alocativos no mercado de trabalho aconteceram principalmente na indústria e nos setores de comércio e serviços, enquanto os setores da administração pública e da agricultura e pecuária ficaram mais estáveis durante a crise.

Os dados de painel espacial assintótico, com o modelo SDM apresentaram duas abordagens utilizando o índice de turbulência do mercado de trabalho: o perfil socioeconômico mais afetado nos ajustes alocativos na força de trabalho e a estrutura dos municípios mais afetados pelo choque econômico.

Os perfis socioeconômicos brasileiros que sofreram maiores ajustamentos alocativos no mercado de trabalho foram jovens ingressando no mercado de trabalho, o gênero feminino e indivíduos com baixa qualificação/escolaridade. Os setores da administração pública e da agropecuária foram os que mais contribuíram para a atração de mão de obra, enquanto os setores da indústria e do comércio e serviços apresentam maior número de demissões do que a criação de empregos no período.

Quanto às características estruturais do mercado de trabalho e seu funcionamento, o Brasil está passando por um processo de desaglomeração do mercado de trabalho formal nos grandes polos de desenvolvimento, processo iniciado há décadas. As aglomerações estão se movendo em direção a centros regionais secundários na hierarquia dos centros de desenvolvimento.

Assim, pode-se considerar que a hipótese de pesquisa foi rejeitada. Diante da crise econômica brasileira, a maioria das regiões com maiores níveis de turbulência (que por sinal são regiões mais dinâmicas) demitiu mais pessoas do que contratou. Como argumento para atestar e o Brasil, pós crise, vivencia um cenário de estabilização econômica com alto desemprego, o que mantém lenta a recuperação do nível de emprego, bem como a retomada do crescimento econômico nacional.

A maior contribuição deste estudo para o meio científico e para a sociedade foi a análise espacial do mercado de trabalho em um período de recessão econômica. Um olhar regional sobre o mercado de trabalho para estabelecer a correlação espacial dos ajustamentos alocativos da mão de obra com as particularidades regionais permite a elaboração de políticas de emprego mais eficazes para cada região. Desse modo é possível reduzir o desemprego de forma mais eficiente, seja com políticas voltadas para municípios ou para regiões.

REFERENCIAS

ALMEIDA, E. S. Econometria espacial aplicada. Brasil, Campinas: Alínea, 497 p. 2012.ALMEIDA, H. J. F.; GIOVANINI, A.; SAATH, K. C. O.; BIAGE, M. A política de quantitative easing adotada pelo FED altera a volatilidade dos ativos no Brasil? Análise Econômica, Brazil, Porto Alegre, v. 36, n. 69, p. 35-66, 2018.ANDRADE, T. A.; SERRA, R. V. O recente desempenho das cidades médias no crescimento

populacional urbano brasileiro. Rio de Janeiro: IPEA, 1998. (Texto para discussão, n. 554).ANSELIN, L., FLORAX, R. J. G. M. (Eds.). New Directions in Spatial Econometrics. Springer, 1995.ANSELIN, L. Local indicators of spatial association—LISA. Geographical Analysis, v. 27, n. 2, p. 93-115, 1995.ANSELIN, L. Spatial externalities, spatial multipliers, and spatial econometrics. International Regional Science Review Journal, v. 26, n. 2, p. 153-166. 2003b.BARBOSA FILHO, F. H. A crise econômica de 2014/2017. Estudos Avançados, São Paulo, v. 31, n. 89, p. 51-60. 2017.BARROS, R. P.; CRUZ, L. E. M.; FOGUEL, M. N.; MENDONÇA, R. S. P. Uma avaliação empírica do grau de flexibilidade alocativa do mercado de trabalho brasileiro. Brasília: IPEA. 1997. (Discussion Text, n. 499).BARROS, R. P.; MENDONÇA, R. S. P. Flexibilidade do mercado de trabalho Brasileiro: uma avaliação empírica. Rio de Janeiro: IPEA, 1997. (Discussion Text, n. 452).BRESSER-PEREIRA, L. C. A crise financeira de 2008. Revista de Economia Política, v. 29, n. 1, p. 133-149. 2009.CHRISTALLER, W. Die zentralen Orte in Süddeutschland. Jena: Gustav Fischer, 1933. Trans. BASKIN, C. The Central Places in Southern Germany. Englewood-Cliffs, NJ: Prentice-Hall, 1966.COASE, R. H. The Nature of the Firm. Economica, v. 4, p. 386-405. 1937.DALBERTO, C. R.; STADUTO, J. A. R. Uma análise das economias de aglomeração e seus efeitos sobre os salários industriais brasileiros. Economia Contemporânea, v. 17, n. 3, p. 539-569. 2013.ELHORST, J. P. Specification and estimation of spatial panel data models. International Regional Science Review, v. 26, n. 3, p. 244-268. 2003.FOTHERINGHAM, A. S.; BRUNSDON, C.; CHARLTON, M. Geographically weigthed regression: the analysis of spatially varying relationships. New Jersey: John Wilet & Sons, 269 p. 2002.FURTADO, C. Celso Furtado entrevistado por Aspásia Camargo e Maria Andréia Loyola. Rio de Janeiro: EDUERJ, 52 p. 2002.GLAESER, E. L.; KALLAL, H. D.; SCHEINKMAN, J. A.; SHLEIFER, A. Growth in cities. Journal of Political Economy, v. 100, n. 6, p. 1126-1152. 1992.GOLGHER, A. B. Introdução à econometria espacial. Belo Horizonte: Paco editorial, 384 p. 2015.GONÇALVES, E.; SALDANHA, R. F.; ALMEIDA, E.; SILVA, A. S. Crescimento do emprego industrial local no Brasil: o grau de especialização por intensidade tecnológica importa? Nova Economia, v. 29, n. 1, p. 41-74. 2019.GONÇALVES JUNIOR, C. A.; ALVES, L. R.; FERRERA DE LIMA, J; PARRÉ, J. L. Análise diferencial/estrutural e fator do emprego nas microrregiões paranaenses entre 2005 e 2009. Curitiba: Revista Paranaense de Desenvolvimento, n, 118, p. 41-66. 2010.HENDERSON, J. K. Externalities and industrial development. Journal of Urban Economics, v. 42, p. 449-470. 1997.ISARD, W. Methods of regional analysis: an introduction to regional science. Cambridge, Massachusetts: The M.I.T. Press, 784 p. 1960.KEYNES, J. M. Aspects of the man and his work. The first Keynes seminar held at the University of Kent at Canterbury 1972. Cambridge, Great Britain: Macmillan. 1974.KON, A. Novas territorialidades: transformações nas hierarquias econômicas regionais. Pesquisa & Debate, São Paulo, v. 10, n. 1(15), p. 42-76. 1999.KREIN, J. D.; ABÍLIO, L.; FREITAS, P.; BORSARI, P.; CRUZ, R. Flexibilização das relações de trabalho: insegurança para os trabalhadores. In: KREIN, J. D.; GIMENEZ, D. M.; ANSELMO, L. S. (Ogs.) Dimensões críticas da reforma trabalhista no Brasil. Curt Nimuendajú. Cap. 3, p. 95-122. 2018.LEE, L.; YU, J. Estimation of spatial autoregressive panel data models with fixed effects. Journal of Econometrics, v. 154, p. 165-185. 2010.LEMOS, M. B.; DINIZ, C. C.; GUERRA, L. P.; MORO, S. Nova configuração regional brasileira e sua geografia econômica. São Paulo: Estudos Econômicos, v. 33, n. 4, p. 665-700. 2003.LESAGE, J. P. Spatial econometrics. Toledo: Department of economics, 273 p. 1998.MACHADO, D. C. Flexibilidade do mercado de trabalho: a questão do tempo de trabalho. Rio de

Janeiro: CEDE/UFF, 2011. (Texto para discussão, n. 62).MARTINI, R. A.; HERMETO, A. M.; JAYME JR., F. G. Ciclos econômicos e a composição da pobreza no Brasil: uma análise para as décadas recentes. Economia e Sociedade, Campinas, v. 23, n. 1, p. 187-221. 2014.MCCULLOCH, R.; YELLEN, J. L. Factor mobility, regional development, and the distribution of income. Journal of Political Economy, v. 85, n. 1, p. 79-96. 1997.MORETTO, A. J.; PRONI, M. W. O desemprego no Brasil: análise da trajetória recente. Economia e Desenvolvimento, Recife, v. 10, n. 1, p. 7-35. 2011.Organization for Economic Cooperation and Development (OECD). Redefining territories: the functional regions. 2002. Disponível em: https://www.oecd-ilibrary.org/urban-rural-and-regional-development/redefining-territories_9789264196179-en. Acesso em: 06 fev. 2019.OLIVEIRA, J. C. Análise do crescimento econômico e das desigualdades. Estudos do CEPE, n. 28, p. 5-26. 2008.OREIRO, J. L. Do tripé macroeconômico ao fracasso da nova matriz: a evolução do regime de política macroeconômica no Brasil (1999-2014). 2015. Doi: 10.13140/RG.2.1.2445.7122.ORLANDI, M.; WILLERS, E. M.; STADUTO, J. A. R.; EBERHARDT, P. H. C.; PIACENTI, C. A. Caminhos da soja e o desenvolvimento rural no Paraná e em Mato Grosso. Revista de Política Agrícola, n. 4, p. 75-90. 2012.PERONDI, E. Crise econômica e instabilidade política: cenários da ofensiva do capital contra o trabalho no Brasil. Revista de Políticas Públicas, São Luís, v. 21, n. 2, p. 603-621. 2017.PERROUX, F. Economic Space: Theory and Application. Oxford University Press: The Quarterly Journal of Economics, v. 64, n. 1, 9. 89-104. 1950. DOI: 10.2307/1881960.PERROUX, F. O conceito de polo de crescimento. In: SCHWARTZMAN, J. (Org). Economia Regional: textos escolhidos. Belo Horizonte: Cedeplar. p. 145-156. 1977.Pesquisa Nacional por Amostra de Domicílios Contínua (PNAC). Desemprego cai para 11,9% na média e 2019; informalidade é a maior em 4 anos. In: IBGE - Instituto Brasileiro de Geografia e Estatística. Agência IBGE notícias. Disponível em: https://agenciadenoticias.ibge.gov.br/agencia-noticias/2012-agencia-de-noticias/noticias/26741-desemprego-cai-para-11-9-na-media-de-2019-informalidade-e-a-maior-em-4-anos. Acesso em: 26 fev. 2020.PIACENTI, C. A.; ALVES, L. R.; FERRERA DE LIMA, J. O perfil locacional do emprego setorial no Brasil. Fortaleza: Revista Econômica do Nordeste, v. 39, n. 3, p. 482-502. 2008.Relação Anual de Informações Sociais (RAIS). Banco de dados. Disponível em: http://bi.mte.gov.br/bgcaged/caged_rais_vinculo_id/login.php. Acesso em: 20 nov. 2019.SALES, A. S; QUEIROZ, M. F.; LUCCA, R. A. Modelo de contágio para avaliação de risco sistêmico. In: BANCO CENTRAL DO BRASIL. Relatório de estabilidade financeira. Brasília: Central Bank of Brazil, nov. 2003. p. 111-162. 2003. Disponível em: https://www.bcb.gov.br/htms/estabilidade/2003_novembro/ref200310c6p.pdf. Acesso em: 11 fev. 2019.SAVEDOFF, W. D. Os diferenciais regionais de salário no Brasil: segmentação versus dinamismo da demanda. Pesquisa e Planejamento Econômico, v. 20, n. 3, p. 521-556. 1990.SILVA, A. S. P.; MONSUETO, S. E.; PORSSE, A. A. Flexibilidade do mercado de trabalho: uma análise comparativa entre subsetores socioeconômicos no Brasil (2002-2009). Pesquisa e Planejamento Econômico, v. 45, n. 1, p. 125-153. 2015.SISCÚ, A. B.; LIMA, J. P. R. Fronteiras agrícolas no Brasil: a lógica de sua ocupação recente. Nova Economia, Belo Horizonte, v. 10, n. 1, p. 109-138. 2000.SMITH, A. An inquiry into the nature and causes of the wealth of nations . 1976. Digital edition, Amsterdam: MetaLibri, 2007. Disponível em: https://www.ibiblio.org/ml/libri/s/SmithA_WealthNations_p.pdf. Acesso em: 07 fev. 2019.SOUZA, N. J. Desenvolvimento polarizado e desequilíbrios regionais no Brasil. Análise Econômica, Porto Alegre, v. 19, p. 29-59. 1993.SOUZA, N. J. Desenvolvimento regional. São Paulo: Atlas, 198 p. 2009.STADUTO, J. A. R.; NASCIMENTO, C. A.; SOUZA, M. Ocupações e renda das mulheres no rural do estado do Paraná, Brasil: uma perspectiva de gênero. Cuadernos de Desarrollo Rural, v. 10, n.72, p. 91-

115. 2013.STADUTO, J. A. R.; SHIKIDA, P. F. A.; BACHA, C. J. C. Alteração na composição da mão-de-obra assalariada na agropecuária brasileira. São Paulo: Agricultura em São Paulo, v. 51, n. 2, p. 57-70. 2004.STADUTO, J. A. R.; SCHIO, T. A. Flexibilidade alocativa do mercado de trabalho brasileiro: uma avaliação empírica dos estados e das regiões metropolitanas e não-metropolitanas. Revista Brasileira de Estudos Regionais e Urbanos, v. 4, n. 2, p. 51-66. 2010.TELES, V. K.; MIRANDA, M. C. Política monetária e ciclos regionais no Brasil: uma investigação das condições para uma área monetária ótima. São Paulo: Estudos Econômicos, v. 36, n. 2, p. 263-291. 2006.URANI, A. Ajuste macroeconômico e flexibilidade do mercado de trabalho no Brasil – 1981/95. Rio de Janeiro: IPEA. 1996. (Texto para discussão, n. 380).VON THÜNEN, J. H. Der isolierte Staat in Beziehung auf Landwirtschaft und Nationalökonomie. Hamburg: Perthes, 1826. Trans. HALL, P.; WARTENBURG, C. The Isolated State. London: Pergamon, 1966.