ANÁLISE ESPACIAL DO CRESCIMENTO ECONÔMICO NO ESTADO DO PARÁ
FRANCISCO CARLOS DA CUNHA CASSUCE (1) ; JAIR CARVALHO DOS
SANTOS (2) .
1.UFV, VIÇOSA, MG, BRASIL; 2.UFV/EMBRAPA, VIÇOSA, MG, BRASIL.
[email protected]
APRESENTAÇÃO ORAL
SOCIOECONOMIA SOLIDARIA E DESENVOLVIMENTO LOCAL
ANÁLISE ESPACIAL DO CRESCIMENTO ECONÔMICO NO ESTADO DO PARÁ
(Socioeconomia Solidária e Desenvolvimento Local)
Resumo: O trabalho teve como objetivo analisar a influência da educação, do capital fixo e da
saúde sobre o crescimento econômico dos municípios do estado do Pará. Para isso, foram
construídos índices de educação, capital físico e saúde valendo-se da técnica de Análise Fatorial.
De posse destes índices utilizou-se a técnica de econometria espacial, buscando identificar
interdependências espaciais, relacionadas com crescimento econômico, entres os municípios do
estado. Encontrou-se clusters de municípios de baixa renda per-capita nas regiões Nordeste e
Marajó, assim como clusters de alta renda per-capita no Sudoeste e no Sudeste, confirmando a
presença de dualidade dentro do estado. O modelo de regressão espacial mostrou que os fatores
educação, capital físico e saúde são determinantes para o crescimento dos municípios do estado.
Palavras-chave: Fatores de crescimento, relação espacial, Amazônia.
1. Introdução
O crescimento econômico do Brasil tem como uma das principais características a
dualidade, onde as regiões Sudeste e Sul apresentam maior desenvolvimento, enquanto que as
regiões Nordeste e Norte mostram retardamento nesse crescimento.
Essa dualidade é verificada, da mesma forma, dentro dessas microrregiões e das próprias
unidades federativas, o que se configura um desafio aos governantes e à própria sociedade.
O estado do Pará é um dos estados do Norte do País que apresenta o maior crescimento
econômico, juntamente com o Amazonas, mas que também sofre da discrepância de desempenho
entre as diversas microrregiões e municípios. A identificação dos fatores que interferem nesse
desenvolvimento reveste-se de relevância na definição de políticas públicas de incentivo e de
aplicação direta de recursos públicos (investimentos), na busca de maior equidade no
desenvolvimento.
Realizando estudos dessa natureza no estado de Minas Gerais, SILVA, FONTES e
ALVES (2005), verificaram redução da desigualdade regional em termos de renda per-capita e
que capital humano foi fundamental para reduzir as discrepâncias e conduzir as regiões a um
processo de convergência de renda. SILVA, SILVA JR e FONTES (2005), analisando a
1
influência de capital fixo e capital humano, chegaram a resultados semelhantes, indicando que a
equalização apenas de capital fixo não seria suficiente para levar municípios de Minas Gerais a
um processo de convergência de renda e que um dos fatores que conduziriam o estado a essa
condição seria o capital humano.
De outra forma, a escassez de recursos públicos torna necessária a definição de estratégias
de incentivo e aplicação direta desses recursos, com vistas a utilizá-los de forma mais eficiente e
eficaz. A divisão do estado em regiões administrativas é uma das estratégias utilizadas pelo poder
público estadual, o que acaba definindo diversos pólos de desenvolvimento espaçados
geograficamente na unidade federativa. Muitas vezes, de outro modo, a existência dos pólos é
quem auxilia na definição das regiões administrativas. É importante verificar se efetivamente
ocorre o chamado efeito transbordamento das transformações que se processam nesses pólos para
outros municípios vizinhos. Esse tipo de análise pode servir de indicador de desempenho da
estratégia de desenvolvimento.
PEREIRA e LEMOS (2005), analisando os casos das cidades mineiras de porte médio,
observaram que o desenvolvimento das cidades pólos, principalmente das regiões mais pobres do
estado, são de fundamental importância para desencadear uma dinâmica de crescimento.
Como resultante, verifica-se a importância de analisar como investimentos em capital fixo
e humano afetam o crescimento econômico, nos municípios paraenses e como os investimentos
feitos em um município afetam sistematicamente os municípios próximos.
O objetivo principal deste trabalho é fazer uma análise econômica espacial dos
municípios do estado do Pará, partindo do princípio que, decisões acerca de investimentos,
públicos ou privados, em um determinado município, podem ser de fundamental importância
para o desenvolvimento das municípios vizinhas.
1.1. Considerações sobre o Estado do Pará
O Estado do Pará vem ganhando importância no cenário nacional, muito embora sua
participação no PIB brasileiro seja, ainda, um tanto quanto modesta, chegando, em 2002, a
aproximadamente 1,9% do PIB nacional, se confirmando como a 11ª economia dentre os estados
brasileiros. Na Região Norte, o Estado do Pará ocupa lugar de destaque, sendo responsável, em
2002, por aproximadamente 39,74% do PIB da região, acompanhado de perto pelo Amazonas,
com 38,96% (IBGE, 2005).
Segundo a Secretaria Executiva de Planejamento, Orçamento e Finanças do Pará - SEPOF
(2005), o Pará apresenta 143 municípios, dos quais 51% apresentam como principal atividade a
agropecuária. O setor de serviços se destaca como principal setor em 43% dos municípios
restando 6% onde se destaca o setor industrial. Entre os municípios que apresentam o setor de
serviços como principal setor, aproximadamente, 87% têm a agropecuária como segundo setor
mais importante, confirmando o setor agropecuário como o principal setor do Estado. A Figura 1
apresenta os municípios, assim como as Mesorregiões do Estado do Pará e o principal setor de
cada município.
De acordo com a Figura 1, o Estado é divido em 6 mesorregiões. A mesorregião
Metropolitana de Belém foi responsável, em 2002, por 39% do PIB do estado, acompanhado pelo
Sudeste Paraense com 29%. As regiões Nordeste Paraense, Baixo Amazonas, Sudoeste Paraense
e Marajó, responderam em 2002 respectivamente por 13%, 9%, 7% e 3% do PIB do estado
(SEPOF, 2005).
O Sudeste Paraense vem se destacando devido ao maior dinamismo dos setores
agropecuário e industrial. Prova disso, verificou-se através do aumento, no período de 1999 a
2002, de 51,56% no valor adicionado da agropecuária, 119,11% no valor adicionado da indústria
2
e 33,73% no consumo de energia elétrica industrial, contra respectivamente 32,62%, 45,00% e
14,32% para a região Metropolitana de Belém. O Sudoeste Paraense e o Nordeste Paraense têm
como ponto forte o setor de serviços, principalmente serviços públicos.
Fonte: Adaptado da SEPOF, 2005.
Figura 1 – Setores econômicos predominantes na Base Produtiva dos Municípios do
Estado do Pará.
A Tabela 1 apresenta a renda per-capita das mesorregiões assim como o percentual da
população do estado em cada região. Verifica-se que apenas o Sudeste Paraense e a região
Metropolitana de Belém apresentaram valores acima da média do estado, indicando a
desigualdade existente dentro do Pará.
3
Tabela 1 – Produto Interno Bruto per-capita a preço de mercado corrente, e participação na
população do Estado do Pará, segundo Mesorregiões, 2002.
2002
Mesorregiões
PIB per-capita (R$)
Participação (%) na população
Sudeste Paraense
5.755
19
Metropolitana de Belém
4.523
34
Sudoeste Paraense
3.875
7
Baixo Amazonas
3.514
10
Nordeste Paraense
2.065
24
Marajó
2.052
6
Pará
3.887
100
Fonte: Adaptado de IBGE – SEPOF/DIEPI/GERES.
Essa desigualdade também pode ser observada na esfera municipal. Os cinco maiores
municípios responderam por 44,13% do PIB do Estado, em 2002, quando Belém foi responsável
por 25,67%, Barcarena com 5,13%, Ananindeua, Tucuruí e Parauapebas com respectivamente
4,89%, 4,54% e 3,90% do PIB do estadual. Nos três primeiros municípios destacaram-se o setor
de serviços e a indústria, mais especificamente o setor Financeiro, o de Aluguéis, a
Administração Pública, o de Construção Civil, o Madeireiro, o de Alimentos e Bebidas e o de
Metalurgia. No município de Parauapebas , destacou-se como atividade principal a mineração,
especialmente a extração de minério de ferro pela companhia do Vale do Rio Doce (projeto
Carajás). No município de Tucuruí evidencia-se os efeitos econômicos das atividades
relacionadas à Hidrelétrica de mesmo nome.
As Tabelas 2 e 3 apresentam os 30 municípios com maior renda per-capita e os 30 com
menor renda per-capita, para o ano de 2002. As tabelas reforçam as evidências a cerca das
desigualdades dentro do estado.
Tabela 2: Os 30 municípios do Estado do Pará com maior renda per-capita,
2002
Fonte: IBGE – SEPOF/DIEPI/GERES(2005).
4
Tabela 3: Os 30 municípios do Estado do Pará com menor renda per-capita,
2002.
Fonte: IBGE – SEPOF/DIEPI/GERES(2005).
Na Tabela 2, chama atenção o município de Belém, capital do estado, ocupando apenas a
29ª colocação. Barcarena apareceu como maior renda per-capita do Estado, correspondendo a
R$52,34 por dia, enquanto na Tabela 3, aparece Curralinho com uma renda per-capita de apenas
R$2,71 por dia, a menor do estado.
2.Modelo Analítico
2.1. Determinação dos Índices de Capital Físico, Educação e Saúde
Na tentativa de obter variáveis que refletissem o grau de educação (EDU), saúde (SAU) e
o estoque de capital físico (K) das municípios do Estado do Pará, utilizou-se a técnica de Análise
Fatorial para a construção de variáveis latentes, que foram denominadas de Educação, Capital
Físico e Saúde.
Segundo BARROSO e ARTES (2003) determinadas variáveis são difíceis de serem
medidas, por apresentarem conceitos abstratos como, por exemplo, níveis de educação e saúde. A
Análise Fatorial têm como um dos seus principais objetivos, identificar e possibilitar a
mensuração de constructos1 existentes em um conjunto de dados.
O trabalho utilizou um conjunto de dados, referentes ao ano 2000, considerando as
variáveis, capital residencial urbano (KRU), consumo total de energia elétrica (CTE), número
médio de anos de estudo das pessoas de 25 ou mais anos de idade (NAE), porcentagem de
crianças de 7 a 14 anos de idade na escola (CMATE), taxa de alfabetização (TA), taxa bruta de
freqüência à escola (TFE), esperança de vida ao nascer (EVN), mortalidade até um ano de idade
(MT) e probabilidade de sobreviver até os 60 anos (S60).
Com esses dados, esperava-se identificar três fatores ou constructos. O primeiro referente
a capital físico, que seria formado pelas variáveis KRU e CTE. O segundo fator, composto as
variáveis NAE, CMATE, TA e TFE, representaria o grau de educação dos municípios paraenses.
Por último, as variáveis EVN, MT e S60, seriam responsáveis por representar o fator saúde.
1
Constructos são variáveis que apresentam conceitos abstratos e difíceis de serem medidas.
5
Na técnica de Análise Fatorial utilizou-se o modelo de Análise Fatorial Ortogonal, que
divide a variação total de cada variável em fatores comuns (comunalidade), fatores específicos de
cada variável (unicidade) e a um erro.
De acordo com MINGOTI (2005), considerando unicidade e erro como uma parcela ε , o
modelo pode ser apresentado como:
(1)
X = AF + ε
onde, X é um vetor de variáveis originais, A é uma matriz pxr de cargas fatoriais e F é o vetor de
fatores comuns. O método utilizado para estimação, foi o de Componentes Principais2.
Uma vez obtidos os fatores que representam as variáveis capital físico, educação e saúde,
para cada município, utilizou-se estes fatores em uma análise de regressão espacial descrita na
seção seguinte.
2.2. Análise de Regressão Espacial
Para analisar o crescimento econômico no Estado do Pará, estimou-se um modelo
econométrico capaz de captar a dependência no espaço entre as variáveis. O modelo utiliza como
próxi para o crescimento, a renda per-capita (RP)3, e é regredido em função do Capital Físico
(K), Educação (EDU) e Saúde (SAU), variáveis estas, construídas a partir da Análise Fatorial,
desenvolvida na seção anterior.
O modelo é apresentado na equação (1).
(2)
RP = α 1 EDU + α 2 K + α 3 SAU
A hipótese é de que quanto maior o grau de educação, o estoque de capital fixo e do
índice de saúde nos municípios paraenses, maior o desenvolvimento econômico, ou seja, maior a
renda per-capita.
Os modelos de regressão são muito eficientes quando o objetivo é analisar a dimensão das
variáveis no tempo. Contudo, tais modelos não captam efeitos do crescimento em um município,
provocada pelo crescimento dos municípios vizinhas. Dessa forma, é importante que os modelos
de regressão utilizem dados advindos de coordenadas geográficas, para captar os efeitos espaciais
do crescimento no estado.
A dependência espacial é detectada confirmando a presença de autocorrelação espacial no
modelo estimado. A autocorrelação é definida quando a variável de interesse numa certa região i
(no caso, crescimento), depende do valor dessa variável nas regiões vizinhas4 j. Isso pode ser
expresso genericamente pelas expressões (3) e (4).
(3)
E ( yi y j ) ≠ 0
E (ε i ε j ) ≠ 0
(4)
onde a equação (3) expressa a correlação entre a variável dependente na localidade i e a variável
dependente na localidade j , como sendo diferente de zero, e a expressão (4) indica que a
correlação dos erros em localidades diferentes são diferentes de zero, para todo j ≠ i .
2
Maiores detalhes a cerca das pressuposições do modelo e sobre o método de Componentes Principais, ver
MINGOTI (2005) ou BARROSO e ARTES (2003).
3
“Razão entre o somatório da renda per capita de todos os indivíduos e o número total desses indivíduos. A renda
per capita de cada indivíduo é definida também como a razão entre a soma da renda de todos os membros da
família e o número de membros da mesma. Valores expressos em reais de 1º de agosto de 2000”. Mais informações
metodológicas podem ser obtidas em: http://www.undp.org.br (IPEA, 2005).
4
A vizinhança entre os municípios foi determinada pela existência de fronteira entre dois municípios.
6
De acordo com CALDAS et all. (2003), tal especificação para autocorrelação espacial é
considerada por demais genérica, para permitir a estimação de N vezes (N -1) interações das N
observações. Para tanto é determinada uma matriz de pesos W, onde apenas um parâmetro é
desconhecido.
A dependência espacial pode se apresentar de duas formas. A primeira delas é o modelo
de Defasagem Espacial, que admite, por exemplo, que crescimento nos municípios paraenses,
esteja se difundindo através do espaço. Empresários ou governos municipais, ao perceberem a
implantação de novos negócios e investimentos por parte das autoridades e empresários de uma
cidade vizinha, se sentem estimulados a ingressar em atividades semelhantes. Isto é conhecido
como efeito imitação5 e pode ser expresso da seguinte forma:
(5)
y = ρWy + βX + ε
onde y é um vetor N x 1 das observações da variável dependente, ρ é um coeficiente auto
regressivo espacial, Wy é um vetor N x 1 de defasagens espacial para a variável dependente, X é
um vetor N x k das observações das variáveis exógenas e ε é o termo de erro aleatório
distribuído normalmente.
O segundo modelo é o modelo de Erro Auto Regressivo Vetorial6. Este modelo capta os
efeitos de variáveis não modeladas que se manifestam no termo de erro inovacional. Um exemplo
seria um investimento realizado em um determinado município, como por exemplo, uma grande
indústria. Isto seria algo não modelável para os vizinhos e que certamente elevaria o crescimento
econômico da região. Municípios vizinhos se beneficiariam da implantação dessa indústria. Este
modelo pode ser expresso da seguinte forma:
(6)
y = βX + µ
(7)
µ = λWµ + υ
onde λ , é o parâmetro de erro regressivo espacial e, µ e υ são erros aleatórios.
Especificadas as formas de autocorrelação espacial, identifica-se qual delas, se defasagem
espacial ou erro espacial, está ocorrendo, ou seja, é preciso identificar o modelo, o que pode ser
efetivado, a partir dos passos determinados por CALDAS et all. (2003).
1) Estima-se o modelo clássico de regressão linear por MQO.
2) Analisa-se na seqüência a estatística I de Moran para os resíduos da regressão. Esta
estatística segue uma distribuição z e diante de um resultado significativo para o I de
Moran, determina-se a presença de autocorrelação espacial7.
3) Detectada a auto correlação espacial faz-se necessário a distinção entre os dois tipos. Para
isso utiliza-se o teste do Multiplicador de Lagrange que é feito para o termo de erro e para
a defasagem espacial, e são assintoticamente distribuídos a χ 2 e com 1 grau de
liberdade8. Caso os testes de ML sejam não significativos, o modelo clássico de regressão
é o mais indicado. Caso sejam significativos, devem-se calcular as versões robustas destes
testes e o teste robusto do Multiplicador de Lagrange que apresentar maior nível de
significância (maior valor calculado) determinará o modelo a ser estimado.
5
Definido por ANDRADE e LISBOA (2000), como teoria da inércia, tratando do assunto criminalidade.
Os modelos espaciais não podem ser estimados por Mínimos Quadrados Ordinários (MQO), pois perdem em
eficiência, invalidando a interpretação da estatística t e F, o que pode ser contornado estimando tais modelos por
Máxima Verossimilhança. Para maiores detalhes sobre a estimação e pressuposições destes modelos, ver ALMEIDA
(2004), FINGLETON (2004) e SMITH (2004).
7
Segundo CALDAS (2003), a estatística de I de Moran, pressupõe homocedasticidade e normalidade dos erros.
Contudo, para grandes amostras, a homocedasticidade é suficiente para se obter valores confiáveis para o I de
Moran.
8
Para maiores detalhes sobre o teste I de Moran e os de Multiplicador de Lagrange, ver ALMEIDA (2004).
6
7
Além da análise de regressões espaciais, foram plotados diagramas de dispersão para a
variável crescimento econômico (renda per-capita) assim como a apresentação de possíveis
formações de clusters no Estado do Pará9.
2.1. Fonte de Dados
Os dados utilizados correspondem a dados do Censo Demográfico e da Pesquisa Nacional
por Amostra de Domicílios - PNAD e foram obtidos no site do Instituto de Pesquisa Econômica
Aplicada - IPEA. Apenas para a variável consumo total de energia elétrica, os dados foram
obtidos através do site da SEPOF. O trabalho foi desenvolvido com base nos dados referentes ao
ano de 2000 devido a disponibilidade dos dados.
3. Discussão dos Resultados
Inicialmente foi feita a verificação da adequabilidade do modelo de Análise Fatorial, a fim
de determinar se as variáveis latentes obtidas no trabalho são significativas. O Apêndice A
apresenta os testes e resultados necessários para classificar o modelo como adequado ou não.
Na Tabela 1A, no Apêndice A, é apresentada a matriz de correlações, assim como a
significância de cada correlação, para o conjunto de variáveis. Percebe-se claramente um padrão
de relacionamento entre as variáveis, o que é reforçado pela matriz de anti-imagem, exposta na
Tabela 2A, onde se detecta baixas correlações parciais, indicando que as variáveis formam
fatores comuns, além de apresentar a medida MSA (Measure of sampling adequacy), que é uma
medida tipo KMO (Kaiser-Meyer-Olklin) para cada variável, mostrando a boa adequabilidade do
modelo.
Na Tabela 3A é apresentado a medida KMO que é um índice que compara as correlações
simples e parciais. De acordo com MINGOTI (2005), o valor encontrado para o modelo indica
boa adequabilidade dos dados. O mesmo pode ser detectado atreves do teste de Bartlett, na
mesma Tabela, onde é rejeitada a hipótese de que a matriz de correlação é igual à matriz
identidade.
Uma vez especificada a boa adequabilidade do modelo, é apresentado nas Tabelas 4 e 5,
respectivamente, as raízes características e o percentual de variância dos dados explicada por
cada fator e pelos fatores em conjunto e, a matriz de componentes rotacionada pelo método
varimax10, uma vez que a matriz de componentes originais não possibilitou a identificação clara
dos constructos.
Tabela 4: Percentual da variância dos dados explicada pelos fatores.
Fatores
Raízes Caracteristicas
% de Variância
Fator 1
Fator 2
Fator 3
3,190
3,035
2,007
35,448
33,717
22,301
% Cumulativo de
Variância
35,448
69,165
91,465
Fonte: Dados do trabalho.
Como pode ser notado na Tabela 4, optou-se pela escolha de apenas três fatores, pois
foram os que apresentaram raízes características superiores à variância média dos fatores, no caso
9
Essa análise é conhecida como Análise Exploratória de Dados Espaciais, e é aconselhável que seja realizada antes
da estimação das regressões espaciais.
10
Maiores detalhes, ver BARROSO (2003)
8
superiores a 1, já que o trabalho utiliza variáveis padronizadas. O primeiro fator responde por
35,45% da variância dos dados, ao passo que os fatores 2 e 3 captam 33,71% e 22,30% da
variância, sendo os três responsáveis por aproximadamente 91,5% da variância dos dados, valor
considerado altamente expressivo.
Tabela 5: Matriz de correlações Rotacionada.
KRU
NAE
CMATE
TA
TFE
EVN
MT
S60
CET
1
0,130
0,829
0,992
0,833
0,920
0,157
0,151
0,155
0,155
Fatores
2
0,056
0,201
0,034
0,245
0,127
0,984
-0,984
0,985
0,087
3
0,954
0,387
-0,017
0,166
0,082
0,076
-0,062
0,072
0,948
Fonte: Dados do Trabalho.
A Tabela 5 apresenta a Matriz de componentes rotacionada, onde são expostas as
correlações entre os fatores e as variáveis padronizadas. Com base nas correlações fica claro que
o fator 1 pode ser utilizado para representar variações nas variáveis NAE, CMATE, TA e TFE, o
que caracterizaria esse fator como um indicador de nível educacional para os municípios
paraenses. O fator 2 está muito relacionado com as variáveis EVN, S60 e MT, correspondendo a
um índice de saúde para o municípios do Pará. Por fim, o fator 3 que apresenta clara relação com
KRU e CET, e pode ser expresso como um índice de capital físico.
Os fatores também podem ser utilizados para classificar os municípios paraenses segundo
o nível de educação, saúde e um índice de capital fixo. A Tabela 4A apresenta os valores dos
fatores encontrados para cada município do Pará. Benevides apresentou maior índice de
educação, ao passo que Barcarena aparece apresentando o maior índice de saúde. Belém se
destacou com elevado índice de capital físico, porém deixou a desejar nas questões de saúde e
educação. Isso pode ser explicado pelo intenso processo de migração dos municípios do interior
para a capital paraense, ocorrida nas últimas décadas, o que resultou em um elevado crescimento
populacional, sem que ocorressem os investimentos em saúde e educação nas mesmas
proporções. Destaca-se o intenso processo de favelização nas áreas de periferia de Belém, onde a
estrutura de saneamento é bastante precária.
Uma vez obtido os índices que representariam capital físico, educação e saúde para o
Estado do Pará no ano de 2000, utilizou-se esses índices para desenvolver uma análise espacial
do crescimento econômico no Pará. Para isso, foi feito inicialmente uma análise exploratória de
dados espaciais com o objetivo de determinar a presença de dependência espacial entre os
municípios do Pará, no que tange a crescimento econômico. A Figura 2 apresenta um diagrama
de dispersão de Moran para renda per-capita, variável utilizada como próxi para crescimento
econômico.
9
Defasagem espacial da renda per-capita
)
Renda per-capita
Fonte: Dados do trabalho.
Figura 2- Diagrama de dispersão de Moran para Renda Per-capita (RP) no Estado do Pará
– 2000.
O diagrama de Moran apresenta uma relação Alto-Alto no primeiro quadrante, ou seja,
municípios com altos índices de RP, são cercados por municípios que apresentam altos índices de
RP. A relação no segundo quadrante é Alto–Baixo, no terceiro, Baixo-Baixo e no quarto, BaixoAlto. Os resultados mostram que há uma relação espacial nos municípios do Pará, no que se
refere a RP, o que é refletido por um I de Moran de 0,30 aproximadamente. O diagrama da Figura
2 deixa claro que a relação espacial é positiva, ou seja, municípios que apresentam altos níveis de
RP são vizinhas de outros que apresentam altos níveis de RP.
Segundo ALMEIDA (2004), o diagrama de dispersão de Moran não permite a verificação
da significância estatística dos resultados. Neste caso é necessário plotar em um mapa os
resultados estatisticamente significativos e apresentá-los em forma de clusters.
A Figura 3 apresenta o mapa de clusters para RP no estado do Pará, assim como os
valores estatisticamente significativos. Observou-se que existe a formação de três clusters bem
definidos: um alto-alto compreendendo parte dos municípios da região sudoeste e sudeste
paraense, mostrando que nestas regiões, municípios com renda per-capita elevada são cercados
por municípios que possuem renda per-capita também elevada. Este resultado se justifica uma
vez que os dados apresentados na introdução deste trabalho mostraram que a região sudeste do
Pará, vem apresentando elevados índices de crescimento.
Percebe-se, também, dois clusters baixo-baixo nas regiões Nordeste e Marajó,
significando que municípios de baixa renda são cercadas por municípios de baixa renda. Estas
regiões se caracterizam por terem o setor de serviços como chave, e em grande parte serviços
públicos que, embora gerem algum nível de renda, não desencadeiam um processo de
crescimento. Contudo, há regiões que apresentam alta RP que são cercadas por regiões de baixa
RP. Nestas regiões variáveis de escopo econômico e social, podem estar sendo mais importantes
para determinar o crescimento do que as relações espaciais.
O resultado obtido através da Análise Exploratória de Dados Espaciais (AEDE) deixa
clara a presença de autocorrelação espacial, no que se refere ao crescimento econômico no estado
10
do Pará. Os resultados confirmam as desigualdades econômicas no estado, apresentadas na
introdução deste trabalho.
Detectado um padrão de interdependência espacial, realizou-se a análise de regressão
espacial na busca de resultados quantitativos. Estimou-se a regressão clássica, determinando o I
de Moran e os testes de Multiplicador de Lagrange, assim como os Multiplicadores de Lagrange
robusto (LMrobusto) para erros e defasagens. Os resultados dos testes, para ambos os modelos,
encontram-se na Tabela 6, assim como os teste para heterocedasticidade (White)11.
Não significativo
Alto-Alto
Baixo-Baixo
Baixo-Alto
Alto-Baixo
Fonte: Dados do trabalho.
Figura 3 – Mapa de significância e formação de clusters para renda per-capita
(RP) no Estado do Pará - 2000.
Os resultados encontrados para o I de Moran foram significativos ao nível de 1%,
indicando que ambos os modelos apresentam autocorrelação espacial. Verifica-se a ausência de
heterocedasticidade, com base nos teste de White. Os testes de Multiplicador de Lagrange (LM)
para erro e defasagem também foram significativos ao nível de 1%, confirmando que a regressão
espacial é a mais adequada. Neste caso optou-se pelo modelo de erros espaciais, devido ao fato
do LM robusto de erros ter se apresentado significativo, o que não ocorreu com o LM de
defasagem.
11
O teste de White tem por hipótese nula a ocorrência de homocedasticidade.
11
Tabela 6 : Avaliação dos efeitos espaciais.
Teste
Valor dos testes
I de Moran
ML erros
ML defasagens
ML (robusto) erros
ML (robusto) defasagens
White
8,4556
(0,0000)
63,7847
(0,0000)
40,0808
(0,0000)
26,0079
(0,0000)
2,3040
(0,1290)
14,2344
(0,1142)
Fonte Dados do trabalho.
Obs: os valores em parênteses são os respectivos níveis de significância.
Identificado o problema de autocorrelação espacial, a Tabela 6 apresenta o modelo
proposto.
Tabela 6: Resultado de Máxima Verossimilhança no modelo de erros espaciais para
crescimento econômico no estado do Pará.
SAL
RP
Constante
EDU
K
λ
116,1956
22,4115
18,5042
16,1387
0,6851
1
(0,0000)
(0,0000)
(0,0000)
(0,0000)
(0,0000)
Fonte: dados do trabalho.
Obs: os valores em parênteses são os respectivos níveis de significância.
Como as variáveis explicativas utilizadas são desprovidas de unidade de medida, as
análises se restringem ao sentido e magnitude. Observando o modelo de regressão espacial,
percebe-se a importância da educação para geração de crescimento econômico, o que é
corroborado pelos resultados encontrados por SILVA, FONTES e ALVES (2005), SILVA,
SILVA JR e FONTES (2005) e CARNEIRO e FONTES (2005). A influência do capital físico
(K) é muito importante para a geração de renda e, consequentemente, de crescimento econômico,
quase tanto quanto a educação, fato que diverge dos resultados encontrados nos estudos citados a
cima. Nestes o capital físico, embora afete positivamente o crescimento econômico no estado de
Minas Gerais, têm uma influência muito menor do que no estado do Pará, onde capital e
educação praticamente têm a mesma importância no crescimento econômico.
Tal resultado pode ser explicado pelo fato do Estado do Pará não apresentar uma
economia tão intensiva em capital quanto a do Estado de Minas Gerais, fazendo dessa forma com
que o capital físico ainda seja fundamental para o crescimento.
O fator saúde, assim como educação e capital físico, se mostrou muito importante para a
geração de crescimento. Os resultados mostram que os municípios do Estado do Pará são carentes
tanto de educação e saúde quanto de capital físico, motivo pelo quais tais fatores apresentam
influencia considerável sobre o crescimento econômico. Qualquer investimento em saúde,
educação ou capital físico, traria consideráveis efeitos sobre o crescimento econômico.
12
O coeficiente autorregressivo espacial ( λ ) foi significativo ao nível de 1%, indicando que
efeitos não modelados apresentam uma correlação espacial positiva, ou seja, altos valores desses
efeitos são vizinhos de altos valores, e baixos valores desses efeitos são vizinhos de baixos
valores.
Isso indica que o crescimento econômico, estudado no trabalho, pode estar sendo
determinado por outras variáveis não modeladas como a concessão de incentivos fiscais, por
parte de um município, para facilitar a implantação de indústrias, o que afetaria a economia dos
municípios vizinhos, ou uma política de educação mais eficiente por parte do poder público com
efeito de transbordamento semelhante, dentre outras. Desta forma municípios que apresentam
elevados índices de crescimento econômico, através da geração de novas empresas e instalação
de indústrias, seriam rodeadas por outros que apresentam uma trajetória de crescimento
econômico que é favorecida pelas políticas de desenvolvimento do primeiro município. Seguindo
o mesmo raciocínio, municípios que apresentam baixos índices de crescimento seriam rodeados
por outros com também baixo índice de crescimento.
4. Conclusões
O trabalho teve como objetivo analisar a influência da educação, do capital físico e da
saúde sobre o crescimento econômico. Além disso, buscou-se uma explicação de
interdependência espacial entre os municípios paraenses.
Verificou-se a formação de clusters nas regiões Sudoeste e Sudeste paraense, composto
por municípios de alta renda per-capita vizinhas de outros de alta renda per-capita, e clusters no
Nordeste do Pará e no Marajó, de municípios de baixa renda per-capita cercadas por municípios
de baixa renda per-capita. Esses resultados mostram que o crescimento de um município afeta o
crescimento das municípios vizinhas e são coerentes com as características de cada região,
evidenciando a desigualdade no estado do Pará, no que se refere ao crescimento.
O modelo de regressão espacial mostrou que educação é a principal variável na
determinação do crescimento econômico, acompanhada de perto por capital físico e saúde. Esses
resultados mostram que o estado do Pará apresenta maiores carências nas áreas de educação,
saúde e na oferta de capital físico de modo que investimentos nestas áreas trariam consideráveis
retornos ao estado, em termos de crescimento econômico. Também de grande importância é a
relação espacial, indicando que o crescimento econômico de uma município estimula a economia
de toda a região. Embora significativo estatisticamente, o capital fixo não foi tão importante para
explicar o crescimento econômico.
Com base nos resultados encontrados, fica claro que políticas voltadas para
desenvolvimento de pólos econômicos são de fundamental importância na economia paraense. O
desenvolvimento destes pólos teria um efeito significativo em toda a região vizinha, o que se
mostra ainda mais importante quando se trata das regiões Nordeste e Marajó, que são regiões
mais pobres, onde os efeitos espaciais do crescimento econômico poderão ser mais
significativos.
5. Referencias Bibliográficas
ALMEIDA, E. S. Curso de Econometria Espacial Aplicada. Departamento de Economia,
Administração e Sociologia da ESALQ-USP. Disponível em: <http://www.esalq.usp>. Acesso
em 20 de janeiro de 2005.
ANDRADE, M. V. e LISBOA, M. B. Desesperança de vida: Homicídios em Minas Gerais, Rio
de Janeiro e São Paulo – 1981/1997 – Ensaios econômicos no. 383 – EPGE/FGV – Rio de
Janeiro, Maio/2000.
13
BARROSO, L.P e ARTES, R. Análise Multivariada. 10° SEAGRO e 48ª RBRAS. Lavras,
UFLA, 2003.
CALDAS, M. M., WALKER, R., SHIROTA, R., PERZ, S. e SKOLE, D. Ciclo da Vida da
Família e Desmatamento na Amazônia: Combinando Informações de Sensoriamento Remoto
com Dados Primários. Revista Brasileira de Economia. Rio de Janeiro, v 57, n 4/I, p 684-711,
out/dez de 2003.
CARNEIRO, P. A. S; FONTES, R. Desigualdades na Região da Zona da Mata Mineira. In:
FONTES, R. e FONTES, M. Crescimento e Desigualdade Regional em Minas Gerais. Viçosa:
UFV, 2005. p.129-150.
FINGLETON, B. Theoretical Economic Geography and Spatial Econometrics: Brindging the
Gap Between Theory end Evidence. In: GETIS, A., MUR, J. e ZOLLER, H.G. Spatial
Econometrics and Spatial Statistics. (2004).
Instituto Brasileiro de Geografia e Estatística <www.ibge.gov.br> , 2005
MINGOTI, S.A. Análise de dados através de métodos de estatística multivariada: uma
abordagem aplicada. Belo Horizonte. Editora UFMG. 2005. p.295.
PEREIRA, F. M; LEMOS, M. B. Desigualdade Regional Urbana: O Caso das Cidades Médias
Mineiras no Contexto Nacional. In: FONTES, R. e FONTES, M. Crescimento e Desigualdade
Regional em Minas Gerais. Viçosa: UFV, 2005. p.129-150.
Secretaria Executiva de Planejamento, Orçamento e Finanças – SEPOF. Produto Interno Bruto
dos Municípios do Estado do Pará. 2005. Disponível em <www.sepof.pa.gov.br>. Acesso em
março de 2005.
SILVA, E; FONTES, R; ALVES, L.F. Crescimento e Desigualdade em Minas Gerais. In:
FONTES, R. e FONTES, M. Crescimento e Desigualdade Regional em Minas Gerais. Viçosa:
UFV, 2005. p.1-60.
SILVA, E; SILVA JR, G, E; FONTES, R. Capital Humano e Convergência de Renda Entre as
Microrregiões de Minas Gerais. In: FONTES, R. e FONTES, M. Crescimento e Desigualdade
Regional em Minas Gerais. Viçosa: UFV, 2005. p.129-150.
SMITH, T., Aggregation Bias in Maximum Likelihood Estimation of Spatiak Autoregressive
Processes. In: GETIS, A., MUR, J. e ZOLLER, H.G. Spatial Econometrics and Spatial
Statistics. (2004).
14
Apêndice A
Tabela 1A: Matriz de Correlação para o conjunto de variáveis contidas na análise fatorial*.
KRU
NAE CMATE
TA
TFE
EVN
MT
S60
CET
1,000
0,458
0,136
0,255
0,223
0,150 -0,139
0,146
0,873
KRU
(
) (0,000) (0,053) (0,001) (0,004) 0,037) (0,049) (0,041) (0,000)
1,000
0,669
0,870
0,759
0,351 -0,335
0,347
0,488
0,458
NAE
) (0,000) (0,000) (0,000) (0,000) (0,000) (0,000) (0,000)
(0,000) (
0,136
0,669
1,000
0,656
0,880
0,187 -0,188
0,186
0,158
CMATE
(0,053) (0,000) (
) (0,000) (0,000) (0,013) (0,012) (0,013) (0,030)
0,255
0,870
0,656
1,000
0,686
0,372 -0,360
0,369
0,279
TA
(0,001) (0,000) (0,000) (
) (0,000) (0,000) (0,000) (0,000) (0,000)
0,223
0,759
0,880
0,686
1,000
0,282 -0,280
0,281
0,249
TFE
(0,004) (0,000) (0,000) (0,000) (
) (0,000) (0,000) (0,000) (0,001)
0,351
0,187
0,372
0,282
1,000 -0,996
1,000
0,184
0,150
EVN
) (0,000) (0,000) (0,014)
(0,037) (0,000) (0,013) (0,000) (0,000) (
-0,139 -0,335
-0,188
-0,360 -0,280 -0,996
1,000
-0,998 -0,171
MT
) (0,000) (0,020)
(0,049) (0,000) (0,012) (0,000) (0,000) (0,000) (
0,146
0,347
0,186
0,369
0,281
1,000 -0,998
1,000
0,180
S60
) (0,016)
(0,041) (0,000) (0,013) (0,000) (0,000) (0,000) (0,000) (
0,873
0,488
0,158
0,279
0,249
0,184 -0,171
0,180
1,000
CET
)
(0,000) (0,000) (0,030) (0,000) (0,001) (0,014) (0,020) (0,016) (
Fonte: Dados do trabalho.
* Os valores entre parênteses são os p-valores
Tabela 2A: Matriz anti-imagem ou de correlações parciais
de dados utilizados na análise fatorial.
TA
TFE
KRU
NAE CMATE
a
KRU
0,617
-0,112
0,069
0,064
0,014
NAE
-0,112 0,761 a
0,104
-0,747 -0,396
CMATE 0,069
0,104
0,676 a
-0,213 -0,774
TA
0,064 -0,747
-0,213
0,770 a 0,168
TFE
-0,014 0,396
-0,774
0,168
0,696ª
EVN
-0,137 -0,133
0,252
0,054
0,245
MT
0,146
0,062
0,271
-0,047 -0,213
S60
0,141
0,120
0,260
-0,054 -0,242
CET
-0,803 -0,197
0,011
0,125
0,028
com sinal invertido, para o conjunto
EVN
-0,137
-0,133
-0,252
0,054
0,245
0,547 a
-0,923
-0,997
0,014
MT
0,146
0,062
0,271
-0,047
-0,213
-0,923
0,557 a
0,951
-0,028
S60
0,141
0,120
0,260
-0,054
-0,242
-0,997
0,951
0,540 a
-0,018
CET
-0,803
-0,197
0,011
0,125
0,028
0,014
-0,028
-0,018
0,642a
Fonte: Dados do trabalho.
a
Measures of Sampling Adequacy (MSA). Esta é uma medida tipo KMO para cada variável, e mostra a
adequabilidade do modelo.
15
Tabela 3A: Medida KMO e teste de Bartlett, para verificar a adequabilidade do modelo de
análise fatorial
Valor dos testes
Medida KMO
0,633
2
Valor χ
2956,877
Teste de Bartlett
Graus de liberdade
36
Significância
0,000
Fonte: Dados do trabalho.
Tabela 4A: Fatores criados para representarem índices de educação, saúde e capital físico.
Índice
de
saúde (fator 2)
Índice
de
capital físico
(fator 3)
0.91
1.18
-0.25
0.20
-0.06
-0.24
Acará
Afuá
Água Azul do
Norte
Alenquer
Almeirim
Altamira
-1.33
-1.78
0.33
1.12
-0.01
-0.14
-1.05
0.66
0.89
0.50
-0.58
-0.16
0.50
1.00
0.17
-0.20
-0.15
0.06
Anajás
Ananindeua
-2.83
1.72
1.00
1.54
0.16
1.78
Anapu
Augusto
Corrêa
Aurora do
Pará
Aveiro
Bagre
Baião
Bannach
-1.46
0.27
0.05
-0.63
-0.06
-0.16
-1.33
-0.82
-1.56
1.16
-0.39
0.12
1.00
-1.70
-0.29
0.89
-0.03
-0.05
0.28
-0.35
-0.22
1.34
0.78
0.72
1.92
2.02
0.25
-1.06
-1.45
-0.10
11.04
-0.20
-0.08
-0.99
-0.49
0.79
-1.07
-1.15
-1.39
0.08
-0.05
0.04
Brasil Novo
Brejo Grande
do Araguaia
-0.95
0.13
0.07
0.51
0.07
-0.35
Breu Branco
Breves
Bujaru
Cachoeira do
Arari
Cachoeira do
Piriá
Cametá
Canaã dos
Carajás
Capanema
0.06
-0.75
0.10
-0.70
-0.02
0.57
-0.14
Municípios
Abaetetuba
Abel
Figueiredo
Barcarena
Belém
Belterra
Benevides
Bom Jesus do
Tocantins
Bonito
Bragança
Índice
educação
(fator 1)
de
Índice
de
saúde (fator 2)
Índice
de
capital físico
(fator 3)
0.38
1.17
-0.20
-0.06
0.85
-0.38
-0.86
0.56
0.58
0.17
-0.08
-0.42
-0.99
0.23
1.54
0.29
-1.32
0.76
-0.53
-1.28
0.05
-0.40
-0.32
-0.12
-0.23
0.91
0.10
-3.17
-0.20
0.08
-0.07
0.72
-0.31
-0.97
-1.86
0.08
-0.43
-0.97
0.87
-0.11
0.36
-0.29
0.41
-0.46
1.33
0.51
-0.06
-0.16
-0.27
-0.31
-0.32
-1.74
0.35
0.82
-0.66
1.09
-0.59
-0.62
-0.99
0.03
-0.27
-0.06
-0.02
Jacareacanga
Jacundá
Juruti
Limoeiro do
Ajuru
-2.53
-0.15
0.99
1.29
0.13
-2.09
0.36
-0.04
-0.20
0.10
-0.14
-0.29
0.39
0.94
-0.34
-0.16
-0.07
-0.29
Mãe do Rio
Magalhães
Barata
Marabá
Maracanã
1.30
1.27
0.63
-0.52
-1.31
-0.41
-0.39
0.59
-0.23
0.10
-0.07
Marapanim
1.28
0.63
-0.44
-1.74
0.97
-1.09
-0.26
0.07
-0.26
Marituba
Medicilândia
1.78
-0.94
-1.04
1.30
0.09
-0.02
0.68
1.13
-0.91
0.95
-0.26
-0.05
Melgaço
Mocajuba
-2.86
0.87
-2.61
1.22
0.65
-0.36
Municípios
Conceição do
Araguaia
Concórdia do
Pará
Cumaru do
Norte
Curionópolis
Curralinho
Curuá
Curuçá
Dom Eliseu
Eldorado dos
Carajás
Faro
Floresta do
Araguaia
Garrafão do
Norte
Goianésia do
Pará
Gurupá
Igarapé-Açu
Igarapé-Miri
Inhangapi
Ipixuna do
Pará
Irituia
Itaituba
Itupiranga
Índice
educação
(fator 1)
de
Fonte: Dados do Trabalho. (Tabela Continua)
16
Tabela 4A: Continuação
Municípios
Capitão Poço
Castanhal
Chaves
Índice
educação
(fator 1)
-0.42
0.86
-3.27
de
Índice
de
saúde (fator 2)
-1.45
0.94
0.59
Índice
de
capital físico
(fator 3)
-0.04
3.10
0.50
Colares
1.22
1.05
-0.44
Nova Ipixuna
Nova
Timboteua
Novo
Progresso
Novo
Repartimento
-0.59
0.28
-0.14
0.50
-1.29
-0.14
-0.53
2.47
-0.17
-0.64
-0.99
0.00
Óbidos
0.02
0.67
-0.04
Oeiras do Pará
0.10
-0.13
-0.28
Oriximiná
0.85
0.52
-0.16
Ourém
Ourilândia do
Norte
0.27
0.64
-0.37
-0.45
0.53
-0.11
Pacajá
Palestina do
Pará
-1.02
0.22
-0.07
-0.13
0.14
-0.23
Paragominas
0.32
-0.86
0.23
Parauapebas
1.57
-0.38
-0.16
Pau D'Arco
-0.21
0.14
-0.26
Peixe-Boi
0.59
-1.32
-0.22
Piçarra
Placas
Ponta de
Pedras
Portel
Porto de Moz
Prainha
Primavera
Quatipuru
Redenção
Rio Maria
Rondon do
Pará
Rurópolis
Salinópolis
Salvaterra
Santa Bárbara
do Pará
Santa Cruz do
Arari
Santa Isabel
do Pará
Santa Luzia do
Pará
Santa Maria
das Barreiras
-1.04
-0.57
0.54
1.03
-0.03
-0.21
-0.46
-2.19
-0.63
-0.32
0.60
0.23
1.05
0.06
0.15
0.59
-0.20
-0.91
-0.42
-1.27
0.56
0.39
-0.10
0.02
0.76
1.14
Municípios
Moju
Monte Alegre
Muaná
Nova
Esperança do
Piriá
Santa Maria
do Pará
Santana do
Araguaia
Índice
educação
(fator 1)
-0.92
0.28
-0.60
de
Índice
de
saúde (fator2)
0.26
1.36
0.16
Índice
de
capital físico
(fator 3)
-0.05
-0.29
0.00
-1.44
-0.50
-0.01
0.18
-1.24
-0.04
-0.65
1.09
-0.03
1.57
0.88
0.43
0.58
-1.30
-0.22
1.10
0.43
-0.34
0.95
0.68
-0.40
-0.07
0.55
-0.30
-0.82
0.06
-0.10
-1.25
1.03
0.08
0.76
-0.42
-0.23
-0.37
1.04
-0.23
0.80
-0.44
-0.29
0.21
0.30
-0.31
-0.32
-3.05
0.11
0.39
-1.13
-0.02
0.34
0.58
0.57
0.65
-0.31
-0.37
0.05
0.10
-0.10
-0.04
-0.28
-0.20
-0.09
-0.15
Santarém
Santarém
Novo
Santo Antônio
do Tauá
São Caetano
de Odivelas
São Domingos
do Araguaia
São Domingos
do Capim
São Félix do
Xingu
São Francisco
do Pará
São Geraldo
do Araguaia
São João da
Ponta
São João de
Pirabas
São João do
Araguaia
São Miguel do
Guamá
São Sebastião
da Boa Vista
Sapucaia
Senador José
Porfírio
Soure
Tailândia
Terra Alta
Terra Santa
Tomé-Açu
Tracuateua
Trairão
-0.93
1.16
-0.52
1.24
0.76
-0.26
0.10
-0.81
-0.20
0.82
1.40
0.65
0.54
-0.59
-1.23
-0.32
-0.01
-0.25
-0.13
-0.42
-0.27
0.14
-0.16
0.06
-0.32
-1.21
1.52
0.77
0.06
-0.11
-0.23
-0.35
Tucumã
Tucuruí
Ulianópolis
Uruará
0.61
1.23
-0.52
-0.43
0.73
1.07
-0.79
0.70
-0.32
-0.08
0.06
-0.11
1.58
-1.40
-0.18
Vigia
1.08
1.33
-0.34
-0.58
-1.05
0.14
-0.51
-0.58
-0.13
1.42
0.40
-0.15
Viseu
Vitória do
Xingu
-1.05
0.23
0.09
-0.22
-1.96
-0.03
0.52
0.66
-0.18
-1.00
0.63
-0.01
Xinguara
Santa Maria
do Pará
0.18
-1.24
-0.04
Fonte: Dados do Trabalho.
17