ANÁLISE ESPACIAL DO CRESCIMENTO ECONÔMICO NO ESTADO DO PARÁ FRANCISCO CARLOS DA CUNHA CASSUCE (1) ; JAIR CARVALHO DOS SANTOS (2).

Transcrição

1 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. jairsantos@vicosa.ufv.br 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

2 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 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

3 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, 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

4 Tabela 1 Produto Interno Bruto per-capita a preço de mercado corrente, e participação na população do Estado do Pará, segundo Mesorregiões, Mesorregiões 2002 PIB per-capita (R$) Participação (%) na população Sudeste Paraense Metropolitana de Belém Sudoeste Paraense Baixo Amazonas Nordeste Paraense Marajó Pará 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 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

5 Tabela 3: Os 30 municípios do Estado do Pará com menor renda per-capita, 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 constructos 1 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

6 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: X = AF + ε (1) 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 Principais 2. 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 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). RP = α 1EDU + α 2K + α 3SAU (2) 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 vizinhas 4 j. Isso pode ser expresso genericamente pelas expressões (3) e (4). E ( y y i j ) 0 (3) E( ε ε ) 0 (4) i j 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 Mais informações metodológicas podem ser obtidas em: (IPEA, 2005). 4 A vizinhança entre os municípios foi determinada pela existência de fronteira entre dois municípios. 6

7 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 imitação 5 e pode ser expresso da seguinte forma: y = ρ Wy + βx + ε (5) 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 Vetorial 6. 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: y = β X + µ (6) µ = λw µ + υ (7) 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 espacial 7. 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 2 a defasagem espacial, e são assintoticamente distribuídos a χ e com 1 grau de liberdade 8. 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. 6 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). 7

8 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 Pará 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 varimax 10, 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 % Cumulativo de Variância Fator 1 3,190 35,448 35,448 Fator 2 3,035 33,717 69,165 Fator 3 2,007 22,301 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

9 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. Fatores KRU 0,130 0,056 0,954 NAE 0,829 0,201 0,387 CMATE 0,992 0,034-0,017 TA 0,833 0,245 0,166 TFE 0,920 0,127 0,082 EVN 0,157 0,984 0,076 MT 0,151-0,984-0,062 S60 0,155 0,985 0,072 CET 0,155 0,087 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

10 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 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, Baixo- Alto. 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

11 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 (LM robusto ) 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 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

12 Tabela 6 : Avaliação dos efeitos espaciais. Teste Valor dos testes I de Moran 8,4556 (0,0000) ML erros 63,7847 (0,0000) ML defasagens 40,0808 (0,0000) ML (robusto) erros 26,0079 (0,0000) ML (robusto) defasagens 2,3040 (0,1290) White 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. RP Constante EDU K SAL λ 116, , , (0,0000) (0,0000) (0,0000) Fonte: dados do trabalho. Obs: os valores em parênteses são os respectivos níveis de significância. 16,1387 (0,0000) 0,6851 (0,0000) 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

13 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: < Acesso em 20 de janeiro de 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/

14 BARROSO, L.P e ARTES, R. Análise Multivariada. 10 SEAGRO e 48ª RBRAS. Lavras, UFLA, 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 , out/dez de 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, p 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 < MINGOTI, S.A. Análise de dados através de métodos de estatística multivariada: uma abordagem aplicada. Belo Horizonte. Editora UFMG 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, p Secretaria Executiva de Planejamento, Orçamento e Finanças SEPOF. Produto Interno Bruto dos Municípios do Estado do Pará Disponível em < Acesso em março de 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, p 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, p 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

15 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 KRU 1,000 0,458 0,136 0,255 0,223 0,150-0,139 0,146 0,873 ( ) (0,000) (0,053) (0,001) (0,004) 0,037) (0,049) (0,041) (0,000) NAE 0,458 1,000 0,669 0,870 0,759 0,351-0,335 0,347 0,488 (0,000) ( ) (0,000) (0,000) (0,000) (0,000) (0,000) (0,000) (0,000) CMATE 0,136 0,669 1,000 0,656 0,880 0,187-0,188 0,186 0,158 (0,053) (0,000) ( ) (0,000) (0,000) (0,013) (0,012) (0,013) (0,030) TA 0,255 0,870 0,656 1,000 0,686 0,372-0,360 0,369 0,279 (0,001) (0,000) (0,000) ( ) (0,000) (0,000) (0,000) (0,000) (0,000) TFE 0,223 0,759 0,880 0,686 1,000 0,282-0,280 0,281 0,249 (0,004) (0,000) (0,000) (0,000) ( ) (0,000) (0,000) (0,000) (0,001) EVN 0,150 0,351 0,187 0,372 0,282 1,000-0,996 1,000 0,184 (0,037) (0,000) (0,013) (0,000) (0,000) ( ) (0,000) (0,000) (0,014) MT -0,139-0,335-0,188-0,360-0,280-0,996 1,000-0,998-0,171 (0,049) (0,000) (0,012) (0,000) (0,000) (0,000) ( ) (0,000) (0,020) S60 0,146 0,347 0,186 0,369 0,281 1,000-0,998 1,000 0,180 (0,041) (0,000) (0,013) (0,000) (0,000) (0,000) (0,000) ( ) (0,016) CET 0,873 0,488 0,158 0,279 0,249 0,184-0,171 0,180 1,000 (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 com sinal invertido, para o conjunto de dados utilizados na análise fatorial. KRU NAE CMATE TA TFE EVN MT S60 CET KRU 0,617 a -0,112 0,069 0,064 0,014-0,137 0,146 0,141-0,803 NAE -0,112 0,761 a 0,104-0,747-0,396-0,133 0,062 0,120-0,197 CMATE 0,069 0,104 0,676 a -0,213-0,774-0,252 0,271 0,260 0,011 TA 0,064-0,747-0,213 0,770 a 0,168 0,054-0,047-0,054 0,125 TFE -0,014 0,396-0,774 0,168 0,696ª 0,245-0,213-0,242 0,028 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 0,642 a 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

16 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. Municípios Índice educação (fator 1) de Índice de saúde (fator 2) Índice de capital físico (fator 3) Abaetetuba Abel Figueiredo Índice de Índice de Índice de Municípios educação saúde (fator 2) capital físico (fator 1) (fator 3) Conceição do Araguaia Concórdia do Pará Cumaru do Norte Acará Afuá Curionópolis Água Azul do Norte Curralinho Alenquer Curuá Almeirim Curuçá Altamira Dom Eliseu Anajás Eldorado dos Carajás Ananindeua Faro Anapu Floresta do Araguaia Augusto Corrêa Garrafão do Norte Aurora do Pará Goianésia do Pará Aveiro Gurupá Bagre Igarapé-Açu Baião Igarapé-Miri Bannach Inhangapi Ipixuna do Pará Barcarena Belém Irituia Belterra Itaituba Benevides Itupiranga Bom Jesus do Tocantins Jacareacanga Bonito Jacundá Bragança Juruti Brasil Novo Limoeiro do Ajuru Brejo Grande do Araguaia Mãe do Rio Magalhães Barata Breu Branco Breves Marabá Bujaru Maracanã Cachoeira do Arari Marapanim Cachoeira do Piriá Marituba Cametá Medicilândia Canaã dos Carajás Melgaço Capanema Mocajuba Fonte: Dados do Trabalho. (Tabela Continua) 16

17 Tabela 4A: Continuação Índice de Índice de Índice de Índice de Índice de Índice de Municípios educação saúde (fator 2) capital físico Municípios educação saúde (fator2) capital físico (fator 1) (fator 3) (fator 1) (fator 3) Capitão Poço Moju Castanhal Monte Alegre Chaves Muaná Colares Nova Esperança do Piriá Nova Ipixuna Santa Maria do Pará Nova Timboteua Santana do Araguaia Novo Progresso Santarém Novo Repartimento Santarém Novo Óbidos Santo Antônio do Tauá Oeiras do Pará São Caetano de Odivelas Oriximiná São Domingos do Araguaia Ourém São Domingos do Capim Ourilândia do Norte São Félix do Xingu Pacajá São Francisco do Pará Palestina do Pará São Geraldo do Araguaia Paragominas São João da Ponta Parauapebas São João de Pirabas Pau D'Arco São João do Araguaia Peixe-Boi São Miguel do Guamá Piçarra São Sebastião da Boa Vista Placas Sapucaia Ponta de Pedras Senador José Porfírio Portel Soure Porto de Moz Tailândia Prainha Terra Alta Primavera Terra Santa Quatipuru Tomé-Açu Redenção Tracuateua Rio Maria Trairão Rondon do Pará Tucumã Rurópolis Tucuruí Salinópolis Ulianópolis Salvaterra Uruará Santa Bárbara do Pará Vigia Santa Cruz do Arari Viseu Santa Isabel do Pará Vitória do Xingu Santa Luzia do Pará Xinguara Santa Maria das Barreiras Santa Maria do Pará Fonte: Dados do Trabalho. 17