Desigualdade de renda entre Mulheres e Homens no Estado de São Paulo Influência do grau de Urbanização e Ensino Superior das Mulheres; Alunos: Lucas do Vale Moura Rodilei Silva Morais Thomaz Zebrowski Docentes: Flávia Fonseca e Marcos Pó Disciplina: Métodos e Técnicas de análise de Informação para o Planejamento Universidade Federal do ABC São Bernardo do Campo, 11 de Agosto de 2015
1. INTRODUÇÃO Este trabalho, desenvolvido na disciplina Métodos e Técnicas de Análise de Informação para o Planejamento, do Bacharelado em Planejamento Territorial da Universidade Federal do ABC, realizado no segundo quadrimestre de 2015, teve por objetivo a aplicação de métodos estatísticos de análise de informação para lidar com um problema proposto. Foi estudada aqui a desigualdade de gênero entre homens e mulheres, fenômeno presente na sociedade brasileira desde sua formação, delimitando, para os fins deste estudo, os municípios do estado de São Paulo. Partindo do pressuposto que tal desigualdade exista, as questões levantadas neste trabalho consistem em identificar quais variáveis mais se relacionam com este fenômeno. Através da seleção, tratamento e interpretação de dados sócio demográficos relevantes, foi possível correlacionar diversas variáveis com a desigualdade de renda entre gêneros e construir um modelo estatístico que trata esta questão. A análise também leva em consideração a questão espacial, buscando padrões locais ou globais e relações entre municípios vizinhos no que diz respeito ao problema tratado. Espera se com os resultados propiciar uma reflexão sobre a efetividade das políticas públicas de redução de desigualdades, sobre as tradicionais formas de mensurar desenvolvimento na sociedade contemporânea e sobre as consequências dadas pela desigualdade de gênero no país. 2. REFERENCIAL TEÓRICO A diferença de renda entre gêneros é um fenômeno há muito observado na literatura econômica e sociológica. Seja por discriminação alocativa, processo no qual a mulher seja diferencialmente alocada em posições que oferecem menores recompensas, ou por uma discriminação valorativa, que demonstra como as mulheres recebem menores recompensas apesar de estarem em situações de trabalho comparáveis e possuírem requisitos de qualificação e outras semelhantes aos dos homens, tal desigualdade é um processo histórico que até hoje se repete ( SANTOS, J. A. F., 2008).
O contexto de formação histórica do Brasil aponta para um modelo onde uma estrutura patriarcal foi extremamente fundamentada. Desde esse período de colonização, muito da situação da mulher na época permanece na sociedade, mas é importante notar que não há apenas continuidades, como também mudanças. Cresceu a participação de mulheres em ocupações não manuais de melhor remuneração, em cargos de comando, profissões de prestígio e mesmo como proprietárias de negócios no comércio e em serviços (BRUSCHINI, C., 2007). Muito disso se deve os altos investimentos em políticas sociais por meio dos últimos governos presidencialistas, é de conhecimento que programas como o Minha Casa, Minha Vida e Bolsa Família, reconheceram uma maior vulnerabilidade feminina diante do cenário familiar nacional, perpassando do abandono destas quando casadas por seus maridos, até mesmo pela mudança estrutural familiar onde muitas mulheres se tornam chefes de família, sem adentrar no momento na questão da escolaridade. Também é notório que o caráter patriarcalista ainda inserido na sociedade brasileira, induz na ideia do homem em deixar sua esposa em casa, tomando os devidos cuidados do lar, a proibindo muitas vezes de realizar atividades fora deste, e também de desenvolver uma carreira profissional, mediante a justificativa da necessidade de cuidar dos filhos que o casal gerou, etc. Por estes e outros motivos, como o preconceito incumbido socialmente em relação a disparidade salarial entre os gêneros, saltou aos olhos dos governantes que optaram por chefiar tais programas por meio das mulheres, colocando no nome destas as casas concedidas pelo programa (Minha casa, minha vida), realizando também a transferência de renda para contas vinculadas a estas chefes do lar, buscando mudar o caráter social, com a tentativa de quebra desse patriarcalismo ainda presente hoje em dia. 3. METODOLOGIA DO TRABALHO 3.1. SELEÇÃO DE VARIÁVEIS Os dados utilizados neste trabalho foram retirados do Censo Demográfico de 2010, realizado pelo IBGE, e do Atlas de Desenvolvimento Humano no Brasil, realizado pelo IPEA. Em todos os casos, a unidade espacial de análise foi a municipal. Foram coletados os seguintes dados:
I. Renda média de homens e renda média de mulheres, a fim de calcular a diferença de renda entre homens e mulheres, a variável dependente neste trabalho; II. Número total de chefes de família e número de mulheres chefes de família, a fim de calcular a proporção de mulheres chefes de família no município e verificar se tal número indica alguma redução na desigualdade entre gêneros; III. Total de mulheres com 25 anos ou mais no município e número de mulheres com 25 anos ou mais que tenham ensino superior completo, a fim de calcular a proporção destas, servindo de indicador do nível de escolaridade feminina no município; IV. Mulheres que tiveram filhos entre 10 a 17 anos e Taxa de Fecundidade, relacionando o número de filhos à condição de trabalho e renda das mulheres; V. Taxa de Urbanização, a fim de investigar se o fenômeno de desigualdade se manifesta com maior intensidade em centros urbanos ou em áreas rurais; VI. Índice de Desenvolvimento Humano IDH, a fim de relacionar o grau de desenvolvimento do município com a redução de desiguldades; VII. Renda Per Capita, a fim de investigar se em municípios mais ricos a desigualdade entre gêneros é menor. 3.2. ANÁLISE TEÓRICA Utilizando o software SPSS, foram feitas análises exploratórias das variáveis explicativas em questão para observar seu comportamento em relação a variável dependente. Para isso, foram gerados diagramas de dispersão, que deve exibir uma tendência linear para que se possa utilizar os métodos de regressão linear apresentados a seguir. Foram feitos então teste de correlação, que indicam como uma variável se relaciona com a outra. A correlação é uma medida que pode ser positiva, quando uma variável aumenta de valor conforme outra também aumentam ou negativa, quando uma variável diminui à medida em que a outra aumenta. Pode também não
haver correlação entre variáveis, neste caso se diz que a correlação é nula. A correlação é medida pelo Coeficiente de Correlação de Pearson, que varia 1 a 1, sendo 1 no caso de uma correlação positiva perfeita, 1 no caso de uma correlação negativa perfeita e 0 quando a correlação é nula. Para verificar se as correlações entre as variáveis são estatisticamente significativas, ou seja, se esse valor não se deve ao acaso, deve ser aplicado um teste de significância que considera a hipótese nula de que não há correlação entre as variáveis. É calculada uma estatística teste t, que representa a razão entre a variância explicada pelo modelo e a variância não explicada pelo modelo. As correlações entre as variáveis inicialmente escolhidas para este trabalho são apresentadas na tabela abaixo, juntamente com o valor de sua estatística teste t e seu p valor, indicando sua significância. Tabela 1 Correlação entre variáveis selecionadas Nota se correlações significativas com a diferença de renda entre homens e mulheres para todas variáveis selecionadas, exceto a proporção de mulheres responsáveis pelo domicílio no município. São observadas também fortes correlações entre as próprias variáveis explicativas, em especial no que diz respeito às correlações com a variável IDH, altamente correlacionado com Renda Per Capita e o indicador de escolaridade escolhido (o que pode ser explicado pelo fato do IDH
incorporar ambos em seu cálculo). A partir da análise desta tabela, foram escolhidas apenas três variáveis explicativas a serem incorporadas no modelo de regressão desenvolvido neste trabalho. Foram elas: Renda per Capita no município; Proporção de mulheres com ensino superior; Taxa de urbanização. Com estas variáveis explicativas foi possível a construção de um modelo de regressão múltipla, que segue a fórmula geral: Y = β 0 + β 1 X 1 i +...+ β i X i + ε Onde os coeficientes β são parâmetros do modelo que indicam como a variação de cada um dos X influência na variável Y. Considerando ainda que os dados inseridos são dados que estão geograficamente localizados, é possível incorporar o espaço na análise de regressão, inserindo no modelo uma variável que capture fatores da vizinhança. Tal técnica é chamada Regressão Espacial Global. Este tipo de regressão pode ser feita de duas formas: Spatial Lag: A regressão pelo método Spatial Lag incorpora, dentre as variáveis explicativas, o valor da própria variável dependente mas calculada na vizinhança de cada observação em questão. Tal modelo permite uma melhor compreensão de fenômenos como a incidência de determinada doença contagiosa em uma região, visto que um alto número de casos em um município pode levar a um número elevado em seus vizinhos também; Spatial Error: este tipo de regressão considera que o erro contido no modelo seja causado por variáveis que o modelo não inclui, mas que estão espacialmente correlacionadas. Algumas dessas variáveis podem sem inclusive não mensuráveis, como por exemplo fatores culturais. Os modelos de regressão apresentados neste trabalho foram construídos utilizando o software GeoDa. 4. RESULTADOS E DISCUSSÃO A seguir são apresentados o resultados dos modelos de regressão obtidos:
Figura 1: Modelo de regressão clássica O primeiro modelo obtido segue a fórmula: y = 91,174 + 0,668.x 1 9,127.x 2 + 1,845.x 3 + દ Os parâmetros calculados mostram que todos os coeficientes são significativos com 99,9% de confiança. O R 2 calculado é de 0,61141, o que significa que este modelo explica cerca de 61% do fenômeno estudado. O valor de Akaike do modelo, que indica sua confiabilidade, sendo este menor quanto mais confiável for o modelo, é de 7724,14. Os resíduos do modelo, a diferença entre os valores previstos e os valores reais, foram espacializados e sua auto correlação espacial calculada. Figura 2: Mapa de auto correlação espacial dos resíduos Regressão Clássica
São representados em vermelho os municípios em que o valor real é acima do previsto pelo modelo neles e em seus vizinhos (clusters high high), em azul, são representados municípios em que o valor real está abaixo do previsto neles e em seus vizinhos (clusters low low). O índice de Moran, que indica a auto correlação espacial é de 0,1081, com uma confiança de 99,9%. Como os resíduos estão espacialmente correlacionados, é possível aplicar os modelos de regressão espacial. O teste de multiplicadores de Lagrange indica qual método é mais efetivo. Nota se um valor maior para o método do Spatial Error, indicando que este é o mais adequado que o Spatial Error neste caso. Figura 3: Teste de Lagrange para o modelo de regressão clássica Para fins de comparação, neste estudo foram construídos ambos os modelos. O modelo Spatial Lag é apresentado na Figura 4 abaixo. Figura 4: Modelo de Regressão Espacial Spatial Lag O modelo segue a seguinte equação: y = 0,268.W.y 137,216 + 0,572.x 1 5,614.x 2 + 1,318.x 3 + દ onde a variável W.y indica os valores de y na vizinhança.
Neste modelo, o R 2 sobe para 0,643809, indicando uma explicação de 64% do fenômeno estuado. O valor do Akaike cai para 7678,75, indicando um modelo mais confiável. Neste modelo, a auto correlação dos resíduos neste caso deixa de ser significante com 99,9% de confiança, mas continua em um nível de 95%. O valor do Moran dos resíduos é de 0,0718. Os resultados do modelo Spatial Error são apresentados na Figura 5. Figura 5: Modelo de Regressão Espacial Spatial Lag Neste modelo, o R 2 sobe para 0,656505, indicando uma explicação de 66% do fenômeno estudado. O valor do Akaike cai para 7667,38, indicando um modelo ainda mais confiável. Neste modelo, a auto correlação dos resíduos deixa de ser significante. O valor do Moran dos resíduos é de apenas 0,0118. Os parâmetros do modelo são: y = 67,033 + 0,625.x 1 7,519.x 2 + 1,726.x 3 + 0,420.W.દ + ξ Onde o parâmetro W.દ indica o valor do erro na vizinhança. Em todos os modelos, observa se um valor positivo no coeficiente que acompanha a variável de Renda Per Capita. Pode se interpretar disso que a renda média total no município está correlacionada com a diferença de renda entre gêneros. Sendo assim, municípios mais ricos tendem a ser mais desiguais neste sentido. O valor negativo no coeficiente que acompanha a Proporção de Mulheres com Ensino Superior no município indica que, em municípios de mesma Renda Per Capita, uma maior proporção de mulheres com ensino superior diminui a diferença
de renda. A urbanização também é correlacionada positivamente, em município de mesma renda média e mesma escolaridade entre as mulheres, quanto mais urbanizado for o município maior a tendência a desigualdade de renda. Os resultados obtidos mostram que típicos indicadores de desenvolvimento, como a Renda Per Capita ou a taxa de urbanização podem não representar uma situação de igualdade no município. Neste trabalho, foi estudada a questão de gênero, mas trabalhos futuros podem levantar tal questão também para diferentes raças. Outros possíveis estudos podem incluir diferentes faixas de renda ou diferentes ocupações na análise.
REFERÊNCIAS BIBLIOGRÁFICAS ANSELIN, L. Exploring Spatial Data with GeoDa TM : a Workbook. University of Illinois, Urbana Champaign, 2005. BRUSCHINI, Maria Cristina Aranha. Trabalho e gênero no Brasil nos últimos dez anos.cad. Pesqui., São Paulo, v. 37, n. 132, p. 537 572, Dec. 2007. Disponível em: <http://www.scielo.br/scielo.php?script=sci_arttext&pid=s0100 1574200700030 0003&lng=en&nrm=iso>. Acesso em 12 de agosto 2015. IBGE. Base de informações do Censo Demográfico 2010: Resultados do Universo por município. Rio de Janeiro, 2011 SANTOS, J. A. F. Classe social e desigualdade de gênero no Brasil. Dados Revista de Ciências Sociais, vol. 51 n. 2, 2008. Disponível em: <http://www.scielo.br/pdf/dados/v51n2/05.pdf>. Acesso em 11 de agosto de 2015.