Embed Size (px)
Citation preview
UNIVERSIDADE ESTADUAL DO OESTE DO PARANÁ – UNIOESTE
CAMPUS DE TOLEDO
CENTRO DE CIÊNCIAS SOCIAIS APLICADAS
PROGRAMA DE PÓS-GRADUAÇÃO EM DESENVOLVIMENTO REGIONAL E
AGRONEGÓCIO – PGDRA
MESTRADO
SAMARA CRISTINA VIECELI PIACENTI
AJUSTAMENTOS ALOCATIVOS
NO MERCADO DE TRABALHO BRASILEIRO (2012 - 2017)
TOLEDO
2020
SAMARA CRISTINA VIECELI PIACENTI
AJUSTAMENTOS ALOCATIVOS
NO MERCADO DE TRABALHO BRASILEIRO (2012 – 2017)
Dissertação apresentada ao Programa de Pós-
Graduação em Desenvolvimento Regional e
Agronegócio - Mestrado, da Universidade
Estadual do Oeste do Paraná –
UNIOESTE/Campus de Toledo, como
requisito parcial para a obtenção do título de
Mestre.
Orientador: Dr. Jefferson Andronio Ramundo
Staduto
TOLEDO
2020
SAMARA CRISTINA VIECELI PIACENTI
AJUSTAMENTOS ALOCATIVOS
NO MERCADO DE TRABALHO BRASILEIRO (2012 – 2017)
Dissertação apresentada ao Programa de Pós-
Graduação em Desenvolvimento Regional e
Agronegócio - Mestrado, da Universidade
Estadual do Oeste do Paraná –
UNIOESTE/Campus de Toledo, como
requisito parcial para a obtenção do título de
Mestre.
COMISSÃO EXAMINADORA
___________________________________________
Prof. Dr. Jefferson Andronio Ramundo Staduto
(Orientador)
Universidade Estadual do Oeste do Paraná
___________________________________________
Prof. Dr. Lucir Reinaldo Alves
Universidade Estadual do Oeste do Paraná
___________________________________________
Prof. Dr. José Luiz Parré
Universidade Estadual de Maringá
___________________________________________
Prof. Dr. Paulo Jorge Reis Mourão
Universidade do Minho (Portugal)
Toledo, 25 de junho de 2020
“Everything is related to everything else,
but near things are more related than distant things”
Waldo Rudolph Tobler
AGRADECIMENTOS
Primeiramente, agradeço a Deus e à minha família pela oportunidade de cursar o
mestrado em Desenvolvimento Regional e Agronegócio na Unioeste, campus Toledo. Estar em
contato com tantas pessoas incríveis nesta trajetória foi fundamental para meu crescimento e
amadurecimento.
Agradeço ao meu orientador, professor Dr. Jefferson Andronio Ramundo Staduto, por
acreditar em mim desde o início, pelo incentivo para enfrentar qualquer desafio, por todas as
dicas que dividiu comigo de forma tão profissional e pela disponibilidade sempre que o
procurei. Vou carregar seus ensinamentos para toda a vida.
Agradeço aos professores do PGDRA e PGE, pois contribuíram muito para o meu
crescimento pessoal e profissional por meio de ensinamentos que estimularam a reflexão crítica.
Obrigada pelos ensinamentos e pelos exemplos de pessoas sábias e humildes que são. Tenho
grande admiração e respeito por vocês!
Estendo aqui o agradecimento aos colaboradores da Unioeste que tive contato nestes
anos: Roseli, Luci, equipe da biblioteca, secretárias, protocolo e meninas da limpeza, todos
sempre gentis e prestativos.
Agradeço meu marido, Rodrigo Silva Piacenti, por sempre me apoiar e acreditar na
minha capacidade, mesmo precisando lidar com minha ausência em muitos momentos.
Obrigada por estar sempre ao meu lado (acompanhando, me escutando e me dando forças), por
me incentivar a continuar crescendo pessoalmente e profissionalmente e, por ser meu melhor
amigo e parceiro de todas as horas.
Aos meus pais, Vera Lúcia Costa Vieceli e Olivo Vieceli, agradeço por me
proporcionarem conforto familiar e psicológico, além do acesso ao estudo de qualidade.
Agradeço por tudo que fazem por mim, sem sequer medir esforços. É muito importante tê-los
ao meu lado. Agradeço minha irmã, cunhado e sobrinha linda, Leidy, Fábio e Laura, pela
paciência e apoio, mesmo longe.
À minha sogra, cunhado e meu sogro, agradeço a paciência ao lidarem com minha
ausência em alguns momentos e por todo apoio. Sou grata pelas pessoas maravilhosas que são
e por tudo que fazem por mim.
Agradeço minha amiga Isabela Romanha de Alcantara, pela parceria nos estudos, tanto
em Toledo, quanto por embarcar comigo na disciplina de econometria espacial, em Maringá,
na UEM. Ela fará muita falta nos próximos anos, mas sei que independente de distância, tenho
uma amiga/irmã para toda a vida.
Aproveito e estendo o agradecimento a minha turma de mestrado, pois me mostraram
o valor de um trabalho em equipe e a riqueza de outras áreas de conhecimento. Agradeço
também a turma de mestrado do PGE, pela parceria nas disciplinas que cursamos juntos, assim
como a turma mestrado 2019 e as turmas de doutorado, pelas trocas de conhecimentos,
generosidade e amizade.
Agradeço especialmente à Gabriela Gomes Mantovani pela ajuda com o software
Stata, sem sua ajuda este estudo não teria sido concluído. Ainda em relação a ajuda de amigos
com o software, agradeço a disponibilidade do João Ricardo Ferreira de Lima, da Embrapa-PE.
Agradeço ainda aos amigos de longa data, que trago comigo desde antes de entrar no
mestrado. Mesmo em minha ausência, estavam torcendo por mim e eu por eles, mantendo fortes
nossos laços de amizade. Em especial, agradeço ao amigo Gustavo, professor na Unoeste, cujo
incentivo me fez entrar no mestrado do PGDRA e sou muito grata.
O presente trabalho foi realizado com apoio financeiro da Coordenação de
Aperfeiçoamento de Pessoal de Nível Superior – Brasil (CAPES), portanto, segue o meu
agradecimento.
PIACENTI, S. C. V. Ajustamentos alocativos no mercado de trabalho brasileiro (2012-
2017). 2020. 172f. Dissertação (Mestrado) – Programa de Pós-Graduação em Desenvolvimento
Regional e Agronegócio, Universidade Estadual do Oeste do Paraná, Toledo, 2020. Orientador:
Prof. Dr. Jefferson Andronio Ramundo Staduto
RESUMO
Os fatores de produção móveis (trabalho e capital financeiro) são atraídos pelas forças
produtivas centrípetas de localizações que se encontram em expansão, contribuindo para
acelerar o seu desenvolvimento. A localização espacial das atividades econômicas é
amplamente associada às economias de aglomeração na literatura. A mão de obra pode
apresentar comportamento alocativo entre as atividades econômicas, bem como, no espaço, na
qual a sua magnitude é ampliada em períodos de instabilidade econômica. Diante do choque
macroeconômico e idiossincrático que impactou a economia brasileira em 2014, este estudo
tem como objetivo analisar os ajustamentos alocativos no mercado de trabalho dos municípios
brasileiros no período de 2012 a 2017, período de crise e posterior estagnação econômica. Para
atingir o objetivo, foram utilizadas três metodologias: i) índice de turbulência do mercado de
trabalho, separado em quatro setores (indústria; comércio e serviços; administração pública; e
agropecuária); ii) Análise Exploratória de Dados Espaciais (AEDE), utilizando o I de Moran e
o mapa de clusters LISA; e iii) regressão econométrica em painel de dados espacial. Os
resultados apontam que o mercado de trabalho brasileiro está passando por um processo de
desaglomeração dos grandes polos de desenvolvimento. As aglomerações estão se direcionando
aos polos regionais secundários na hierarquia dos polos de desenvolvimento. Neste cenário, de
mudanças estruturais no mercado de trabalho em um período de recessão, os setores de
atividade que mais contribuíram para a captação de mão de obra foram a administração pública
e a agropecuária, enquanto os setores da indústria e de comércio e serviços apresentaram
maiores números de desligamentos do que de geração de empregos. O crescimento econômico
brasileiro e, consequentemente, o ajustamento do mercado de trabalho estão se recuperando
lentamente dos impactos causados por este choque. O que indica um baixo dinamismo das
atividades do mercado não está favorecendo recuperação consistente da economia brasileira.
Palavras-chave: Mobilidade do trabalho. Índice de Turbulência. Economias de aglomeração.
Painel de dados espacial. Crise econômica brasileira.
PIACENTI, S. C. V. Allocative adjustments in Brazilian labor market (2012-2017). 2020.
172f. Dissertation (Master's) - Graduate Program in Regional Development and Agribusiness,
State University of Western Paraná, Toledo, 2020. Advisor: Prof. Dr. Jefferson Andronio
Ramundo Staduto.
ABSTRACT
Mobile factors of production (labor and capital) are attracted by the centripetal forces of
expanding regions, in order to contribute to their development. Literature largely associates the
spatial location of economic activities with agglomeration economies. Workers can exhibit
allocative behavior between economic activities, such in space, where their magnitude is
increased in periods of economic instability. In the face of the macroeconomic and idiosyncratic
shock of the Brazilian economy in 2014, this study aims to analyze the allocative adjustments
in the labor market of Brazilian municipalities in the period from 2012 to 2017, a period of
crisis and subsequent economic stagnation. To achieve the objective, three methodologies were
used: i) labor market turbulence index, separated into four sectors (industry; commerce and
services; public administration; and agriculture); ii) Exploratory Analysis of Spatial Data
(EASD), using Moran's I and LISA cluster map; and iii) econometric regression of spatial data
panel. The results show that the Brazilian labor market is going through a process of
deglomeration of the major development poles. Agglomerations are moving towards secondary
regional poles in the hierarchy of development poles. In this scenario of structural changes in
the labor market facing recession, the sectors of economic activity that most contributed
attracting labor were public administration and agriculture, while the sectors of industry,
commerce and services showed greater number of dismissals than employment generation.
Brazilian economic growth and, consequently, the adjustment of the labor market are slowly
recovering from the impacts caused by this shock. It indicates that a low dynamism in the
activities of the market is not favoring a consistent recovery of the Brazilian economy.
Key-words: Labor mobility. Turbulence Index. Agglomeration economies. Spatial data panel.
Brasilian economic crisis.
LISTA DE FIGURAS
Figura 1 – Estrutura da dissertação........................................................................................... 23
Figura 2 – Curvas do aluguel proposto e uso da terra (Von Thünen) ...................................... 25
Figura 3 – Hierarquia de centralidade de Christaller ................................................................ 26
Figura 4 – Redes urbanas brasileiras ........................................................................................ 30
Figura 5 – Variação de emprego dos grandes setores de atividade econômica – 2011 a 2017 42
Figura 6 – Taxa de desemprego no Brasil – 2012 a 2019 ........................................................ 43
Figura 7 – Evolução percentual da Selic e Inflação ................................................................. 44
Figura 8 – Organograma dos objetivos específicos e respectivas metodologias ...................... 53
Figura 9 – Contiguidade das matrizes de correlação espacial .................................................. 61
Figura 10 – Diagrama de dispersão de Moran .......................................................................... 63
Figura 11 – Teste de significância com 999 permutações ........................................................ 64
Figura 12 – Esquema para especificação dos modelos espaciais ............................................. 74
Figura 13 – Organograma de apresentação dos resultados ...................................................... 79
Figura 14 – Índice de turbulência no mercado de trabalho nos municípios brasileiros no
primeiro intervalo de tempo da análise, 2011 – 2012 ............................................ 81
Figura 15 – Índice de turbulência no mercado de trabalho nos municípios brasileiros no
período de auge da crise econômica brasileira (2014 – 2015)............................... 82
Figura 16 – Índice de turbulência no mercado de trabalho nos municípios brasileiros no
último período da análise, 2016 – 2017. ................................................................ 83
Figura 17 – Mapas de cluster LISA para o índice de turbulência da indústria, matriz de
contiguidade: torre, para os períodos 2011-2012, 2014-2015 e 2016-2017 .......... 92
Figura 18 – Mapas de cluster LISA para o índice de turbulência do comércio e serviços,
matriz de contiguidade: torre, para os períodos 2011-2012, 2014-2015 e 2016-
2017 ..................................................................................................................... 100
Figura 19 – Mapas de cluster LISA para o índice de turbulência da administração pública,
matriz de contiguidade: torre, para os períodos 2011-2012, 2014-2015 e 2016-
2017 ..................................................................................................................... 106
Figura 20 – Mapas de cluster LISA para o índice de turbulência da agropecuária, matriz de
contiguidade: torre, para os períodos 2011-2012, 2014-2015 e 2016-2017 ........ 112
LISTA DE QUADROS
Quadro 1 – Composição dos setores de atividade econômica .................................................. 57
Quadro 2 – Variáveis utilizadas no modelo econométrico ....................................................... 67
Quadro 3 – Modelos de painel espacial estimados ................................................................... 75
Quadro 4 – Municípios com maior índice de turbulência no setor de indústria nos períodos
2011-2012, 2014-2015 e 2016-2017...................................................................... 88
Quadro 5 – Municípios brasileiros com os maiores e menores saldos de emprego formal na
indústria do ano 2012 a 2017 (valor absoluto) ...................................................... 91
Quadro 6 – Municípios com maior índice de turbulência no setor de comércio e serviços nos
períodos 2011-2012, 2014-2015 e 2016-2017 ....................................................... 97
Quadro 7 – Municípios brasileiros com os maiores e menores saldos de emprego formal no
comércio e serviços do ano 2012 a 2017 (valor absoluto) .................................... 98
Quadro 8 – Municípios com maior índice de turbulência no setor de administração pública
nos períodos 2011-2012, 2014-2015 e 2016-2017 .............................................. 103
Quadro 9 – Municípios brasileiros com os maiores e menores saldos de emprego formal na
administração pública do ano 2012 a 2017 (valor absoluto) ............................... 104
Quadro 10 – Municípios com maior índice de turbulência no setor de agropecuária nos
períodos 2011-2012, 2014-2015 e 2016-2017 ..................................................... 109
Quadro 11 – Municípios brasileiros com os maiores e menores saldos de emprego formal na
agropecuária do ano 2012 a 2017 (valor absoluto) .............................................. 110
Quadro 12 – Regressões dos modelos de painel convencional .............................................. 115
Quadro 13 – Estimações econométricas da turbulência nos modelos pooled, efeitos aleatórios
(re), efeitos fixos (fe) e SDM (fe) para regiões ................................................... 121
LISTA DE TABELAS
Tabela 1 - Estatística descritiva ................................................................................................ 70
Tabela 2 – Teste de robustez de I de Moran com 999 permutações para matriz tipo torre ...... 86
Tabela 3 – I de Moran global univariado dos 4 setores, matriz de contiguidade: torre ........... 86
Tabela 4 – Saldo de emprego dos cluster AA por subsetor da indústria do ano de 2016 a
2017 ....................................................................................................................... 95
Tabela 5 – Saldo de emprego de cada cluster AA por subsetor de comércio e serviços do ano
de 2016 a 2017 ..................................................................................................... 101
Tabela 6 – Saldo de emprego de cada cluster AA no setor de administração pública para os
seis períodos......................................................................................................... 107
Tabela 7 – Saldo de emprego de cada cluster AA no setor da agropecuária para os seis
períodos................................................................................................................ 113
LISTA DE SIGLAS
AA Associação espacial estatisticamente significativa: Alto-Alto
AB Associação espacial estatisticamente significativa: Alto-Baixo
AEDE Análise Exploratória de Dados Espaciais
AIC Critério de Informação Akaike
B-A Associação espacial estatisticamente significativa: Baixo-Alto
BB Associação espacial estatisticamente significativa: Baixo-Baixo
BIC Critério de Informação Bayesiano
CA Coeficiente de Atração
CAAP Coeficiente de Atração da Administração Pública
CAAG Coeficiente de Atração da Agropecuária
CACS Coeficiente de Atração do Comércio e Serviços
CAIN Coeficiente de Atração da Indústria
C&S Comércio e Serviços
CLT Consolidação das Leis do Trabalho
EANA Analfabeto ou sem título de Ensino Fundamental
EFUN Ensino Fundamental Completo
EMED Ensino Médio Completo
ESUP Ensino Superior Completo
FE Fixed Effects (Efeitos fixos)
FEM Percentual de participação do sexo feminino
IBGE Instituto Brasileiro de Geografia e Estatística
ID17 Idade de 10 a 17
ID29 Idade de 18 a 29
ID64 Idade de 30 a 64
ID65 Idade a partir de 65
I de Moran Índice de Moran
IHH Índice Hirschman-Herfindahl ajustado
IPEA Instituto de Pesquisa Econômica Aplicada
LISA Local Indicator of Spatial Association
LM Spatial Lag Model
MAPA Ministério da Agricultura, Pecuária e Abastecimento
MASC Percentual de participação do sexo masculino
MELNT Melhor Estimador Linear Não Tendencioso
MQO Mínimos Quadrados Ordinários
MCRL Modelo Clássico de Regressão Linear
MV Máxima Verossimilhança
MTE Ministério do Trabalho e Emprego
NME Nova Matriz Econômica
OECD Organization for Economic Cooperation and Development
P&D Pesquisa & Desenvolvimento
PIB Produto Interno Bruto
PEA População Economicamente Ativa
PNAD Pesquisa Nacional por Amostra de Domicílios
PNAC Pesquisa Nacional por Amostra de Domicílios Contínua Trimestral
POP1 Dummy de população até 100.000 habitantes
POP2 Dummy de 100.001 a 499.999 habitantes
POP3 Dummy acima de 500.000 habitantes
QMV Quase Máxima Verossimilhança
R1SM Renda até 1 Salário Mínimo
R3SM Renda de 1,01 a 3 Salários Mínimos
R7SM Renda de 3,01 a 7 Salários Mínimos
RAIS Relação Anual de Informações Sociais
RE Random Effects (Efeitos aleatórios)
RM7 Renda maior que 7 Salários Mínimos
SAR Spatial Auto Regressive
SDM Spatial Durbin Model
SEM Spatial Error Model
SIUP Serviços Industriais de Utilidade Pública
SLX Spatial model with Lag in X
TND Taxa Natural (ou estrutural) de Desemprego
TRMV Teste da Razão de Máxima Verossimilhança
TURB Índice de Turbulência
UF Unidade Federativa
W Weight (matriz binária de ponderação espacial)
SUMÁRIO
1 INTRODUÇÃO ........................................................................................................... 16
1.1 PROBLEMA E JUSTIFICATIVA ............................................................................... 19
1.2 HIPÓTESE ................................................................................................................... 21
1.3 OBJETIVOS ................................................................................................................. 21
1.3.1 Objetivo geral .............................................................................................................. 21
1.3.2 Objetivos específicos ................................................................................................... 21
1.4 ESTRUTURA DO TRABALHO ................................................................................. 22
2 FUNDAMENTAÇÃO TEÓRICA ............................................................................. 24
2.1 TEORIAS DA LOCALIZAÇÃO ................................................................................. 24
2.2 DESENVOLVIMENTO REGIONAL E O MERCADO DE TRABALHO ................ 31
3 REVISÃO HISTÓRICA E EMPÍRICA DA LITERATURA ................................ 35
3.1 A EXPERIÊNCIA BRASILEIRA RECENTE DAS AGLOMERAÇÕES .................. 35
3.2 TRAJETÓRIA DO MERCADO DE TRABALHO BRASILEIRO A PARTIR DE
1980 .............................................................................................................................. 38
3.3 COMPREENDENDO A CRISE ECONÔMICA BRASILEIRA DE 2014-2017 ........ 43
3.4 INTEGRAÇÃO NO MERCADO DE TRABALHO DIANTE DO DESEMPREGO E
DA INFORMALIDADE .............................................................................................. 45
3.5 FLEXIBILIDADE ALOCATIVA ................................................................................ 48
4 METODOLOGIA ....................................................................................................... 53
4.1 ÍNDICE DE TURBULÊNCIA ..................................................................................... 55
4.1.1 Dados para o índice de turbulência ........................................................................... 57
4.2 ECONOMETRIA ESPACIAL ..................................................................................... 58
4.2.1 Análise exploratória de dados espaciais (AEDE) ..................................................... 62
4.2.2 Painel espacial ............................................................................................................. 65
4.2.3 Modelo econométrico de melhor ajuste .................................................................... 70
5 RESULTADOS E INFERÊNCIAS ........................................................................... 79
5.1 ANÁLISE DOS AJUSTAMENTOS NO MERCADO DE TRABALHO ................... 80
5.2 MATRIZ DE CONTIGUIDADE E RESULTADOS DO I DE MORAN ................... 85
5.3 AJUSTAMENTOS ALOCATIVOS NA INDÚSTRIA ............................................... 87
5.3.1 Análise de autocorrelação espacial da turbulência na indústria ............................ 92
5.4 AJUSTAMENTOS ALOCATIVOS NO COMÉRCIO E SERVIÇOS ........................ 95
5.4.1 Análise de autocorrelação espacial da turbulência no comércio e serviços .......... 99
5.5 AJUSTAMENTOS ALOCATIVOS NA ADMINISTRAÇÃO PÚBLICA ............... 102
5.5.1 Análise de autocorrelação espacial da turbulência na administração pública ... 105
5.6 AJUSTAMENTOS ALOCATIVOS NA AGROPECUÁRIA ................................... 108
5.6.1 Análise de autocorrelação espacial da turbulência na agropecuária ................... 111
5.7 ÍNDICE DE TURBULÊNCIA E O DESENVOLVIMENTO REGIONAL, ANÁLISE
EM PAINEL CONVENCIONAL E PAINEL ESPACIAL ........................................ 114
6 CONCLUSÃO ........................................................................................................... 127
REFERÊNCIAS ........................................................................................................ 132
APÊNDICE A – AEDE para o setor indústria, matriz: torre .............................. 144
APÊNDICE B – AEDE para o setor comércio e serviços, matriz: torre ............. 146
APÊNDICE C – AEDE para o setor administração pública, matriz: torre ........ 148
APÊNDICE D – AEDE para o setor agropecuária, matriz: torre ....................... 150
APÊNDICE E – Resultados da regressão por Pooled ........................................... 152
APÊNDICE F – Resultados da regressão com efeitos aleatórios ......................... 153
APÊNDICE G – Resultados da regressão com efeitos fixos ................................. 154
APÊNDICE H – Testes de Hausman, Chow e Breusch-Pagan ............................ 155
APÊNDICE I – Resultados da regressão por SAR com efeitos aleatórios .......... 156
APÊNDICE J – Resultados da regressão por SAR com efeitos fixos para
regiões ........................................................................................................................ 157
APÊNDICE K – Resultados da regressão por SAR com efeitos fixos para regiões,
conforme Lee e Yu .................................................................................................... 158
APÊNDICE L – Resultados da regressão por SAR com efeitos fixos para
períodos ...................................................................................................................... 159
APÊNDICE M – Resultados da regressão por SAR com efeitos fixos para regiões
e períodos ................................................................................................................... 160
APÊNDICE N – Resultados da regressão por SAR com efeitos aleatórios para
períodos sem efeitos diretos, indiretos e totais ....................................................... 161
APÊNDICE O – Resultados da regressão por SDM com efeitos aleatórios ........ 162
APÊNDICE P – Resultados da regressão por SDM com efeitos fixos para
regiões ........................................................................................................................ 163
APÊNDICE Q – Resultados da regressão por SDM com efeitos fixos para regiões,
conforme Lee e Yu .................................................................................................... 164
APÊNDICE R – Resultados da regressão por SDM com efeitos fixos para regiões,
conforme Lee e Yu (FEM) ....................................................................................... 165
APÊNDICE S – Resultados da regressão por SDM com efeitos fixos para
períodos ...................................................................................................................... 166
APÊNDICE T – Resultados da regressão por SDM com efeitos fixos para regiões
e períodos ................................................................................................................... 167
APÊNDICE U – Resultados por SDM, efeitos aleatórios, sem efeitos diretos,
indiretos e totais ........................................................................................................ 168
APÊNDICE V – Resultados da regressão por SAC com efeitos fixos para
regiões ........................................................................................................................ 169
APÊNDICE W – Resultados da regressão por SAC com efeitos fixos para regiões,
conforme Lee e Yu .................................................................................................... 170
APÊNDICE X – Resultados da regressão por SAC com efeitos fixos para
períodos ...................................................................................................................... 171
APÊNDICE Y – Resultados da regressão por SAC com efeitos fixos para regiões
e períodos ................................................................................................................... 172
APÊNDICE Z – Resultados da regressão por SEM com efeitos fixos para
regiões ........................................................................................................................ 173
APÊNDICE AA – Resultados da regressão por SEM com efeitos fixos para
regiões, conforme Lee e Yu ...................................................................................... 174
APÊNDICE AB – Resultados da regressão por SEM com efeitos fixos para
períodos ...................................................................................................................... 175
APÊNDICE AC – Resultados da regressão SEM com efeitos fixos para regiões e
para períodos ............................................................................................................. 176
16
1 INTRODUÇÃO
A mobilidade dos fatores de produção é um aspecto marcante da economia capitalista
contemporânea, pois tem importante influência na eficácia das políticas de desenvolvimento
regional, uma vez que maiores fluxos de capital e de mão de obra viabilizam o alcance de
objetivos sociais e econômicos por meio de incentivos alocativos (MCCULLOCH; YELLEN,
1977).
O capital, em sua forma financeira, tem livre mobilidade e seu fluxo atravessa
fronteiras internacionais, enquanto na forma de prédios, máquinas e equipamentos, tem sua
mobilidade reduzida ou nula. O fator trabalho tipicamente considera o número de trabalhadores
ou de horas trabalhadas, seu fluxo também pode atravessar barreiras internacionais,
principalmente quando associado à alta qualificação. Já o fator terra é imóvel, está associado a
infraestruturas e seu custo é influenciado por fatores socioeconômicos (WILDASIN, 2000;
BARROS, 2008; HANINK, 2016).
Os fatores móveis de produção (trabalho e capital) são atraídos pelas forças centrípetas
de regiões que se encontram em expansão, de modo a contribuir com seu desenvolvimento.
Uma vez desencadeado o processo de desenvolvimento econômico em determinada localidade,
os fluxos de capital, trabalho, ideias, bens e serviços sucedem o processo acumulativo na região
central, provenientes do fluxo das regiões periféricas, provocando um aumento das disparidades
regionais (OLIVEIRA, 2008).
Deste modo, compreende-se que estes fatores estão associados às aglomerações das
atividades econômicas no espaço, assim como ao processo de crescimento e desenvolvimento
das regiões. As implicações do desenvolvimento desigual em diferentes localidades são
amplamente debatidas na literatura. Smith (2007)1 foi o precursor dessa discussão ao trazer à
luz que a produção em escala permite a divisão do trabalho, viabilizando, assim, a
especialização das pessoas em funções específicas e o aumento de sua produtividade.
No campo da economia, estudos acerca das aglomerações foram aprofundados a partir
de Marshall (1920), na teoria dos distritos industriais. No século XIX, com a progressiva
expansão das atividades comerciais, a regionalização passou a ganhar importância na literatura
e novas definições. As interações entre os diferentes setores de atividade e a mobilidade
interregional dos fatores produtivos, mais especificamente do fator trabalho, foi fundamental
nas mais recentes definições de regionalização, como a região funcional estabelecida pela
1 Adam Smith (1976). Edição digital: MetaLibri, 2007.
17
Organization for Economic Cooperation and Development (OECD) (2002). A região funcional
resulta das altas intensidades das relações econômicas e sociais, principalmente das relações
intrínsecas do mercado de trabalho.
Há uma gama de análises que associam o mercado de trabalho às teorias de
aglomeração e desaglomeração (DINIZ; CROCCO, 1996; ANDRADE; SERRA, 1998; CANO,
2008; DALBERTO; STADUTO, 2013; GOTARDO, 2016; DALBERTO, 2018;
GONÇALVES et al., 2019; SOUZA; VERÍSSIMO, 2019). A partir destes fenômenos,
aglomeração e desaglomeração, os quais demonstram parte importante do comportamento do
mercado de trabalho regional, é possível observar a alta volatilidade da mão de obra diante de
choques econômicos (BARROS et al., 1997; STADUTO; SCHIO, 2010).
O mercado de trabalho é responsável por boa parte do processo de distribuição de
renda e, sua estrutura pode ser suscetível às influências da oferta e demanda, tais como: cenário
macroeconômico, características regionais, decisões políticas, estoque do capital humano, entre
outros (TELES; MIRANDA, 2006; SILVA; MONSUETO; PORSSE, 2015). Em virtude de sua
característica de absorver e refletir vetores socioeconômicos do meio em que está inserido, o
estudo do mercado de trabalho permite refletir acerca da dinâmica econômica de um país e suas
regiões, por meio da sua distribuição espacial e grau de ajustamento diante de turbulências
(BARROS et al., 1997; STADUTO; SCHIO, 2010; GONÇALVES et al., 2019).
Em tempos de opulência na economia, a oferta e a demanda do mercado atuam em
relativo equilíbrio. Em momentos de escassez, o equilíbrio do mercado de trabalho é
prejudicado, há altas taxas de desemprego e esses momentos geralmente vêm acompanhados
por grandes problemas econômicos, sociais e políticos, como já afirmado por Keynes (1974).
[…] if real aggregate demand exceeds the supply potential of the economy, you will
tend to get inflationary pressures building up and inflation itself occurring. On the
other hand, if aggregate demand is below the supply potential then you will have
unemployment2 (KEYNES, 1974, p. 4).
Se o cenário econômico afeta o equilíbrio da oferta e demanda do mercado,
automaticamente o equilíbrio do mercado de trabalho é alterado positiva ou negativamente.
Conforme Barros et al. (1997), sempre que ocorrem expressivas flutuações no cenário
econômico, o mercado de trabalho é atingido por um choque, podendo este ser idiossincrático
ou agregado.
2 Tradução “[...] se a demanda agregada real exceder o potencial de oferta da economia haverá tendência de
aumento das pressões inflacionárias e da própria inflação. Por outro lado, se a demanda agregada estiver abaixo
do potencial de oferta, então haverá desemprego”.
18
A crise do Subprime, iniciada em 2007 foi um caso de grande choque que atingiu a
economia mundial, foi considerada a crise financeira mais grave desde 1929 (BRESSER-
PERERIRA, 2009). Seu efeito na economia mundial foi de tamanha magnitude que os
principais Bancos Centrais do mundo encontraram dificuldades para se recuperar e tirar suas
economias da recessão (ALMEIDA et al., 2018).
No Brasil, entretanto, os efeitos desta crise foram menos intensos e rapidamente
contornados por meio de políticas anticíclicas. Poucos anos depois, em 2012, se iniciou uma
crise doméstica no país e tomou grande proporção, acarretando em consequências como a
instabilidade econômica e, a partir de 2014, gerou uma das maiores ondas de desemprego dos
últimos anos (MORETTO; PRONI, 2011; BRESSER-PEREIRA, 2013; OREIRO, 2015).
A taxa de desemprego brasileira, de acordo com a Pesquisa Nacional por Amostra de
Domicílios contínua trimestral (PNAC), de 2012 a 2014 foi, em média, de 7,1% da população
economicamente ativa (PEA). A partir de 2015, a taxa aumentou para 9%, seguindo uma
tendência de alta até atingir 13,7% no primeiro trimestre de 2017. Após esta marca, o mercado
de trabalho ficou instável e a taxa de desemprego sofreu oscilações, passando a apresentar
tendência lenta de recuperação, revelada pela pequena redução do desemprego formal. No
primeiro trimestre do ano de 2018, a taxa de desemprego foi de 13,1%, passando para 12,7%
ao final do primeiro trimestre de 2019, e, reduziu novamente para 11% no último trimestre de
2019.
Considerando o tamanho da população brasileira e suas diferentes particularidades
regionais, estes números são alarmantes e apontam que os efeitos da crise brasileira ainda
incidem sobre o mercado de trabalho. Ademais, cada setor de atividade econômica foi afetado
em intensidade diferente, o que caracteriza um choque idiossincrático. Deste modo, pode-se
dizer que a crise de 2014 se configura em uma ação turbulenta, idiossincrática e teve como um
de seus efeitos a alteração do equilíbrio do mercado de trabalho em diversas regiões do país.
De acordo com Lilien (1982), Barros et al. (1997), Sales, Queiroz e Lucca (2003) e
Teles e Miranda (2006), há duas formas do mercado de trabalho se ajustar diante de um choque
na economia, via alteração dos níveis salariais ou realocação da mão de obra entre os subsetores.
O melhor ajustamento dependerá da natureza do choque. Conforme Saboia (1989), este
processo pode ser denominado também como integração no mercado de trabalho, que estuda as
movimentações dentro do mercado de trabalho. Os ajustamentos/deslocamentos da mão de obra
podem ocorrer intersetorialmente, na diversidade das atividades econômicas ou ainda
interregionalmente, quando os trabalhadores se deslocam do local de origem em busca de um
novo posto de trabalho.
19
É importante destacar que a população empregada ou estoque de trabalhadores pode
se deslocar de um emprego para outro tanto em períodos de crise quanto em períodos de
expansão econômica. A diferença é que em períodos de recessão, muitos perdem seus empregos
e se veem obrigados a mudar de setor de atividade econômica ou mesmo buscar oportunidades
em regiões vizinhas, a fim de obterem renda. Já em períodos de crescimento econômico,
mudanças espontâneas são mais comuns, bem como a busca por oportunidades de maiores
rendas, para criar e administrar o próprio empreendimento, entre outras motivações.
1.1 PROBLEMA E JUSTIFICATIVA
O mercado de trabalho é responsável por boa parte do processo de distribuição de
renda no Brasil. Um mercado aquecido (próximo ao pleno emprego) tende a aumentar a renda
das famílias. A renda, por sua vez, aumenta o nível de conforto e qualidade de vida dos
indivíduos, aumentando o consumo de bens e serviços e, consequentemente, gera aumento da
produção. É evidente que o consumo interno e o aumento da produção não são suficientes para
retomar o crescimento de uma economia, mas são necessários, principalmente em escalas
regionais, onde é melhor expressada a heterogeneidade (SILVA, 2014).
Conforme Urani (1996), Barros e Mendonça (1997), Barros et al. (1997), OECD
(2002) e Machado (2011), a flexibilização do mercado de trabalho diante de choques
idiossincráticos é uma ferramenta de auxílio na retomada do crescimento econômico de forma
mais rápida. Logo, isso se aplica ao mercado de trabalho brasileiro após sofrer os efeitos do
choque da crise econômica de 2014. A mobilidade da mão de obra pode ser uma importante
ferramenta para promover o ajustamento da economia e retomar seu potencial de crescimento,
principalmente regional, além, é claro, de reduzir a taxa de desemprego, gerar mais lucros,
renda e movimentar vigorosamente a roda da economia.
As idiossincrasias mais abordadas na literatura sobre a flexibilização do mercado de
trabalho foram associadas principalmente ao aspecto salarial (BLANCHFLOWER; OSWALD,
1990; SAVEDOFF, 1990; AMADEO, 1992a, 1992b; URANI, 1996; BARROS et al., 1997;
SILVA, 2014; SILVA; MONSUETO; PORSSE, 2015). Contudo, o levantamento da literatura
disponível revela que há lacunas nos estudos empíricos sobre os efeitos de ajustamento do
mercado de trabalho em momentos de instabilidade econômica.
A realocação da mão de obra entre os diferentes setores de atividades econômicas e/ou
a alteração do nível salarial são essencialmente as formas mais recorrentes do mercado de
trabalho se ajustar, sobretudo em momentos de recessão. Para realizar ajustes adequados aos
20
choques que incidem sobre a demanda agregada e, consequentemente, no mercado de trabalho,
é necessário identificar a natureza destes choques, que pode ser agregada ou idiossincrática.
Um choque agregado afeta todos os setores uniformemente. Um choque
idiossincrático tem efeitos heterogêneos nos setores de atividade econômica, prejudicando
alguns setores enquanto beneficia outros, como foi a crise econômica brasileira de 2014.
Teoricamente, todo choque pode ser composto por ambos, por partes agregadas e partes
idiossincráticas (BARROS et al., 1997; SALES; QUEIROZ; LUCCA, 2003; TELES;
MIRANDA, 2006).
Portanto, no cenário da crise doméstica, o ajustamento mais eficiente do mercado será
a alocação intersetorial e interregional. No processo de ajustamento da mão de obra, indivíduos
que saem dos setores mais prejudicados tendem a se inserir em setores beneficiados (ou menos
prejudicados). Evidentemente, isso pode ter efeitos negativos sobre a produtividade e
crescimento econômico.
Na recente conjuntura econômica brasileira, o choque idiossincrático pode ser
observado a partir do ano de 2014, quando houve grande aumento do desemprego e os setores
de atividade reagiram em diferentes intensidades ao choque. Não obstante, o mercado de
trabalho ainda sofre os efeitos da estagnação econômica com altas taxas de desemprego e
crescimento da informalidade (PNAC, 2020). Enquanto a economia permanecer estagnada, o
mercado de trabalho tende a não se acomodar completamente e a integração dos indivíduos
desempregados ao mercado será lenta e ineficiente (BARROS; MENDONÇA, 1997).
De acordo com Staduto e Schio (2010), perante a heterogeneidade das estruturas
produtivas do Brasil, é importante considerar a distribuição e disposição espacial das atividades
econômicas no território nacional. Deste modo, com o intuito de identificar o padrão de
associação espacial das atividades econômicas, assim como seu comportamento alocativo
diante do choque macroeconômico, este estudo abrange os 5.563 municípios brasileiros e se
propõe a avaliar os ajustes no mercado de trabalho a partir de 2012, quando, conforme literatura
e dados empíricos3, a economia já apresentava indícios da crise. A análise segue até 2017,
último ano com dados disponíveis.
A análise por municípios é essencial nesse contexto, pois os deslocamentos no
mercado de trabalho ocorrem intersetorial e interregionalmente. Ademais, em relação aos
deslocamentos interregionais do fator trabalho, quanto menor for a agregação da região
3 Literatura: Singer, 2015; Curado e Nascimento, 2015; Perondi, 2017; Silveira Filho, 2018.
Banco de dados: PNAD, 2019; IBGE, 2019; RAIS, 2019.
21
analisada, melhor se espera captar os ajustamentos entre regiões vizinhas.
Diante do choque macroeconômico e idiossincrático, da economia brasileira em 2014,
este estudo busca responder a seguinte problemática: quais particularidades regionais mais
contribuíram para os ajustamentos no mercado de trabalho? Onde ocorreram os ajustes
intersetoriais e/ou interregionais mais intensos entre os municípios brasileiros?
Frente à problemática deste estudo, segue a hipótese e os objetivos da pesquisa.
1.2 HIPÓTESE
Esta pesquisa tem sua hipótese baseada nos estudos de Urani (1996), Barros e
Mendonça (1997), Barros et al. (1997), OECD (2002) e Machado (2011) sobre a flexibilização
do mercado de trabalho diante de instabilidades econômicas. Para estes autores, ao sofrer os
impactos negativos de um choque, é fundamental que o mercado de trabalho aumente seus
níveis de flexibilidade para integrar os indivíduos ao mercado de trabalho rapidamente. Caso
contrário, levará mais tempo para os indivíduos se integrarem ao mercado de trabalho, haverá
aumento da taxa de desemprego e as condições para o desenvolvimento local tendem a serem
prejudicadas.
Portanto, a hipótese da pesquisa é: em períodos de recessão econômica, regiões com
altos índices de turbulência tendem a integrar mais rapidamente os indivíduos ao mercado de
trabalho, e, desta forma reduzem a taxa de desemprego mais rápido devido à diversificação de
suas atividades econômicas.
1.3 OBJETIVOS
1.3.1 Objetivo geral
Analisar os ajustamentos alocativos no mercado de trabalho dos municípios brasileiros
no período de 2012 a 2017.
1.3.2 Objetivos específicos
a) Analisar os municípios que apresentaram os maiores volumes de ajustamentos
alocativos no mercado de trabalho, diante da crise econômica de 2014;
22
b) Analisar os setores e os clusters de autocorrelação de ajustamentos regionais do
mercado de trabalho; e
c) Analisar características econômicas e demográficas regionais que se correlacionam
com os ajustamentos alocativos no mercado de trabalho dos municípios brasileiros.
1.4 ESTRUTURA DO TRABALHO
Este trabalho está organizado em seis capítulos, conforme apresentado na Figura 1, ao
final deste tópico. O capítulo 1 se dedica à apresentação da temática do trabalho e trata
brevemente dos temas que serão desenvolvidos no trabalho, bem como apresenta a
problemática, a justificativa, a hipótese e os objetivos deste estudo.
O capítulo 2 se divide em dois tópicos, primeiramente relembra as teorias clássicas da
localização em que o mercado de trabalho se insere, no intuito de contextualizar a análise
espacial distributiva do mercado de trabalho e as tendências de comportamento de seus atores.
O segundo tópico alinha as teorias locacionais com um olhar regional da formação e
estruturação locacional do mercado de trabalho.
O capítulo 3 faz uma revisão da literatura dividida em cinco partes. A primeira parte
descreve historicamente a formação de aglomerações das atividades econômicas, com ênfase
na indústria (setor que mais gera aglomeração no espaço) e sua evolução durante o passado
recente (década de 1970) até o momento da crise econômica brasileira de 2014. A segunda parte
apresenta algumas interferências governamentais que tiveram impactos relevantes no mercado
de trabalho, assim como a reação do mercado diante destas. A terceira parte investiga,
brevemente, fatores que implicaram na crise economia brasileira e suas consequências no
mercado de trabalho. A quarta parte introduz o conceito de integração no mercado de trabalho,
processo indispensável após uma grande turbulência. A quinta e última parte desta seção estuda
o tema flexibilidade alocativa do mercado e a integração referente aos ajustes no mercado.
Desenvolve-se este último tópico com base em estudos empíricos.
O capítulo 4 apresenta as três metodologias utilizadas na pesquisa: (i) o índice de
turbulência; (ii) Análise Exploratória de Dados Espaciais (AEDE); e (iii) análise econométrica
utilizando painel de dados convencional (a-espacial) e com dependência espacial.
O capítulo 5 apresenta os resultados e inferências em três etapas. Primeiramente, foi
realizada uma breve análise dos ajustamentos alocativos em todo o mercado de trabalho
brasileiro ao longo do tempo; segundo, uma análise dos ajustamentos alocativos por setores de
atividade econômica nos municípios com os maiores índices e turbulência, complementada
23
pelos mapas de clusters LISA para cada setor; por terceiro e último, a análise econométrica do
painel de dados a-espacial e espacial. Por fim, no capítulo 6 são apresentadas as conclusões.
Segue organograma deste estudo na Figura 1.
Figura 1 – Estrutura da dissertação
Este organograma resume a estrutura do presente trabalho afim de nortear a sequência
da leitura. Ao final do trabalho, se encontram os apêndices dos testes metodológicos executados
na realização deste estudo.
AJ
US
TA
ME
NT
OS
AL
OC
AT
IVO
S N
O M
ER
CA
DO
DE
TR
AB
AL
HO
BR
AS
ILE
IRO
(2
01
2-2
01
7) 1.
INTRODUÇÃO
Problema e justificativa
Hipótese
Objetivo geral
a) Objetivo específico 1
b) Objetivo específico 2
c) Objetivo específico 3
2. FUNDAMENTA-ÇÃO TEÓRICA
(i) Localização industrial;
(ii) Desenvol-vimento desigual;
(iii) Novas abordagens
(i) Von Thünen, Marshall, Weber, Christaller, Lösch e Isard;
(ii) Perroux, Myrdal e Hirschman;(iii) Especialização flexível, competitividade,
aglomeração econômica, desenvolvimento endógeno e regiões funcionais
Desenvolvimento regional e o
mercado de trabalho
3. REVISÃO HISTÓRICA E
EMPÍRICA
A experiência brasileira com as aglomerações
Trajetória do mercado de trabalho brasileiro a partir de 1980
Crise econômica brasileira de 2014
Integração no mercado de trabalho
Flexibilidade alocaiva
4. METODOLOGIA
Índice de turbulência
AEDE
Painel de dados espacial
5. RESULTADOS E INFERÊNCIAS
Ajustamentos no mercado de trabalho
Ajustamentos em cada setor e mapas de clusters
Análise em painel convencional e espacial
6. CONCLUSÃO
Fonte: Elaborado pela autora.
24
2 FUNDAMENTAÇÃO TEÓRICA
Esta seção está dividida em dois tópicos. O primeiro se dedica ao embasamento teórico
do estudo, cujo objetivo foi abordar os principais pensamentos clássicos das teorias de
localização. Nesse sentido, no primeiro tópico são apresentados os eixos teóricos com
direcionamento para as economias de aglomeração. É fundamental abordar a ciência regional e
suas teorias locacionais para se referir ao mercado de trabalho, uma vez que estas são essenciais
para a compreensão das decisões de localização d as atividades econômicas.
Dentre suas principais teorias, destacam-se os modelos de localização industrial,
relações de dependência ou de encadeamento dos setores como fator de localização das firmas
(desenvolvimento desigual), entre outras mais recentes como a especialização flexível, a
competitividade, economias de aglomeração, desenvolvimento endógeno e, por fim, regiões
funcionais. Segue, no tópico 2.1, aspectos das principais teorias da localização para elucidar o
tema.
O segundo tópico (2.2) apresenta as relações do desenvolvimento regional com o
mercado de trabalho e suas particularidades, como as características locacionais, em detrimento
das teorias econômicas locacionais e do funcionamento do mercado.
2.1 TEORIAS DA LOCALIZAÇÃO
Os precursores a atribuir o conceito de espaço na economia foram Von Thünen, Alfred
Marshall, Alfred Weber, Walter Christaller, August Lösch e Walter Isard. Suas teorias podem
ser divididas em três vertentes: I – análise do aluguel e uso da terra, de Von Thünen; II – a
análise dos distritos industriais e da localização ótima industrial, associadas a Marshall e Weber;
e III – a análise das economias de escala e custos de produção, associada à teoria da área central
de Walter Christaller e August Lösch. Walter Isard corrobora com os conceitos anteriores,
formando, então, a teoria das aglomerações e desaglomerações industriais.
Von Thünen (1966), considerado o pai das teorias da localização, foi o pioneiro a
incluir a dimensão espacial em estudos econômicos. Sua teoria locacional ficou conhecida
como círculos concêntricos ou anéis concêntricos, em que os custos de transporte e uso da terra
definem a distribuição das atividades econômicas no espaço (urbano e rural). O cenário da
análise de Von Thünen retrata atividades rurais com superfícies uniformes e mesma fertilidade.
Produzia-se exclusivamente para atender a demanda do mercado central único. Em vista de
diluir os custos de transporte e aluguel da terra, cada produtor alocaria suas produções em
25
pontos de equilíbrio, formando uma distribuição da produção em uma espécie de anéis
concêntricos de produção, por ordem de perecibilidade, como ilustrado na Figura 2 (VON
THÜNEN, 1966; FUJITA; KRUGMAN; VENABLES, 2002).
Figura 2 – Curvas do aluguel proposto e uso da terra (Von Thünen)
Fonte: Fujita, Krugman e Venables (2002, p. 32).
À luz dos trabalhos de Von Thünen, estudiosos passaram a dedicar-se também ao
espaço econômico urbano, levando a compreensão das economias externas. O espaço passou a
ser um conceito importante nas análises do potencial das regiões, principalmente na área da
geografia econômica (ELLISON; GLAESER; KERR, 2010). Marshall (1920) desenvolveu
teorias a respeito de externalidades, localização e estrutura de mercado. O autor aponta que as
indústrias se agrupam em torno de vantagens físicas como solo, clima, portos, aeroportos,
presença de minérios, acesso à mão de obra especializada, mercados (consumidores), entre
outros. A concentração das indústrias, por sua vez, atrai mão de obra, além de novas empresas.
Devido às áreas de intensa industrialização, há maior flexibilidade de emprego, oferta de mão
de obra, mas também, menores médias salariais até que a demanda aumente. Assim, a
concentração industrial desencadeia o processo de aglomeração da mão de obra e
empreedorismo, pois há mais emprego e oportunidades para novos ramos de emprego.
Outro precursor desta linha de pensamento foi Weber (1929), com a teoria da
localização industrial. Semelhante à teoria marshalliana, para Weber, a empresa busca uma
26
localização que minimize seus custos. Nesta busca, há vários fatores que influenciam a decisão
da localização da empresa/indústria, como a disponibilidade de água, abundância de mão de
obra ou mão de obra barata, fonte de matéria prima, centros com aglomerações, custos de
transporte da matéria prima, custo de transporte até o mercado consumidor, entre outros. Há
empresas que tendem a se aglomerar, enquanto outras tendem a se dispersar no território. A
teoria weberiana leva em consideração apenas a indústria/empresa individual, sem considerar
sua concorrência (WEBER, 1929; SOUZA, 2009). Após a publicação da teoria de Weber,
outros autores passaram a escrever sob a perspectiva das decisões locacionais, refinando os
conceitos de localização, espaço econômico e desenvolvimento regional desencadeado pelas
aglomerações, dentre estes, se destacam Christaller e Lösch.
Christaller (1966), na teoria dos lugares centrais, buscou explicar a influência dos
centros urbanos na hierarquia das populações urbanas, comercial e dos bens e serviços. Nessa
teoria, quanto maior a cidade, maior tende a ser sua oferta de bens e serviços. Suas análises
levaram em consideração o alcance do produto dentro do espaço territorial, a acessibilidade dos
consumidores ao mercado de trabalho e a concorrência entre os fornecedores, de modo que a
abrangência destes mercados formem hexágonos que se conectam nas relações hierárquicas
como demonstrado na Figura 3 (CHRISTALLER, 1966; CLEMENTE, 1994; ALVES, 2016).
Figura 3 – Hierarquia de centralidade de Christaller
Fonte: Alves (2016, p. 46).
Por estas condições, há três propriedades básicas no modelo de centralidade: (i) há
uma relação comercial entre as hierarquias, onde a cidade central abastece o seu redor; (ii) há
uma rede de transporte interligando os centros urbanos; e (iii) há uma função administrativa
dos centros, fazendo com que determinados grupos de cidades subordinadas formem uma área
de atuação do polo (CHRISTALLER, 1966).
27
Lösch (1954) segue os mesmos princípios da teoria da hierarquia de centralidade.
Todavia, enquanto Christaller destaca a existência de um número fixo de centros subordinados
a cada centro, para Lösch este número é variável. Outro conceito divergente de seus
antecessores foi apontado na decisão locacional, essa deve buscar o maior lucro, não apenas o
menor custo possível e, esta escolha não se baseia apenas em fatores econômicos. O autor supõe
que o espaço é homogêneo, o espaço regional se dividiria em áreas de mercado por tipo de
produto e haveria conhecimento perfeito entre consumidor e produtor (LÖSCH, 1954;
CLEMENTE; HIGACHI, 2000; CAPELLO, 2007; SOUZA, 2009).
Para Isard (1960), há diversos fatores que contribuem para a concentração ou dispersão
de pessoas em determinada região, sendo estes a disponibilidade de matéria prima, mudanças
no meio ambiente, mudanças no ambiente econômico, inovações tecnológicas e outros. Seu
modelo pode ser considerado um complemento aos modelos de Von Thünen, Weber e Lösch.
Com o progresso de inovações e desmembramento do processo produtivo, ocorrem alterações
na hierarquia dos centros urbanos regionais. Tais alterações na hierarquia dos centros podem
ser caracterizadas por problemas de poluição, congestionamento e elevação dos preços dos
fatores de produção. Com o tempo, torna-se mais vantajoso para as empresas saírem do polo
central e se realocarem nos centros periféricos. Nessa etapa do desenvolvimento, a região tende
a formar um crescimento polinuclear e descentralizado (ISARD, 1960; CLEMENTE, 1994).
Ainda se tratando das economias de aglomeração, surge o segundo grupo de teorias de
localização, iniciado por Perroux (1950 e 1977) com o teorema dos polos de crescimento. Para
Perroux (1950 e 1977), o crescimento4 regional ocorre em diferentes pontos, de inúmeras
formas, intensidades e em tempos diferentes. Cada um destes pontos se propaga por vias que
compõem, aos poucos, a infraestrutura da economia de mercado. O autor presume a existência
de polos principais e polos secundários. Os polos principais (centrais) teriam semelhanças como
sua dimensão e importância, enquanto os secundários, um pouco menores, serviriam como
vínculo e filtragem dos fluxos provenientes dos polos superiores.
Conforme Alves (2016, p. 50), “a configuração (organização) de uma região
polarizada e urbanizada é mantida através de fluxos constantes de homens, de mercadorias, de
dinheiro, e de informações”. O crescimento econômico provoca mudanças estruturais, que
podem ser caracterizadas por três situações principais: (i) a eclosão e o desaparecimento de
empresas; (ii) a propagação heterogênea dos fatores de produção no território e entre os setores;
4 Pelos conceitos explicados por Perroux, pode-se interpretar como desenvolvimento regional.
28
e (iii) crescimento desparelho/desequilibrado dos setores e regiões. Portanto, um polo central
pode ser caracterizado como um motor do crescimento (SOUZA, 2009; ALVES, 2016).
No mesmo sentido de Perroux (1950), Myrdal (1968) considera que o
desenvolvimento ocorre de modo desigual no espaço. Em sua teoria da causação circular e
acumulativa, o autor destaca que ocorrem efeitos cumulativos na realização de investimentos
produtivos. Segundo Dallabrida, (2010, p. 58), na lógica desta teoria, “o primeiro empreendedor
cria facilidades para a implantação de novos empreendimentos, que, por sua vez, amplificam
as perspectivas de sucesso de outros projetos”. Todavia, o mesmo círculo vicioso ocorria no
sentido negativo, de pobreza-doença-pobreza, tendendo à formação de um processo
acumulativo. Sua grande contribuição foi ressaltar que quando o processo acumulativo não é
controlado e tende ao desequilíbrio, ele promove desigualdades cada vez maiores (MYRDAL,
1968; DALLABRIDA, 2010).
Outro importante autor que compartilha da ideia do crescimento desequilibrado é
Hirschman (1961). Em sua teoria dos encadeamentos, o autor parte do pressuposto que as
principais dificuldades para o crescimento equilibrado5 podem ser compreendidas na
insuficiência de capital, pacotes de inovações e de empresários aptos e dispostos a assumir
riscos. Portanto, Hirschman ressalta o papel do empreendedor e da importância de identificar
os recursos escondidos de cada região para incentivar empreendimentos e impulsionar o
desenvolvimento econômico. Em síntese, mais importante do que ter as melhores combinações
de recursos ou fatores de produção disponíveis, é desenvolver recursos e capacidades dispersas
ou mal utilizadas a seu serviço (HIRSCHMAN, 1961; DALLABRIDA, 2010).
A partir de 1980, surgem as teorias da localização que incorporam o conceito de
economias dinâmicas. Dentre elas, as teorias que se destacam e se relacionam diretamente com
o presente estudo são a teoria da especialização flexível, a competitividade de Poter,
aglomeração econômica, teorias do crescimento endógeno e as regiões funcionais.
A teoria da especialização flexível tem sua base em Smith (1976) e North6 (1977), que
já consideravam a especialização da região um importante indicador do seu potencial de
crescimento e desenvolvimento. Para os autores, o sucesso do crescimento regional por meio
da especialização leva à multiespecialização e à expansão do mercado doméstico. Deste modo,
a multiespecialização pode refletir em uma melhor distribuição de renda e geração de empregos.
5 Na abordagem de Hirschman, pode-se interpretar crescimento equilibrado como desenvolvimento. 6 Ao citar o tema especialização, sua ênfase era no modelo de base de exportação.
29
Porter (1990), em sua teoria da competitividade, sustenta a ideia de que a rivalidade
beneficia as indústrias, pois cria uma base desafiadora, florescendo a competitividade dos
fornecedores e exigência dos clientes locais. Porém, ele deixa claro que a competitividade a que
se refere está relacionada à produtividade das nações e não aos setores em si. Para o autor, a
competitividade de um país é proveniente da capacidade de inovação e de melhorias da
indústria.
A aglomeração econômica é abordada por Benko (1993) como uma teorização
necessária, mas ainda não o suficiente para se caracterizar como uma teoria científica da
localização e da dinâmica dos novos espaços industriais. A importância destas aglomerações
está ligada às grandes concentrações urbanas, pois as economias de aglomeração são grandes
centros ou pelo menos, nasceram próximos de metrópoles, como Boston, Los Angeles etc.
Deste modo, as economias urbanas facilitam a formação de redes de informação e efeitos de
escala, como a rotatividade da mão de obra entre empresas da região, formação de novos
complexos de produção, que ao crescer de modo organizado, reduzem seus custos de produção
e continuam a atrair empresas, passando a empregar cada vez mais mão de obra. Logo, a mão
de obra se aglomera mais intensamente em regiões maiores e mais dinâmicas, principalmente
em torno das metrópoles.
Há ainda os neoclássicos com a Nova Geografia Econômica, dos quais destacam-se
Fujita, Krugman e Venables (1999). Os autores estruturam sua teoria a partir das hierarquias
urbanas juntamente às cidades isoladas de Von Thünen, de modo a contemplar uma possível
estrutura regional marcada por um polo central industrializado, e uma periferia puramente
agrícola. Portanto, é necessário enfatizar a configuração espacial das regiões a partir de suas
atividades econômicas e suas forças centrípetas ou centrífugas.
A teoria do desenvolvimento endógeno é um dos conceitos mais recentes na literatura.
Sua contribuição foi identificar fatores de produção desenvolvidos dentro da região e não
provenientes de fatores estruturais. Pode-se citar como exemplo destes fatores: o capital social,
capital humano, capacidades tecnológicas (learning by doing), pesquisa e desenvolvimento
(P&D), instituições, sistemas de cooperativas, entre outros. O desenvolvimento endógeno
pressupõe que os atores ou agentes locais são os protagonistas do desenvolvimento econômico,
interagindo em laços de cooperação territorial que constituem o capital social de uma região
(SOUZA FILHO, 2002; CAPELLO, 2007; HADDAD, 2009; PIACENTI, 2016).
Juntamente com a aglomeração das atividades econômicas na região, pode ocorrer o
aumento dos níveis de produção, de emprego e de renda a um ritmo mais acentuado do que o
crescimento populacional da região, ainda que esse processo não gere desenvolvimento. Neste
30
caso ocorre o crescimento econômico. O desenvolvimento de uma região é essencialmente
dependente da capacidade de organização social, política e das tomadas de decisões locais em
relação ao excedente gerado pelo processo de crescimento econômico (HADDAD, 2009).
Por fim, outro conceito importante é o das regiões funcionais. Esta linha de
pensamento considera que uma região funcional não abrange necessariamente os limites
administrativos das cidades, mas as relações econômicas e sociais que envolvem as atividades
econômicas do mercado de trabalho. Em outras palavras, esta regionalização corresponde aos
diversos vínculos funcionais de determinado polo central com suas extensões circundantes, e,
pode apresentar mais de um polo dentro da mesma região (OECD, 2002; DALBERTO, 2018).
As teorias da localização podem ser observadas na formação e desenvolvimento das
redes urbanas brasileiras, como demonstrado na Figura 4. Este mapa das redes urbanas
evidencia que os principais polos de desenvolvimento estão concentrados nas regiões
metropolitanas, ou seja, quanto maior a força centrípeta da região, seu poder de atração dos
fatores de produção móveis (trabalho e capital), maior tende a ser a influência regional do polo.
Figura 4 – Redes urbanas brasileiras
Fonte: IBGE, 2010.
31
O dinamismo de funcionamento do mercado de trabalho é influenciado por fatores
regionais. Portanto, é fundamental abordar a ciência regional, desde suas primeiras teorias
locacionais para se referir a esse mercado. Estas teorias evidenciam a importância da
localização das atividades econômicas para a obtenção de maior crescimento econômico, social,
assim como o desencadeamento do desenvolvimento regional a partir da aglomeração destas
atividades. Logo, sua contribuição está associada a geração de empregos, que ocorre juntamente
com o crescimento e desenvolvimento das regiões, conforme será enfatizado no tópico seguinte.
2.2 DESENVOLVIMENTO REGIONAL E O MERCADO DE TRABALHO
Os fatores de produção (terra, trabalho e capital7) são responsáveis pela geração dos
bens e serviços ofertados no mercado, e, a mobilidade destes fatores tem importante influência
na eficácia das políticas de desenvolvimento regional8, pois os fatores de produção móveis são
atraídos por regiões em expansão econômica. Uma vez iniciado o processo de desenvolvimento
regional, os fluxos de capital, de trabalho, de ideias e de bens e serviços sucedem o processo
acumulativo na região (MCCULLOCH; YELLEN, 1977; BARROS, 2008; OLIVEIRA, 2008;
HANINK, 2016).
Pohlmann et al. (2004) defendem que a livre mobilidade dos fatores é uma suposição
básica para o bom funcionamento do mercado e equilíbrio do produto interno bruto (PIB) per
capita. Todavia, mesmo ao considerar que estes podem ter livre mobilidade, os fatores de
produção estão sujeitos a custos de transações. Os custos de transações podem ser classificados
em três categorias: i) grau de liquidez ou fluxo do fator; ii) custo tangível ou intangível; e iii)
reempregabilidade de ativos específicos e não específicos.
Para Barros (2008), a mão de obra é um fator com alto fluxo de mobilidade. Quando
se desloca no espaço, os custos mais óbvios que ela enfrenta são de transporte, realocação e
moradia. McCulloch e Yellen (1997) e Zimmermann (2005) complementam que também
existem os custos intangíveis, relacionados aos custos psicológicos gerados pela
separação/distância de amigos e familiares. Para os autores, a mão de obra qualificada tende a
apresentar maior mobilidade do que a mão de obra menos qualificada, que, por sua vez não
apresenta mobilidade no espaço.
A movimentação do capital geralmente refere-se a investimentos em estoque, ou, no
7 Há variações dos nomes dados a estes fatores, porém sempre se busca abranger os elementos envolvidos na
produção dos bens e serviços. 8 Sejam políticas de incentivo ou inibidoras.
32
caso de serviços, em especializações, que acarretam custos de impostos e custos contratuais.
Para a aquisição de tecnologias são acarretados os custos de aquisição e de transporte
(BARROS, 2008). Estes são custos explícitos, todavia ainda existem os custos implícitos,
nomeados na literatura como custos de oportunidade. O custo de oportunidade é uma medida
de retorno do investimento realizado em comparação ao retorno de outras oportunidades para
o uso do capital em avaliação (NETO; LIMA; ARAÚJO, 2008).
O fator terra não tem mobilidade e seus custos estão associados à qualidade da terra.
Portanto, terras mais produtivas tendem a ter preços mais altos. Fatores que podem influenciar
no preço são características do solo, acesso à água, frequência de chuvas e a facilidade do acesso
à infraestrutura, como rodovias, por exemplo. A terra está atrelada à terceira categoria de
Pohlmann et al. (2004), os custos irrecuperáveis, pois não há possiblidade de utilizar este ativo
para outra atividade que não a que lhe é específica, por isto os autores associam esta
característica ao conceito de sunk costs (custos irrecuperáveis).
Os custos de transação da produção ganharam destaque na literatura a partir dos
estudos de Von Thünen (1966). Posteriormente, aprofundados por Coase (1937) ao apontar a
relevância dos custos de transações nas etapas da produção e nas transações de mercado. Esses
custos se tornaram relevantes nas decisões de localização das empresas, que passaram a se
organizar a partir de sua cadeia produtiva, próximas às distintas etapas de produção. Logo,
inicia-se o processo de aglomeração das empresas por viabilidade dos custos de transação.
Como apontado no tópico anterior, a literatura associa o cenário de economias de aglomeração
às regiões centrais ou regiões polos. As aglomerações geralmente se manifestam em regiões
com perfis dinâmicos e com capacidades distintas de gerar empregos e externalidades positivas,
conforme demonstrado no mapa das redes urbanas brasileiras (Figura 4).
Dentre estas, há regiões fortemente influenciadas pela tendência de crescimento da
economia nacional, cujas se fortalecem a partir de atividades motoras. Enquanto outras regiões
percorrem uma tendência embasada em atividades diferenciadas, sendo capazes de estimular o
crescimento econômico por meio de especialização e, principalmente, de capital endógeno
estruturado (GONÇALVES JR. et al., 2010). Com isso, se inicia o processo de desenvolvimento
de uma região e os fatores de capital e trabalho são atraídos para a região, dando continuidade
ao processo de aglomeração das atividades econômicas.
No mesmo sentido, Furtado (2002) aponta que o desenvolvimento econômico é um
processo endógeno de criação de demanda e formação do mercado interno. No
subdesenvolvimento, há demasiada dependência do comércio exterior para diversificação da
demanda e progresso técnico. Já o desenvolvimento regional se estrutura na criação de padrões
33
de consumo e geração de emprego e renda a partir da dinâmica interna da economia, ou seja, a
partir da intensidade da atuação dos fatores de produção na região.
Na maturidade do desenvolvimento regional, economias passam a se associar
geograficamente com outras economias regionais, interligadas por estruturas de produção,
consumo, distribuição da força de trabalho e aspectos sociais, culturais entre outros. Essa
formação é denominada área de mercado (LEMOS et al., 2003; PIACENTI, ALVES E
FERRERA DE LIMA, 2008). Outra fase que pode ocorrer após a maturidade do
desenvolvimento é o processo da desaglomeração industrial, em que se torna mais vantajoso
para as empresas e indústrias saírem do polo central e se realocarem nos centros periféricos.
Nessa etapa do desenvolvimento, a região tende a formar um crescimento polinuclear e
descentralizado (ISARD, 1960).
Aleksandrova, Behrens e Kuznetsova (2019) realizaram um estudo das aglomerações
industriais na Rússia, que se assemelham a estudos das aglomerações industriais brasileiras9.
Apesar da Rússia ser um país em desenvolvimento e, assim como o Brasil, tem suas bases
econômicas muito dependentes de fontes primárias, o padrão de aglomeração observado nas
indústrias russas foi o mesmo observado em países desenvolvidos. Com fortes relações entre
comprador e fornecedor, trocas de conhecimento entre as indústrias, proximidade para gerar
menores custos de transporte e outros. A maior diferença observada foi que indústrias de forças
e tamanhos semelhantes tenderam a ser menos conglomeradas no espaço.
Nas hierarquias das aglomerações espaciais, Kon (1999) e Gonçalves Jr. et al. (2010)
discutem a função das atividades econômicas dos setores secundário e terciário como indutoras
do desenvolvimento. Estas atividades realocam o capital e mão de obra advindos de outros
setores, como, por exemplo, do meio rural devido ao aumento da mecanização. O setor terciário
também tem absorvido parcela relevante da mão de obra advinda de processos de
desaglomeração industrial ou em períodos de instabilidade econômica. Economias de serviços
estão crescendo principalmente em países industrializados, mas também em economias menos
desenvolvidas como o Brasil.
Um exemplo de transferência da mão de obra rural para os centros de aglomeração
urbanos pode ser observado no estudo de Mourão (2006). O autor analisa os deslocamentos
populacionais das regiões de Trás-os-Montes e Alto Douro, em Portugal, com base nos Censos
de 1991 e 2001. Como principal resultado, foi detectada tendência de deslocamento da mão de
9 Diniz e Crocco (1996), Silva e Silveira Neto (2009), Dalberto e Staduto (2013), Gonçalves et al. (2019) entre
outros.
34
obra proveniente do meio rural em direção às vilas sedes de municípios e/ou a regiões urbanas
polarizadas (lugares centrais) como Bragança e Vila Real.
O mercado de trabalho reflete os estágios de desenvolvimento de uma região, assim
como sua estrutura econômica, seu perfil de produtividade e de consumo. Segundo Kon (1999),
Lemos et al. (2003), Souza (2009) e Gonçalves Jr. et al. (2010), a estrutura das atividades
econômicas no mercado de trabalho passa por reorganizações no espaço. Este fenômeno ocorre
ao longo do tempo na estrutura de mercado mundial e também regional, no interior dos países
e seus estados. Ao longo do tempo, toda estrutura de mercado pode ser alterada por diversos
fatores e passar por reorganizações espaciais das atividades econômicas. Ademais, tais
transformações tendem a ocorrer principalmente em centros mais desenvolvidos, de modo que,
geralmente, o setor terciário passa a ter grandes ganhos no processo.
O próximo capítulo retrata evidentes transformações estruturais no mercado de
trabalho brasileiro nas últimas décadas, assim como faz uma revisão empírica dos temas em
pauta neste estudo, como os choques econômicos (entre eles, a crise econômica brasileira), o
desemprego e integração no mercado de trabalho e, por fim, a flexibilidade alocativa da mão
de obra diante de choques econômicos.
35
3 REVISÃO HISTÓRICA E EMPÍRICA DA LITERATURA
Este capítulo tem por objetivo fazer um levantamento histórico e empírico do mercado
de trabalho brasileiro, assim como discutir brevemente a crise econômica de 2014, responsável
pela turbulência em pauta neste estudo. Para isso, este capítulo foi organizado em cinco seções.
A primeira parte (1), de cunho histórico e empírico, enfatiza o desenvolvimento dos
polígonos industriais brasileiros a partir dos anos 1970. O setor industrial é evidenciado neste
tópico, pois a literatura empírica dá grande atenção ao setor, desde o clássico Marshall (1920),
visto que seus desencadeamentos tendem a potencializar as demais atividades econômicas do
mercado de trabalho (LEMOS et al., 2003; DALBERTO; STADUTO, 2013). Isso ocorre
devido as suas fortes tendências de aglomeração e desaglomeração que induzem o
desenvolvimento das regiões, conforme abordado nas teorias locacionais. A segunda parte (2)
aborda momentos históricos que marcaram o mercado de trabalho brasileiro e suas atividades
econômicas, a partir dos anos 1970 até a crise econômica brasileira de 2014.
A terceira parte (3) sintetiza os principais fenômenos que levaram a economia
brasileira à crise econômica financeira, tendo esta atingido grandes proporções no mercado de
trabalho. A quarta parte (4) dedica-se ao tema integração no mercado de trabalho, abrange
aspectos como o mercado informal, desemprego e fatores que provocam aumentos na taxa de
desemprego. Por fim, a quinta parte (5) apresenta o tema da flexibilidade do mercado de
trabalho, enfatizando a importância dos ajustamentos alocativos no mercado de trabalho diante
de choques por meio de estudos empíricos.
3.1 A EXPERIÊNCIA BRASILEIRA RECENTE DAS AGLOMERAÇÕES
O crescimento e desenvolvimento regional é uma linha de pesquisa bastante explorada
na literatura. As motivações que levam determinadas localidades a se desenvolverem mais do
que outras podem estar relacionadas às estruturas econômicas, à escala urbana ou ainda a fatores
exógenos à região. Em relação ao caso brasileiro, há uma gama de estudos que associam este
fenômeno às economias de aglomeração.
O processo de aglomeração das atividades econômicas brasileiras pode ser dividido
em dois momentos, a concentração da atividade industrial produtiva na região metropolitana de
São Paulo e, posteriormente, relativa desconcentração a partir dos anos 1970. O principal
objetivo deste tópico é abordar o desenvolvimento dos polígonos industriais brasileiros, devido
à sua dinâmica de aglomeração e desaglomeração.
36
Todavia, também serão pontuados destaques de outros setores de atividades
econômicas, como a agropecuária, que teve importante papel no crescimento econômico
nacional e o setor de comércio e serviços, que vem apresentando ganhos de empregos,
principalmente em períodos de oscilações do mercado de trabalho. Portanto, o período retratado
será o segundo momento deste processo de aglomeração.
As atividades agropecuárias foram o primeiro motor da economia brasileira e foram
fundamentais para o desenvolvimento das cadeias produtivas e polos de desenvolvimento no
país. Os primeiros polos agrícolas se desenvolveram nas regiões Sudeste (com a produção de
café) e no Nordeste (com as produções de açúcar e algodão) no século XIX. Em meados da
década de 1950, o crescimento econômico proveniente da agricultura passou a se concentrar
também na região Sul e, a partir da década de 1970 no Centro-Oeste (SOUZA, 1993).
A partir da década de 1970, juntamente com a expansão das fronteiras agrícolas do
Centro-Oeste, houve expansão também para o Oeste da Bahia e Sul do Maranhão. Com estas
expansões, houve intensa movimentação de migrantes para essas regiões e intensificação do
uso da mecanização e modernas técnicas agrícolas de produção (SISCÚ E LIMA, 2000;
ORLANDI et al., 2012).
Durante as décadas de 1950 e 1970, houve um fortalecimento do parque industrial
nacional, no qual cidades com mais de 500 mil habitantes tiveram o importante papel de
alavancar o crescimento urbano brasileiro. No período, o padrão locacional observado era
extremamente relacionado aos fatores aglomerativos. Pode-se citar como exemplo de
aglomeração as regiões metropolitanas de São Paulo e Rio de Janeiro que, em 1970, chegaram
a comportar mais de 28% da população de todo o país (ANDRADE; SERRA, 1998).
De acordo com Dalberto e Staduto (2013, p. 541), “as forças aglomerativas podem se
comportar como uma parábola, atingindo um ponto de máximo, e a partir de então
proporcionando deseconomias de aglomeração”. Pode-se dizer que os anos de 1970 foram o
ponto máximo da parábola nesse contexto, visto que entre 1970 e 1990 houve um intenso fluxo
de movimentação da população urbana para as cidades médias. Estas passaram a apresentar
taxas de crescimento mais elevadas que os grandes centros metropolitanos, principalmente
durante na década de 1980. Com isto, estas cidades iniciaram um desenvolvimento de suas
infraestruturas, influenciado pelo crescimento urbano, no qual estes movimentos resultaram em
uma desconcentração industrial (DINIZ; CROCCO, 1996).
Nos anos 1980, também conhecidos como a década perdida, houve uma das maiores
crises econômicas que o país já enfrentou. Devido às baixas taxas de crescimento da indústria,
somando-se as condições propícias de desenvolvimento que as cidades médias passaram a
37
apresentar, ocorreu uma desconcentração ainda maior nas regiões metropolitanas de São Paulo
e Rio de Janeiro, especialmente no setor industrial. Conforme Cano (2008), de 1980 a 1985 a
indústria de transformação sofreu uma redução de 3,1% no Brasil, sendo 7,1% desta parcela,
resultado na região metropolitana de São Paulo.
Parré e Guilhoto (2001) destacam que o agronegócio também apresentou
desconcentração da região Sudeste nos anos de 1985 a 1995, inclusive nos seguimentos das
cadeias produtivas, a montante e a jusante na produção. Ocorreu redução generalizada da
relação do agronegócio com o PIB e a composição estrutural do agronegócio brasileiro foram
alteradas de forma diferenciada em cada região, conforme a evolução histórica de cada uma.
De 1985 a 2000, Piacenti, Alves e Ferrera de Lima (2008) apontam que houve uma
reestruturação do perfil locacional do emprego setorial no mercado de trabalho brasileiro.
Principalmente os anos de 1985 a 1995, foram anos de intensas transformações na economia
nacional. Nessa reestruturação, as regiões Sul e Nordeste se destacaram por atraírem grandes
investimentos industriais; as regiões Sul e Centro-Oeste tiveram grande impulso de
produtividade agroindustrial; as regiões Sul e Sudeste expandiram a produção de metal
mecânico em função de complexos automobilísticos e aeroespacial, respectivamente; e, as
regiões Norte e Nordeste expandiram a produção de bens manufaturados, atividades de extração
mineral e de turismo.
Desde a década de 1990, concomitante à dispersão das economias de aglomeração, a
indústria apresentou um importante crescimento no país (DALBERTO; STADUTO, 2013).
Após a estabilização econômica, o processo da abertura comercial, juntamente com o regime
de câmbio e altas taxas de juros atraíram volumosas importações. Isso suscitou na substituição
de notável parcela da demanda interna. Estes eventos corroboraram em um veemente período
de desindustrialização ocasionado pela perda de força e dinamismo da indústria (GOTARDO,
2016).
No ano 2000, a região Centro-Oeste apresentou valores que se destacaram para o setor
agropecuário e o setor de serviços seguiu a mesma tendência de alto dinamismo na região. Por
sua posição centralizada no país e dinamismo agropecuário, esta região auxiliou no impulso do
dinamismo agropecuário de outras regiões. A integração rodoviária e ferroviária com a região
Norte viabilizou a utilização de novas áreas para expansão da fronteira agrícola, além de
fortalecer o escoamento e rentabilidade da produção Amazônica. Já a região Sul, ao longo dos
anos 1990, especialmente o Paraná apresentou demanda promissora na cultura do milho. Com
isso, a região Centro-Oeste tornou-se fornecedora e exportadora de grãos e insumos para a
38
estrutura pecuária do Paraná (PIACENTI; ALVES; FERRERA DE LIMA, 2008; ORLANDI
et al., 2012).
Somando-se a estes fenômenos, nas últimas duas décadas (2000 e 2010), o país
precisou lidar com mais uma redução do dinamismo do setor industrial. Nos anos 2000, a
apreciação cambial elevou o preço das commodities, favorecendo a especialização produtiva e
exportadora de produtos básicos e semielaborados. De modo geral, o processo de
desindustrialização se caracteriza como a redução da capacidade industrial na geração de
produtos e empregos. Quando a desindustrialização acontece ‘naturalmente’, ela fomenta
feedbacks positivos, como níveis de renda elevados, expansão dos serviços e melhores
empregos. Por outro lado, quando é decorrente de uma repressão econômica, essa pode resultar
em efeitos perversos (SOUZA; VERÍSSIMO, 2019).
A próxima seção aborda o mesmo período temporal desta seção (1980 até 2017),
porém com ênfase nos fenômenos externos que influenciaram a estrutura e o funcionamento do
mercado de trabalho brasileiro.
3.2 TRAJETÓRIA DO MERCADO DE TRABALHO BRASILEIRO A PARTIR DE 1980
Entre as décadas de 1960 e 1980, o Brasil passou por uma fase de intensa mecanização.
A tecnologia foi incorporada por grande parte das atividades econômicas, por empresas,
indústrias e grandes agricultores, principalmente produtores que se dedicavam a produtos de
exportação. Uma das consequências deste processo foi o êxodo rural, as proporções de pessoas
vivendo no meio rural e nos meios urbanos foram invertidas entre os anos 1950 a 1980,
passando, respectivamente, de 70% a 30% e vice-versa (URANI, 1996; STADUTO, SHIKIDA;
BACHA, 2004).
Ao longo dos anos 1980, o Brasil ainda passou por políticas de fortes impactos no
mercado de trabalho, como o ajuste do balanço de pagamentos e o combate à inflação.
Conforme Pochmann (2014), foi um período em que o país vivia uma realidade econômica
controversa.
Em 1980, o mesmo país que assumia o posto de oitava economia do mundo era
considerado o terceiro mais desigual do planeta, tendo ainda quase a metade de sua
população vivendo na pobreza, com a informalidade ultrapassando 50% dos ocupados
e o rendimento do trabalho equivalendo à metade da renda nacional (POCHMANN,
2014, p. 23).
39
Para Amadeo et al. (1993), o mercado de trabalho brasileiro se mostrou flexível até
demais diante destas mudanças, visto que quando as relações de trabalho estão demasiadamente
vulneráveis, elas desestimulam a acumulação de capital humano. A alta rotatividade do trabalho
pode desestimular o investimento em treinamentos/especializações (capital humano) por parte
dos empregadores, e, portanto, acaba por limitar o aumento da produtividade, necessária para a
obtenção de ganhos de competitividade e acumulação de capital financeiro.
Como apontado por Urani (1996), altos níveis de flexibilidade no mercado podem
ocasionar uma situação de baixa taxa de desemprego diante de determinadas turbulências. No
período em questão, a baixa taxa de desemprego pode ser explicada pelo elevado número de
pessoas em trabalhos informais. O que pode ser explicado, em parte, por um sistema ineficiente
de seguro desemprego e pela atuação de mecanismos institucionais de incentivo a oferta e
demanda de trabalho.
O mesmo autor complementa que o intervalo entre os anos de 1979 a 1994,
especificamente até o Plano Real, foi um período de demasiada turbulência em relação às
políticas salariais10. Houve alterações bruscas nestas políticas, de modo a realizar grandes
pressões nos salários. O mercado de trabalho tinha como características uma acentuada
desigualdade de oportunidades e baixa intensidade de capital humano. Estas características não
causaram toda a desigualdade, mas contribuíram para amplia-la.
No final da década de 1980 ocorreu importante reforma na Constituição de 1988, a
Consolidação das Leis do Trabalho (CLT). A reforma fortaleceu os direitos dos trabalhadores
registrados com carteira assinada e deu-lhes garantias como jornada de trabalho de oito horas
diárias e 44 horas semanais, licença maternidade e paternidade, seguro desemprego, décimo
terceiro, adicional de periculosidade, dentre outros.
No início da década de 1990, aconteceu outro grande choque na economia brasileira,
a abertura comercial11 realizada durante o Plano Collor. Este plano econômico teve efeito
perverso e duradouro de baixos níveis de emprego no país. Com a abertura da comercialização
internacional e menor interferência do estado, o mercado de trabalho sofreu forte pressão. Ao
se depararem com a nova concorrência, empresas e industrias buscaram modernizar-se. O
processo de modernização e mecanização, por sua vez, gerou uma redução de 25,1% dos
empregos na indústria entre 1989 e 1999 (OLIVEIRA; CARNEIRO, 1999; SABOIA, 2001).
10 As principais alterações das políticas salariais de 1979 a 1994 ocorreram essencialmente em função dos níveis
recordes de inflação. 11 Iniciada na década de 1980, mas aprofundada na década de 1990.
40
A abertura da economia evidenciou o quadro de baixa qualificação profissional em
que o país se encontrava. Com a redução de oferta de empregos, o investimento em educação e
qualificação profissional passou a ser questão de sobrevivência no mercado. Conforme Instituto
de Pesquisa Econômica Aplicada (IPEA) (2006), entre 1992 e 2004, a parcela da população que
mais cresceu em ocupação formal foi de indivíduos com no mínimo 11 anos de estudo
completos, com uma média nacional de aproximadamente 140% de crescimento. Enquanto
isso, trabalhadores menos escolarizados reduziram o percentual no contingente do mercado de
trabalho formal, passando de 25,6% em 1992 para 19,9% em 2004.
Ao longo da segunda metade dos anos 1980 e início dos anos 1990, uma série de planos
e medidas foram implantadas no país, com a finalidade de controlar a inflação, valorizar a
moeda e recuperar a confiança da economia brasileira. O plano que finalmente obteve sucesso
foi o Plano Real, em 1994. Além de promover a estabilização da moeda, esse plano obteve êxito
em controlar a inflação, que tanto assombrava o país e provocou aumento significativo no nível
de emprego (OLIVEIRA; CARNEIRO, 1999).
Diante do novo cenário econômico, marcado pela estabilização econômica e relativo
crescimento da economia do país, o mercado de trabalho também passou por alterações.
Conforme Dalberto e Staduto (2013), neste período ocorreram novos investimentos na
economia, o que proporcionou uma dinâmica de produção, principalmente, na indústria. Ainda
na década de 1990, houve um debate na literatura sobre a capacidade da economia nacional
operar próxima ao pleno emprego, o qual se contrapunha ao debate de flexibilidade do mercado
de trabalho.
No final dos anos 1990, em média, aproximadamente um terço dos trabalhadores
brasileiros trocavam de emprego, passavam algum tempo desempregados ou trabalhavam na
informalidade a cada um ano (GONZAGA; PINTO, 2014). Conforme o estudo de Corseuil et
al. (2013), no período de 1996 a 2010, mais de um terço dos trabalhadores passaram por essas
situações (contratação, demissão, contratação, informalidade etc.). A parcela jovem do mercado
de trabalho, de 16 a 24 anos, apresentou números ainda mais expressivos. As taxas de
contratação e demissão superaram 100% em alguns casos, ou seja, cada jovem foi contratado e
demitido, em média, mais de uma vez ao ano. No entanto, o número de emprego formal dos
jovens aumentou, demonstrando que houve mais contratações do que demissões.
Para Baltar (2015), analisando o comportamento do emprego e renda da primeira
década dos anos 2000, pode-se observar a formação de um padrão de crescimento da economia
brasileira, iniciado na década de 1990. Staduto e Schio (2010) apontam que do ano de 1992 a
2006, as regiões metropolitanas brasileiras sofreram maior flexibilidade alocativa do que as
41
regiões não metropolitanas. Sendo, de 1992 a 2001 maior flexibilidade nas regiões
metropolitanas das regiões Sul e Sudeste e, de 2001 a 2006, maior flexibilidade na região
Nordeste.
Em relação às regiões não metropolitanas, os mesmos autores ainda destacaram que
houve uma tendência de concentração das economias especializadas e das indústrias com maior
intensidade de mão de obra. Outro fenômeno observado no período, foi a incapacidade do
mercado de trabalho de realocar a parcela de mão de obra não mais empregada na agricultura.
Ocorreu então, uma expansão da informalidade em todo o país, o que foi considerado um
fenômeno indispensável para manter o controle do desemprego aberto na década de 1990.
No ano de 2006, houve algumas mudanças no cenário macroeconômico. Uma das
políticas de maior relevância para o mercado de trabalho foi a valorização do salário mínimo.
Isso propiciou uma melhoria na distribuição de renda, que, por sua vez, aumentou o consumo
da classe trabalhadora. A expansão da demanda agregada doméstica ocorreu juntamente com
um aumento da taxa real de câmbio, contribuindo para o aumento da taxa de juros da dívida
pública a partir de 2007. Em reflexo das altas taxas de juros e do câmbio valorizado, as
indústrias se depararam com grandes barreiras de exportação, desencadeando em uma segunda
onda de desindustrialização no país (BRESSER-PEREIRA, 2013; OREIRO, 2015).
Conforme Curado e Nascimento (2015) e Perondi (2017), o efeito sob as indústrias foi
neutralizado temporariamente pela demanda interna, que vinha sendo instigada. No entanto, em
2008, houve a crise financeira mundial, que incidiu negativamente no mercado de trabalho
brasileiro. Mesmo sendo rapidamente contornada, em 2009, com políticas anticíclicas, algumas
complicações manifestaram-se no país. A dívida pública passou a aumentar fora de controle e
houve redução de transações de exportação, afinal, outros países que foram atingidos pela crise
reduziram suas demandas externas. O contexto exigia uma nova política para lidar com os
contratempos e retomar o crescimento do mercado e da economia brasileira (BRESSER-
PEREIRA, 2013; OREIRO, 2015; SINGER, 2015; BARBOSA FILHO, 2017; BASTOS, 2017;
PERONDI, 2017).
Em 2012 foi implementada uma reforma trabalhista no Brasil, como medida paliativa.
Segundo Krein et al. (2018), desde 2010 o mercado de trabalho brasileiro passava por altas
taxas de rotatividade de empregos, principalmente de pessoas com baixa escolaridade e
empregadas a menos de um ano. Todavia, a reforma trabalhista não trouxe perspectivas de
solucionar este problema, mas de potencializá-lo ao aprovar formas de contratações atípicas,
formas precárias de contratação e barateamento dos custos de desligamentos com acertos
42
diretos entre empregador e empregado, sem homologação dos sindicatos. Ou seja, sua função
foi flexibilizar ainda mais o mercado de trabalho.
Ainda em 2012, o tripé macroeconômico12 foi substituído pelo discurso “novo
desenvolvimentista”, ou, como também conhecido, Nova Matriz Econômica (NME). Os
principais focos da NME foram reduzir as taxas de juros e proteger os lucros das indústrias, que
estavam sob ameaças dos fenômenos anteriores e foram pressionadas na crise de 2008. No
entanto, os resultados não foram os esperados e as indústrias não conseguiram recuperar sua
força produtiva. Conforme Perondi (2017), o Brasil encontrava-se cada vez mais voltado à
produção primária, e este carácter econômico não se romperá facilmente.
Portanto, o mercado de trabalho, principalmente nos setores da construção civil e
indústria, que sofreram desequilíbrios ao longo deste período, passaram o ano de 2014 e
seguintes com grandes dificuldades. Observa-se na Figura 5 que os setores de serviços e
agricultura tiveram um leve aumento do número de emprego em 2014. Em relação ao nível de
emprego do ano de 2011, todos os setores de atividade apresentaram redução no nível de
empregos em 2016.
Figura 5 – Variação de emprego dos grandes setores de atividade econômica – 2011 a 2017
Fonte: Elaborado pela autora, com base em RAIS (2019).
12 Baseava-se nos três pilares: (i) metas de inflação, (ii) políticas cambiais seguindo um padrão de flutuação
relativamente livre e (iii) a política fiscal pautada pela geração de expressivos superávits primários como
proporção do PIB.
Indústria Construção Comércio Serviços Agricultura
43
A Figura 5 demonstra que a crise econômica brasileira marcou negativamente todos
os setores do mercado de trabalho, em que os primeiros efeitos são observados ainda em 2012,
quando ocorreram ajustes fiscais e outros fatores decisivos que desencadearam na crise, cujos
serão descritos na próxima seção. Os maiores efeitos no mercado de trabalho ocorreram no
período de 2014 a 2016. A partir de 2016, houve relativo equilíbrio no mercado, interrompendo
a brusca queda do número de empregos formais no país. O próximo passo necessário para o
mercado voltar a ascendência é a economia do país voltar a crescer em ritmo mais acelerado. A
seção 3.3, a seguir, aborda alguns dos principais fatores que desencadearam a crise econômica
brasileira, mencionada como o choque econômico doméstico que desestabilizou o mercado de
trabalho.
3.3 COMPREENDENDO A CRISE ECONÔMICA BRASILEIRA DE 2014-2017
A crise econômica brasileira de 2014, como ficou conhecida, caracteriza-se como um
choque idiossincrático no mercado de trabalho. Um de seus diversos efeitos foi o grande
aumento na taxa de desemprego, como pode ser observado na Figura 6. Esta crise foi
desencadeada por uma série de choques na oferta e demanda. Barbosa Filho (2017) destaca os
choques ocasionados por equívocos de política econômica, principalmente no período da Nova
Matriz Econômica (NME). O autor divide os choques na demanda em 3 grupos: (i) esgotamento
da NME; (ii) insustentabilidade da dívida pública em 2015; e (iii) política monetária
contracionista para controlar a inflação.
Figura 6 – Taxa de desemprego no Brasil – 2012 a 2019
Fonte: PNAD (2019).
44
O conjunto de políticas da NME provocou uma redução da produtividade da economia
nacional, assim como de seu PIB. Devido aos efeitos contrários a intenção destas políticas, o
modelo logo se esgotou, gerando descontentamento político, econômico e social (BRESSER-
PEREIRA, 2013; OREIRO, 2015; SINGER, 2015; BARBOSA FILHO, 2017; BASTOS, 2017;
PERONDI, 2017).
Outros fatores que contribuíram para a recessão foram a crescente dívida pública e os
controles de inflação. Há décadas que a inflação foi um fator de difícil controle para a economia
brasileira. Nos últimos anos ela manteve-se em nível elevado devido às políticas monetárias
contracionistas, elaboradas justamente para controlá-la. Este exato momento pode ser
observado na Figura 7, que demonstra o efeito de uma das políticas da NME, de redução da
taxa de juros (Selic) em um momento em que a inflação era crescente, fazendo com que esta
permanecesse em nível elevado.
Figura 7 – Evolução percentual da Selic e Inflação
Fonte: Adaptado de Barbosa Filho (2017).
Para Barbosa Filho (2017), a conjuntura política e econômica gerou um grande
aumento no risco da economia brasileira, elevando assim, a taxa de juros real de equilíbrio
doméstico. Neste momento, foi necessária uma intervenção do Banco Central para estabelecer
este controle, não como uma ação de medida monetária, mas como uma medida de prudência.
Além da dívida pública continuar crescendo fora de controle, a capacidade produtiva sofreu
uma forte redução no período da crise, iniciado em 2012, onde inclusive o setor primário sentiu
impacto. Consequentemente, se iniciou um processo de redução do número de empregos e de
estabelecimentos em todos os setores de atividade econômica.
45
Conforme PNAD, a partir do ano de 2017, foi possível observar melhoras no PIB e
nas taxas de emprego do Brasil. Uma das principais decisões tomadas para reduzir os efeitos da
crise foi a consolidação gradual da dívida. Para isto, foi adotado um teto para gastos e proposta
uma reforma da previdência, pois a previdência é considerada um dos grandes responsáveis
pela dívida do país (SENADO FEDERAL, 2019).
Tais ações foram medidas de primeiros socorros. Para afirmar que o país saiu da
recessão, ainda é necessário que ele volte a crescer vigorosamente, a taxas crescentes. Para
reduzir as taxas de desemprego, é importante compreender quais as formas mais eficientes de
integrar os indivíduos desempregados ao mercado de trabalho, tema que será abordado na seção
seguinte.
3.4 INTEGRAÇÃO NO MERCADO DE TRABALHO DIANTE DO DESEMPREGO E DA
INFORMALIDADE
O conceito de integração no mercado de trabalho aborda tanto o processo produtivo
quanto a incorporação dos trabalhadores ao mercado. A integração estuda a alocação e dos
trabalhadores no mercado analisando o emprego formal, informal, desemprego e retorno ao
emprego:
A noção de integração é apresentada tanto a nível do processo produtivo quanto do
mercado de trabalho. Do lado da produção, haveria uma expansão das atividades
modernas, com a multiplicação das relações intersetoriais, provocando uma
diminuição das disparidades setoriais e regionais, e um aumento generalizado da
produtividade. Como consequência, resultaria um mercado nacional de trabalho
assalariado (SABOIA, 1989, p. 144).
Por outro lado, o mesmo autor ressalta que considera a proposta de integração
excessivamente otimista, uma vez que ela sugere, implicitamente, que haverá incorporação de
todos os trabalhadores ao mercado de trabalho, formal ou informal, cedo ou tarde. Nesta
discussão, o emprego informal tem papel essencial como rota de escape do desemprego para a
mão de obra, especialmente em períodos de instabilidade econômica, quando muitos perdem
seu emprego.
Souza (1980) conceituou o trabalho formal e o informal em dois agrupamentos: um
com as formas de organização da produção sem assalariamento permanente (setor informal) e
outro com as “quase-empresas capitalistas” (setor formal). No Brasil, o emprego formal é
definido pela posse de carteira assinada e por cargos públicos. A definição do emprego
informal, por outro lado, não é tão simples. O levantamento da literatura disponível consolidou
46
a heterogeneidade como uma característica do emprego informal, em termos de qualidade,
rendimentos e outros. No entanto, o setor formal também é heterogêneo, visto que abrange tanto
microempresários, cargos de baixa qualificação e baixos salários, assim como empresários de
gigantes multinacionais.
A atribuição da característica da heterogeneidade ao setor informal foi um grande
avanço que permitiu a superação da antiga imagem que associava a informalidade à pobreza ou
à baixa qualidade de serviços e produtos. Após esse passo, o setor informal passou a ser visto
como setor dinâmico, que não se prende a serviços e produção de baixa qualidade ou a técnicas
tradicionais, mas visa atender mercados menores e, em alguns casos, especializados (SABOIA,
1989). Cacciamali (1988) complementa, salientando a importância de abordar os aspectos
dinâmicos do setor informal.
[...] os aspectos dinâmicos das relações na produção e de uma definição para o Setor
Informal a partir das relações de trabalho na produção – capitalista vs. não assalariados
– são de muita valia, pois permitem acompanhar a expansão, as transformações, a
configuração e a qualidade dos empregos no mercado de trabalho formal – em moldes
tipicamente capitalistas – e, o que é mais importante, a qualidade no processo de
crescimento econômico no que se refere aos empregados gerados (CACCIAMALI,
1988, p. 167).
Amaral e Quintin (2006) listam três características dos setores formal e informal de
trabalho: (i) em países em desenvolvimento, o setor informal costuma estar bastante presente,
representando mais de um terço do emprego total; (ii) a diferença de ganhos e das características
dos trabalhadores varia conforme seus setores de atuação em que os trabalhadores formais
tendem a ser mais velhos, ter maior nível de escolaridade e ganhar mais do que trabalhadores
informais; (iii) empregadores regulamentados tendem a ser maiores financeiramente do que
empregadores informais.
Em contraponto, o estudo de Cacciamali (1988) defende que há atividades informais
em que a renda média foi mais alta do que a renda dos ocupados em atividades semelhantes do
setor formal. Pode-se atribuir parte deste fenômeno à não contribuição com as tributações,
somado a existência de uma parcela relativamente grande da força de trabalho que vive fora do
sistema de previdência social, seja por escolha própria ou por falta de opção.
O setor informal tem seu potencial de crescimento reforçado em momentos de
instabilidade econômica, principalmente se estiver integrado ao restante da economia. Segundo
Tokman (1978), esse setor se comporta como um exportador ou criador de todos os tipos de
produtos, principalmente de serviços. Portanto, as relações de troca entre o setor informal e o
formal podem ser complexas e/ou complementares. Para Saboia (1989), essas relações são,
47
predominantemente, do setor informal articulado e subordinado ao setor formal.
Em períodos de recessão, o nível de emprego e desemprego são fortemente
influenciados pelas mudanças macroeconômicas, considera-se que acompanham os ciclos
econômicos mundiais, nacionais e regionais como parte das consequências de determinadas
ações. Bosch e Maloney (2008, p. 4) caracterizam o emprego informal como anticíclico e o
emprego formal como pró-cíclico: “a expansão (contração) do setor informal (formal) não se
deve ao aumento da perda de mão de obra do setor formal durante as recessões, mas à falta de
acesso ao emprego formal em recessões”.
Os trabalhadores são a essência do trabalho no contexto dos fatores de produção,
portanto fica claro que têm a característica da mobilidade, podendo alterar de emprego
intersetorialmente e/ou espacialmente (BARROS, 2008; HANINK, 2016). A maior diferença
dos custos destas movimentações no mercado de trabalho consiste na motivação que levou a
efetivação de cada ajuste feito pela mão de obra. Em momentos de recessão, há maior número
de perda de emprego e indivíduos se veem obrigados a mudar até mesmo de setor para obterem
renda, por vezes uma renda menor do que recebiam anteriormente. Em períodos de expansão,
há maior ocorrência de mudanças espontâneas em busca de oportunidades de maiores rendas,
para administrar o próprio empreendimento entre outras motivações.
Todavia, a movimentação no espaço ou de atividade econômica no mercado de
trabalho devem ser estudados em um contexto dinâmico, pois ambos levam tempo para se
consolidar. Na literatura, as flutuações do nível de emprego e desemprego são amplamente
associadas a dois fatores independentes: o desemprego cíclico e o estrutural.
Karanassou e Snower (1998), no mesmo sentido de Bosch e Maloney (2008),
consideram que o desemprego cíclico (ou conjuntural) é caracterizado pela alta frequência de
desemprego, podendo ocorrer devido a erros de cálculo dos salários, ou ainda a substituições
intertemporais13. O desemprego estrutural é caracterizado por baixa frequência de
movimentação, podendo ainda ser identificados como mudanças na Taxa Natural (ou estrutural)
de Desemprego (TND).
Tais movimentações durante períodos de alto desemprego são vistos como resultado
da interação entre os choques no mercado de trabalho e uma estrutura de ajustes defasados.
Neste contexto, pode-se atribuir tais efeitos à teoria de reação em cadeia do desemprego.
Conforme Karanassou e Snower (1998), as teorias da taxa natural (ou estrutural) de desemprego
13 Esta teoria defende que o indivíduo se concentra em atividades de trabalho em anos de alto salário e em
atividades de lazer em anos de baixo salário.
48
e da reação em cadeia têm focos políticos distintos. A TND se baseia em políticas que afetam
a estrutura do mercado de trabalho no longo prazo. Essa hipótese é amplamente aceita na
literatura, o que faz com que o desemprego cíclico seja analisado em alguns trabalhos como um
desvio da uma taxa natural relativamente estável.
A teoria da reação em cadeia se concentra em políticas que afetam os processos de
ajustes defasados, de modo a tornar o mercado de trabalho mais resistente após os choques.
Essas políticas podem também afetar a TND, mas a influência é distinta de seus efeitos nos
processos de ajustes, afinal cada choque provoca uma reação em cadeia, levando o desemprego
de uma região defasada a outra, se estendendo, assim, do presente para um futuro distante
(LILIEN, 1982; KARANASSOU; SNOWER, 1998). Na literatura levantada, essa teoria é
associada a choques socioeconômicos.
Os fatores agregados ou regionais são abordados na vertente do desemprego cíclico.
Estudos demonstram que há regiões de diferentes partes do mundo onde: (i) o desemprego dos
estados/províncias é afetado pelo desemprego nacional; e (ii) outras regiões onde há diferenças
estruturais entre as taxas de desemprego dos diferentes estados/províncias. Como exemplo do
primeiro caso, pode-se citar o trabalho de Altonji e Ham (1990), que investigam como os
choques agregados (nos Estados Unidos e Canadá) e desagregados atuam na variação do
crescimento do emprego nos níveis nacional, regional e industrial nas províncias do Canadá.
Como exemplo de regiões com diferentes comportamentos do emprego entre
diferentes estados/províncias em um mesmo país, pode-se citar os trabalhos de Gordon (1985),
Byers (1990) e Martin (1997) que investigam a sensibilidade cíclica, dinâmica e diferenciais do
desemprego no Reino Unido. O trabalho de Davis e Haltiwanger (1999) investiga a
movimentação cíclica do emprego e realocação nos Estados Unidos. O trabalho de Dixon,
Shepherd e Thomson (2001) consiste em uma análise de co-integração entre as taxas de
desemprego dos estados australianos e sua relação com a taxa natural de desemprego,
encontrando uma relação negativa entre os dois.
O conceito de flexibilidade alocativa complementa as noções de integração do
mercado de trabalho, bem como a discussão do desemprego gerado (ou agravado) por efeitos
de um choque e suas consequências na economia. Este será o tema abordado no próximo tópico.
3.5 FLEXIBILIDADE ALOCATIVA
O mercado de trabalho é constantemente influenciado por diversas variáveis que
implicam em consequências positivas ou negativas na economia. Quando estas consequências
49
atingem severamente a economia, elas passam a influenciar o mercado de trabalho. A literatura
nomeia estas fortes consequências como choques. Diante de choques negativos que incidem
sobre a demanda agregada, um dos sintomas é o aumento do desemprego.
O mercado de trabalho, por sua vez, influencia o comportamento dos trabalhadores,
que respondem conforme suas particularidades individuais e às particularidades dos mercados
em que estão inseridos (BEHRMAN, 1999; LEMOS et al., 2003; STADUTO; SCHIO, 2010).
Diante de um choque na economia, há duas formas do mercado de trabalho se ajustar: via
alteração dos níveis salariais ou pela realocação da mão de obra entre os subsetores. O melhor
ajuste dependerá da natureza do choque, conforme Barros et al. (1997) explicam:
Suponha uma economia em perfeito equilíbrio onde a alocação setorial da mão de
obra é tal que o salário é inicialmente o mesmo em todos os setores. No caso de um
choque agregado, como todos os subsetores são afetados de forma idêntica, a
realocação da mão de obra tem um papel bastante limitado para eliminar os
desequilíbrios do mercado. Nesse caso, a variável importante no ajuste será o nível
salarial. [...] Caso haja flexibilidade salarial, mas a elasticidade da demanda com
relação ao salário varie entre os diversos subsetores do mercado, para que haja uma
queda uniforme nos salários será necessária alguma realocação da força de trabalho,
com trabalhadores se transferindo dos subsetores onde a demanda é menos elástica
para aqueles onde ela é mais elástica. [...] Caso não haja perfeita flexibilidade
alocativa, haverá quedas salariais diferenciadas nos diversos subsetores, levando ao
surgimento de diferenças de salário e, portanto, de produtividade entre trabalhadores
igualmente produtivos, evidenciando a incapacidade do mercado de trabalho de se
ajustar completamente (BARROS et al., 1997, p. 1).
Para Amadeo et al. (1993), flexibilidade alocativa é a capacidade do mercado de
trabalho de alocar a mão de obra de modo eficiente, mantendo a produtividade marginal do
trabalho constante em todas as atividades, podendo ser caracterizada ainda pela ausência de
segmentação. Por essa perspectiva, a flexibilidade pode ser vista como indício da existência de
barreiras à mobilidade da mão de obra, como aumento de desemprego e do grau de
informalidade, ou ainda, mudanças na composição setorial da ocupação.
A capacidade e velocidade de ajustamento do mercado de trabalho dependem do seu
grau de flexibilidade alocativa, da abrangência e dimensão do choque, do grau de
descasamento14 e também das características dos indivíduos e dos subsetores de atividade
econômica que compõe o mercado de trabalho (BARROS et al., 1997; SILVA; MONSUETO;
PORSSE, 2015).
Segundo Barros e Mendonça (1997), o grau de ajustamento do mercado de trabalho é
considerado um parâmetro essencial no desempenho econômico das regiões. A análise dos
14 Número de pessoas que estavam desempregadas ou perderam o emprego no período da crise e não foram
realocadas no mercado de trabalho (JACKMAN; LAYARD; SAVOURI, 1990; BARROS et al., 1997).
50
níveis de flexibilidade do mercado exige cautela, pois não necessariamente níveis altos de
flexibilidade são sempre favoráveis. Tanto níveis excessivamente altos quanto excessivamente
baixos podem ser prejudiciais ao crescimento e desenvolvimento econômico.
Quando a economia sofre impactos negativos de um choque, é fundamental que o
mercado de trabalho apresente níveis mais altos de flexibilidade para se recuperar (OECD,
2002; MACHADO, 2011). Caso contrário, levará mais tempo para os indivíduos que perderam
emprego serem integrados ao mercado de trabalho, haverá aumento do desemprego e as
condições para o desenvolvimento local tendem a serem prejudicadas (BARROS;
MENDONÇA, 1997).
Conforme Amadeo (1992a, 1992b), nos anos 1980 houve alta taxa de desemprego na
Europa, o que incentivou diversos estudos a investigar a situação. Houve consenso que o
desemprego no período foi tipicamente clássico. Os salários passaram a aumentar mais do que
a produtividade das pessoas, somado ao fato que o lucro das empresas impedia que um número
maior de trabalhadores fosse empregado.
De acordo com Brodsky (1994), desde os anos 1960 a OECD enfatiza a relevância da
flexibilidade do mercado de trabalho para o crescimento econômico e a criação de novos postos
de trabalho. Em 1977, a OECD direcionou governos a eliminarem as restrições e rigidez do
mercado de trabalho, estruturas salariais incoerentes e rígidas, discriminação contra grupos
sociais e a capacitação inadequada dos trabalhadores em relação às vagas disponíveis.
O ajustamento do mercado por níveis salariais é abordado em vários trabalhos. Um
dos estudos que se destacou na literatura foi de Blanchflower e Oswald (1990), cuja
metodologia foi replicada em estudos para outras regiões. Os autores estimaram um modelo
econométrico de curva de salário para os Estados Unidos e Reino Unido, obtendo uma curva
de salário bem definida, em que a taxa de desemprego (com salário igual a zero) variou de 9 a
15% da população.
Entre os trabalhos que utilizam a abordagem da flexibilidade salarial para o Brasil, o
grau de flexibilidade salarial se mostrou bastante elevado, comparável aos resultados de países
desenvolvidos ou ainda mais elevado do que estes. Como exemplo de estudos que analisam a
flexibilidade salarial no Brasil, pode-se citar os estudos de Savedoff (1990), Amadeo (1992a,
1992b), Urani (1996), Barros et al. (1997), Silva (2014) e Silva, Monsueto e Porsse (2015).
Quanto aos estudos com ênfase na alocação de mão de obra, pode-se citar os trabalhos
de Jackman, Layard e Savouri (1990), Barros et al. (1997), Reis e Gonzaga (2000), Staduto e
Schio (2010) e Gonçalves et al. (2019). Como esta foi a abordagem a utilizada no presente
estudo, estes trabalhos serão brevemente descritos.
51
Jackman, Layard e Savouri (1990) desenvolvem uma ampla análise do mercado de
trabalho, abrangendo a estrutura de desemprego de diversos países, com destaque para a
Inglaterra. Os autores elaboram as análises em função do desemprego e sua relação com o
descasamento de vagas de emprego disponíveis, assim como os salários por setores e sua
relação com a mobilidade de emprego. Eles ainda elaboraram os métodos e índices para analisar
todos estes pontos abordados. Um dos principais resultados do estudo foi que há grande
disparidade entre as taxas de desemprego de diferentes ocupações, regiões, raças e grupos de
idade.
Barros et al. (1997) enfatizam a influência dos choques agregados e idiossincráticos
no mercado de trabalho utilizando os índices de flexibilidade, de turbulência e de descasamento
para a análise do Brasil em comparação com diversos países. O principal resultado revela que
o grau de turbulência setorial no Brasil é tão alto quanto em países desenvolvidos, argumento
que coincide com as análises de abordagem salarial.
Reis e Gonzaga (2000) também utilizaram o índice de turbulência para medir os efeitos
dos choques no mercado de trabalho, a partir do emprego setorial no Brasil. Os autores
aprofundam a análise com o índice de dispersão do emprego setorial (variância), observando o
desemprego dessazonalizado. Os principais resultados mostram que a economia brasileira
passou por várias alterações estruturais importantes, as quais impactaram no emprego do
período analisado (1983 a 1997). A decomposição da variância demonstrou que cerca de 40%
das flutuações da taxa de desemprego foram geradas por choques setoriais.
Staduto e Schio (2010) seguem a metodologia do índice de turbulência, de
descasamento e de flexibilidade alocativa para as regiões metropolitanas e não metropolitanas
do Brasil, nos anos de 1992 a 2006. A pesquisa foi motivada pelas grandes alterações no cenário
econômico do país, de recente processo de industrialização no país, trocas de moeda e
estabilização com o real. Como principais resultados foi observado que as regiões
metropolitanas, devido à sua diversidade produtiva, propiciaram melhores condições de
ajustamento do mercado de trabalho. Já nas regiões não metropolitanas, observou-se o oposto,
inclusive em relação ao desenvolvimento rural, mais presente nessas regiões.
Gonçalves et al. (2019) investigaram o grau de especialização e/ou diversificação
industrial e o crescimento de emprego local no território nacional para o período de 1995 a
2014, por meio dos efeitos de transbordamento. A metodologia utilizada foi painel de dados
espacial, e os principais resultados foram que grupos setoriais de menor nível tecnológico geram
transbordamentos para diversos outros grupos industriais, enquanto isso foi menos frequente
52
em grupos de alta tecnologia. Setores agrupados por intensidade tecnológica influenciam o
desempenho de grupos desagregados de indústrias no território.
Após uma breve descrição da trajetória histórica e revisão empírica do mercado de
trabalho brasileiro, este capítulo apresentou formas que o mercado de trabalho reage a grandes
choques na economia, assim como contemplou temas fundamentais para o ajustamento do
mercado de trabalho diante destes choques, como o processo de desemprego, informalidade e
integração no mercado de trabalho. Por fim, o capítulo se encerra ao demonstrar a importância
da flexibilidade alocativa da mão de obra para recuperação dos níveis de emprego. O capítulo
seguinte apresenta as metodologias utilizadas nas análises do presente estudo.
53
4 METODOLOGIA
Este capítulo está segmentado em duas seções. A primeira seção aborda o índice de
turbulência e a segunda aborda outras duas metodologias utilizadas, a AEDE e o painel de dados
espacial (e a-espacial), pois ambas compõem a econometria espacial. Juntas, as três
metodologias respondem, respectivamente, aos três objetivos específicos da pesquisa,
conforme Figura 8.
Figura 8 – Organograma dos objetivos específicos e respectivas metodologias
Fonte: Elaborado pela autora, 2019.
Este estudo tem natureza quantitativa e descritiva, pois calcula índices para descrever
os fenômenos do mercado de trabalho. A partir do índice de turbulência, atende-se o objetivo
geral desta pesquisa, de analisar os ajustamentos alocativos no mercado de trabalho dos
municípios brasileiros no período de 2012 a 2017, com o auxílio da econometria espacial como
principal ferramenta metodológica.
Primeiramente foram analisados os ajustes alocativos do mercado de trabalho por meio
do índice de turbulência. Este índice capta, essencialmente, medidas de variação da estrutura
(intersetorial e interregional) do emprego em um intervalo de dois instantes no tempo. Portanto,
esse índice demonstra quais setores de atividade econômica e quais regiões sofreram maiores
flexibilizações ao longo do tempo. A importância do estudo dos ajustamentos no mercado de
trabalho contribui para a discussão das dinâmicas regionais, dinâmicas das economias de
aglomeração, assim como contribui para a identificação de clusters de autocorrelação de
mercado de trabalho por setor de atividade econômica.
Objetivo específco a)
Analisar os municípios que apresentaram os maiores
volumes de ajustamentos no mercado de trabalho
MÉTODO:Índice de Turbulência
Objetivo específico b)
Analisar os setores e os clusters de autocorrelação de ajustamentos
regionais do mercado de trabalho
MÉTODO:AEDE
Objetivo específico c)
Analisar características regionais que se correlacionam com os ajustamentos alocativos
do mercado de trabalho
MÉTODO:Painel de dados
convencional e espacial
54
O segundo tópico apresenta a metodologia da econometria espacial e suas principais
diferenças em relação à econometria convencional. Dentre as ferramentas disponíveis na
econometria espacial, foram utilizados a Análise Exploratória de Dados Espaciais (AEDE) e o
painel de dados convencional e com dependência espacial, assim como os dados utilizados no
modelo estocástico e assintótico de painel.
O índice de turbulência dos municípios brasileiros, nos anos 2012 a 2017 foi
examinado pela AEDE, utilizando-se o Índice de Moran Global e Local, assim como o mapa
de clusters de autocorrelação. Esse procedimento possibilita a análise da espacialização e
regionalização do mercado de trabalho, contemplando os transbordamentos da variável
analisada (índice de turbulência). Logo, por meio destas, foi possível detectar quais setores
foram mais dinâmicos e em quais regiões os ajustamentos alocativos do mercado foram mais
concentrados.
Em terceiro, após identificação de espacialidade no modelo, foi utilizada a
econometria espacial no formato de painel de dados convencional (a-espacial) e com
dependência espacial. O índice de turbulência foi a variável endógena do modelo econométrico
e as variáveis exógenas são vetores que refletem particularidades regionais. Com este exercício
foi possível identificar quais fatores contribuíram para a flexibilização do mercado de trabalho,
logo, para seu ajustamento regional.
A econometria espacial foi a metodologia selecionada para a análise por disponibilizar
ferramentas fundamentais na identificação de clusters de autocorrelação espacial, como a
Análise Exploratória de Dados Espaciais (AEDE). Este método permite a identificação dos
efeitos espaciais das variáveis de interesse, assim como o grau de autocorrelação em seus efeitos
de transbordamento no espaço.
A interação social entre regiões tem caráter espacial. Conforme Anselin (2003a), tais
compreensões de interações espaciais, externalidades, efeitos de transbordamento e localização
expressam o contexto da espacialidade de modo mais realista. Almeida (2012) explica que estas
interações são tratadas como dependência espacial na econometria espacial.
Visto isto, primeiramente foi necessário estimar o índice de turbulência para a
identificação dos níveis de ajustamentos alocativos (turbulência) no mercado de trabalho
brasileiro diante da crise de 2014. A partir desta análise, foi utilizado o I de Moran para
identificar a presença ou ausência de padrões nos ajustamentos no mercado de trabalho durante
o período da crise, cujo caracterizou presença de autocorrelação espacial do índice de
turbulência. Após confirmação da dependência espacial, índice de turbulência foi definido
como variável dependente do modelo de painel de dados. Estimou-se o modelo econométrico
55
a-espacial e espacial de melhor ajuste para conjunto de dados selecionado, com o objetivo de
determinar os efeitos de causalidade dos padrões de comportamento do mercado de trabalho.
4.1 ÍNDICE DE TURBULÊNCIA
Em vista de responder ao primeiro objetivo específico da pesquisa: “analisar os
municípios que apresentaram os maiores volumes de ajustamentos alocativos no mercado de
trabalho, diante da crise econômica de 2014”, utilizou-se o índice de turbulência (TURB) como
metodologia. Este índice tem por aplicabilidade medir a intensidade de choques idiossincráticos
na estrutura do mercado de trabalho, de modo a representar a fração dos trabalhadores a ser
realocada no final do período.
O índice de turbulência capta, essencialmente, medidas de ajustamento – setoriais,
ocupacionais, interregionais, mercado agregado e afins – na base de empregos num intervalo
de dois instantes no tempo, e apresenta valores a partir de 0 (zero). No presente estudo, o choque
a ser estimado é a crise econômica brasileira de 2014. Deste modo, a formalização do índice de
turbulência geral para cada município pode ser representada pela Equação 1, em que, 𝑝𝑚𝑖 𝑡 =
(𝐸𝑚𝑖 𝑡/𝐸𝐵𝑡) ∙ 1000:
𝑇𝑈𝑅𝐵𝑖 = ∑ |𝑝𝑚𝑖 𝑡1 − 𝑝𝑚𝑖 𝑡0|
𝑚𝑖
𝐸𝑖𝑠𝑒=1
(1)
TURBi = índice de turbulência no município i;
mi = subsetores de cada grande setor no município i;
𝐸𝑖𝑠𝑒= emprego no grande setor se no município i;
𝐸𝐵 = total de emprego formal no Brasil;
t0 = período inicial;
t1 = período final;
pmi t = proporção de trabalhadores em cada subsetor, por município, em relação ao
total de trabalhadores do Brasil (EB).
O mesmo cálculo sem o somatório dos grandes setores permite mensurar o índice de
turbulência em cada grande setor de atividade em cada município, conforme Equação 2, sujeito
as mesmas, 𝑝𝑚𝑖 𝑡 = (𝐸𝑚𝑖 𝑡/𝐸𝐵𝑡) ∙ 1000:
56
𝑇𝑈𝑅𝐵𝑖𝑠𝑒 = ∑|𝑝𝑚𝑖 𝑡1 − 𝑝𝑚𝑖 𝑡0|
𝑚𝑖
(2)
TURBise = índice de turbulência de cada grande setor se no município i;
mi = subsetores de cada grande setor no mercado de trabalho do município i;
𝐸𝐵 = total de emprego formal no Brasil;
t0 = período inicial;
t1 = período final;
pmi t = proporção de trabalhadores em cada subsetor, no município i, em relação ao
total de trabalhadores do Brasil (EB).
A variável utilizada na mensuração dos índices de turbulência foi o número absoluto
de empregos formais por vínculo, do banco de dados da Relação Anual de Informações Sociais
(RAIS) para os anos de 2012 a 2017. Utilizou-se apenas os valores de empregos formais em
razão da disponibilidade de dados. O período de 2012 a 2017 foi selecionado para captar os
efeitos da crise econômica brasileira, que conforme Barbosa Filho (2017) e Perondi (2017), os
primeiros sintomas da crise foram iniciados em 2012, enquanto o último o ano da análise foi
determinado pela disponibilidade da RAIS (2019), portanto, 2017.
Este índice capta a intensidade do fenômeno de realocação no espaço (ajustamento
alocativo espacial), seja dentro do mesmo setor de atuação ou em outros setores do mercado de
trabalho. No entanto, trocas de posição de indivíduos não são captadas, pois a distribuição
destes eventos se mantém anulados.
Para captar os ajustamentos ocorridos em cada município, utilizou-se o valor absoluto
de empregos. Devido à influência dos grandes polos econômicos na economia e no mercado de
trabalho, foi mantido o efeito escala do tamanho dos municípios para realização dos cálculos.
O índice de turbulência foi analisado em conjunto com o saldo de empregos nas
análises dos maiores índices de turbulência, para confirmar se os efeitos de turbulência foram
positivos ou negativos nas localizações. O saldo foi adotado para substituir o índice de
descasamento, sugerido por Barros et al. (1997) e Silva, Monsueto e Porsse (2015), uma vez
que para calcular este índice são necessários os dados de desemprego, cujos não estão
disponíveis a nível municipal para todo o Brasil.
57
4.1.1 Dados para o índice de turbulência
Para a mensuração do índice de turbulência foram utilizados os dados de emprego
formal por vínculo, do banco de dados do Ministério do Trabalho e Emprego (MTE) obtidos
pela Relação Anual de Informações Sociais (RAIS). Foram selecionados os 25 subsetores de
atividade econômica (formais) segundo divisão do Instituto Brasileiro de Geografia e Estatística
(IBGE), posteriormente agregados em quatro setores: (i) indústria, (ii) comércio e serviços
(C&S), (iii) administração pública e (iv) agropecuária, conforme divisão em Quadro 1.
Na realização do cálculo do índice de turbulência, primeiramente utilizou-se a
proporção dos 25 subsetores para calcular um índice de turbulência para cada um dos 4 setores
e, um quinto índice para a totalidade do mercado de trabalho. Essa foi a formatação que
demonstrou maiores valores nos testes de I de Moran, descritos na sequência.
Quadro 1 – Composição dos setores de atividade econômica SETOR DA INDÚSTRIA SETOR DO COMÉRCIO E SERVIÇOS
1- Extração de minerais; 2- indústria de produtos minerais
não metálicos; 3- indústria metalúrgica; 4- indústria
mecânica; 5- indústria do material elétrico e de
comunicações; 6- indústria do material de transporte; 7-
indústria da madeira e do mobiliário; 8-indústria do papel,
papelão, editorial e gráfica; 9- indústria da borracha, do
fumo, de couros, peles e produtos similares e indústria
diversa; 10- indústria química, de produtos farmacêuticos,
veterinários, de perfumaria, sabões, velas e matérias
plásticas (indústria química); 11- indústria têxtil, do
vestuário e artefatos de tecidos (indústria têxtil); 12 -
indústria de calçados; 13- indústria de produtos
alimentícios, de bebida e álcool etílico (indústria de
alimentos e bebidas).
14- Serviços industriais de utilidade pública
(SIUP); 15- construção civil; 16- comércio
varejista; 17- comércio atacadista; 18- instituições
de crédito, seguros e de capitalização; 19-
administradoras de imóveis, valores mobiliários,
serviços técnicos profissionais, auxiliar de
atividade econômica (serviços mobiliários e
atividade econômica); 20- transporte e
comunicações; 21- serviços de alojamento,
alimentação, reparo, manutenção, radiodifusão e
televisão; 22- serviços médicos, odontológicos e
veterinários (serviços médicos); 23- ensino.
SETOR DA ADMINISTRAÇÃO PÚBLICA SETOR DA AGROPECUÁRIA
24- Administração pública direta e indireta. 25- Agropecuária – agregado das atividades
agricultura, silvicultura, criação de animais,
extração vegetal e pesca.
Fonte: Elaborado pela autora.
A partir do índice de turbulência, utilizou-se a econometria espacial para configurar
quais regiões brasileiras sofreram os maiores efeitos alocativos diante da crise de 2014 e como
o mercado de trabalho se ajustou até o ano de 2017.
58
4.2 ECONOMETRIA ESPACIAL
Para responder ao segundo objetivo específico de analisar os setores e os clusters de
autocorrelação de ajustamentos regionais do mercado de trabalho, utilizou-se uma ferramenta
da econometria espacial, a Análise Exploratória de Dados Espaciais (AEDE), com o I de Moran
global e local. Na sequência, aprofunda-se as análises por meio da econometria espacial, com
painel de dados para responder ao terceiro e último objetivo específico. Utiliza-se uma
regressão econométrica em painel de dados, primeiramente a-espacial (convencional) e depois
com dependência espacial para analisar características regionais que se correlacionam com os
ajustamentos alocativos do mercado de trabalho.
Em resumo, as técnicas utilizadas para responder a estes objetivos específicos foram
realizadas em 5 etapas: i) análise de autocorrelação espacial, pelo cálculo de I de Moran; ii)
escolha da matriz de ponderação espacial; iii) estimação dos dados em painel a-espacial para
determinar o melhor estimador (mínimos quadrados ordinários, efeito aleatório ou efeito fixo);
iv) estimação dos modelos espaciais para painel; e v) escolha do modelo espacial com melhor
ajuste, pelos critérios Akaike e Bayesiano.
Para verificar se a natureza da análise é espacial ou a-espacial, realizou-se a AEDE,
pelo cálculo do I de Moran, que informa a presença ou ausência de transbordamento espacial
das variáveis e auxilia na definição da matriz de ponderação mais adequada ao modelo
econométrico. Segundo Anselin (1988 e 2013), uma série de dados espaciais é caracterizada
pela dependência e heterogeneidade espacial, ou seja, por autocorrelação espacial. Como tais
efeitos de autocorrelação e transbordamento não são captados pela econometria convencional,
a econometria espacial surgiu para atender esta demanda.
Em concordância com Anselin (1988 e 2013), LeSage (1998) e Almeida (2012)
apontam que a dependência espacial e a heterogeneidade espacial são os pontos que separam a
econometria convencional da espacial. Na presença destes efeitos espaciais, alguns
pressupostos de Gauss-Markov são violados, sendo assim inviabilizada a utilização da
regressão pelo modelo clássico de regressão linear (MCRL). Logo deixa de ser o melhor
estimador linear não tendencioso (MELNT) na econometria espacial.
Dentre os pressupostos do modelo Gauss-Markov e dos modelos clássicos de regressão
que são violados a partir da presença dos efeitos espaciais, Almeida (2012) aponta os seguintes:
(i) Linearidade dos parâmetros: A linearidade se mantém contínua no modelo clássico
de regressão linear na presença da espacialidade. No entanto, o modelo linear pode
ter sua especificação alterada na presença de heterogeneidade, de modo que os
59
coeficientes sejam variáveis conforme a localização do fenômeno em estudo. Dessa
forma, os coeficientes são capazes de compreender respostas mais localizadas e não
uma resposta média independente de fenômenos localizados.
(ii) Não colinearidade perfeita: Essa hipótese continua válida em modelos
econométrico-espaciais. Ainda que o modelo não apresente colinearidade perfeita,
a multicolinearidade imperfeita entre as variáveis pode ser um problema crítico ao
trabalhar com dados espaciais. Isso pode acontecer por omissão de variáveis
relevantes (modelo com poucas observações) ou pela inserção da defasagem
espacial nas variáveis respostas, o que pode aumentar os erros padrão e ofuscar a
inferência estatística, invalidando os resultados se não for corrigido.
(iii) Média condicional zero: No MCRL com dados espaciais, pressupõe-se que o termo
erro da região i não esteja correlacionado com as variáveis explicativas da mesma
região. Na econometria espacial, essa hipótese pode ser infringida de várias formas:
omissão de variável defasada espacialmente relevante; tratamento inadequado da
endogeneidade espacial; escolha inadequada da matriz de ponderação espacial;
especificação do nível hierárquico inconveniente ao fenômeno estudado; entre
outros que podem enviesar o estimador MQO.
(iv) Homocedasticidade: É comum obter variância inconstante em modelos de
regressão cross section. Com dados espaciais é ainda mais provável que isso ocorra
devido a relação da dependência espacial e a heterogeneidade espacial. Ainda que
o termo erro seja homocedástico, a dependência espacial pode influenciar para que
haja heterocedasticidade.
(v) Independência dos erros: Essa hipótese tem por função garantir a independência
entre as observações. Os dados espaciais são utilizados como a única realização de
um processo estocástico gerador desses dados representados em um mapa.
Costuma-se utilizar um conjunto de regularidades para se considerar estes dados de
um mapa obtido como representativos de vários mapas que poderiam ter sido
gerados pelo processo estocástico subjacente. Desse modo, o erro da região i, pode
estar correlacionado com o erro de uma região j. Em regressões espaciais, a
violação desta hipótese acarreta a ineficiência e pode acarretar inconsistência do
estimador de MQO.
(vi) Normalidade do erro: Essa premissa do modelo MCRL, importante para a
inferência estatística, considera que os erros têm distribuição normal com média
igual a zero e variância constante. Na econometria espacial essa premissa também
60
é muito importante, mas há casos em que é violada. Nestes casos, o modelo pode
ser corrigido pelo método das variáveis instrumentais.
Na AEDE, o teste da hipótese realizado pelo I de Moran verifica se os dados espaciais
estão distribuídos aleatoriamente. Se a hipótese for nula (verdadeira), assume-se que a variável
em análise em uma região não depende dos valores do mesmo atributo nas regiões vizinhas, ou,
em suma, que não há dependência espacial. Uma estatística de autocorrelação espacial é
composta por três itens: a medida de autocovariância, medida de variância dos dados e uma
matriz de ponderação (𝑊).
Portanto, a dependência espacial pode ser definida como uma correlação entre a
amostra de observações de uma determinada região i com as observações dos locais j.
Formalmente, esta relação pode ser expressa pela Equação 3:
𝑦𝑖 = 𝑓(𝑦𝑗 , 𝑋) (3)
em que, i pode assumir qualquer valor entre 1 e n, sendo j ≠ i. Deste modo é possível analisar a
dependência entre várias observações (LESAGE, 1998). Almeida (2012) demonstra que em
dados na forma de cross section essa autocorrelação espacial pode ser expressa pela matriz de
covariância, definida pela Equação 4:
𝐶𝑜𝑣(𝑦𝑖, 𝑦𝑗) = 𝐸(𝑦𝑖𝑦𝑗) + 𝐸(𝑦𝑖), 𝐸(𝑦𝑗) ≠ 0 (4)
sendo,
𝑦 = variável em análise, no caso deste estudo, o índice de Turbulência;
𝑦𝑖= variável da localização i;
𝑦𝑗= variável das localizações vizinhas;
𝐸 = esperança matemática.
A matriz de covariância gerada pela Equação 4 tem dimensão n por n, com n²-n
elementos de covariância, a quantidade de conjuntos a serem avaliados tornaria a estimação
inviável. Este problema é resolvido com uma matriz de ponderação espacial (W), que visa
refletir um determinado grau de interações a partir do fenômeno estudado. Estas matrizes são
baseadas na contiguidade, em que duas regiões serão consideradas vizinhas se tiverem alguma
fronteira física comum (ALMEIDA, 2012). Segue uma representação das matrizes de
contiguidade na Figura 9.
61
Figura 9 – Contiguidade das matrizes de correlação espacial
Fonte: Elaborado pela autora, baseado em Anselin (1988) e Almeida (2012).
A matriz binária de pesos espaciais (Wij) atribui valores de 0 (zero) se i e j não são
vizinhos, ou 1 (um) se i e j são vizinhos. Por convenção, um polígono não pode ser vizinho dele
mesmo, logo, Wii = 0. A contiguidade de uma matriz espacial pode ainda ser comparada à um
tabuleiro de xadrez, comparando regiões vizinhas com os movimentos das peças de xadrez
rainha, torre e bispo.
A convenção de contiguidade do tipo bispo (bishop), considera como vizinhos os
polígonos com fronteiras de vértices. No tipo torre (rook), a convenção de contiguidade limita-
se em suas arestas. A convenção do tipo rainha (queen) considera como vizinhos aqueles
polígonos que partilham de fronteiras em suas arestas e vértices.
Por fim, há ainda a convenção por k-vizinhos, que determina os vizinhos por
proximidade geográfica, sendo selecionados como vizinhos as k regiões mais próximas da
região i, que considera k um número constante de vizinhos para todas as localidades. Esta última
convenção também é binária e pode ser expressa conforme Equação 5:
𝑤𝑖𝑗(𝑘) = {1 𝑠𝑒 𝑑𝑖𝑗 ≤ 𝑑𝑖(𝑘)
0 𝑠𝑒 𝑑𝑖𝑗 > 𝑑𝑖(𝑘) (5)
Denota, 𝑑𝑖(𝑘) a distância limite considerada para a região i, a fim de que esta região
tenha exatamente k vizinhos. Esta convenção combate o desequilíbrio da conectividade de
uma matriz, garantindo que nenhuma região fique sem nenhum vizinho.
Para determinar qual matriz de ponderação melhor identifica o efeito de dependência
espacial é necessário, primeiramente, realizar uma análise exploratória de dados espaciais
(AEDE), ou, como afirmam Fotheringham, Brunsdon e Charlton (2002, p. 159) “Before any
62
sophisticated statistical analysis takes place, it is usually a good idea to carry out some initial
exploratory data analysis”15.
4.2.1 Análise exploratória de dados espaciais (AEDE)
A AEDE oferece um leque de técnicas para detectar distribuições espaciais, identificar
possíveis problemas com modelagem ou com análise estatística mais avançada, identificar
comportamentos espaciais atípicos (outliers espaciais), assim como identificar clusters de
autocorrelação espacial (ANSELIN, 1999, FOTHERINGHAM; BRUNSDON; CHARLTON,
2002; ALMEIDA, 2012). Uma análise essencial para a verificação de padrões de associação
espacial é a estatística de autocorrelação espacial de I de Moran.
A autocorrelação espacial global univariada, a partir valor mais alto do I de Moran
determina a matriz de ponderação espacial que mais capta os efeitos de correlação espacial da
variável de interesse. No presente estudo, a variável de interesse foi o índice de turbulência. O
cálculo de I de Moran global pode ser formalizado conforme Equação 6.
𝐼𝑖 = 𝑛
𝑆0
∑ ∑ 𝑊𝑖𝑗𝑍𝑖𝑍𝑗𝑗𝑖
∑ 𝑍𝑖2𝑛
𝑖=1
(6)
Em que,
𝑛 = número de regiões;
𝑍𝑖 e 𝑍𝑗 = as variáveis de interesse das regiões vizinhas i e j, respectivamente;
∑ 𝑊𝑖𝑗= soma da matriz de ponderação, baseado no princípio de aleatorização;
𝑆0 = matriz de ponderação espacial na linha, corresponde à operação ∑ ∑ 𝑊𝑖𝑗.
A estatística de I de Moran capta a autocorrelação espacial dos resíduos, bem como a
má especificação do modelo, heterocedasticidade e a ausência de normalidade nos resíduos. A
hipótese nula (𝐻0) a ser testada é da aleatoriedade espacial. O valor do I de Moran deve ser
igual seu valor esperado, de –[1/(n-1)], sendo que seu resultado varia num intervalo de -1 a 1,
em que 0 (zero) indica aleatoriedade espacial, valores próximos de 1 indicam forte
autocorrelação positiva, e valores abaixo de zero indicam autocorrelação negativa. O I de
Moran é validado desde que os resíduos tenham distribuição normal (ALMEIDA, 2012).
15 Tradução: “Antes que qualquer análise estatística sofisticada ocorra, geralmente é uma boa ideia realizar algumas
análises exploratórias iniciais dos dados”.
63
Outra abordagem para analisar o I de Moran global é o diagrama de dispersão de
Moran, que associa as relações espaciais da variável de interesse no eixo horizontal com a
defasagem espacial da variável de interesse no eixo vertical (ANSELIN, 1999; ALMEIDA,
2012).
O diagrama de dispersão calcula um valor de I de Moran para cada observação com
base na inclinação da reta de regressão linear simples entre os pontos observados, obtendo assim
n estatísticas de Moran e seus respectivos níveis de significância, em que cada ponto do
diagrama representa o valor da variável em uma região. O diagrama de dispersão estabelece
uma relação entre a defasagem espacial (𝑊𝑦) no eixo vertical e o valor da variável endógena
(y) em um plano cartesiano, em que cada variável representa um ponto no diagrama de
dispersão. A Figura 10, a seguir demonstra um exemplo do diagrama de dispersão que é parte
dos resultados deste estudo. No exemplo foi calculado o I de Moran para o setor da indústria,
no período de 2015 a 2016, cuja reta de autocorrelação global demonstra presença de
autocorrelação em 0.2960.
Figura 10 – Diagrama de dispersão de Moran
Fonte: Elaborado pela autora.
Para determinar a inclinação da reta de regressão do modelo, estima-se uma regressão
linear simples por mínimos quadrados ordinários (MQO), de tal modo que tenha média zero e
variância unitária, passando a ser representadas por z e 𝑊𝑧. Deste modo, o coeficiente I de
Moran pode ser interpretado como o coeficiente angular (β) da regressão de defasagem espacial
(𝑊𝑧), expressa formalmente na Equação 7 (ANSELIN, 1995 e 1999):
𝑊𝑧 = 𝛼 + 𝛽𝑧 + 휀 (7)
64
Sendo,
𝛼 = constante;
𝛽 = coeficiente angular; e
ε = termo erro aleatório.
Uma forma de verificar a significância estatística do I de Moran é a permutação
aleatória, a partir do gráfico de dispersão. Esse teste considera que o processo gerador de dados
espaciais é aleatório, e o padrão de dados observados é apenas uma de diversas opções de
realocações das n observações, nas n localidades. Todos os valores de uma variável são
permutados (embaralhados) aleatoriamente entre as n localidades, então a estatística do teste é
calculada para cada permutação, resultando em uma distribuição de referência empírica a partir
dos valores calculados em cada permutação aleatória (FOTHERINGHAM; BRUNSDON;
CHARLTON, 2002; CHASCO, 2003; ALMEIDA, 2012).
No presente estudo, foi feito o teste com 999 permutações, conforme exemplo na
Figura 11. A partir da estatística do teste, o valor do pseudo p-value permite rejeitar a hipótese
nula (aleatoriedade espacial) em um nível de significância de 0,001%. Outro teste para validar
I de Moran é o teste Z (I), correspondente a z-value na Figura 11, também exemplo extraído
dos resultados. Valores não significativos indicam que 𝐻0 não deve ser rejeitada, valores
significativos e positivos indicam autocorrelação espacial positiva, e valores significativos e
negativos indicam autocorrelação negativa (CHASCO, 2003; ALMEIDA, 2012).
Figura 11 – Teste de significância com 999 permutações
Fonte: Elaborado pela autora.
65
Segundo Almeida (2012), outra ferramenta para identificar a autocorrelação espacial
é o I de Moran local, por meio do mapa de clusters do tipo LISA (Local Indicator of Spatial
Association). O I de Moran local decompõe o indicador global de autocorrelação de acordo com
a contribuição local de cada observação e as classifica em seis categorias de associação espacial
estatisticamente significativas, sendo elas: clusters não significativos, Alto-Alto (AA), Baixo-
Baixo (BB), Baixo-Alto (B-A), Alto-Baixo (AB) e sem vizinhos (neighborless), sendo AA, BB,
B-A e BB correspondentes aos quatro quadrantes do diagrama de dispersão (Figura 10).
Estas classificações são determinadas pelos valores de I de Moran atribuídos a cada
unidade espacial e suas relações de dependência com as regiões de vizinhança. O efeito de
autocorrelação pode ser demonstrado espacialmente no mapa de clusters LISA, apresentado por
Anselin (1995), ou Autocorrelação Espacial Local Univariada. Na visão do autor, LISA pode
ser definida brevemente como:
[…] a local indicator of spatial association (LISA) is any statistic that satisfies the
following two requirements: a. the LISA for each observation gives an indication of
the extent of significant spatial clustering of similar values around that observation;
b. the sum of LISAs for all observations is proportional to a global indicator of spatial
association16 (ANSELIN, 1995, p. 94).
As matrizes de ponderação espacial captam a formação dos clusters de autocorrelação
e dependência espacial de uma variável de interesse em determinadas localidades, a partir de
comportamento semelhante da variável em regiões vizinhas. Estes padrões são caracterizados
pelas seis categorias de associação espacial estatisticamente significativas. Essa metodologia
foi utilizada no presente estudo para verificar os padrões, ou ausência da formação de clusters
de autocorrelação espacial do índice de turbulência (TURB) no mercado de trabalho para cada
período calculado, assim como da variável TURB para cada setor de atividade econômica.
4.2.2 Painel espacial
O presente estudo utiliza a metodologia de painel de dados espaciais para um modelo
assintótico. Um importante pressuposto do modelo de painel é que esse deve ser fortemente
balanceado17. Com base neste pressuposto, o estudo analisa uma cross-section com série
16 Tradução: “[…] Um indicador local de associação espacial (LISA) é qualquer estatística que satisfaça os dois
requisitos a seguir: a. o LISA para cada observação dá uma indicação da extensão do agrupamento espacial
significativo de valores semelhantes em torno dessa observação; b. a soma de LISAs para todas as observações
é proporcional a um indicador global de associação espacial”. 17 Todos as regiões devem apresentar dados para todas as variáveis e todos os períodos analisados, sem exceção.
66
temporal de 6 períodos (anos 2012 a 2017) para 5.563 municípios18 brasileiros, com 22
variáveis independentes, descritas no Quadro 2, e a variável dependente do modelo, o índice de
turbulência (TURB).
A metodologia de painel de dados se adequa a presente pesquisa, pois tais métodos
captam efeitos de externalidades dinâmicas das regiões, fundamentais para analisar o fenômeno
do ajustamento alocativo no mercado de trabalho, nos diversos setores de atividade econômica.
Tais externalidades, conforme Glaeser et al. (1992), Henderson (1997) e Gonçalves et al.
(2019) permitem explicar o desenvolvimento a partir do fluxo de pessoas, das inovações,
tecnologia e outros. Este método ainda permite captar a dinâmica de curto prazo do emprego
local, levando em consideração as particularidades da estrutura econômica regional.
O painel de dados é composto por mais informações ao levar em conta a dependência
espacial dos municípios. Um painel de dados com dependência espacial capta a
heterogeneidade das regiões não observável, manifestada nos parâmetros da regressão,
principalmente nos interceptos. Isto ocorre devido à influência que as variáveis não observadas
podem exercer nos interceptos e/ou no componente erro (ALMEIDA, 2012).
Outra vantagem de utilizar o painel de dados (espacial ou a-espacial) consiste em sua
maior variação, menor colinearidade entre as variáveis e na possibilidade da especificação de
modelos mais sofisticados, que compreendam hipóteses comportamentais mais complexas
(ELHORST, 2003; ALMEIDA, 2012). Tais como este estudo, que visa analisar a dependência
dos efeitos de externalidades regionais por meio dos ajustamentos no mercado de trabalho em
um período de instabilidade macroeconômica.
A elaboração do modelo de painel de dados foi realizada com o índice de turbulência
como variável dependente, ou seja, os deslocamentos no mercado de trabalho no período t. Com
base no referencial teórico e testes econométricos, as variáveis independentes do modelo de
regressão estão listadas no Quadro 2.
Ao trabalhar com um índice de baixos valores, foi necessário multiplicar o índice de
turbulência de todos os municípios igualmente por cem para ampliar a captação de seus efeitos.
Para manter a proporção, o mesmo foi realizado para as variáveis independentes, com exceção
das variáveis dummies e percentuais.
18 Foram retirados da amostra os municípios que não apresentaram dados para todos os anos da análise, sendo
estes: Mojuí dos Campos (PA), Marajá do Sena (MA), Guaribas (PI), Pescaria Brava (SC), Balneário Rincão
(SC), Lagoa Mirim (RS), Lagoa dos Patos (MG), Pinto Bandeira (RS) e Paraíso das Águas (MS).
67
Quadro 2 – Variáveis utilizadas no modelo econométrico Sigla Legenda Descrição resumida Referência
TURB • Índice de Turbulência
Ajustamentos alocativos da mão de obra
no mercado de trabalho em dois instantes
do tempo.
Barros e Mendonça (1997);
Barros et al. (1997).
POP1
POP2
POP3
• Dummy de população até
100.000 habitantes
• Dummy de 100.001 a
499.999 habitantes
• Dummy acima de
500.000 habitantes
Escala demográfica dos municípios.
Na correlação: potencial das escalas
demográficas para influenciar a
intensidade de TURB.
Motta e Mata (2008); Stamm
et al., (2013); Pinho e Brito
(2017).
IHH • Índice Hirschman-
Herfindahl ajustado
Diversificação ou concentração/
especialização produtiva local.
Na correlação: potencial das dinâmicas
de mercado de influenciar TURB.
Henderson, Kuncoro e Turner
(1995); Galinari et al. (2007);
Dalberto e Staduto (2013);
Oliveira (2014); Gotardo
(2016); Dalberto (2018).
CAIN
CACS
CAAP
CAAG
• Coeficiente de Atração
da Indústria
• Coeficiente de Atração
do Comércio e Serviços
• Coeficiente de Atração
da Administração Pública
• Coeficiente de Atração
da Agropecuária
Potencial de influência de cada setor no
mercado de regional.
Na correlação: potencial de
contribuição de cada setor para a
flexibilização do mercado de trabalho no
momento de turbulência econômica.
Geiger e Davisivich (1974);
Ferrera de Lima (2012).
ID17
ID29
ID64
ID65
• Idade de 10 a 17
• Idade de 18 a 29
• Idade de 30 a 64
• Idade a partir de 65
Faixas etárias dos indivíduos que
compõem o mercado de trabalho formal.
Na correlação: faixas etárias que mais/
menos participaram dos ajustamentos
alocativos no período.
Amaral e Quintin (2006);
Justesen (2008); Staduto e
Maldaner (2010); Corseuil et
al. (2013); Gonzaga e Pinto
(2014); Silva e Monsueto
(2012); Silva, Monsueto e
Porsse (2015); Dalberto
(2018).
MASC
FEM
• Percentual de
participação do sexo
masculino
• Percentual de
participação do sexo
feminino
Percentual de participação de cada sexo
no mercado de trabalho formal.
Na correlação: permite inferir o sexo
que mais/ menos participou dos
ajustamentos alocativos.
Arbache (2000); Segnini
(2000); Martini, Hermeto e
Jayme Jr. (2014); Staduto,
Joner e Schio (2010); Staduto
e Maldaner (2010); Silva e
Monsueto (2012); Staduto,
Nascimento e Souza (2013);
Dalberto (2018).
EANA
EFUN
EMED
ESUP
• Analfabeto ou sem título
de Ensino Fundamental
• Ensino Fundamental
Completo
• Ensino Médio Completo
• Ensino Superior
Completo
Faixas de escolaridade dos indivíduos
que compõem a mão de obra formal.
Na correlação: faixas de qualificação/
escolaridade que mais/ menos
participaram dos ajustamentos alocativos
no período.
Dolton e Kidd (1998);
Arbache (2000); Segnini
(2000); Souza Filho (2002);
Amaral e Quintin (2006); Silva
e Monsueto (2012); Staduto,
Nascimento e Souza (2013);
Silva, Monsueto e Porsse
(2015).
R1SM
R3SM
R7SM
RM7
• Renda até 1 Salário
Mínimo
• Renda de 1,01 a 3
Salários Mínimos
• Renda de 3,01 a 7
Salários Mínimos
• Renda maior que 7
Salários Mínimos
Faixas salariais dos indivíduos que
compõem o mercado de trabalho formal.
Na correlação: faixas salariais que mais/
menos participaram dos ajustamentos
alocativos no período.
Topel (1986); Cacciamali
(1988); Blanchflower e
Oswald (1990); Amadeo
(1992a; 1992b); Brodsky
(1994); Karanassou e Snower
(1998); Urani (1996); Amaral
e Quintin (2006); Staduto e
Maldaner (2010); Bresser-
Pereira (2013); Oreiro (2015).
Fonte: Elaborado pela autora, dados do MTE-RAIS (2019), IBGE (2019) e PNAC (2019).
O índice de turbulência (variável dependente) demonstra as oscilações ocorridas no
mercado de trabalho diante de um choque na economia. Essas oscilações podem ser
interpretadas como o ajustamento do mercado diante destes choques, de modo que uma maior
68
flexibilidade alocativa dos trabalhadores represente um ajustamento mais rápido do mercado
de trabalho. Devido a relevância dos efeitos de aglomeração na análise do ajustamento no
mercado de trabalho entre os municípios, o efeito escala demográfica foi mantido nas variáveis
para verificar a significância e correlação da turbulência com as características demográficas
regionais. Estas características de escala demográficas foram incluídas no modelo como
variáveis dummies.
As variáveis POP1, POP2 e POP3 são dummies que separam a densidade populacional
em três categorias, respectivamente: pequeno porte demográfico – até 100 mil habitantes;
médio porte demográfico – maior do que 100 mil e menor do que 500 mil habitantes; grande
porte demográfico – maior do que 500 mil habitantes. Não há consenso sobre um conceito de
cidades médias, todavia o critério mais aplicado para identificá-las é o tamanho demográfico.
Conforme Motta e Mata (2008), cidades médias podem ser consideradas aquelas com tamanho
populacional entre 100 mil até 500 mil habitantes. A partir disto, foi adotado que municípios
com densidade populacional menor do que 100 mil é considerado de pequeno porte, e a partir
de 500 mil habitantes é de grande porte. Os dados utilizados foram da estimativa de população
dos municípios brasileiros, do IBGE (2019), para os seis períodos analisados.
O Índice Hirschman-Herfindahl ajustado demonstra a diversificação/especialização
produtiva local. O IHH foi utilizado para investigar se a diversificação ou especialização da
região influencia a mobilidade intersetorial e/ou interregional dos indivíduos em um momento
de turbulência macroeconômica. O IHH pode ser calculado conforme Equação 8:
𝐼𝐻𝐻𝑖 = ∑ [(𝐸𝑖𝑠𝑒
𝐸𝑖) − (
𝐸𝐵𝑠𝑒
𝐸𝐵)]
𝑚
𝑠𝑒=𝑖
(8)
considerando:
m = subsetores do mercado de trabalho;
𝐸𝑖𝑠𝑒= emprego no município i no setor 𝑠𝑒;
𝐸𝑖 = total de empregos no município i;
𝐸𝐵𝑠𝑒 = emprego nacional no setor 𝑠𝑒;
𝐸𝐵 = total de empregos no Brasil.
O IHH ajustado tem variação entre 0 e 2. O IHH igual a 0 demonstra que o município
i é perfeitamente diversificado. O valor máximo do índice, 2, demonstra que o município é
especializado (concentrado).
69
O Coeficiente de Atração (CA) para o mercado de trabalho denota o potencial de
influência da área de mercado de determinada região. Foi calculado o CA para cada setor de
atividade (indústria; C&S; administração pública; e agropecuária) com o objetivo de identificar
o potencial de contribuição de cada setor para a flexibilização do mercado de trabalho em um
momento de turbulência econômica. Quanto maior for o CA, maior é o potencial de atração do
setor no município i. O Coeficiente de Atração pode ser calculado pela Equação 9.
𝐶𝐴𝑖 =
(𝐸𝑖𝑠𝑒
∑ 𝐸𝑖𝑠𝑒𝑖𝑠𝑒=1
)
𝑝𝑜𝑝𝑖
∑ 𝑝𝑜𝑝𝑖𝑠𝑒=1
(9)
denota,
𝐸𝑖𝑠𝑒 = emprego do setor 𝑠𝑒 do município i;
𝑝𝑜𝑝𝑖 = população19 da região i;
As variáveis de idade foram construídas a partir dos dados de faixa etária dos
trabalhadores (MTE-RAIS), as quais foram agregadas nas quatro faixas de idade utilizadas
como variável. O percentual da população economicamente ativa (PEA) do sexo masculino e
feminino, como o nome sugere, foi construído por um cálculo de percentual dos indivíduos de
cada sexo em relação ao total da PEA.
As variáveis de faixa de escolaridade foram agregadas a partir dos dados de
escolaridade após 2005, de modo que: EANA abrange analfabetos e aqueles que não possuem
o ensino fundamental completo; EFUN compreende os trabalhadores com ensino fundamental
completo e ensino médio incompleto; EMED, quem possui ensino médio completo e ensino
superior incompleto; e ESUP, quem tem ensino superior completo ou mais.
Por fim, as variáveis de faixa de renda foram agregadas a partir dos dados de faixa de
remuneração do trabalho, em intervalos de salários mínimos, conforme descrito no Quadro 2.
A seguir, a Tabela 1 apresenta a estatística descritiva das variáveis utilizadas no modelo
econométrico, com dados de média aritmética, desvio padrão, valores mínimos e máximos de
cada variável ao longo das 33.378 observações (6 períodos X 5563 municípios).
19 A fonte de dados para população dos municípios foi a PNADC.
70
Tabela 1 - Estatística descritiva das variáveis
Variável
Obs: 33378
Média Desv. Padrão Mín. Máx.
TURB 28,478 316,055 0,002 32381
POP1 0,946 0,226 0 1
POP2 0,047 0,212 0 1
POP3 0,007 0,084 0 1
IHH 82,089 40,409 1,454 179,669
CAIN 80,71 148,303 0 4535,819
CACS 34,979 40,663 0 588,294
CAAP 94,871 53,231 0 5114,848
CAAG 216,733 424,494 0 23561,9
ID17 7935,095 71174,27 0 5200000
ID29 259000 2500000 0 1,67e+08
ID64 578000 6020000 100 3,62e+08
ID65 9764,543 119000 0 7210000
MASC 54,05 10,096 0 100
FEM 45,95 10,096 0 100
EANA 7427,198 83410,64 0 9960000
EFUN 248000 2070000 0 1,30e+08
EMED 404000 3900000 0 2,50e+08
ESUP 171000 2420000 0 1,54e+08
R1SM 39420,44 285000 0 1,56e+07
R3SM 580000 5060000 100 3,02e+08
R7SM 155000 2020000 0 1,34e+08
RM7 65245,04 1170000 0 7,30e+07
Fonte: Elaborado pela autora
O próximo tópico explica o processo para encontrar o modelo econométrico de painel
de dados, convencional e espacial, de melhor ajuste para o fenômeno em estudo, bem como
testes e critérios para determinação estatística do mesmo.
4.2.3 Modelo econométrico de melhor ajuste
No escopo da econometria espacial, há diversas possibilidades de estimação para
determinar o modelo econométrico espacial mais adequado. Portanto, apenas um modelo se
adequará melhor a cada fenômeno estudado, dependendo, é claro, da composição das variáveis,
regiões e de suas especificações. A base de estimação na econometria espacial é o modelo
convencional (a-espacial), ou Modelo Clássico de Regressão Linear (MCRL). Estima-se,
portanto, o MQO conforme Equação 10 (ANSELIN, 2003b; ALMEIDA, 2012; GOLGHER,
2015).
71
𝑌𝑖𝑡 = 𝑋𝑖𝑡𝛽 + 휀𝑖𝑡 (10)
Sendo,
Yit = vetor de dimensão n x 𝐼 da variável dependente, sendo 𝐼 = matriz identidade;
𝑋𝑖𝑡 = matriz n x 22 observações independentes;
β = vetor com 22 coeficientes de regressão; e
휀𝑖𝑡 = termo erro com distribuição normal (0,𝜎2𝐼𝑛).
Na Equação 11, considera-se o modelo econométrico dos efeitos não observados.
𝑌𝑖𝑡 = 𝛼𝑖 + 𝑋𝑖𝑡𝛽 + 휀𝑖𝑡 (2)
Em que 𝛼 representa os efeitos não observados, específicos das regiões e invariáveis
ao longo da série temporal analisada. Estes efeitos podem estar correlacionados ou não com as
variáveis explicativas do modelo. É importante frisar que o modelo de painel de dados deve
levar em conta os efeitos não observados ao ser estimado. Afinal, ignorar tais efeitos é o mesmo
que estar exposto a alta propensão de problemas de inferência, de modo que as estimativas
sejam inconsistentes ou ineficientes. Portanto, o modelo pooled (dados empilhados, por MQO),
considerando o MCRL com efeitos não observados, pode apresentar problemas de inferência.
Para a identificação do modelo, portanto, assume-se que o erro é não correlacionado
com 𝛼, que a hipótese de variância é constante ao longo do tempo, bem como não há
autocorrelação serial dos erros (Equação 12).
𝐸[휀𝑖𝑡휀𝑖𝑠] = 𝛿𝑡𝑠𝜎𝜀2 (3)
Em que, 𝛿𝑡𝑠 = 1 se t = s; e
𝛿𝑡𝑠 = 0 se t ≠ s.
Caso as variáveis explicativas e o erro não forem correlacionados (𝐸[휀𝑖𝑡𝑋𝑖𝑠] = 0),
considera-se a hipótese de exogeneidade forte. Pode-se dizer que a hipótese de exogeneidade é
fraca quando estas variáveis não estão relacionadas todo o tempo, mas poderiam estar
correlacionados em outros períodos. Os modelos a-espaciais de painel de dados captam o efeito
espacial, a heterogeneidade espacial, apenas como um modelo de efeitos não observados. Há
72
duas maneiras de modelar estes efeitos não observados: os modelos de efeitos fixos e de efeitos
aleatórios (ALMEIDA, 2012).
Para Wooldridge (2002), o efeito não observado αi é o que define se o modelo mais
indicado é de efeitos fixos (fixed effects – fe) ou de efeitos aleatórios (random effects – re).
Quando αi não é correlacionado com todas as variáveis explicativas, o modelo de efeitos fixos
é mais indicado, caso αi seja relacionado com algumas variáveis explicativas, então o modelo
mais indicado é de efeitos aleatórios.
O modelo de efeitos fixos considera que as diferenças entre as regiões são detectadas
nos diferentes interceptos. Tais efeitos compreendem as heterogeneidades não observáveis,
como estruturas econômicas, sociais, institucionais e políticas entre regiões, de modo que o
modelo consiga controlar estes fenômenos e eliminar o viés das variáveis observáveis
relevantes invariáveis no período da análise. O modelo de efeitos aleatórios considera os efeitos
não observados invariantes no tempo, intrínsecos à região, como uma variável aleatória e como
componentes do termo erro aleatório. Já no modelo de efeitos fixos estes efeitos são
considerados parâmetros a serem estimados (GREENE, 2003; GUJARATI; PORTER, 2011).
Para verificar a presença ou ausência de correlação entre 𝛼𝑖 e as variáveis explicativas,
realiza-se o teste de Hausman, cuja hipótese nula considera 𝛼𝑖 não correlacionado com as
variáveis explicativas (correspondente ao modelo de efeitos fixos = modelo de efeitos fixos é
mais adequado que efeitos aleatórios). O modelo que apresentou melhor ajustamento, de acordo
com o teste de Hausman, foi o de efeitos fixos. Além do teste de Hausman, os testes do
Multiplicador de Breusch-Pagan e de Chow também auxiliam na escolha do modelo mais
adequado.
O teste de Breusch-Pagan verifica a hipótese nula de que não há efeitos aleatórios
(𝜎𝑢2 = 0), indicando que o modelo pooled é mais adequado que o de efeitos aleatórios. O teste
para o fenômeno em estudo rejeitou 𝐻0, portanto há efeitos aleatórios no modelo. O teste de
Chow avalia se o modelo mais adequado é o pooled ou de efeitos fixos, sua hipótese nula
considera que há igualdade entre os interceptos e inclinações para todas as regiões. O modelo
que se apresentou mais adequado foi o de efeitos fixos, conforme teste de Hausman.
O modelo de efeitos fixos do presente estudo está formalizado na Equação 13. Até este
ponto da análise, o modelo econométrico utiliza dados espaciais, porém sem incorporação da
defasagem espacial.
73
𝑇𝑈𝑅𝐵𝑖𝑡 = 𝛼 + 𝛽𝑃𝑂𝑃1𝑖𝑡 + 𝛽𝑃𝑂𝑃2𝑖𝑡 + 𝛽𝐼𝐻𝐻𝑖𝑡 + 𝛽𝐶𝐴𝐼𝑁𝑖𝑡 + 𝛽𝐶𝐴𝐶𝑆𝑖𝑡 +
𝛽𝐶𝐴𝐴𝑃𝑖𝑡 + 𝛽𝐶𝐴𝐴𝐺𝑖𝑡 + 𝛽𝐼𝐷17𝑖𝑡 + 𝛽𝐼𝐷29𝑖𝑡 + 𝛽𝐼𝐷64𝑖𝑡 + 𝛽𝐼𝐷65𝑖𝑡 + 𝛽𝑀𝐴𝑆𝐶𝑖𝑡 +
𝛽𝐸𝐴𝑁𝐴𝑖𝑡 + 𝛽𝐸𝐹𝑈𝑁𝑖𝑡 + 𝛽𝐸𝑀𝐸𝐷𝑖𝑡 + 𝛽𝐸𝑆𝑈𝑃𝑖𝑡 + 𝛽𝑅1𝑆𝑀𝑖𝑡 + 𝛽𝑅3𝑆𝑀𝑖𝑡 +
𝛽𝑅7𝑆𝑀𝑖𝑡 + 𝛽𝑅𝑀7𝑖𝑡 + 휀𝑖𝑡 (4)
A escolha deste modelo indica que o modelo espacial de melhor ajuste também terá
efeitos fixos. Portanto, com a determinação do modelo a-espacial de melhor ajuste, e constatada
a autocorrelação espacial pelo teste de I de Moran, há a necessidade de tratar esta dependência
espacial, incorporando uma defasagem no modelo.
A diferença entre o painel de dados convencional para o espacial é que um modelo de
painel de dados a-espacial considera que as unidades de corte transversal são independentes
entre si. Entretanto, ao trabalhar com unidades espaciais físicas como países, estados, regiões,
municípios e outros, é possível que haja dependência espacial da variável de interesse. Nesse
caso, o painel espacial tem a capacidade de acomodar a heterogeneidade espacial não
observável manifestada nos parâmetros da regressão, inclusive nos interceptos (ALMEIDA,
2012).
Para determinar o modelo espacial mais adequado para o fenômeno em estudo, é
importante verificar em qual parte da regressão a defasagem espacial apresenta melhor ajuste,
seja na variável dependente, nas variáveis independentes, e/ou no termo erro. Para cada possível
combinação da acomodação da defasagem há um modelo de painel específico, conforme
demonstra o organograma na Figura 12.
Após constatação da autocorrelação espacial pelo teste de I de Moran, há a necessidade
de tratar esta dependência espacial, incorporando uma defasagem no modelo. Os testes para
determinar o modelo espacial de melhor ajuste são iniciados pelo modelo pooled (dados
empilhados), ainda sem defasagem espacial e, na sequência são testados os modelos com a
defasagem espacial incorporada. A defasagem na variável dependente é representada por “𝜌”;
nas variáveis independentes por “𝛾”, para regiões por “𝜇”, para períodos por “𝛿”; e no termo
erro por “𝑢”.
74
Figura 12 – Esquema para especificação dos modelos espaciais
Fonte: Adaptado de Golgher (2015, p. 254).
A diferença entre o painel de dados convencional para o espacial é que um modelo de
painel de dados a-espacial considera que as unidades de corte transversal são independentes
LM lag 𝐻0: 𝜌 = 0
Pooled 𝑦𝑖𝑡 = 𝑋𝑖𝑡𝛽 + 휀
SAR
𝑦𝑖𝑡 = 𝜌 ∑ 𝑊𝑖𝑗
𝑁
𝑗=1
𝑦𝑖𝑡 + 𝑋𝑖𝑡𝛽 + 휀𝑖𝑡
SDM
𝑦𝑖𝑡 = 𝜌 ∑ 𝑊𝑖𝑗
𝑁
𝑗=1
𝑦𝑖𝑡 + 𝑋𝑖𝑡𝛽 + ∑ 𝑊𝑖𝑗
𝑁
𝑗=1
𝑋𝑖𝑗𝑡𝛾 + 휀𝑖𝑡
TRMV 𝐻0: 𝛿 = 0
SDM com efeitos fixos (fe) para períodos
𝑦𝑖𝑡 = 𝜌 ∑ 𝑊𝑖𝑗
𝑁
𝑗=1
𝑦𝑖𝑡 + 𝑋𝑖𝑡𝛽 + ∑ 𝑊𝑖𝑗
𝑁
𝑗=1
𝑋𝑖𝑗𝑡𝛿 + 휀𝑖𝑡
Hausman 𝐻0: 𝛽𝑒𝑎 − 𝛽𝑒𝑓 = 0
Componente
SEM
𝑦𝑖𝑡 = 𝑋𝑖𝑡𝛽 + 𝑢𝑖𝑡
𝑢𝑖𝑡 = 𝜆 ∑ 𝑤𝑖𝑡𝑢𝑖𝑡 + 휀𝑖𝑡𝑁𝑗=1
SDM com efeitos fixos (fe) para regiões e para períodos
𝑦𝑖𝑡 = 𝜌 ∑ 𝑊𝑖𝑗
𝑁
𝑗=1
𝑦𝑖𝑡 + 𝑋𝑖𝑡𝛽 + ∑ 𝑊𝑖𝑗
𝑁
𝑗=1
𝑋𝑖𝑗𝑡𝛾 + 𝜇𝑖 + 𝛿𝑡 + 휀𝑖𝑡
SDM com efeitos aleatórios (re) para regiões
𝑦𝑖𝑡 = 𝜌 ∑ 𝑊𝑖𝑗
𝑁
𝑗=1
𝑦𝑖𝑡 + 𝑋𝑖𝑡𝛽 + ∑ 𝑊𝑖𝑗
𝑁
𝑗=1
𝑋𝑖𝑗𝑡𝛾 + 𝜇𝑖 + 휀𝑖𝑡
SDM com efeitos fixos (fe) para regiões
𝑦𝑖𝑡 = 𝜌 ∑ 𝑊𝑖𝑗
𝑁
𝑗=1
𝑦𝑖𝑡 + 𝑋𝑖𝑡𝛽 + ∑ 𝑊𝑖𝑗
𝑁
𝑗=1
𝑋𝑖𝑗𝑡𝛾 + µ𝑖 + 휀𝑖𝑡
LM erro 𝐻0: 𝜆 = 0
LM robusto 𝜌 ≠ 0 𝐻0: 𝜆 = 0
TRMV 𝐻0: 𝜌 = 0
LM lag robusto 𝜆 ≠ 0 𝐻0: 𝜌 = 0
TRMV 𝐻0: 𝜇 = 0
TRMV 𝐻0: 𝜇 = 0
SAC
𝑦𝑖𝑡 = 𝜌𝑊𝑖𝑡 + 𝑋𝛽 + 𝑢𝑖𝑡
75
entre si. Entretanto, ao trabalhar com unidades espaciais físicas como países, estados, regiões,
municípios e outros, é possível que haja dependência espacial da variável de interesse. Nesse
caso, o painel espacial tem a capacidade de acomodar a heterogeneidade espacial não
observável manifestada nos parâmetros da regressão, inclusive nos interceptos (ALMEIDA,
2012).
Para cada modelo geral com defasagem espacial (SAR, SEM, SDM e SAC), é
realizada a regressão econométrica com determinadas especificações de painel de dados
espaciais. Modelos com efeito fixo: (i) para regiões (espacial); (ii) para regiões com correção
de viés conforme Lee e Yu (2010); (iii) para períodos (t); e (iv) para regiões e períodos. Modelos
com efeito aleatório: (v) efeitos aleatórios; e (vi) efeitos aleatórios sem efeitos diretos, indiretos
e totais. As regressões de painel de dados espaciais foram estimadas com auxílio do software
Stata/MP 16.0, com o pacote de comandos para rotina de programação xsmle20, conforme as
especificações listadas no Quadro 3, a seguir. Todos os modelos estão apresentados nos
Apêndices E até AC21.
Quadro 3 – Modelos de painel espacial estimados
SAR SEM SDM SAC
Efeitos fixos para regiões
(espaciais);
Efeitos fixos para regiões
(espaciais);
Efeitos fixos para regiões
(espaciais);
Efeitos fixos para regiões
(espaciais);
Efeitos fixos espaciais
(dados transformados
conforme Lee e Yu);
Efeitos fixos espaciais
(dados transformados
conforme Lee e Yu);
Efeitos fixos espaciais
(dados transformados
conforme Lee e Yu);
Efeitos fixos espaciais
(dados transformados
conforme Lee e Yu);
Efeitos fixos para
períodos;
Efeitos fixos para
períodos;
Efeitos fixos para
períodos;
Efeitos fixos para
períodos;
Efeitos fixos espaciais e
para períodos;
Efeitos fixos espaciais e
para períodos;
Efeitos fixos espaciais e
para períodos;
Efeitos fixos espaciais e
para períodos;
Efeitos aleatórios; Efeitos aleatórios*; Efeitos aleatórios; Efeitos aleatórios*;
Efeitos aleatórios sem
efeitos diretos, indiretos e
totais.
Efeitos aleatórios sem
efeitos diretos, indiretos e
totais*.
Efeitos aleatórios sem
efeitos diretos, indiretos e
totais.
Efeitos aleatórios sem
efeitos diretos, indiretos e
totais*.
Fonte: Elaborado pela autora.
Nota: * Não gerou estimação, modelo inviável.
20 Conferir em: Belotti, Hughes e Mortari (2013 e 2017). 21 Páginas 148 a 172.
76
Como pode ser observado no Quadro 3, foram realizadas correções de viés propostas
por Lee e Yu (2010)22 aos modelos de efeitos fixos para regiões (espaciais). Conforme os
autores, os modelos de defasagem espacial ou erro espacial com efeitos fixos podem apresentar
estimações inconsistentes, tanto para os parâmetros do modelo quanto para a variância (σ²).
Para evitar estes problemas, Lee e Yu (2010) propõem a correção do viés com base nas
estimações de parâmetros de efeitos diretos.
Os modelos de defasagem espacial ou erro espacial com efeitos fixos podem apresentar
estimações inconsistentes, tanto para os parâmetros do modelo quanto para a variância (σ²).
Para evitar estes problemas, os autores propõem a correção do viés com base nas estimações de
parâmetros de efeitos diretos. As estimações de parâmetros com efeitos diretos captam os
efeitos de variação de uma variável independente na variável dependente da unidade espacial i.
Devido a seu caráter espacial, essa estimação considera os efeitos que passam pelas regiões
vizinhas e retornam à unidade que instigou a variação (efeitos de feedback) (LEE; YU, 2010 e
2015). As estimações de parâmetros com efeitos indiretos consideram os efeitos de uma
variável independente da região i na variável dependente das regiões vizinhas (ELHORST,
2014a).
Conforme Almeida (2012), em modelos com erros não esféricos23, o coeficiente de
determinação (R²) deixa de ser um indicador da qualidade de ajuste da regressão. Ao estimar o
modelo por máxima verossimilhança (MV)24, é indicado utilizar os critérios de informação
Akaike (AIC) e Bayesiano (BIC) para guiar a seleção do melhor modelo, considerando que
quanto menor o valor dos critérios, melhor é o ajuste do modelo.
Os critérios AIC e BIC, apresentaram menores valores para modelo SDM com efeitos
fixos para regiões (espaciais), com viés corrigido de acordo com Lee e Yu (2010). Este modelo
incorpora a dependência espacial nas variáveis explicativas, de modo que pode ser expresso
formalmente pela Equação 14:
22 Correção consolidada no meio acadêmico e utilizada por Belotti, Hughes e Mortari (2013) em suas rotinas para
o software STATA, assim como por Elhorst (2010 e 2014) em suas rotinas para o software MATLAB. 23 Heterocedástico e/ou autocorrelacionados. 24 Se a normalidade dos resíduos for observada, pode-se estimar o modelo SDM por MV, se a normalidade do
termo erro aleatório não for observada, indica-se a estimação por variáveis instrumentais (ALMEIDA, 2012).
77
𝑦𝑖𝑡 = 𝜌 ∑ 𝑊𝑖𝑗
𝑁
𝑗=1
𝑦𝑖𝑡 + 𝑋𝑖𝑡𝛽 + ∑ 𝑊𝑖𝑗
𝑁
𝑗=1
𝑋𝑖𝑗𝑡𝛾 + µ𝑖 + 휀𝑖𝑡 (5)
sendo:
𝑦𝑖𝑡 = variável dependente;
∑ 𝑊𝑖𝑗𝑁𝑗=1 𝑦𝑖𝑡 = interação do efeito de dependência espacial da variável dependente da
região i em relação às variáveis dependentes das regiões vizinhas;
𝜌 = parâmetro da relação de dependência das variáveis dependentes;
𝑋𝑖𝑡𝛽 = vetor de cada variável explicativa do modelo;
∑ 𝑊𝑖𝑗𝑁𝑗=1 𝑋𝑖𝑗𝑡𝛾 = interação do efeito de dependência espacial da variável dependente
da região i em relação às variáveis explicativas das regiões vizinhas;
𝛾 = vetor de coeficientes espaciais das variáveis explicativas;
µ𝑖 = parâmetro fixo de especificidade não observada25 da região i;
휀𝑖𝑡 = termo erro.
Ou ainda, sua representação com as variáveis utilizadas neste estudo pode ser expressa
formalmente como o modelo econométrico estruturado SDM, com correção de viés para painel
espacial (para regiões) estimado conforme Equação 15. As variáveis POP3tβ, WPOP3tβ e FEM
foram as categorias omitidas no modelo por sua característica dummy.
𝑇𝑈𝑅𝐵𝑖𝑡 = 𝛼 + 𝜌𝑊𝑇𝑈𝑅𝐵𝑖𝑡 + 𝛽𝑃𝑂𝑃1𝑖𝑡 + 𝛽𝑃𝑂𝑃2𝑖𝑡 + 𝛽𝐼𝐻𝐻𝑖𝑡 + 𝛽𝐶𝐴𝐼𝑁𝑖𝑡 +
𝛽𝐶𝐴𝐶𝑆𝑖𝑡 + 𝛽𝐶𝐴𝐴𝑃𝑖𝑡 + 𝛽𝐶𝐴𝐴𝐺𝑖𝑡 + 𝛽𝐼𝐷17𝑖𝑡 + 𝛽𝐼𝐷29𝑖𝑡 + 𝛽𝐼𝐷64𝑖𝑡 + 𝛽𝐼𝐷65𝑖𝑡 +
𝛽𝑀𝐴𝑆𝐶𝑖𝑡 + 𝛽𝐸𝐴𝑁𝐴𝑖𝑡 + 𝛽𝐸𝐹𝑈𝑁𝑖𝑡 + 𝛽𝐸𝑀𝐸𝐷𝑖𝑡 + 𝛽𝐸𝑆𝑈𝑃𝑖𝑡 + 𝛽𝑅1𝑆𝑀𝑖𝑡 +
𝛽𝑅3𝑆𝑀𝑖𝑡 + 𝛽𝑅7𝑆𝑀𝑖𝑡 + 𝛽𝑅𝑀7𝑖𝑡 + 𝛾𝑊_𝑃𝑂𝑃1𝑖𝑡 + 𝛾𝑊_𝑃𝑂𝑃2𝑖𝑡 + 𝛾𝑊_𝐼𝐻𝐻𝑖𝑡 +
𝛾𝑊_𝐶𝐴𝐼𝑁𝑖𝑡 + 𝛾𝑊_𝐶𝐴𝐶𝑆𝑖𝑡 + 𝛾𝑊_𝐶𝐴𝐴𝑃𝑖𝑡 + 𝛾𝑊_𝐶𝐴𝐴𝐺𝑖𝑡 + 𝛾𝑊_𝐼𝐷17𝑖𝑡 +
𝛾𝑊_𝐼𝐷29𝑖𝑡 + 𝛾𝑊_𝐼𝐷64𝑖𝑡 + 𝛾𝑊_𝐼𝐷65𝑖𝑡 + 𝛾𝑊_𝑀𝐴𝑆𝐶𝑖𝑡 + 𝛾𝑊_𝐸𝐴𝑁𝐴𝑖𝑡 +
𝛾𝑊_𝐸𝐹𝑈𝑁𝑖𝑡 + 𝛾𝑊_𝐸𝑀𝐸𝐷𝑖𝑡 + 𝛾𝑊_𝐸𝑆𝑈𝑃𝑖𝑡 + 𝛾𝑊_𝑅1𝑆𝑀𝑖𝑡 + 𝛾𝑊_𝑅3𝑆𝑀𝑖𝑡 +
𝛾𝑊_𝑅7𝑆𝑀𝑖𝑡 + 𝛾𝑊_𝑅𝑀7𝑖𝑡 + 휀𝑖𝑡 (6)
O modelo de Durbin espacial (SDM) tem como característica a capacidade de estimar
modelos não viesados, principalmente após a correção de vieses proposta por Lee e Yu (2010).
Para o fenômeno estudado, a estimação infere que a especialização/diversificação da produção,
25 Invariante no tempo e sua omissão causa viés no modelo.
78
a atratividade dos setores de atividade, assim como outras características do mercado de
trabalho afetam a flexibilidade de ajustamento dos trabalhadores. Para tal, a autocorrelação
espacial no modelo SDM sugere que o valor das variáveis exógenas e a endógena do município
i tendem a estar associadas ao valor dessas variáveis nos municípios vizinhos j e vice-versa,
pois o SDM se caracteriza como modelo de efeito cruzado de transbordamento.
Este capítulo se encerra apresentando as metodologias utilizadas na pesquisa, e, como
fechamento, descreve brevemente o modelo econométrico espacial que apresentou o melhor
ajuste de estimação para o fenômeno em análise. O próximo capítulo apresenta os resultados
da pesquisa, na mesma ordem proposta pelos objetivos específicos, por metodologia realizada:
(i) Índice de turbulência; (ii) AEDE; e (iii) Painel de dados a-espacial e espacial.
79
5 RESULTADOS E INFERÊNCIAS
Este capítulo apresenta as análises dos resultados das metodologias aplicadas no
presente estudo. Para isto, o capítulo foi organizado em quatro etapas, conforme demonstra a
Figura 13.
Figura 13 – Organograma de apresentação dos resultados
Fonte: Elaborado pela autora, 2019.
Primeiramente, na seção 5.1, o índice de turbulência do mercado de trabalho é
analisado de forma sucinta diante da instabilidade econômica brasileira de 2014. Na seção 5.2
foi realizado o teste I de Moran para confirmar se há presença ou ausência de padrões de
autocorrelação espacial no ajustamento alocativo no mercado de trabalho entre municípios
vizinhos. Para isto, determina-se o tipo da matriz de contiguidade que melhor demonstra esse
efeito pelo maior valor de I de Moran.
A terceira parte abrange as seções 5.3 a 5.6 para responder aos dois primeiros objetivos
específicos da pesquisa. Cada seção apresenta a análise do índice de turbulência para um grande
setor de atividade econômica, consecutivamente: indústria; comércio e serviços; administração
pública; e agropecuária. Nestas seções as análises são discorridas na seguinte ordem: (i) análise
descritiva dos maiores ajustamentos alocativos (índice de turbulência) em todo o Brasil, dentro
de cada setor; e (ii) análise AEDE, utilizando o mapa de cluster LISA, elaborado a partir do
índice de turbulência para cada setor de atividade.
Objetivo específco a)
MÉTODO:Índice de Turbulência
5.1 Análise dos ajustamentos no mercado de trabalho (geral)
Ajustamentos alocativos:
5.3 indústria;
5.4 comercio e serviços;
5.5 administração pública;
5.6 agropecuária
Objetivo específico b)
MÉTODO:AEDE
5.2 Matriz de contiguidade e I de Moran
5.3.1 autocorrelação espacial na industria
5.4.1 autocorrelação espacial no C&S
5.5.1 autocorrelação espacial na adm. pública
5.6.1 autocorrelação espacial na agropecuária
Objetivo específico c)
MÉTODO:Painel de dados espacial
5.7 Índice de turbulência e o desenvolvimento regional -
Análise em painela-espacial e espacial
80
A quarta parte, seção 5.7, responde ao terceiro e último objetivo específico: “analisar
características regionais que se correlacionam com os ajustamentos alocativos do mercado de
trabalho”. Após a confirmação da presença de padrões de comportamento pelos testes de I de
Moran, foi realizada análise econométrica em painel de dados com dependência espacial para
um modelo assintótico.
5.1 ANÁLISE DOS AJUSTAMENTOS NO MERCADO DE TRABALHO
O índice de turbulência capta, essencialmente, medidas de variação da estrutura do
emprego num intervalo de dois instantes no tempo. Este índice demonstra a intensidade do
fenômeno de realocação, seja espacial e/ou intersetorial/ocupacional. O período em análise foi
marcado pela crise econômica brasileira de 2014, que culminou em uma grande onda de
desemprego no país. Desse modo, o índice de turbulência representa a fração dos trabalhadores
que passaram por ajustamento alocativo (espacial, setorial ou ocupacional) entre cada período.
Conforme revisão de literatura levantada26, características regionais são fundamentais
para a compreensão do comportamento do mercado de trabalho regional, assim como as
dinâmicas e a dimensão dos municípios são importantes para captar efeitos de aglomeração
(DINIZ; CROCCO, 1996; LEMOS et al., 2003; DALBERTO, 2018). A partir destas premissas
e de testes preliminares neste estudo, o efeito escala dos municípios foi mantido na análise, uma
vez que este efeito demonstra a importância e influência das economias de escala nas relações
do mercado de trabalho.
Os ajustamentos alocativos são essenciais para a flexibilização, que é a forma do
mercado de trabalho se ajustar diante de choques e reduzir as taxas de desemprego. Nesta seção,
será analisado o índice de turbulência do mercado de trabalho no período de 2011 a 2012, o
período anterior à crise; o período de “auge da crise”, de 2014 a 2015; e o período final da crise,
de 2016 a 2017, respectivamente, nas Figuras 14, 15 e 16. O menor valor calculado para o
índice de turbulência foi 0.0000 (zero) e o maior foi 2.1032, a partir destes valores, os índices
foram separados em 4 classificações de quantil (contagem de intervalos iguais).
No período inicial da análise, a economia brasileira mostrava sinais de crise fiscal que
geraram efeitos negativos à produção e, por consequência, reduziram o PIB e o nível de
emprego nacional (BARBOSA FILHO, 2017; PERONDI, 2017; PNAD, 2019). No entanto, o
26 Diniz e Crocco (1996), Kon (1999), Lemos et al. (2003), Piacenti, Alves e Ferrera de Lima (2008); Gonçalves
Jr. et al. (2010) e Dalberto e Staduto (2013).
81
mercado de trabalho não sentiu instantaneamente os efeitos destas políticas. A partir de 2012,
o número de empregos passou a diminuir veemente no país (Figura 527). Nesse período, ao
considerar todo o mercado, houve baixos níveis de ajustamentos alocativos, conforme pode ser
observado na Figura 14.
Figura 14 – Índice de turbulência no mercado de trabalho nos municípios brasileiros no primeiro
intervalo de tempo da análise, 2011 – 2012
Fonte: Elaborado pela autora.
Os resultados do índice de turbulência, em conformidade com Perondi (2017) e PNAD
(2019), demonstram que o mercado de trabalho, a partir do ano de 2012-2013, passou a sentir
27 Página 42.
82
efeitos negativos causados pela conjuntura econômica, o que pode ser observado pelo aumento
da taxa de desemprego. Pode-se considerar que nos anos de 2014 a 2015 o mercado passou a
sentir os efeitos da crise em maior intensidade, o que repercutiu no grande aumento do
desemprego no país. Evidentemente, neste segundo momento houve aumento do nível de
ajustamentos no mercado de trabalho, em praticamente todos os municípios, em comparação
ao período de 2011 a 2012, conforme pode ser observado na Figura 15. O desemprego
contribuiu para a intensificação dos ajustamentos alocativos do mercado de trabalho brasileiro.
Figura 15 – Índice de turbulência no mercado de trabalho nos municípios brasileiros no período
de auge da crise econômica brasileira (2014 – 2015)
Fonte: Elaborado pela autora.
83
A tendência de crescimento da taxa de desemprego durou até 2017, quando a taxa
atingiu seu ponto máximo (13,7%) de acordo com a PNAC, o qual foi interrompido e o mercado
de trabalho passou a performar uma tendência de recuperação do nível de emprego, mesmo que
lenta, além de ainda contar com elevado nível de desemprego. Portanto, com base nestes dados,
os anos de 2016 a 2017 podem ser considerados os últimos da fase mais aguda da crise
econômica brasileira. Neste período, os níveis de ajustamentos alocativos se mantêm altos,
conforme se observa na Figura 16.
Figura 16 – Índice de turbulência no mercado de trabalho nos municípios brasileiros no último
período da análise, 2016 – 2017.
Fonte: Elaborado pela autora.
O mercado de trabalho, em todo o país, passou por alta intensidade de ajustamentos
84
alocativos no último período de crise com o intuito de reduzir os efeitos do desemprego, em
diferentes escalas de acordo com as características de cada região. As regiões que demonstraram
maiores níveis de turbulência, em geral, foram as capitais e seus entornos. O período de 2016 a
2017 representa esta transição no mercado de trabalho brasileiro, em que o mercado enfrenta as
altas taxas de desemprego e também apresenta níveis evidentes de ajustamentos alocativos e de
recuperação dos níveis de emprego em diversas regiões. Ou seja, determinadas localizações
têm demonstrado maior aceleração econômica e seus níveis de emprego têm voltando a
aumentar.
Estudos precedentes a respeito dos ajustamentos alocativos no mercado de trabalho
não foram realizados para períodos tão longos de desemprego, ou seja, de crise. Portanto, é
importante analisar mais a fundo estes ajustamentos para captar resultados mais sensíveis,
capazes de auxiliar em tomadas de decisões futuras para o contínuo crescimento econômico e
do nível de empregos em meio a estabilização econômica com alto nível desemprego (situação
econômica brasileira em 2019) e/ou futuras próximas recessões.
Para isso, o índice de turbulência também pode ser analisado por setor de atividade
econômica do mercado de trabalho, o que permite analisar quais foram os setores que mais
contribuíram para o ajustamento do mercado de trabalho em relação aos desequilíbrios gerados
pela crise econômica de 2014. Nesta análise, utiliza-se uma etapa anterior do cálculo do índice
de turbulência para todo o mercado de trabalho, ou seja, o índice de turbulência de cada setor
de atividade econômica antes de serem somados para resultar no índice geral.
As seções 5.3, 5.4, 5.5 e 5.6 apresentam os vinte municípios com os maiores índices
de turbulência (TURB) de cada setor, respectivamente: indústria; comércio e serviços (C&S);
administração pública; e agropecuária nos mesmos intervalos de tempo da análise realizada
para todo o mercado de trabalho: 2011 a 2012, 2014 a 2015 e 2016 a 2017.
Em cada período, há diferentes municípios que compõem a lista dos “vinte municípios
com os maiores índices de turbulência”, portanto, a quantidade total de municípios listados nos
Quadros 4, 6, 8 e 10 pode diferir. Nestes Quadros estão destacados em cinza claro os vinte os
maiores valores de índice de turbulência em cada período. Em cinza escuro foram destacados
os municípios que constaram, consecutivamente, entre os vinte maiores valores nos três
períodos. Ao lado dos valores de TURB, a partir do segundo período demonstrado, há setas
indicando se os municípios baixaram ou subiram de posição em um ranking dos municípios
que comportaram as maiores turbulências.
Em sequência, nas mesmas seções, foi feita a análise do mapa de clusters de indicador
local de autocorrelação espacial (LISA), pela estatística I de Moran local univariada para o
85
índice de turbulência dos municípios brasileiros. O mapa de clusters LISA compila as
informações das medidas de correlação de vizinhança do I de Moran e as classifica em seis
categorias de associação espacial estatisticamente significativas: clusters não significativos,
Alto-Alto (AA), Baixo-Baixo (BB), Baixo-Alto (B-A), Alto-Baixo (AB) e sem vizinhos.
Também são apresentados os mapas de cluster espaciais para cada setor nos mesmos períodos28
da análise dos maiores índices de turbulência.
Nos setores da indústria, de C&S e da administração pública houve várias capitais
entre os municípios com os maiores valores do índice de turbulência dos três setores. Isso indica
um padrão em que municípios mais dinâmicos29 e desenvolvidos tendem a apresentar maiores
ajustamentos no mercado de trabalho. Outro fato que coincidiu entre estes setores, foi as capitais
de São Paulo (SP), Belo Horizonte (MG), Curitiba (PR) e Rio de Janeiro (RJ) estarem entre os
municípios que apresentaram maiores índices de turbulência nos 3 períodos nos mesmos 3
setores, reforçando o padrão evidenciado. Por outro lado, a agropecuária se distanciou
notavelmente do padrão de ajustamentos dos demais setores, apresentando ajustamentos menos
intensos que os demais setores.
5.2 MATRIZ DE CONTIGUIDADE E RESULTADOS DO I DE MORAN
Os testes de I de Moran dos mapas de cluster de autocorrelação foram realizados para
verificar a presença ou ausência de dependência espacial nos ajustamentos alocativos do
mercado de trabalho dos municípios brasileiros, por meio da variável “índice de turbulência”
para cada intervalo de tempo (2012-2011; 2013-2012; e assim por diante). Os testes foram
realizados com as matrizes de contiguidade rainha, torre, 2 vizinhos, 4 vizinhos, 5 vizinhos e 7
vizinhos, com auxílio do software GeoDa 1.12.1.131.
A matriz de contiguidade do tipo torre apresentou os maiores valores do Índice de
Moran, apesar de resultar em valores relativamente baixos (maior I de Moran: 0,2960, para
indústria). Todavia, estes são validados pelos testes p-value, no qual se apresentaram altamente
significativos (0.001) em todos os períodos, e teste z-value, em que valores significativos e
positivos indicam presença de autocorrelação espacial positivam conforme se observa na
Tabela 2.
28 Mapas elaborados para todos os períodos, de cada setor em Apêndices A, B, C e D. 29 Conceito de regiões dinâmicas com base em Benko (1993), Hirschman (1961), Smith (2007 [1976]), North
(1977), Perroux (1950 e 1977), OECD (2002) e Dalberto (2018).
86
Tabela 2 – Teste de robustez de I de Moran com 999 permutações para matriz tipo torre
Intervalo t Testes Indústria Comércio e
serviços
Administração
pública Agropecuária
2011 – 2012 p-value 0,001 0,001 0,001 0,001
z-value 39,2423 29,4828 9,1085 17,3945
2012 – 2013 p-value 0,001 0,001 0,001 0,001
z-value 40,1433 27,6758 11,5973 8,4378
2013 – 2014 p-value 0,001 0,001 0,001 0,001
z-value 41,7684 25,4011 9,6944 13,3835
2014 – 2015 p-value 0,001 0,001 0,001 0,001
z-value 39,5647 26,9850 8,5841 9,1619
2015 – 2016 p-value 0,001 0,001 0,001 0,001
z-value 43,7964 29,3808 8,1494 15,2212
2016 - 2017 p-value 0,001 0,001 0,001 0,001
z-value 40,2964 30,6590 10,6923 16,8199
Fonte: Elaborado pela autora.
Para a estimação do modelo econométrico espacial, foi necessário corrigir a matriz de
contiguidade espacial, de modo que essa não apresentasse ilhas (município sem vizinho).
Portanto, desde as análises exploratórias de dados espaciais (AEDE), os dois municípios
considerados ilhas pela divisão geográfica do IBGE, Ilha Bela e Fernando de Noronha, foram
corrigidos para serem contados como vizinhos de fronteira do(s) seu(s) município(s) mais
próximo(s), respeitando as propriedades de cada matriz.
Os valores do teste I de Moran, com matriz de contiguidade torre podem ser conferidos
na Tabela 3, para os 4 setores nos 6 períodos analisados. Os gráficos de dispersão de I de Moran
e os mapas de cluster LISA para os setores indústria, C&S, administração pública e
agropecuária, estão disponíveis nos Apêndices A, B, C e D respectivamente nessa ordem, para
todos os intervalos de tempo (2012 a 2017). O I de Moran, ao ser estimado a partir de outro
índice ou saldo tende a apresentar baixos valores de autocorrelação espacial, afinal estes
apresentam variabilidade limitada nas amostras.
Tabela 3 – I de Moran global univariado dos 4 setores, matriz de contiguidade: torre
Intervalo t Indústria Comércio e
serviços
Administração
pública Agropecuária
2011 – 2012 0,2931 0,1857 0,0526 0,1261
2012 – 2013 0,2388 0,1414 0,0879 0,0489
2013 – 2014 0,2944 0,1408 0,0409 0,0921
2014 – 2015 0,2242 0,1813 0,0489 0,0644
2015 – 2016 0,2960 0,1429 0,0489 0,1194
2016 – 2017 0,2575 0,1648 0,0445 0,0816
Fonte: Elaborado pela autora, obtidos pelo software GeoDa.
A indústria foi o setor de atividade que apresentou a maior autocorrelação espacial dos
ajustamentos alocativos no período dos anos 2015 a 2016. Isso indica que a maior incidência
87
de regiões vizinhas com efeitos de transbordamento da turbulência ocorreu no setor da indústria.
A próxima seção demonstra que este setor teve maior número de demissões em grande parte
das grandes regiões metropolitanas brasileiras e seus arredores, enquanto apresentou
crescimento do número de emprego em menores polos de desenvolvimento (polos secundários).
Depois da indústria, os maiores transbordamentos espaciais da turbulência ocorreram
no setor de C&S, depois na agropecuária e, por último, na administração pública. Estes três
últimos setores apresentaram seus maiores I de Moran entre os primeiros períodos analisados,
o que indica que apresentaram maiores transbordamentos nos ajustamentos do mercado de
trabalho (entre demissões e/ou contratações) nos primeiros períodos e, de modo geral, a partir
dos períodos de crise e instabilidade, estes transbordamentos reduziram. Os setores de
administração pública e da agropecuária demonstraram-se mais estáveis, com oscilações mais
curtas do que os primeiros setores.
Os efeitos de transbordamento podem ter reduzido ao longo da crise pelo baixo
potencial de geração de emprego das atividades econômicas que, consequentemente, geraram
redução da média de salários e queda do poder de compra da população. Conforme PNAC
(2019), a taxa de desemprego estava alta nesse período, o que revela que não houve queda
expressiva durante o período analisado, apontando uma baixa capacidade de recuperação da
economia a partir do momento mais crítico da crise.
Cada uma das próximas 4 seções aborda um grande setor de atividade econômica. Para
cada setor foi realizada uma análise descritiva dos municípios brasileiros que apresentaram os
valores mais expressivos do índice de turbulência e uma análise exploratória de dados espaciais
(AEDE), por meio do mapa de clusters LISA.
5.3 AJUSTAMENTOS ALOCATIVOS NA INDÚSTRIA
No início das análises do índice de turbulência, é importante enfatizar que altos valores
de turbulência indicam alta intensidade de ajustamentos alocativos no mercado de trabalho.
Esses ajustamentos são realizados pela mão de obra e têm a função de reduzir os efeitos de
desemprego em momentos de instabilidade econômica. Ou seja, regiões caracterizadas com alta
turbulência no mercado de trabalho comportaram grandes movimentações no mercado de
trabalho, sejam por perda de emprego e/ou pela geração de novos empregos. O índice de
turbulência é um medidor da intensidade destes ajustamentos do mercado de trabalho na
realocação dos indivíduos. O Quadro 4 apresenta os municípios com os maiores índices de
turbulência no Brasil e compara suas “posições” em um ranking de maior índice para menor.
88
Quadro 4 – Municípios com maior índice de turbulência no setor de indústria nos períodos
2011-2012, 2014-2015 e 2016-2017
(UF) Município ranking
TURB
2011 – 2012 ranking
TURB
2014-2015 ranking
TURB
2016-2017
(SP) São Paulo 1 0,4847 1 0,9713 ↔ 1 0,6741 ↔
(SP) São Bernardo do Campo 2 0,3710 14 0,1304 ↓ 25 0,0711 ↓
(AM) Manaus 3 0,2438 2 0,4557 ↑ 24 0,0730 ↓
(RJ) Rio de Janeiro 4 0,2275 3 0,4184 ↑ 2 0,3231 ↑
(CE) Fortaleza 5 0,2014 6 0,1840 ↓ 22 0,0758 ↓
(MG) Betim 6 0,1945 9 0,1507 ↓ 11 0,0916 ↓
(MG) Uberlândia 7 0,1878 31 0,0312 ↓ 5 0,1573 ↑
(PR) Toledo 8 0,1775 33 0,0258 ↓ 36 0,0158 ↓
(SC) Joinville 9 0,1768 8 0,1618 ↑ 28 0,0640 ↓
(SP) Guarulhos 10 0,1685 7 0,1619 ↑ 21 0,0777 ↓
(MG) Nova Lima 11 0,1377 23 0,0775 ↓ 16 0,0828 ↑
(MG) Belo Horizonte 12 0,1346 12 0,1462 ↔ 4 0,1788 ↑
(RS) Caxias do Sul 13 0,1339 4 0,2102 ↑ 26 0,0696 ↓
(SC) Blumenau 14 0,1312 26 0,0534 ↓ 33 0,0382 ↓
(SC) Jaraguá do Sul 15 0,1280 32 0,0295 ↓ 23 0,0734 ↑
(SC) Chapecó 16 0,1258 35 0,0187 ↓ 37 0,0149 ↓
(SC) Concórdia 17 0,1180 37 0,0104 ↓ 38 0,0124 ↓
(PR) Curitiba 18 0,1176 5 0,2058 ↑ 7 0,1073 ↓
(SP) Piracicaba 19 0,1164 25 0,0660 ↓ 30 0,0461 ↓
(RS) Rio Grande 20 0,1148 29 0,0394 ↓ 15 0,0855 ↑
(SP) Campinas 21 0,1076 11 0,1464 ↑ 18 0,0811 ↓
(SP) Sorocaba 22 0,0998 18 0,1092 ↑ 12 0,0905 ↑
(CE) Maracanaú 23 0,0968 15 0,1279 ↑ 31 0,0457 ↓
(SP) Diadema 24 0,0943 10 0,1491 ↑ 27 0,0676 ↓
(PE) Recife 25 0,0876 24 0,0768 ↑ 14 0,0857 ↑
(RJ) Macaé 26 0,0858 22 0,0802 ↑ 13 0,0865 ↑
(SP) São José dos Campos 27 0,0851 30 0,0370 ↓ 6 0,1362 ↑
(SP) Jundiai 28 0,0825 19 0,1084 ↑ 17 0,0815 ↑
(SC) Itajaí 29 0,0772 28 0,0466 ↑ 9 0,1018 ↑
(RS) Porto Alegre 30 0,0716 21 0,1029 ↑ 19 0,0809 ↑
(SP) Santo André 31 0,0580 16 0,1252 ↑ 34 0,0300 ↓
(MG) Itabira 32 0,0550 36 0,0183 ↓ 8 0,1047 ↑
(RJ) Niterói 33 0,0486 17 0,1110 ↑ 35 0,0186 ↓
(PE) Jaboatão dos Guararapes 34 0,0359 20 0,1035 ↑ 32 0,0448 ↓
(SP) São Caetano do Sul 35 0,0341 27 0,0496 ↑ 3 0,2047 ↑
(PA) Parauapebas 36 0,0319 34 0,0255 ↑ 10 0,0979 ↑
(PE) Goiana 37 0,0122 13 0,1399 ↑ 29 0,0530 ↓
(PA) Canaã dos Carajás 38 0,0034 38 0,0032 ↔ 20 0,0794 ↑
Nota: ↔ município que manteve sua posição em relação ao período anterior ↑ município subiu de posição em
relação ao período anterior; ↓ município caiu de posição em relação ao período anterior; 20 municípios com
maiores TURB por período; municípios entre os 20 com maiores TURB nos 3 períodos.
Fonte: Elaborado pela autora.
Em vista de obter maior captação dos ajustamentos no mercado de trabalho ao longo
do território nacional, é essencial manter os efeitos de escala demográfica ou mesmo do
tamanho dos municípios. Afinal, o tamanho das regiões influencia diretamente a economia e o
89
mercado de trabalho pelos efeitos de aglomeração dos polos de desenvolvimento, conforme
ressaltado na revisão de literatura por Perroux (1950), Lösch (1954), Christaller (1966), Capello
(2007), Souza (2009), Isard (1960) entre outros, como também pode ser observado na Figura
4, no mapa das redes urbanas brasileiras.
No setor da indústria, o município de São Paulo (SP) se destacou ao apresentar os
maiores índices de turbulência nos três períodos, consecutivamente, em relação a todos os
municípios brasileiros, conforme se pode conferir no Quadro 4. Isso indica que as indústrias
paulistas tiveram grandes volumes de ajustamentos alocativos dos trabalhadores entre as
atividades do setor.
No município de São Paulo, o período de maior turbulência foi 2014 a 2015, no auge
da crise econômica. Isso aponta que a indústria paulista foi mais sensível aos efeitos do choque
macroeconômico do que os demais municípios. Nesse intervalo, houve redução de 5% do
número de estabelecimentos e de 12% do total de empregos na indústria de São Paulo. Do
mesmo modo, outros dezesseis municípios do Quadro 4 apresentaram maiores valores de
turbulência no período de 2014 a 2015 do que no primeiro período.
Aproximadamente 33% dos 5.563 municípios brasileiros apresentaram o mesmo
comportamento, de aumento dos ajustamentos alocativos do primeiro para o segundo momento.
De 2014 a 2015 para os anos 2016 a 2017, aproximadamente 27% dos municípios aumentaram
o valor do índice de turbulência. Esse aumento do índice no último período indica que o
mercado de trabalho ainda está se reajustando intensamente ao desequilíbrio causado pela crise.
Assim como São Paulo, há outras capitais entre os municípios com os maiores índices
de turbulência no Quadro 4: Manaus (AM), Rio de Janeiro (RJ), Fortaleza (CE), Belo Horizonte
(MG), Curitiba (PR), Recife (PE) e Porto Alegre (RS). O que permite inferir que a maior parte
dos ajustamentos alocativos tem ocorrido em regiões metropolitanas por influência do
comportamento dinâmico e diversificado da maioria das regiões metropolitanas, como grandes
polos centrais de desenvolvimento. Isso se confirma ao observar que a maior parte dos demais
municípios listados no Quadro 4 se localiza no entorno destas.
Já os municípios listados, porém localizados longe das capitais são considerados polos
de desenvolvimento regional, tais como Toledo (PR), Joinville (SC) e Uberlândia (MG), ou
ainda considerados potenciais polos industriais como é o caso de Parauapebas e Canaã dos
Carajás (PA). Por exemplo, de 2015 a 2017, o município de Toledo apresentou acentuado
crescimento de empregos na indústria química, principalmente no ramo farmacêutico (530
novos empregos) e na indústria têxtil (167 empregos).
90
Em Joinville (SC), a indústria metalúrgica, já dinâmica na região, de 2015 a 2017
apresentou o maior crescimento de empregos na indústria na região (gerou 226 novos
empregos) e demonstra potencial para contínuo crescimento. De 2017 a 2018, houve aumento
de 3.327 empregos nesse subsetor, novamente o maior aumento de emprego entre os subsetores
no município.
Uberlândia (MG) é também conhecida por ser o segundo polo industrial mineiro. Do
ano de 2015 a 2017, o município apresentou crescimento no número de empregos formais
principalmente na indústria de alimentos e bebidas, com aumento de 5.935 empregos formais
e, na indústria química com aumento de 401 novas contratações.
Canaã dos Carajás (PA), apesar de ser um município novo, apresentou expressivo
aumento de empregos na indústria extrativa mineral nos últimos períodos da análise, de 3.217
novos empregos. Conforme Prefeitura de Canaã dos Carajás (2019), a indústria mineral atrai
mão de obra para a região e impulsiona o desenvolvimento do município desde os anos 2000.
Parauapebas (PA) é um município vizinho de Canaã dos Carajás, porém apresentou
redução do número de empregos no período da análise (inclusive na indústria de extração
mineral). Possivelmente, parcela da mão de obra deslocou-se para a região vizinha que tem se
demonstrado atrativa à indústria de extração de minerais.
O fato destes municípios terem apresentado altos índices de turbulência permite inferir
que o mercado de trabalho no setor da indústria é influenciado pelo potencial de
desenvolvimento das regiões. Afinal, eles se encontram afastados das regiões metropolitanas,
mas são caracterizados como polos de desenvolvimento regional ou potenciais polos industriais
regionais.
Na transição dos períodos de 2014-2015 para 2016-2017, 38% dos municípios
brasileiros reduziram a intensidade do índice de turbulência. Conforme RAIS (2019), neste
período, cerca de 36% dos municípios apresentaram saldo positivo de empregos na indústria,
cerca de 51% dos municípios apresentaram maior quantidade de desligamentos de emprego
(saldo negativo) e em 13% não houve alteração.
De 2012 a 2017, os municípios que mais aumentaram e os que mais reduziram o
número de empregos formais estão listados no Quadro 5, a seguir. Nota-se que as capitais e
municípios de regiões metropolitanas estão novamente entre os municípios com as maiores
reduções no saldo de empregos. A maioria dos municípios listados no Quadro 4 (pág. 88)
também está na lista dos municípios com os maiores índices de turbulência.
91
Quadro 5 – Municípios brasileiros com os maiores e menores saldos de emprego formal na
indústria do ano 2012 a 2017 (valor absoluto) Municípios com MAIORES saldos Saldo Municípios com MENORES saldos Saldo
(PR) Toledo 6.859 (SP) São Paulo - 171.077
(PE) Goiana 6.618 (RJ) Rio de Janeiro - 50.390
(SC) Concordia 6.365 (PR) Curitiba - 32.996
(MT) Lucas do Rio Verde 5.388 (AM) Manaus - 32.893
(SC) Chapecó 4.937 (SP) Guarulhos - 23.292
(MG) Uberlândia 4.468 (RS) Caxias do Sul - 22.405
(PR) Telêmaco Borba 3.512 (CE) Fortaleza - 21.156
(PA) Canaã dos Carajás 3.325 (MG) Belo Horizonte - 20.092
(SC) Araquari 3.164 (MG) Betim - 19.584
(CE) São Gonçalo do Amarante 3.152 (SP) Diadema - 18.052
Fonte: Elaborado pela autora, com base em RAIS (2019).
Municípios com saldo positivo de empregos e altos índices de turbulência
apresentaram um mercado de trabalho dinâmico, pois se ajustaram em proporção maior do que
os efeitos da crise. Por outro lado, os municípios que mais reduziram o saldo de empregos
formais, listados no Quadro 5, apresentaram altos índices de turbulência. Nestes casos, os
efeitos da crise econômica foram maiores do que a capacidade de realocação de emprego no
mercado de trabalho local destes municípios. Portanto, é evidente que no setor da indústria,
municípios dinâmicos do interior apresentaram maior capacidade de absorção da mão de obra
do mercado de trabalho do que as regiões metropolitanas ou mesmo as capitais com altos
índices de turbulência.
Uma explicação para a diferença da movimentação da mão de obra e absorção do
mercado de trabalho em regiões de interior e nas regiões metropolitanas pode ser seus perfis
industriais. Regiões de interior tendem a apresentar indústrias e cadeias produtivas de
necessidades primárias, como, por exemplo, indústrias de alimentos. Já regiões metropolitanas,
por sua vez, têm maior capacidade tecnológica e tendem a diversificar seus ramos industriais.
Com isto, ramos industriais que perderam poder de mercado em meio a crise passam a reduzir
seu número de trabalhadores, devido à redução da demanda por seus produtos.
Regiões metropolitanas têm demonstrado tendência à desconcentração industrial, em
especial na capital paulista, que iniciou esse processo nas últimas décadas, conforme observado
nos estudos de Negri (1994), Silva e Silveira Neto (2009) e Souza e Veríssimo (2019). Este
fenômeno justifica os saldos negativos tão expressivos nas capitais e os aumentos nos saldos de
empregos da indústria em regiões relevantes economicamente, porém de menores portes
comparados às capitais.
92
5.3.1 Análise de autocorrelação espacial da turbulência na indústria
Ao analisar o Mapa de clusters de autocorrelação espacial (Figura 17), os padrões de
altos índices de turbulência ao redor das capitais se repetem, porém, podem ser observados
efeitos de transbordamento e sua dimensão em cada região. No setor industrial há clusters de
alta intensidade de ajustamentos alocativos (AA) em onze regiões metropolitanas, de maior
para menor turbulência: São Paulo (SP), Belo Horizonte (MG), Porto Alegre (RS), Curitiba
(PR), Rio de Janeiro (RJ), Florianópolis (SC), Recife (PE), Salvador (BA), Fortaleza (CE), João
Pessoa (PB) e Natal (RN), conforme pode ser observado na Figura 17.
Figura 17 – Mapas de cluster LISA para o índice de turbulência da indústria, matriz de
contiguidade: torre, para os períodos 2011-2012, 2014-2015 e 2016-2017
Fonte: Elaborado pela autora.
I de Moran: 0,2575
2011-2012
I de Moran:
0,2931
2014-2015
I de Moran: 0,2242
93
Em relação aos clusters BB, pode-se considerar que houve autocorrelação local de
baixos índices de turbulência em duas grandes áreas: ao norte, na maior parte da Amazônia e
em parte do Acre; e o segundo, menos concentrado, abrangeu municípios em todos os estados
do Nordeste, municípios do Sudeste (em Minas Gerais) e do Centro-Oeste (em Goiás). A
concentração destes clusters BB na região Norte e Nordeste do Brasil devem estar relacionados
aos clusters do setor industrial, que tem perfil menos dinâmico do que nas demais regiões do
país.
Este padrão reforça as observações feitas nas análises de ajustamento dos maiores
valores do índice de turbulência na indústria, em que regiões mais dinâmicas e diversificadas
tendem a ser mais flexíveis, apresentando maiores índices de turbulência em momentos de
instabilidade econômica. Fenômeno que pode ser explicado pelas teorias de
aglomeração/desaglomeração e polos centrais. Afinal, as regiões que demonstraram maior
dinamismo e turbulência são consideradas polos centrais de desenvolvimento no Brasil, as
regiões metropolitanas, também correspondentes às regiões funcionais abordadas pela OECD
(2002) e por Dalberto (2018).
A dinâmica econômica de um município pode ser diversificada ou não e, ao mesmo
tempo, ser mais especializada ou menos em setores específicos. Externalidades geradas por
ambos fatores são relevantes na determinação das regiões que efetivam maiores
transbordamentos sobre o crescimento econômico e, consequentemente, impulsionam o
mercado de trabalho na região. Os estudos de Diniz e Crocco (1996), Lemos et al. (2003), Silva
e Silveira Neto (2009), Dalberto e Staduto (2013) e Dalberto (2018) demonstram que as
atividades econômicas do setor industrial no Brasil se distribuem no entorno de lugares centrais,
sendo que os principais polos da estrutura produtiva brasileira estão localizados nas regiões
metropolitanas.
Dentre estas regiões metropolitanas com altos índices de turbulência e dinamismo, há
uma hierarquia dos polos mais influentes. Os estudos citados, especialmente Diniz e Crocco
(1996), Lemos et al. (2003) e Dalberto (2018) contemplam os diferentes níveis de aglomerações
econômicas no desenvolvimento de lugares centrais em ordem de tamanho e funcionalidade na
oferta de bens. Deste modo, a partir da dimensão dos transbordamentos econômicos que
fomentam o dinamismo e a funcionalidade no mercado de trabalho, há uma hierarquia na
estrutura econômica do mercado dentro de cada polo de aglomeração e entre os principais
lugares centrais.
Em relação aos clusters AA (Figura 17), houve a formação de um corredor
interestadual de ajustamentos alocativos entre os estados de Santa Catarina e Paraná. Neste
94
corredor, os subsetores da indústria com maiores valores de turbulência evidenciam a interação
dos trabalhadores no mercado de trabalho entre os dois estados. Os subsetores com
ajustamentos interestaduais mais evidentes foram a indústria de alimentos e bebidas; indústria
têxtil; indústria química; e indústria metalúrgica. Outro ponto a ressaltar na análise de
transbordamentos é que na parte catarinense do cluster, houve mais transbordamentos espaciais
dos ajustamentos nos municípios próximos de Joinville do que nos mais próximos da capital.
Esta formação pode ser considerada um corredor de desenvolvimento, conforme
Colling e Piffer (2016). Para os autores, um corredor de desenvolvimento é formado por uma
área que conecta dois polos, podendo ter seu grau de desenvolvimento elevado por influência
de ambos os polos. No entanto, o corredor passa a ser classificado como corredor de
desenvolvimento desde que se determine objetivos de desenvolvimento para estas regiões
presentes no corredor, como estratégias de desenvolvimento elaboradas “de baixo para cima”.
O cluster de São Paulo se destaca por apresentar valores de turbulência maiores que
os demais clusters em praticamente todos os subsetores industriais. A única exceção ocorre para
a indústria de calçados, cujo cluster do Rio Grande do Sul apresentou maiores ajustamentos.
Pode-se obter um ranking dos clusters AA, que apresentaram os maiores índices de
turbulência ao somar o índice dos municípios que o compõem: primeiramente, a região de maior
intensidade de ajustamentos alocativos foi o cluster de São Paulo, depois o de Minas Gerais,
do Rio Grande do Sul, do Rio de Janeiro, do Paraná, de Santa Catarina, do Ceará, de
Pernambuco, da Paraíba, da Bahia e, por fim, o do Rio Grande do Norte.
Observou-se também clusters com comportamentos semelhantes, em que as maiores
intensidades de ajustamento ocorreram em subsetores em comum. O setor da indústria de
alimentos e bebidas se destacou ao comportar os maiores índices de turbulência em quase todos
os clusters AA. Foi um dos subsetores da indústria mais importantes para o reajustamento do
mercado de trabalho em diferentes regiões do país.
Na sequência, os subsetores que apresentaram maiores intensidades de ajustamentos,
em ordem decrescente, foram: Indústria têxtil; Indústria da madeira e do mobiliário; Indústria
de produtos minerais não metálicos; e Indústria metalúrgica. Estes subsetores demonstraram-se
entre os 7 segmentos industriais que comportaram as maiores intensidades de ajustamentos
alocativos do mercado de trabalho nos clusters AA.
Do ano de 2014 a 2016, o desemprego foi crescente em todo o país. Mesmo com altas
intensidades de ajustamentos alocativos em algumas regiões, o saldo de emprego reduzia na
maior parte dos clusters AA. No ano de 2017, o mercado de trabalho voltou a aumentar o
número de emprego formal em diversos subsetores da indústria ao mesmo tempo. Houve
95
aumento pronunciado no número de empregos nos subsetores: da indústria do material de
transportes, indústria química e indústria extrativa mineral, conforme demonstrado na Tabela
4, ainda que os índices de turbulência não tenham sido predominantemente altos nestes
subsetores.
Tabela 4 – Saldo de emprego dos cluster AA por subsetor da indústria do ano de 2016 a 2017 Cluster
Subsetor SP MG RS PR RJ SC PE BA CE PB RN
Alimentos e bebidas -4.965 2.314 -2.289 -605 -4.324 458 -269 407 -1.847 -285 -116
Têxtil -1.534 -127 382 43 -1.363 1.299* -244 -445 -220 -295 -195
Madeira e nobiliário -911 -428 -388 -540 -221 7 -47 -173 -122 -16 -108
Mineral não metálico -1.717 -664 -223 -49 -1.057 -114 -404 -512 -1.031 -237 -228
Metalúrgica -5.928 -577 -738 -599 -1.543 915 -58 218 -138 -94 -139
Extrativa mineral -1.602 4335* -145 5 -1.260 -103 -271 -364 -189 -21 -371
Química 1.116 -637 -301 493* -6.289 540 -6 -358 -629 295 -75
Calçados -323 -69 -2.118 -37 -90 111 108** -58 -45 -406 -5
Mecânica -6.564 -601 -372 -350 -1.075 143 -542 -782 -235 56* 104
Papel e gráfica -7.425 -444 -101 -186 -946 247 -571 -603 85 -128 -143
Borracha, fumo e outros -2.240 -56 -131 -203 -902 -99 42* 16* -768 -270 -270
Material de transporte -3.308 -1.718 1.968 666 -660 -14 378 430 -74 21* 12
Elétrico e Comunicação -6.707 -307 -516 -45 -107 664 9 50 129 2* -12
Nota: * ao menos um período seguido com crescimento no número de empregos.
Fonte: Elaborado pela autora com base em RAIS (2019).
Se uma região com altos índices de turbulência finalizar o período analisado com
redução no número de empregos formais, significa que houve maior número de demissões do
que de contratações dentre os ajustamentos alocativos. O inverso também é correto, quando
uma região com altos índices de turbulência finaliza o período com aumento no número de
empregos formais, significa que houve maior geração de empregos do que redução dentre os
ajustamentos alocativos.
Portanto, o índice de turbulência identifica os maiores ajustamentos ocorridos no
mercado de trabalho, seja por reflexo da geração de empregos ou desemprego. Diante dos
valores dos índices de turbulência e dos saldos de emprego na indústria de grande parte do país,
pode-se dizer que o setor tem demonstrado lenta recuperação. Com base na teoria do equilíbrio
keynesiano, este cenário consiste em um período de estabilidade econômica com alto
desemprego.
5.4 AJUSTAMENTOS ALOCATIVOS NO COMÉRCIO E SERVIÇOS
Comércio e serviços foi o setor que apresentou os maiores volumes de ajustamentos
alocativos nos municípios entre todos os setores e o único a apresentar valores do índice de
96
turbulência superiores a 1,0 – chegando a registrar o valor de 2,1032 na capital São Paulo (SP)
no primeiro período da análise (Quadro 5). Nesse período, o município de São Paulo apresentou
grande aumento do número de empregos no setor C&S, em quase todos os subsetores.
O fato de os maiores índices de turbulência ocorrerem no setor de comércio e serviços
reflete que este foi o setor com maiores volumes de ajustamentos no mercado de trabalho entre
desligamentos e contratações. No último período da análise (2016-2017), foi o segundo setor a
apresentar o maior aumento no número de empregos no país, atrás somente do setor da
administração pública.
O aumento das atividades do setor de serviços pode estar diretamente associado ao
processo de reestruturação econômica e espacial do mercado de trabalho (KON, 1999;
PIACENTI, ALVES, FERRERA DE LIMA, 2008). O período de desequilíbrio econômico em
análise representa uma quebra no ritmo de crescimento econômico das atividades econômicas,
isso fez o mercado de trabalho passar por uma reorganização da mão de obra para depois voltar
a apresentar um equilíbrio e retomar o crescimento econômico.
Parte desta reestruturação da mão de obra pode ser explicada pelas alterações de saldo
de emprego nos setores da indústria e do C&S. O setor industrial foi um dos setores que sofreu
maior redução do número de empregos no período analisado, o que pode indicar que o setor de
C&S pode estar absorvendo parte relevante deste número, ou seja, há evidências de
ajustamentos alocativos entre os dois setores, principalmente nos grandes centros hierárquicos,
ou seja, nas regiões metropolitanas.
As capitais brasileiras foram cenários importantes para os ajustamentos no comércio e
serviços, em intensidade ainda maior do que na indústria. Conforme o ranking dos municípios
com os maiores índices de turbulência, no Quadro 6, constatou-se a presença de dezessete
capitais entre estes municípios nos três períodos apresentados. Onze destas capitais se
classificaram entre os maiores TURB nos três períodos, consecutivamente.
Os demais municípios listados no Quadro 6, em sua maioria, se localizam próximos às
capitais. O que reforça o padrão identificado de que regiões mais dinâmicas e diversificadas
tendem a apresentar as maiores taxas de ajustamentos alocativos para se adaptarem aos efeitos
do choque econômico ocorrido.
As capitais São Paulo (SP), Rio de Janeiro (RJ), Belo Horizonte (MG) e Recife (PE)
se destacam por apresentarem a mesma posição no ranking (1º, 2º, 3º e 5º, respectivamente)
nos três períodos. Entre os ajustamentos do mercado de trabalho destas capitais, houve aumento
do número de empregos nos subsetores de serviços médicos e ensino, principalmente no último
97
intervalo de tempo. Todavia, o saldo de empregos ao final de 2017 foi negativo em todas elas,
tanto em relação ao ano de 2012 quanto de 2015.
Quadro 6 – Municípios com maior índice de turbulência no setor de comércio e serviços nos
períodos 2011-2012, 2014-2015 e 2016-2017 (UF) Município
ranking TURB
2011-2012 ranking
TURB
2014-2015 ranking
TURB
2016-2017
(SP) São Paulo 1 2,1032 1 1,612 ↔ 1 1,8103 ↔
(RJ) Rio de Janeiro 2 1,4515 2 1,1686 ↔ 2 1,6892 ↔
(MG) Belo Horizonte 3 0,9978 3 0,9522 ↔ 3 0,7329 ↔
(DF) Brasília 4 0,9624 4 0,7467 ↔ 7 0,3625 ↓
(PE) Recife 5 0,6662 5 0,7308 ↔ 5 0,4335 ↔
(CE) Fortaleza 6 0,4978 10 0,3935 ↓ 10 0,3156 ↔
(PR) Curitiba 7 0,4780 11 0,3863 ↓ 11 0,3141 ↔
(GO) Goiânia 8 0,4736 12 0,3746 ↓ 12 0,2870 ↔
(MA) São Luís 9 0,3670 7 0,5119 ↑ 18 0,1859 ↓
(BA) Salvador 10 0,3660 6 0,7204 ↑ 4 0,5390 ↑
(PA) Belém 11 0,3605 27 0,1791 ↓ 9 0,3316 ↑
(SP) Bauru 12 0,3605 9 0,4239 ↑ 30 0,0462 ↓
(PE) Jaboatão dos
Guararapes 13 0,3395 29 0,1266 ↓ 19 0,1842 ↑
(RJ) Duque de Caxias 14 0,3202 24 0,2053 ↓ 23 0,1736 ↑
(RS) Porto Alegre 15 0,3003 13 0,3489 ↑ 6 0,3880 ↑
(SP) Santo André 16 0,2953 30 0,1004 ↓ 22 0,1773 ↑
(BA) Queimadas 17 0,2766 32 0,0005 ↓ 32 0,0021 ↔
(BA) Lauro de Freitas 18 0,2707 25 0,2039 ↓ 15 0,2682 ↑
(RN) Natal 19 0,2528 21 0,2300 ↓ 17 0,2136 ↑
(GO) Alexânia 20 0,2416 31 0,0067 ↓ 31 0,0028 ↔
(SP) Campinas 21 0,2404 18 0,2482 ↑ 21 0,1801 ↓
(RJ) Itaboraí 22 0,2357 15 0,3266 ↑ 29 0,0512 ↓
(RJ) Niterói 23 0,2339 26 0,1850 ↓ 16 0,2587 ↑
(AM) Manaus 24 0,2292 23 0,2187 ↑ 8 0,3337 ↑
(PA) Altamira 25 0,2287 14 0,3313 ↑ 26 0,0831 ↓
(SP) Barueri 26 0,2047 16 0,2672 ↑ 13 0,2810 ↑
(PI) Teresina 27 0,1809 8 0,4626 ↑ 24 0,1386 ↓
(SP) São Bernardo do Campo 28 0,1669 20 0,2316 ↑ 27 0,0822 ↓
(AL) Maceió 29 0,1577 22 0,2198 ↑ 20 0,1835 ↑
(RJ) Macaé 30 0,1396 28 0,1399 ↑ 14 0,2767 ↑
(RO) Porto Velho 31 0,1143 17 0,2636 ↑ 28 0,0689 ↓
(SP) Mogi das Cruzes 32 0,1104 19 0,2396 ↑ 25 0,0985 ↓
Nota: ↔ município que manteve sua posição em relação ao período anterior; ↑ município subiu de posição em
relação ao período anterior; ↓ município caiu de posição em relação ao período anterior; 20 municípios com
maiores TURB por período; municípios entre os 20 com maiores TURB nos 3 períodos.
Fonte: Elaborado pela autora.
98
Do primeiro período (2011-2012) ao segundo (2014-2015), no Quadro 6, não houve
tendência de aumento ou de redução evidente nos ajustamentos alocativos. Do segundo período
ao último, houve maior tendência de redução do índice de turbulência em 60% dos municípios.
O que indica que entre desligamentos de vínculos empregatícios e novas contratações, a maior
parte destes municípios comportou os maiores volumes de ajustamentos alocativos no período
inicial da análise e no auge da crise macroeconômica, reduzindo a intensidade da turbulência
no final do período.
Já em relação aos 5.563 municípios brasileiros, houve maiores ajustamentos alocativos
no período dos anos 2016 a 2017. Com isso, se observa um efeito de ajustamento do mercado
de trabalho mais lento nas demais regiões do país do que nas regiões mais dinâmicas, apontadas
na lista dos municípios com maiores ajustamentos (regiões metropolitanas e municípios com
os maiores índices de turbulência). No Quadro 7 estão listados os municípios com os maiores
e menores saldos de empregos formais no comércio e serviços do ano de 2012 a 2017.
Quadro 7 – Municípios brasileiros com os maiores e menores saldos de emprego formal no
comércio e serviços do ano 2012 a 2017 (valor absoluto) Municípios com MAIORES saldos Saldo Municípios com MENORES saldos Saldo
(DF) Brasília 65.080 (SP) São Paulo - 369.952
(TO) Palmas 18.956 (RJ) Rio de Janeiro - 267.352
(MG) Uberlândia 14.077 (MG) Belo Horizonte - 233.362
(PR) Toledo 13.381 (PR) Curitiba - 104.249
(CE) Caucaia 10.002 (PE) Recife - 74.378
(PB) Campina Grande 7.931 (BA) Salvador - 73.504
(MT) Lucas do Rio Verde 7.908 (RS) Porto Alegre - 67.386
(SC) Chapecó 7.740 (AM) Manaus - 50.669
(RJ) Marica 7.168 (PE) Ipojuca - 41.543
(SC) Florianópolis 6.968 (RO) Porto Velho - 31.366
Fonte: Elaborado pela autora, com base em RAIS (2019).
Novamente, assim como na indústria, as maiores reduções do número de empregos
ocorreram em capitais que apresentaram os maiores índices de turbulência. Logo, os efeitos da
crise sobre o desemprego foram mais intensos do que a capacidade de ajustamento do mercado
de trabalho no comércio e serviços nestas capitais listadas ao lado direito do Quadro 7. Este
setor tem grande capacidade de absorção da mão de obra desligada em momentos de
reestruturação da economia, afinal o setor abrange indivíduos com altas e com baixas
qualificações.
Conforme Kon (1999), em países desenvolvidos a estrutura produtiva se inicia
fortalecendo o setor secundário, de indústrias, e posteriormente se difunde para o setor terciário
99
da economia. Em economias em desenvolvimento, o imigrante que sai do meio rural para o
urbano se dirige primeiramente ao setor terciário para adquirir preparo necessário e habilidades,
e, posteriormente se desloca para o setor industrial. Por outro lado, há um limite para a
velocidade e capacidade de absorção da mão de obra pelo setor, especialmente em países em
desenvolvimento, mas também em países altamente desenvolvidos.
Quanto aos municípios com maiores aumentos no número de empregos, os municípios
listados tanto no Quadro de municípios com maiores saldos de empregos da indústria (Quadro
430) quanto do comércio e serviços (Quadro 7) foram: Brasília (DF), Uberlândia (MG), Toledo
(PR) e Chapecó (SC). Isto permite inferir que estes municípios tiveram importância como
geradores de emprego em suas regiões devido aos seus perfis produtivos, de modo que podem
ter atraído parte da mão de obra desligada de outras regiões que apresentaram altos valores de
turbulência e saldo negativo de emprego.
5.4.1 Análise de autocorrelação espacial da turbulência no comércio e serviços
O Mapa de clusters de autocorrelação espacial para o comércio e serviços revela que
o padrão observado na indústria praticamente se repete, há incidência de altos valores do índice
de turbulência ao redor das capitais e de baixos valores de turbulência principalmente nas
regiões Norte e Nordeste, porém em menor incidência do que na indústria.
Ao comparar os 3 períodos (2012, 2015 e 2017), nota-se a formação de treze clusters
de ajustamentos alocativos significativamente altos (AA). Esses se distribuem de forma
dispersa no território nacional e se concentram próximos ou abrangem as capitais dos estados
em que se encontram, como demonstrado, a seguir, no mapa de clusters LISA dos 5.563
municípios brasileiros, na Figura 18.
Os clusters AA foram organizados em ordem decrescente em relação aos valores do
índice de turbulência geral, estão localizados nas regiões de: São Paulo (SP), Rio de Janeiro
(RJ), Goiânia (GO), Salvador (BA), Recife (PE), Belo Horizonte (BH), São Luís (MA), Curitiba
(PR), Florianópolis (SC), Porto Alegre (RS), Fortaleza (CE), Vitória (ES) e Natal (RN).
Novamente o cluster paulista apresentou os maiores valores do índice de turbulência
e foi composto pela maior quantidade de municípios autocorrelacionados. O padrão de
ajustamentos alocativos deste setor reforça a análise dos ajustamentos de todo o mercado de
30 Página 84.
100
trabalho (subitem 5.1), em que as maiores movimentações do mercado ocorrem próximas à
grandes polos de desenvolvimento, seguindo a hierarquia dos polos centrais.
Figura 18 – Mapas de cluster LISA para o índice de turbulência do comércio e serviços, matriz
de contiguidade: torre, para os períodos 2011-2012, 2014-2015 e 2016-2017
Fonte: Resultados da pesquisa (2020).
Os ajustamentos do setor de C&S estão associados ao de desenvolvimento de cada
região, o que corresponde a seus níveis na hierarquia dos lugares centrais. Conforme Lemos et
al. (2003), essa hierarquia é iniciada pelo centro de maior tamanho (São Paulo e Rio de Janeiro),
que supre a necessidade de serviços especializados a centros menores, principalmente serviços
ofertados para a produção regional. Logo, quanto mais dinâmica e desenvolvida for a região,
I de Moran: 0,1648
2011-2012
I de Moran: 0,1857
2014-2015
I de Moran: 0,1812
101
maior tende a ser seu potencial de flexibilidade e de ajustamento alocativo em momentos de
instabilidade econômica.
Em relação aos clusters AA, os subsetores que compõem o setor C&S podem ser
classificados de maior turbulência para menor na seguinte sequência: construção civil;
comércio varejista; administradoras de imóveis, valores mobiliários, serviços técnicos
profissionais; serviços de alojamento, alimentação, reparo, manutenção, radiodifusão e
televisão; transporte e comunicações; comércio atacadista; serviços médicos, odontológicos e
veterinários; ensino; serviços industriais de utilidade pública; e instituições de crédito, seguros
e de capitalização.
Dentre estes, os três subsetores mais importantes para os ajustamentos alocativos nas
regiões de clusters AA coincidiram: construção civil; comércio varejista; e administradoras de
imóveis, valores mobiliários, serviços técnicos profissionais e auxiliar de atividades
econômicas. Esses três subsetores comportaram mais da metade de todo o ajustamento
alocativo nos cluster AA no setor C&S. A Tabela 5 apresenta o saldo de empregos dos clusters
AA, por subsetor de atividade do setor comércio e serviços, no último período da análise (2016
para 2017), momento que a taxa de desemprego interrompeu seu crescimento.
Tabela 5 – Saldo de emprego de cada cluster AA por subsetor de comércio e serviços do ano
de 2016 a 2017
Cluster
Subsetor SP MG GO BA SC RN RS CE PR ES PE MA RJ
Constr. civil -36.913 -8.897 719 -7.192 266 -736 -2.416 -3.656 -6.449 -1.884 -3.052 -57 -18.615
Comércio
varejista -5.638 1.471 -557 -3.065 2.098 -938 -29 -2.252 -4.799 -1.196 -1.705 -322 -13.400
Mobiliários e
atividades
econômicas
20.759 6.717 1.733 -2.197 -101 3.871 -3.009 -234 903 -644 -2.036 -755 -16.047
Alojamento,
alimentação -1.822 -4.913 1.352 -4.034 745 -440 -4.326 -5.138 1.189 147 -6.647 -26 -27.554
Transporte e
comunicações -8.440 -215 879* -5.359 656 -215 -3.121 325 188 -2.720 -2.514 966* -16.020
Comércio
atacadista 7.409 -3.198 143 322 169 548* -183 982 682* -190 -2.233 102 -3.267
Serv. médicos 11.907** 355 436 2.449** 340** 378 3.029 1.678** -1.935 1.090* -1.983 -177 -61
Ensino 9.191** -6.619 1.862 2.681 915** 147 710 358** -1.142 1.420 2.553 - 20 -1.087
SIUP -4.217 -84 318 41 84 -429 -1.285 61 -846 158 1.100* 155 -829
Instituições
financeiras -3.712 -2.462 -54 -688 -28 14 -768 109 -158 369 -525 7* -947
Nota: * ao menos um período seguido com crescimento no número de emprego; ** todos os períodos apresentaram
aumento no número de empregos.
Fonte: Elaborado pela autora com base em RAIS (2019).
Em alguns clusters AA, os três subsetores mais importantes em termos de turbulência
também apresentaram aumento no número de empregos do ano 2016 a 2017. Destes, destacam-
102
se principalmente o subsetor de serviços mobiliários e atividade econômica. Todavia, os
subsetores que comportaram os maiores aumentos no número de empregos formais foram:
serviços médicos, odontológicos e veterinários; e de ensino, respectivamente. Estes dois setores
apresentaram crescimento no número de empregos nos 6 períodos analisados.
O cluster de São Paulo, apesar de apresentar o maior índice de turbulência, apresentou
também o maior crescimento do número de empregos neste último período demonstrado na
Tabela 5. Este fenômeno pode estar associado ao tamanho do cluster que abrange 102
municípios, ao dinamismo da região metropolitana de São Paulo e seu potencial efeito de
aglomeração e desaglomeração de atividades econômicas e emprego (ISARD, 1960). Portanto
ele se caracteriza como o maior cluster de autocorrelação, seu dinamismo gera efeitos de
transbordamentos para uma grande região. Pode-se relacionar este cenário à teoria de Kon
(1999) da reestruturação da mão de obra, porém diretamente relacionada com a hierarquia dos
polos, demonstrada no mapa das redes urbanas brasileiras (Figura 4). Em regiões mais
desenvolvidas, o setor terciário da economia se torna um indutor do processo de
desenvolvimento regional e seu potencial de geração de empregos é potencializado.
5.5 AJUSTAMENTOS ALOCATIVOS NA ADMINISTRAÇÃO PÚBLICA
O setor da administração pública é predominantemente formado por servidores
concursados ou eleitos via votações populares, no entanto ainda há diversos cargos de confiança
(criados e excluídos conforme necessidade, à critério das autoridades administrativas de cada
região), cargos temporários, novas contratações, saída por aposentadoria e desligamento
voluntário que podem gerar as movimentações alocativas neste setor.
Dentre os municípios brasileiros com maiores ajustamentos alocativos na
administração pública, as capitais foram os locais mais importantes para os ajustamentos
alocativos do setor. Afinal, é onde se concentram as maiores quantidades de indivíduos
trabalhando neste setor devido à quantidade de cargos nestes ambientes de sede do Governo
Estadual das unidades federativas e sedes administrativas de instituições governamentais.
As oito capitais que se mantiveram entre os maiores índices nos três períodos,
consecutivamente, em ordem decrescente em termos de volume de ajustamentos, foram: São
Paulo (SP), Belo Horizonte (MG), Brasília (DF), Curitiba (PR), Belém (PA), Goiânia (GO),
Salvador (BA) e Fortaleza (CE). No entanto, não houve padrão claro de ajustamentos entre
estas capitais, o que indica que o setor não foi atingido efetivamente pelos choques da crise. O
Quadro 8 apresenta os municípios que apresentaram os maiores índices de turbulência no setor.
103
Quadro 8 – Municípios com maior índice de turbulência no setor de administração pública nos
períodos 2011-2012, 2014-2015 e 2016-2017
(UF) Município ranking TURB
2011-2012 ranking
TURB
2014-2015 ranking
TURB
2016-2017
(PR) Curitiba 1 0,7747 12 0,1237 ↓ 10 0,1334 ↑
(PA) Belém 2 0,7262 15 0,0980 ↓ 8 0,1524 ↑
(SP) São Paulo 3 0,6345 9 0,1516 ↓ 1 1,2797 ↑
(MG) Belo Horizonte 4 0,5268 2 0,5851 ↑ 3 0,3605 ↓
(BA) Salvador 5 0,3561 14 0,0982 ↓ 4 0,2390 ↑
(RJ) Rio de Janeiro 6 0,3147 3 0,5382 ↑ 34 0,0091 ↓
(MS) Campo Grande 7 0,2937 36 0,0031 ↓ 20 0,0746 ↑
(PE) Recife 8 0,2222 23 0,0750 ↓ 15 0,0871 ↑
(DF) Brasília 9 0,2008 1 0,7296 ↑ 7 0,1703 ↓
(AM) Manaus 10 0,1578 17 0,0920 ↓ 31 0,0116 ↓
(RJ) Cabo Frio 11 0,1417 34 0,0100 ↓ 35 0,0083 ↓
(GO) Goiânia 12 0,1266 7 0,2082 ↑ 2 0,4272 ↑
(CE) Caucaia 13 0,0977 16 0,0958 ↓ 23 0,0595 ↓
(CE) Fortaleza 14 0,0962 11 0,1320 ↑ 5 0,2125 ↑
(RJ) São Gonçalo 15 0,0952 35 0,0096 ↓ 27 0,0301 ↑
(PI) Teresina 16 0,0924 25 0,0627 ↓ 33 0,0099 ↓
(BA) Lauro de Freitas 17 0,0831 22 0,0754 ↓ 28 0,0234 ↓
(RJ) Mangaratiba 18 0,0766 31 0,0263 ↓ 32 0,0102 ↓
(SE) Aracaju 19 0,0761 8 0,1936 ↑ 26 0,0393 ↓
(AM) Coari 20 0,0747 28 0,0373 ↓ 22 0,0602 ↑
(MA) São Luís 21 0,0720 10 0,1440 ↑ 30 0,0135 ↓
(PB) João Pessoa 22 0,0603 30 0,0318 ↓ 6 0,1868 ↑
(RJ) Niterói 23 0,0584 21 0,0764 ↑ 13 0,0873 ↑
(AP) Macapá 24 0,0575 5 0,2998 ↑ 36 0,0059 ↓
(RJ) Marica 25 0,0415 26 0,0555 ↓ 17 0,0839 ↑
(RJ) Magé 26 0,0367 33 0,0157 ↓ 12 0,0920 ↑
(RN) Natal 27 0,0353 4 0,4026 ↑ 11 0,1293 ↓
(RJ) Saquarema 28 0,0317 20 0,0771 ↑ 19 0,0804 ↑
(SC) Florianópolis 29 0,0257 6 0,2683 ↑ 25 0,0448 ↓
(ES) Vitoria 30 0,0232 29 0,0323 ↑ 18 0,0817 ↑
(MG) Montes Claros 31 0,0206 13 0,1034 ↑ 24 0,0480 ↓
(RJ) São João de Meriti 32 0,0196 27 0,0466 ↑ 16 0,0854 ↑
(RS) Porto Alegre 33 0,0191 32 0,0243 ↑ 9 0,1497 ↑
(PE) Caruaru 34 0,0176 18 0,0869 ↑ 21 0,0654 ↓
(PA) Castanhal 35 0,0051 19 0,0798 ↑ 29 0,0138 ↓
(TO) Palmas 36 0,0049 24 0,0724 ↑ 14 0,0872 ↑
Nota: ↔ município que manteve sua posição em relação ao período anterior; ↑ município subiu de posição em
relação ao período anterior; ↓ município caiu de posição em relação ao período anterior; 20 municípios com
maiores TURB por período; municípios entre os 20 com maiores TURB nos 3 períodos.
Fonte: Elaborado pela autora.
Em cada período analisado, diferentes municípios apresentaram o maior índice de
turbulência em cada período. Todavia, o maior valor entre os 6 períodos e único acima da marca
104
de 1.0 ocorreu no município de São Paulo (SP), no último período da análise (1.2797),
demonstrado no Quadro 9, a seguir. Ao analisar o número de vínculos empregatícios ativos da
administração pública no município, observa-se que houve redução do número de empregos
nos seis períodos da análise. Ou seja, a capital paulista reduziu mais cargos do que efetivou
novas contratações nos últimos anos (2012-2017).
Os momentos de alta turbulência registrados neste setor estão mais relacionados às
trocas de governo e às decisões de direcionamento de verba para determinados setores
econômicos. Cada instituição pública é controlada pela administração pública, localizada
principalmente nas capitais e região de cada estado. Estas decisões do controle de verba e seus
direcionamentos são tomadas pelo Ministério da Fazenda, Governo Federal, conforme a
necessidade de cada setor. No Quadro 9 estão listados os municípios com os maiores e com os
menores saldos de empregos neste setor.
Quadro 9 – Municípios brasileiros com os maiores e menores saldos de emprego formal na
administração pública do ano 2012 a 2017 (valor absoluto)
Municípios com MAIORES saldos Saldo Municípios com MENORES saldos Saldo
(DF) Brasília 57.854 (SP) São Paulo -112.950
(GO) Goiânia 16.377 (MG) Belo Horizonte -44.148
(AP) Macapá 13.267 (RJ) Rio de Janeiro -37.068
(TO) Palmas 11.801 (PR) Curitiba -36.847
(PA) Belém 9.247 (RS) Porto Alegre -25.100
(CE) Fortaleza 7.877 (PB) João Pessoa -21.038
(PA) Parauapebas 6.759 (RN) Natal -13.649
(MS) Campo Grande 6.217 (PE) Recife -11.402
(RJ) Niterói 6.070 (MA) São Luís -5.000
(RJ) Cabo Frio 5.175 (SE) Aracaju -2.703
Fonte: Elaborado pela autora, com base em RAIS (2019).
Com o aumento da dívida pública, segundo Perondi (2017) e Barbosa Filho (2017),
um dos fatores que levaram à crise econômica de 2014, houve a necessidade de cortes nos
gastos públicos. Logo, houve regiões que tiveram instituições e cargos administrativos extintos
e/ou que se fundiram para manter suas atividades ativas mesmo com menor quantidade de
servidores. Os maiores atingidos por estes desligamentos (entre outros motivos regionais que
podem estar envolvidos) foram as regiões metropolitanas de São Paulo, Belo Horizonte e outras
capitais, conforme demonstra o Quadro 9. Ao mesmo tempo, outras capitais estão entre os
municípios com os maiores aumentos no número de empregos.
Mesmo com as reduções do número de emprego em algumas regiões, ao final de 2017
o setor ainda apresentou crescimento em aproximadamente 70% dos municípios brasileiros em
relação a 2012. Conforme a RAIS (2019), a administração pública foi o setor com o maior
105
aumento do número de empregos formais no país no período da análise, entre todos os setores,
o que pode ser considerado comum em tempos de pouco dinamismo.
5.5.1 Análise de autocorrelação espacial da turbulência na administração pública
Na análise da autocorrelação espacial, diferente dos dois últimos setores analisados,
os clusters BB da administração pública se distribuíram principalmente nas regiões Sul e
Sudeste do país. Isso significa que nos períodos analisados, houve menores mudanças no
número de empregos no setor da administração pública nestas regiões. Não houve aumento nem
crescimento evidente, portanto pode-se dizer que o setor da administração pública na região Sul
e em boa parte do estado de São Paulo não sentiu os efeitos de choque da crise econômica.
Os clusters AA formam-se principalmente próximos à capitais, assim como nos dois
setores analisados previamente. Porém, neste setor nota-se uma mudança na localização dos
clusters AA também, assim como em seus padrões de ajustamentos. Formam-se pequenos
clusters e, em cada período analisado eles são compostos por diferentes municípios, próximos
entre si. É importante citar que o C&S foi o setor que teve os menores índices de turbulência,
portanto, o setor que sofreu menos os efeitos da crise econômica.
Portanto, uniu-se os municípios vizinhos classificados como AA nos 3 períodos
analisados na Figura 19 e formou-se 10 clusters AA de autocorrelação espacial. São eles, de
maior para menos índice de turbulência: Rio de Janeiro (RJ), Brasília (DF), Belém (PA), Recife
(PE), Goiânia (GO), Fortaleza (CE), Macapá (AM), João Pessoa (PB), Vitória (ES), Teresina
(PI) e Maranhão, unindo-se ao cluster piauiense.
A Figura 19 caracteriza a administração pública como o único setor do mercado de
trabalho a apresentar clusters AA de autocorrelação espacial na região norte do Brasil. Esse
fenômeno, assim como os setores da indústria e do C&S, pode ser explicado pelas teorias do
desenvolvimento regional pois os trabalhadores deste setor se aglomeraram principalmente nos
polos de crescimento, proporcionalmente ao tamanho e influência destes polos na hierarquia
urbana. No entanto, sob a perspectiva de que determinada região não é dinâmica, a região
afetará diretamente o seu mercado de trabalho. Deste modo, a oferta de empregos na
administração pública pode ser uma medida política de geração de empregos.
106
Figura 19 – Mapas de cluster LISA para o índice de turbulência da administração pública, matriz
de contiguidade: torre, para os períodos 2011-2012, 2014-2015 e 2016-2017
Fonte: Elaborado pela autora.
Dentre os clusters AA, há 4 que apresentaram autocorrelação espacial com estados
vizinhos, indicando haver interação do mercado de trabalho entre os clusters de: Goiás com o
Distrito Federal; de Pernambuco com o da Paraíba; de Amazonas com o de Pará; e do Piauí
com o do Maranhão. Os ajustamentos alocativos dos trabalhadores neste setor indicam o
aumento de vagas de emprego por concursos ou cargos de confiança. Portanto, o aumento de
empregos se refere à criação de novos postos, enquanto sua redução pode ser proveniente de
aposentadorias, destruição de cargos, ou ainda de demissões voluntárias.
O ciclo de aumento e de redução de empregos no cluster do DF foi claramente marcado
I de Moran: 0,0445
2011-2012
I de Moran: 0,0525
2014-2015
I de Moran: 0,0489
107
por períodos de troca de mandato político. Isso pode ser observado tanto nos valores de
turbulência quanto no saldo de empregos. Já o cluster de Goiás apresenta comportamentos
opostos, ou seja, quando o Distrito Federal aumenta o valor do índice de turbulência, o cluster
goiano reduz o valor.
Este comportamento demonstra a possibilidade de uma relação complementar entre
eles. Pode-se observar este fenômeno na Tabela 6, quando há redução do número de empregos
em um cluster, há aumento no outro.
Tabela 6 – Saldo de emprego de cada cluster AA no setor de administração pública para os seis
períodos período t
Cluster 2011-2012 2012-2013 2013-2014 2014-2015 2015-2016 2016-2017
RJ - 24.767 16.330 - 14.959 - 26.703 - 12.281 16.428
DF 1.025 71.407 25.019 - 46.823 13.777 - 5.526
GO - 5.154 13.749 - 16.977 6.337 3.504 26.259
PE - 18.545 11.179 - 3.957 - 3.729 - 17.026 2.183
PB - 2.861 3.557 - 5.006 - 3.277 - 5.765 - 5.883
CE - 11.141 - 296 7.114 13.206 - 24.333 21.415
AM 7.156 6.192 2.372 - 1.355 - 1.885 3.247
PA - 37.286 36.897 - 9.091 9.363 - 19.768 9.528
ES 1.763 4.290 3.165 - 4.824 - 4.806 6.775
PI 6.889 - 1.082 951 - 902 595 - 32
MA 748 73 1.560 - 1.524 - 2.096 - 188
Fonte: Elaborado pela autora com base em RAIS (2019).
Nota-se que os altos valores de turbulência deste setor, na maioria dos clusters AA,
estão associadas ao baixo dinamismo e especialização das regiões. Outro fato relevante nesta
análise é que as capitais estaduais, além de geralmente apresentarem as maiores quantidades de
emprego no setor da administração pública, elas tendem a aglomerar elevadas quantidades de
empregos nos municípios próximos em seu entorno, o que também justifica os clusters AA
estarem todos próximos das capitais.
Neste caso, o cluster AA com o maior valor do índice de turbulência, da região
metropolitana da capital do Rio de Janeiro, não foi formado pelo maior número de municípios,
nem obteve o maior saldo de empregos como havia observado nos setores da indústria e do
comércio e serviços. Entretanto, o cluster comportou grandes volumes de ajustamento em
relação aos demais e, em relação ao saldo de emprego, após três períodos seguidos com redução
no número de empregos, passou a apresentar saldo positivo do ano de 2016 a 2017.
108
5.6 AJUSTAMENTOS ALOCATIVOS NA AGROPECUÁRIA
Os ajustamentos alocativos dos indivíduos que compõem o mercado de trabalho
formal no setor da agropecuária se diferenciam dos demais setores de atividade. Portanto, sua
análise requer um olhar baseado na literatura científica para compreensão dos fenômenos que,
apesar de discretos, estão fortemente ligados às regiões de fronteiras agrícolas e suas rotas de
expansão (SOUZA, 1993; ANDRADE; SERRA, 1998; SISCÚ E LIMA, 2000; ORLANDI et
al., 2012).
Os maiores ajustamentos alocativos ocorreram nas regiões de grandes polos de
crescimento econômico da agropecuária. Os maiores índices de turbulência são observados
principalmente na região Sudeste: nos estados de São Paulo e de Minas Gerais. Diferente dos
demais setores, os maiores ajustamentos alocativos estão distribuídos em municípios do interior
dos estados. As únicas capitais a apresentarem altos ajustamentos alocativos foram Belo
Horizonte (MG) e Brasília (DF), conforme demonstrado no Quadro 10 e na Figura 20.
Os estados de São Paulo e de Minas Gerais, onde ocorreu a maior parte dos altos
índices de turbulência, são regiões dinâmicas e com produções agropecuárias altamente
diversificadas e mecanizadas. O Sudeste beneficia-se de vantagens competitivas em relação a
outras regiões, como a rede de inovação tecnológica agropecuária, composta pelo maior número
de instituições de pesquisa direcionadas ao ramo, infraestrutura desenvolvida e acesso facilitado
a mecanismos. Além disso, aproximadamente 55% da mão de obra empregada em
estabelecimentos agrícolas não familiares de todo o país trabalhavam na região Sudeste em
2006, especialmente nesses dois estados (CASTRO, 2014).
Mesmo com tamanha importância do setor para a economia do país31, nota-se que a
agropecuária demonstrou os mais baixos índices de turbulência entre os 4 setores de atividade.
Este fenômeno pode ser atribuído a diversos fatores, por exemplo, alta incidência de mão de
obra informal empregada no setor que não foi considerada no cálculo da turbulência; presença
de indivíduos cadastrados no banco de dados da RAIS que tendem a apresentar maiores
estabilidades em suas terras ou em instituições do ramo agropecuário; produções diversificadas
têm intensificado o uso de mecanização, cujo processo reduz a contratação de mão de obra
temporária; ou ainda, o setor não sentiu tanto os efeitos da crise quanto os demais setores. Segue
31 Nos últimos anos da análise, em especial no ano de 2017, a agropecuária tem aumentado sua participação no
PIB brasileiro, enquanto os demais setores têm reduzido. No ano de 2017, a participação total da agropecuária
foi de 23% a 24% do PIB, de acordo com o Ministério da Agricultura, Pecuária e Abastecimento (MAPA, 2017).
109
o Quadro 10 com os municípios que apresentaram os maiores ajustamentos alocativos nos
períodos analisados.
Quadro 10 – Municípios com maior índice de turbulência no setor de agropecuária nos períodos
2011-2012, 2014-2015 e 2016-2017
(UF) Município ranking TURB
2011-2012 ranking
TURB
2014-2015 ranking
TURB
2016-2017
(PE) Cabo de Santo
Agostinho 1 0,0626 20 0,0059 ↓ 28 0,0011 ↓
(SP) Promissão 2 0,0621 5 0,0430 ↓ 16 0,0133 ↓
(SP) Brejo Alegre 3 0,0601 2 0,0660 ↑ 19 0,0083 ↓
(SP) Matão 4 0,0582 1 0,0791 ↑ 5 0,0391 ↓
(GO) Goiatuba 5 0,0518 22 0,0043 ↓ 17 0,0094 ↑
(MG) Belo Horizonte 6 0,0391 31 0,0006 ↓ 21 0,0046 ↑
(SP) Itapetininga 7 0,0382 30 0,0006 ↓ 22 0,0035 ↑
(SP) Ibirarema 8 0,0325 36 0,0001 ↓ 33 0,0004 ↑
(PA) Belém 9 0,0303 25 0,0035 ↓ 25 0,0022 ↔
(SP) Pirassununga 10 0,0299 21 0,0057 ↓ 10 0,0327 ↑
(MG) Uberaba 11 0,0294 33 0,0004 ↓ 24 0,0034 ↑
(PB) Sape 12 0,0285 29 0,0006 ↓ 27 0,0018 ↑
(PE) Ipojuca 13 0,0262 16 0,0146 ↓ 35 0,0002 ↓
(GO) Perolândia 14 0,0249 32 0,0005 ↓ 32 0,0004 ↔
(PA) Moju 15 0,0207 17 0,0095 ↓ 13 0,0278 ↑
(SP) Bebedouro 16 0,0183 3 0,0447 ↑ 2 0,0948 ↑
(MG) Uberlândia 17 0,0153 15 0,0169 ↑ 1 0,0976 ↑
(MS) Naviraí 18 0,0096 10 0,0262 ↑ 20 0,0053 ↓
(SP) Monte Aprazível 19 0,0093 19 0,0068 ↔ 6 0,0374 ↑
(PR) Campo Mourão 20 0,0090 35 0,0001 ↓ 9 0,0352 ↑
(SP) Mogi Guaçu 21 0,0089 27 0,0021 ↓ 8 0,0353 ↑
(SC) Itainópolis 22 0,0087 28 0,0007 ↓ 11 0,0303 ↑
(PE) Petrolina 23 0,0082 7 0,0350 ↑ 15 0,0170 ↓
(SP) Colômbia 24 0,0055 24 0,0035 ↔ 3 0,0439 ↑
(PA) Santarém 25 0,0039 8 0,0285 ↑ 34 0,0003 ↓
(SP) Paraguaçu Paulista 26 0,0027 13 0,0211 ↑ 29 0,0010 ↓
(MG) Belo Oriente 27 0,0014 11 0,0259 ↑ 31 0,0005 ↓
(MG) Comendador Gomes 28 0,0013 18 0,0073 ↑ 14 0,0273 ↑
(SC) São José 29 0,0008 23 0,0039 ↑ 12 0,0287 ↑
(SP) Jaú 30 0,0006 26 0,0029 ↑ 7 0,0373 ↑
(MG) Nova Era 31 0,0006 9 0,0264 ↑ 26 0,0018 ↓
(AL) Atalaia 32 0,0005 4 0,0446 ↑ 23 0,0034 ↓
(DF) Brasília 33 0,0005 12 0,0251 ↑ 18 0,0087 ↓
(SP) Novo Horizonte 34 0,0004 6 0,0383 ↑ 36 0,0002 ↓
(SP) Mendonça 35 0,0003 14 0,0209 ↑ 30 0,0005 ↓
(SP) Planalto 36 0,0003 34 0,0002 ↑ 4 0,0414 ↑
Nota: ↔ município que manteve sua posição em relação ao período anterior; ↑ município subiu de posição em
relação ao período anterior; ↓ município caiu de posição em relação ao período anterior; 20 municípios com
maiores TURB por período; municípios entre os 20 com maiores TURB nos 3 períodos.
Fonte: Elaborado pela autora.
110
Os ajustamentos no mercado de trabalho da agropecuária ocorrem por contratações de
mão de obra para colheitas, plantios, criação dos animais e outros. A agropecuária pode ainda
apresentar crescimento da mão de obra contratada em períodos de alta produtividade, quando a
demanda de produtos está alta (interna ou externa) ou grande redução da mão de obra em
períodos de baixa demanda.
Exemplo disso aconteceu no ano de 2015, quando a agropecuária foi o único setor a
registrar saldo positivo de empregos formais (FREDO; SILVA; VEGRO, 2016; RAIS, 2019).
Enquanto o mercado de trabalho sentiu mais intensamente os choques da crise econômica nos
demais setores, a agropecuária passou por dois momentos que influenciaram diretamente sua
demanda, principalmente a agrícola: primeiramente houve redução no ritmo da demanda
mundial por alimentos32; depois o real sofreu desvalorização em relação ao dólar, que voltou a
impulsionar as exportações e viabilizou o aumento da produção.
Observa-se, no Quadro 10, cerca de 40% dos municípios com os maiores índices de
turbulência se localizam no interior do estado de São Paulo e cerca de 15% estão localizados
em Minas Gerais. Uberlândia (MG) foi o município que apresentou o maior valor do índice de
turbulência agropecuário (0,0976), no intervalo de 2016 a 2017 e seus níveis de emprego
acompanharam o ritmo da demanda nacional, como se pode conferir no Quadro 11.
Quadro 11 – Municípios brasileiros com os maiores e menores saldos de emprego formal na
agropecuária do ano 2012 a 2017 (valor absoluto)
Municípios com MAIORES saldos Saldo Municípios com MENORES saldos Saldo
(PE) Petrolina 5.935 (SP) Brejo Alegre -3.821
(SP) Planalto 1.936 (PA) Belém -3.103
(MG) Paracatu 1.815 (SP) Miguelópolis -2.095
(AL) Atalaia 1.781 (SP) Bebedouro -1.908
(BA) Juazeiro 1.748 (SP) Monte Aprazível -1.874
(SP) Jaú 1.562 (PR) São Pedro do Ivaí -1.634
(SP) Luís Antônio 1.414 (SP) Pontal -1.621
(MG) Uberlândia 1.338 (PR) Campo Mourão -1.612
(SP) Promissão 1.312 (MG) Belo Horizonte -1.569
(RN) Apodi 1.260 (SP) Flórida Paulista -1.481
Fonte: Elaborado pela autora, com base em RAIS (2019).
A partir de 2013, houve aumento significativo de empregos e se manteve em alta até
2015. Em 2016 passou a reduzir e, até o final de 2017 reduziu para mais da metade do número
32 Por influência da desaceleração da economia chinesa.
111
de empregos formais registrados em 2015, passando de 12.290 para 5.879. Mesmo com tal
redução de número de emprego formal, segundo o MAPA (2017), o setor agropecuário manteve
crescimento acumulado de 14,5% do PIB em 2017.
O Quadro 11 demonstra os municípios que mais empregaram e mais demitiram no
período total deste estudo (2012 a 2017). Nota-se que a maior parte dos municípios listados
estão entre os que apresentaram os maiores índices de turbulência (Quadro 10). O município
que mais se destacou na geração de empregos no ramo agropecuário neste período foi Petrolina
(PE), juntamente com Juazeiro (BA) pela proximidade dos municípios.
Estes dois municípios são caracterizados pela Embrapa (2020) como polo
agroindustrial de Petrolina-Juazeiro, ou ainda como região do vale do rio São Francisco.
Conforme Lima (2013 e 2015), a região é um polo frutífero que se destaca nacionalmente na
produção e exportação de uvas finas de mesa e mangas. Devido ao desenvolvimento
tecnológico e a disponibilidade hídrica bem utilizada, estas atividades têm gerado emprego e
renda no Semiárido brasileiro.
Os municípios que tiveram os maiores índices de turbulência e maiores saldos de
emprego, também podem ser observados entre os clusters de autocorrelação local univariado
AA, na Figura 20, em ao menos um dos períodos. Todavia, o mapa de clusters de autocorrelação
leva em consideração o comportamento de turbulência e sua correlação com os municípios
vizinhos quando estes apresentam valores altos ou valores baixos em comum, e não apenas os
valores individuais de turbulência.
5.6.1 Análise de autocorrelação espacial da turbulência na agropecuária
Os ajustamentos alocativos da agropecuária apresentaram clusters adensados
regionalmente, com baixos valores no índice de turbulência e sem um padrão de municípios
que se mantêm ao longo dos períodos analisados. Estes fenômenos podem ser explicados pela
natureza das atividades econômicas deste setor, que dependem das características do solo, clima
e diversos outros fatores. Os ajustamentos alocativos deste setor podem ocorrer também por
motivos externos à crise econômica. Por exemplo, momentos propícios a investimentos internos
e externos no setor agropecuário e de aumentos na demanda propiciam maiores contratações de
mão de obra.
Por meio dos mapas LISA, pode-se observar a formação de clusters AA em regiões
próximas entre si: Sudeste e Centro-Oeste: nos estados de São Paulo, Minas Gerais, Goiás,
Mato Grosso do Sul e Mato Grosso. Enquanto os clusters BB ocorreram na região Norte: nos
112
estados de Amazonas, Pará e Amapá, regiões com grandes áreas protegidas da Amazônia legal;
e em parte de cada estado que compõe a região Nordeste, predominantemente nas áreas de solo
semiárido, conforme pode ser observado na Figura 20.
Figura 20 – Mapas de cluster LISA para o índice de turbulência da agropecuária, matriz de
contiguidade: torre, para os períodos 2011-2012, 2014-2015 e 2016-2017
Fonte: Elaborado pela autora.
É importante salientar que os clusters AA não mantiveram uma única formação
composta pelos mesmos municípios ao longo do tempo. Em cada período ocorreu uma
formação diferente de clusters em municípios próximos, porém em grupos diferentes de
municípios. Portanto, cabe uma análise de momentos que estes clusters de diferentes estados
se encontram e há possibilidade de deslocamentos da mão de obra entre os estados para regiões
que precisam mais de mão de obra em determinados períodos.
2014-2015
I de Moran:
0,0644
2011-2012
I de Moran:
0,1261
I de Moran: 0,0816
113
O cluster de ajustamentos alocativos em Minas Gerais, por exemplo, manteve-se
próximo ou uniu-se aos clusters de Goiás e de São Paulo, dependendo do período. O cluster do
Mato Grosso do Sul, por sua vez, principalmente no último período (2016 a 2017), manteve-se
próximo ou uniu-se com os clusters do Mato Grosso e Goiás. Pode-se dizer que o cluster de
São Paulo foi o que mais manteve um padrão de formação entre os municípios
autocorrelacionados ao longo do tempo.
Isso demonstra alta turbulência no mercado de trabalho agropecuário paulista, de modo
geral, que pode ser caracterizada tanto por aumento quanto por redução do número de
trabalhadores formais no setor. Há evidência de possíveis deslocamentos da mão de obra entre
regiões próximas, inclusive entre estados vizinhos, conforme pode ser observado na Figura 20
analisada em conjunto com o saldo de empregos33 dos clusters AA. Seguem, na Tabela 7, os
saldos de empregos de cada cluster AA de autocorrelação nos seis períodos analisados.
Tabela 7 – Saldo de emprego de cada cluster AA no setor da agropecuária para os seis períodos período t
Cluster 2011-2012 2012-2013 2013-2014 2014-2015 2015-2016 2016-2017
SP -8.479 -9.375 -10.327 9.640 -17.957 17.819
MG -5.476 8.741 -531 379 -1.190 -2.324
MT 2.044 -676 2.093 1.009 1.347 2.512
GO 785 1.737 -885 -122 2.741 -1.300
MS -1.472 1.292 444 1.195 274 -1.939
DF 202 739 73 -1.457 -59 -369 Fonte: Elaborado pela autora, com base em RAIS (2019).
De 2014 a 2015, outros setores de atividade econômica tiveram alta incidência de
desligamentos de empregos, enquanto a agropecuária apresentou notável aumento do número
de pessoas empregadas formalmente nos clusters de São Paulo, Minas Gerais, Mato Grosso do
Sul e Mato Grosso. Para algumas dessas regiões, foi o maior crescimento da mão de obra dos
últimos 5 anos. Na Figura 20, os municípios classificados como AA, nesse intervalo de tempo,
demonstraram tendência para formar corredores interestaduais, apesar dos municípios AA
estarem relativamente dispersos no espaço em relação aos outros períodos.
No último período, é possível observar clusters homogêneos e interligados entre São
Paulo, Minas Gerais e Goiás; Mato Grosso e Mato Grosso do Sul. Os saldos de emprego destas
regiões demonstram que apenas os clusters de São Paulo e do Mato Grosso apresentaram
33 Soma do número de empregos dos municípios classificados como AA de cada período.
114
aumento de empregos no período. Portanto, pode ter ocorrido ajustamentos alocativos de um
estado para o outro dentre as atividades do setor.
Os clusters que interligam duas regiões estão localizados predominantemente nas
regiões Centro-Oeste e Sudeste do país. Conforme Siscú e Lima (2000), Higa (2005) e Orlandi
et al. (2012), o Centro-Oeste tem parte de seu território que compõe a Amazônia Legal, no
Mato Grosso, possuí fronteira internacional e se localiza no centro do Brasil. Estes são fatores
que favorecem seu papel nos planos integração e de desenvolvimento nacional. A partir da
década de 1970, investimentos em infraestrutura viabilizaram a ocupação e expansão da
fronteira agrícola na região. Desde então, toda a região, com destaque para o Mato Grosso
passou a apresentar marcas crescentes de produtividade agrícola, colocando-se entre os
principais produtores agropecuários no país.
A região Sudeste, como destacado por Castro (2014) no tópico anterior, é uma das
regiões mais diversificadas, mecanizadas e mais preparadas, juntamente com a região Sul, para
enfrentar possíveis desafios futuros, assim como a crise econômica em pauta neste estudo.
Afinal o Sudeste conta com a maior rede de inovação tecnológica agropecuária do país. Desse
modo, se pode inferir que as duas grandes regiões, Centro-Oeste e Sudeste, que estão em
constante expansão em termos de melhoramento da qualidade da produção e viabilidade, tem
apresentado interação e compartilhado a mão de obra em suas atividades.
A próxima seção analisa a relação econométrica do índice de turbulência de todo o
mercado de trabalho com as características regionais e socioeconômicas presentes no mercado
de trabalho brasileiro. Conforme teste I de Moran (item 5.2), há correlação espacial do índice
de turbulência entre os municípios brasileiros. Portanto, realizou-se uma regressão com a
metodologia da econometria espacial, para um modelo assintótico de painel de dados.
5.7 ÍNDICE DE TURBULÊNCIA E O DESENVOLVIMENTO REGIONAL, ANÁLISE EM
PAINEL CONVENCIONAL E PAINEL ESPACIAL
Esta seção analisa as regressões econométricas a-espacial (convencional) e espacial de
um modelo assintótico de painel de dados. O modelo econométrico foi construído a partir do
índice de turbulência como variável dependente, 22 variáveis independentes com características
regionais do mercado de trabalho, para os 5.563 municípios brasileiros em 6 períodos, de 2012
a 2017. A utilização do modelo de dados em painel espacial possibilita a captação da dinâmica
das alterações temporais provenientes dos ajustamentos locais do mercado de trabalho.
115
O primeiro passo para determinar o modelo de melhor ajuste foi a estimação dos
modelos a-espaciais de (1) Pooled, sem efeito; (2) efeitos aleatórios (re); (3) efeitos fixos (fe),
conforme regressões no Quadro 12. O modelo que apresentou melhor ajustamento, pelos testes
de Hausman, de Chow e de Breusch-Pagan, foi o de efeitos fixos, assim como foi o modelo que
apresentou significância na maior parte das variáveis. O modelo de melhor ajuste a-espacial, de
efeitos fixos, pode ser formalizado conforme Equação 13.
𝑇𝑈𝑅𝐵𝑖𝑡 = 𝛼 + 𝛽𝑃𝑂𝑃1𝑖𝑡 + 𝛽𝑃𝑂𝑃2𝑖𝑡 + 𝛽𝐼𝐻𝐻𝑖𝑡 + 𝛽𝐶𝐴𝐼𝑁𝑖𝑡 + 𝛽𝐶𝐴𝐶𝑆𝑖𝑡 +
𝛽𝐶𝐴𝐴𝑃𝑖𝑡 + 𝛽𝐶𝐴𝐴𝐺𝑖𝑡 + 𝛽𝐼𝐷17𝑖𝑡 + 𝛽𝐼𝐷29𝑖𝑡 + 𝛽𝐼𝐷64𝑖𝑡 + 𝛽𝐼𝐷65𝑖𝑡 + 𝛽𝑀𝐴𝑆𝐶𝑖𝑡 +
𝛽𝐸𝐴𝑁𝐴𝑖𝑡 + 𝛽𝐸𝐹𝑈𝑁𝑖𝑡 + 𝛽𝐸𝑀𝐸𝐷𝑖𝑡 + 𝛽𝐸𝑆𝑈𝑃𝑖𝑡 + 𝛽𝑅1𝑆𝑀𝑖𝑡 + 𝛽𝑅3𝑆𝑀𝑖𝑡 +
𝛽𝑅7𝑆𝑀𝑖𝑡 + 𝛽𝑅𝑀7𝑖𝑡 + 휀𝑖𝑡 (7)
A escolha deste modelo indica que o modelo espacial de melhor ajuste também terá
efeitos fixos. Adiante, após análise do modelo de melhor ajuste a-espacial, será apresentada a
regressão espacial SDM com efeitos fixos (fe, LeeYu). Segue os resultados das regressões
econométricas de painel convencional (a-espacial) no Quadro 12.
Quadro 12 – Regressões dos modelos de painel convencional Var (1) Pooled (2) re (3) fe
α 311,6866*** 311,6866*** 104,8758
POP1 -299,2824*** -299,2824*** -163,6676**
POP2 -240,8043*** -240,8043*** -212,2100***
POP3 (omitida) (omitida) (omitida)
IHH 0,05915** 0,05891** 0,40307***
CAIN -0,02371*** -0,02372*** -0,15025***
CACS 0,48501*** 0,48501*** 0,61685***
CAAP -0,03466** -0,03466** -0,03860
CAAG -0,00923*** -0,00923*** -0,01376**
ID17 -0,00040*** 0,00040*** -0,00096***
ID29 8.29e-07 8.29e-07 0,00003***
ID64 -2.40e-07 -2.40e-07 0,00002***
ID65 0,00018*** 0,00018*** 0,00051***
MASC -0,36357*** -0,36357*** 1,07133***
EANA 0,00342*** 0,00342*** 0,00342***
EFUN 1.97e-06 1.97e-06 0,00016***
EMED 0,00005*** 0,00005*** 0,00004***
ESUP -0,00008*** -0,00008*** -0,00007***
R1SM 0,00010*** 0,00010*** 1.31e-06
R3SM 0,00007*** 0,00007*** 0,00014***
R7SM 0,00013*** 0,00013*** 0,00008***
RM7 2.23e-06 2.23e-06 0,00006***
R² 0,825 0,825 0,298
Hausman 0,0000
Nota: *** significativo a 1%, ** a 5%, e * a 10%.
Fonte: Elaborado pela autora.
A variável de referência (omitida) para a análise das variáveis dummies de população
116
foi dos municípios de grande porte (POP3), pois estes representam menor parcela dos
municípios brasileiros, 0,68%, porém a maior parte destes municípios apresentou alta
turbulência. As dummies de menores portes demográficos (POP1 e POP2) são significativas e
apresentaram menores índices de turbulência do que a variável de referência nas três
estimações. Municípios com menores densidades populacionais apresentaram menores valores
do índice de turbulência em relação aos municípios de grande porte, representados basicamente
por capitais e grandes polos de desenvolvimento. Esses municípios de grande porte representam
cerca de 45% do total dos trabalhadores da amostra.
Estudos com análises semelhantes ao presente trabalho, no que tange a aglomeração
de trabalho e a hierarquia dos polos de desenvolvimento, pode-se citar desde o clássico Perroux
(1950) até os contemporâneos brasileiros Lemos et al. (2003), Stamm et al. (2013), Dalberto
(2018) e Souza e Veríssimo (2019). Os autores evidenciam que centros de grandes densidades
populacionais tendem a aglomerar atividades econômicas, e, portanto, aglomeram mão de obra.
Todavia, estes grandes centros têm sofrido um processo de desconcentração industrial crescente
nas últimas décadas, mais precisamente a partir de meados dos anos 90, e tem sido maior do
que o aumento da concentração em polos secundários de desenvolvimento. Este fenômeno
também foi observado nas análises dos ajustamentos alocativos do presente estudo. Há
desconcentração espacial no setor da indústria e maior concentração no comércio e serviços,
justificando o aumento do índice de turbulência em centros de grandes densidades
populacionais.
A especialização/diversificação produtiva dos municípios, caracterizada pelo Índice
Hirschman-Herfindahl ajustado apresentou relação direta e significativa com o índice de
turbulência. Economias mais concentradas e/ou especializadas (com alto IHH) exerceram
influência de aumento no índice de turbulência. Deste modo, pode ser inferido que a
concentração e/ou especialização produtiva das atividades econômicas corrobora para o
aumento da turbulência do mercado de trabalho, contribuindo para sua flexibilização ao
influenciar o mercado de trabalho a aumentar sua intensidade de ajustamentos diante do choque
macroeconômico em estudo, considerando as movimentações de geração de empregos e
desligamentos.
Os municípios com os valores mais altos de IHH, ou seja, com maior grau de
especialização/concentração se localizam majoritariamente em municípios de pequeno porte na
região Nordeste, cuja predominância apresentou mais contratações do que de demissões no
período. Estes altos IHH estão associados à concentração de emprego nas atividades da
agropecuária e, principalmente, na administração pública, assim como apresentaram maior
117
concentração com faixas de renda entre 1,01 a 3 salários mínimos. Portanto, tal concentração
não ocorreu devido à especialização e atividades com altas densidades tecnológicas, mas à
concentração em atividades econômicas de baixa densidade tecnológica. Essa concentração em
atividades específicas na região Nordeste também foi observada no estudo de Dalberto e
Staduto (2013) no ano de 2001, porém em atividades voltadas à indústria, tais como, madeireira,
couro/calçadista e construção civil.
O coeficiente de atração da indústria (CAIN) apresentou alta significância e relação
indireta com o índice de turbulência, indicando que quanto maior o potencial de atração da
indústria, menor será a turbulência no município. Este fenômeno pode ter algumas explicações.
Primeiramente, pode-se destacar que localidades com alto potencial de atração da indústria, em
geral, mantiveram níveis de empregos mais estáveis neste setor, portanto, apresentaram menor
turbulência. O setor industrial tem em seu conjunto maior grau de formalidade do que os
demais, dessa forma, as firmas têm menor grau de liberdade para internalizar a informalidade
nas atividades produtivas, ou seja, transformar o trabalhador formal em informal e flexibilizar
as relações do trabalho. Dessa forma, a dispensa tende mais a ser uma resposta à crise de longo
prazo, bem como de expectativa de longo prazo.
O coeficiente de atração do comércio e serviços (CACS) exerceu influência direta e
significativa no índice de turbulência, quanto mais alto o coeficiente de atração, maior será sua
influência no aumento da turbulência. Com base nos saldos de empregos analisados, esse setor
liderou com os maiores volumes de demissões e de contratações em diferentes regiões.
Portanto, a capacidade de realocação e captação de mão de obra foram maiores e mais
significativa para a turbulência do mercado de trabalho do que os demais setores. Gonçalves Jr.
et al. (2010) já apontavam para notória expansão e movimentação do setor de comércio e
serviços, especialmente em grandes e médios centros brasileiros.
O coeficiente de atração da agropecuária (CAAG) se demonstrou significativo e com
relação inversa ao índice de turbulência. É importante ressaltar que a agropecuária foi o setor
com os menores índices de turbulência e, também menos afetado pela crise econômica de 2014,
pois essa crise de fonte domésticas e o setor agropecuário manteve crescente as suas
exportações, puxada pela demanda externa, além disso, o setor teve aumento de receitas
cambiais, favorecida pela taxa de câmbio depreciada. Conforme Staduto, Shikida e Bacha
(2004), a baixa turbulência do setor pode ser explicada pela dinâmica da agropecuária de não
ser um grande empregador, porque as tecnologias de modernização são normalmente
poupadoras de mão de obra, além de já ter ocorrido grande substituição da mão de obra pela
mecanização, principalmente nas décadas de 1970 a 1990. A partir de meados dos anos 90,
118
houve estabilidade e menor movimentação dos trabalhadores (formais) do campo. Apesar disso,
o setor apresentou crescimento da mão de obra formal em quase todo o período analisado em
todo o Brasil. Este fenômeno pode ser justificado pelo aumento da demanda de commodities
agrícolas desde 2012 (SESSA; SIMONATO; DOMINGUES, 2017). Por consequência, esse
aumento na demanda impulsionou o crescimento de atratividade do setor, ou, ao menos o
manteve relativamente estável o número de empregos ao longo dos anos 2012 a 2017. Logo,
sua relação com a turbulência foi inversa e significativa assim como no setor industrial, todavia
na agropecuária a tendência maior foi de geração de emprego nesta crise econômica, ao
contrário da indústria, que apresentou maiores reduções de emprego do que contratações.
Todo o grupo de faixa etária foi significativo no do modelo (3), a faixa etária dos mais
jovens, de 10 a 17 anos, apresentou relação indireta, enquanto as demais faixas etárias
apresentaram relação direta com a turbulência no mercado de trabalho. Portanto, assim como
nos estudos de Justesen (2008), Corseuil et al. (2013) e de Martini, Hermeto e Jayme Jr. (2014),
se observa que a faixa de trabalhadores mais jovens é mais vulnerável a demissões e a sofrer
maior rotatividade em período de crise do que indivíduos com mais idade e, principalmente,
com mais experiência de trabalho. Afinal, a relação inversa aponta que, ceteris paribus, com a
redução do número de trabalhadores desta faixa etária, o índice de turbulência aumenta, ou seja,
aumentam os níveis de ajustamentos da mão de obra no mercado de trabalho.
A porcentagem de participação do sexo masculino no mercado de trabalho (MASC)
demonstra relação significativa e direta com o índice de turbulência. Aumentos na participação
masculina influenciaram em aumentos do índice de turbulência. Logo, pelo comportamento de
dummy, a proporção de trabalhadores do sexo feminino apresentou relação significativa e
inversa com o índice de turbulência. Estes coeficientes (MASC e FEM) demonstram que em
períodos de instabilidade econômica, há maior redução da participação feminina no mercado
de trabalho do que masculina, o que gera aumentos na participação masculina e no índice de
turbulência. Logo, a participação do sexo masculino tem relação direta com o índice de
turbulência, pois ambos aumentaram diante do choque da crise econômica brasileira. O estudo
de Staduto, Nascimento e Souza (2013) aponta na mesma direção, em momentos de
instabilidade econômica, o sexo feminino é atingido em maior proporção do que o sexo
masculino. Enquanto o estudo de Martini, Hermeto e Jayme Jr. (2014) concorda, porém
identifica uma ressalva para chefes de família do sexo feminino, elas são menos propensas ao
desligamento em momentos de recessão.
Com exceção do ensino superior, as variáveis de escolaridade (EANA, EFUN e
EMED) foram positivas e significativas no modelo a-espacial (3), o que indica que a turbulência
119
do mercado de trabalho brasileiro foi influenciada principalmente pelos níveis mais baixos de
escolaridade no Brasil, ou seja, estes rotacionaram mais de emprego no período da crise. As
três faixas salariais até 7 salários mínimos (R1SM, R3SM e R7SM) apresentaram relação direta
com a turbulência do mercado de trabalho, mas apenas as faixas acima de 1 salário mínimo
foram significativas. Vale relembrar que estas variáveis mensuram a quantidade de
trabalhadores formais que recebe salário no valor dentro de cada faixa salarial. As variáveis de
renda estabelecem uma associação análoga aos perfis altamente significativos da mão de obra
afetada pela crise, e, também, apresentam relação direta com a turbulência, como indivíduos
das três maiores faixas etárias e participação do sexo masculino.
As variáveis de faixa etária do modelo (3) que apresentam relação direta com TURB
abrangem os trabalhadores acima de 18 anos, ou seja, apenas a classe de trabalhos infanto-
juvenis e menores aprendizes (formais) tem relação indireta. O trabalho menor aprendiz
geralmente recebe salários menores, podendo ser inferior a um salário mínimo por terem carga
horária de trabalho reduzida (BRASIL, 1990). Portanto, as faixas etárias acima de 18 anos com
vínculo empregatício formal ativo (quase totalidade da mão de obra) podem ser associadas às
variáveis significativas de renda (acima de 1 salário mínimo).
Outra variável que pode ser associada à significância das variáveis de renda é a
participação do sexo masculino que tem relação direta com TURB. O sexo feminino também
se associa a renda, no entanto, pela natureza dummy, o sexo masculino ainda se destaca em
níveis de estabilidade no mercado, e, conforme DiNardo, Fortin e Lemieux (1995), Staduto,
Nascimento e Souza (2013) e Oyamada (2017), também se destacam em níveis salariais. Isso
justifica que a participação masculina e as variáveis rendas estejam associadas ao influenciar a
turbulência do mercado de trabalho, ambas com coeficientes positivos.
O modelo econométrico espacial que apresentou o melhor ajuste34, determinado pelos
critérios AIC e BIC, foi de Durbin espacial (SDM) com efeitos fixos (fe) e correção na
defasagem dos parâmetros de acordo com Lee e Yu (2010). Conforme explanado no capítulo
4, a determinação do modelo econométrico pode ser formalizada pela Equação 15.
34 Modelos testados em APÊNDICES (E até AC).
120
𝑇𝑈𝑅𝐵𝑖𝑡 = 𝛼 + 𝜌𝑊𝑇𝑈𝑅𝐵𝑖𝑡 + 𝛽𝑃𝑂𝑃1𝑖𝑡 + 𝛽𝑃𝑂𝑃2𝑖𝑡 + 𝛽𝐼𝐻𝐻𝑖𝑡 + 𝛽𝐶𝐴𝐼𝑁𝑖𝑡 +
𝛽𝐶𝐴𝐶𝑆𝑖𝑡 + 𝛽𝐶𝐴𝐴𝑃𝑖𝑡 + 𝛽𝐶𝐴𝐴𝐺𝑖𝑡 + 𝛽𝐼𝐷17𝑖𝑡 + 𝛽𝐼𝐷29𝑖𝑡 + 𝛽𝐼𝐷64𝑖𝑡 + 𝛽𝐼𝐷65𝑖𝑡 +
𝛽𝑀𝐴𝑆𝐶𝑖𝑡 + 𝛽𝐸𝐴𝑁𝐴𝑖𝑡 + 𝛽𝐸𝐹𝑈𝑁𝑖𝑡 + 𝛽𝐸𝑀𝐸𝐷𝑖𝑡 + 𝛽𝐸𝑆𝑈𝑃𝑖𝑡 + 𝛽𝑅1𝑆𝑀𝑖𝑡 +
𝛽𝑅3𝑆𝑀𝑖𝑡 + 𝛽𝑅7𝑆𝑀𝑖𝑡 + 𝛽𝑅𝑀7𝑖𝑡 + 𝛾𝑊_𝑃𝑂𝑃1𝑖𝑡 + 𝛾𝑊_𝑃𝑂𝑃2𝑖𝑡 + 𝛾𝑊_𝐼𝐻𝐻𝑖𝑡 +
𝛾𝑊_𝐶𝐴𝐼𝑁𝑖𝑡 + 𝛾𝑊_𝐶𝐴𝐶𝑆𝑖𝑡 + 𝛾𝑊_𝐶𝐴𝐴𝑃𝑖𝑡 + 𝛾𝑊_𝐶𝐴𝐴𝐺𝑖𝑡 + 𝛾𝑊_𝐼𝐷17𝑖𝑡 +
𝛾𝑊_𝐼𝐷29𝑖𝑡 + 𝛾𝑊_𝐼𝐷64𝑖𝑡 + 𝛾𝑊_𝐼𝐷65𝑖𝑡 + 𝛾𝑊_𝑀𝐴𝑆𝐶𝑖𝑡 + 𝛾𝑊_𝐸𝐴𝑁𝐴𝑖𝑡 +
𝛾𝑊_𝐸𝐹𝑈𝑁𝑖𝑡 + 𝛾𝑊_𝐸𝑀𝐸𝐷𝑖𝑡 + 𝛾𝑊_𝐸𝑆𝑈𝑃𝑖𝑡 + 𝛾𝑊_𝑅1𝑆𝑀𝑖𝑡 + 𝛾𝑊_𝑅3𝑆𝑀𝑖𝑡 +
𝛾𝑊_𝑅7𝑆𝑀𝑖𝑡 + 𝛾𝑊_𝑅𝑀7𝑖𝑡 + 휀𝑖𝑡 (8)
O modelo de Durbin espacial para efeitos fixos (SDM fe) tem como característica a
capacidade de estimar modelos não viesados, principalmente após a correção de viés proposta
por Lee e Yu (2010). Conforme Almeida (2012), outra característica importante do SDM é seu
alcance global e local de transbordamento. O alcance global é observado pelo multiplicador
espacial criado a partir da variável dependente defasada espacialmente (ρ). Neste caso, a
dependência espacial está associada à matriz de variância-covariância e detecta a existência de
autocorrelação espacial global. Se ρ é positivo, um alto valor de TURB nas regiões vizinhas
aumenta o valor de TURB na região i.
O alcance local, por sua vez, é gerado pelas defasagens espaciais (W) nas variáveis
explicativas (independentes). Em modelos econométricos espaciais, a dependência espacial
local é observada apenas em algumas regiões da área em estudo entre municípios vizinhos. No
alcance local, o SDM apresenta a propriedade de transbordamento das variáveis explicativas da
região i influenciarem a variável dependente (Y) das regiões i e j, assim como o mesmo ocorre
com as variáveis explicativas da região j. Essa propriedade é chamada de efeito cruzado de
transbordamento.
O modelo SDM indica que os efeitos de transbordamentos locais e globais são
importantes componentes da dinâmica alocativa do mercado de trabalho entre os anos 2012 e
2017. A autocorrelação espacial no modelo sugere que o valor das variáveis exógenas e da
variável endógena das unidades espaciais j tendem a estar associadas ao valor das mesmas na
unidade espacial i.
Para o fenômeno em estudo, o modelo SDM, na regressão (4) demonstra que o índice
de turbulência com defasagem espacial (ρ) apresentou coeficiente positivo (0,248) e altamente
significativo (0,000). Isso permite inferir que a alta turbulência no mercado de trabalho dos
municípios vizinhos exerce influência direta de aumento na turbulência no mercado de trabalho
do município i. Portanto, há relação de dependência espacial global positiva no nível de
121
turbulência no mercado de trabalho brasileiro, o que contribui expressivamente no aumento dos
ajustamentos alocativos no mercado de trabalho após os efeitos de desemprego gerados pela
crise econômica brasileira. No Quadro 13 estão as regressões a-espaciais e espacial SDM (4).
Quadro 13 – Estimações econométricas da turbulência nos modelos pooled, efeitos aleatórios
(re), efeitos fixos (fe) e SDM (fe) para regiões Var (1) Pooled (2) re (3) fe (4) SDM, fe para regiões (LeeYu)
α 311,6866*** 311,6866*** 104,8758
POP1 -299,2824*** -299,2824*** -163,6676** -306,7321*
POP2 -240,8043*** -240,8043*** -212,2100*** -322,0471**
POP3 (omitida) (omitida) (omitida) (omitida)
IHH 0,05915** 0,05891** 0,40307*** 0,08435
CAIN -0,02371*** -0,02372*** -0,15025*** -0,09809***
CACS 0,48501*** 0,48501*** 0,61685*** 0,61418*
CAAP -0,03466** -0,03466** -0,03860 0,00681
CAAG -0,00923*** -0,00923*** -0,01376** -0,00741
ID17 -0,00040*** 0,00040*** -0,00096*** -0,00108
ID29 8.29e-07 8.29e-07 0,00003*** -0,00003
ID64 -2.40e-07 -2.40e-07 0,00002*** 0,00002
ID65 0,00018*** 0,00018*** 0,00051*** 0,00018
MASC -0,36357*** -0,36357*** 1,07133*** 0,53958***
EANA 0,00342*** 0,00342*** 0,00342*** 0,00320***
EFUN 1.97e-06 1.97e-06 0,00016*** 0,00014*
EMED 0,00005*** 0,00005*** 0,00004*** 0,00006
ESUP -0,00008*** -0,00008*** -0,00007*** -0,00008
R1SM 0,00010*** 0,00010*** 1.31e-06 -0,00002
R3SM 0,00007*** 0,00007*** 0,00014*** -0,00014
R7SM 0,00013*** 0,00013*** 0,00008*** 0,00011
RM7 2.23e-06 2.23e-06 0,00006*** -0,00010
W_POP1 580,7135
W_POP2 459,9846
W_POP3 (omitida)
W_IHH 0,74373***
W_CAIN -0,13480**
W_CACS -0,09776
W_CAAP -0,09906**
W_CAAG -0,01469
W_ID17 0,00003
W_ID29 0,00006
W_ID64 -0,00003
W_ID65 0,00011
W_MASC 1,15048***
W_EANA -0,00019
W_EFUN -0,00003
W_EMED -0,00008***
W_ESUP 0,00006
W_R1SM 0,00008
W_R3SM -0,00001
W_R7SM 0,00005
W_RM7 0,00008
ρ 0,2483***
R² 0,825 0,825 0,298 0,1868
Hausman 0,0000
Nota: *** significativo a 1%, ** a 5%, e * a 10%.
Fonte: Elaborado pela autora.
122
Como ρ representa as movimentações dos indivíduos no mercado de trabalho
defasadas espacialmente, ele capta os ajustamentos alocativos entre os setores e ajustamentos
espaciais. Parte desse fenômeno pode ser observado, por exemplo, nos mapas de cluster LISA
de cada setor e seus saldos de emprego. As regiões que formaram clusters AA dos índices de
turbulência são regiões metropolitanas (com exceção do setor agropecuário), altamente
dinâmicas e consideradas os principais polos de desenvolvimento do país, na hierarquia dos
polos centrais.
Deste modo, se entende que o mercado de trabalho reage mais rápido em regiões mais
dinâmicas e de maior potencial de desenvolvimento regional. As teorias de localização que
auxiliam na explicação deste fenômeno são a hierarquia de centralidade de Christaller (1966),
aglomeração e desaglomeração de Isard (1960) e polos de crescimento de Perroux (1950 e
1977). Estas teorias compreendem que polos mais desenvolvidos influenciam seus arredores
com os desencadeamentos na produção, logo, desencadeiam também os fatores de produção
como o trabalho, os fluxos de mercado de trabalho e sua relação com a ocupação da população.
Assim como no modelo (3), as dummies de menores portes demográficos (POP1 e
POP2) do modelo SDM (4) são significativas e apresentaram menores índices de turbulência
do que a variável de referência. Isso indica que a alta/baixa incidência da turbulência nos
municípios vizinhos implica em aumento/redução do índice de turbulência do município i. Em
suma, regiões com maiores portes demográficos tendem a apresentar maior turbulência no
mercado de trabalho e transbordamento deste efeito no município i. O que justifica a
concentração de altos índices de turbulência no entorno das regiões metropolitanas ao longo do
território nacional nos mapas de cluster LISA.
Quanto aos níveis de emprego observados neste estudo35, houve regiões com altos
índices de turbulência que apresentaram as maiores reduções no número de empregos e outras
com os maiores aumentos. Entre os municípios que mais reduziram o número de empregos em
quase todos os setores (exceção da agropecuária), se destacam as capitais, enquanto os
municípios que mais empregaram são considerados municípios motrizes de polos menores de
desenvolvimento. Logo, se observa que o Brasil está passando por uma fase de efeitos de
desaglomeração do mercado de trabalho dos grandes polos de desenvolvimento, em que os
grandes polos mantêm sua importância econômica, cultural e política, enquanto seus arredores
e demais regiões passam a ganhar relevância. Lemos et al. (2003), Stamm et al. (2013),
35 Análises dos ajustamentos alocativos, principalmente nos setores da indústria (tópico 5.3, p. 82) e do comércio
e serviços (tópico 5.4, p. 91).
123
Dalberto (2018) e Souza e Veríssimo (2019) já haviam notado este efeito de desaglomeração
nas atividades econômicas brasileiras, principalmente do setor industrial.
As variáveis dummies com defasagem espacial (W_POP1 e W_POP2), por outro lado,
foram maiores nos municípios de pequeno e médio porte do que naqueles de grande porte. Uma
vez que a defasagem espacial na variável dependente analisa os efeitos locais, municípios de
grande porte (acima de quinhentos mil habitantes) se localizam de forma heterogênea ao longo
do Brasil e não compartilham fronteira para serem consideradas vizinhas pela matriz de
ponderação espacial, assim os efeitos de trasbordamento entre elas não são captados na análise
local. Outra justificativa pode ser atribuída a grande parcela dos municípios serem de pequeno
porte, mais de 94% do total no Brasil tem até cem mil habitantes, portanto, estes municípios
apresentam maior correlação espacial local do que W_POP3 (municípios de grande porte),
mesmo que não significativas no modelo.
No modelo espacial de Durbin, a relação espacial global de IHH foi não significativa
e no alcance local, no entanto, calculado pela defasagem espacial (W_IHH) a relação foi direta
e significativa. Isso indica que municípios vizinhos mais especializados ou com atividades
concentradas exerceram influência direta de aumento no índice de turbulência dos municípios
i e j (relação cruzada da influência). Como a relação de W_IHH é direta e significativa, assim
como IHH no modelo (3), os mesmos argumentos podem justificar este comportamento local
de forma complementar. A concentração e/ou especialização produtiva das atividades
econômicas corrobora para o aumento da turbulência do mercado de trabalho, contribuindo para
sua flexibilização ao influenciar o mercado de trabalho a aumentar sua intensidade de
ajustamentos alocativos entre regiões vizinhas diante do choque macroeconômico em estudo,
considerando as movimentações tanto de geração de empregos quanto de desligamentos.
O coeficiente de atração da indústria (CAIN) apresentou alta significância e relação
indireta com o índice de turbulência no modelo SDM (4), quanto maior o potencial de atração
da indústria, menor será a turbulência no município, assim como no modelo (3). Devido a este
comportamento semelhante das variáveis em ambos os modelos, a discussão apresentada para
o modelo (3) também pode ser aplicada aqui. Porém, no modelo espacial uma justificativa pode
ser atribuída a localidades que reduziram seu coeficiente de atração ao longo do tempo, como
por exemplo, São Paulo (SP), Rio de Janeiro (RJ), Curitiba (PR), Belo Horizonte (MG), Manaus
(AM), Guarulhos (SP) e Betim (MG), que apresentaram alta turbulência e saldo negativo do
número de empregos no período, conforme demonstrado no Quadro 436.
36 Página 84.
124
O coeficiente de atração do comércio e serviços (CACS) exerceu influência direta e
significativa no índice de turbulência no modelo SDM (4), quanto mais alto o coeficiente de
atração, maior será sua influência no aumento da turbulência local, assim como no modelo (3),
portanto a discussão do modelo a-espacial também se aplica aqui de forma complementar. A
alta intensidade de ajustamentos alocativos que este setor enfrentou ao longo do período
analisado justifica a relação direta do índice de turbulência com o coeficiente de atração. No
âmbito espacial global, altos valores de coeficiente de atração de municípios vizinhos
influenciam em aumento da turbulência no município i. As regiões com os maiores valores de
coeficiente de atração foram as regiões metropolitanas e seus arredores, semelhante ao
comportamento do índice de turbulência, demonstrado no mapa de clusters LISA do comércio
e serviços (Figura 1737).
No âmbito local, os coeficientes de atratividade da indústria e da administração pública
defasados espacialmente (W_CAIN e W_CAAP) apresentaram relação inversa e significativa
com o índice de turbulência. A redução do potencial de atratividade desses setores nos
municípios vizinhos de determinadas regiões implica em aumento do índice de turbulência do
município i. Com base nos dados de emprego e desemprego (RAIS), se observa que o setor da
indústria apresentou grandes reduções no número de indivíduos empregados no período da crise
econômica, o que contribuiu para reduzir o índice de atratividade do setor ao mesmo tempo que
gerava aumento do índice de turbulência pelas movimentações ocorridas.
A porcentagem de participação do sexo masculino no mercado de trabalho (MASC) e
a mesma defasada espacialmente (W_MASC) demonstraram relação significativa e direta com
o índice de turbulência, também da mesma forma que a mesma variável no modelo (3), portanto
a respectiva discussão também é complementar ao modelo espacial. Devido ao comportamento
de dummy binária, a regressão estimada com a variável FEM38 no lugar de MASC e com
W_FEM no lugar de W_MASC apresentou os mesmos valores das variáveis referentes ao sexo
masculino, porém com sinais invertidos, portanto, a proporção de trabalhadores do sexo
feminino apresentou relação significativa e inversa com o índice de turbulência. Em alcance
local, infere-se que quando municípios vizinhos apresentam aumento do percentual de mão de
obra masculina no mercado de trabalho, há influência de aumento nos níveis de ajustamentos
alocativos no município i. A maior mobilidade dos homens em relação às mulheres ao fazer o
37 Página 89. 38 Apêndice R, página 161.
125
movimento pendular para trabalho em municípios vizinhos contribui para explicar essa variável
(LAMEIRA, 2018).
As variáveis de faixas de escolaridade apresentaram resultados divergentes do modelo
a-espacial (3), nem todos foram significativos. Na autocorrelação espacial global, apenas as
variáveis referentes a indivíduos sem escolaridade e com formação até ensino fundamental
completo (EANA e EFUN) foram significativas, ambas apresentaram relação direta com o
índice de turbulência. Ou seja, foram indivíduos que, em geral, participaram significativamente
dos ajustamentos alocativos no período. No alcance local, a faixa de escolaridade que
demonstrou relação significativa de influência direta entre municípios vizinhos com o aumento
do índice de turbulência no município i foi o grupo com ensino médio completo (W_EMED).
Deste modo se confere que a instabilidade econômica gerada pela crise econômica brasileira
atingiu mais fortemente indivíduos com menor escolaridade/qualificação, indicando que estão
mais propensos aos desligamentos e/ou contratações no período. Estes resultados convergem
com diversos estudos, como de Savedoff (1990), Martini, Hermeto e Jayme Jr. (2014), Silva,
Monsueto e Porsse (2015) e Krein et al. (2018). Os autores têm em comum o entendimento de
que indivíduos com menor qualificação/escolaridade são mais suscetíveis ao desemprego e a
menores salários, principalmente em cenários de instabilidade econômica.
Em suma, os resultados deste estudo apontam que os perfis socioeconômicos
brasileiros que passaram por maiores ajustamentos alocativos no mercado de trabalho foram
indivíduos entre 10 e 17 anos, jovens aprendizes entrando no mercado de trabalho, o sexo
feminino e indivíduos com menor qualificação/escolaridade. Quanto as características
estruturais do mercado de trabalho e seu funcionamento, o Brasil está passando por um processo
de desaglomeração do mercado de trabalho formal dos grandes polos de desenvolvimento,
processo iniciado há décadas. As aglomerações estão se direcionando aos polos regionais
secundários na hierarquia dos polos de desenvolvimento. Características que se destacaram nos
municípios durante o período de recessão analisado foram que os setores da administração
pública e a agropecuária foram os que mais contribuíram para a captação de mão de obra,
enquanto os setores da indústria e de comércio e serviços apresentaram maiores números de
desligamentos do que de geração de empregos.
Deste modo, rejeita-se a hipótese da pesquisa39. Diante da crise econômica brasileira,
grande parte das regiões com os maiores índices de turbulência demitiu mais indivíduos do que
39 Hipótese da pesquisa: Em períodos de recessão econômica, regiões com altos índices de turbulência tendem a
integrar mais rapidamente os indivíduos ao mercado de trabalho, e, desta forma há redução da taxa de
desemprego devido à diversificação de suas atividades econômicas.
126
contratou. Como argumento a confirmar a veracidade dos resultados, observa-se na economia
brasileira o cenário previsto por Barros e Mendonça (1997), caso o mercado de trabalho não
apresente alta flexibilidade em momentos de recessão, levará mais tempo para os indivíduos se
integrarem ao mercado de trabalho, haverá aumento da taxa de desemprego e as condições para
o desenvolvimento local tendem a serem prejudicadas. Portanto, diante da série temporal
analisada, 2012 a 2017, o Brasil vivencia um cenário de instabilidade econômica com alto
desemprego, o que mantém lenta a recuperação do nível de emprego, bem como a retomada do
crescimento econômico nacional.
127
6 CONCLUSÃO
A crise econômica brasileira de 2014 caracterizou-se como um choque idiossincrático
de grande magnitude, pois afetou economicamente o país com uma grande onda de desemprego
atingindo cada setor de atividade econômica em diferente intensidade. A partir de então, a taxa
de desemprego brasileira foi crescente até o ano de 2017, quando, apesar de ainda alta, passou
a reduzir lentamente. Diante deste cenário de amplo desemprego, o presente estudo teve como
objetivo analisar os ajustes alocativos no mercado de trabalho nos municípios brasileiros no
período de 2012 a 2017, a fim de captar a redistribuição dos trabalhadores no mercado de
trabalho ao longo deste período de crise e posterior estagnação econômica.
A importância dos ajustamentos alocativos consiste na integração de um maior número
de indivíduos ao mercado de trabalho e, então, reduzir a taxa de desemprego. Assim, mais
pessoas terão acesso a renda e se torna propício o aumento do consumo interno, o que auxilia
no retorno do crescimento econômico regional à medida que o Brasil recupera a aceleração no
crescimento econômico. Todavia, enquanto a economia permanecer estagnada, o mercado de
trabalho tende a não se acomodar completamente, de modo que a integração dos indivíduos
desempregados ao mercado seja ineficiente.
Portanto, o objetivo desta pesquisa foi analisar os ajustamentos alocativos no mercado
de trabalho dos municípios brasileiros no período de 2012 a 2017. A primeira parte da análise
foi feita a partir do índice de turbulência dos municípios brasileiros em relação a todas as
atividades econômicas nos períodos de 2011 a 2012, 2014 a 2015 e 2016 a 2017. No primeiro
período, o mercado de trabalho sentiu os efeitos do choque da crise econômica, portanto se
observou menor incidência de altos índices de turbulência. No segundo período, considerado o
auge da crise econômica brasileira, houve maior incidência dos ajustamentos. Essa tendência
se estendeu até o último período analisado. Apesar da taxa de desemprego passar a reduzir em
2017, é importante que os ajustamentos no mercado continuem elevados, no sentido de
empregar mais do que demitir, até que o reajuste do mercado de trabalho seja eficiente.
Na sequência, foi realizado o teste I de Moran para verificar a presença ou ausência de
padrões de autocorrelação espacial no ajustamento alocativo no mercado de trabalho entre
municípios vizinhos. A presença de autocorrelação espacial foi confirmada e a matriz de
ponderação espacial que apresentou os maiores resultados do teste I de Moran foi do tipo torre.
A segunda parte da análise dos resultados abrangeu os dois primeiros objetivos
específicos da pesquisa. Cada seção apresentou a análise do índice de turbulência para um
grande setor de atividade econômica, consecutivamente: indústria; comércio e serviços;
128
administração pública; e agropecuária. Nestas seções as análises foram discorridas na seguinte
ordem: (i) análise descritiva dos maiores ajustamentos alocativos em todo o Brasil, dentro de
cada setor; (ii) análise AEDE, utilizando o mapa de cluster LISA, elaborado a partir do índice
de turbulência para cada setor de atividade.
Os índices de turbulência dos setores de comércio e serviços e da administração
pública apresentaram os maiores valores praticamente nos mesmos municípios que o setor da
indústria. As regiões que apresentaram alta incidência de ajustamentos alocativos foram quase
exclusivamente regiões metropolitanas e polos de desenvolvimento secundários na hierarquia
dos lugares centrais.
Este fenômeno demonstrou que a aglomeração das atividades econômicas nestas
regiões as torna mais dinâmicas do que outras regiões do país. Todavia, também significa que
geraram mais emprego e/ou mais demissões do que os demais municípios. De modo geral, as
regiões metropolitanas, em especial as capitais estaduais apresentaram maiores reduções do
número de pessoas empregadas nestes setores, enquanto os polos secundários de
desenvolvimento apresentaram as maiores taxas de geração de emprego no período da análise.
O setor da agropecuária apresentou comportamento totalmente diferente dos demais
setores, a começar pelos valores de altos índices de turbulência se concentrarem em regiões do
interior dos estados, abrangendo apenas duas capitais estaduais, Belo Horizonte (MG) e Brasília
(DF). No ano de 2015, a agropecuária foi o único setor a registrar saldo positivo de empregos
formais. Enquanto o mercado de trabalho nos demais setores sentiu mais intensamente os
choques da crise econômica, a agropecuária passou por duas situações que influenciaram
diretamente sua demanda, principalmente agrícola, o que viabilizou o aumento da produção.
Os clusters de autocorrelação espacial do índice de turbulência dos setores da
indústria, de comércio e serviços e da administração pública com altos índices de turbulência
(AA) se concentraram nas regiões metropolitanas, indicando que as atividades de comércio e
serviços tendem a se aglomerar em regiões com atividades industriais fortalecidas, conforme
explicam as teorias das localizações. Os clusters dos setores da indústria e de comércio e
serviços com baixos índices de turbulência (BB) se concentraram em estados das regiões Norte
e Nordeste do Brasil, enquanto os clusters BB da administração pública se distribuíram
principalmente nas regiões Sul e Sudeste do país. Isso significa que nos períodos analisados,
houve poucas mudanças no número de empregos nestas regiões, nos respectivos setores.
Os clusters AA do setor da agropecuária se concentraram em regiões próximas entre
si: Sudeste e Centro-Oeste: nos estados de São Paulo, Minas Gerais, Goiás, Mato Grosso do
Sul e Mato Grosso. Enquanto os clusters BB ocorreram na região Norte: nos estados de
129
Amazonas, Pará e Amapá, regiões com grandes áreas protegidas da Amazônia legal; e em parte
de cada estado que compõe a região Nordeste, predominantemente nas áreas de solo semiárido.
Por fim, os resultados desta seção apontam que o mercado de trabalho brasileiro está
passando por um processo de desaglomeração dos grandes polos de desenvolvimento. As
aglomerações estão se direcionando aos polos regionais secundários na hierarquia dos polos de
desenvolvimento. Neste cenário de mudanças estruturais no mercado de trabalho em um
período de recessão, os setores de atividade econômica que mais contribuíram para a captação
de mão de obra foram a administração pública e a agropecuária, enquanto os setores da indústria
e de comércio e serviços apresentaram maiores números de desligamentos do que de geração
de empregos.
A terceira parte da análise dos resultados demonstra características regionais que se
correlacionam com os ajustamentos alocativos do mercado de trabalho por meio da análise
econométrica de painel de dados convencional e espacial. O modelo de regressão convencional
(a-espacial) de melhor ajuste foi o de efeitos fixos, e o modelo de regressão espacial de melhor
ajuste foi de Durbin (SDM) para efeitos fixos, com ajuste de viés proposto por Lee e Yu.
No modelo convencional de efeitos fixos, os fatores que apresentaram correlação
significativa e direta com o índice de turbulência foram: o índice Hirschman-Herfindahl
ajustado, quanto mais concentradas ou especializadas as atividades, maior tende a ser o índice
de turbulência (TURB); coeficiente de atração do comércio e serviços, um dos setores que
apresentou maior movimentação da mão de obra; faixas etárias acima de 18 anos; participação
do sexo masculino aumentou em relação à feminina; todas as faixas de escolaridade; e faixas
salariais acima de 1 salário mínimo.
Os fatores que apresentaram relação significativa e inversa no modelo convencional:
municípios com menores densidades populacionais apresentaram menores valores do índice de
turbulência em relação aos municípios de grande porte, representados basicamente por capitais
e grandes polos de desenvolvimento; o coeficiente de atração da indústria e da administração
pública, indústria foi o setor que mais demitiu no período e a administração pública o que mais
contratou; e menores aprendiz (de 10 a 17 anos).
O modelo espacial SDM indica que tanto os efeitos de transbordamentos locais quanto
globais são importantes componentes da dinâmica alocativa do mercado de trabalho entre os
anos 2012 e 2017. Para tal, a autocorrelação espacial no modelo sugere que o valor das variáveis
exógenas e da variável endógena das unidades espaciais j tendem a estar associadas ao valor
das mesmas na unidade espacial i e vice-versa. Já a dependência espacial local, caracterizada
130
pelas variáveis independentes com defasagem espacial é observada apenas em algumas regiões
da área em estudo entre municípios vizinhos.
Os fatores que apresentaram correlação significativa e direta com o índice de
turbulência no modelo SDM foram: o índice Hirschman-Herfindahl ajustado defasado
espacialmente (𝑊𝑖), indicando que regiões vizinhas com forte correlação da concentração ou
especialização das atividades econômicas influenciam em alto TURB no município i e vice-
versa; regiões vizinhas com alto coeficiente de atração das atividades de comércio e serviços
influenciaram no alto valor de TURB no município i; a participação do sexo masculino com e
sem defasagem espacial apresentou aumento em relação à participação feminina, ou seja,
mulheres foram mais afetadas e participaram mais do TURB; assim como níveis de baixa
escolaridade (até ensino fundamental completo); e, por fim o multiplicador espacial criado a
partir da variável dependente defasada espacialmente (ρ), indicando que um alto valor do índice
de turbulência nas regiões vizinhas aumenta o valor do índice de turbulência na região i.
Os fatores que apresentaram relação significativa e inversa no modelo espacial SDM
foram: localidades com menor densidade populacional, o que indica que a alta/baixa incidência
da turbulência nos municípios vizinhos implica em aumento/redução do índice de turbulência
do município i; coeficiente de atração da indústria com e sem defasagem espacial, indicando
que, no âmbito global e local, municípios vizinhos com alta atratividade na indústria
influenciaram em um baixo TURB no município i; coeficiente de atração da administração
pública com defasagem espacial, indicando comportamento semelhante ao da indústria no
âmbito local; assim como indivíduos com ensino médio completo com defasagem espacial.
Em suma, o estudo apontou que o mercado de trabalho brasileiro está passando por
um processo de desaglomeração dos grandes polos de desenvolvimento em direção aos polos
regionais secundários na hierarquia dos polos de desenvolvimento. Nesta etapa do
desenvolvimento, a região tende a formar um crescimento polinuclear e descentralizado. Já o
crescimento econômico brasileiro e o ajustamento do mercado de trabalho estão se recuperando
lentamente dos impactos causados pelo choque macroeconômico. Isso indica um baixo
dinamismo das atividades do mercado, o que não favorece a recuperação consistente da
economia brasileira. Em uma análise socioeconômica, os mais afetados pela crise doméstica
foram indivíduos entre 10 e 17 anos, jovens aprendizes entrando no mercado de trabalho, o sexo
feminino e indivíduos com menor qualificação/escolaridade.
Por fim, rejeitou-se a hipótese da pesquisa. Diante da crise econômica brasileira,
grande parte das regiões com os maiores índices de turbulência demitiu mais indivíduos do que
contratou e o Brasil, pós crise, vivencia um cenário de estabilização econômica com alto
131
desemprego, o que mantém lenta a recuperação do nível de emprego, bem como a retomada do
crescimento econômico nacional.
A maior contribuição deste estudo para o meio científico e para a sociedade foi a
análise espacial do mercado de trabalho em um período de recessão econômica. Lançar um
olhar regional sobre o mercado de trabalho, e estabelecer a correlação espacial dos ajustamentos
alocativos da mão de obra com as particularidades regionais em um período de crise permite a
elaboração de políticas de emprego mais eficazes para integrar os indivíduos ao mercado de
trabalho. Desse modo é possível reduzir o desemprego de forma mais eficiente, seja com
políticas voltadas para municípios ou para regiões.
132
REFERÊNCIAS
ALEKSANDROVA, E.; BEHRENS, K.; KUZNETSOVA, M. Manufacturing
(co)agglomeration in a transition country: evidence from Russia. Journal of Regional Science,
2019. Disponível em: https://doi.org/10.1111/jors.12436. Acesso em: 04 jun. 2019.
ALMEIDA, E. S. Econometria espacial aplicada. Campinas: Alínea, 2012. 497 p.
ALMEIDA, H. J. F.; GIOVANINI, A.; SAATH, K. C. O.; BIAGE, M. A política de quantitative
easing adotada pelo FED altera a volatilidade dos ativos no Brasil? Análise Econômica, Porto
Alegre, v. 36, n. 69, p. 35-66, 2018.
ALTONJI, J. G.; HAM, J. C. Variation in employment growth in Canada: the role of external,
national, regional, and industria factors. Journal of Labor Economics, v. 8, n. 1, p. S198-S236,
1990.
ALVES, L. R. Região, urbanização e polarização. In: PIACENTI, C. A.; EDNILSE M. W.;
FERRERA DE LIMA, J.; PIFFER, M.; EBERHARDT, P. H. C.; RIPPEL, R; ROCHA JR. W.
F. Economia e Desenvolvimento Regional. Foz do Iguaçu: Parque Itaipu, 2016. parte 1, p. 41-
51.
AMADEO, E. J. Desemprego e evidências sobre a experiência recente na OECED (I). Revista
Brasileira de Economia, v. 46, n. 2, p. 261-286, 1992a.
AMADEO, E. J. Desemprego e evidências sobre a experiência recente na OECED (II). Revista
Brasileira de Economia, v. 46, n. 4, p. 477-517, 1992b.
AMADEO, E.; BARROS, R. P.; CAMARGO, J. M.; MENDONÇA, R. S. P.; PERO, V.;
URANI, A. Human resources in the adjustment process. Brasília: IPEA, 1993. (Texto para
discussão, n. 317).
AMARAL, P. S.; QUINTIN, E. A competitive model of the informal sector. Journal of
Monetary Economics, v. 53, p. 1541-1553, 2006.
ANDRADE, T. A.; SERRA, R. V. O recente desempenho das cidades médias no
crescimento populacional urbano brasileiro. Rio de Janeiro: IPEA, 1998. (Texto para
discussão, n. 554).
ANSELIN, L. Interactive techniques and exploratory spatial data analysis. In: LONGLEY, M.;
GOODCHILD, D.; RHIND, D. (eds.). Geographical information systems: principles,
techniques, management and application. New York: JohnWileey & son, 1999. chap. 17, p.
251-64.
ANSELIN, L. Local indicators of spatial association—LISA. Geographical Analysis, v. 27, n.
2, p. 93-115, 1995.
ANSELIN, L. Spatial econometrics: methods and models. Dordrecht: Kluwer Academic,
2013. 284 p.
ANSELIN, L. Spatial externalities. International Regional Science Review, v. 26, n. 2, p.
147-152, April, 2003a.
133
ANSELIN, L. Spatial externalities, spatial multipliers, and spatial econometrics. International
Regional Science Review Journal, v. 26, n. 2, p. 153-166, April, 2003b.
ARBACHE, J. S. Determinação e diferença de salários no Brasil, cap. 4, p. 125-183. In:
FONTES, R.; ARBEX, M. A. Desemprego e mercado de trabalho: ensaios teóricos e
empíricos. Viçosa-MG: UFV, 2000.
BALTAR, P. Crescimento da economia e mercado de trabalho no Brasil. Rio de Janeiro:
IPEA, 2015. (Texto para discussão, n. 2036).
BARBOSA FILHO, F. H. A crise econômica de 2014/2017. Estudos Avançados, São Paulo,
v. 31, n. 89, p. 51-60, jan./abr, 2017.
BARROS, A. R. The role of non-moving factors of production in brazilian regional disparities.
Revista Brasileira de Estudos Regionais e Urbanos, v. 2, n. 2, p. 80-103, 2008.
BARROS, R. P.; CRUZ, L. E. M.; FOGUEL, M. N.; MENDONÇA, R. S. P. Uma avaliação
empírica do grau de flexibilidade alocativa do mercado de trabalho brasileiro. Brasília:
IPEA, 1997. (Texto para discussão, n. 499).
BARROS, R. P.; MENDONÇA, R. S. P. Flexibilidade do mercado de trabalho Brasileiro:
uma avaliação empírica. Rio de Janeiro: IPEA, 1997. (Texto para discussão, n. 452).
BASTOS, P. P. Z. Ascensão e crise do governo Dilma Rousseff e o golpe de 2016: poder
estrutural, contradição e ideologia. Economia Contemporânea, v. Rio de Janeiro, v. 21, n. 2,
e172129, ago. 2017.
BEHRMAN, J. R. Labor markets in developing countries. Chapter 43, v. 3B, p. 2859-2939. In:
ASHENFELTER, O. C.; CARD, D. Handbook of Labor Economics. North-Holland:
Elsevier, 1999.
BELOTTI, F.; HUGHES, G.; MORTARI, A. P. Spatial panel data models using Stata. The
Stata Journal, v. 17, n. 1, p. 139-180, 2017.
BELOTTI, F.; HUGHES, G.; MORTARI, A. P. XSMLE-A command to estimate spatial
panel models in Stata. Roma: CEIS, University of Rome Tor Vergat School of Economics,
University of Edinburg, 2013.
BENKO, G. B. Desenvolvimento regional e indústria de alta-tecnologia: um estudo das
dinâmicas locativas. Finisterra, v. 28, p. 73-100, 1993.
BLANCHFLOWER, D. G.; OSWALD, A. J. The wage curve. Scandinavian Journal of
Economics, v. 92, n. 2, p. 215-235, 1990.
BOSCH, M.; MALONEY, W. Cyclical movements in unemployment and informality in
developing countries. Policy Research Working Paper, World Bank, Washington, n. 4648, p.
1-53, 2008. Disponível em: https://openknowledge.worldbank.org/handle/10986/6672. Acesso
em: 29 maio 2019.
BRASIL. Lei nº 8.069, de 13 de julho de 1990. Dispõe sobre o Estatuto da Criança e do
Adolescente e dá outras providências. Diário Oficial da República Federativa do Brasil,
Brasília, DF, 13 jul. 1990. Disponível em:
134
http://www.planalto.gov.br/ccivil_03/LEIS/L8069.htm. Acesso em: 15 fev. 2020.
BRESSER-PEREIRA, L. C. A crise financeira de 2008. Revista de Economia Política, v. 29,
n. 1, p. 133-149, 2009.
BRESSER-PEREIRA, L. C. O governo Dilma frente ao “tripé macroeconômico” e a direita
liberal e dependente. Novos Estudos, v. 32, n. 1, p. 6-14, mar, 2013.
BRODSKY, M. M. Labor market flexibility: a changing international perspective. Monthly
Labor Review, v. 117, n. 11, p. 53-60, Nov. 1994.
BYERS, J. D. The cyclical sensitivity of regional unemployment: an assessment. Regional
Studies, v. 24 n. 5, p. 447-453, 1990.
CACCIAMALI, M. C. Mudanças estruturais no produto e emprego no Brasil 1950-85. São
Paulo. 1988. 185 f. Tese (Doutorado em Economia) – Universidade de São Paulo, São Paulo,
1988.
CANAÃ DOS CARAJÁS (PA). Prefeitura Municipal. História. 2019. Disponível em:
https://www.canaadoscarajas.pa.gov.br/novo/historia/. Acesso em: 19 dez. 2019.
CANO, W. Desconcentração produtiva regional do Brasil 1979-2005. São Paulo: UNESP,
2008.
CAPELLO, R. Regional economics. Routledge, Taylor & Francis Group, 2007. 322 p.
CASTRO, C. N. A agropecuária na região sudeste: limitações e desafios futuros. Rio de
Janeiro: IPEA, 2014. (Texto para discussão, n. 1952).
CHASCO, C. Econometria espacial aplicada a la predicción-extrapolación de datos
microterritoriales. Madri: Consejería de Economia e Innovación Tecnológica, 2003.
CHRISTALLER, W. Die zentralen Orte in Süddeutschland. Jena: Gustav Fischer, 1933. Trans.
BASKIN, C. The Central Places in Southern Germany. Englewood-Cliffs, NJ: Prentice-
Hall, 1966.
CLEMENTE, A. Economia regional e urbana. São Paulo: Atlas, 1994. 170 p.
CLEMENTE, A.; HIGACHI, H. Y. Economia e desenvolvimento regional. São Paulo: Atlas,
2000. 260 p.
COASE, R. H. The Nature of the Firm. Economica, v. 4, p. 386-405, nov. 1937.
COLLING, M. A.; PIFFER, M. Corredores de desenvolvimento: conceito e aplicação.
Desenvolvimento em Questão, Ijuí, Ano 14, n. 36, p. 99-134, 2016.
CORSEUIL, C. H.; FOGUEL, M. GONZAGA, G.; RIBEIRO, E. P. Youth labor market in
Brazil through the lens of the flow approach. In: ENCONTRO NACIONAL DE ECONOMIA,
41, 2013, Foz do Iguaçu. Anais Anpec. Foz do Iguaçu: Anpec, 2013.
CURADO, M.; NASCIMENTO, G. M. O Governo Dilma: da euforia ao desencanto. Revista
Paranaense de Desenvolvimento, Curitiba, v. 36, n. 128, p. 33-48, jan./jun. 2015.
135
DALBERTO, C. R. Regiões funcionais brasileiras: dinâmica recente, policentricidade e
relocalização seletiva da atividade econômica. 2018. 228 f. Tese (Doutorado em Economia) -
Universidade Federal de Minas Gerais, Belo Horizonte, 2018.
DALBERTO, C. R.; STADUTO, J. A. R. Uma análise das economias de aglomeração e seus
efeitos sobre os salários industriais brasileiros. Economia Contemporânea, v. 17, n. 3, p. 539-
569, 2013.
DALLABRIDA, V. R. Desenvolvimento regional: por que algumas regiões se desenvolvem e
outras não? Santa Cruz do Sul: EDUNISC, 2010. 212 p.
DAVIS, S. J.; HALTIWANGER, J. On the driving forces behind cyclical movements in
employment and job reallocation. The American Economic Review, v. 89, n. 5, p. 1234-1258,
1999.
DINARDO, J.; FORTIN, N. M.; LEMIEUX, T. Labor market institutions and the distribution
of wages, 1973-1992: a semiparametric approach. Cambridge, MA: National Bureau of
Economic Research, 1995. 62 p. (Working paper n. 5093).
DINIZ, C. C.; CROCCO, M. A. Reestruturação econômica e impacto regional? O novo mapa
da indústria brasileira. Belo Horizonte: Nova Economia, v. 6, n. 1, p. 77-103, 1996.
DIXON R.; SHEPHERD D.; THOMSON J. Regional unemployment disparities in Australia.
Regional Studies, v. 35, n. 2, p. 93-102, 2001.
DOLTON, P. J.; KIDD, M. P. Job changes, occupational mobility and human capital
acquisition: an empirical analysis. Bulletin of Economic Research, v. 50, n. 4, p. 265-295,
1998.
ELHORST, J. P. Matlab software for spatial panels. In: WORLD CONFERENCE OF THE
SPATIAL ECONOMETRICS ASSOCIATION (SEA), 4., 2010, Chicago. Anais SEA,
Chicago: SEA, 2010.
ELHORST, J. P. Matlab software for spatial panels. International Regional Science Review,
v. 37, n. 3, p. 389-405, 2014a.
ELHORST, J. P. Spatial Econometrics: from cross-sectional data to spatial panels. Berlin:
Springer, 2014b.
ELHORST, J. P. Specification and estimation of spatial panel data models. International
Regional Science Review, v. 26, n. 3, p. 244-268, 2003.
ELLISON, G.; GLAESER, E. L.; KERR, W. R. What causes industry agglomeration? Evidence
from coagglomeration patterns. American Economic Review, v. 100, n. 3, p. 1195-1213, 2010.
EMBRAPA - Empresa Brasileira de Pesquisa Agropecuária. Ministério da Agricultura,
Pecuária e Abastecimento. A região do vale do rio São Francisco. Disponível em:
http://www.cnpma.embrapa.br/projetos/prod_int/regiaosf.html. Acesso em: 10 fev. 2020.
FERRERA DE LIMA, J. Indicadores de desigualdades regionais. In: PIACENTI, C. A.;
FERRERA DE LIMA, J. Análise regional: metodologias e indicadores. Curitiba: Camões,
2012. cap. 2, p. 23-32.
136
FOTHERINGHAM, A. S.; BRUNSDON, C.; CHARLTON, M. Geographically weigthed
regression: the analysis of spatially varying relationships. NEW Jersey: John Wilet & Sons,
2002. 269 p.
FREDO, C. E.; SILVA, R. O. P.; VEGRO, C. L. R. Setor Agropecuário é o Único com
Crescimento nos Empregos Formais em 2015. Instituto de Economia Agrícola (IEA). 2016.
Disponível em: http://www.iea.sp.gov.br/out/TerTexto.php?codTexto=14215. Acesso em: 07
fev. 2020.
FUJITA, M.; KRUGMAN, P.; VENABLES, A. J. Economia espacial: urbanização,
prosperidade econômica e desenvolvimento humano no mundo. São Paulo: Futura, 2002. 391p.
FUJITA, M.; KRUGMAN, P.; VENABLES, A. J. The spatial economy: cities, regions and
international trade. Cambridge, MA: MIT press, 1999. 367 p.
FURTADO, C. Celso Furtado entrevistado por Aspásia Camargo e Maria Andréia Loyola.
Rio de Janeiro: EDUERJ, 2002. 52 p.
GALINARI, R.; CROCCO, M. A.; LEMOS, M. B.; BASQUES, M. F. D. O efeito das
economias de aglomeração sobre os salários industriais: uma aplicação ao caso brasileiro.
Revista de Economia Contemporânea, v. 11, n. 3, p. 391-420, set./dez. 2007.
GEIGER, P.; DAVIDOVICH, F. Reflexões sobre a estrutura espacial do Brasil sob o efeito da
industrialização. Revista Brasileira de Geografia, v. 36, n. 3, p. 3-29, 1974.
GLAESER, E. L.; KALLAL, H. D.; SCHEINKMAN, J. A.; SHLEIFER, A. Growth in cities.
Journal of Political Economy, v. 100, n. 6, p. 1126-1152, 1992.
GOLGHER, A. B. Introdução à econometria espacial. Belo Horizonte: Paco editorial, 2015.
384 p.
GONÇALVES JUNIOR, C. A.; ALVES, L. R.; FERRERA DE LIMA, J; PARRÉ, J. L. Analise
diferencial/estrutural e fator do emprego nas microrregiões paranaenses entre 2005 e 2009.
Curitiba: Revista Paranaense de Desenvolvimento, n, 118, p. 41-66, 2010.
GONÇALVES, E.; SALDANHA, R. F.; ALMEIDA, E.; SILVA, A. S. Crescimento do
emprego industrial local no Brasil: o grau de especialização por intensidade tecnológica
importa? Nova Economia, v. 29, n. 1, p. 41-74, 2019.
GONZAGA, G.; PINTO, R. C. Rotatividade do trabalho e incentivos da legislação
trabalhista. Rio de Janeiro: PUC, 2014. (Texto pra discussão, n. 625).
GORDON, I. R. The cyclical sensitivity of regional employment and unemployment
differentials. Regional Studies, v. 19, n. 2, p. 95-110, 1985.
GOTARDO, D. M. Determinantes da localização industrial: uma análise para as
mesorregiões brasileiras. 2016. 87 f. Dissertação (Mestrado em Desenvolvimento Econômico
Regional e Economia do Agronegócio) - Universidade Estadual do Oeste do Paraná, Toledo,
2016.
GREENE, W. H. Econometric analysis. 2nd ed. New Jersey: Pearson Education, 2003. 802 p.
137
GUJARATI, D. N.; PORTER, D. C. Econometria Básica. AMGH editora Ltda, 2011. 924 p.
HADDAD, P. R. Capitais Intangíveis e desenvolvimento regional. Revista de Economia, v.
35, n. 3, p. 119-146, 2009.
HANINK, D. M. Factors of production. In: THE INTERNATIONAL encyclopedia of
geography: people, the earth, environment and technology: people, the earth, environment and
technology. New Jersey: John Wiley & Sons, 2016.
HENDERSON, J. K. Externalities and industrial development. Journal of Urban Economics,
v. 42, p. 449-470, 1997.
HENDERSON, J. V.; KUNCORO, A.; TURNER, M. Industrial development in cities. The
Journal of Political Economy, v. 103, n. 5, p. 1067-1090, 1995.
HIGA, T. C. S. A reordenação do território. In: HIGA, T. C. S.; MORENO, G. Geografia de
Mato Grosso: território, sociedade e ambiente. Cuiabá: Entrelinhas, 2005. p. 90-99.
HIRSCHMAN, A. O. Estratégia do desenvolvimento econômico. Rio de Janeiro: Fondo de
Cultura, 1961. 322 p.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA (IBGE). Atlas nacional do
Brasil Milton Santos. RJ: Diretoria de Geociências, 2010. 307 p.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA (IBGE). Banco de tabelas
estatísticas. Sidra. Disponível em: https://ibge.gov.br/. Acesso em: 12 ago. 2019.
INSTITUTO DE PESQUISA ECONÔMICA APLICADA (IPEA). O desempenho recente no
mercado de trabalho brasileiro. In: INSTITUTO DE PESQUISA ECONÔMICA APLICADA
(IPEA). Brasil: o estado de uma nação: mercado de trabalho, emprego e informalidade, Rio de
Janeiro: IPEA, 2006. Cap. 5, p. 307-354.
ISARD, W. Methods of regional analysis: an introduction to regional science. Cambridge,
Massachusetts: The M.I.T. Press, 1960. 784 p.
JACKMAN, R.; LAYARD, R.; SAVOURI, S. Labour-market mismatch: a framework for
thought. Londres: Centre for Economic Performance, 1990. (Discussion paper, n. 1).
JUSTESEN, M. Is the window of opportunity closing for Brazilian youth? Labor market
trends and business cycle effects. Washington, DC.: World Bank, 2008. (Discussion paper, n.
0806).
KARANASSOU M.; SNOWER, F. J. How labour market flexibility affects unemployment:
long-term implications of the chain reaction theory. The Economic Journal, v. 108, p. 832-
849, 1998.
KEYNES, J. M. Aspects of the man and his work. The first Keynes seminar held at the
University of Kent at Canterbury 1972. Cambridge, Great Britain: Macmillan, 1974.
KON, A. Novas territorialidades: transformações nas hierarquias econômicas regionais.
Pesquisa & Debate, São Paulo, v. 10, n. 1(15), p. 42-76, 1999.
138
KREIN, J. D.; ABÍLIO, L.; FREITAS, P.; BORSARI, P.; CRUZ, R. Flexibilização das relações
de trabalho: insegurança para os trabalhadores. In: KREIN, J. D.; GIMENEZ, D. M.;
ANSELMO, L. S. (Ogs.) Dimensões críticas da reforma trabalhista no Brasil. Campinas:
Curt Nimuendajú, 2018. Cap. 3, p. 95-122.
LAMEIRA, V. C. Mobilidade urbana na Grande São Paulo: deslocamento pendular para
trabalho, tipologia socioeconômica, migração e diferenciais de rendimento. 2018. 320 f. Tese
(Doutorado em Economia) - Universidade Federal de Minas Gerais, Belo Horizonte, 2018.
LEE, L.; YU, J. Estimation of spatial autoregressive panel data models with fixed effects.
Journal of Econometrics, v. 154, p. 165-185, 2010.
LEE, L.; YU, J. Identification of Spatial Durbin Panel models. Journal of Applied
Econometrics, v. 3, n. 1, p. 133-162, 2015.
LEMOS, M. B.; DINIZ, C. C.; GUERRA, L. P.; MORO, S. Nova configuração regional
brasileira e sua geografia econômica. São Paulo: Estudos Econômicos, v. 33, n. 4, p. 665-700,
2003.
LESAGE, J. P. Spatial econometrics. Toledo: University of Toledo; Department of
economics, 1998. 273 p.
LILIEN, D. M. Sectorial shifts ad cyclical unemployment. Journal of Political Economy, v.
90, n. 4, p. 777-793, 1982.
LIMA, J. R. F. Evolução das exportações de manga e uva produzidas no Submédio do Vale
do São Francisco no período de 2010-2014. Embrapa Semiárido-Comunicado Técnico
(INFOTECA-E), 2015. Disponível em:
https://www.infoteca.cnptia.embrapa.br/infoteca/handle/doc/1038194. Acesso em: 10 fev.
2020.
LIMA, J. R. F. Exportações de manga produzida no Submédio do Vale do São Francisco
no período de 2003-2012. Embrapa Semiárido-Comunicado Técnico (INFOTECA-E), 2013.
Disponível em: https://www.infoteca.cnptia.embrapa.br/infoteca/handle/doc/956079. Acesso
em: 10 fev. 2020.
LÖSCH, A. Die räumliche Ordnung der Wirtschaft. 2nd ed. Viena: Gustav Fischer, 1944.
Trans. WOGLOM, W. H.; STOPLER, W. F. The economics of location. New Haven, CT:
Yale University Press, 1954. 520 p.
MACHADO, D. C. Flexibilidade do mercado de trabalho: a questão do tempo de trabalho.
Rio de Janeiro: CEDE/UFF, 2011. (Texto para discussão, n. 62).
MARSHALL, A. Principles of economics: an introductory volume. The economists. 8th ed.
London: Macmillan and Co., 1920. 731 p.
MARTIN, R. Regional unemployment disparities and their dynamics. Regional Studies, v. 31,
p. 237-252, 1997.
MARTINI, R. A.; HERMETO, A. M.; JAYME JR., F. G. Ciclos econômicos e a composição
da pobreza no Brasil: uma análise para as décadas recentes. Economia e Sociedade, Campinas,
v. 23, n. 1, p. 187-221, 2014.
139
MCCULLOCH, R.; YELLEN, J. L. Factor mobility, regional development, and the distribution
of income. Journal of Political Economy, v. 85, n. 1, p. 79-96, 1977.
MINISTÉRIO DA AGRICULTURA, PECUÁRIA E ABASTECIMENTO (MAPA).
Agropecuária puxa o PIB de 2017. 2017. Disponível em: https://www.gov.br/agricultura/pt-
br/assuntos/noticias/agropecuaria-puxa-o-pib-de-2017. Acesso em: 07 fev. 2020.
MORETTO, A. J.; PRONI, M. W. O desemprego no Brasil: análise da trajetória recente.
Economia e Desenvolvimento, Recife, v. 10, n. 1, p. 7-35, 2011.
MOTTA, D.; MATA, D. Crescimento das cidades médias. Regional e urbano. IPEA, p. 33-
38, 2008.
MOURÃO, P. R. Tendências de concentração regional no interior português – o caso de Trás-
os-Montes e Alto Douro. Regional and Sectorial Economic Studies, v. 6, n. 1, p. 107-128,
2006.
MYRDAL, G. Teoría económica y regiones subdesarrolladas. 4. ed. México: Fondo de
Cultura Económica, 1968. 188 p.
NEGRI, B. Concentração e desconcentração industrial em São Paulo (1800-1990). 1994.
268 f. Tese (Doutorado em Economia) - Universidade Estadual de Campinas, Instituto de
Economia, Campinas, 1994.
NETO, A. A.; LIMA, F. G.; ARAÚJO, A. M. P. Uma proposta metodológica para o cálculo do
custo de capital no Brasil. São Paulo: Revista de Administração - RAUSP, v. 43, n. 1, p. 72-
83, 2008.
NORTH, D. A agricultura no crescimento econômico. In: SCHWARTZMAN, J. (Org.).
Economia regional: textos escolhidos. Belo Horizonte, MG: CEDEPLAR/CETEDRE –
MINTER, 1977. p. 333-343.
OLIVEIRA, C. W. A.; CARNEIRO, F. G. A dinâmica do emprego no Brasil: uma análise
alternativa de co-integração. Brasília: IPEA, 1999. (Texto para discussão, n. 692).
OLIVEIRA, G. A. S. Indicadores de concorrência. Brasília: CADE, 2014. 34 p. (Documento
de Trabalho 001/2014)
OLIVEIRA, J. C. Análise do crescimento econômico e das desigualdades. Estudos do CEPE,
n. 28, p. 5-26, 2008.
OREIRO, J. L. Do tripé macroeconômico ao fracasso da nova matriz: a evolução do regime
de política macroeconômica no Brasil (1999-2014). 2015. DOI: 10.13140/RG.2.1.2445.7122.
ORGANIZATION FOR ECONOMIC COOPERATION AND DEVELOPMENT (OECD)
Redefining territories: the functional regions. 2002. Disponível em: https://www.oecd-
ilibrary.org/urban-rural-and-regional-development/redefining-territories_9789264196179-en.
Acesso em: 06 fev. 2019.
ORLANDI, M.; WILLERS, E. M.; STADUTO, J. A. R.; EBERHARDT, P. H. C.; PIACENTI,
C. A. Caminhos da soja e o desenvolvimento rural no Paraná e em Mato Grosso. Revista de
Política Agrícola, n. 4, p. 75-90, 2012.
140
OYAMADA, G. C. Desenvolvimento e desigualdade de gênero: um estudo para os
municípios do sul do Brasil. 2017. 124 f. Tese (Doutorado em Desenvolvimento Regional e
Agronegócio) – Universidade Estadual do Oeste do Paraná, Toledo, 2017.
PARRÉ, J. L.; GUILHOTO, J. J. M. A desconcentração regional do agronegócio brasileiro.
Revista Brasileira de Economia - RBE. Rio de Janeiro, v. 55, n. 2, p. 223-251, 2001.
PERONDI, E. Crise econômica e instabilidade política: cenários da ofensiva do capital contra
o trabalho no Brasil. Revista de Políticas Públicas, São Luís, v. 21, n. 2, p. 603-621, 2017.
PERROUX, F. Economic Space: Theory and Application. Oxford University Press: The
Quarterly Journal of Economics, v. 64, n. 1, 9. 89-104, 1950. DOI: 10.2307/1881960.
PERROUX, F. O conceito de polo de crescimento. In: SCHWARTZMAN, J. (Org). Economia
Regional: textos escolhidos. Belo Horizonte: Cedeplar, 1977. p. 145-156.
PESQUISA NACIONAL POR AMOSTRA DE DOMICÍLIOS CONTÍNUA (PNAC).
Desemprego cai para 11,9% na média e 2019; informalidade é a maior em 4 anos. In: IBGE -
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Agência IBGE notícias.
Disponível em: https://agenciadenoticias.ibge.gov.br/agencia-noticias/2012-agencia-de-
noticias/noticias/26741-desemprego-cai-para-11-9-na-media-de-2019-informalidade-e-a-
maior-em-4-anos. Acesso em: 26 fev. 2020.
PESQUISA NACIONAL POR AMOSTRA DE DOMICÍLIOS (PNAD). Indicadores.
Disponível em: https://br.advfn.com/indicadores/pnad. Acesso em 12 fev. 2019.
PIACENTI, C. A. O desenvolvimento endógeno das regiões. In: PIACENTI, C. A.; EDNILSE
M. W.; FERRERA DE LIMA, J.; PIFFER, M.; EBERHARDT, P. H. C.; RIPPEL, R; ROCHA
JR. W. F. Economia e desenvolvimento regional. Foz do Iguaçu: Parque Itaipu, 2016. cap. 8,
p. 122-141.
PIACENTI, C. A.; ALVES, L. R.; FERRERA DE LIMA, J. O perfil locacional do emprego
setorial no Brasil. Fortaleza: Revista Econômica do Nordeste, v. 39, n. 3, p. 482-502, 2008.
PINHO, B. A. T. D.; BRITO, F. A urbanização da população brasileira: uma análise segundo o
tamanho dos municípios. Anais do XX Encontro Nacional de Estudos Populacionais,
Associação brasileira de estudos populacionais (Abep), 2017.
POCHMANN, M. Brasil: segunda grande transformação no trabalho? Estudos Avançados, v.
81, n. 28, p. 23-38, 2014.
POHLMANN, M. C.; AGUIAR, A. B.; BERTOLUCCI, A.; MARTINS, E. Impacto da
especificidade de ativos nos custos de transação, na estrutura de capital e no valor da empresa.
São Paulo: Revista Contabilidade & Finanças, v. 15, edição especial, p. 24-40, 2004.
PORTER, M. E. The competitive advantage of Nations. Harvard Business Review, p. 73-91,
Mar./Apr. 1990.
REIS, M. C.; GONZAGA, G. Desemprego e deslocamentos setoriais da demanda por
trabalho no Brasil. Rio de Janeiro: PUC, 2000. (Texto para discussão, n. 427). Disponível em:
http://www.econ.puc-rio.br/uploads/adm/trabalhos/files/td427.pdf. Acesso em: 05 jun. 2019.
141
RELAÇÃO ANUAL DE INFORMAÇÕES SOCIAIS (RAIS). Banco de dados. Disponível
em: http://bi.mte.gov.br/bgcaged/caged_rais_vinculo_id/login.php. Acesso em: 20 nov. 2019.
SABOIA, J. Descentralização industrial no Brasil na década de noventa: um processo dinâmico
e diferenciado regionalmente. Nova Economia, v. 11, n. 2, p. 85-121, 2001.
SABOIA, J. Dualismo ou integração no mercado de trabalho? Estudos Econômicos, v. 19, n.
especial, p. 139-155, 1989.
SALES, A. S; QUEIROZ, M. F.; LUCCA, R. A. Modelo de contágio para avaliação de risco
sistêmico. In: BANCO CENTRAL DO BRASIL. Relatório de estabilidade financeira.
Brasília: Banco Central do Brasil, nov. 2003. p. 111-162. Disponível em:
https://www.bcb.gov.br/htms/estabilidade/2003_novembro/ref200310c6p.pdf. Acesso em: 11
fev. 2019.
SAVEDOFF, W. D. Os diferenciais regionais de salário no Brasil: segmentação versus
dinamismo da demanda. Pesquisa e Planejamento Econômico, v. 20, n. 3, p. 521-556, 1990.
SEGNINI, L. R. P. Educação e trabalho uma relação tão necessária quanto insuficiente. São
Paulo em perspectiva, v. 14, n. 2, p. 72-81, 2000.
SENADO FEDERAL - Promulgada Emenda Constitucional do Teto de Gastos Públicos.
Disponível em: https://www12.senado.leg.br/noticias/materias/2016/12/15/promulgada-
emenda-constitucional-do-teto-de-gastos. Acesso em 9 jan. 2019.
SESSA, C. B.; SIMONATO, T. C.; DOMINGUES, E. P. O Ciclo das Commodities e
Crescimento Regional Desigual no Brasil: uma aplicação de Equilíbrio Geral Computável
(EGC). Belo Horizonte: UFMG/Cedeplar. 2017. (Texto para discussão, n. 551)
SILVA, A. S. P. Capacidade de geração de emprego e flexibilidade do mercado de trabalho
no brasil (2002-2008): uma análise de insumo-produto integrada com indicadores setoriais de
flexibilidade salarial. 2014. 94 f. Dissertação (Mestrado em Desenvolvimento Econômico) –
Universidade Federal do Paraná, Curitiba, 2014.
SILVA, A. S. P.; MONSUETO, S. E. Flexibilidade do mercado de trabalho: uma análise
comparativa entre subsetores socioeconômicos no Brasil (2002-2009). In: ENCONTRO
NACIONAL DE ECONOMIA, 40, 2012, Porto de Galinhas (PE). Anais Anpec Niterói:
ANPEC, 2012.
SILVA, A. S. P.; MONSUETO, S. E.; PORSSE, A. A. Flexibilidade do mercado de trabalho:
uma análise comparativa entre subsetores socioeconômicos no Brasil (2002-2009). Pesquisa e
Planejamento Econômico, v. 45, n. 1, p. 125-153, 2015.
SILVA, M. V. B.; SILVEIRA NETO, R. M. Dinâmica da concentração da atividade industrial
no Brasil entre 1994 e 2004: uma análise a partir de economias de aglomeração e da nova
geografia econômica. Economia Aplicada, v. 13, n. 2, p. 299-331, 2009.
SILVEIRA FILHO, A. A. Crise econômica, luta de classes e serviço social no Brasil. Katálysis,
Florianópolis, v. 21. n.1, p. 96-107, jan./abr. 2018.
SINGER, A. Cutucando onças com varas curtas: o ensaio desenvolvimentista no primeiro
mandato de Dilma Rousseff (2011-2014). Novos Estudos Cebrap, São Paulo, n. 102, p. 39-
142
67, jul. 2015.
SISCÚ, A. B.; LIMA, J. P. R. Fronteiras agrícolas no Brasil: a lógica de sua ocupação recente.
Nova Economia, Belo Horizonte, v. 10, n. 1, p. 109-138, 2000.
SMITH, A. An inquiry into the nature and causes of the wealth of nations. 1976. Edição
digital. Amsterdam: MetaLibri, 2007. Disponível em:
https://www.ibiblio.org/ml/libri/s/SmithA_WealthNations_p.pdf. Acesso em: 07 fev. 2019.
SOUZA FILHO, J. R. Desenvolvimento regional endógeno, capital social e cooperação.
2002. Disponível em:
http://www.yorku.ca/ishd/LEDCD.SP/Links%20BQ/68_Desenvolvimento_regional_endogen
o_capital_social_coopera.pdf. Acesso em: 28 fev. 2019.
SOUZA, I. E. L.; VERÍSSIMO, M. P. Produção e emprego industrial nos estados brasileiros:
evidências de desindustrialização. Nova Economia, v. 29, n. 1, p. 75-101, 2019.
SOUZA, N. J. Desenvolvimento polarizado e desequilíbrios regionais no Brasil. Análise
Econômica, Porto Alegre, v. 19, p. 29-59, mar. 1993.
SOUZA, N. J. Desenvolvimento regional. São Paulo: Atlas, 2009. 198 p.
SOUZA, P. R. A determinação dos salários e do emprego nas economias atrasadas. 1980.
200 f. Tese (Doutorado em Economia) – Universidade Estadual de Campinas, Instituto de
Economia, Instituto de Filosofia e Ciências Humanas, Campinas, 1980.
STADUTO, J. A. R.; JONER, P. R.; SCHIO, T. A. Evolução do mercado de trabalho informal
no estado do Paraná. Informe Gepec, Toledo, v. 14, n. 1, p. 6-23, jan./jun. 2010.
STADUTO, J. A. R.; MALDANER, I. S. Dispersão do rendimento do trabalho entre as regiões
metropolitana e não metropolitana do estado do Paraná. Ensaios FEE, v. 31, n. 2, p. 451-476,
dez. 2010.
STADUTO, J. A. R.; NASCIMENTO, C. A.; SOUZA, M. Ocupações e renda das mulheres no
rural do estado do Paraná, Brasil: uma perspectiva de gênero. Cuadernos de Desarrollo Rural,
v. 10, n.72, p. 91-115, 2013.
STADUTO, J. A. R.; SCHIO, T. A. Flexibilidade alocativa do mercado de trabalho brasileiro:
uma avaliação empírica dos estados e das regiões metropolitanas e não-metropolitanas. Revista
Brasileira de Estudos Regionais e Urbanos, v. 4, n. 2, p. 51-66, 2010.
STADUTO, J. A. R.; SHIKIDA, P. F. A.; BACHA, C. J. C. Alteração na composição da mão-
de-obra assalariada na agropecuária brasileira. São Paulo: Agricultura em São Paulo, v. 51,
n. 2, p. 57-70, 2004.
STAMM, C.; STADUTO, J. A. R.; FERRERA DE LIMA, J.; WADI, Y. M. A população
urbana e a difusão das cidades de porte médio no Brasil. Interações. Campo Grande, v. 14, n.
2, p. 251-265, 2013.
TELES, V. K.; MIRANDA, M. C. Política monetária e ciclos regionais no Brasil: uma
investigação das condições para uma área monetária ótima. São Paulo: Estudos Econômicos,
v. 36, n. 2, p. 263-291, 2006.
143
TOKMAN, V. E. An Exploration into the nature of informal-formal sector relationships. World
Development, v. 6, n. 9/10, p. 1065-1075, 1978.
TOPEL, R. H. Local Labor Marker. Journal of Political Economy, v. 94, n. 3, p. S111-S143,
1986.
URANI, A. Ajuste macroeconômico e flexibilidade do mercado de trabalho no Brasil –
1981/95. Rio de Janeiro: IPEA, 1996. (Texto para discussão, n. 380).
VON THÜNEN, J. H. Der isolierte Staat in Beziehung auf Landwirtschaft und
Nationalökonomie. Hamburg: Perthes, 1826. Trans. HALL, P.; WARTENBURG, C. The
Isolated State. London: Pergamon, 1966.
WEBER, A. Theory of the location of Industries. Chicago: University of Chicago Press,
1929. p. 256.
WILDASIN, D. E. Labor-market integration, investment in risky human capital, and fiscal
competition. The American Economic Review, v. 90, n. 1, p. 73-95, 2000.
WOOLDRIDGE, J. M. Econometric analysis of cross section and panel data. Cambridge,
Mass.: MIT Press, 2002. 735 p.
ZIMMERMANN, K. F. European Labour Mobility: challenges and potentials. De Economist.
Springer, v. 153, n. 4, p. 425-450, 2005.
144
APÊNDICE A – AEDE para o setor indústria, matriz: torre
Intervalo Gráfico de dispersão de Moran -
Indústria Mapa de Cluster - Indústria
2012-2011
2013-2012
2014-2013
Não significativos Alto-Alto Baixo-Baixo Baixo-Alto Alto-Baixo
Continua
Fonte: Dados da pesquisa.
145
Continuação da AEDE para o setor indústria, matriz: torre
Intervalo Gráfico de dispersão de Moran -
Indústria Mapa de Cluster - Indústria
2015-2014
2016-2015
2017-2016
Não significativos Alto-Alto Baixo-Baixo Baixo-Alto Alto-Baixo
Fonte: Dados da pesquisa.
146
APÊNDICE B – AEDE para o setor comércio e serviços, matriz: torre
Intervalo Gráfico de dispersão de Moran -
comércio e serviços Mapa de Cluster - comércio e serviços
2012-2011
2013-2012
2014-2013
Não significativos Alto-Alto Baixo-Baixo Baixo-Alto Alto-Baixo
Continua
Fonte: Dados da pesquisa.
147
Continuação do AEDE para o setor comércio e serviços, matriz: torre
Intervalo Gráfico de dispersão de Moran -
comércio e serviços Mapa de Cluster - comércio e serviços
2015-2014
2016-2015
2017-2016
Não significativos Alto-Alto Baixo-Baixo Baixo-Alto Alto-Baixo
Fonte: Dados da pesquisa.
148
APÊNDICE C – AEDE para o setor administração pública, matriz: torre
Intervalo Gráfico de dispersão de Moran -
administração pública Mapa de Cluster - administração pública
2012-2011
2013-2012
2014-2013
Não significativos Alto-Alto Baixo-Baixo Baixo-Alto Alto-Baixo
Continua
Fonte: Dados da pesquisa.
149
Continuação do AEDE para o setor administração pública, matriz: torre
Intervalo Gráfico de dispersão de Moran -
administração pública Mapa de Cluster - administração pública
2015-2014
2016-2015
2017-2016
Não significativos Alto-Alto Baixo-Baixo Baixo-Alto Alto-Baixo
Fonte: Dados da pesquisa.
150
APÊNDICE D – AEDE para o setor agropecuária, matriz: torre
Intervalo Gráfico de dispersão de Moran -
agropecuária Mapa de Cluster - agropecuária
2012-2011
2013-2012
2014-2013
Não significativos Alto-Alto Baixo-Baixo Baixo-Alto Alto-Baixo
Continua
Fonte: Dados da pesquisa.
151
Continuação do AEDE para o setor agropecuária, matriz: torre
Intervalo Gráfico de dispersão de Moran -
agropecuária Mapa de Cluster - agropecuária
2015-2014
2016-2015
2017-2016
Não significativos Alto-Alto Baixo-Baixo Baixo-Alto Alto-Baixo
Fonte: Dados da pesquisa.
152
APÊNDICE E – Resultados da regressão por Pooled
TURB Coef. Erro Padrão t-valor p-valor [95% Conf. Intervalo] Sig.
POP1 -299,282 13,175 -22,72 0,000 -325,105 -273,459 ***
POP2 -240,804 12,444 -19,35 0,000 -265,194 -216,414 ***
IHH 0,059 0,027 2,21 0,027 0,007 0,111 **
CAIN -0,024 0,006 -4,31 0,000 -0,035 -0,013 ***
CACS 0,485 0,028 17,47 0,000 0,431 0,539 ***
CAAP -0,035 0,015 -2,32 0,020 -0,064 -0,005 **
CAAG -0,009 0,002 -4,76 0,000 -0,013 -0,005 ***
ID17 0,000 0,000 -9,72 0,000 0,000 0,000 ***
ID29 0,000 0,000 0,19 0,847 0,000 0,000
ID64 0,000 0,000 -0,09 0,925 0,000 0,000
ID65 0,000 0,000 3,44 0,001 0,000 0,000 ***
MASC -0,364 0,090 -4,06 0,000 -0,539 -0,188 ***
EANA 0,003 0,000 236,09 0,000 0,003 0,003 ***
EFUN 0,000 0,000 0,69 0,487 0,000 0,000
EMED 0,000 0,000 25,22 0,000 0,000 0,000 ***
ESUP 0,000 0,000 -21,59 0,000 0,000 0,000 ***
R1SM 0,000 0,000 8,25 0,000 0,000 0,000 ***
R3SM 0,000 0,000 -28,99 0,000 0,000 0,000 ***
R7SM 0,000 0,000 25,87 0,000 0,000 0,000 ***
RM7 0,000 0,000 0,51 0,609 0,000 0,000
Constant 311,687 14,698 21,20 0,000 282,877 340,496 ***
Média var. dependente 28,478 Erro Padrão var. dependente 316.055
R-quadrado 0,825 Número de observações 33378.000
Estatística F 7868,678 Prob. > F 0.000
Critério Akaike (AIC) 420807,977 Bayesiano critério, (BIC) 420984.705
Significância: *** p<0.01, ** p<0.05, * p<0.1
153
APÊNDICE F – Resultados da regressão com efeitos aleatórios
TURB Coef. Erro Padrão t-valor p-valor [95% Conf. Intervalo] Sig.
POP1 -299,282 13,175 -22,72 0,000 -325,105 -273,459 ***
POP2 -240,804 12,444 -19,35 0,000 -265,194 -216,414 ***
IHH 0,059 0,027 2,21 0,027 0,007 0,111 **
CAIN -0,024 0,006 -4,31 0,000 -0,035 -0,013 ***
CACS 0,485 0,028 17,47 0,000 0,431 0,539 ***
CAAP -0,035 0,015 -2,32 0,020 -0,064 -0,005 **
CAAG -0,009 0,002 -4,76 0,000 -0,013 -0,005 ***
ID17 0,000 0,000 -9,72 0,000 0,000 0,000 ***
ID29 0,000 0,000 0,19 0,847 0,000 0,000
ID64 0,000 0,000 -0,09 0,925 0,000 0,000
ID65 0,000 0,000 3,44 0,001 0,000 0,000 ***
MASC -0,364 0,090 -4,06 0,000 -0,539 -0,188 ***
EANA 0,003 0,000 236,09 0,000 0,003 0,003 ***
EFUN 0,000 0,000 0,69 0,487 0,000 0,000
EMED 0,000 0,000 25,22 0,000 0,000 0,000 ***
ESUP 0,000 0,000 -21,59 0,000 0,000 0,000 ***
R1SM 0,000 0,000 8,25 0,000 0,000 0,000 ***
R3SM 0,000 0,000 -28,99 0,000 0,000 0,000 ***
R7SM 0,000 0,000 25,87 0,000 0,000 0,000 ***
RM7 0,000 0,000 0,51 0,609 0,000 0,000
Constant 311,687 14,698 21,20 0,000 282,877 340,496 ***
Média var. dependente 28,478 Erro Padrão var. dependente 316,055
R-quadrado 0,825 Número de observações 33378,000
Estatística F 7868,678 Prob. > F 0,000
Critério Akaike (AIC) 420807,977 Bayesiano critério, (BIC) 420984,705
Significância: *** p<0.01, ** p<0.05, * p<0.1
154
APÊNDICE G – Resultados da regressão com efeitos fixos
TURB Coef. Erro Padrão t-valor p-valor [95% Conf. Intervalo] Sig.
POP1 -163,668 66,137 -2,48 0,013 -293.300 -34.035 **
POP2 -212,210 60,925 -3,48 0,000 -331.625 -92.795 ***
IHH 0,403 0,091 4,42 0,000 0.224 0.582 ***
CAIN -0,150 0,029 -5,20 0,000 -0.207 -0.094 ***
CACS 0,616 0,094 6,54 0,000 0.431 0.800 ***
CAAP -0,039 0,025 -1,53 0,127 -0.088 0.011
CAAG -0,014 0,005 -2,57 0,010 -0.024 -0.003 **
ID17 -0,001 0,000 -15,55 0,000 -0.001 -0.001 ***
ID29 0,000 0,000 -4,57 0,000 0.000 0.000 ***
ID64 0,000 0,000 4,73 0,000 0.000 0.000 ***
ID65 0,001 0,000 5,99 0,000 0.000 0.001 ***
MASC 1,071 0,204 5,26 0,000 0.672 1.470 ***
EANA 0,003 0,000 150,94 0,000 0.003 0.003 ***
EFUN 0,000 0,000 20,82 0,000 0.000 0.000 ***
EMED 0,000 0,000 6,62 0,000 0.000 0.000 ***
ESUP 0,000 0,000 -9,75 0,000 0.000 0.000 ***
R1SM 0,000 0,000 0,03 0,974 0.000 0.000
R3SM 0,000 0,000 -16,14 0,000 0.000 0.000 ***
R7SM 0,000 0,000 4,67 0,000 0.000 0.000 ***
RM7 0,000 0,000 -3,30 0,001 0.000 0.000 ***
Constant 104,876 67,037 1,56 0,118 -26.519 236.271
Média var. dependente 28,478 Erro Padrão var, dependente 316,055
R-quadrado 0,827 Número de observações 33378,000
Estatística F 6629,267 Prob, > F 0,000
Critério Akaike (AIC) 414059,440 Bayesian critério, (BIC) 414236,168
*** p<0.01, ** p<0.05, * p<0.1
155
APÊNDICE H – Testes de Hausman, Chow e Breusch-Pagan
Resumo do Teste de Hausman Estatística de
Chi_quadrado Prob.
Cross-section aleatório 98,606 0,0000
Comparação dos testes de efeitos aleatórios de seção transversal (Hausman):
Variável Fixo Aleatório Var(Dif.) Prob.
POP1 -1.636.676 -2.992.824 1.356.147 6.481.185
POP2 -212,2100 -2.408.043,00 2.859.422,00 5.964.028,00
IHH 0,403067 0,058915 0,344152 0,087187
CAIN -0,1502563 -0,0237186 -0,1265377 0,0283684
CACS 0,6158526 0,4850113 0,1308413 0,0899937
CAAP -0,0386052 -0,0346598 -0,0039453 0,0204007
CAAG -0,0137656 -0,0092352 -0,0045304 0,0049849
ID17 -0,0009613 -0,0004058 -0,0005555 0,0000456
ID29 -0,0000335 8,29E-07 -0,0000344 5,95E-06
ID64 0,0000195 -2,40E-07 0,0000198 3,23E-06
ID65 0,0005121 0,0001842 0,0003279 0,0000667
MASC 1.071.329 -0,3635751 1.434.904 0,1827822
EANA 0,003416 0,0034256 -9,57E-06 0,0000174
EFUN 0,0001637 1,97E-06 0,0001617 7,33E-06
EMED 0,0000359 0,000052 -0,0000161 5,02E-06
ESUP -0,0000711 -0,0000796 8,56E-06 6,29E-06
R1SM 1,31E-06 0,0001041 -0,0001027 0,0000381
R3SM -0,0001413 -0,0000702 -0,0000711 8,41E-06
R7SM 0,0000793 0,000134 -0,0000547 0,0000162
RM7 -0,0000619 2,23E-06 -0,0000641 0,0000182
Teste de Chow: F teste, todo u_i = 0 : F(5562, 27795) = 1.12 Prob > F = 0.0000
Resumo do Teste de Breusch-Pagan Chi_quadrado Prob.
Cross-section aleatório 0.00 1,0000
156
APÊNDICE I – Resultados da regressão por SAR com efeitos aleatórios
Variável ID: Mun Número de obs= 33378
Variável tempo: Ano Número de ID = 5563
R-quadrado: 0,8349 Comprimento do Painel = 6
(Erro padrão ajustado para 5,563 clusters em Mun)
Robusto
TURB Coef. Erro Padrão t p-valor [95% Conf. Intervaloo]
POP1 -267,278 110,933 -2,410 0,016 -484,702 -49,854
POP2 -229,071 102,789 -2,230 0,026 -430,534 -27,607
IHH 0,038 0,048 0,790 0,427 -0,056 0,133
CAIN -0,023 0,009 -2,530 0,011 -0,040 -0,005
CACS 0,430 0,093 4,620 0,000 0,247 0,613
CAAP -0,018 0,025 -0,730 0,465 -0,067 0,031
CAAG -0,007 0,004 -1,660 0,097 -0,016 0,001
ID17 -0,000 0,000 -1,130 0,260 -0,001 0,000
ID29 0,000 0,000 0,060 0,949 -0,000 0,000
ID64 -0,000 0,000 -0,090 0,930 -0,000 0,000
ID65 0,000 0,000 0,520 0,605 -0,001 0,001
MASC -0,470 0,142 -3,320 0,001 -0,747 -0,193
EANA 0,003 0,000 14,680 0,000 0,003 0,004
EFUN 0,000 0,000 0,120 0,905 -0,000 0,000
EMED 0,000 0,000 3,060 0,002 0,000 0,000
ESUP -0,000 0,000 -2,370 0,018 -0,000 -0,000
R1SM 0,000 0,000 1,840 0,065 -0,000 0,000
R3SM -0,000 0,000 -2,720 0,007 -0,000 -0,000
R7SM 0,000 0,000 3,010 0,003 0,000 0,000
RM7 -0,000 0,000 -0,040 0,967 -0,000 0,000
Constante 282,701 112,535 2,510 0,012 62,137 503,265
Rho espacial 0,138 0,019 7,240 0,000 0,101 0,175
Variância
lgt_theta 4,204 4,949 0,850 0,396 -5,496 13,904
sigma2_e 15919,550 3403,597 4,680 0,000 9248,627 22590,480
Nota: POP3 retirada devido à colinearidade.
Critério de informação de Akaike (AIC) e critério de informação Bayesiano (BIC)
Modelo N ll (nulo) ll (modelo) Erro padrão AIC BIC
33378 . -208970,4 12 417964,8 418065,8
Nota: BIC utiliza N = número de observações.
157
APÊNDICE J – Resultados da regressão por SAR com efeitos fixos para regiões
Variável ID: Mun Número de grupos = 27815
Variável tempo: Ano Número de ID= 5563
R-quadrado: 0,4392 Comprimento do Painel = 6
(Erro padrão ajustado para 5,563 clusters em Mun)
Robusto
TURB Coef. Erro Padrão t P-valor [95%Conf. Intervalo]
POP1 -259,655 172,115 -1,510 0,131 -596,995 77,685
POP2 -284,490 166,325 -1,710 0,087 -610,481 41,501
IHH 0,208 0,161 1,290 0,196 -0,107 0,524
CAIN -0,133 0,037 -3,610 0,000 -0,205 -0,061
CACS 0,543 0,324 1,670 0,094 -0,092 1,177
CAAP -0,014 0,047 -0,300 0,764 -0,106 0,078
CAAG -0,010 0,008 -1,190 0,234 -0,026 0,006
ID17 -0,001 0,001 -1,490 0,136 -0,003 0,000
ID29 -0,000 0,000 -0,220 0,829 -0,000 0,000
ID64 0,000 0,000 0,380 0,701 -0,000 0,000
ID65 0,000 0,001 0,190 0,850 -0,002 0,002
MASC 0,717 0,223 3,210 0,001 0,280 1,155
EANA 0,003 0,000 11,230 0,000 0,003 0,004
EFUN 0,000 0,000 1,800 0,072 -0,000 0,000
EMED 0,000 0,000 1,030 0,302 -0,000 0,000
ESUP -0,000 0,000 -0,750 0,452 -0,000 0,000
R1SM -0,000 0,000 -0,080 0,940 -0,000 0,000
R3SM -0,000 0,000 -1,260 0,207 -0,000 0,000
R7SM 0,000 0,000 0,640 0,523 -0,000 0,000
rho espacial 0,148 0,020 7,360 0,000 0,109 0,188
Variância
sigma2_e 12850,320 2804,243 4,580 0,000 7354,108 18346,540
Critério de informação de Akaike (AIC) e critério de informação Bayesiano (BIC)
Modelo N ll (nulo) ll (modelo) Erro padrão AIC BIC
33378 . -205322,2 13 410670,4 410779,8
Nota: BIC utiliza N = número de observações.
158
APÊNDICE K – Resultados da regressão por SAR com efeitos fixos para regiões, conforme Lee
e Yu
Variável ID: Mun Número de obs= 27815
Variável tempo: Ano Número de ID= 5563
R-quadrado: 4392 Comprimento do Painel = 5
Média dos efeitos fixos = 222,9571
(Erro padrão ajustado para 5,563 clusters em Mun)
Robusto
TURB Coef. Erro Padrão t P-valor [95%Conf. Intervalo]
POP1 -259,655 172,115 -1,510 0,131 -596,995 77,685
POP2 -284,490 166,325 -1,710 0,087 -610,481 41,501
IHH 0,208 0,161 1,290 0,196 -0,107 0,524
CAIN -0,133 0,037 -3,610 0,000 -0,205 -0,061
CACS 0,543 0,324 1,670 0,094 -0,092 1,177
CAAP -0,014 0,047 -0,300 0,764 -0,106 0,078
CAAG -0,010 0,008 -1,190 0,234 -0,026 0,006
ID17 -0,001 0,001 -1,490 0,136 -0,003 0,000
ID29 -0,000 0,000 -0,220 0,829 -0,000 0,000
ID64 0,000 0,000 0,380 0,701 -0,000 0,000
ID65 0,000 0,001 0,190 0,850 -0,002 0,002
MASC 0,717 0,223 3,210 0,001 0,280 1,155
EANA 0,003 0,000 11,230 0,000 0,003 0,004
EFUN 0,000 0,000 1,800 0,072 -0,000 0,000
EMED 0,000 0,000 1,030 0,302 -0,000 0,000
ESUP -0,000 0,000 -0,750 0,452 -0,000 0,000
R1SM -0,000 0,000 -0,080 0,940 -0,000 0,000
R3SM -0,000 0,000 -1,260 0,207 -0,000 0,000
R7SM 0,000 0,000 0,640 0,523 -0,000 0,000
rho espacial 0,148 0,020 7,360 0,000 0,109 0,188
Variância
sigma2_e 15420,390 3365,091 4,580 0,000 8824,930 22015,840
Critério de informação de Akaike (AIC) e critério de informação Bayesiano (BIC)
Modelo N ll (nulo) ll (modelo) Erro padrão AIC BIC
27,815 . -173637,5 12 347299 347397,8
Nota: BIC utiliza N = número de observações.
159
APÊNDICE L – Resultados da regressão por SAR com efeitos fixos para períodos
Variável ID: Mun Número de obs= 33378
Variável tempo: Ano Número de ID= 5563
R-quadrado: 0,8348 Comprimento do Painel = 6
Média dos efeitos fixos = 288,1557
(Erro padrão ajustado para 5,563 clusters em Mun)
Robusto
TURB Coef. Erro Padrão t P-valor [95%Conf. Intervalo]
POP1 -270,508 110,974 -2,440 0,015 -488,014 -53,002
POP2 -230,119 102,900 -2,240 0,025 -431,799 -28,440
IHH 0,016 0,047 0,340 0,733 -0,077 0,109
CAIN -0,020 0,008 -2,450 0,014 -0,037 -0,004
CACS 0,432 0,093 4,650 0,000 0,250 0,614
CAAP -0,000 0,024 0,000 0,998 -0,047 0,047
CAAG -0,007 0,004 -1,610 0,107 -0,015 0,001
ID17 -0,000 0,000 -1,200 0,230 -0,001 0,000
ID29 0,000 0,000 0,040 0,970 -0,000 0,000
ID64 -0,000 0,000 -0,070 0,946 -0,000 0,000
ID65 0,000 0,000 0,450 0,651 -0,001 0,001
MASC -0,504 0,138 -3,660 0,000 -0,775 -0,234
EANA 0,003 0,000 14,360 0,000 0,003 0,004
EFUN 0,000 0,000 0,230 0,820 -0,000 0,000
EMED 0,000 0,000 3,130 0,002 0,000 0,000
ESUP -0,000 0,000 -2,380 0,017 -0,000 -0,000
R1SM 0,000 0,000 1,800 0,072 -0,000 0,000
R3SM -0,000 0,000 -2,770 0,006 -0,000 -0,000
R7SM 0,000 0,000 2,950 0,003 0,000 0,000
RM7 -0,000 0,000 -0,080 0,938 -0,000 0,000
rho espacial 0,121 0,018 6,740 0,000 0,086 0,156
Variância
sigma2_e 15805,880 3251,340 4,860 0,000 9433,372 22178,390
Critério de informação de Akaike (AIC) e critério de informação Bayesiano (BIC)
Modelo N ll (nulo) ll (modelo) Erro padrão AIC BIC
33378 . -208738,5 12 417501 417602
Nota: BIC utiliza N = número de observações.
160
APÊNDICE M – Resultados da regressão por SAR com efeitos fixos para regiões e períodos
Variável ID: Mun Número de obs= 33378
Variável tempo: Ano Número de ID= 5563
R-quadrado: 0,2367 Comprimento do Painel = 6
(Erro padrão ajustado para 5,563 clusters em Mun)
Robusto
TURB Coef. Erro Padrão t P-valor [95%Conf. Intervalo]
POP1 -277,927 176,600 -1,570 0,116 -624,057 68,204
POP2 -287,041 171,447 -1,670 0,094 -623,071 48,989
IHH -0,010 0,150 -0,070 0,946 -0,303 0,283
CAIN -0,079 0,035 -2,250 0,024 -0,148 -0,010
CACS 0,667 0,323 2,070 0,039 0,034 1,300
CAAP 0,040 0,036 1,110 0,265 -0,030 0,110
CAAG -0,006 0,006 -1,000 0,318 -0,018 0,006
ID17 -0,001 0,001 -1,490 0,137 -0,003 0,000
ID29 -0,000 0,000 -0,280 0,783 -0,000 0,000
ID64 0,000 0,000 0,460 0,647 -0,000 0,000
ID65 0,000 0,001 0,100 0,923 -0,002 0,002
MASC 0,464 0,204 2,270 0,023 0,064 0,865
EANA 0,003 0,000 10,540 0,000 0,003 0,004
EFUN 0,000 0,000 1,940 0,053 -0,000 0,000
EMED 0,000 0,000 1,110 0,267 -0,000 0,000
ESUP -0,000 0,000 -0,760 0,448 -0,000 0,000
R1SM -0,000 0,000 -0,130 0,899 -0,000 0,000
R3SM -0,000 0,000 -1,390 0,163 -0,000 0,000
R7SM 0,000 0,000 0,580 0,564 -0,000 0,000
RM7 -0,000 0,000 -0,650 0,518 -0,000 0,000
rho espacal 0,129 0,019 6,810 0,000 0,092 0,166
Variância
sigma2_e 12658,410 2783,477 4,550 0,000 7202,896 18113,930
Critério de informação de Akaike (AIC) e critério de informação Bayesiano (BIC)
Modelo N ll (nulo) ll (modelo) Erro padrão AIC BIC
33378 . -205044,5 13 410115 410224,4
Nota: BIC utiliza N = número de observações.
161
APÊNDICE N – Resultados da regressão por SAR com efeitos aleatórios para períodos sem
efeitos diretos, indiretos e totais
Variável ID: Mun Número de obs= 33378
Variável tempo: Ano Número de ID= 5563
R-quadrado: 0,8349 Comprimento do Painel = 6
(Erro padrão ajustado para 5,563 clusters em Mun)
Robusto
TURB Coef. Erro Padrão t P-valor [95%Conf. Intervalo]
POP1 -267,278 110,933 -2,410 0,016 -484,702 -49,854
POP2 -229,071 102,789 -2,230 0,026 -430,534 -27,607
IHH 0,038 0,048 0,790 0,427 -0,056 0,133
CAIN -0,023 0,009 -2,530 0,011 -0,040 -0,005
CACS 0,430 0,093 4,620 0,000 0,247 0,613
CAAP -0,018 0,025 -0,730 0,465 -0,067 0,031
CAAG -0,007 0,004 -1,660 0,097 -0,016 0,001
ID17 -0,000 0,000 -1,130 0,260 -0,001 0,000
ID29 0,000 0,000 0,060 0,949 -0,000 0,000
ID64 -0,000 0,000 -0,090 0,930 -0,000 0,000
ID65 0,000 0,000 0,520 0,605 -0,001 0,001
MASC -0,470 0,142 -3,320 0,001 -0,747 -0,193
EANA 0,003 0,000 14,680 0,000 0,003 0,004
EFUN 0,000 0,000 0,120 0,905 -0,000 0,000
EMED 0,000 0,000 3,060 0,002 0,000 0,000
ESUP -0,000 0,000 -2,370 0,018 -0,000 -0,000
R1SM 0,000 0,000 1,840 0,065 -0,000 0,000
R3SM -0,000 0,000 -2,720 0,007 -0,000 -0,000
R7SM 0,000 0,000 3,010 0,003 0,000 0,000
RM7 -0,000 0,000 -0,040 0,967 -0,000 0,000
rho espacial 0,138 0,019 7,240 0,000 0,101 0,175
Variância
lgt_theta 4,204 4,949 0,850 0,396 -5,496 13,904
sigma2_e 15919,550 3403,597 4,680 0,000 9248,627 22590,480
Critério de informação de Akaike (AIC) e critério de informação Bayesiano (BIC)
Modelo N ll (nulo) ll (modelo) Erro padrão AIC BIC
33378 . -208970,4 12 417964,8 418065,8
Nota: BIC utiliza N = número de observações.
162
APÊNDICE O – Resultados da regressão por SDM com efeitos aleatórios
Variável ID: Mun Número de obs= 33378 Variável tempo: Ano
Número de ID= 5563 R-quadrado: 0,8370 Comprimento do Painel = 6
(Erro padrão ajustado para 5,563 clusters em Mun) Robusto
TURB Coef. Erro Padrão t P-valor [95%Conf. Intervalo]
POP1 -282,564 110,293 -2,560 0,010 -498,735 -66,394
POP2 -236,143 101,726 -2,320 0,020 -435,522 -36,763
IHH 0,042 0,051 0,820 0,415 -0,058 0,141
CAIN -0,026 0,010 -2,650 0,008 -0,045 -0,007
CACS 0,458 0,097 4,730 0,000 0,268 0,647
CAAP -0,015 0,029 -0,520 0,600 -0,071 0,041
CAAG -0,009 0,005 -1,880 0,060 -0,019 0,000
ID17 -0,000 0,000 -1,210 0,225 -0,001 0,000
ID29 0,000 0,000 0,070 0,945 -0,000 0,000
ID64 -0,000 0,000 -0,070 0,946 -0,000 0,000
ID65 0,000 0,000 0,450 0,654 -0,001 0,001
MASC -0,410 0,139 -2,960 0,003 -0,682 -0,138
EANA 0,003 0,000 14,550 0,000 0,003 0,004
EFUN 0,000 0,000 0,130 0,895 -0,000 0,000
EMED 0,000 0,000 3,210 0,001 0,000 0,000
ESUP -0,000 0,000 -2,530 0,011 -0,000 -0,000
R1SM 0,000 0,000 1,660 0,096 -0,000 0,000
R3SM -0,000 0,000 -2,820 0,005 -0,000 -0,000
R7SM 0,000 0,000 3,100 0,002 0,000 0,000
RM7 0,000 0,000 0,000 0,996 -0,000 0,000
_cons 328,044 120,458 2,720 0,006 91,950 564,137
W_POP1 -11,586 40,453 -0,290 0,775 -90,872 67,700
W_POP2 -1,281 39,831 -0,030 0,974 -79,348 76,785
W_IHH -0,010 0,063 -0,150 0,877 -0,132 0,113
W_CAIN 0,015 0,011 1,320 0,188 -0,007 0,036
W_CACS -0,107 0,094 -1,130 0,257 -0,291 0,078
W_CAAP -0,027 0,029 -0,920 0,360 -0,084 0,031
W_CAAG 0,014 0,005 2,720 0,006 0,004 0,024
W_ID17 0,000 0,000 0,570 0,570 -0,000 0,000
W_ID29 -0,000 0,000 -0,250 0,804 -0,000 0,000
W_ID64 0,000 0,000 0,480 0,631 -0,000 0,000
W_ID65 -0,000 0,000 -0,900 0,370 -0,001 0,000
W_MASC -0,380 0,185 -2,050 0,040 -0,743 -0,018
W_EANA -0,000 0,000 -2,960 0,003 -0,001 -0,000
W_EFUN -0,000 0,000 -1,310 0,191 -0,000 0,000
W_EMED -0,000 0,000 -1,480 0,139 -0,000 0,000
W_ESUP 0,000 0,000 1,100 0,271 -0,000 0,000
W_R1SM -0,000 0,000 -1,520 0,128 -0,000 0,000
W_R3SM 0,000 0,000 2,570 0,010 0,000 0,000
W_R7SM -0,000 0,000 -2,330 0,020 -0,000 -0,000
W_RM7 0,000 0,000 1,000 0,315 -0,000 0,000
rho espacial 0,247 0,024 10,110 0,000 0,199 0,295
Variância lgt_theta 17,109 9,853 1,740 0,082 -2,202 36,420
sigma2_e 15619,360 3243,634 4,820 0,000 9261,952 21976,760
Critério de informação de Akaike (AIC) e critério de informação Bayesiano (BIC)
Modelo N ll (nulo) ll (modelo) Erro padrão AIC BIC
33378 . -208698,5 20 417436,9 417605,2
163
APÊNDICE P – Resultados da regressão por SDM com efeitos fixos para regiões
Variável ID: Mun Número de obs= 33378
Variável tempo: Ano Número de ID= 5563
R-quadrado: 0,1868 Comprimento do Painel = 6
(Erro padrão ajustado para 5,563 clusters em Mun) Robusto
TURB Coef. Erro Padrão t P-valor [95%Conf. Intervalo]
POP1 -306,732 161,723 -1,900 0,058 -623,703 10,239
POP2 -322,047 156,175 -2,060 0,039 -628,145 -15,949
IHH 0,084 0,154 0,550 0,584 -0,217 0,386
CAIN -0,098 0,035 -2,830 0,005 -0,166 -0,030
CACS 0,614 0,323 1,900 0,057 -0,020 1,248
CAAP 0,007 0,040 0,170 0,865 -0,072 0,086
CAAG -0,007 0,007 -1,030 0,302 -0,021 0,007
ID17 -0,001 0,001 -1,480 0,138 -0,003 0,000
ID29 -0,000 0,000 -0,270 0,789 -0,000 0,000
ID64 0,000 0,000 0,440 0,663 -0,000 0,000
ID65 0,000 0,001 0,160 0,875 -0,002 0,002
MASC 0,540 0,210 2,570 0,010 0,128 0,951
EANA 0,003 0,000 10,780 0,000 0,003 0,004
EFUN 0,000 0,000 1,830 0,067 -0,000 0,000
EMED 0,000 0,000 1,150 0,252 -0,000 0,000
ESUP -0,000 0,000 -0,780 0,434 -0,000 0,000
R1SM -0,000 0,000 -0,120 0,903 -0,000 0,000
R3SM -0,000 0,000 -1,260 0,208 -0,000 0,000
R7SM 0,000 0,000 0,570 0,568 -0,000 0,000
RM7 -0,000 0,000 -0,610 0,539 -0,000 0,000
W_POP1 580,713 459,317 1,260 0,206 -319,532 1480,959
W_POP2 459,985 451,802 1,020 0,309 -425,531 1345,500
W_IHH 0,744 0,208 3,580 0,000 0,336 1,151
W_CAIN -0,135 0,058 -2,320 0,020 -0,249 -0,021
W_CACS -0,098 0,423 -0,230 0,817 -0,928 0,732
W_CAAP -0,099 0,043 -2,320 0,021 -0,183 -0,015
W_CAAG -0,015 0,011 -1,360 0,173 -0,036 0,006
W_ID17 0,000 0,000 0,110 0,911 -0,001 0,001
W_ID29 0,000 0,000 1,260 0,209 -0,000 0,000
W_ID64 -0,000 0,000 -0,970 0,334 -0,000 0,000
W_ID65 0,000 0,001 0,150 0,881 -0,001 0,002
W_MASC 1,150 0,399 2,880 0,004 0,369 1,932
W_EANA -0,000 0,000 -1,240 0,214 -0,000 0,000
W_EFUN -0,000 0,000 -1,010 0,312 -0,000 0,000
W_EMED -0,000 0,000 -3,020 0,002 -0,000 -0,000
W_ESUP 0,000 0,000 1,590 0,111 -0,000 0,000
W_R1SM 0,000 0,000 0,720 0,473 -0,000 0,000
W_R3SM -0,000 0,000 -0,330 0,739 -0,000 0,000
W_R7SM 0,000 0,000 0,380 0,707 -0,000 0,000
W_RM7 0,000 0,000 1,450 0,146 -0,000 0,000
rho espacial 0,248 0,028 8,720 0,000 0,192 0,304
Variância
sigma2_e 12546,180 2784,124 4,510 0,000 7089,397 18002,960
164
APÊNDICE Q – Resultados da regressão por SDM com efeitos fixos para regiões, conforme
Lee e Yu
Variável ID: Mun Número de obs= 27815 Variável tempo: Ano
Número de ID= 5563 R-quadrado: 0,1868 Comprimento do Painel = 5
(Erro padrão ajustado para 5,563 clusters em Mun) Robusto
TURB Coef. Erro Padrão t P-valor [95%Conf. Intervalo]
POP1 -306,732 161,723 -1,900 0,058 -623,703 10,239
POP2 -322,047 156,175 -2,060 0,039 -628,145 -15,949
IHH 0,084 0,154 0,550 0,584 -0,217 0,386
CAIN -0,098 0,035 -2,830 0,005 -0,166 -0,030
CACS 0,614 0,323 1,900 0,057 -0,020 1,248
CAAP 0,007 0,040 0,170 0,865 -0,072 0,086
CAAG -0,007 0,007 -1,030 0,302 -0,021 0,007
ID17 -0,001 0,001 -1,480 0,138 -0,003 0,000
ID29 -0,000 0,000 -0,270 0,789 -0,000 0,000
ID64 0,000 0,000 0,440 0,663 -0,000 0,000
ID65 0,000 0,001 0,160 0,875 -0,002 0,002
MASC 0,540 0,210 2,570 0,010 0,128 0,951
EANA 0,003 0,000 10,780 0,000 0,003 0,004
EFUN 0,000 0,000 1,830 0,067 -0,000 0,000
EMED 0,000 0,000 1,150 0,252 -0,000 0,000
ESUP -0,000 0,000 -0,780 0,434 -0,000 0,000
R1SM -0,000 0,000 -0,120 0,903 -0,000 0,000
R3SM -0,000 0,000 -1,260 0,208 -0,000 0,000
R7SM 0,000 0,000 0,570 0,568 -0,000 0,000
RM7 -0,000 0,000 -0,610 0,539 -0,000 0,000
W_POP1 580,713 459,317 1,260 0,206 -319,532 1480,959
W_POP2 459,985 451,802 1,020 0,309 -425,531 1345,500
W_IHH 0,744 0,208 3,580 0,000 0,336 1,151
W_CAIN -0,135 0,058 -2,320 0,020 -0,249 -0,021
W_CACS -0,098 0,423 -0,230 0,817 -0,928 0,732
W_CAAP -0,099 0,043 -2,320 0,021 -0,183 -0,015
W_CAAG -0,015 0,011 -1,360 0,173 -0,036 0,006
W_ID17 0,000 0,000 0,110 0,911 -0,001 0,001
W_ID29 0,000 0,000 1,260 0,209 -0,000 0,000
W_ID64 -0,000 0,000 -0,970 0,334 -0,000 0,000
W_ID65 0,000 0,001 0,150 0,881 -0,001 0,002
W_MASC 1,150 0,399 2,880 0,004 0,369 1,932
W_EANA -0,000 0,000 -1,240 0,214 -0,000 0,000
W_EFUN -0,000 0,000 -1,010 0,312 -0,000 0,000
W_EMED -0,000 0,000 -3,020 0,002 -0,000 -0,000
W_ESUP 0,000 0,000 1,590 0,111 -0,000 0,000
W_R1SM 0,000 0,000 0,720 0,473 -0,000 0,000
W_R3SM -0,000 0,000 -0,330 0,739 -0,000 0,000
W_R7SM 0,000 0,000 0,380 0,707 -0,000 0,000
W_RM7 0,000 0,000 1,450 0,146 -0,000 0,000
rho espacial 0,248 0,028 8,720 0,000 0,192 0,304
Variância
sigma2_e 15055,420 3340,949 4,510 0,000 8507,276 21603,550
Critério de informação de Akaike (AIC) e critério de informação Bayesiano (BIC)
Modelo N ll (nulo) ll (modelo) Erro padrão AIC BIC
27815 . -173405,8 21 346853,6 347026,5
165
APÊNDICE R – Resultados da regressão por SDM com efeitos fixos para regiões, conforme
Lee e Yu (FEM)
Variável ID: Mun Número de obs= 27815 Variável tempo: Ano
Número de ID= 5563 R-quadrado: 0,1868 Comprimento do Painel = 5
(Erro padrão ajustado para 5,563 clusters em Mun) Robusto
TURB Coef. Erro Padrão t P-valor [95%Conf. Intervalo]
POP1 -306,732 161,723 -1,900 0,058 -623,703 10,239
POP2 -322,047 156,175 -2,060 0,039 -628,145 -15,949
IHH 0,084 0,154 0,550 0,584 -0,217 0,386
CAIN -0,098 0,035 -2,830 0,005 -0,166 -0,030
CACS 0,614 0,323 1,900 0,057 -0,020 1,248
CAAP 0,007 0,040 0,170 0,865 -0,072 0,086
CAAG -0,007 0,007 -1,030 0,302 -0,021 0,007
ID17 -0,001 0,001 -1,480 0,138 -0,003 0,000
ID29 -0,000 0,000 -0,270 0,789 -0,000 0,000
ID64 0,000 0,000 0,440 0,663 -0,000 0,000
ID65 0,000 0,001 0,160 0,875 -0,002 0,002
FEM -0,540 0,210 -2,570 0,010 -0,128 0,951
EANA 0,003 0,000 10,780 0,000 0,003 0,004
EFUN 0,000 0,000 1,830 0,067 -0,000 0,000
EMED 0,000 0,000 1,150 0,252 -0,000 0,000
ESUP -0,000 0,000 -0,780 0,434 -0,000 0,000
R1SM -0,000 0,000 -0,120 0,903 -0,000 0,000
R3SM -0,000 0,000 -1,260 0,208 -0,000 0,000
R7SM 0,000 0,000 0,570 0,568 -0,000 0,000
RM7 -0,000 0,000 -0,610 0,539 -0,000 0,000
W_POP1 580,713 459,317 1,260 0,206 -319,532 1480,959
W_POP2 459,985 451,802 1,020 0,309 -425,531 1345,500
W_IHH 0,744 0,208 3,580 0,000 0,336 1,151
W_CAIN -0,135 0,058 -2,320 0,020 -0,249 -0,021
W_CACS -0,098 0,423 -0,230 0,817 -0,928 0,732
W_CAAP -0,099 0,043 -2,320 0,021 -0,183 -0,015
W_CAAG -0,015 0,011 -1,360 0,173 -0,036 0,006
W_ID17 0,000 0,000 0,110 0,911 -0,001 0,001
W_ID29 0,000 0,000 1,260 0,209 -0,000 0,000
W_ID64 -0,000 0,000 -0,970 0,334 -0,000 0,000
W_ID65 0,000 0,001 0,150 0,881 -0,001 0,002
W_FEM -1,150 0,399 -2,880 0,004 -0,369 -1,932
W_EANA -0,000 0,000 -1,240 0,214 -0,000 0,000
W_EFUN -0,000 0,000 -1,010 0,312 -0,000 0,000
W_EMED -0,000 0,000 -3,020 0,002 -0,000 -0,000
W_ESUP 0,000 0,000 1,590 0,111 -0,000 0,000
W_R1SM 0,000 0,000 0,720 0,473 -0,000 0,000
W_R3SM -0,000 0,000 -0,330 0,739 -0,000 0,000
W_R7SM 0,000 0,000 0,380 0,707 -0,000 0,000
W_RM7 0,000 0,000 1,450 0,146 -0,000 0,000
rho espacial 0,248 0,028 8,720 0,000 0,192 0,304
Variância
sigma2_e 15055,420 3340,949 4,510 0,000 8507,276 21603,550
Critério de informação de Akaike (AIC) e critério de informação Bayesiano (BIC)
Modelo N ll (nulo) ll (modelo) Erro padrão AIC BIC
27815 . -173405,8 21 346853,6 347026,5
166
APÊNDICE S – Resultados da regressão por SDM com efeitos fixos para períodos
Variável ID: Mun Número de obs= 33378 Variável tempo: Ano
Número de ID= 5563 R-quadrado: 0,8362 Comprimento do Painel = 6
Média dos efeitos fixos = -0,2443
(Erro padrão ajustado para 5,563 clusters em Mun) Robusto
TURB Coef. Erro Padrão t P-valor [95%Conf. Intervalo]
POP1 -289,516 110,349 -2,620 0,009 -505,796 -73,235
POP2 -241,486 101,757 -2,370 0,018 -440,926 -42,046
IHH 0,034 0,050 0,690 0,493 -0,064 0,133
CAIN -0,025 0,009 -2,670 0,008 -0,044 -0,007
CACS 0,455 0,096 4,740 0,000 0,267 0,643
CAAP -0,007 0,028 -0,230 0,815 -0,062 0,048
CAAG -0,009 0,005 -1,900 0,057 -0,018 0,000
ID17 -0,000 0,000 -1,270 0,205 -0,001 0,000
ID29 0,000 0,000 0,060 0,953 -0,000 0,000
ID64 -0,000 0,000 -0,060 0,952 -0,000 0,000
ID65 0,000 0,000 0,410 0,679 -0,001 0,001
MASC -0,422 0,137 -3,090 0,002 -0,690 -0,154
EANA 0,003 0,000 14,310 0,000 0,003 0,004
EFUN 0,000 0,000 0,240 0,809 -0,000 0,000
EMED 0,000 0,000 3,200 0,001 0,000 0,000
ESUP -0,000 0,000 -2,510 0,012 -0,000 -0,000
R1SM 0,000 0,000 1,700 0,089 -0,000 0,000
R3SM -0,000 0,000 -2,860 0,004 -0,000 -0,000
R7SM 0,000 0,000 3,110 0,002 0,000 0,000
RM7 -0,000 0,000 -0,050 0,957 -0,000 0,000
W_POP1 -23,948 39,838 -0,600 0,548 -102,029 54,132
W_POP2 -10,415 39,295 -0,270 0,791 -87,433 66,602
W_IHH -0,053 0,062 -0,850 0,395 -0,176 0,069
W_CAIN 0,018 0,011 1,590 0,111 -0,004 0,039
W_CACS -0,109 0,094 -1,150 0,248 -0,294 0,076
W_CAAP 0,020 0,028 0,740 0,461 -0,034 0,075
W_CAAG 0,015 0,005 3,050 0,002 0,005 0,025
W_ID17 -0,000 0,000 -0,040 0,970 -0,000 0,000
W_ID29 0,000 0,000 0,070 0,947 -0,000 0,000
W_ID64 0,000 0,000 0,300 0,765 -0,000 0,000
W_ID65 -0,000 0,000 -0,950 0,341 -0,001 0,000
W_MASC -0,513 0,181 -2,840 0,005 -0,867 -0,159
W_EANA -0,000 0,000 -3,090 0,002 -0,001 -0,000
W_EFUN -0,000 0,000 -0,430 0,664 -0,000 0,000
W_EMED -0,000 0,000 -0,530 0,598 -0,000 0,000
W_ESUP 0,000 0,000 1,350 0,177 -0,000 0,000
W_R1SM -0,000 0,000 -1,400 0,160 -0,000 0,000
W_R3SM 0,000 0,000 1,720 0,086 -0,000 0,000
W_R7SM -0,000 0,000 -2,340 0,019 -0,000 -0,000
W_RM7 0,000 0,000 0,100 0,918 -0,000 0,000
rho espacial 0,213 0,025 8,620 0,000 0,165 0,261
Variância
sigma2_e 15596,820 3246,040 4,800 0,000 9234,703 21958,950
Critério de informação de Akaike (AIC) e critério de informação Bayesiano (BIC)
Modelo N ll (nulo) ll (modelo) Erro padrão AIC BIC
33378 . -208552,8 18 417141,6 417293,1
167
APÊNDICE T – Resultados da regressão por SDM com efeitos fixos para regiões e períodos
Variável ID: Mun Número de obs= 33378 Variável tempo: Ano
Número de ID= 5563 R-quadrado: 0,0710 Comprimento do Painel = 6
Média dos efeitos fixos = -27,1917
(Erro padrão ajustado para 5,563 clusters em Mun) Robusto
TURB Coef. Erro Padrão t P-valor [95%Conf. Intervalo]
POP1 -309,040 165,130 -1,870 0,061 -632,689 14,610
POP2 -317,842 159,895 -1,990 0,047 -631,230 -4,455
IHH -0,018 0,150 -0,120 0,903 -0,312 0,275
CAIN -0,076 0,034 -2,220 0,026 -0,144 -0,009
CACS 0,667 0,322 2,070 0,038 0,035 1,298
CAAP 0,037 0,036 1,020 0,307 -0,034 0,108
CAAG -0,006 0,006 -0,990 0,320 -0,018 0,006
ID17 -0,001 0,001 -1,480 0,139 -0,003 0,000
ID29 -0,000 0,000 -0,300 0,762 -0,000 0,000
ID64 0,000 0,000 0,470 0,635 -0,000 0,000
ID65 0,000 0,001 0,110 0,910 -0,002 0,002
MASC 0,429 0,203 2,110 0,035 0,031 0,827
EANA 0,003 0,000 10,420 0,000 0,003 0,004
EFUN 0,000 0,000 1,920 0,054 -0,000 0,000
EMED 0,000 0,000 1,170 0,244 -0,000 0,000
ESUP -0,000 0,000 -0,780 0,435 -0,000 0,000
R1SM -0,000 0,000 -0,150 0,879 -0,000 0,000
R3SM -0,000 0,000 -1,340 0,181 -0,000 0,000
R7SM 0,000 0,000 0,550 0,586 -0,000 0,000
RM7 -0,000 0,000 -0,660 0,510 -0,000 0,000
POP1 531,445 464,689 1,140 0,253 -379,329 1442,219
POP2 443,351 458,395 0,970 0,333 -455,086 1341,789
IHH 0,148 0,198 0,750 0,454 -0,240 0,536
CAIN 0,010 0,061 0,170 0,866 -0,109 0,130
CACS 0,285 0,414 0,690 0,490 -0,526 1,097
CAAP 0,039 0,034 1,170 0,244 -0,027 0,105
CAAG -0,001 0,008 -0,170 0,866 -0,018 0,015
ID17 0,000 0,000 0,160 0,874 -0,001 0,001
ID29 0,000 0,000 0,970 0,332 -0,000 0,000
ID64 -0,000 0,000 -0,630 0,531 -0,000 0,000
ID65 -0,000 0,001 -0,270 0,787 -0,002 0,001
MASC 0,416 0,355 1,170 0,242 -0,280 1,111
EANA -0,000 0,000 -2,270 0,023 -0,001 -0,000
EFUN -0,000 0,000 -0,090 0,926 -0,000 0,000
EMED -0,000 0,000 -2,240 0,025 -0,000 -0,000
ESUP 0,000 0,000 1,610 0,106 -0,000 0,000
R1SM 0,000 0,000 0,420 0,674 -0,000 0,000
R3SM -0,000 0,000 -1,480 0,139 -0,000 0,000
R7SM -0,000 0,000 -0,010 0,989 -0,000 0,000
RM7 0,000 0,000 1,010 0,314 -0,000 0,000
rho espacial 0,213 0,029 7,440 0,000 0,157 0,270
Variância
sigma2_e 12551,980 2801,038 4,480 0,000 7062,042 18041,910
Critério de informação de Akaike (AIC) e critério de informação Bayesiano (BIC)
Modelo N ll (nulo) ll (modelo) Erro padrão AIC BIC
33378 . -204899,8 21 409841,6 410018,3
168
APÊNDICE U – Resultados por SDM, efeitos aleatórios, sem efeitos diretos, indiretos e totais Variável ID: Mun Número de obs= 33378 Variável tempo: Ano
Número de ID= 5563 R-quadrado: 0,8370 Comprimento do Painel = 6
(Erro padrão ajustado para 5,563 clusters em Mun) Robusto
TURB Coef. Erro Padrão t P-valor [95%Conf. Intervalo]
POP1 -282,564 12,683 -22,280 0,000 -307,423 -257,706
POP2 -236,143 11,881 -19,880 0,000 -259,430 -212,856
IHH 0,042 0,028 1,510 0,132 -0,013 0,096
CAIN -0,026 0,006 -4,370 0,000 -0,038 -0,014
CACS 0,458 0,027 17,040 0,000 0,405 0,510
CAAP -0,015 0,015 -1,010 0,312 -0,044 0,014
CAAG -0,009 0,002 -4,690 0,000 -0,013 -0,005
ID17 -0,000 0,000 -10,270 0,000 -0,000 -0,000
ID29 0,000 0,000 0,720 0,474 -0,000 0,000
ID64 -0,000 0,000 -0,650 0,515 -0,000 0,000
ID65 0,000 0,000 3,170 0,002 0,000 0,000
MASC -0,410 0,093 -4,390 0,000 -0,594 -0,227
EANA 0,003 0,000 236,020 0,000 0,003 0,003
EFUN 0,000 0,000 1,090 0,277 -0,000 0,000
EMED 0,000 0,000 26,670 0,000 0,000 0,000
ESUP -0,000 0,000 -22,220 0,000 -0,000 -0,000
R1SM 0,000 0,000 9,270 0,000 0,000 0,000
R3SM -0,000 0,000 -30,160 0,000 -0,000 -0,000
R7SM 0,000 0,000 26,930 0,000 0,000 0,000
RM7 0,000 0,000 0,050 0,962 -0,000 0,000
_cons 328,044 29,919 10,960 0,000 269,403 386,684
W_POP1 -11,586 23,769 -0,490 0,626 -58,172 35,000
W_POP2 -1,281 22,819 -0,060 0,955 -46,006 43,443
W_IHH -0,010 0,049 -0,200 0,845 -0,107 0,087
W_CAIN 0,015 0,011 1,370 0,170 -0,006 0,035
W_CACS -0,107 0,057 -1,890 0,059 -0,217 0,004
W_CAAP -0,027 0,028 -0,940 0,346 -0,083 0,029
W_CAAG 0,014 0,004 3,540 0,000 0,006 0,022
W_ID17 0,000 0,000 0,950 0,342 -0,000 0,000
W_ID29 -0,000 0,000 -0,500 0,614 -0,000 0,000
W_ID64 0,000 0,000 1,060 0,288 -0,000 0,000
W_ID65 -0,000 0,000 -2,080 0,037 -0,000 -0,000
W_MASC -0,380 0,168 -2,260 0,024 -0,710 -0,051
W_EANA -0,000 0,000 -10,510 0,000 -0,000 -0,000
W_EFUN -0,000 0,000 -2,680 0,007 -0,000 -0,000
W_EMED -0,000 0,000 -4,530 0,000 -0,000 -0,000
W_ESUP 0,000 0,000 2,460 0,014 0,000 0,000
W_R1SM -0,000 0,000 -2,950 0,003 -0,000 -0,000
W_R3SM 0,000 0,000 5,770 0,000 0,000 0,000
W_R7SM -0,000 0,000 -4,670 0,000 -0,000 -0,000
W_RM7 0,000 0,000 1,590 0,111 -0,000 0,000
rho espacial 0,247 0,007 35,240 0,000 0,233 0,261
Variância
lgt_theta 17,109 680,615 0,030 0,980 -1316,872 1351,090
sigma2_e 15619,360 121,331 128,730 0,000 15381,550 15857,160
Critério de informação de Akaike (AIC) e critério de informação Bayesiano (BIC)
Modelo N ll (nulo) ll (modelo) Erro padrão AIC BIC
33378 . -208698,5 21 417438,9 417615,6
169
APÊNDICE V – Resultados da regressão por SAC com efeitos fixos para regiões
Variável ID: Mun Número de obs= 33378
Variável tempo: Ano Número de ID= 5563
R-quadrado: 0,4384 Comprimento do Painel = 6
Média dos efeitos fixos = 266,9142
(Erro padrão ajustado para 5,563 clusters em Mun)
Robusto
TURB Coef. Erro Padrão t P-valor [95%Conf. Intervalo]
POP1 -301,301 163,733 -1,840 0,066 -622,212 19,610
POP2 -314,149 157,700 -1,990 0,046 -623,235 -5,062
IHH 0,174 0,159 1,090 0,276 -0,139 0,486
CAIN -0,123 0,036 -3,420 0,001 -0,194 -0,052
CACS 0,565 0,325 1,740 0,082 -0,072 1,203
CAAP -0,007 0,045 -0,150 0,882 -0,096 0,082
CAAG -0,009 0,008 -1,160 0,245 -0,025 0,006
ID17 -0,001 0,001 -1,470 0,143 -0,003 0,000
ID29 -0,000 0,000 -0,260 0,795 -0,000 0,000
ID64 0,000 0,000 0,410 0,679 -0,000 0,000
ID65 0,000 0,001 0,200 0,842 -0,002 0,002
MASC 0,664 0,218 3,050 0,002 0,237 1,091
EANA 0,003 0,000 11,040 0,000 0,003 0,004
EFUN 0,000 0,000 1,830 0,067 -0,000 0,000
EMED 0,000 0,000 1,080 0,281 -0,000 0,000
ESUP -0,000 0,000 -0,790 0,432 -0,000 0,000
R1SM -0,000 0,000 -0,130 0,894 -0,000 0,000
R3SM -0,000 0,000 -1,240 0,215 -0,000 0,000
R7SM 0,000 0,000 0,590 0,553 -0,000 0,000
RM7 -0,000 0,000 -0,620 0,533 -0,000 0,000
rho espacial 0,133 0,022 5,950 0,000 0,089 0,177
lambda 0,111 0,045 2,430 0,015 0,021 0,200
Variância
sigma2_e 15322,150 2816,583 5,440 0,000 9801,746 20842,550
Critério de informação de Akaike (AIC) e critério de informação Bayesiano (BIC)
Modelo N ll (nulo) ll (modelo) Erro padrão AIC BIC
33378 . -205238,7 14 410505,3 410623,2
Nota: BIC utiliza N = número de observações.
170
APÊNDICE W – Resultados da regressão por SAC com efeitos fixos para regiões, conforme
Lee e Yu
Variável ID: Mun Número de obs= 27815
Variável tempo: Ano Número de ID= 5563
R-quadrado: 0,4384 Comprimento do Painel = 5
Média dos efeitos fixos = 266,9142
(Erro padrão ajustado para 5,563 clusters em Mun)
Robusto
TURB Coef. Erro Padrão t P-valor [95%Conf. Intervalo]
POP1 -301,301 163,733 -1,840 0,066 -622,212 19,610
POP2 -314,149 157,700 -1,990 0,046 -623,235 -5,062
IHH 0,174 0,159 1,090 0,276 -0,139 0,486
CAIN -0,123 0,036 -3,420 0,001 -0,194 -0,052
CACS 0,565 0,325 1,740 0,082 -0,072 1,203
CAAP -0,007 0,045 -0,150 0,882 -0,096 0,082
CAAG -0,009 0,008 -1,160 0,245 -0,025 0,006
ID17 -0,001 0,001 -1,470 0,143 -0,003 0,000
ID29 -0,000 0,000 -0,260 0,795 -0,000 0,000
ID64 0,000 0,000 0,410 0,679 -0,000 0,000
ID65 0,000 0,001 0,200 0,842 -0,002 0,002
MASC 0,664 0,218 3,050 0,002 0,237 1,091
EANA 0,003 0,000 11,040 0,000 0,003 0,004
EFUN 0,000 0,000 1,830 0,067 -0,000 0,000
EMED 0,000 0,000 1,080 0,281 -0,000 0,000
ESUP -0,000 0,000 -0,790 0,432 -0,000 0,000
R1SM -0,000 0,000 -0,130 0,894 -0,000 0,000
R3SM -0,000 0,000 -1,240 0,215 -0,000 0,000
R7SM 0,000 0,000 0,590 0,553 -0,000 0,000
RM7 -0,000 0,000 -0,620 0,533 -0,000 0,000
rho espacial 0,133 0,022 5,950 0,000 0,089 0,177
lambda 0,111 0,045 2,430 0,015 0,021 0,200
Variância
sigma2_e 15322,150 3379,900 4,530 0,000 8697,666 21946,630
Critério de informação de Akaike (AIC) e critério de informação Bayesiano (BIC)
Modelo N ll (nulo) ll (modelo) Erro padrão AIC BIC
27815 . -173567,9 13 347161,7 347268,8
Nota: BIC utiliza N = número de observações.
171
APÊNDICE X – Resultados da regressão por SAC com efeitos fixos para períodos
Variável ID: Mun Número de obs= 33378
Variável tempo: Ano Número de ID= 5563
R-quadrado: 0,8345 Comprimento do Painel = 6
Média dos efeitos fixos = 287,2356
(Erro padrão ajustado para 5,563 clusters em Mun)
Robusto
TURB Coef. Erro Padrão t P-valor [95%Conf. Intervalo]
POP1 -271,430 110,125 -2,460 0,014 -487,271 -55,590
POP2 -229,429 102,098 -2,250 0,025 -429,537 -29,321
IHH 0,019 0,048 0,400 0,688 -0,075 0,114
CAIN -0,022 0,009 -2,510 0,012 -0,039 -0,005
CACS 0,439 0,095 4,610 0,000 0,253 0,626
CAAP -0,002 0,025 -0,080 0,935 -0,051 0,047
CAAG -0,008 0,004 -1,750 0,080 -0,016 0,001
ID17 -0,000 0,000 -1,230 0,220 -0,001 0,000
ID29 0,000 0,000 0,030 0,977 -0,000 0,000
ID64 -0,000 0,000 -0,050 0,963 -0,000 0,000
ID65 0,000 0,000 0,430 0,669 -0,001 0,001
MASC -0,463 0,138 -3,350 0,001 -0,734 -0,192
EANA 0,003 0,000 14,350 0,000 0,003 0,004
EFUN 0,000 0,000 0,240 0,807 -0,000 0,000
EMED 0,000 0,000 3,140 0,002 0,000 0,000
ESUP -0,000 0,000 -2,440 0,015 -0,000 -0,000
R1SM 0,000 0,000 1,830 0,067 -0,000 0,000
R3SM -0,000 0,000 -2,820 0,005 -0,000 -0,000
R7SM 0,000 0,000 3,040 0,002 0,000 0,000
RM7 -0,000 0,000 -0,080 0,935 -0,000 0,000
rho espacial 0,107 0,020 5,450 0,000 0,068 0,145
lambda 0,108 0,034 3,160 0,002 0,041 0,175
Variância
sigma2_e 15692,450 3244,114 4,840 0,000 9334,107 22050,800
Critério de informação de Akaike (AIC) e critério de informação Bayesiano (BIC)
Modelo N ll (nulo) ll (modelo) Erro padrão AIC BIC
33378 . -208656,2 13 417338,4 417447,8
Nota: BIC utiliza N = número de observações.
172
APÊNDICE Y – Resultados da regressão por SAC com efeitos fixos para regiões e períodos
Variável ID: Mun Número de obs= 33378
Variável tempo: Ano Número de ID= 5563
R-quadrado: 0,2583 Comprimento do Painel = 6
Média dos efeitos fixos = 292,5805
(Erro padrão ajustado para 5,563 clusters em Mun)
Robusto
TURB Coef. Erro Padrão t P-valor [95%Conf. Intervalo]
POP1 -304,811 169,749 -1,800 0,073 -637,513 27,891
POP2 -306,899 164,067 -1,870 0,061 -628,466 14,667
IHH -0,013 0,150 -0,090 0,930 -0,308 0,281
CAIN -0,078 0,035 -2,230 0,026 -0,146 -0,009
CACS 0,669 0,324 2,070 0,039 0,034 1,304
CAAP 0,039 0,036 1,070 0,283 -0,032 0,110
CAAG -0,006 0,006 -1,000 0,318 -0,018 0,006
ID17 -0,001 0,001 -1,470 0,141 -0,003 0,000
ID29 -0,000 0,000 -0,300 0,762 -0,000 0,000
ID64 0,000 0,000 0,480 0,635 -0,000 0,000
ID65 0,000 0,001 0,110 0,910 -0,002 0,002
MASC 0,450 0,204 2,200 0,028 0,050 0,850
EANA 0,003 0,000 10,510 0,000 0,003 0,004
EFUN 0,000 0,000 1,950 0,051 -0,000 0,000
EMED 0,000 0,000 1,130 0,258 -0,000 0,000
ESUP -0,000 0,000 -0,780 0,435 -0,000 0,000
R1SM -0,000 0,000 -0,160 0,872 -0,000 0,000
R3SM -0,000 0,000 -1,360 0,174 -0,000 0,000
R7SM 0,000 0,000 0,550 0,579 -0,000 0,000
RM7 -0,000 0,000 -0,670 0,500 -0,000 0,000
rho espacial 0,119 0,021 5,680 0,000 0,078 0,160
lambda 0,086 0,041 2,090 0,037 0,005 0,167
Variância
sigma2_e 15131,960 2793,211 5,420 0,000 9657,370 20606,550
Critério de informação de Akaike (AIC) e critério de informação Bayesiano (BIC)
Modelo N ll (nulo) ll (modelo) Erro padrão AIC BIC
33378 . -204991,9 14 410011,9 410129,7
Nota: BIC utiliza N = número de observações.
173
APÊNDICE Z – Resultados da regressão por SEM com efeitos fixos para regiões
Variável ID: Mun Número de obs= 33378
Variável tempo: Ano Número de ID= 5563
R-quadrado: 0,3207 Comprimento do Painel = 6
Média dos efeitos fixos = 292,4082
(Erro padrão ajustado para 5,563 clusters em Mun)
Robusto
TURB Coef. Erro Padrão t P-valor [95%Conf. Intervalo]
POP1 -324,057 149,337 -2,170 0,030 -616,751 -31,363
POP2 -322,259 143,870 -2,240 0,025 -604,239 -40,279
IHH 0,185 0,155 1,190 0,234 -0,119 0,489
CAIN -0,107 0,035 -3,050 0,002 -0,176 -0,038
CACS 0,659 0,324 2,030 0,042 0,024 1,293
CAAP -0,006 0,043 -0,140 0,885 -0,091 0,079
CAAG -0,009 0,008 -1,140 0,252 -0,024 0,006
ID17 -0,001 0,001 -1,440 0,151 -0,002 0,000
ID29 -0,000 0,000 -0,370 0,710 -0,000 0,000
ID64 0,000 0,000 0,520 0,600 -0,000 0,000
ID65 0,000 0,001 0,190 0,846 -0,002 0,002
MASC 0,677 0,211 3,210 0,001 0,264 1,090
EANA 0,003 0,000 10,360 0,000 0,003 0,004
EFUN 0,000 0,000 2,020 0,043 0,000 0,000
EMED 0,000 0,000 0,920 0,357 -0,000 0,000
ESUP -0,000 0,000 -0,720 0,474 -0,000 0,000
R1SM -0,000 0,000 -0,110 0,915 -0,000 0,000
R3SM -0,000 0,000 -1,370 0,170 -0,000 0,000
R7SM 0,000 0,000 0,640 0,520 -0,000 0,000
RM7 -0,000 0,000 -0,730 0,467 -0,000 0,000
lambda espacial 0,333 0,045 7,330 0,000 0,244 0,422
Variância
sigma2_e 13215,660 2885,055 4,580 0,000 7561,052 18870,260
Critério de informação de Akaike (AIC) e critério de informação Bayesiano (BIC)
Modelo N ll (nulo) ll (modelo) Erro padrão AIC BIC
33378 . -206070,5 13 412167,1 412276,5
Nota: BIC utiliza N = número de observações.
174
APÊNDICE AA – Resultados da regressão por SEM com efeitos fixos para regiões, conforme
Lee e Yu
Variável ID: Mun Número de obs= 27815
Variável tempo: Ano Número de ID= 5563
R-quadrado: 0,3207 Comprimento do Painel = 5
Média dos efeitos fixos = 292,4082
(Erro padrão ajustado para 5,563 clusters em Mun)
Robusto
TURB Coef. Erro Padrão t P-valor [95%Conf. Intervalo]
POP1 -324,057 149,337 -2,170 0,030 -616,751 -31,363
POP2 -322,259 143,870 -2,240 0,025 -604,239 -40,279
IHH 0,185 0,155 1,190 0,234 -0,119 0,489
CAIN -0,107 0,035 -3,050 0,002 -0,176 -0,038
CACS 0,659 0,324 2,030 0,042 0,024 1,293
CAAP -0,006 0,043 -0,140 0,885 -0,091 0,079
CAAG -0,009 0,008 -1,140 0,252 -0,024 0,006
ID17 -0,001 0,001 -1,440 0,151 -0,002 0,000
ID29 -0,000 0,000 -0,370 0,710 -0,000 0,000
ID64 0,000 0,000 0,520 0,600 -0,000 0,000
ID65 0,000 0,001 0,190 0,846 -0,002 0,002
MASC 0,677 0,211 3,210 0,001 0,264 1,090
EANA 0,003 0,000 10,360 0,000 0,003 0,004
EFUN 0,000 0,000 2,020 0,043 0,000 0,000
EMED 0,000 0,000 0,920 0,357 -0,000 0,000
ESUP -0,000 0,000 -0,720 0,474 -0,000 0,000
R1SM -0,000 0,000 -0,110 0,915 -0,000 0,000
R3SM -0,000 0,000 -1,370 0,170 -0,000 0,000
R7SM 0,000 0,000 0,640 0,520 -0,000 0,000
RM7 -0,000 0,000 -0,730 0,467 -0,000 0,000
lambda espacial 0,333 0,045 7,330 0,000 0,244 0,422
Variância
sigma2_e 15858,790 3462,065 4,580 0,000 9073,263 22644,310
Critério de informação de Akaike (AIC) e critério de informação Bayesiano (BIC)
Modelo N ll (nulo) ll (modelo) Erro padrão AIC BIC
27815 . -174261,1 12 348546,2 348645
Nota: BIC utiliza N = número de observações.
175
APÊNDICE AB – Resultados da regressão por SEM com efeitos fixos para períodos
Variável ID: Mun Número de obs= 33378
Variável tempo: Ano Número de ID= 5563
R-quadrado: 0,8248 Comprimento do Painel = 6
Média dos efeitos fixos = 299,7753
(Erro padrão ajustado para 5,563 clusters em Mun)
Robusto
TURB Coef. Erro Padrão t P-valor [95%Conf. Intervalo]
POP1 -287,857 109,163 -2,640 0,008 -501,813 -73,900
POP2 -235,047 100,635 -2,340 0,020 -432,287 -37,807
IHH 0,030 0,051 0,580 0,560 -0,071 0,131
CAIN -0,023 0,009 -2,530 0,011 -0,040 -0,005
CACS 0,481 0,101 4,750 0,000 0,283 0,680
CAAP -0,005 0,026 -0,170 0,864 -0,056 0,047
CAAG -0,009 0,005 -2,040 0,041 -0,018 -0,000
ID17 -0,000 0,000 -1,310 0,190 -0,001 0,000
ID29 -0,000 0,000 -0,050 0,959 -0,000 0,000
ID64 0,000 0,000 0,090 0,925 -0,000 0,000
ID65 0,000 0,000 0,290 0,772 -0,001 0,001
MASC -0,350 0,137 -2,550 0,011 -0,618 -0,081
EANA 0,003 0,000 14,660 0,000 0,003 0,004
EFUN 0,000 0,000 0,340 0,733 -0,000 0,000
EMED 0,000 0,000 3,240 0,001 0,000 0,000
ESUP -0,000 0,000 -2,580 0,010 -0,000 -0,000
R1SM 0,000 0,000 1,720 0,085 -0,000 0,000
R3SM -0,000 0,000 -2,860 0,004 -0,000 -0,000
R7SM 0,000 0,000 3,140 0,002 0,000 0,000
RM7 -0,000 0,000 -0,050 0,959 -0,000 0,000
lambda espacial 0,265 0,041 6,480 0,000 0,185 0,345
Variância
sigma2_e 16046,430 3280,814 4,890 0,000 9616,150 22476,700
Critério de informação de Akaike (AIC) e critério de informação Bayesiano (BIC)
Modelo N ll (nulo) ll (modelo) Erro padrão AIC BIC
33378 . -209178,1 11 418378,2 418470,8
Nota: BIC utiliza N = número de observações.
176
APÊNDICE AC – Resultados da regressão SEM com efeitos fixos para regiões e para períodos
Variável ID: Mun Número de obs= 33378
Variável tempo: Ano Número de ID= 5563
R-quadrado: 0,1830 Comprimento do Painel = 6
Média dos efeitos fixos = 309,8834
(Erro padrão ajustado para 5,563 clusters em Mun)
Robusto
TURB Coef. Erro Padrão t P-valor [95%Conf. Intervalo]
POP1 -320,515 158,092 -2,030 0,043 -630,370 -10,660
POP2 -312,800 152,630 -2,050 0,040 -611,949 -13,650
IHH -0,002 0,149 -0,020 0,988 -0,294 0,289
CAIN -0,064 0,034 -1,880 0,060 -0,130 0,003
CACS 0,752 0,323 2,330 0,020 0,120 1,385
CAAP 0,039 0,036 1,110 0,268 -0,030 0,109
CAAG -0,006 0,006 -1,010 0,313 -0,017 0,005
ID17 -0,001 0,001 -1,420 0,154 -0,002 0,000
ID29 -0,000 0,000 -0,410 0,685 -0,000 0,000
ID64 0,000 0,000 0,570 0,571 -0,000 0,000
ID65 0,000 0,001 0,130 0,900 -0,002 0,002
MASC 0,473 0,202 2,340 0,019 0,077 0,868
EANA 0,003 0,000 10,280 0,000 0,003 0,004
EFUN 0,000 0,000 2,120 0,034 0,000 0,000
EMED 0,000 0,000 0,980 0,329 -0,000 0,000
ESUP -0,000 0,000 -0,730 0,468 -0,000 0,000
R1SM -0,000 0,000 -0,130 0,894 -0,000 0,000
R3SM -0,000 0,000 -1,460 0,144 -0,000 0,000
R7SM 0,000 0,000 0,560 0,574 -0,000 0,000
RM7 -0,000 0,000 -0,740 0,460 -0,000 0,000
lambda espacial 0,268 0,047 5,700 0,000 0,176 0,361
Variância
sigma2_e 13007,110 2846,253 4,570 0,000 7428,557 18585,660
Critério de informação de Akaike (AIC) e critério de informação Bayesiano (BIC)
Modelo N ll (nulo) ll (modelo) Erro padrão AIC BIC
33378 . -205678,9 13 411383,8 411493,2
Nota: BIC utiliza N = número de observações.
