DESCONCENTRAÇÃO REGIONAL E ATIVIDADE INDUSTRIAL NO BRASIL
Autor:
Weslem Rodrigues Faria
Doutorando em Teoria Econômica – IPE/USP
e-mail: [email protected]
tel.: (11) 6795-0090
Resumo:
O artigo discute aspectos ligados a localização da atividade industrial no Brasil. A motivação
permeia o debate existente na literatura acerca do processo de desconcentração espacial do setor da
indústria no Brasil. Em síntese, o trabalho tem com objetivo verificar a existência de padrões
espaciais de localização dessa atividade, bem como inferir sobre seus possíveis determinantes. Para
isso, utiliza-se o arcabouço teórico e técnico de economia regional. A teoria fundamenta a
discussão, uma vez que aspectos locacionais da atividade produtiva fazem parte da análise,
enquanto que um método prático, o de econometria espacial, é utilizado para a realização das
estimações, levando em conta fenômenos relacionado ao espaço. Os principais achados neste
trabalho apontam para a existência de interação espacial significativa entre os municípios brasileiros
com relação à atividade industrial do setor de bens intermediários. Além disso, tal atividade pouco
tem se localizado nos municípios das regiões mais pobres do país.
Abstract:
The paper discusses issues related to the location of industrial activity in Brazil. Motivations are the
recent findings in the existing literature about the process of spatial deconcentration of the Brazilian
industry. The study aimed to verify the existence of spatial patterns of location of such activity, as
well as inferences about their risk factors. For this reason, it uses the theoretical and technical of
regional economics. Considering the phenomena related to space, the location theory is used to
support the analysis, while a practical method of spatial econometrics is used to perform the
estimations. The main findings in this study pointed to the existence of significant spatial
interaction between Brazilian cities regarding the industrial activity in the sector of intermediate
goods. Furthermore, this activity has just located in the cities of the poorest regions of the country.
Palavras-chave: atividade industrial, desconcentração regional, econometria espacial
Key-Words: industrial activity, regional deconcentration, spatial econometrics
Área Temática: 2 – Localização e concentração das atividades econômicas
OBS: Concorrente ao prêmio Paulo Haddad
2
1. Introdução
O espaço como variável de estudo na ciência econômica surgiu de forma tardia em alguns
aspectos. O estudo da influencia da geografia sobre decisões econômicas tornou-se padrão e
necessário em muitas análises de localização e aspectos de desenvolvimento regional. A análise
espacial, como ponto de investigação, tem origem fundamentalmente em von Thunen, que partiu,
em certo grau, da economia política clássica de Ricardo, e introduziu elementos importantes para a
Teoria Clássica da Localização (DICKINSON, 1969). A contribuição de maior expressão surgiu
primeiramente em Weber (1969), que teve a preocupação de construir uma teoria que subsidiasse na
determinação da localização ótima de uma empresa. Este autor introduziu um conceito próprio de
área de mercado, com a noção de “local de mercado”, no qual o espaço urbano funciona como o
próprio local de mercado (LEMOS, 1988).
Em seguida, destaca-se o trabalho de Christaller (1966). A concepção principal deste autor é
a de que a atividade econômica orienta-se pelo mercado consumidor e não pela localização de
insumos ou trabalho. Os modelos de Losch (1954) tiveram inspiração em Christaller, evoluindo a
idéia original deste autor por meio do pressuposto de que a concentração da atividade econômica
pode ocorrer independente de uma particularidade local. Os trabalhos destes dois últimos autores
formaram fundamentos conceituais da teoria do lugar central, na qual a localização da atividade
econômica poderia formar a base de um sistema urbano (PARR, 2002).
Isard (1956) tentou fornecer uma teoria geral acerca da localização e espaço econômico,
bem como ferramentas capazes de subsidiar o estudo de questões inerentes a desenvolvimento
regional e problemas reais em economia regional. Por meio do conceito de insumos de transporte,
equacionou o chamado “problema localizacional” em termos análogos aos formatos tradicionais do
arcabouço teórico neoclássico. Fatores locacionais clássicos, especialmente o custo de transporte,
aliado às prerrogativas de concorrência perfeita, equilíbrio geral e maximização de lucro, com o
instrumental de insumo-produto e o conceito de multiplicador de renda keynesiano, deram origem a
um conjunto de interpretações teóricas e instrumental analítico, batizados como Regional Science
(DINIZ, 2006).
Em termos gerais, estes autores foram percussores do estudo de economia regional. Mais
recentemente, tem-se a contribuição de Fujita et al. (2002), que condensam em um trabalho,
modelos que abordam questões relacionadas diretamente com custo de transporte, economias de
escala em modelos espaciais, economias de aglomeração, aspectos da teoria da base de exportação e
do desenvolvimento desigual. Este trabalho tem como umas das principais inovações, a forma de
modelar fatores econômicos que explicam a distribuição das atividades no espaço.
Observa-se alguns trabalhos na literatura que trataram de questões pertinentes acerca da
localização da atividade produtiva, desenvolvimento regional e concentração e desconcentração
industrial no Brasil. Galvão e Vasconcelos (1999) discutem fundamentos da organização
espacial/territorial na presença de uma fase da globalização caracterizada por conceitos inevitáveis
em política regional como inovação e sistemas de inovação, capital social e institucional building,
networking e subcontratação, distritos industriais e pequenas e médias empresas. Sugerem, de forma
genérica, uma tipologia espacial/territorial de uma nova política regional no Brasil baseada no
núcleo formado entre tecnologia, organizações e territórios.
Lastres (1997) discute a hipótese da globalização das atividades industriais e tecnológicas,
enfatizando seus impactos sobre os países desenvolvidos e em desenvolvimento. Destacou
argumentos colocados sobre o papel e a eficácia das políticas de desenvolvimento industrial e
tecnológico nacionais no enfrentamento dos novos desafios associados ao avanço do processo de
globalização. Concluiu que os fatores associados à globalização afetam os objetivos, o alcance e os
instrumentos das políticas nacionais.
Outro ponto de investigação diz respeito à avaliação da concentração da atividade industrial
no território brasileiro. Lemos et al. (2003) tentaram identificar uma nova configuração regional
brasileira, bem como delimitar seus pólos econômicos e suas áreas de influência, como base para
uma proposta de nova regionalização para o Brasil. Os seus resultados sugerem que, no caso do
3
desenvolvimento regional, a configuração do espaço econômico regional ocorre em virtude de
vantagens ou desvantagens de localização em relação à proximidade ou distância dos pólos
nacionais de São Paulo e do Rio de Janeiro.
Diniz e Crocco (1996) fazem uma análise do desenvolvimento regional da indústria no
Brasil. Segundo estes autores, do ponto de vista industrial, regiões tradicionais do Brasil perderam
importância relativa, com destaque para São Paulo e Rio de Janeiro, e foram criados novos
conjuntos industriais especializados, localizados principalmente em cidades médias. Assim, esta
nova configuração da atividade produtiva exige novos instrumentos para a análise desta dinâmica.
Concluíram que a reversão da polarização industrial no território brasileiro aliado as transformações
institucionais ocorridas no Brasil, apontaram para uma reconcentração geográfica de uma região
que contempla do Centro de Minas Gerais até o Nordeste do Rio Grande do Sul.
Sabóia (2000, 2001) destacou que a indústria brasileira tem passado por um forte processo
de modernização e desconcentração espacial recentemente. O deslocamento da indústria em direção
a diferentes regiões podem ser conseqüências, dentre outros fatores: i) da guerra fiscal entre as
várias unidades da Federação; ii) dos salários mais baixos nas regiões menos desenvolvidas; iii) da
proximidade de fontes de matérias-primas; iv) o nível da infra-estrutura local e, v) do
desenvolvimento do MERCOSUL têm provocado o deslocamento da indústria em direção a
diferentes regiões. Alguns estados e regiões têm se destacado, beneficiando-se do processo de
descentralização industrial. Enquanto o emprego se reduz na maior parte do País, estados como o
Paraná, o Ceará e aqueles localizados na Região Centro-Oeste mostram um grande dinamismo,
recebendo novas empresas industriais e apresentando forte crescimento do emprego.
As mudanças recentes na orientação da política econômica brasileira têm impactado de
forma decisiva e diferenciada nos vários estados ou regiões, repercutindo na competitividade destas
regiões e promovendo transferência da produção (DINIZ, 1999). Uma possível continuidade da
desconcentração das últimas décadas deve ser acompanhada pelo aumento da heterogeneidade
interna das regiões brasileiras, com o surgimento de ilhas de produtividade em quase todas as
regiões, o crescimento relativo maior das antigas periferias nacionais e importância maior do
conjunto das cidades médias perante as áreas metropolitanas (PACHECO, 1999).
Outros dois pontos estão cada vez mais presentes na discussão de aspectos de localização.
Primeiro, o desenvolvimento local que considera maior diversidade na sua avaliação como cultura,
história, recursos humanos e materiais diferenciados (DINIZ, 2001). Segundo, a análise de Clusters,
Organização Industrial e Desenvolvimento Regional que considera a estrutura do sistema local,
economias externas e cooperação no processo de produção (LINS, 2000).
Dada este importante debate acerca da localização da indústria no Brasil, pretende-se
contribuir neste trabalho com outro aspecto, não muito explorado, que é a observação do padrão
espacial do setor da indústria de bens intermediários nos municípios brasileiros. Como salientou
Pacheco (1999), a configuração de novos padrões locacionais, observados a partir das
transformações na economia brasileira, pode não ser um processo uniforme para o conjunto da
indústria, com desempenhos distintos setorialmente. Com isso, não se deve esperar a definição de
uma tendência clara e geral na direção da reaglomeração, da mesma forma que não se deve contar
com fortes movimentos de desconcentração.
Neste sentido, o estudo da indústria merece atenção especial pelo seu papel de interligar
vários setores da economia. Pode-se enunciar quatro metas principais deste trabalho: i) verificar a
existência de uma relação não espacial entre o conjunto de variáveis “não-industriais” e a variável
industrial de interesse; ii) encontrar padrões espaciais do setor da indústria de bens intermediários
nos municípios brasileiros; iii) identificar os principais determinantes da atividade industriais nos
municípios brasileiros e; iv) verificar a existência de transbordamentos industriais. Isto forneceria
indicativos de associação espacial entre segmentos da indústria e questões pertinentes de
desenvolvimento regional no Brasil.
O trabalho é dividido em outras três seções, além desta introdução. Na próxima, são
descritos os aspectos e procedimentos metodológicos, que englobam a descrição e fonte da base de
dados, bem como a definição dos métodos exploratórios (Análise Fatorial e Análise Exploratória de
4
Dados Espaciais) e de econometria utilizados. A terceira seção mostra os resultados encontrados da
aplicação de ambos os métodos. Por fim, apresentam-se as conclusões e sugestões de políticas.
2. Procedimentos Metodológicos
2.1. Base de Dados e Definição de Variáveis
O presente estudo avalia setores industriais nos municípios brasileiros. Os dados de indústria
utilizados são resultados de agregações a nível municipal de observações da Pesquisa Industrial
Anual (PIA) referentes ao ano de 2000 (IBGE, 2002). Os dados utilizados foram operacionalizados
por Domingues (2005), que buscou identificar centros industriais e um padrão geral de localização
da indústria no território do Brasil e do Nordeste.
A atividade industrial relaciona-se com muitos outros aspectos econômicos, geográficos e
sociais. Pode-se citar, no conjunto destes aspectos, determinantes como disponibilidade de mão-
obra, distância de mercados consumidores e de fatores, custo de transporte, mercado de trabalho
qualificado, incentivos fiscais ao setor, densidade, grau de concentração econômico e urbano,
medidas de desenvolvimento regional e urbano, capital humano e amenidades culturais.
As variáveis industriais utilizadas são proporções da atividade industrial total do município.
São elas:
BI: Proporção da indústria de bens intermediários na indústria municipal. A classificação do setor
industrial de bens intermediários segue, por exemplo, a definição de Bielschowsky (1999), que
engloba as indústrias de siderurgia/metalurgia, química, papel e celulose e produtos de minerais
não-metálicos.
BCD: Participação percentual do setor de bens de capital e de bens duráveis na indústria municipal.
BCND: Participação percentual do setor de bens consumo não-durável na indústria municipal.
A variável industrial de interesse no presente estudo é a variável é participação percentual
ou proporção do setor de bens intermediários na indústria municipal (BI), as outras são utilizadas
para auxiliar no estudo da mesma. Para verificar a influência de variáveis determinantes sobre este
setor industrial dos municípios brasileiros, foram utilizadas as seguintes variáveis:
Capital Humano: refere-se ao valor esperado presente dos rendimentos anuais (descontados a 10%
a.a.) associados à escolaridade e experiência (idade) da população em idade ativa (15 a 65 anos). O
estoque de capital humano é calculado pela diferença entre o rendimento obtido no mercado de
trabalho e a estimativa daquele obtido por um trabalhador sem escolaridade e experiência
(IPEADATA, 2008). Capital humano eleva a produtividade não apenas individual, mas, também
coletiva, o que ocorreria através das externalidades do capital humano (LUCAS, 1988). Assim, o
capital incorporado aos seres humanos, especialmente na forma de saúde e educação, tem a
capacidade de gerar ativos por meio do conhecimento, inclusive na atividade industrial. Este índice
tem o objetivo de medir a importância do conhecimento na indústria Segundo Lemos et al. (2003), a
falta de infra-estrutura de capital humano, dentre outros fatores, constitui um obstáculo ao
crescimento industrial regional.
Gastos Econômicos: este indicador representa as despesas segundo setores agregados da economia:
Indústria, Comércio e Serviços, dado pelo IBGE (2008). O incentivo fiscal observado pelo gasto do
Estado com estes setores tem influência sobre tais atividades. Tal indicador tem objetivo de captar o
estímulo ou desestímulo proporcionado pelo gasto governamental na indústria. Para Rezende
(1997), o governo não teria necessidade de se envolver com o gasto econômico, que corresponde à
5
parcela do gasto que diz respeito a atividades econômicas, mas que na prática, este gasto deve-se a
necessidade de regulação de mercados.
Inovação: corresponde à despesa com ciência e tecnologia. Esta variável é um importante indicador
de gastos com pesquisa e desenvolvimento nos municípios e foi extraído do IPEADATA
(IPEADATA, 2008). Existem muitos trabalhos na literatura que tratam de inovação, investimento
em P&D e desenvolvimento regional (GONÇALVES, 2006; OLIVEIRA, 2007; CASSIOLATO e
LASTRES, 1998). O estímulo oferecido por este gasto tem repercussões em toda a cadeia
produtiva, o que favorece o desenvolvimento regional e atraí um conjunto diferenciado de
atividades econômicas.
Desenvolvimento Regional: corresponde a despesa dos municípios em projetos de
desenvolvimento regional conforme caracterização do IPEADATA (2008). Este índice tem como
objetivo averiguar o seu grau de influência sobre questões relacionadas à indústria. Na literatura
existem trabalhos que avaliaram localização industrial sobre a ótica da concentração e descontração
desta atividade, fatores que estão também diretamente ligados ao debate sobre competitividade e
desenvolvimento regional (DINIZ, 1995; AZZONI e FERREIRA, 1999). Assim, este índice pode
auxiliar no melhor entendimento da localização da atividade industrial.
Amenidades Culturais: são representadas pelo número de bibliotecas públicas, museus, teatros ou
salas de espetáculos, centros culturais, estádios ou ginásios poliesportivos e cinemas nos
municípios. Os dados foram extraídos da pesquisa de cultura dos municípios realizada pelo IGBE
(2007). Gonçalves (2006) acredita que, embora esta variável reflita apenas parte dos componentes
para a existência de boas condições de vida em um centro urbano, estas externalidades indicam, em
certo sentido, o grau de atração do centro urbano. Diniz (2001) defendeu que aspectos culturais,
dentre outros, influenciam no desenvolvimento de atividades locais e inovações.
Qualificação da Mão-de-Obra: é medida pelo percentual de pessoas no município com 25 anos ou
mais que possuem doze anos ou mais de estudo, segundo o Atlas de Desenvolvimento Humano no
Brasil – 2000, do Programa das Nações Unidas para o Desenvolvimento (PNUD), disponível no
endereço do IPEA (IPEA, 2008). A qualidade dos trabalhadores na indústria relaciona-se de forma
direta com a capacidade de criar inovação, com o aumento da produtividade e dos salários no setor
(SABÓIA, 2001; CASTRO, 1997)
Exportações: esta variável tem como objetivo medir a inserção externa das economias municipais.
Segundo Haguenauer et al. (1998) e Levy e Serra (2002), o coeficiente de exportação da indústria
cresceu ao longo da década de 1990, após a abertura comercial. Isto evidencia aumento da
competitividade do setor no Brasil, bem como adequação nos custos, melhoria na qualidade dos
produtos e ampliação do mercado.
Grau de Industrialização: corresponde ao percentual de pessoas ocupadas em Unidades Locais
Industriais no município, segundo o Sistema Nacional de Indicadores Urbanos, do Programa das
Nações Unidas para o Desenvolvimento (PNUD), disponível no endereço do Ministério das
Cidades (Brasil, 2008). Esta variável foi utilizada por Andrade e Serra (1998) para avaliar
crescimento econômico nas cidades médias brasileiras. Para estes autores tal índice esclarece
aspectos importantes acerca do comportamento da indústria, como uso de mão-de-obra e
produtividade total.
Riqueza da Indústria: representa o PIB industrial dos municípios brasileiros, obtidos no
IPEADATA (2008). Este índice coloca uma questão interessante na análise que é em relação à
influência da presença de setores industriais na atração [mercado consumidor local ou não em
crescimento, economias de escala externas a firma a la nova geografia econômica (FUJITA et al.,
6
2002) ou repulsão de outras indústrias. Assim, tal índice tentará medir a existência ou não desta
possível influência.
Densidade de Emprego Industrial: é a razão entre o número de pessoas ocupadas em Unidades
Locais Industriais no município e sua área em km2. O objetivo deste índice é complementar o índice
anterior, no que diz respeito à captação de aspectos espaciais, como concentração de empregados e
fertilização cruzada (CARLINO et al., 2001).
Renda: refere-se à renda per capita dos municípios brasileiros extraída do Atlas de
Desenvolvimento Humano no Brasil – 2000. Este indicador tem a função de medir o tamanho do
mercado consumidor local. O objetivo é verificar a sua relação com a indústria no município, uma
vez que se espera que quanto maior a renda maior o nível desta atividade. A magnitude do mercado
consumidor, dentre outros fatores, relaciona-se com fatores de investigação mais profunda como
reestruturação e relocalização da indústria no Brasil (DINIZ e CROCCO, 1996).
Densidade: este índice é a razão entre a população municipal e sua área em km2. Isso complementa
o índice anterior na finalidade de medir o mercado consumidor e fornece adicionalmente o potencial
de crescimento da indústria local ou a capacidade de receber novas atividades. Para Lemos et al.
(2000), locais de maior densidade urbana tende a se constituir em um centro de consumo coletivo,
que tende a atrair um fluxo de pessoas ou um fluxo de transações.
Polarização Industrial: representa a porcentagem de Unidades Locais industriais no município,
observado no Sistema Nacional de Indicadores Urbanos. Este indicador tem como objetivo medir o
grau de industrialização das economias locais. Assim, a idéia é extrair informações sobre aspectos
distintos do potencial de mobilização da indústria. De acordo com Perroux (1977) mudanças
ocorrem de forma distinta entre as regiões, com mais intensidade em alguns locais do que em outros
e com capacidade de promover efeitos diferentes sobre a economia global.
Densidade Industrial: é a razão entre o número de Unidades Locais Industriais no município e sua
área em km2. Objetivo desse índice é complementar o índice anterior para captar aspectos espaciais
da localização das indústrias no território nacional.
Custo de Transporte: corresponde ao custo de transporte da Sede Municipal até a Capital mais
próxima, extraído do IPEADATA (IPEADATA, 2008). Este índice tem como objetivo averiguar a
influência de aspectos de localização da atividade industrial, conforme proposições na literatura
sobre a configuração da indústria no espaço brasileiro, competitividade e arranjos estruturais
(ERBER, 2001; YOUNG e LUSTOSA, 2001; CASSIOLATO e LASTRES, 2001). A localização
da atividade produtiva com vista aos custos de transporte possui discussão profunda na literatura,
cujo mérito foge do escopo deste trabalho. Assim, a introdução desta variável assegura que aspectos
relacionados à economia regional e geografia sejam considerados. Como salientou McCann (2002),
sem alguma análise explícita do relacionamento entre geografia e comportamento de
produção/consumo, não é possível discutir adequadamente como as relações de produção/consumo
afetarão o comportamento geográfico de uma firma ou consumidor.
Maior parte destas variáveis corresponde ao ano de 2000, base de referência para os dados
industriais observados. No entanto, há algumas variáveis com informações relativas a anos
diferentes de 2000. Isso contribui para a redução do problema de simultaneidade e causalidade. Este
procedimento foi realizado similarmente por Carlino et al. (2001) para analisar inovação e questões
de patentes (GONÇALVES, 2006). Implementou-se adicionalmente um procedimento de estimação
de observações missing para algumas variáveis. Tal procedimento constitui-se em regressões de
Mínimos Quadrados em que se consideram as coordenadas geográficas dos municípios.
7
2.2. Métodos Exploratórios
2.2.1. Análise Fatorial
A análise fatorial tem a função principal de reduzir o número original de variáveis, de forma
que estes fatores independentes extraídos possam explicar, de forma simples e reduzida, as
variáveis originais. O método de análise fatorial é uma técnica estatística multivariada usada para
representar relações complexas entre conjuntos de variáveis. No modelo de análise fatorial, cada
uma das variáveis pode ser definida como uma combinação linear dos fatores comuns que irão
explicar a parcela da variância de cada variável, mais um desvio que resume a parcela da variância
total não explicada por estes fatores.
Segundo Schneider e Waquil (2001) as combinações lineares das variáveis dos fatores
podem ser descritos pela expressão geral para o j-ésimo fator (Fj):
ppj
p
i jiijj xwxwxwF1 11 (1)
onde wij são os coeficientes fatoriais, xi são as variáveis observáveis e p é o número de variáveis. As
variáveis (xi ... xp) são padronizadas para eliminar os problemas de diferentes unidades medidas.
Cada Fj representa um conjunto de observações não- observável diretamente, de acordo com o peso
que cada variável contribui para a formação do fator. Estes pesos nas variáveis são as cargas
fatoriais (SILVA, 1995).
Podem-se descrever as etapas desenvolvidas na análise fatorial da seguinte forma geral: (i)
cálculo da matriz de correlação de todas as variáveis; (ii) determinação do número e extração dos
fatores; (iii) rotação dos fatores, transformando-os com a finalidade de facilitar a sua interpretação;
(iv) cálculo dos escores fatoriais. Estes escores são utilizados então em outras análises, como por
exemplo, a formação de grupos homogêneos de observações (clusters), permitindo a classificação
dos municípios (SCHNEIDER e WAQUIL, 2001).
Um dos objetivos da análise fatorial é formar fatores que expliquem a correlação entre as
variáveis e com isso aproximar o modelo original utilizando um mais sintético. O teste de
esfericidade de Bartlett é utilizado para verificar se a matriz de correlação entre as variáveis é uma
matriz identidade. Outra forma de verificar se o modelo de análise fatorial está adequadamente
ajustado aos dados é o teste de Kaiser-Meyer-Olkin (KMO), que compara os valores dos
coeficientes de correlação observados com os valores dos coeficientes de correlação parcial. A
correlação parcial entre duas variáveis é aquela existente entre todas as outras demais variáveis da
análise supostas constantes. Quando as correlações parciais são próximas de zero, o valor da medida
de KMO se aproxima de um, e a matriz 1
pxpR (a matriz de correlação inversa) está próxima da matriz
diagonal. Neste caso, modelo de análise fatorial estaria adequadamente ajustado aos dados. A
medida KMO pode ser definida como:
ji
ij
ji
ij
ji
ij
QR
R
KMO22
2
(2)
onde ijR é a correlação amostral entre as variáveis e ijQ é a correlação parcial.
Seguindo os passos sugeridos por Schneider e Waquil (2001), tem-se a na próxima etapa a
extração dos fatores. Atentam que apesar da matriz de fatores obtida na etapa de extração indicar a
relação entre os fatores e as variáveis observadas, geralmente é difícil interpretá-los já que a maior
parte dos fatores aparece correlacionada com diversas variáveis. O método de rotação tem a função
de transformar a matriz de fatores em outra mais simples de interpretar. Ao rotar os fatores, cada
8
fator deve ter cargas ou coeficientes não-nulos para apenas algumas das variáveis. A rotação não
afeta as comunalidades1 e a percentagem da variância total, apenas a percentagem da variância por
cada fator, que é redistribuída pela rotação. A rotação ortogonal é aquela em que os eixos são
mantidos em ângulo reto. O método de rotação mais utilizado é o VARIMAX, que minimiza o
número de variáveis com altas cargas sobre um fator.
Por fim, calculam-se os escores fatoriais para cada município. Os resultados destes
procedimentos encontram-se na próxima seção.
2.2.2. Análise Exploratória de Dados Espaciais
Esta técnica tem como objetivo tratar de efeitos espaciais de heterogeneidade e dependência
entre as observações. Heterogeneidade espacial significa que os dados não ocorrem similarmente no
espaço, já a dependência espacial é a coincidência de similaridade dos dados acoplada com
similaridade de localização. Este procedimento exploratório fornece indicativo a respeito de
regimes espaciais e de padrões de associação espacial ou clusters espaciais (ANSELIN, 1996).
A medida utilizada neste trabalho para verificar a presença de dependência espacial é a
estatística I de Moran. Seguindo Cliff e Ord (1981), em termos formais a estatística I de Moran (It)
pode ser expressa como:
ntzz
Wzz
S
nI
tt
tt
o
t ,...1,'
'
(3)
em que zt é o vetor de n observações para o ano t na forma de desvio em relação à média. W é a
matriz de pesos espaciais: os elementos wii na diagonal são iguais à zero, enquanto que os
elementos wij indicam a forma como a região i está espacialmente conectada com a região j. O
termo So é um escalar igual à soma de todos os elementos de W.
O I de Moran fornece a indicação formal do grau de associação linear entre os vetores de
valores observados no tempo t (zt) e a média ponderada dos valores da vizinhança, ou as defasagens
espaciais (Wzt). Valores de It maiores do que o seu valor esperado 11 nIE t , indica
presença de autocorrelação espacial positiva. O contrário indica presença de autocorrelação espacial
negativa (ANSELIN, 1992).
O valor do I de Moran computado segue o procedimento comum em que a variável
analisada é assumida seguir uma distribuição normal não-correlacionda dos dados. Os
procedimentos alternativos, permutação e randomização, assumem características de probabilidade
e aleatoriedades de ocorrência das observações nas localidades2. A hipótese de distribuição normal
da variável transmite também as propriedades assintóticas inerentes a esta distribuição como
padronização (média zero e variância igual a 1) e tamanho da amostra (i.e., assumindo que a
amostra pode se tornar infinitamente grande) (ANSELIN, 1992).
Apesar da estatística I de Moran prover indícios de presença ou ausência de autocorrelação
espacial global, uma complementação da análise necessita ser realizada com relação às estatísticas
locais de correlação. Os indicadores locais de associação espacial (Local Indicator of Spatial
Association – LISA) ou Moran Local cumprem esta tarefa e fornecem ainda a significância dos
valores locais dos clusters espaciais.
Anselin (1995) definiu que um indicador LISA deveria ter duas propriedades: i) apontar
aquelas unidades em redor da qual há aglomeração de valores semelhantes; ii) a soma dos LISA
individuais deveria ser proporcional ao indicador de associação total. O indicador de Moran Local
(Ii) guarda essas características e pode ser calculado da seguinte forma:
1 Comunalidade é a proporção da variância de cada variável explicada pelos componentes principais retidas.
2 O valor do I de Moran considerando a abordagem de permutação também foi calculado. Devido a alta proximidade
considerando as duas abordagens, decidiu-se pela adoção da primeira.
9
i
i
j
jiji
iz
zwz
I2
(4)
em que z, w e os subscritos i e j seguem a notação anterior. Valores de Ii estatisticamente diferentes
de 0 indicam que a unidade está espacialmente associada aos seus vizinhos. Como a distribuição
dos Ii é desconhecida, a forma de obtê-la é através de permutações aleatórias dos vizinhos de cada
unidade. A comparação destas com a observada permitem inferir se a correlação espacial é
significativa, ou seja, se trata efetivamente de um cluster espacial. De acordo com Anselin (1995), a
estatística LISA é utilizada para medir a hipótese nula de ausência de associação espacial local. Os
indicadores LISA podem ser visualizados por Mapas de significância ou de Cluster.
A análise exploratória de dados espaciais é utilizada muitas vezes para verificar a presença
de um fenômeno espacial como um procedimento inicial, que é acompanhado de modelagem
econométrica.
Antes de apresentar a metodologia relativa aos modelos econométricos, faz-se necessário
descrever as matrizes de pesos utilizadas. Para implementar a análise exploratória de dados
espaciais, assim como para aplicar as técnicas de econometria espacial, é preciso definir uma matriz
de pesos espaciais (W). Essa matriz é a forma de expressar a estrutura espacial dos dados. A escolha
da matriz de pesos espaciais é importante, pois os resultados da análise são sensíveis a esta seleção.
Qualquer matriz de pesos espaciais precisa atender às condições de regularidade impostas pela
necessidade de invocar as propriedades assintóticas dos estimadores e dos testes. Segundo Anselin
(1988), isso significa que os pesos devem ser não-negativos e finitos e que correspondam a uma
determinada métrica.
Este trabalho fará uso de matrizes de pesos baseadas em dois conceitos de vizinhança. No
primeiro, a contigüidade é binária do tipo Queen. Esta matriz é especificada de acordo uma
descrição poligonal (unidade de área), em que os vizinhos de uma localidade são aquelas unidades
que fazem fronteira com a mesma em um ponto ou de forma contínua.
O segundo é o critério de k vizinhos mais próximos. Esta matriz de pesos pode ser expressa
da seguinte forma:
)(0)(
,...,2,1)(/)()()(1)(
0)(
*
kDdsekw
nkparakwkwkwekDdsekw
jisekw
iijij
j
ijijijiijij
ij
(5)
onde ijd é à distância, medida pelo grande círculo, entre os centros das regiões i e j. iD (k) denota
um valor crítico que define o valor de corte, ou seja, a distância máxima para considerar regiões
vizinhas à região i. Distâncias acima deste ponto não são tomadas como vizinhas. A matriz de pesos
do tipo K vizinhos mais próximos é uma solução aconselhada quando os pesos na distância e as
unidades de área são muito irregulares.
2.3. Econometria Espacial
A econometria espacial pode ser entendida como uma área dentro da econometria destinada
ao tratamento da interação (dependência espacial) e da heterogeneidade espacial nos modelos. A
autocorrelação espacial é uma maneira comum de testar dependência espacial nos dados. A
presença de autocorrelação espacial viola uma hipótese básica dos modelos de regressão lineares
que é a independência das observações. A dependência espacial decorre da existência de correlação
entre os dados da variável dependente ou do termo de erro com os dados das localizações vizinhas.
10
Outra hipótese básica que se perde em modelos econométricos espaciais é a de variância constante e
pode ser devida a autocorrelação espacial ou a heterogeneidade espacial. A heterogeneidade
espacial decorre da instabilidade estrutural nos parâmetros da regressão (coeficientes e variância
dos erros diferentes no espaço, ou seja, heterocedasticidade). A dependência espacial necessita de
um tratamento próprio nos modelos econométricos espaciais, enquanto que a heterogeneidade pode
ser tratada por técnicas econométricas padrão (ANSELIN, 1992).
A dependência espacial, segundo Anselin (1995), pode ser incorporada aos modelos de
regressão linear de duas formas. Primeiro, por meio da construção de novas variáveis, as defasagens
espaciais, tanto para a variável dependente quanto para as variáveis explicativas e para os termos de
erro do modelo. Essas novas variáveis incorporam a dependência espacial através da média
ponderada dos valores dos vizinhos. O modelo que utiliza deste procedimento é o de defasagem
espacial. Segundo, por meio de termos de erro auto-regressivos (ou de média móvel) espaciais. Este
modelo é o de erro espacial.
Seguindo a notação de Anselin e Bera (1998), o modelo de defasagem espacial pode ser
definido como:
XWyy (6)
onde:
W é a matriz de pesos espaciais;
y é o vetor de observações da variável dependente;
Wy é o termo de defasagem espacial correlacionado com os erros;
X é a matriz com observações das variáveis independentes;
é o vetor de coeficientes das variáveis independentes;
é o coeficiente espacial autoregressivo que retrata a influência média dos vizinhos sobre y e
fornece a proporção da explicação de y decorrente da dependência espacial;
é o vetor com o termo de erros.
Esse modelo implica que choques em uma localização afetam todas as outras através de um
efeito multiplicador global. O termo de defasagem espacial (Wy) tem intuição similar às series
temporais, a diferença é que no espaço há mais direções (i.e. norte, sul, leste e oeste) e Wy sempre é
correlacionado com o termo de erro, independente das características de sua distribuição. Como
destacaram Anselin (1988) e Anselin e Bera (1998), o termo de defasagem espacial deve ser
incorporado ao modelo, caso contrário os estimadores de mínimos quadrados ordinários apresentam
resultados viesados e não consistentes quando aplicados ao modelo espacial, independente do
comportamento dos termos de erro.
O segundo modelo, o de erro espacial, especifica uma forma espacial para o termo de erro
na incorporação da autocorrelação espacial. Segundo Anselin e Bera (1998), tal modelo pode ser
formalizado da seguinte forma:
Xy (7)
sendo que:
W (8)
onde:
é o termo de erro autocorrelacionado;
é um termo de erro não correlacionado e homocedástico;
11
λ é o coeficiente espacial auto-regressivo da defasagem do erro W ;
A matriz de variância-covariância do erro (Ω) para este modelo de erros auto-regressivos
pode ser dada por:
1'2
122'222 WIWIWWIWWI (9)
Esta estrutura é idêntica para a variável dependente no modelo de defasagem espacial (tomar
λ como ρ). A primeira igualdade foi explicitada para retratar que o efeito se multiplica a todas as
localidades em um padrão global de autocorrelação. Os elementos fora da diagonal principal
representam a dependência espacial existente entre as observações das localidades. Anselin (1999a)
atenta que neste modelo a especificação da matriz de variância-covariância do erro (Ω) torna os
estimadores de mínimos quadrados ordinários ineficientes, embora não sejam viesados.
Nos dois modelos, a interação espacial é incorporada através da matriz de pesos espaciais,
W. A especificação de W e a maneira como ela é incorporada ao modelo econométrico (na forma de
defasagem ou de erro espacial), condiciona a interpretação do modelo. O modelo de defasagem
espacial é mais adequado para medir interação espacial, enquanto que o modelo de erro espacial e
mais apropriado para corrigir problemas causados pela espacialidade dos dados.
Testes são realizados neste trabalho para verificar a existência de dependência espacial.
Caso seja detectada sua presença, na forma de defasagem ou erro espacial, estimações apropriadas
são implementadas. Os testes podem ser listados: i) para normalidade dos erros (Jarque-Bera); ii) de
heteroscedasticidade (Breusch-Pagan ou Koenker-Basset); iii) de dependência espacial (I de Moran
e Multiplicadores de Lagrange – LM) para erro (LM-ERRO) e de defasagem espacial (LM-LAG) e,
iv) de multicolinearidade (“multicollinearity condition number”) (GONÇALVES, 2006).
A decisão da especificação do modelo final segue o conjunto de sugestões de Florax et al.
(2003) combinada com os testes LM robustos. Estas sugestões podem ser sumarizadas nos
seguintes passos, segundo Gonçalves (2006): 1) estima-se por MQO o modelo de regressão sem
termos espaciais; 2) testa-se, por meio dos testes LM-ERRO e LM-LAG, a hipótese de ausência de
dependência espacial devido à omissão de termos espaciais (defasagem espacial ou erros auto-
regressivos espaciais); 3) caso sejam significativos, estima-se utilizando a especificação mais
adequada, segundo o teste que é mais significativo estatisticamente; 4) se LM-ERRO for
significativo e LM-LAG não, estimação do modelo de erros espaciais, e vice-versa.
3. Análise dos Resultados
Esta seção tem como objetivo apresentar os resultados encontrados na realizados dos
procedimentos exploratórios e de econometria. Assim, os resultados exploratórios servem tanto para
justificar o avanço da análise aplicando-se econometria (análise exploratória de dados espaciais),
quanto para sintetizar os indicadores (análise fatorial) utilizados nas regressões para identificar
padrões espaciais dos setores industriais estudados.
3.1. Exploratórios
3.1.1. Análise Fatorial
As tabelas abaixo apresentam os resultados da análise fatorial realizada para o conjunto de
variáveis descritas na seção 2.2.1, com exceção da variável de interesse, para os municípios
brasileiros. A tabela 1 mostra o teste de adequação da amostra à análise fatorial. O teste de
esfericidade de Bartlett rejeita a hipótese nula de que a matriz de correlação das variáveis seja uma
matriz identidade, isto é, indica a presença de correlação entre as mesmas. O valor da medida de
KMO é em torno de 0,762, o que valida a aplicação da análise fatorial e indica um ajuste adequado
entre as variáveis e o método.
12
TABELA 1: Teste de Adequação à Análise Fatorial
Medida de Adequação de Kaiser-Meyer-Olkin 0,784
Teste de Esfericidade de Bartlett
Estatística 2 60.710,92
Graus de Liberdade 136
Probabilidade 0,000
Fonte: Elaboração própria com base no programa Stata.
A tabela 2 apresenta o resultado da análise fatorial até o número de fatores extraídos com
raiz característica maior que um, com exceção do quarto fator. De acordo com o critério das raízes
características, o número de fatores deve ser escolhido levando-se em conta este valor dos fatores.
Neste caso, tal critério aponta para a seleção de três fatores3. Estes em conjunto explicam 93% da
variabilidade total dos 17 indicadores selecionados. Assim, a perda de informação é de apenas 7% e
há a substancial redução das dificuldades de se trabalhar com um grande banco de dados,
utilizando-se quatro variáveis ao invés de 17.
TABELA 2: Raízes Características e Variância dos Fatores
Fatores Raízes Características Variância (%) Variância Acumulada
(%)
1 5,181 0,56 0,56
2 1,989 0,22 0,78
3 1,387 0,15 0,93
4 0,634 0,07 1,00
Fonte: Elaboração própria com base no programa Stata.
A tabela 3 apresenta os resultados da análise fatorial após rotação VARIMAX4. Ao contrário
do procedimento anterior que sugeria três fatores, este aponta para a existência de quatro fatores, de
acordo com o critério da comparação com a unidade. Em relação ao resultado anterior (tabela 2) há
um crescimento da explicação dos fatores extraídos para 99,8% da variabilidade total dos
indicadores5. Assim, decidiu-se pela adoção destes quatro fatores para a representação do conjunto
das variáveis.
TABELA 3: Raízes Características e Variância dos Fatores após Rotação VARIMAX
Fatores Raízes Características Variância (%) Variância Acumulada
(%)
1 3,686 0,40 0,40
2 2,478 0,27 0,67
3 1,947 0,21 0,88
4 1,080 0,12 99,80
Fonte: Elaboração própria com base no programa Stata.
3 Realizou-se também análise gráfica pelo critério de observação do screeplot, que sugere a escolha de três ou quatro
fatores. 4 A observação das estatísticas do modelo e dos loadings para os quatro fatores apontou para um possível problema de
correlação das variáveis com fatores de grandeza similar, o que viola a suposição de ortogonalidade. De forma a corrigir
isso, realizou-se uma rotação ortogonal pelo método VARIMAX (tabela 3). 5 A rotação PROMAX foi realizada alternativamente e verificou-se robustez dos resultados em relação à rotação
VARIMAX.
13
A tabela 4 mostra as cargas fatoriais e as comunalidades dos indicadores selecionados. As
comunalidades representam o quanto de variância comum cada variável carrega. Significa que
quando são altas, tem-se que os fatores extraídos descrevem bem as variáveis. As variáveis BCD,
Inovação, Desenvolvimento Regional e Custo de Transporte, são as apresentam menores
comunalidades. No entanto, a maioria das variáveis tem mais da metade de suas variâncias
representadas por fatores comuns.
Na outra parte da tabela estão as cargas fatoriais. Os valores dos coeficientes na tabela
sintetizam o grau de correlação existente entre as variáveis e os respectivos fatores que estão
correlacionados. A rotação forneceu resultados claros e fáceis de serem interpretados, visto que
cada variável está associada fortemente a apenas um fator. Para facilitar ainda mais a análise dos
resultados, apresentou-se os coeficientes com valor acima de 0,50.
O fator 1, que engloba 40% da variância de todas as variáveis (tabela 3), correlaciona-se
mais fortemente variáveis que incentivam e atraem atividades econômicas como capital humano,
amenidades cultura e gastos no desenvolvimento de setores econômicos (tabela 4). Assim, o fator
associado a estas variáveis será denominado “Fatores de Atração” (Fator 1: Fatores de Atração).
O segundo fator, como pode ser observado na tabela 3, explica cerca de 27% da variância
total dos dados, e é correlacionado principalmente com variáveis de densidade. Engloba as variáveis
densidade, densidade industrial e densidade do emprego industrial, logo o nome deste fator será
“Densidade Industrial” (Fator 2: Densidade Industrial).
TABELA 4: Matriz de Componentes e Comunalidades dos Indicadores após Rotação
VARIMAX
Variáveis Fatores
Comunalidades 1 2 3 4
BCD 0,097
BCND 0,187
Capital Humano 0,938 0,946
Gastos Econômicos 0,637 0,458
Inovação 0,097
Desenvolvimento Regional 0,012
Qualificação da Mão-de-
Obra 0,859 0,810
Exportações 0,729 0,550
Grau de Industrialização 0,671 0,534
Riqueza da Indústria 0,918 0,879
Renda 0,832 0,797
Densidade 0,840 0,761
Polarização Industrial 0,663 0,487
Densidade de Emprego
Industrial 0,859 0,880
Custo de Transporte 0,083
Densidade Industrial 0,847 0,778
Amenidades Culturais 0,847 0,837
Fonte: Elaboração própria com base no programa Stata.
O terceiro fator, que leva em consideração 21% da variabilidade total dos dados (tabela 3),
engloba as variáveis renda e qualificação da mão-de-obra nos municípios (tabela 4). Os municípios
que possuem trabalho qualificado tendem a apresentar nível alto de renda per capita. Este fator será
14
denominado de “Escala Local”, uma vez que mão-de-obra se insere como um fator de produção a
ser utilizado pelas indústrias e sua disponibilidade afeta as decisões relativas à localização desta
atividade, e renda per capita é um indicativo do poder aquisitivo da população local e do nível de
desenvolvimento das atividades locais (Fator 3: Escala Local).
Por fim, tem-se o quarto fator, que representa 12% da variância total (tabela 3), e possui
forte correlação com variáveis associadas a grau e polarização industrial. Assim, este fator será
nomeado de “Intensidade Industrial” (Fator 4: Intensidade Industrial). Este fator, ao contrário do
anterior que se correlaciona com atividade industrial por área em km2, refere-se a fatores
relacionados à escala industrial nos municípios.
Como destacou Gonçalves (2006), a ordem de importância dos fatores, em vista do grau de
explicação da variância total, é relevante na análise fatorial, visto que o primeiro fator tem maior
capacidade de representar o conjunto de indicadores analisados. Assim o fator “Fatores de Atração”
é o fator principal para caracterização e diferenciação quanto ao padrão industrial dos municípios
brasileiros. Vale destacar que juntos os quatro fatores explicam quase que totalmente o conjunto
selecionado de variáveis (99,8% - tabela 3), o que reforça e justifica, no presente estudo, a
utilização da análise fatorial da sumarização dos dados, uma vez que a perda de informação é quase
irrelevante.
Foram construídos e extraídos os escores dos fatores nesta etapa que serão utilizados no
procedimento econométrico. A classificação das variáveis independentes segue a denominação feita
com base nos resultados da tabela 4.
3.1.2. Análise Exploratória de Dados Espaciais
Esta técnica foi utilizada para verificar a presença de padrões espaciais de associação
relacionados à variável de interesse “proporção da indústria de bens intermediários” na indústria
total dos municípios brasileiros, como a formação de clusters significativos.
A tabela 5 apresenta os índices de Moran segundo os dois critérios de vizinhança
especificados anteriormente. Verifica-se robustez com relação à utilização dos diferentes tipos de
matrizes. Os coeficientes foram positivos e significativos a 1%, o que indica presença de
autocorrelação espacial global positiva. Os valores dos coeficientes não foram muito altos nem
muito baixos, o que mostra um padrão intermediário de concentração espacial da proporção da
indústria de bens intermediários. Assim, há municípios com alta de proporção da indústria de bens
intermediários circundados por municípios com alta proporção da indústria de bens intermediários e
vice-versa.
TABELA 5: Índice de Autocorrelação Espacial Global para Proporção da Indústria de Bens
Intermediários
Matriz de Peso Espacial I de Moran Média Desvio-Padrão Probabilidade
Queen 0,207 0,000 0,008 0,000
5 vizinhos mais próximos 0,203 0,000 0,009 0,000
10 vizinhos mais próximos 0,182 0,000 0,006 0,000
15 vizinhos mais próximos 0,173 0,000 0,005 0,000
20 vizinhos mais próximos 0,166 0,000 0,004 0,000
Fonte: Elaboração própria com base no programa SpaceStat.
A figura 1 mostra na forma de mapa o diagrama de dispersão de Moran para a variável
estudada. O mapa permite uma visualização geral do padrão de associação da proporção da
indústria de bens intermediários no território brasileiro e o seu sinal. Percebe-se que o padrão de
associação que prevalece é do tipo baixo-baixo, que significa que municípios com baixa proporção
15
da indústria de bens intermediários são vizinhos de municípios com baixa proporção da indústria de
bens intermediários. Esta associação domina grande parte do Nordeste, Centro-Oeste e Norte do
país e também nos Estados de Minas Gerais e Rio Grande do Sul. O padrão alto-alto está presente
em grande parte do Sudeste e do Sul, englobando uma área significativa que vai do Rio de Janeiro a
Santa Catarina.
FIGURA 1: Mapa do Diagrama de Dispersão de Moran para Proporção da Indústria de Bens
Intermediários
Fonte: Elaboração própria com base no programa ArcView-GIS.
FIGURA 2: Mapa dos Clusters Significativos da Proporção da Indústria de Bens
Intermediários
Fonte: Elaboração própria com base no programa ArcView-GIS.
16
O mapa da figura 1 não permite inferir estatisticamente a respeito do padrão de associação
espacial da proporção da indústria de bens intermediários. A medida de associação local LISA
fornece a significância estatística dos clusters observados. A figura 2 retrata o Mapa de
Significância de Moran, que mostra os regimes espaciais significativos da variável de interesse. Há
dois padrões mais evidentes nesta figura. O primeiro e mais representativo, mostra clusters
formados em vários pontos do território brasileiro do tipo Alto-Alto. O maior engloba a uma área
do Oeste do Estado do Rio de Janeiro até o Sul do Estado de Santa Catarina, passando pelo Sul de
São Paulo e pela parte Central do Paraná. Observa-se este padrão também nos Estados de Rondônia,
Mato Grosso, Minas Gerais e Espírito Santo. No Nordeste, de forma geral, poucos clusters
mostraram-se significativos. O segundo padrão observado diz respeito aos agrupamentos do tipo
Alto-Baixo, em que municípios de alta proporção da indústria de bens intermediários estão
rodeados de municípios com valor baixo desta mesma variável. Estão presentes de forma
descontínua no território e sem um padrão de localização e dimensão definido como o grupo dos
clusters Alto-Alto6.
O perfil principal dos agrupamentos Alto-Alto mostra claramente onde a indústria de bens
intermediários tem mais importância e onde se consolidou. A parte Sul Estado de São Paulo, onde
se localiza a região metropolitana, concentra grande parte da indústria de transformação do estado,
resultado do processo histórico de formação da indústria no Brasil (SUZIGAN et al., 2003). Outras
áreas mostraram-se também significativas, visto nos clusters formados no Paraná, Santa Catarina,
Minas Gerais e Rondônia. Isso pode ser resultado do processo de reversão da concentração
econômica do Estado de São Paulo.
Como aponta Diniz (1999), a desconcentração relativa da produção no Brasil tem como
principais causas: i) as deseconomias de aglomeração na área metropolitana de São Paulo e criação
de economias de aglomeração em vários outros centros urbanos e regiões; ii) a busca de recursos
naturais, traduzida pelo movimento das fronteiras agrícola e mineral, com reflexos na localização
industrial e dos serviços e iii) os efeitos locacionais da competição inter-empresarial,
especialmente para o aproveitamento de recursos naturais, criação de barreiras à entrada e
ocupação de novos mercados reais ou potenciais.
As áreas classificadas como Alto-Baixo estão localizadas de forma dispersa no território, o
que evidencia a presença de pontos industriais isolados. No Nordeste e nos Estados de Tocantins e
Goiás há predominância deste padrão.
3.2. Econometria Espacial
Nesta parte do trabalho buscou-se modelar a proporção da indústria de bens intermediários
utilizando os fatores extraídos anteriormente (seção 3.1.1) como variáveis independentes7. A tabela
6 apresenta a primeira tentativa de modelar a atividade industrial do setor de bens intermediários
nos municípios brasileiros (variável dependente). Para isso usou-se uma regressão por mínimos
quadrados ordinários. Esta tabela pode ser dividida basicamente em três partes. A primeira mostra
os coeficientes estimados das variáveis independentes, bem como seus desvios-padrão, estatísticas t
e probabilidades. A segunda apresenta a medida de ajustamento do modelo aos dados (R2), o
indicador de multicolinearidade e alguns testes de especificação, o de Jarque-Bera para
normalidade, o de Koenker-Bassett e White para heteroscedasticidade. A terceira mostra, em
resumo, os testes de detecção de dependência espacial
Observa-se que todos os coeficientes são altamente significativos e possuem valores
positivos, como esperado. Com relação aos coeficientes das variáveis independentes (fatores)
analisados individualmente, destaque para “Intensidade Industrial” com maior valor e único a
superar a unidade (2,26). Significa que a presença unidades industriais, bem como de mão-de-obra
neste setor exerce forte influência sobre a atividade industrial de bens intermediários nos
6 As figuras 1 e 2 foram produzidas com base na matriz de pesos do tipo Queen, sendo as figuras baseadas nas matrizes
de pesos k vizinhos mais próximos similares a estas. 7 As regressões foram realizadas utilizando-se a matriz de peso do tipo Queen.
17
municípios brasileiros. A variável “Escala Local” também apresentou valor elevado (0,87), o que
demonstra que tanto qualificação do trabalho quanto renda local são importantes para explicar a
localização deste setor industrial.
TABELA 6: Regressão MQO da Proporção da Indústria de Bens Intermediários e Testes de
Dependência Espacial
Variáveis Independentes Coeficiente Desvio-
Padrão t Probabilidade
Constante 1,88 0,1707 11,00 0,0000
Fatores de Atração 0,60 0,1565 3,81 0,0001
Densidade Industrial 0,89 0,1620 5,51 0,0000
Escala Local 0,87 0,1708 5,07 0,0000
Intensidade Industrial 2,26 0,1968 11,49 0,0000
D_Outilier 78,22 0,4092 191,13 0,0000
R2 ajustado 0,88
Condição de Multicolinearidade 1,74
Jarque-Bera 17.030,87 0,0000
Koenker-Bassett 1.575,74 0,0000
White 1.945,29 0,0000
Moran 5,51 - - 0,0000
LM (erro) 29,75 - - 0,0000
LM Robusto (erro) 13,28 - - 0,0003
Kelejian-Robinson (error) 236,34 - - 0,0000
LM (lag) 30,00 - - 0,0000
LM Robusto (lag) 13,52 - - 0,0002
LM (SARMA 43,28 - - 0,0000
Nota: Número de observações é igual a 5507.
Fonte: Elaboração própria com base no programa SpaceStat.
Fatores relacionados à condição de vida (amenidades culturais), capital humano, inserção no
mercado externo, incentivo fiscal a atividade econômica (posicionados no Fator “Fatores de
Atração”) e concentração industrial (Fator “Densidade Industrial”) também se mostraram
determinantes da atividade industrial de bens intermediários, embora menos significativamente que
a primeira variável anteriormente mencionada.
O valor inferior do conjunto correspondente a concentração industrial pode estar
relacionados ao processo de relocalização da atividade produtiva atentada em Diniz (1999) e Diniz
e Crocco (1996). Por outro lado, o valor inferior relativo ao bloco que engloba capital humano,
amenidades culturais e exportações pode ser visto de forma alternativa, em que estas variáveis estão
na verdade em processo de ascensão na caracterização da produção industrial regional.
Com relação ao primeiro processo, as mudanças observadas tem se mostrado sensíveis a
alteração na dimensão espacial do desenvolvimento brasileiro e as tendências indicam certa
continuidade da desconcentração em direção ao interior de São Paulo e aos principais estados do
Sul e do Sudeste e, até mesmo, para o Nordeste, no caso das indústrias intensivas em mão-de-obra
(PACHECO, 1999).
O outro processo aponta para uma conclusão diferente. A abertura comercial teve impacto
de aumentar a produtividade e a competitividade da indústria nacional. Fatores como inovação
tecnológica, investimento em P&D, qualificação da mão-de-obra tornaram-se essenciais e mais
18
presentes nas atividades produtivas, em especial na indústria. Aspectos culturais e de recursos
humanos, por sua vez, estão cada vez mais freqüentes na caracterização dos espaços, dando novo
sentido e compreensão acerca do comportamento da produção, do consumo, fluxos de pessoas e
comércio, e dos determinantes do desenvolvimento regional (DINIZ, 2001).
Um experimento realizado foi à introdução de uma variável dummy para controlar as
informações municipais mais discrepantes em termos de desvio-padrão e, com isso, controlar mais
adequadamente o modelo para a dependência espacial (variável D_Outlier)8. Essa variável também
foi significativa, mostrando que em tais municípios as variáveis independentes consideradas não
explicam de forma apropriada a atividade industrial de bens intermediários. Outros fatores não
introduzidos no modelo podem ser importantes para explicar a proporção da indústria de bens
intermediários nestes municípios.
A parte seguinte da tabela mostra que o grau de ajuste do modelo aos dados está alto, com
R2 de (0,88). O teste de Jarque-Bera rejeita a hipótese nula de normalidade dos erros a 1% de
significância, atestando que os resíduos não são normais. Os testes de Koenker-Bassett e de White
apontam para a presença de heteroscedasticidade no modelo. Este problema torna as inferências
estatísticas não confiáveis, sendo necessária a correção usual de usar matrizes de variâncias robustas
em lugar das originais. A condição de multicolinearidade apresentou valor de 1,74, bem abaixo do
que nível máximo de tolerância sugerido pela literatura (ANSELIN, 1992). Este valor baixo da
condição de multicolinearidade pode ser resultado da agregação feita na análise fatorial, em que
cada grupo refere-se a um tipo de componente.
A terceira parte da tabela é em tese a mais importante, pois ela indica o próximo passo do
processo de estimação e definição do modelo final. A caracterização principal do modelo é de
defasagem espacial, de acordo o procedimento sugerido por Florax et al. (2003), o que indica que a
atividade industrial de bens intermediários de um município é influenciada pela mesma atividade
dos municípios vizinhos. Pode-se observar, com isso, a existência de interação espacial em torno
desta atividade, ou difusão da atividade industrial deste setor. Isto reforça justamente o que a
literatura anteriormente mencionada vem defendendo e alertando acerca do processo de
desconcentração industrial no território brasileiro, principalmente a partir da região metropolitana
de São Paulo. O modelo de erro espacial também se mostrou significativo, apesar do modelo de
defasagem espacial ser o mais significativo. Isso reforça o uso do modelo econométrico para a
avaliação do padrão espacial da indústria de bens intermediários.
Como aponta Sabóia (2000), a indústria brasileira tem se configurado sob uma nova
tendência, marcada pelo aumento da importância do interior dos principais estados industrializados
e de alguns estados fora do eixo Sul-Sudeste, em que estariam emergindo novas aglomerações
industriais de pequeno porte nas mais distintas regiões do país, com predominância de baixo nível
de diversificação industrial e baixos salários. A difusão do setor industrial reflete uma tendência
marcada pela mudança no padrão locacional da indústria brasileira, que está associada ao
transbordamento do conhecimento adquirido ao longo da historia industrial do país. Outros fatores
como o fluxo de pessoas e experiência, aperfeiçoamento dos meios de comunicação, políticas
fiscais que almejam a desconcentração regional e a globalização, fenômeno com impacto em
diversos segmentos como aponta Diniz (2001), também são relevantes neste processo.
A presença de heterocedasticidade no modelo (tabela 6) ocorre normalmente em virtude da
heterogeneidade espacial que reflete as diferentes características dos municípios. Para verificar isso,
dividiu-se o conjunto de municípios brasileiros em dois grupos. Um é formado pelos municípios
localizados nas regiões sul e sudeste e o outro grupo é formado pelo restante dos municípios
brasileiros. A intenção é criar regimes espaciais que reflitam as características comuns de ambos os
grupos de municípios. O primeiro grupo está associado, em tese, aos municípios dos estados mais
ricos e desenvolvidos do país, enquanto que o segundo grupo está associado aos municípios dos
estados mais pobres. Com isso, foi criada uma variável que indica qual regime correspondem os
resultados. O primeiro grupo, formado por 2825 municípios, recebeu valor igual à unidade e o
8 Tal variável foi extraída do modelo de MQO considerando-se apenas os quatro fatores como variáveis independentes.
Os municípios com valor igual ou superior a 3 desvios-padrão receberam o digito um e os demais, zero.
19
segundo, formado por 2682 municípios, assume valor igual a 0. Esta divisão permite testar a
hipótese nula de que os coeficientes estimados são iguais em ambos os regimes espaciais.
A tabela 7 apresenta o resultado da estimação por Variável Instrumental do Modelo de
Defasagem Espacial utilizando Mínimos Quadrados de 2 Estágios. A estimação do modelo de
defasagem espacial neste caso é imprescindível para a consideração dos efeitos espaciais de
defasagem, caso contrário tem-se uma estimação viesada e inconsistente. Outro fator considerado
para a escolha deste modelo é o fato do modelo anterior (tabela 6) apresentar indícios de não
normalidade dos erros. O método de variáveis instrumentais é uma alternativa robusta a estimação
por Máxima Verossimilhança, uma vez que a hipótese de erros normalmente distribuídos não é
necessária (ANSELIN, 1992).
Segundo Anselin (1992), o princípio da estimação por variáveis instrumentais é baseado na
existência de um conjunto de instrumentos, que são fortemente correlacionados com as variáveis
originais, mas assintoticamente não correlacionadas com o termo de erro. O presente trabalho
seguiu a sugestão de Kelejian e Robinson (1992) na escolha dos instrumentos. O procedimento
consiste na introdução de variáveis exógenas espacialmente defasadas, o que na prática implica na
inclusão apenas das variáveis explicativas defasadas espacialmente em primeira ordem.
TABELA 7: Estimação por Variável Instrumental (2SLS) do Modelo de Defasagem Espacial
para Proporção da Indústria de Bens Intermediários
Variáveis Coeficiente Desvio-
Padrão t Probabilidade
W_(Proporção da indústria de BI) 0,04 0,0094 4,02 0,0001
Constante_0 0,65 0,3635 1,78 0,0747
Fatores de Atração_0 -0,64 0,6161 -1,05 0,2957
Densidade Industrial_0 0,97 0,4415 2,19 0,0284
Escala Local_0 -0,08 0,3942 -0,20 0,8408
Intensidade Industrial_0 1,96 0,3271 6,00 0,0000
Outlier_0 79,96 0,7019 113,92 0,0000
Constante_1 1,26 0,3147 3,99 0,0001
Fatores de Atração_1 0,68 0,1621 4,19 0,0000
Densidade Industrial_1 0,83 0,1758 4,69 0,0000
Escala Local_1 1,16 0,2359 4,90 0,0000
Intensidade Industrial_1 2,07 0,2716 7,62 0,0000
Outlier_1 76,70 0,5230 146,66 0,0000
Estabilidade dos Coeficientes
Individuais
Constante_0 2,02 - - 0,1557
Fatores de Atração_0 4,32 - - 0,0377
Densidade Industrial_0 0,09 - - 0,7640
Escala Local_0 7,28 - - 0,0070
Intensidade Industrial_0 0,07 - - 0,7985
Outlier_0 14,24 0,0002
R2
0,88
Chow-Wald 24,38 - - 0,0004
LM (erro) 12,06 - - 0,0005
Notas: 1) 2SLS é uma sigla cujos termos traduzidos significa Mínimos Quadrados de 2 Estágios.
2) Número de observações é igual a 5507.
Fonte: Elaboração própria com base no programa SpaceStat.
20
O resultado da tabela 7 considera o uso de regimes espaciais, no qual um grupo de
municípios (dígito 0) é localizado nas regiões Nordeste, Centro-Oeste e Norte, e o outro grupo de
municípios (dígito 1), nas regiões Sudeste e Sul. Este procedimento teve como um dos objetivos o
controle da heterogeneidade espacial, observada pela presença de heteroscedasticidade no resultado
anterior (Teste de Wald na tabela 6). O método utilizado é robusto e por isso não foram fornecidos
os diagnósticos de especificação. O outro objetivo da divisão dos municípios brasileiros em dois
grupos foi testar a significância dos regimes espaciais. Na quinta parte da tabela é mostrado o Teste
de Chow-Wald, cujo coeficiente é significativo a 1%, rejeitando a hipótese nula de que os
coeficientes são iguais para o conjunto de cidades brasileiras. Isso mostra a existência dos dois
regimes espaciais no Brasil para a atividade industrial.
A primeira parte da tabela 7 mostra que o coeficiente da variável dependente defasada é
significativo a 1%, indicando que há evidência de transbordamentos espaciais tomando-se todos os
municípios brasileiros. Com relação ao grupo de municípios localizados fora do eixo Sul-Sudeste,
os coeficientes dos fatores “Fatores de Atração” e “Escala Local” apresentaram sinal não esperado e
foram não significativos, atestando que neste caso são fatores que não exercem influência sobre a
atividade industrial do setor de bens intermediários nestas regiões. O grupo de municípios
localizados nas regiões Sul e Sudeste, teve resultados esperados. Os coeficientes dos quatro fatores
foram significativos a 1% com sinais positivos. Isso demonstra que nas regiões mais desenvolvidas
a atividade industrial é determinada não apenas pelas características municipais intimamente ligadas
ao setor industrial, mas também às condições de vida, potencialidades, facilidades e
disponibilidades locais.
Nas regiões mais pobres do Brasil, o resultado não significativo dos dois fatores “não-
industriais” na determinação da atividade da indústria de bens intermediários, pode estar associado
às condições vida existente na maioria destes municípios, aliada à predominância de baixa escala
regional, vista na reduzida capacidade de adequação da mão-de-obra, mercado consumidor local,
renda e amenidades urbanas. A atividade industrial é essencialmente urbana (MARSHALL, 1982),
logo estes fatores são essenciais para sua determinação. Os fatores “industriais” foram ambos
significativos, embora “Densidade Industrial” não a 1%. O menor poder de explicação destes
fatores “industriais” nas regiões mais pobres em relação à explicação destes mesmos fatores nas
regiões mais ricas pode ser reflexo da baixa proximidade intra-setorial na indústria, como observado
na figura 4. Diniz (2001) destaca a importância da proximidade, da flexibilização dos processos e
da organização produtiva, na forma de distrito industrial, pólo de desenvolvimento ou crescimento
ou cluster, na atividade produtiva.
O resultado relacionado ao grupo de municípios localizados nas regiões mais ricas mostra a
importância crescente de determinantes da atividade industrial como conhecimento, integração em
redes, inovação e aprendizado regional (DINIZ, 2001), fatores estes mais presentes nestas regiões.
Assim, estes condicionantes facilitam os transbordamentos de conhecimento e inovação
intramunicipais e conseqüentemente da atividade industrial. Nas regiões mais pobres, por outro
lado, as barreiras espaciais fazem-se mais presentes em razão da menor especialização industrial,
baixa escolaridade superior e formação de doutores e níveis baixos de concentração empresarial
(GONÇALVES, 2006).
A última parte da tabela 18 mostra o diagnóstico do Teste do Multiplicador de Lagrange
(LM) assintótico para verificar se permaneceram componentes de autocorrelação de erro espacial. O
teste é significativo a 1%, rejeitando a hipótese nula de ausência de componentes de erro espacial.
Este resultado indica que é necessário implementar outra estimação que acomode no modelo de
defasagem espacial os efeitos de dependência espacial devido ao erro espacial.
A tabela 8 apresenta os resultados do modelo de defasagem espacial estimado por variável
instrumental e acomodado para a heteroscedasticidade na forma de grupos (Groupwise
Heteroskedasticity). Este procedimento foi escolhido em detrimento à estimação por variável
instrumental robusta, que usa o estimador de 2 estágios robusto de White. Anselin (1999b) preveniu
que este modelo deveria ser visto com cautela por ter suas propriedades não muito bem entendidas.
O modelo de defasagem espacial escolhido é robusto à heteroscedasticidade (problema detectado no
21
primeiro modelo da tabela 6) e aos efeitos de erro espacial, por isso não apresenta nenhum
diagnóstico. Além disso, a não normalidade dos erros exclui a possibilidade de estimação por
Máxima Verossimilhança.
TABELA 8: Estimação por Variável Instrumental do Modelo de Defasagem Espacial – GHET
para Proporção da Indústria de Bens Intermediários
Variáveis Coeficiente Desvio-
Padrão t Probabilidade
W_(Proporção da indústria de BI) 0,03 0,0094 2,87 0,0041
Constante_0 0,82 0,3187 2,56 0,0105
Fatores de Atração_0 -0,64 0,5255 -1,22 0,2228
Densidade Industrial_0 0,99 0,3766 2,63 0,0085
Escala Local_0 -0,03 0,3368 -0,10 0,9192
Intensidade Industrial_0 2,04 0,2808 7,25 0,0000
Outlier_0 80,05 0,5999 133,43 0,0000
Constante_1 1,45 0,3425 4,23 0,0000
Fatores de Atração_1 0,69 0,1816 3,80 0,0001
Densidade Industrial_1 0,85 0,1967 4,34 0,0000
Escala Local_1 1,18 0,2642 4,47 0,0000
Intensidade Industrial_1 2,11 0,3039 6,94 0,0000
Outlier_1 76,85 0,5823 131,99 0,0000
Estabilidade dos Coeficientes
Individuais
Constante_0 2,32 - - 0,1278
Fatores de Atração_0 5,73 - - 0,0167
Densidade Industrial_0 0,11 - - 0,7439
Escala Local_0 8,12 - - 0,0044
Intensidade Industrial_0 0,03 - - 0,8593
Outlier_0 15,04 0,0001
Coeficientes Heteroscedásticos
REG_0 92,64 0,0000 0,00 0,0000
REG_1 160,00 0,0000 0,00 0,0000
R2
0,88
Chow-Wald 27,10 - - 0,0001
Notas: 1) GHET = Groupwise Heteroskedasticity que significa heteroscedasticidade na forma de grupos.
2) Número de observações é igual a 5507.
Fonte: Elaboração própria com base no programa SpaceStat.
Foram considerados também os dois regimes espaciais mencionados anteriormente. Em
relação à tabela a 7, têm-se resultados similares em termos qualitativos. Os coeficientes
heteroscedásticos na tabela 8 anunciam quanto que cada regime possui na variância do erro, no caso
dos municípios das regiões Nordeste, Centro-Oeste e Norte, 92,64 e os municípios das regiões
Sudeste e Sul, 160,00.
5. Conclusões
A atividade industrial é fundamentalmente urbana e os fenômenos urbanos incentivam ou
desestimulam as atividades que acomodam, de acordo com as qualidades que possuem. O presente
trabalho encontrou que a indústria de bens intermediários localiza-se, na forma de clusters
22
significativos, em grande parte nas regiões Sudeste e Sul do país. Estes clusters anunciam que alta
atividade industrial deste setor em um município associa-se a alta atividade industrial deste mesmo
setor nos municípios vizinhos. Este padrão revela que nestas regiões é comum o transbordamento
de conhecimento, técnicas e capital que facilita a difusão deste empreendimento. Por outro lado, nas
demais regiões do país, o padrão predominante é aquele em que a atividade industrial aparece
pontualmente no território e de forma isolada. Conclui-se com isso, que nestas regiões as barreiras
configuram-se de forma determinística, com impactos negativos sobre a dispersão da atividade
industrial.
A análise exploratória sugeriu a utilização de componentes que pudessem caracterizar a
industrial de bens intermediários nos municípios brasileiros, como escala urbana, amenidades locais
e potencialidades, e outros de cunho industrial, tais como densidades industriais e variáveis que
considerem número de empregados nas indústrias. Estes fatores foram aplicados inicialmente na
análise de correlação canônica, cujos indícios apontaram para uma fraca relação entre a variável de
interesse do presente estudo junto com os outros fatores “industriais”, e as variáveis definidas como
“não-industriais”. Este resultado, no entanto, deve ser encarado com cautela, uma vez que a análise
da correlação canônica desconsidera efeitos espaciais, que foram provados existir tanto pela análise
exploratória de dados espaciais, quanto nos modelos econométricos.
Os modelos econométricos apresentaram resultados que condizem com a existência de
interação espacial significativa entre os municípios. Esta interação configura-se principalmente na
forma de transbordamentos e difusão da atividade industrial pesquisada. Tomados sem distinção de
regime espacial (tabela 6), todos os fatores apresentaram valores altos e significativos, como era de
se esperar. O destaque foi o fator “Intensidade Industrial”, único coeficiente que superou a unidade.
Considerando o par de regime espacial formado (tabelas 7 e 8), um relativo aos municípios
localizados nas regiões Sul e Sudeste, em tese mais ricas do país, e outro relativo aos municípios
localizados nas demais regiões do Brasil, tem-se um resultado também não surpreendente. A análise
exploratória já havia apontado para a presença de “ilhas” industriais, principalmente no Nordeste.
No primeiro regime, todos os fatores foram significativos, enquanto que no segundo, os fatores não
relacionados à atividade industrial foram não significativos e tiveram sinais negativos, e os fatores
“industriais” menos significativos do que o regime relativo aos municípios das regiões mais ricas.
O resultado do primeiro regime deve-se as facilidades encontradas nestas regiões para o
transbordamento da atividade industrial, como a existência mais consistente de redes integradas,
produção de conhecimento, melhores condições urbanas etc. Com relação ao resultado do segundo
regime, os fatores “não-industriais” não são determinísticos em razão do baixo nível de
desenvolvimento que se apresentam nestas regiões. Ademais, as barreiras existentes a difusão de
conhecimento, das técnicas de produção, a escolaridade superior e qualificação especializada
também explicam este resultado.
O esforço econométrico seguinte ao primeiro resultado foi direcionado ao tratamento da
dependência espacial observada na forma de defasagem espacial. Foi incluída nos modelos
posteriores a variável de interesse, proporção da indústria de bens intermediários, defasada. Esta foi
significativa estatisticamente nos dois modelos posteriores (tabelas 7 e 8), indicando a presença de
transbordamento espacial, quando tomados os municípios brasileiros. Isso mostra que os municípios
das regiões Sul e Sudeste têm um peso tal que a estrutura média brasileira reflete seus resultados. A
adoção dos regimes ganha ainda mais fundamento na aplicação de técnicas espaciais para territórios
como o brasileiro (território grande com profundas desigualdades regionais).
Os resultados encontrados, especialmente aqueles relacionados aos municípios das regiões
mais pobres do país, sugerem que estas regiões não estão sendo destino principal do movimento
apontado anteriormente de desconcentração industrial das áreas metropolitanas, pelo menos com
relação à atividade industrial do setor de bens intermediários. Os fatores definidos como “não-
industriais” parecem ser uma razão para o poder atrativo incipiente destas regiões. As sugestões de
políticas que podem ser feitas para mudar este cenário teriam que ser sobre dois âmbitos. O
primeiro, de caráter regional, englobaria ações, dentre outras, que estimulassem o
empreendedorismo local, que evitassem o fluxo migratório de pessoas para as regiões
23
metropolitanas e que melhorasse as condições de vida nas cidades, como investimentos em infra-
estrutura urbana e em atividades culturais. O segundo, de caráter nacional, teria a função de
promover inovação, conhecimento e integração de redes, facilitar a disponibilidade de
financiamentos de capital e investir em infra-estrutura, para aumentar a oferta de energia e estradas.
Referências Bibliográficas
ANDRADE, T.; SERRA, R. V. O Recente Desempenho das Cidades Médias no Crescimento
Populacional Urbano Brasileiro. Texto para Discussão n. 554. Rio de Janeiro: IPEA, 1998.
ANSELIN, L. Local indicators of spatial association – LISA. Geographical Analysis, v. 27, n. 2, p.
93-115, 1995.
______. SpaceStat tutorial: a workbook for using SpaceStat in the analysis of spatial data.
Urbana-Champaign: University of Illinois, 1992.
______. Spatial Data Analysis with SpaceStat and ArcView – Workbook. Urbana-Champaign:
University of Illinois, 3 ed., 1999b.
______. Spatial econometrics. Dallas: School of Social Science, University of Texas, 1999a.
______. Spatial econometrics: Methods and Models. Kluwer Academic: Boston, 1988.
______. The Moran scatterplot as an ESDA tool to assess local instability in spatial associaton. In:
FISCHER, M.; SCHOLTEN, H. J.; UNWIN, D. (Eds.), Spatial analytical perspectives on GIS.
Londres: Taylor & Francis, 1996.
______.; BERA, A. Spatial dependence in linear regression models with an introduction to spatial
econometrics. In: ULLAH, A.; GILES, D. E. A. (Eds.), Handbook of applied economic statistics.
Nova York: Marcel Dekker, p. 237-289, 1998.
AZZONI, C. R.; FERREIRA, D. A.. Competitividade Regional e Reconcentração Industrial: o
futuro das desigualdades regionais no Brasil. Texto para discussão, São Paulo: NEMESIS
FEA/USP, 1999.
BIELSCHOWSKY, R. Investimentos na indústria brasileira depois da abertura e do real: o mini-
ciclo de modernizações, 1995-97. Santiago do Chile: Cepal, (Série Reformas Econômicas, 44),
1999.
BRASIL, Ministério das Cidades, 2008. Disponível em: <www.cidades.gov.br>.
CARLINO, G.; CHATTERJEE, S.; HUNT, R. Knowledge spillovers and the new economy of
cities. Philadelphia: Federal Reserve Bank of Philadelphia, Working Paper 01-14, set. 2001.
CASSIOLATO, J. E.; LASTRES, H. M. M. Arranjos e Sistemas Produtivos Locais na Indústria
Brasileira. Revista de Economia Contemporânea, Rio de Janeiro, v. 5, número especial, p.103-
136, 2001.
______.; ______. Inovação, Globalização e as Novas Políticas de Desenvolvimento Industrial e
Tecnológico. Projeto de Pesquisa Globalização e Inovação Localizada: Experiências de Sistemas
Locais no Âmbito do Mercosul e Proposições de Políticas de C&T, Nota Técnica 21/98, Rio de
Janeiro, nov.1998.
24
CASTRO, N. A. Qualificação e reestruturação das relações industriais: Uma nova moeda-de-troca?
Educação & Sociedade, ano XVIII, n. 61, dez. 1997.
CHRISTALLER, W. Central places in southern Germany. New Jersey: Prentice-Hall, 1966.
CLIFF, A. D.; ORD, J. K. Spatial processes: models and applications. Pion, London, 1981.
DICKINSON, H. D. Von Thunen's Economics. The Economic Journal, v. 79, n. 316, p. 894-902,
dez. 1969.
DINIZ, C. C. A Dinâmica Regional Recente da Economia Brasileira e suas Perspectivas. Texto
para Discussão n. 375. Rio de Janeiro: IPEA, 1995.
______. Globalização, escalas territoriais e política tecnológica regionalizada no Brasil.
Projeto: Brasil: o estado de uma nação, CEPAL, 2006.
______. Impactos territoriais da abertura externa, privatizações e reestruturação produtiva no Brasil.
V Seminario Internacional de la RII., Toluca, México, set., 1999.
______. O papel das inovações e das instituições no desenvolvimento local. Anais XXIX Encontro
Nacional de Economia, Salvador, 2001,
______.; CROCCO, M. A. Reestruturação Econômica e Impacto Regional: O Novo Mapa da
Indústria Brasileira. Nova Economia, Belo Horizonte, v. 6, n. 1, p. 77-103, jul. 1996.
DOMINGUES, E. P. Aglomerações e Periferias Industriais no Brasil e no Nordeste. Revista
Econômica do Nordeste, Fortaleza, v. 36, n. 4, out.-dez. 2005.
ERBER, F. S. O Padrão de Desenvolvimento Industrial e Tecnológico e o Futuro da Indústria
Brasileira. Revista de Economia Contemporânea, Rio de Janeiro, v. 5, número especial, 2001.
FLORAX, R. J. G. M.; FOLMER, H.; REY, S. J. Specification searches in spatial econometrics: the
relevance of Hendry’s methodology. Regional Science and Urban Economics, v. 33, n. 5, p. 557-
579, 2003.
FUJITA, M.; KRUGMAN, P.; VENABLES, A. J. Economia espacial. Cambridge (MA): The MIT
Press, 2002.
GALVÃO, A. C. F.; VASCONCELOS, R. R. Política Regional à Escala Sub-Regional: uma
Tipologia Territorial como Base para um Fundo de Apoio ao Desenvolvimento Regional.
Texto para Discussão n. 665. Brasília: IPEA, 1999.
GONÇALVES, E. Estrutura Urbana e Atividade Tecnológica em Minas Gerais. Economia
Aplicada, São Paulo, v. 10, n. 4, p. 481-502, out.-dez. 2006.
HAGUENAUER, L.; MARKWALD, R.; POURCHET, H. Estimativas do Valor da Produção
Industrial e Elaboração de Coeficientes de Exportação e Importação da Indústria Brasileira
(1985-96). Texto para Discussão n. 563. Brasília: IPEA, 1998.
IBGE, Instituto Brasileiro de Geografia e Estatística, 2007. Disponível em: <
http://www.ibge.gov.br>.
______, Instituto Brasileiro de Geografia e Estatística, 2008. Disponível em: <
http://www.ibge.gov.br>.
25
______, Instituto Brasileiro de Geografia e Estatística. Pesquisa industrial anual: empresa 2000. Rio
de Janeiro, 2002.
IPEA, Instituto de Pesquisa Econômica Aplicada, 2008. Disponível em: < http://www.ipea.gov.br>.
IPEADATA, Instituto de Pesquisa Econômica Aplicada, 2008. Disponível em: <
http://www.ipeadata.gov.br>.
ISARD, W. Location and space-economy. Cambridge: MIT Press, 1956.
KELEJIAN, H.; ROBINSON, D. A suggested method of estimation for spatial interdependent
models with autocorrelated errors, and an application to a county expenditure model. 39th North
American Meetings of the Regional Science Association, Chicago, p. 12-15, nov. 1992.
LASTRES, H. M. M. A Globalização e o Papel das Políticas de Desenvolvimento Industrial e
Tecnológico. Texto para Discussão n. 519. Brasília: IPEA, 1997.
LEMOS M. B. Estado e Capital: um estudo sobre a dinâmica centro X periferia. Tese
(Doutorado em Economia) – Instituto de Economia, Universidade Estadual de Campinas,
Campinas, 1988.
LEMOS, M. B.; DINIZ, C. C.; GUERRA, L. P.; MORO, S. A Nova Configuração Regional
Brasileira e sua Geografia Econômica. Estudos Econômicos, São Paulo, v. 33, n. 4, p. 665-700,
out.-dez. 2003.
______.; ______.; ______.; ______.; DINIZ, B. P. C.; BOSCHI, R. F. A nova geografia econômica
do Brasil: uma proposta de regionalização com base nos pólos econômicos e suas áreas de
influência. IX Seminário sobre a Economia Mineira, Diamantina, ago. 2000.
LEVY, P. M.; SERRA, M. I. F. Coeficientes de Importação e Exportação na Indústria. Boletim
de Conjuntura 58, IPEA, jul.-ago. 2002.
LINS, H. N. Clusters Industriais, Competitividade e Desenvolvimento Regional: da Experiência à
Necessidade de Promoção. Estudos Econômicos, São Paulo, v. 30, n. 2, p. 233-265, abr.-jun. 2000.
LOSCH, A. The economics of location. New Haven: Yale University Press, 1954.
LUCAS, R. On The Mechanics of Economic Development. Journal of Monetary Economics, v.
22 n. 1, p. 3-42, jul. 1988.
MARSHALL, A. Princípios de economia: tratado introdutório. São Paulo: Abril Cultural, 1982.
McCANN, P. Classical and neo-classic location-production models. In: McCANN, P. Industrial
location economics. Cheltenham/Northampton: Edward Elgar, p. 3-31, 2002.
OLIVEIRA, E. A. A. Q. Economia dos clusters industriais e desenvolvimento. Revista Brasileira
de Gestão e Desenvolvimento Regional, v. 3, n. 3, p. 247-259, set.-dez. 2007.
PAAR, J. B. The location of economic activity: central place theory and the wider urban system. In:
McCANN, P. Industrial location economics. Cheltenham/Northampton: Edward Elgar, p. 32-82,
2002.
PACHECO, C. A. Novos Padrões de Localização Industrial? Tendências Recentes dos
Indicadores da Produção e do Investimento Industrial. Texto para Discussão n. 633. Brasília:
IPEA, 1999.
26
PERROUX, F. O conceito de pólo de crescimento. In: SCHWARTZMAN, J. Economia regional:
textos escolhidos. Belo Horizonte, Cedeplar, p. 145-156, 1977.
REZENDE, F. C. Descentralização, Gastos Públicos e Preferências Alocativas dos Governos Locais
no Brasil: (1980-1994). Dados, v.40, n. 3, 1997.
SABÓIA, J. Descentralização Industrial no Brasil na Década de Noventa: Um Processo Dinâmico e
Diferenciado Regionalmente. Nova Economia, Belo Horizonte, v. 11, n. 2, p. 85-122, dez. 2001.
______. Desconcentração industrial no Brasil nos anos 90: um enfoque regional. Pesquisa e
Planejamento Econômico, Rio de Janeiro, v. 30, n. 1, p. 69-116, abr. 2000.
SCHNEIDER, S.; WAQUIL, P. D. Caracterização sócio-econômica dos municípios gaúchos e
desigualdades regionais. Revista de Economia e Sociologia Rural, Brasília, v. 39, p. 117-142,
2001.
SILVA, V. M. A distribuição dos recursos para os municípios paulistas: uma abordagem de análise
multivariada. Estudos Econômicos, São Paulo, v. 25, n. 3, p. 355-388, set.-dez. 1995.
SUZIGAN, W.; FURTADO, J.; GARCIA, R.; SAMPAIO, S. E. K. Sistemas Locais de Produção:
mapeamento, tipologia e sugestões de políticas. XXXI Encontro Nacional de Economia, Porto
Seguro, 2003.
WEBER, A. Theory of the location of industries. Chicago: Chicago University Press, 1969.
YOUNG, C. E. F.; LUSTOSA, M. C. J. Meio Ambiente e Competitividade na Indústria Brasileira.
Revista de Economia Contemporânea, Rio de Janeiro, v. 5, número especial, p. 231-259, 2001.