CONCLUSÃO - Ensaio sobre pobreza e desigualdade

Este trabalho objetiva responder a seguinte pergunta: quais são os fatores que contribuem para a redução da pobreza e da desigualdade de renda no Brasil?

Para responder esta pergunta é analisada a importância de variáveis como o PIB per

capita, o índice de Gini, número de pobres, os valores dos benefícios do Programa Bolsa

Família e o desempenho educacional, para as unidades da federação no período de 2004 a 2009, no combate à pobreza, por meio da estimação de um modelo de efeitos fixos com instrumentos, o modelo é ajustado usando estimador de Mínimos Quadrados em Dois Estágios (Two Stage Least Squares – 2SLQ) e o estimador de Método dos Momentos

Generalizados (Generalized Methodsof Moments – GMM).

Os resultados empíricos mostram uma relação não linear entre o PIB per capita e a pobreza e entre o PIB per capita e a desigualdade de renda. Segundo este resultado verifica- se, para o caso brasileiro no período analisado, a existência de um padrão de “U invertido” entre a pobreza e o crescimento econômico, conforme verificado em Kuznets (1955) ao analisar a relação entre desigualdade de renda e crescimento econômico. Porém, entre distribuição de renda e crescimento econômico o padrão verificado é de um “U normal”, o que não confirma o resultado verificado em Kuznets (1955).

Assim, é possível que os estados brasileiros que apresentaram PIB per capita acima do ponto de máximo sejam capazes de combater a pobreza com crescimento do PIB per capita de imediato. Mas, para que os estados brasileiros mais pobres consigam atingir o ponto de

máximo da curva, o PIB per capita deve continuar crescendo de forma sustentável e a partir do ponto de máximo, conforme o PIB per capita continue crescendo, possam obter redução da pobreza.

Por outro lado, os resultados mostram evidências empíricas de que o desempenho do nível de atividade econômica contribui para a redução da desigualdade até o ponto de mínimo da curva em forma de U, que mostra uma relação não linear entre desigualdade e renda per

capita, para o caso brasileiro durante o período estudado. E, aumentos no PIB per capita além

do ponto de mínimo da curva em forma de U resultam em aumento da desigualdade.

Com relação à influência da distribuição de renda sobre a pobreza, os resultados obtidos são condizentes com a literatura e mostram que melhorias na distribuição de renda contribuem para redução da pobreza. No modelo de desigualdade, os coeficientes estimados para o número de pobres dividido pela população total de cada estado apresenta sinal positivo e estatisticamente significante, sinalizando, empiricamente, que quanto maior o número de pessoas pobres em relação à população total de cada estado mais desigual será a distribuição da renda.

Assim, percebe-se a existência de um ciclo vicioso entre pobreza e desigualdade. As evidências empíricas mostram que, no Brasil, durante o período estudado, um aumento da pobreza (medida pelo número de pobres dividido pela população total de cada estado) leva ao aumento na desigualdade de renda (como mostrado na tabela 07) e o aumento na desigualdade de renda leva ao aumento da pobreza (como mostrado na tabela 06).

Mais ainda, diante do exposto, surge um paradoxo ao analisar a influência do PIB per

capita sobre a pobreza e a desigualdade de renda. Para entender tal paradoxo, suponha que o

valor do PIB per capita seja o mesmo para o ponto de máximo da curva do “U invertido” (relação entre pobreza e PIB per capita) e para o ponto de mínimo da curva “U normal” (relação entre desigualdade e PIB per capita) e que tal valor seja y*. Nesse contexto, tem-se duas situações simétricas.

Se PIB per capita é menor do que y*, então, à medida que o PIB per capita aumenta, a desigualdade diminui, mas a pobreza aumenta. Além disso, se o número de pessoas pobres em relação à população total de cada estado aumenta, como visto nas estimações do modelo de desigualdade, a desigualdade de renda também aumenta e, como visto nas estimações do modelo de pobreza, se a desigualdade de renda aumenta, o número de pessoas pobres em relação à população total de cada estado também aumenta.

Por outro lado, se PIB per capita é maior do que y*, então, à medida que o PIB per

aumenta, como visto nas estimações do modelo de pobreza, o número de pobres em relação à população total de cada estado também aumenta e, como visto nas estimações do modelo de desigualdade, se o número de pobres em relação à população total de cada estado aumenta, a desigualdade de renda também aumenta.

Essa interação comentada mostra um paradoxo entre os efeitos interativos do PIB per

capita sobre a pobreza e a desigualdade de renda. Esse resultado corrobora com a ideia de

armadilha da pobreza de um lado, mas, por outro lado, evidencia também uma ideia de armadilha da desigualdade. Quando analisado conjuntamente os efeitos da renda per capita sobre a pobreza e sobre a desigualdade, considerando-se os resultados encontrados, pode-se ter uma ideia do que pode ser chamado de paradoxo da curva de Kuznets entre a pobreza e a desigualdade de renda.

Com relação às transferências do governo aos pobres, aqui representadas pelas transferências de renda advindas do Programa Bolsa Família, não existem evidências empíricas de que estas contribuem para a redução da pobreza e da desigualdade de renda no país, durante o período analisado. Em todas as equações estimadas, tanto no modelo de pobreza como no modelo de desigualdade, os coeficientes estimados para a variável referente ao valor dos benefícios do Programa Bolsa Família não apresentam significância estatística. Este resultado está de acordo com o trabalho de Marinho et. al. (2011), onde os autores mostram que as transferências do Programa Bolsa Família não têm efeito sobre a pobreza.

Vale destacar também que os coeficientes estimados para avaliar o efeito da educação sobre a pobreza e sobre a distribuição de renda não são estatisticamente significantes ao nível de 5%.

REFERÊNCIAS BIBLIOGRÁFICAS

AFONSO, A.; SCHUKNECHT, L.; TANZI, V. Income distribution determinants and public spending efficiency. [s.l.] : European Central Bank , 2008. (working Paper n. 861). AHLUWALIA, M. S. Inequality, poverty and development. Journal of Development Economics, v. 3, p. 307-342, 1976.

ARELLANO, M.; BOND, S. Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations. The Review of Economic Studies, v. 58, n. 2, p. 277–297, 1991.

ARELLANO, M.; BOVER, O. Another look at the instrumental-variable estimation of errorcomponents model. Journal of Econometrics, v. 68, p. 29–52, 1995.

AZARIADIS, C.; STACHURSKI, J. Poverty traps. In: AGHION, P.; DURLAUF, S. Handbook of Economic Growth, 2005.

AZZONI, C. R.; NETO, R. DA M. S. Non-spatial government policies and regional income inequality in Brazil. Regional Studies, v. 45, Iss. 4, 2011.

BARRETO, F. A. Crescimento econômico, pobreza e desigualdade: o que sabemos sobre eles? Fortaleza: CAEN/UFC, 2005. (Ensaio sobre a pobreza n. 01)

BARROS, R. P.; MENDONÇA, R. Os determinantes da desigualdade no Brasil. Brasília: IPEA, 1995. (Texto para discussão n. 377).

BARROS, R. P.; HENRIQUES, R.; MENDONÇA, R. Desigualdade e Pobreza no Brasil: retrato de uma estabilidade inaceitável. Revista Brasileira de Ciências Sociais, v. 15, n. 42, 2000.

BARROS, R.P.; CARVALHO, M. de; FRANCO, S. O papel das transferências públicas na queda recente da desigualdade de renda brasileira. Econômica: revista do programa de pós- graduação em Economia da UFF. Rio de Janeiro: UFF, v. 8, n. 1, p. 41-86, 2006.

BLUNDELL, R.; BOND, S. Initial conditions and moment restrictions in dynamic panel data models. Journal of Econometrics, v. 87, p. 115–143, 1998.

BRASIL Presidência da República, Lei nº 10,836 de 09 de janeiro de 2004. Institui o Programa Bolsa Família e dá outras providências. Disponível em: http://www,planalto,gov,br /ccivil_03/_ato2004-2006/2004/lei/l10,836,htm. Acesso em: 01/08/2012.

CARTER; BARRET. The economics of poverty traps and persistent poverty: an asset-based approach. Journal of Development Studies, v. 42, n. 02, p. 178-199, 2006.

CARVALHO JR, P. H. B. de. Análise do gasto da união em ações assistenciais ou focalizado na população pobre e em benefícios previdenciários de fortes impactos sociais: 1995-2004. Brasília: IPEA, 2006. (Texto para discussão n. 1236).

DATT, G.; RAVALLION, M. Growth and Redistribution Components of Changes in Poverty Measures: a decomposition with application to Brazil and India in the 1980s. Journal of Development Economics, v. 38, n. 2, p. 275-295, 1992.

DEININGER, K.; SQUIRE, L. New ways of looking at old issues: inequality and growth. Journal of Development Economics, v. 57, n. 2, p. 259-287, 1998.

DOLLAR, D.; KRAAY, A. Growth is good for the poor. Journal of Economic Growth, v. 7, n. 3, p. 195-225, 2002.

FIELS, G. S. Distribution and Development. [s.l.] : MIT PRESS, 2000.

GADELHA, S. R. de B.; SOUZA, A. P. F. de; OLIVEIRA, P. P. de; DUARTE, J.; NEVES, J. A. S. Uma investigação sobre a focalização do Programa Bolsa Família e seus determinantes imediatos: análise por regiões brasileiras. Brasília: XVIII Prêmio do Tesouro Nacional, 2013.

GREENE, W. H. Econometric Analysis. 6. ed. Upper Saddle River: Pearson Education, 2008.

HAUSMAN, J. A. Specification Tests in Econometrics. Econometrica, v. 46, n. 6, p. 1251- 1271, 1978.

HEIJ, C.; BOER, P. de; FRANSES, P. H.; KLOEK, T.; van DIJK, H. K. Econometric methods with applications in business and economics. Oxford: Oxford University Press, 2004.

HOFFMANN, R. Desigualdade e pobreza no Brasil no período 1970-1990. Revista Brasileira de Economia, v. 49, n. 2, p. 277-94, 1995.

HOFFMANN, R. Transferências de renda e redução da desigualdade no brasil e cinco regiões entre 1997 e 2004. Econômica, Rio de Janeiro, v. 8, n. 1, p. 55-81, 2006.

HSIAO, C. Analysis of panel data. Cambridge : Cambridge University Press, 2004.

KAELBLE, H.; THOMAS, M. Income distribution in historical perspective. Cambridge : Cambridge University Press, 1991.

KAKWANI, N.; PERNIA, E. M. What is pro-poor growth? Asian Development Review, vol. 18, n. 1, 2000.

KUZNETS, S. Economic growth and income inequality. The American Economic Review, v. 45, 1955.

LAVINAS, L.; VARSANO, R. Programas de garantia de renda mínima e ação coordenada de combate à pobreza. Brasília: IPEA, 1997. (Texto para discussão n. 534). LOPEZ, H.; SERVÉN, L. Too poor to grow. Washington : The World Bank, 2009. (Policy research working paper n. 5012).

MARINHO, E.; SOARES, F. Impacto do crescimento econômico e da concentração de renda sobre a redução da pobreza nos Estados brasileiros. In: ENCONTRO NACIONAL DE ECONOMIA, 31., Porto Seguro, 2003. Porto Seguro: ANPEC, 2003.

MARINHO, E.; LINHARES, F.; CAMPELO, G. Os programas de transferência de renda do governo impactam a pobreza no Brasil? Revista Brasileira de Economia, v. 65, n. 03, p. 267-288, 2011.

PAUKERT, F. Income distribution at different levels of development: a survey of evidence. International Labour Review, v. 108, n. 2, p. 97-125, 1973.

POVEDA, A. C. Economic development, inequality and poverty: an analysis of urban violence in Colombia. Oxford Development Studies, v. 39, n. 4, p. 453-468, 2011.

PROGRAMA DAS NAÇÕES UNIDAS PARA O DESENVOLVIMENTO (PNUD). Relatório do Desenvolvimento Humano 2011 (RDH 2011). Sustentabilidade e equidade: um futuro melhor para todos. New York, PNUD, 2011. Disponível em: <http://mirror.undp.org/angola/LinkRtf/HDR_2011_PT.pdf> Acesso em: 20/05/2012.

RAVALLION, M. Growth and poverty: evidence for developing countries in the 1980s. Economic Letters, v. 45, p. 411-41, 1995.

RAVALLION, M. Pro-poor growth: a primer. Washington DC.: The World Bank, 2004. (Policy research working paper n. 3242).

RIBAS, R. P., MACHADO, A. F.; GOLGHER, A. B. Fluctuations and persistence in poverty: a transientchronic decomposition model for pseudo-panel data. Belo Horizonte: UFMG/CEDEPLAR, 2006. (Texto para Discussão n. 289).

ROCHA, S. (2005). Impacto sobre a Pobreza dos Novos Programas Federais de Transferência de Renda. Revista de Economia Contemporânea, Rio de Janeiro, v. 9, n. 1, p. 153-185, 2005.

SCHWARTZMAN, S. Redução da desigualdade, da pobreza e os programas de transferência de renda. Rio de Janeiro: IETS, 2006.

SEN, A. K. Desenvolvimento como Liberdade. São Paulo: Companhia das Letras, 2000. SOARES, F. V.; SOARES S.; MEDEIROS, M.; OSÓRIO R. G. Programas de transferências de renda no Brasil: impactos sobre a desigualdade. Brasília: IPEA, 2006. (Texto para discussão n. 1228).

TAQUES, F. H.; MAZZUTTI, C. C. T. P. Curva de Kuznets: mensuração do impacto do crescimento econômico sobre a desigualdade de renda para os estados brasileiros (1995- 2005). In: ENCONTRO REGIONAL DE ECONOMIA DO NORDESTE, 14., Fortaleza, 2009. Fortaleza : [s.n.], 2009.

WOOLDRIDGE, J. M. Introductory Econometrics: a modern approach. 4ª edição. Cincinnati, OH: South-Western, 2009.

ANEXO A - Estimações dos Modelos de Efeitos Fixos com variáveis instrumentais (variável dependente: número de pobres/população)

L.logpibpc L.logpibpc22

dse dsp ano3 ano4 ano5 L.logbfrealn L.loggini L.logifdmeduc dma dmg dms dmt dpa dpb dpe dpi dpr drj drn dro drr drs dsc Instruments: logbfrealn logifdmeduc dac dal dam dap dba dce ddf des dgo Instrumented: loggini logpibpc logpibpc22

_cons -25.81072 12.17614 -2.12 0.034 -49.67552 -1.945913 ano5 .0915724 .0638639 1.43 0.152 -.0335986 .2167433 ano4 .1768112 .0893404 1.98 0.048 .0017072 .3519152 ano3 .2322946 .1184604 1.96 0.050 .0001166 .4644727 dsp -.4150544 .6964423 -0.60 0.551 -1.780056 .9499475 dse .1312697 .0630837 2.08 0.037 .0076279 .2549115 dsc -.9410405 .5467483 -1.72 0.085 -2.012648 .1305665 drs -.4007528 .471008 -0.85 0.395 -1.323912 .522406 drr .044938 .1246708 0.36 0.719 -.1994123 .2892883 dro -.1009037 .1234858 -0.82 0.414 -.3429314 .1411241 drn .0689798 .1256672 0.55 0.583 -.1773234 .315283 drj -.4354856 .5812094 -0.75 0.454 -1.574635 .703664 dpr -.4831337 .4333247 -1.11 0.265 -1.332435 .3661671 dpi .197707 .4571988 0.43 0.665 -.6983861 1.0938 dpe .2274808 .1454198 1.56 0.118 -.0575368 .5124985 dpb .1463672 .2685796 0.54 0.586 -.380039 .6727735 dpa .1145725 .2318677 0.49 0.621 -.3398798 .5690248 dmt -.4982187 .4223069 -1.18 0.238 -1.325925 .3294877 dms -.7770962 .271166 -2.87 0.004 -1.308572 -.2456207 dmg -.6831574 .2642637 -2.59 0.010 -1.201105 -.16521 dma .3165742 .4145559 0.76 0.445 -.4959405 1.129089 dgo -.7204128 .2329335 -3.09 0.002 -1.176954 -.2638715 des -.5209974 .5110159 -1.02 0.308 -1.52257 .4805754 ddf .2913204 1.221439 0.24 0.811 -2.102655 2.685296 dce .1746606 .2622397 0.67 0.505 -.3393197 .688641 dba .1823768 .1109925 1.64 0.100 -.0351646 .3999182 dap .0741786 .1123371 0.66 0.509 -.145998 .2943553 dam .2617755 .2510112 1.04 0.297 -.2301974 .7537485 dal .3161073 .3098558 1.02 0.308 -.2911988 .9234135 dac .0019684 .0808331 0.02 0.981 -.1564616 .1603984 logifdmeduc .0300071 .2278765 0.13 0.895 -.4166227 .4766369 logbfrealn .1980887 .5545172 0.36 0.721 -.8887451 1.284922 logpibpc22 -.3833733 .1428719 -2.68 0.007 -.6633971 -.1033496 logpibpc 6.263528 2.536371 2.47 0.014 1.292333 11.23472 loggini 1.054668 .5896317 1.79 0.074 -.1009889 2.210325 lognpobres~p Coef. Std. Err. z P>|z| [95% Conf. Interval] Robust Root MSE = .04437 R-squared = 0.9942 Prob > chi2 = 0.0000 Wald chi2(34) =32838.86 Instrumental variables (2SLS) regression Number of obs = 108

Score chi2(2) = 3.05032 (p = 0.2176) Test of overidentifying restrictions:

L.logdespeducrealpc L.logifdmeduc L.logpibpc L.logpibpc22 dsc dse dsp ano3 ano4 ano5 L.logbfrealn L.loggini

dgo dma dmg dms dmt dpa dpb dpe dpi dpr drj drn dro drr drs Instruments: logbfrealn logdespeducrealpc dac dal dam dap dba dce ddf des Instrumented: loggini logpibpc logpibpc22

_cons -27.9743 11.03706 -2.53 0.011 -49.60654 -6.342071 ano5 .0860635 .0648623 1.33 0.185 -.0410644 .2131913 ano4 .1667988 .0916592 1.82 0.069 -.0128499 .3464474 ano3 .2205087 .1199739 1.84 0.066 -.0146359 .4556533 dsp -.3957575 .6456784 -0.61 0.540 -1.661264 .8697488 dse .115376 .0555239 2.08 0.038 .0065512 .2242009 dsc -.9597759 .5131806 -1.87 0.061 -1.965591 .0460396 drs -.4233282 .438321 -0.97 0.334 -1.282422 .4357652 drr .0688737 .0848068 0.81 0.417 -.0973446 .235092 dro -.1133414 .1059479 -1.07 0.285 -.3209955 .0943128 drn .0556074 .0945553 0.59 0.556 -.1297175 .2409323 drj -.4358327 .5316029 -0.82 0.412 -1.477755 .6060898 dpr -.4868216 .3987218 -1.22 0.222 -1.268302 .2946588 dpi .1762381 .3525098 0.50 0.617 -.5146685 .8671447 dpe .191267 .1094431 1.75 0.081 -.0232376 .4057716 dpb .1272787 .2134429 0.60 0.551 -.2910618 .5456191 dpa .0738246 .1879671 0.39 0.695 -.2945841 .4422332 dmt -.5108625 .3819308 -1.34 0.181 -1.259433 .2377082 dms -.7895052 .2545423 -3.10 0.002 -1.288399 -.2906116 dmg -.712432 .2633205 -2.71 0.007 -1.228531 -.1963334 dma .2882378 .3287451 0.88 0.381 -.3560907 .9325664 dgo -.74249 .2267275 -3.27 0.001 -1.186868 -.2981122 des -.5335509 .4802276 -1.11 0.267 -1.47478 .4076779 ddf .3635745 1.145263 0.32 0.751 -1.8811 2.608249 dce .1644807 .2073563 0.79 0.428 -.2419302 .5708916 dba .1433367 .0869378 1.65 0.099 -.0270583 .3137317 dap .0898491 .0832898 1.08 0.281 -.073396 .2530942 dam .2442691 .2026668 1.21 0.228 -.1529505 .6414888 dal .2868106 .2492474 1.15 0.250 -.2017054 .7753266 dac .0273301 .0942718 0.29 0.772 -.1574391 .2120994 logdespedu~c -.0425342 .0481776 -0.88 0.377 -.1369605 .0518922 logbfrealn .1959981 .5439564 0.36 0.719 -.8701368 1.262133 logpibpc22 -.4109373 .1530753 -2.68 0.007 -.7109594 -.1109153 logpibpc 6.7487 2.526215 2.67 0.008 1.797409 11.69999 loggini 1.00929 .5376301 1.88 0.060 -.0444455 2.063026 lognpobres~p Coef. Std. Err. z P>|z| [95% Conf. Interval] Robust Root MSE = .0439 R-squared = 0.9943 Prob > chi2 = 0.0000 Wald chi2(34) =31692.31 Instrumental variables (2SLS) regression Number of obs = 108

Score chi2(3) = 4.55818 (p = 0.2072) Test of overidentifying restrictions:

L.logpibpc L.logpibpc22

_cons -37.02296 14.99295 -2.47 0.014 -66.4086 -7.637325 ano5 .0784929 .06631 1.18 0.237 -.0514723 .2084581 ano4 .1500321 .0933841 1.61 0.108 -.0329974 .3330616 ano3 .1962279 .1233273 1.59 0.112 -.0454892 .4379451 dsp -.4179379 .7448157 -0.56 0.575 -1.87775 1.041874 dse .1343897 .0639338 2.10 0.036 .0090818 .2596976 dsc -.9198884 .5808394 -1.58 0.113 -2.058313 .2185359 drs -.4174294 .5054199 -0.83 0.409 -1.408034 .5731755 drr .0532015 .1365082 0.39 0.697 -.2143497 .3207527 dro -.0901356 .1370954 -0.66 0.511 -.3588377 .1785665 drn .078074 .135023 0.58 0.563 -.1865663 .3427143 drj -.4435704 .6236493 -0.71 0.477 -1.665901 .7787599 dpr -.5170485 .4604615 -1.12 0.261 -1.419536 .3854395 dpi .2989126 .491294 0.61 0.543 -.664006 1.261831 dpe .2412159 .153808 1.57 0.117 -.0602423 .5426741 dpb .1850007 .2875313 0.64 0.520 -.3785504 .7485517 dpa .1919609 .2414037 0.80 0.427 -.2811816 .6651035 dmt -.5413805 .4540712 -1.19 0.233 -1.431344 .3485827 dms -.817841 .2905513 -2.81 0.005 -1.387311 -.2483709 dmg -.7158527 .2814009 -2.54 0.011 -1.267388 -.1643172 dma .4238219 .4439117 0.95 0.340 -.4462291 1.293873 dgo -.7516292 .2479109 -3.03 0.002 -1.237526 -.2657328 des -.5553217 .5460138 -1.02 0.309 -1.625489 .5148456 ddf .3620965 1.309543 0.28 0.782 -2.204561 2.928754 dce .2286659 .2826438 0.81 0.419 -.3253057 .7826375 dba .1968068 .1127423 1.75 0.081 -.024164 .4177777 dap .1107603 .116174 0.95 0.340 -.1169366 .3384571 dam .2659637 .2726198 0.98 0.329 -.2683612 .8002886 dal .370804 .3298456 1.12 0.261 -.2756815 1.01729 dac -.0092868 .0800787 -0.12 0.908 -.1662381 .1476645 logifdmeduc .0457889 .2307531 0.20 0.843 -.4064789 .4980566 logbfrealn .0276067 .562783 0.05 0.961 -1.075428 1.130641 logpibpc22 -.5233499 .1801881 -2.90 0.004 -.8765121 -.1701878 logpibpc 8.769452 3.199714 2.74 0.006 2.498129 15.04078 loggini 1.402435 .5864268 2.39 0.017 .25306 2.551811 lognpobres~p Coef. Std. Err. z P>|z| [95% Conf. Interval] Robust

GMM weight matrix: Robust Root MSE = .04665 R-squared = 0.9935 Prob > chi2 = 0.0000 Wald chi2(34) =28451.94 Instrumental variables (GMM) regression Number of obs = 108

Hansen's J chi2(2) = 3.45512 (p = 0.1777) Test of overidentifying restriction:

L.logdespeducrealpc L.logifdmeduc L.logpibpc L.logpibpc22 dsc dse dsp ano3 ano4 ano5 L.logbfrealn L.loggini

dgo dma dmg dms dmt dpa dpb dpe dpi dpr drj drn dro drr drs Instruments: logbfrealn logdespeducrealpc dac dal dam dap dba dce ddf des Instrumented: loggini logpibpc logpibpc22

_cons -33.06821 11.31872 -2.92 0.003 -55.25249 -10.88393 ano5 .0728278 .0660424 1.10 0.270 -.0566129 .2022686 ano4 .1491178 .0943834 1.58 0.114 -.0358703 .3341059 ano3 .2041106 .1211955 1.68 0.092 -.0334282 .4416494 dsp -.4976498 .6641956 -0.75 0.454 -1.799449 .8041496 dse .1245412 .0553075 2.25 0.024 .0161405 .2329419 dsc -1.029018 .526033 -1.96 0.050 -2.060023 .0019882 drs -.4894281 .4519171 -1.08 0.279 -1.375169 .3963131 drr .0558609 .0832642 0.67 0.502 -.107334 .2190557 dro -.1159072 .1099134 -1.05 0.292 -.3313335 .0995192 drn .078057 .0934589 0.84 0.404 -.105119 .261233 drj -.4983524 .5501065 -0.91 0.365 -1.576541 .5798365 dpr -.5631894 .4093602 -1.38 0.169 -1.365521 .2391419 dpi .2878504 .3518564 0.82 0.413 -.4017755 .9774764 dpe .2224226 .1063543 2.09 0.036 .013972 .4308731 dpb .1813579 .2131145 0.85 0.395 -.2363388 .5990546 dpa .1411557 .189965 0.74 0.457 -.2311688 .5134801 dmt -.5840669 .3941277 -1.48 0.138 -1.356543 .1884092 dms -.8434943 .2625688 -3.21 0.001 -1.35812 -.328869 dmg -.7589771 .2719241 -2.79 0.005 -1.291939 -.2260156 dma .3913895 .3303502 1.18 0.236 -.2560849 1.038864 dgo -.7842772 .2341367 -3.35 0.001 -1.243177 -.3253777 des -.6152873 .4953131 -1.24 0.214 -1.586083 .3555086 ddf .2261896 1.184189 0.19 0.849 -2.094777 2.547156 dce .2215749 .2090242 1.06 0.289 -.188105 .6312548 dba .1685052 .0843508 2.00 0.046 .0031808 .3338297 dap .0902009 .0860791 1.05 0.295 -.078511 .2589127 dam .216478 .2067926 1.05 0.295 -.188828 .6217841 dal .360402 .2486012 1.45 0.147 -.1268475 .8476514 dac .0229426 .0944053 0.24 0.808 -.1620885 .2079737 logdespedu~c -.0330267 .0482457 -0.68 0.494 -.1275865 .0615332 logbfrealn .0704765 .5555248 0.13 0.899 -1.018332 1.159285 logpibpc22 -.4629979 .1602312 -2.89 0.004 -.7770452 -.1489506 logpibpc 7.779255 2.624079 2.96 0.003 2.636154 12.92236 loggini 1.153461 .5392446 2.14 0.032 .0965607 2.210361 lognpobres~p Coef. Std. Err. z P>|z| [95% Conf. Interval] Robust

GMM weight matrix: Robust Root MSE = .04509 R-squared = 0.9940 Prob > chi2 = 0.0000 Wald chi2(34) =32296.16 Instrumental variables (GMM) regression Number of obs = 108

Hansen's J chi2(3) = 4.56421 (p = 0.2066) Test of overidentifying restriction:

ANEXO B - Estimações dos Modelos de Efeitos Fixos com variáveis instrumentais (variável dependente: índice de Gini)

L.logifdmeduc L.logpibpc L.logpibpc22 L.logdespeducrealpc dse dsp ano3 ano4 ano5 L.lognpobrespop L.logbfrealn L.loggini dma dmg dms dmt dpa dpb dpe dpi dpr drj drn dro drr drs dsc Instruments: logbfrealn logifdmeduc dac dal dam dap dba dce ddf des dgo Instrumented: lognpobrespop logpibpc logpibpc22

_cons 13.99855 8.200322 1.71 0.088 -2.073783 30.07089 ano5 .013225 .0375359 0.35 0.725 -.0603441 .0867941 ano4 .0146922 .0618974 0.24 0.812 -.1066244 .1360088 ano3 .0176161 .087151 0.20 0.840 -.1531966 .1884288 dsp .3538754 .2396367 1.48 0.140 -.1158039 .8235548 dse -.063437 .0364617 -1.74 0.082 -.1349005 .0080266 dsc .442982 .270527 1.64 0.102 -.0872411 .9732051 drs .2711088 .1789236 1.52 0.130 -.079575 .6217926 drr -.0320948 .0533724 -0.60 0.548 -.1367028 .0725132 dro .0365871 .0551276 0.66 0.507 -.0714611 .1446353 drn -.0379177 .0484768 -0.78 0.434 -.1329305 .0570952 drj .3516195 .2045027 1.72 0.086 -.0491984 .7524374 dpr .3214289 .1721778 1.87 0.062 -.0160334 .6588912 dpi -.2081276 .1617482 -1.29 0.198 -.5251483 .1088931 dpe -.107261 .0707835 -1.52 0.130 -.245994 .0314721 dpb -.1075429 .0982908 -1.09 0.274 -.3001894 .0851036 dpa -.1923411 .0719992 -2.67 0.008 -.333457 -.0512253 dmt .3179522 .1823329 1.74 0.081 -.0394138 .6753181 dms .3885909 .1725972 2.25 0.024 .0503066 .7268753 dmg .3321334 .1601617 2.07 0.038 .0182222 .6460446 dma -.2789633 .1486843 -1.88 0.061 -.5703791 .0124526 dgo .3398618 .1630293 2.08 0.037 .0203303 .6593934 des .3617662 .1926292 1.88 0.060 -.01578 .7393124 ddf .3288709 .4097901 0.80 0.422 -.474303 1.132045 dce -.1506932 .0960512 -1.57 0.117 -.3389502 .0375637 dba -.096857 .051774 -1.87 0.061 -.1983323 .0046182 dap -.1143807 .0488291 -2.34 0.019 -.210084 -.0186773 dam -.0793319 .0911195 -0.87 0.384 -.2579229 .0992591 dal -.1749763 .1263554 -1.38 0.166 -.4226283 .0726758 dac .0086161 .0323063 0.27 0.790 -.0547031 .0719352 logifdmeduc -.0338391 .1332299 -0.25 0.800 -.2949649 .2272867 logbfrealn .3573338 .2609274 1.37 0.171 -.1540745 .8687422 logpibpc22 .1710202 .1094345 1.56 0.118 -.0434675 .3855079 logpibpc -3.064295 1.868059 -1.64 0.101 -6.725623 .5970331 lognpobres~p .3477497 .1941692 1.79 0.073 -.0328148 .7283143 loggini Coef. Std. Err. z P>|z| [95% Conf. Interval] Robust Root MSE = .02337 R-squared = 0.8855 Prob > chi2 = 0.0000 Wald chi2(34) = 1486.76 Instrumental variables (2SLS) regression Number of obs = 108

Score chi2(4) = 5.79661 (p = 0.2149) Test of overidentifying restrictions:

L.logdespeducrealpc

L.loggini L.logifdmeduc L.logpibpc L.logpibpc22 dsc dse dsp ano3 ano4 ano5 L.lognpobrespop L.logbfrealn dgo dma dmg dms dmt dpa dpb dpe dpi dpr drj drn dro drr drs Instruments: logbfrealn logdespeducrealpc dac dal dam dap dba dce ddf des Instrumented: lognpobrespop logpibpc logpibpc22

_cons 14.10459 7.095586 1.99 0.047 .1974989 28.01169 ano5 .0141132 .0395863 0.36 0.721 -.0634746 .091701 ano4 .0193868 .0638193 0.30 0.761 -.1056968 .1444703 ano3 .0293699 .0888109 0.33 0.741 -.1446964 .2034361 dsp .2717755 .2277279 1.19 0.233 -.174563 .718114 dse -.0474733 .033792 -1.40 0.160 -.1137044 .0187577 dsc .3987836 .2524235 1.58 0.114 -.0959574 .8935245 drs .2382477 .1638894 1.45 0.146 -.0829696 .5594651 drr -.0562919 .0425683 -1.32 0.186 -.1397243 .0271405 dro .0328864 .0449495 0.73 0.464 -.0552129 .1209857 drn -.0153015 .0361734 -0.42 0.672 -.0862 .055597 drj .2967384 .1852665 1.60 0.109 -.0663773 .6598542 dpr .280526 .1572916 1.78 0.075 -.0277599 .5888118 dpi -.1401161 .1214072 -1.15 0.248 -.3780698 .0978376 dpe -.0669758 .057474 -1.17 0.244 -.1796228 .0456712 dpb -.0625189 .0773201 -0.81 0.419 -.2140635 .0890257 dpa -.1435906 .06518 -2.20 0.028 -.2713411 -.0158401 dmt .2856426 .1583861 1.80 0.071 -.0247884 .5960735 dms .3706314 .1586362 2.34 0.019 .0597103 .6815526 dmg .323228 .153579 2.10 0.035 .0222186 .6242374 dma -.2147904 .1154234 -1.86 0.063 -.441016 .0114352 dgo .3316095 .1530089 2.17 0.030 .0317175 .6315015 des .318932 .180353 1.77 0.077 -.0345534 .6724173 ddf .182215 .4190077 0.43 0.664 -.6390251 1.003455 dce -.116282 .0726378 -1.60 0.109 -.2586495 .0260854 dba -.0565882 .0450608 -1.26 0.209 -.1449059 .0317294 dap -.1300094 .0369944 -3.51 0.000 -.202517 -.0575017 dam -.0924012 .0802558 -1.15 0.250 -.2496997 .0648973 dal -.114793 .1048178 -1.10 0.273 -.3202321 .0906461 dac .0017074 .0392123 0.04 0.965 -.0751474 .0785622 logdespedu~c .0262115 .0216523 1.21 0.226 -.0162263 .0686493 logbfrealn .3372687 .2778992 1.21 0.225 -.2074037 .8819412 logpibpc22 .1808697 .1043233 1.73 0.083 -.0236001 .3853396 logpibpc -3.163326 1.707549 -1.85 0.064 -6.51006 .1834084 lognpobres~p .3507299 .1892392 1.85 0.064 -.0201721 .7216319 loggini Coef. Std. Err. z P>|z| [95% Conf. Interval] Robust Root MSE = .02285 R-squared = 0.8906 Prob > chi2 = 0.0000 Wald chi2(34) = 1226.07 Instrumental variables (2SLS) regression Number of obs = 108

Score chi2(4) = 6.2839 (p = 0.1789) Test of overidentifying restrictions:

_cons 15.89335 8.076837 1.97 0.049 .0630409 31.72366 ano5 .0059347 .0392021 0.15 0.880 -.0709 .0827695 ano4 -.0005565 .0647282 -0.01 0.993 -.1274214 .1263084 ano3 -.0179095 .090448 -0.20 0.843 -.1951843 .1593652 dsp .467151 .2477054 1.89 0.059 -.0183427 .9526447 dse -.0691091 .0395129 -1.75 0.080 -.146553 .0083348 dsc .5716363 .2825075 2.02 0.043 .0179319 1.125341 drs .3584669 .1846055 1.94 0.052 -.0033533 .720287 drr .0017979 .0554445 0.03 0.974 -.1068713 .1104671 dro .0681471 .0557575 1.22 0.222 -.0411355 .1774298 drn -.059392 .0498079 -1.19 0.233 -.1570136 .0382297 drj .4479282 .210929 2.12 0.034 .034515 .8613415 dpr .4015969 .1794368 2.24 0.025 .0499073 .7532865 dpi -.2756059 .1665275 -1.66 0.098 -.6019938 .0507821 dpe -.1356606 .0736706 -1.84 0.066 -.2800523 .008731 dpb -.1465661 .1015697 -1.44 0.149 -.345639 .0525068 dpa -.2052562 .0758079 -2.71 0.007 -.3538371 -.0566754 dmt .4020473 .188641 2.13 0.033 .0323177 .771777 dms .4646845 .180193 2.58 0.010 .1115127 .8178563 dmg .4025295 .168334 2.39 0.017 .0726009 .7324581 dma -.33797 .1538912 -2.20 0.028 -.6395913 -.0363487 dgo .4064775 .1713492 2.37 0.018 .0706391 .7423158 des .4555203 .2001015 2.28 0.023 .0633286 .847712 ddf .4602939 .410139 1.12 0.262 -.3435637 1.264152 dce -.1922618 .0981455 -1.96 0.050 -.3846235 .0000998 dba -.110386 .0563783 -1.96 0.050 -.2208853 .0001134 dap -.0901013 .0508082 -1.77 0.076 -.1896836 .009481 dam -.0428281 .0961102 -0.45 0.656 -.2312006 .1455443 dal -.2317692 .13194 -1.76 0.079 -.4903668 .0268284 dac .0066027 .0343044 0.19 0.847 -.0606327 .0738381 logifdmeduc .0034778 .1400863 0.02 0.980 -.2710864 .2780419 logbfrealn .2952396 .2759876 1.07 0.285 -.2456861 .8361653 logpibpc22 .1874336 .1063989 1.76 0.078 -.0211043 .3959716 logpibpc -3.426887 1.824629 -1.88 0.060 -7.003095 .1493212 lognpobres~p .4074989 .2018426 2.02 0.043 .0118945 .8031032 loggini Coef. Std. Err. z P>|z| [95% Conf. Interval] Robust

GMM weight matrix: Robust Root MSE = .02555 R-squared = 0.8633 Prob > chi2 = 0.0000 Wald chi2(34) = 1369.97 Instrumental variables (GMM) regression Number of obs = 108

Hansen's J chi2(4) = 5.47233 (p = 0.2422) Test of overidentifying restriction:

L.logdespeducrealpc

_cons 13.95881 7.297503 1.91 0.056 -.3440348 28.26165 ano5 .0058981 .0388387 0.15 0.879 -.0702244 .0820205 ano4 .0024324 .0629847 0.04 0.969 -.1210153 .1258802 ano3 -.0082851 .0881141 -0.09 0.925 -.1809855 .1644154 dsp .3935481 .2294338 1.72 0.086 -.056134 .8432302 dse -.0502684 .0370591 -1.36 0.175 -.1229029 .0223661 dsc .5389634 .2702221 1.99 0.046 .0093378 1.068589 drs .3299414 .1700756 1.94 0.052 -.0034007 .6632835 drr -.0385824 .0478212 -0.81 0.420 -.1323101 .0551454 dro .0610887 .0473116 1.29 0.197 -.0316404 .1538177 drn -.0284572 .0380339 -0.75 0.454 -.1030022 .0460878 drj .3967097 .1888232 2.10 0.036 .026623 .7667964 dpr .3598487 .1651539 2.18 0.029 .036153 .6835444 dpi -.1764117 .124082 -1.42 0.155 -.4196079 .0667846 dpe -.0823226 .0629294 -1.31 0.191 -.2056619 .0410168 dpb -.0852637 .0805355 -1.06 0.290 -.2431104 .072583 dpa -.1441457 .063943 -2.25 0.024 -.2694718 -.0188197 dmt .369211 .1683321 2.19 0.028 .0392862 .6991358 dms .4489307 .1723987 2.60 0.009 .1110354 .786826 dmg .4025757 .1665791 2.42 0.016 .0760867 .7290646 dma -.2467692 .1199284 -2.06 0.040 -.4818246 -.0117139 dgo .4019919 .1672469 2.40 0.016 .0741941 .7297898 des .4200911 .1873289 2.24 0.025 .0529333 .7872489 ddf .3376593 .3956967 0.85 0.393 -.4378919 1.113211 dce -.142315 .0749452 -1.90 0.058 -.2892049 .0045749 dba -.0651843 .0491376 -1.33 0.185 -.1614921 .0311235 dap -.1218036 .0406642 -3.00 0.003 -.201504 -.0421033 dam -.0631467 .0810331 -0.78 0.436 -.2219687 .0956753 dal -.1560246 .111947 -1.39 0.163 -.3754366 .0633874 dac -.0117291 .0405997 -0.29 0.773 -.0913031 .0678449 logdespedu~c .0402164 .0241044 1.67 0.095 -.0070274 .0874603 logbfrealn .2667026 .2740468 0.97 0.330 -.2704193 .8038245 logpibpc22 .172144 .1044039 1.65 0.099 -.032484 .3767719 logpibpc -3.075095 1.72833 -1.78 0.075 -6.46256 .3123695 lognpobres~p .4131685 .2002278 2.06 0.039 .0207292 .8056078 loggini Coef. Std. Err. z P>|z| [95% Conf. Interval] Robust

GMM weight matrix: Robust Root MSE = .02478 R-squared = 0.8713 Prob > chi2 = 0.0000 Wald chi2(34) = 1303.39 Instrumental variables (GMM) regression Number of obs = 108

Hansen's J chi2(4) = 6.17806 (p = 0.1862) Test of overidentifying restriction:

ANEXO D – EVOLUÇÃO TEMPORAL DA DESIGUALDADE NO BRASIL (Índice de Gini e Índice de Theil)

ANEXO E – EVOLUÇÃO TEMPORAL DA DESIGUALDADE NO BRASIL (razão entre a renda média dos 20% mais ricos e os 20% mais pobres e razão entre a renda mdos 10% mais ricos e dos 40% mais pobres)

No documento Ensaio sobre pobreza e desigualdade (páginas 64-81)