A análise de regressão múltipla permite que muitos fatores observados afetem a variável dependente, que no caso em tela é o PIB Industrial, no entanto, não importa quantas variáveis explicativas são incluídas no modelo, pois, sempre haverá falta de fatores daqueles que são impossíveis de incluí-los, sendo certo que eles estão contidos, coletivamente, no termo de erro. Para Loesch e Hoeltgebaum (2012), a variável aleatória “u” é denominada de resíduo ou erro residual e por meio dele é possível asseverar as variações da variável dependente em torno do valor calculado pela equação de regressão e justamente essa aleatoriedade é assumida ser não controlável ou explicável, daí os valores serem também referidos como desvios não explicados.
Wooldridge (2010) ensina que um conjunto de dados em corte transversal consiste em uma amostra de indivíduos, tomada em um determinado ponto no tempo. Segundo este autor, a análise de regressão múltipla permite controlar explicitamente muitos fatores que, de maneira simultânea, afetam a variável dependente. Para ele, isso é importante para testar teorias econômicas e para avaliar efeitos da política por se basear em dados não experimentais.
Alicerçado nas pesquisas de Wen (2004) e de Oliveira et al. (2009), utilizamos a análise de regressão linear multivariada, de corte transversal (cross section) referente ao ano de 2010 para os 645 municípios e para as 63 microrregiões do Estado de São Paulo.
Seguimos o modelo de Wen (2004) com a utilização de algumas variáveis proposta pela autora chinesa. Nos apropriamos de sua ideia de que o PIB industrial, como variável dependente, é uma proxy da performance municipal neste setor e como tal, sugere a presença de aglomeração industrial na localidade. Também aproveitamos algumas variáveis independentes de seu modelo, que testou as causas da aglomeração na China. Como exemplo, utilizamos o número da população e salário médio. Por ausência de dados, readaptamos outras variáveis ao cenário paulista como no caso da renda per capita, que substituímos pelo PIB per capita e o Investimentos Estrangeiro Direto (IED), vez que utilizamos informações referentes ao Comércio Exterior, como a soma dos valores de importação e exportação. Dados sobre rodovias pavimentadas e de índice de preço do varejo não foram utilizados no modelo que ora propomos.
Visando investigar o papel da política fiscal no crescimento econômico, Oliveira et al. (2009) propuseram um modelo para as cidades brasileiras onde o crescimento econômico é representado pelo crescimento dos salários médios da cidade. Utilizaram variáveis dependentes que refletem as forças centrípetas e centrífugas. As primeiras são representadas pela média de anos de estudo; distância do município em relação à capital do Estado; Área do município; gastos dos governos e receita proveniente do Fundo de Participação dos Municípios (FPM). Já o grupo das forças centrífugas é composto pela densidade demográfica; taxa de homicídio; receita advinda do Imposto Predial e Territorial Urbano (IPTU) e Receita de Imposto Sobre Serviço (ISS). Baseada nesta lógica agregamos ao modelo da presente pesquisa as variáveis de escolaridade e distância até a capital do Estado. Por outro lado, como não testaremos resultados fiscais, descartamos as variáveis tributárias e orçamentárias.
Desta forma, na presente pesquisa, as estimativas buscam captar a relação entre o PIB Industrial e um conjunto de variáveis explicativas. O objetivo é tentar definir as determinantes da aglomeração industrial por meio da relação empregada de cada variável explicativa, analisando os efeitos de políticas públicas que envolvam a mudança dos valores de cada variável independente. Desejamos saber se, por exemplo, a distância de dado município até a capital ou o nível de educação da população, exercem efeitos significativos na formação do PIB Industrial.
A variável explicada é o Produto Interno Bruto Industrial (PIBIND), ou seja, é o valor Adicionado Bruto, a preços correntes pela Indústria. Com isso, esperamos que tal proxy
reflita o nível de produção industrial, equiparada ao desempenho da região neste setor. Com a explicação dessa variável, pretendemos entender quais os fatores que determinam a aglomeração industrial.
Estudar as determinantes da aglomeração é interessante por que, a princípio, quanto mais desenvolvido é o município ou microrregião, maior será o seu PIB industrial, que é o motor para o crescimento econômico.
O modelo especificado segue a equação 2:
PIBINDi= β0i + β1Ni + β2EDUi + β3NINDi + β4DISTi + β5ADMINDi +
(2)
β6COMEXi + β7PIBPCi + β8QLi + β9W + u
Em que:
PIBINDi = PIB Industrial da localidade i
(1) Ni= População residente na localidade i
(2) EDUi = População com nível superior de educação completa na localidade i
(3) NINDi = Número de empresas do setor de indústria de transformação (CNAE 2.0, Setor “C”) na localidade i
(4) DISTi = Distância da localidade i até a capital do Estado
(5) ADMINDi = População na localidade i admitida na indústria de transformação (CNAE 2.0, Setor “C”)
(6) COMEXi = Volume do fluxo de comércio exterior na localidade i (importação + exportação)
(7) PIBPCi = PIB per capita da localidade i
(8) QLi = Quociente Locacional da localidade i
(9) W = Salário médio na indústria de transformação na localidade i
u = Resíduo ou erro residual
i = Localidade do Estado de São Paulo (Município ou Microrregião)
Verificaremos o impacto das seguintes variáveis explicativas que afetam, ou não, o PIB industrial:
(1) N: População residente – Medida pela quantidade de habitantes na localidade. Mensura o tamanho do mercado consumidor em potencial. Por este motivo, esperamos que afete positivamente a variável dependente;
(2) EDU: População com pelo menos o nível superior de graduação concluído – Medida pelo somatório da população com nível superior completo. É uma variável que podemos aproximar ao quesito mão de obra qualificada por Instituições de Ensino Superior. Essa variável é relevante pelo fato de supostamente o investidor orientar a localização de seu negócio com base no número de formandos. Assim, quanto maior este indicador, maior será o impacto positivo na determinação da aglomeração industrial;
(3) NIND: Número de empresas do setor de indústria de transformação (CNAE 2.0, Setor “C”) – Medida pelo total de indústria de transformação em dado território. Conforme
descrito no apêndice 3, a Indústria de Transformação é composta por 24 divisões que engloba desde a fabricação de alimentos, até a fabricação química, farmacêutica e de máquinas. Tal variável foi selecionada devido a sua aparente relação positiva quanto a formação do PIB Industrial, já que um maior número de empresas do mesmo setor pode formar uma aglomeração, que é um fato positivo quanto a atração de novas empresas que atuam no mesmo segmento. Portanto, esperamos que quanto maior o número de empresas, maior será o PIB Industrial;
(4) DIST: Proximidade até a Capital do Estado – Medida pela distância em quilômetros entre a localidade e a capital do Estado. Conforme mostrado nos capítulos anteriores é uma variável relevante, pois reflete a questão dos custos de transportes entre o fornecedor da matéria prima até o centro produtor e do centro produtor até o mercado consumidor. Isso é um fator estratégico para a escolha da localização da planta produtiva. Tendo em vista que o Estado de São Paulo possui um dos melhores parques rodoviários do país e que este modal é o mais utilizado para o transporte de carga, utilizamos nos cálculos da distância, apenas a quilometragem rodoviária entre a localidade observada e a capital do Estado. É importante salientar que a formação do valor do frete, dentre outras variáveis, envolve o preço do combustível, despesas com seguros por tonelada, número de eixos do veículo, peso total carregado, número de praças de pedágios etc. Esperamos que essa variável apresente um parâmetro negativo, pois quanto menor a distância da localidade até São Paulo, menores são os custos incorridos na logística e maiores as chances da localização da aglomeração industrial e consecutivamente, maior o PIB Industrial;
(5) ADMIND: População admitida na indústria de transformação (CNAE 2.0, Setor “C”) – Medida pelo número de admissão na indústria de transformação. Essa variável pretende refletir a parcela da população total que foi admita no ano de 2010, no setor da indústria da transformação. Em que pese esse ano sofrer influências pela crise econômica, talvez não reflita exatamente o nível de contratações do setor. Esperamos que esta variável influencie positivamente o modelo proposto, já que quanto maior o número de admissões, maior seria a produção e a geração de riquezas.
(6) COMEX: Volume do fluxo de comércio exterior – Medida por US$ FOB. Trata- se da soma entre o total financeiro das exportações com o total financeiro das importações. Reflete a maturidade exportadora da localidade e o grau de internacionalização das empresas ali instaladas. Valores mais elevados destes indicadores demonstram que a localidade é mais propensa a receber Investimentos Diretos Externos, o que de fato, pode gerar progressos na geração de emprego, renda e qualificação da mão de obra. Presumimos que o resultado deste
coeficiente nos leve a refletir a importância de políticas públicas voltadas ao preparo e adequações ao ambiente de negócios com o estrangeiro. Esperamos um impacto positivo desta variável no PIB Industrial, pois demonstrará que a localidade realiza trocas no Comércio Exterior, uma das chaves para o crescimento industrial;
(7) PIBPC: PIB per capita da localidade – Medido por R$. É um referencial que denota o potencial de riqueza da região. Esperamos uma sensibilidade positiva desta variável no modelo, ao passo que o aumento desta variável explique o aumento da aglomeração industrial;
(8) QL: Quociente Locacional – Conforme explicado no item 3.2 desse trabalho, o QL representa a concentração relativa do emprego da Indústria de Transformação local comparada com a do Estado. Com isso pretendemos encontrar um resultado positivo, pois presumimos que quanto mais elevado for este indicador local, maior será o nível de especialização produtiva e consequentemente maiores serão as chances de existir a aglomeração industrial.
(9) W: Salário – Medido por R$. Representa a média dos salários na indústria de transformação de dada localidade. Esperamos com esta variável, um reflexo positivo quanto à constituição da variável explicada, pois os empresários demandam mão de obra especializada e estão dispostos a arcar com os custos, para buscar profissionais capacitados, com maiores salários que já possuam técnica necessária.
5 Resultados Econométricos
Assim como Mayer e Mucchielli (1999), também realizamos a modelagem com dados do nível municipal e do nível microrregional. Os resultados econométricos, obtidos por intermédio do software Stata, estão separados nesses dois blocos distintos. No primeiro deles estão os resultados das regressões referentes aos 645 municípios. Já o segundo bloco de resultados, é originado das observações referentes às 63 microrregiões em que o IBGE divide o Estado de São Paulo, conforme disposição dos anexos 1 e 5.
Os relatórios estatísticos obtidos inicialmente dão conta da enorme disparidade encontrada nas observações dos municípios paulistas. Apenas como exemplo, tais dimensões podem ser observadas nos cartogramas expressos nos anexos 2 a 4, nos quais constatamos a desigual distribuição espacial do PIB per capita, da população total e da área total de cada localidade, respectivamente.
Sobre a parte estatística, Bonini e D´Amato (1982) lecionam que desde que as observações sejam consideradas significativas para o universo amostral, deve-se então determinar a equação de regressão que permitirá fazer estimativas e previsões para a variável dependente, com base nos valores das independentes.
Realizamos os principais testes estatísticos com o objetivo de garantir a não violação aos pressupostos básicos das regressões. Segundo Gujarati (2006) a autocorrelação deve ser descarta, a priori, por se tratar de dados de um corte transversal. Sobre a multicolinearidade, realizamos o teste do fator de inflação da variância (VIF) e analisamos a matriz de correlação entre as variáveis de todas as regressões. Para obter resultados mais robustos e controlar a heterocedasticidaede, optamos por utilizar o estimador de White para variâncias e covariâncias das regressões.
Encontramos no apêndice 4 os doze modelos propostos para identificar as determinantes da aglomeração espacial da atividade industrial no Estado de São Paulo. Também observamos os resultados das regressões tanto para municípios quanto para as microrregiões paulistas. Os quadros expressam o erro padrão, que mede a sensibilidade da relação entre as variáveis explicativas e a explicada. Ainda registram a média do VIF para cada um dos modelos. Salientamos que um VIF superior a 10 sugere dizer que as variáveis possuem alta colinearidade e, portanto, criam viés ao modelo.
Visando maior organização na interpretação dos parâmetros, optamos por padronizar todas as observações, ou seja, dividimos cada uma delas pelo respectivo desvio-padrão da variável.