RESULTADOS DOS MODELOS LOGIT

Como já discutido na seção de dados, a indisponibilidade dos dados de PIB per capita estadual em 2019 e das variáveis de características da habitação antes de 2016 (parte suplementar da PNADC que só foi iniciada em 2016 pelo IBGE) determinou a especificação dos modelos no que diz respeito às variáveis de controle. Procurou-se usar o maior número de variáveis de controle sempre que possível. Para cada conjunto de subfunções estudadas (saúde, educação etc.), foram estimados três modelos distintos: um com todas as variáveis de controle; um com todas, exceto o PIB per capita; e, finalmente, um com todas, exceto as variáveis que caracterizam a infraestrutura do domicílio.

O Gráfico 5 ilustra em qual período há a disponibilidade dos dados (em azul claro) e quando eles foram utilizados em cada um dos modelos (azul escuro). O primeiro modelo estimado (e mais completo) considera todas as variáveis, por este motivo são descartados os anos com valores faltantes. Desta forma, o período de análise se restringe de 2016 a 2018. O segundo modelo estimado considera as variáveis de características da habitação, porém não considera a variável PIB per capita estadual; desta forma, seu período de análise se restringe de 2016 a 2019. Finalmente, no terceiro modelo estimado, consideramos as variáveis de PIB per

capita, porém não consideramos as variáveis de características da habitação; assim, o período de análise é de 2013 a 2018.

Gráfico 5 - Disponibilidade e uso das variáveis Modelo 1 2013 2014 2015 2016 2017 2018 2019 Água, Esgoto, Lixo, Energia

PIB Per Capita

Todas outras variáveis

Modelo 2 2013 2014 2015 2016 2017 2018 2019 Água, Esgoto, Lixo, Energia

PIB Per Capita

Todas outras variáveis

Modelo 3 2013 2014 2015 2016 2017 2018 2019 Água, Esgoto, Lixo, Energia

PIB Per Capita

Todas outras variáveis

Branco=Dados não disponíveis;

Azul claro=Dados disponíveis, mas não utilizados; Azul escuro=Dados disponíveis e utilizados.

Como mencionado anteriormente, foram conduzidos testes de normalidade dos resíduos para todos os modelos estimados, sendo que, em todos os casos, a normalidade dos resíduos (hipótese nula testada pelo teste de Shapiro-Wilks) foi rejeitada, nos levando a optar pela utilização do modelo Logit ao Probit. Para analisar se os modelos foram bem ajustados, foram utilizados no Stata dois testes: o primeiro é o “Pearson or Hosmer–Lemeshow goodness-of-fit test”, que testa a hipótese nula de que o modelo está bem ajustado. Nos modelos 1 e 2, a hipótese nula não foi rejeitada, ao passo que, no modelo 3 (no qual não há as variáveis de características da habitação), a hipótese nula foi rejeitada. Porém, no segundo teste conduzido, “estat classification”, todos os resultados obtidos tiveram alto percentual de acerto, entre 83% e 84%, para taxa de pobreza, e entre 90% e 92%, para taxa de extrema pobreza, demonstrando bom grau de ajustamento dos modelos estimados.

Pela quantidade de modelos estimados, a título de organização e a fim de facilitar a compreensão dos resultados, as Tabelas 19 e 20 mostram, de forma resumida, para cada conjunto de subfunções de gastos, os coeficientes estimados das variáveis explicativas de interesse, que são os gastos sociais desagregados por subfunções (somados os gastos estaduais e os municipais por estado). Aqui, vale ressaltar que os valores dos parâmetros estimados do modelo logit significam o efeito das variáveis sobre um índice de utilidade que não é observado, mas que está correlacionado com a probabilidade de o evento ocorrer. Portanto, para compreender melhor os efeitos, reportaremos o efeito marginal das variáveis sobre a probabilidade de o domicílio estar abaixo da linha de pobreza.

Tabela 19 - Resultados dos modelos Logit Variável dependente binária: (1) Pobre (0) Não pobre

Modelo 1 2 3 Período: 2016 a 2018 (3 anos) 2016 a 2019 (4 anos) 2013 a 2018 (6 anos) Água, Esgoto, Lixo, Energia Sim Sim Não

PIB Per Capita Sim Não Sim

Função Subfunção Ef. Marginais Ef. Marginais Ef. Marginais

Assistência e Previdência

(UF+MU)

Assistência Comunitária _{-0,0001726 -0,00032*** 0,0000297} Assistência à Pessoa com

Deficiência _{-0,0035798 -0,0047201* -0,0008814} Assistência ao Idoso _{-0,0054461*** -0,005154*** -0,0019087***} Assistência à Criança e ao Adolescente _{-0,0002627 -0,0000798 0,0000585} Assistência Outros _{-0,0001901 -0,0002202* 0,0000246} Previdência Básica _{-0,0002603 0,0000919 -0,00000201} Previdência Complementar _{-0,0007333* -0,0009582** -0,0003741} Previdência Especial _{0,0003231 0,0034935 0,0007962**} Previdência do Regime Estatutário _{0,000028 0,00000014 -0,00000214} Previdência Outros _{0,0000187 -0,0000285 -0,0000145} Saúde e Saneamento (UF+MU) Atenção Básica _{-0,0000408 0,0000279 -0,0000107} Vigilância Epidemiológica _{-0,0003244 -0,0001601 -0,0002996**} Assistência Hospitalar e Ambulatorial _{-0,0000302 -0,0000745** -0,0000502***} Suporte Profilático e Terapêutico _{-0,000368** -0,0004263*** -0,0001026} Vigilância Sanitária _{0,0018172 -0,0002647 -0,0000205}

Alimentação e Nutrição _{0,001727* 0,0016331** 0,0002492} Saúde Outros _{0,0000125 -0,00000272 -0,000046***} Saneamento Básico Rural _{0,0002014 -0,0008615* -0,0006862***} Saneamento Básico Urbano _{0,0001375 0,0000127 -0,0000898***} Saneamento Outros _{-0,000208 -0,0001121 -0,0001405***} Educação e Cultura (UF+MU) Educação Especial _{-0,0006382 -0,0009263** -0,000188} Ensino Fundamental _{0,0000902** 0,0000257 0,0000207} Educação Infantil _{-0,0003915** -0,0001363** -0,0001936***} Educação de Jovens e Adultos 0,0003282 -0,0002299 0,0000355* Ensino Médio _{-0,0001871** 0,0000471 -0,00000482} Ensino Profissional _{0,0006329 0,000717** 0,00000375} Ensino Superior _{0,0001127 -0,00000347 0,0001121} Ensino Outros _{0,0000423 0,0000251 0,0000247*} Difusão Cultural _{-0,0005506 -0,0005689* -0,0006819***} Patrimônio Histórico, Artístico e

Arqueológico _{0,003645 0,0036253** 0,0000773} Cultura Outros _{-0,0014741** -0,0000978 -0,0003089} Habitação e Urbanismo (UF+MU) Habitação Rural _{0,0014789 0,0004316 0,0007266} Habitação Urbana _{0,0002717 0,0003017 0,0002278**} Habitação Outros _{0,0012599** 0,000666* 0,0005055*} Infraestrutura Urbana _{-0,00000293 0,00000506 -0,000023} Serviços Urbanos _{0,0000684 0,0000276 0,0000132} Transportes Coletivos Urbanos

-0,0002967 0,0000107 0,0000511 Urbanismo Outros _{0,0000974 0,0000418 0,0000767*}

Tabela 20 - Resultados dos modelos Logit

Variável dependente binária: (1) Extremamente Pobre (0) Não é Extremamente Pobre Modelo 1 2 3 Período: 2016 a 2018 (3 anos) 2016 a 2019 (4 anos) 2013 a 2018 (6 anos) Água, Esgoto, Lixo, Energia Sim Sim Não

PIB Per Capita Sim Não Sim

Função Subfunção dy/dx dy/dx dy/dx

Assistência e Previdência

(UF+MU)

Assistência Comunitária _{-0,0001219** -0,0000868** -0,0000416*} Assistência à Pessoa com

Deficiência _{-0,0026463** -0,0025079** 0,000331} Assistência ao Idoso _{-0,0014626* -0,0013233** -0,0004432**} Assistência à Criança e ao

Assistência Outros _{-0,000016 0,00000265 -0,00000561} Previdência Básica _{-0,0000265 0,0000435 -0,000000675} Previdência Complementar _{0,000061 0,000082 0,0001062} Previdência Especial _{0,0020485* 0,0020567** 0,0003177**} Previdência do Regime Estatutário _{0,00000962 0,00000315 0,00000279} Previdência Outros _{0,00000274 -0,00000266 0,00000309} Saúde e Saneamento (UF+MU) Atenção Básica _{-0,0000264 0,00000985 -0,00000178} Vigilância Epidemiológica _{-0,0000642 -0,0000619 -0,0000433} Assistência Hospitalar e Ambulatorial _{-0,0000321* -0,0000315*** -0,0000228***} Suporte Profilático e Terapêutico _{-0,0000714 -0,0000324 0,00000712} Vigilância Sanitária _{0,0003896 0,0000101 -0,00000462} Alimentação e Nutrição _{0,0002268 0,000451* 0,0001268} Saúde Outros _{0,00000857 0,000000367 -0,000011*} Saneamento Básico Rural _{-0,0000632 -0,0001066 -0,0002655***} Saneamento Básico Urbano _{0,0000366 -0,0000383 -0,0000488***} Saneamento Outros _{-0,000034 -0,0000329 -0,0000309***} Educação e Cultura (UF+MU) Educação Especial _{-0,0006499* -0,0005175*** -0,0001051} Ensino Fundamental _{-0,0000122 -0,00000328 -0,0000143***} Educação Infantil _{-0,0000341 -0,0000371 -0,0000567***} Educação de Jovens e Adultos -0,0000382 -0,0000716 -0,00000829 Ensino Médio _{-0,0000308 0,00000114 -0,0000305***} Ensino Profissional _{0,0002714* 0,0002244* -0,0000164} Ensino Superior _{0,0000996 0,0000695 0,0000147} Ensino Outros _{-0,0000204** -0,00000949 -0,0000111**} Difusão Cultural _{-0,0000642 -0,0001433 -0,0000364} Patrimônio Histórico, Artístico e

Arqueológico _{0,0003197 0,0008728 -0,0002085} Cultura Outros _{-0,0000923 -0,0001077 -0,0000603} Habitação e Urbanismo (UF+MU) Habitação Rural _{-0,0001176 -0,0002619 -0,0002333} Habitação Urbana _{0,0001108 -0,0000926 0,0000803**} Habitação Outros _{0,0001594 0,0002125 -0,0000229} Infraestrutura Urbana _{-0,0000128 -0,00000233 -0,00000797} Serviços Urbanos _{-0,0000401* -0,0000287 -0,00003***} Transportes Coletivos Urbanos

0,0001048 -0,0000217 0,0000148 Urbanismo Outros _{0,0000284 0,00000648 0,0000248*}

Primeiramente, analisando os resultados das regressões que têm o nível de pobreza como variável de interesse (Tabela 19), vemos que, dentro da função Assistência e Previdência, várias subfunções de gastos apresentaram efeito

marginal significativo e negativo, em algum dos três modelos, sendo que o mesmo acontece para as funções Saúde e Saneamento e Educação e Cultura, em menor grau. Contudo, dada a grande quantidade de estimativas, parece razoável dar foco sobretudo àqueles coeficientes que apresentaram efeito significativo nos três modelos estimados, pois isso sugere robustez.

A primeira subfunção que chama atenção é “Assistência ao Idoso”, dentro da função Assistência e Previdência, com efeitos significantes nos três modelos, tanto para taxa de pobreza como para extrema pobreza. Observa-se que, em todos os modelos, o sinal negativo do coeficiente indica que, aumentando o gasto per capita com esta subfunção, diminui-se a probabilidade de um domicílio, localizado no estado correspondente ao gasto, estar abaixo da linha de pobreza. Nos modelos 1 e 2 da taxa de pobreza, a cada 1 real per capita gasto, diminui-se esta probabilidade em 0,545% e 0,515%, respectivamente, enquanto, nos modelos 1 e 2 da taxa de extrema pobreza, a cada 1 real per capita gasto, diminui-se esta probabilidade em 0,146% e 0,132%, respectivamente.

Como pode ser visto na Tabela 3, no capítulo que aborda os dados, a quase totalidade dos gastos dessa subfunção é feita pelos municípios, sendo que os gastos são, em sua maioria, despesas com programas municipais destinados a idosos. Podemos citar, como exemplo, a prefeitura da cidade de São Paulo, que possui uma série de serviços específicos para idosos, como Núcleos de Convivência do Idoso (NCI), Centros Dia para o Idoso (CDI) e Centro de Referência da Cidadania do Idoso (CreCI), além de Centros de Acolhida Especiais para idosos e Instituições de Longa Permanência para o acolhimento (ILPI).

Os mecanismos que levam este tipo de gasto à redução da pobreza no estado não são claros. Para melhor compreendê-los, seria necessário um estudo mais aprofundado do tema, abrindo os gastos desta subfunção nos diferentes programas desenvolvidos entre estados e municípios do país. O presente trabalho não entrará no mérito desta discussão, restringindo-se apenas a apontar a relação entre os gastos sociais com a taxa de pobreza e, na medida do possível, levantar hipóteses para explicar tal causalidade.

Uma interessante hipótese pode ser levantada com relação aos gastos com assistência ao idoso. Como veremos adiante, essa hipótese será reforçada pela significância dos gastos com educação infantil. A hipótese é que boa parte desses gastos, como no exemplo da cidade de São Paulo, se destinam a instituições que cuidam e tomam conta dos idosos, seja durante o dia, na modalidade Day Care, ou durante períodos mais longos, como as casas de repouso. Assim como as creches para as crianças, estas instituições permitem aos familiares ter onde deixar, de forma segura e tranquila, seus parentes idosos; desta forma, oferecendo aos familiares de idosos a liberdade de voltar a trabalhar, ocasionando a redução de parte da inatividade no mercado de trabalho e, com isso, aumentando a renda domiciliar.

O segundo resultado que nos chama atenção diz respeito os gastos na subfunção educação infantil, dentro da função Educação e Cultura. Aqui, novamente os parâmetros estimados, nos três modelos para a taxa de pobreza, obtiveram alta significância, e com sinal negativo, indicando sua relação inversa com a pobreza. Com base no modelo 1, podemos afirmar que, a cada um real per capita gasto com esta subfunção, diminui-se a probabilidade de um domicílio, do estado correspondente ao gasto, estar abaixo da linha de pobreza em 0,0392%. Com base nestes resultados, aqui vale abrir parêntesis para mencionar o trabalho desenvolvido pelo economista James Heckman (Heckman 2008) e por um consórcio de outros economistas, estatísticos, psicólogos e neurocientistas, que estudaram como a educação na primeira infância teve significativo impacto na vida futura destas crianças. O principal argumento é que esta fase inicial da vida (do nascimento aos cinco anos) é essencial para o desenvolvimento cognitivo e do caráter do indivíduo e que esse desenvolvimento irá impactar futuramente em seu sucesso escolar, sua saúde, sua carreira e sua vida pessoal. Como podemos ver, pelo Gráfico 6, o retorno de 1 dólar investido em educação em crianças de até 5 anos de idade é consideravelmente mais alto se comparado com outras idades.

Gráfico 6 - Retorno de 1 dólar investido em educação na primeira infância

Os estudos foram conduzidos por meio de experimentos ao longo de décadas e, portanto, conseguiram captar o efeito de longo prazo da educação infantil. Este estudo, apesar de estar em concordância com os resultados de Heckman, não nos permite afirmar que o mecanismo de causalidade seja o mesmo, afinal, nosso período de análise possui apenas sete anos, sendo que esse tempo não seria suficiente para captar tais efeitos. O que estamos medindo neste estudo é um efeito de curto prazo sobre a probabilidade de as famílias ficarem abaixo de uma linha de pobreza (um efeito de curto prazo sobre a renda média das famílias).

Porém, à luz do nosso particular resultado, vemos indícios de que os gastos com educação infantil (assim como os gastos com assistência ao idoso) também podem ter efeito redutor da pobreza no curto prazo. Novamente, aqui os mecanismos de causalidade não são claros, mas é possível levantarmos uma hipótese semelhante à anterior (para gastos com idosos), de que boa parte desses gastos, que são destinados a creches e pré-escolas, permite aos pais ter onde deixar seus filhos, desta forma, oferecendo aos pais (sobretudo às mães) a

liberdade de voltar a trabalhar, ocasionando a redução de parte da inatividade no mercado de trabalho e, assim, aumentando a renda domiciliar.

Para reforçar esta hipótese, verifica-se, no Gráfico 7, no campo sobre o resultado das respostas da PNAD Contínua de 2019, na seção de “pessoas não ocupadas”, que quando questionou-se o motivo pelo qual a pessoa entrevistada não procurou trabalho ou não gostaria de estar trabalhando (ou não estava disponível para iniciar um trabalho), a maior parte das respostas (35%) tinha como principal motivo cuidar de afazeres domésticos, dos filhos ou de algum outro parente, sendo que as mulheres representam 96% deste número.

Quando analisamos o efeito dos gastos com educação infantil, nos modelos com extrema pobreza como variável de interesse, nem todos são significantes, apenas o modelo 3 se mostra significante (o modelo 2 mostra-se próximo da significância mínima, com um p-valor de 14%). Uma possível explicação da divergência desses resultados é que quando comparamos diferentes cortes da pobreza, os extremamente pobres muitas vezes não possuem um mínimo de estrutura para se beneficiar de alguns serviços públicos. Por exemplo: moradores de regiões isoladas podem não ter acesso a estes serviços, por falta de infraestrutura de transporte.

Gráfico 7 - Motivo pelo qual não procurou trabalho, ou não gostaria de ter trabalhado, ou não estava disponível para iniciar um trabalho (22 a 65

anos)

Fonte PNADC, 2019

Diante de uma situação hipotética, de um país onde não há creches, pré-escolas, Day Cares e casas de repousos para idosos. Nesse país hipotético, os pais das crianças e os familiares dos idosos, que não puderem deixar seus entes aos cuidados de outros familiares e/ou de uma babá ou cuidadora, com certeza teriam todo tipo de problema para conciliar sua vida profissional, ficando, um desses familiares, impossibilitado de trabalhar.

O presente estudo está interessado em mostrar os tipos de relações possíveis entre os gastos e a pobreza, mas não pretende conseguir provar o mecanismo de causalidade existente. Para melhor entender os gastos com educação infantil e os gastos com assistência aos idosos – e como isso repercute no curto prazo –, uma sugestão seria selecionar clusters de cidades com baixíssima oferta de creches, pré-escolas, Day Cares e casas de repouso e compará-las com clusters de cidades parecidas, porém com muita oferta destes serviços, procurando entender quanto da inatividade dos dois grupos de cidades se deve aos motivos discutidos acima. 35% 4% 22% 11% 9% 19%

Tinha que cuidar dos afazeres domésticos, do(s) filho(s) ou de outro(s) parente(s)

Estava estudando

Por problema de saúde ou gravidez

Por ser muito jovem ou muito idoso para trabalhar

Por não querer trabalhar

A terceira subfunção que nos chama a atenção são os gastos com assistência comunitária, pois, em todos os modelos estimados para a taxa de extrema pobreza, os coeficientes foram significativos com sinal negativo. Nesta subfunção, se concentra a maior parte dos gastos com assistência feitos pelos governos estaduais e municipais. No estado de São Paulo, por exemplo, esta subfunção concentra programas como o “Renda Cidadã”, em que são destinados benefícios, no valor de R$80,00 por mês, por família. No município do Rio de Janeiro, como outro exemplo, há o programa “Família Carioca” que, como a maioria dos programas de transferência de renda estaduais e municipais, visa complementar a renda das famílias; muitas dessas famílias já recebem o Bolsa Família, porém ainda se encontram em situação de extrema pobreza. Esta é uma possível explicação para que o efeito seja mais significativo na redução da taxa de extremamente pobres versus pobres – como visto em nossos resultados.

Também chamam a atenção os resultados para os gastos com a previdência especial (aquela destinada a profissionais com exposição a risco de saúde ou de integridade física, como, por exemplo, um minerador ou um policial) nos modelos para extrema pobreza, pois os coeficientes para esses gastos foram estatisticamente significativos e com sinal positivo, indicando uma relação positiva com o aumento da pobreza. Não se trata de um gasto focado em famílias pobres, mas o sinal positivo é inesperado. De todo modo, é um gasto muito pouco representativo, quando comparado com as demais subfunções da previdência social.

Por fim, os gastos com assistência hospitalar e ambulatorial também apresentaram coeficientes significativos e negativos em todos os modelos (com exceção do modelo 1 da taxa de pobreza). Esse resultado é interessante, pois está de acordo com os resultados obtidos no modelo de painel dinâmico, que acusava gastos municipais com saúde significativos, assim como outros resultados similares encontrados na literatura. Esta subfunção de gastos com a saúde é a que concentra a maior parte dos gastos, tanto estaduais quanto municipais, e destina-se principalmente à formação de uma rede de atendimento de urgência, que são ocorrências imprevistas que não apresentam ameaça iminente à vida do paciente

(por exemplo: luxações, torções, fraturas, dengue) e emergência, quando há risco iminente à vida do paciente (por exemplo: hemorragias, parada respiratória e parada cardíaca). São serviços de saúde essenciais, que devem ser amplamente ofertados à população para que, no caso de alguma eventualidade, o cidadão possa se tratar e ter uma boa recuperação, o que permitirá que este volte o mais breve possível ao seu cotidiano e torne-se novamente produtivo, gerando renda para sua família.

Finalmente, duas variáveis de controle também merecem a atenção nos resultados, apesar de não estarem entre as variáveis de gastos de interesse deste estudo: as duas dummies que indicam se o domicílio recebe auxílios do Bolsa Família ou do BPC. Todos os parâmetros estimados são altamente significativos, porém o BPC apresenta sinais negativos e o Bolsa Família positivos. Não é exatamente o resultado esperado, mas, no caso do Bolsa Família, é possível que esteja sendo captado o fato de que uma família pobre tem alta probabilidade de receber o Bolsa Família (correlação positiva com a variável dependente, sendo que ambas têm o mesmo nível de agregação), sendo que esse benefício muitas vezes é insuficiente para tirar a família da linha de pobreza, já que o valor básico do Bolsa Família é de R$89,00, enquanto o valor fornecido pelo BPC é de um salário mínimo (este resultado pode ser visto em detalhes no apêndice, na seção 7).