Resultados e Discussão

A Tabela 2 apresenta as médias dos indicadores socioeconômicos e os desvios em relação à média com base na diferença entre o indicador e sua média em relação ao desvio padrão. Os dados estão apresentados a partir da divisão entre os municípios que mais arrecadaram CFEM em 2010, grupo 1, em comparação com os demais municípios da amostra que fazem parte do grupo de controle, grupo 0.

39 Apesar das diferenças nos indicadores entre o grupo com os 8 municípios que mais arrecadaram CFEM, e o grupo que possui os demais municípios, não serem estatisticamente significativas, o desempenho dos indicadores para os municípios arrecadadores de CFEM é ligeiramente melhor. Eles possuem dentre os dois grupos o melhor Índice de Desenvolvimento Humano, anos de estudos, renda per capita e o menor percentual de pobres, embora apresentem ligeiramente uma maior concentração de renda.

Tabela 2: Média Geral e Desvios dos Indicadores por Grupo - 2010 Estatística Grupo Nº de

Municípios Gini IDHM Anos de

estudo Pobres Renda per capita

Média 0 130 0,5639 0,5805 8,00 42,80% R$ 299,26

1 8 0,5850 0,6235 8,53 34,54% R$ 403,21

Desvios 0 130 -0,03 -0,04 -0,03 0,04 -0,05

1 8 0,41 0,72 0,49 -0,57 0,82

Fonte: Elaboração própria com base nos dados da pesquisa.

Nota: As médias apresentadas não são estatisticamente diferentes com base no teste t.

A diferença nesses dados pode estar associada a características distintas entre esses municípios. Com o objetivo de capturar essas características, e obter estimativas causais mais confiáveis com base nas estimativas do PSM, serão incluídas variáveis que possuem relação com a CFEM (variável de tratamento) e com os resultados potenciais das estimativas, ou seja, variáveis que podem também ser associadas a alguma característica socioeconômica distinta entre os municípios.

Para realizar esse procedimento, serão utilizadas as seguintes informações como critério de controle para as estimativas do PSM:

a) Produto interno bruto (em logaritmo): dados do Censo IBGE 2010. Essa variável se justifica em função do tamanho da produção do município estar associada à dinâmica da mineração, aspecto que afeta o tamanho da arrecadação por CFEM;

b) Tamanho da população (em logaritmo): dados do Censo IBGE 2010. Essa variável se justifica em função do tamanho da população poder estar associada à dinâmica econômica da mineração no município, aspecto que contribui tanto com os resultados a nível de renda e desigualdade, como pobreza e escolaridade.

c) Índice FIRJAN de Desenvolvimento do Município relacionado a emprego e renda (IFDM – Emprego e renda) para o ano de 2010 (composição apresentada no Quadro 3). Essa variável se justifica em função de o critério empregabilidade e renda estarem associados também à dinâmica econômica dos municípios, uma vez que a qualidade dos empregos e tamanho dos salários também possuem relação direta com os demais indicadores analisados por este trabalho;

40 d) Índice FIRJAN relacionado à saúde (IFDM – Saúde) para o ano de 2010 (composição apresentada no Quadro 3). Essa variável se justifica em função de o critério saúde estar associado à melhor qualidade dos indicadores de desenvolvimento dos municípios;

e) Índice FIRJAN relacionado à educação (IFDM – Educação) para o ano de 2010 (composição apresentada no Quadro 3). Essa variável se justifica em função de o critério educação estar associado à melhor qualidade dos indicadores socioeconômicos dos municípios.

Quadro 3: Quadro Resumo dos Componentes do IFDM

IFDM – Emprego e Renda IFDM – Saúde IFDM – Educação É composto por duas

dimensões: Emprego – que avalia a capacidade de geração de emprego formal e o nível de absorção da mão de obra local – e Renda – que acompanha a geração e sua distribuição no mercado de trabalho do município. Cada uma dessas dimensões representa 50% do IFDM Emprego & Renda. As fontes de dados são os registros da Relação Anual de Informações Sociais (RAIS) e do Cadastro Geral de Emprego e Desemprego (CAGED), ambos do Ministério do Trabalho, e projeções oficiais de população do IBGE.

Tem foco na saúde básica e contempla indicadores cujo controle é de competência municipal: proporção de atendimento adequado de pré- natal, óbitos por causas mal definidas, óbitos infantis por causas evitáveis e internações sensíveis à atenção básica.

Todos os indicadores estão presentes nos bancos de dados do Sistema de Informação sobre Mortalidade (SIM), do Sistema de Informações sobre Nascidos Vivos (SINASC) e o Sistema Internações Hospitalares (SIH), todos do DataSus – Ministério da Saúde.

É composto por seis indicadores: atendimento à educação infantil, abandono no ensino fundamental, distorção idade- série do ensino fundamental, docentes com ensino superior no ensino fundamental, média de horas- aula diária no ensino fundamental e nota do índice de desenvolvimento da educação básica (IDEB) do ensino fundamental. Todos os dados são obtidos através do Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (INEP) do Ministério da Educação.

Fonte: IFDM (2018).

A Tabela 3 apresenta os resultados das estatísticas associadas a essas variáveis para os municípios mineradores selecionados, o grupo de tratamento, e para os demais municípios da amostra.

Tabela 3: Média Geral Variáveis de Controle por Grupo - 2010 Grupo Nº de

Municípios PIB População

IFDM - Emprego

e Renda

IFDM - Saúde

IFDM - Educação

0 130 5,15 4,47 0,488 0,433 0,494

1 8 6,10*** 4,80** 0,667** 0,567** 0,566***

Fonte: Elaboração própria com base nos dados da pesquisa.

Nota: *Significância estatística a 10%, **significância estatística a 5%, e ***significância estatística a 1%.

Indica que as variáveis são estatisticamente diferentes entre si com base no teste t.

41 A média dos indicadores da Tabela 3 aponta que os municípios mineradores possuem indicadores estatisticamente melhores do que os demais, tanto em relação ao PIB, quanto aos indicadores IFDM de emprego e renda, saúde e educação, além de terem uma população em média ligeiramente maior.

Com base nisso, seguindo o primeiro passo apontado anteriormente, a Tabela 4 apresenta as estimativas realizadas dos propensity scores obtidas a partir de um Modelo Linear Generalizado (GLM, na sigla em inglês) para a variável de tratamento (1 - recebe CFEM) como variável dependente, e as demais variáveis, PIB, População e Índices FIRJAN para Emprego e Renda, Saúde e Educação, como variáveis de controle. Essa estimativa é realizada para obter as probabilidades de o município receber CFEM, ou não receber CFEM, com base no tamanho de seu PIB, da sua população e da qualidade dos índices FIRJAN.

Tabela 4: Estimativas do Modelo GLM

Variável dependente: variável binária - receber CFEM (1) / não receber CFEM (0)

Variáveis Coeficientes

PIB (em log) 7,61**

[2,66]

População (em log) -7,44**

[2,85]

IFDM – Emprego e Renda 3,11

[4,20]

IFDM – Saúde -5,68

[6,18]

IFDM – Educação 3,26

[10,14]

Fonte: Elaboração própria com base nos dados da pesquisa.

Nota: *Significância estatística a 10%, **significância estatística a 5%, e ***significância estatística a 1%. Estatística z entre colchetes. Coeficiente associado ao intercepto não apresentado, mas considerado nas estimativas.

As variáveis PIB e População são estatisticamente significativas de acordo com a Tabela 4, mas os sinais apontam uma contradição. Enquanto a variável PIB apresenta sinal positivo, em acordo com o esperado, a variável População apresenta sinal negativo, indicando que municípios maiores em termos populacionais não necessariamente recebem volumes consideráveis de CFEM. Ainda, cabe destacar, as variáveis IFDM de emprego e renda, saúde e educação não apresentaram significância estatística. Todavia, entende-se que tais variáveis mesmo não sendo estatisticamente significativas são importantes para a análise do desempenho dos municípios mineradores, uma vez que ressaltam a qualidade dos aspectos socioeconômicos da localidade e, por isso, serão mantidas no modelo.

42 Assim, com base nesse modelo, o segundo passo é estimar os valores das probabilidades preditas (propensity scores) de que cada município faça parte do grupo de tratamento. Com base nessas estimativas, é possível obter a região de suporte comum para identificar os municípios que fazem parte do grupo de controle que possuem características semelhantes aos municípios do grupo de tratamento. Os resultados das probabilidades preditas estimadas pelo modelo são apresentados no Gráfico 1.

Gráfico 1: Probabilidade predita de receber CFEM

Fonte: Elaboração própria com base nos dados da pesquisa.

A partir do Gráfico 1, é possível perceber que as probabilidades de não receber CFEM se concentram no extrato inferior à esquerda, abaixo dos 25%. Enquanto a probabilidade de receber CFEM, com base nas estimativas, se concentram acima dos 25%. A partir disso, o terceiro passo é executar o algoritmo de matching e avaliar a qualidade do pareamento para a amostra.

A Tabela 5 apresenta esses resultados a partir das médias do grupo de tratamento e grupo de controle para todos os dados e para os dados após a realização do pareamento.

A análise da Tabela 5 mostra que as variáveis após a aplicação do pareamento sofrem aproximação estatística e seus valores ficam mais próximos. A distância calculada pelo

43 algoritmo também diminui, sai de 0,0342 para 0,2990, valor bem mais próximo de 0,4438 do grupo de tratamento.

Tabela 5: Médias para as variáveis de controle antes e após o pareamento Dados antes do pareamento Dados após o pareamento Médias Grupo de

Tratamento

Grupo de Controle

Médias Grupo de Tratamento

Grupo de Controle Distância 0,4438 0,0342 Distância 0,4438 0,2990

PIB 6,1049 5,1486 PIB 6,1049 6,0337

População 4,8005 4,4659 População 4,8005 4,8819 IFDM –

Emprego e Renda

0,6666 0,4880

IFDM – Emprego e

Renda

0,6666 0,6327 IFDM –

Saúde 0,5666 0,4330 IFDM –

Saúde 0,5666 0,5458

IFDM –

Educação 0,5657 0,4943 IFDM –

Educação 0,5657 0,5590 Tamanho da

Amostra 8 130 Tamanho

da Amostra 8 8

Fonte: Elaboração própria com base nos dados da pesquisa.

Essa diferença entre os dados antes e após o pareamento pode ser observada no Gráfico 2. Os dados melhoram em termos de aproximação quando se compara as distribuições antes de após o pareamento. Após realizar as estimativas PSM e identificar os municípios do grupo de controle da amostra que mais se assemelham àqueles municípios do grupo de tratamento, é necessário realizar novamente a comparação das médias para os indicadores aqui analisados, bem como os desvios em relação à média com base na diferença entre o indicador e sua média em relação ao desvio padrão. A Tabela 6 apresenta esses resultados.

Tabela 6: Média Geral e Desvios dos Indicadores por Grupo - 2010 Estatística Grupo Nº de

Municípios Gini IDHM Anos de

estudo Pobres Renda per capita

Média 0 8 0,5588 0,6540 8,62 25,54% R$ 491,49

1 8 0,5850 0,6235 8,52 34,54% R$ 403,21

Desvios 0 8 -0,29 0,25 0,06 -0,33 0,26

1 8 0,29 -0,25 -0,06 0,33 -0,26

Fonte: Elaboração própria com base nos dados da pesquisa.

Nota: As médias apresentadas não são estatisticamente diferentes com base no teste t.

Embora as médias das variáveis não sejam significativamente diferentes, os municípios que não recebem grandes arrecadações da CFEM possuem indicadores marginalmente melhores do que os municípios que recebem.

44 Gráfico 2: Distribuição dos dados antes e após pareamento

Fonte: Elaboração própria com base nos dados da pesquisa.

45 Neste caso, os municípios que recebem CEFEM em grandes proporções, como os selecionados na amostra para estudo, possuem ligeiramente uma maior concentração de renda, maior percentual de pobres, uma renda per capita inferior, além de uma população média ligeiramente menor com relação ao grupo de municípios similares em termos de scores de probabilidades estimadas no PSM. É possível também realizar regressões para cada indicador para avaliar o efeito esperado de receber CFEM sobre os indicadores socioeconômicos analisados. A Tabela 7 apresenta esses resultados, considerando a amostra antes e após o pareamento.

Tabela 7: Estimativas dos efeitos - Modelo de Regressão Linear Variável dependente: GINI

Dados antes do pareamento Coeficientes

Variável binária (1, se recebe CFEM / 0, se não recebe CFEM) 0,02 (0,02) Dados após o pareamento

Variável binária (1, se recebe CFEM / 0, se não recebe CFEM) 0,03 (0,02) Variável dependente: IDHM

Dados antes do pareamento Coeficientes

Variável binária (1, se recebe CFEM / 0, se não recebe CFEM) 0,04**

(0,02) Dados após o pareamento

Variável binária (1, se recebe CFEM / 0, se não recebe CFEM) -0,03 (0,03) Variável dependente: Anos de Estudo

Dados antes do pareamento Coeficientes

Variável binária (1, se recebe CFEM / 0, se não recebe CFEM) 0,53 (0,37) Dados após o pareamento

Variável binária (1, se recebe CFEM / 0, se não recebe CFEM) -0,10 (0,44) Variável dependente: Pobres

Dados antes do pareamento Coeficientes

Variável binária (1, se recebe CFEM / 0, se não recebe CFEM) -8,26*

(4,99) Dados após o pareamento

Variável binária (1, se recebe CFEM / 0, se não recebe CFEM) 9,01 (6,55) Variável dependente: Renda per capita

Dados antes do pareamento Coeficientes

Variável binária (1, se recebe CFEM / 0, se não recebe CFEM) 103,95**

(42,81) Dados após o pareamento

Variável binária (1, se recebe CFEM / 0, se não recebe CFEM) -88,28 (83,14) Fonte: Elaboração própria com base nos dados da pesquisa.

Nota: *Significância estatística a 10%, **significância estatística a 5%, e

***significância estatística a 1%. Erros padrão em parênteses.

46 A Tabela 7 aponta que as estimativas referentes às variáveis IDHM, proporção de pobres e renda per capita apresentaram uma performance diferente após o pareamento, já que antes da aplicação da técnica os seus valores eram significativamente superiores para o grupo de municípios mineradores que eram os maiores arrecadadores de CFEM do estado do Pará em 2010.