ESCOLA DE ADMINISTRAÇÃO DE EMPRESAS DE SÃO PAULO
EDUARDO DE REZENDE FRANCISCO
INDICADORES DE RENDA BASEADOS EM CONSUMO DE ENERGIA ELÉTRICA: ABORDAGENS DOMICILIAR E REGIONAL
NA PERSPECTIVA DA ESTATÍSTICA ESPACIAL
INDICADORES DE RENDA BASEADOS EM CONSUMO DE ENERGIA ELÉTRICA: ABORDAGENS DOMICILIAR E REGIONAL
NA PERSPECTIVA DA ESTATÍSTICA ESPACIAL
Tese apresentada à Escola de Administração de Empresas de São Paulo da Fundação Getulio Vargas, como requisito para obtenção do título de Doutor em Administração de Empresas
Linha de Pesquisa:
Administração, Análise e Tecnologia da Informação
Orientador: Prof. Dr. Francisco Aranha
Francisco, Eduardo de Rezende.
Indicadores de Renda baseados em Consumo de Energia Elétrica: Abordagens Domiciliar e Regional na Perspectiva da Estatística Espacial / Eduardo de Rezende Francisco. - 2010.
381 f.
Orientador: Francisco Aranha
Tese (doutorado) - Escola de Administração de Empresas de São Paulo.
1. Energia elétrica – Consumo – São Paulo (SP). 2. Renda – Distribuição – São Paulo -- Indicadores. 3. Análise espacial (Estatística) 4. Família – Condições econômicas – São Paulo (SP). 5. Pesquisa – Métodos estatísticos. I. Aranha, Francisco. II. Tese (doutorado) - Escola de Administração de Empresas de São Paulo. III. Título.
INDICADORES DE RENDA BASEADOS EM CONSUMO DE ENERGIA ELÉTRICA: ABORDAGENS DOMICILIAR E REGIONAL
NA PERSPECTIVA DA ESTATÍSTICA ESPACIAL
Tese apresentada à Escola de Administração de Empresas de São Paulo da Fundação Getulio Vargas, como requisito para obtenção do título de Doutor em Administração de Empresas
Linha de Pesquisa:
Administração, Análise e Tecnologia da Informação
Data de aprovação:
29 / 04 / 2010
Banca examinadora:
____________________________________ Prof. Dr. Francisco Aranha (Orientador) FGV-EAESP
____________________________________ Prof. Dr. André Samartini
FGV-EAESP
____________________________________ Prof. Dr. Luiz Artur Ledur Brito
FGV-EAESP
____________________________________ Prof. Dr. Reinaldo Castro Souza
PUC-Rio
____________________________________ Prof. Dr. Haroldo da Gama Torres
AGRADECIMENTOS
Ao Chico Aranha, por ter me trazido ao convívio acadêmico, pela orientação, pela confiança e pela incessante disposição na busca de novos desafios.
Ao Prof. Peter Whigham, que tão bem me recebeu e me orientou no Spatial Information Research Centre na Universidade de Otago, Nova Zelândia. Seus insights com relação aos algoritmos de alocação de pontos em polígonos foram fundamentais para o encaminhamento que foi dado neste trabalho. E ao Prof. Tony Moore, que acompanhou-nos nas reuniões semanais durante meu período de pesquisador visitante em Dunedin.
Aos ex-colegas de AES Eletropaulo Luiz José Hernandes Jr., Ricardo Gobbi Lima e à colega Carmen Samora, por terem proporcionado minha licença temporária da AES Eletropaulo para poder desenvolver parte fundamental desta tese no exterior.
Aos colegas de pesquisa Felipe Zambaldi, Mateus Canniatti Ponchio e Rafael Goldszmidt pelas pesquisas em conjunto e pela cumplicidade, apoio e amizade. A muitos colegas do mestrado e doutorado da FGV-EAESP, alunos e professores, pela prática de compartilhar o aprendizado e por muitos ótimos momentos – Alexandre Gracioso, Alexandre Barbosa, Wilton Bussab, André Samartini, Abraham Laredo Sicsú, Nelson Lerner Barth, Otávio Sanchez, George Avelino, Eduardo Diniz, Plínio Bernardi, Maira Petrini, Luiz Brito, Alberto Luiz Albertin e Lauro Emílio Gonzalez da Silva.
A Leny Medeiros e Pedro Eugênio, da ABRADEE, pela autorização de uso do banco de dados da Pesquisa ABRADEE, pela aposta na aplicação piloto da Pesquisa ABRADEE 2009 na AES Eletropaulo e pela confiança no trabalho conjunto de amadurecimento contínuo das pesquisas de satisfação de clientes para o setor elétrico. E aos colegas do GT de Pesquisas da ABRADEE, pelas aventuras que vivemos Brasil afora em nossa eterna busca pelo melhor entendimento da percepção do cliente – inspirações para o uso da Pesquisa ABRADEE nesta tese.
Aos amigos Aline Rodrigues dos Santos, Eduardo Carlos Ferreira e Rafael Goldszmidt (de novo), pela parceria, discussões e desafios dos modelos de estatística espacial e geomarketing
para o microcrédito.
Ao Prof. Chris Brunsdon, pesquisador da Universidade de Leicester, Reino Unido, e um dos criadores da GWR, pelo interesse e apoio no desenvolvimento deste trabalho e pela cessão da biblioteca desenvolvida em R, fundamental para a aplicação da regressão espacial nas
amostras das alternativas de alocação de pontos em polígonos.
Ao Sergio Nakamura, da Secretaria de Energia do Estado de São Paulo, pela cessão dos dados de consumo de energia de 2000 a 2005 dos municípios da Grande São Paulo, utilizados neste trabalho.
À Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES), pela concessão da bolsa de estudos que apoiou meu curso de doutorado e principalmente pela gestão da bolsa do Programa de Doutorado no País com Estágio no Exterior (PDEE), que proporcionou meu período de estágio em 2007 na Universidade de Otago, em Dunedin, Nova Zelândia. Em especial, à Valdete Lopes e Angélica Alves da Silva.
À minha esposa Suzana, por acreditar nessa empreitada, pelo incentivo em todos os momentos, e pela ajuda fundamental na revisão e organização desta tese.
A meus pais, sogros, irmãos, cunhadas, familiares e amigos, pelo incentivo habitual e pela torcida pelo sucesso em mais esta etapa da minha vida.
À FGV-EAESP, por ter me recebido tão bem e proporcionado meu desenvolvimento como pesquisador no mestrado e doutorado em Administração de Empresas.
RESUMO
Com o objetivo de avaliar o uso do consumo de energia elétrica como indicador socioeconômico, esta pesquisa analisa informações em dois níveis de agregação geográfica.
No primeiro, sob perspectiva territorial, investiga indicadores de Renda e Consumo de Energia Elétrica agregados por áreas de ponderação (conjunto de setores censitários) do município de São Paulo e utiliza os microdados do Censo Demográfico 2000 em conjunto com a base de domicílios da AES Eletropaulo. Aplica modelos de Spatial Auto-Regression (SAR), Geographically Weighted Regression (GWR), e um modelo inédito combinado (GWR+SAR), desenvolvido neste estudo. Diversas matrizes de vizinhança foram utilizadas na avaliação da influência espacial (com padrão Centro-Periferia) das variáveis em estudo. As variáveis mostraram forte auto-correlação espacial (I de Moran superior a 58% para o Consumo de Energia Elétrica e superior a 75% para a Renda Domiciliar). As relações entre Renda e Consumo de Energia Elétrica mostraram-se muito fortes (os coeficientes de explicação da Renda atingiram valores de 0,93 a 0,98).
No segundo nível, domiciliar, utiliza dados coletados na Pesquisa Anual de Satisfação do Cliente Residencial, coordenada pela Associação Brasileira dos Distribuidores de Energia Elétrica (ABRADEE), para os anos de 2004, 2006, 2007, 2008 e 2009. Foram aplicados os modelos Weighted Linear Model (WLM), GWR e SAR para os dados das pesquisas com as entrevistas alocadas no centróide e na sede dos distritos. Para o ano de 2009, foram obtidas as localizações reais dos domicílios entrevistados. Adicionalmente, foram desenvolvidos 6 algoritmos de distribuição de pontos no interior dos polígonos dos distritos. Os resultados dos modelos baseados em centróides e sedes obtiveram um coeficiente de determinação R2 em torno de 0,45 para a técnica GWR, enquanto os modelos baseados no espalhamento de pontos no interior dos polígonos dos distritos reduziram essa explicação para cerca de 0,40. Esses resultados sugerem que os algoritmos de alocação de pontos em polígonos permitem a observação de uma associação mais realística entre os construtos analisados.
serem atuais, disponíveis e de atualização mensal, os indicadores socioeconômicos baseados em consumo de energia elétrica podem ser de grande utilidade como subsídio a processos de classificação, concentração e previsão da renda domiciliar.
ABSTRACT
In order to evaluate the use of Electricity Consumption as a Socioeconomic Status, this research analyzes information in two levels of geographical aggregation.
At the first level, under a territorial perspective, it investigates indicators of Income and Electric Energy Consumption aggregated by weighted areas (set of census sectors) in the city of São Paulo and uses the microdata of Demographic Census 2000 jointly with residential consumers’ database of AES Eletropaulo. It applies Spatial Auto-Regressive (SAR) models, Geographically Weighted Regression (GWR), and an unprecedented combined model (GWR+SAR), developed in this study. Several neighborhood matrices were used to assess the influence of space (with Downtown-Suburbs pattern) of the variables under study. The variables showed strong spatial autocorrelation (Moran's I greater than 58% for the Energy Consumption and more than 75% for the Household Income). Relations between Income and Electricity Consumption were very strong (coefficients of determination of Income reached values from 0.93 to 0.98).
At the second level, the household one, it uses data collected in the Annual Satisfaction Survey of Residential Customer, coordinated by the Brazilian Electricity Distributors Association (ABRADEE) for the years 2004, 2006, 2007, 2008 and 2009. Weighted Linear Model (WLM), GWR and SAR were applied to survey data with interviews allocated on the centroid and the seat of the districts. For the year 2009, we obtained the actual locations of the households interviewed. Additionally, 6 algorithms of points distribution within the polygons of the districts have been developed. The results from models based on centroids and seats obtained a coefficient of determination R2 of around 0.45 for the GWR technique, while the models based on scattering points within the polygons of the districts have reduced this account to about 0.40. These results suggest that the algorithms of allocation of points in polygons allow the observation of a more realistic association between the constructs analyzed.
consumption can be very useful as an aid to processes of classification, concentration and estimation of household income.
LISTA DE ESQUEMAS
Esquema 1.1: Relações Postuladas entre as Variáveis Consideradas neste Estudo ...39
Esquema 2.1: Composição de Pontos e Classificação Econômica do Critério Brasil em vigor até 2007 ... 56
Esquema 2.2: Composição de Pontos e Classificação Econômica do Critério Brasil em vigor a partir de 2008 ...57
Esquema 2.3: Distribuição dos Domicílios Particulares do Brasil e da RMSP segundo as classes de rendimento mensal domiciliar e Índice de Gini da Distribuição de Rendimento Mensal dos Domicílios Particulares Permanentes com Rendimento do Brasil de 1998 a 2008 ...65
Esquema 2.4: Diagrama de Construção do Indicador de Propensão à Perda de Energia da AES Eletropaulo ...103
Esquema 4.1: Estratégia de Associação das Informações do Censo Demográfico 2000 com Dados de Consumo de Energia Elétrica ...149
Esquema 4.2: Alternativa 1 de Alocação de Pontos em Polígonos ...161
Esquema 4.3: Alternativa 2 de Alocação de Pontos em Polígonos ...163
Esquema 4.4: Algoritmo Simplificado das Alternativas 3A e 3B para Alocação de Pontos em Polígonos ...165
Esquema 4.5: Alternativa 3A de Alocação de Pontos em Polígonos ...166
Esquema 4.6: Alternativa 3B de Alocação de Pontos em Polígonos ...167
Esquema 4.7: Algoritmo Simplificado das Alternativas 4A e 4B para Alocação de Pontos em Polígonos ...169
Esquema 4.8: Alternativa 4A de Alocação de Pontos em Polígonos ...170
Esquema 4.9: Alternativa 4B de Alocação de Pontos em Polígonos ...171
Esquema 4.10: Alternativa 5 de Alocação de Pontos em Polígonos ...174
Esquema 4.11: Alternativa 6 de Alocação de Pontos em Polígonos ...177
Esquema 4.12: Diagrama da Aplicação Piloto da Pesquisa ABRADEE 2009 na AES Eletropaulo ...181
Esquema 4.13: Diagrama da Estrutura Aplicada na Investigação Domiciliar ...182
Esquema 4.14: Modelo Adotado e Hipóteses consideradas neste estudo ...184
Esquema 5.1: Modelo Adotado e Avaliação das Hipóteses consideradas neste estudo ...257
LISTA DE FIGURAS
Figura 2.1: Relação entre Consumo Residencial de Energia Elétrica e Grupos de Renda em
estudos na Grécia (1), Nova Zelândia (2) e Fiji (3) ...89 Figura 2.2: Renda Média Domiciliar (esquerda), Classe Econômica Brasil (centro) e Consumo
de Energia Residencial (direita) de 2000 por Área de Ponderação de Vitória, Vila Velha,
Cariacica e Serra no Espírito Santo ...91 Figura 2.3: Gráficos de Dispersão das dimensões do Physical Quality of Life Indicator (PQLI)
e do Logaritmo Neperiano do Consumo de Energia Elétrica de 112 países do mundo –
Expectativa de Vida (1), Taxa de Alfabetização (2), Mortalidade Infantil (3) e PQLI (4) ...101 Figura 3.1: Mapa de John Snow, da cidade de Londres, com óbitos por cólera (identificados por
pontos) e poços de água (identificados por cruzes), com destaque para o poço contaminado ...107 Figura 3.2: Diferentes Modelos Lineares sobre um mesmo conjunto de dados para ilustrar o
MAUP ...112 Figura 3.3: Exemplo de Matriz de Vizinhança ...118 Figura 4.1: Subdivisão do Município de São Paulo em Distritos, Áreas de Ponderação e Setores
Censitários ...138 Figura 4.2: Descrição dos Municípios da Área de Concessão da AES Eletropaulo ...145 Figura 4.3: Diferenças entre os Modelos de Regressão Linear OLS, SAR, GWR e GWR+SAR ...151 Figura 4.4: Distrito de Jardim Ângela, no município de São Paulo, destacando os limites do
distrito e sua área urbana e com setores censitários não especiais ...173 Figura 5.1: Mapas (croquis) das 456 áreas de ponderação do município de São Paulo,
representando; (esq.) Renda Mensal Domiciliar Média, (centro) Média da Pontuação do
Critério Brasil Adaptado, e (dir.) Consumo Médio Mensal Residencial de Energia Elétrica ...193 Figura 5.2: Distribuição Espacial dos Parâmetros Intercepto e Energia do Modelo GWR com
kernel adaptável (k = 9) da Renda a partir do Consumo de Energia Elétrica no município de
São Paulo ...206 Figura 5.3: Distribuição Espacial dos Parâmetros Intercepto e Energia do Modelo GWR+SAR
com kernel adaptável(k = 9) da Renda a partir do Consumo de Energia Elétrica no
município de São Paulo ...212 Figura 5.4: Distritos Amostrados do município de São Paulo para a Pesquisa ABRADEE em 5
rodadas, com entrevistas válidas para este estudo ...220 Figura 5.5: Posição Geográfica dos Centróides e das Sedes dos Distritos do município de São
Paulo ...226 Figura 5.6: Diferenças entre os Modelos Centróide (ou Sede) e resultante das Alternativas de
Alocação de Pontos em Polígonos – Exemplo Ilustrativo com 4 distritos...248 Figura 5.7: Posição Geográfica dos Domicílios entrevistados na Pesquisa ABRADEE 2009 no
Figura 5.8: Exemplo de Setores Censitários sem alocação de clientes residenciais da AES
Eletropaulo ...268 Figura 5.9: Exemplos de Agregação Territorial dos Indicadores de Consumo de Energia
LISTA DE GRÁFICOS
Gráfico 2.1: Renda Familiar Média e Distribuição (%) da Classe Econômica no Brasil de 2000 a 2008 ...59 Gráfico 2.2: Distribuição (%) de Classe Econômica na Grande São Paulo de 2000 a 2008 ...60 Gráfico 2.3: Variação Anual Percentual do PIB Mundial e do Consumo de Energia Mundial de
1998 a 2007 ...68 Gráfico 2.4: Evolução do Consumo de Energia Elétrica no Brasil por Classe de Consumo de
1970 a 2007 ...70 Gráfico 2.5: Taxa de Atendimento (%) de Serviços de Utilidade Pública no Brasil ...71 Gráfico 2.6: Taxa de Atendimento (%) de Serviços de Utilidade Pública na Região
Metropolitana de São Paulo ...71 Gráfico 2.7: Evolução Anual do Consumo de Energia Elétrica e do PIB Real do Brasil de 1976
a 2007 ...72 Gráfico 2.8: Variação Percentual Média Anual em Períodos de 5 anos do Consumo de Energia
Elétrica, do PIB Real e da Elasticidade-Renda do Consumo de Energia Elétrica do Brasil de 1970 a 2005 ...73 Gráfico 2.9: Comparação Internacional dos Dispêndios em Energia Elétrica (%) no Orçamento
das Famílias ...83 Gráfico 2.10: Dispêndio de Energia Elétrica no Orçamento das Famílias e Gasto Mensal:
Classificação de Renda per capita ...85 Gráfico 2.11: Evolução Anual da Renda Domiciliar Mensal e do Consumo de Energia Elétrica
Residencial per capita no Brasil de 1998 e 2008 ...87 Gráfico 2.12: Evolução Anual da Renda Domiciliar Mensal e do Consumo de Energia Elétrica
Residencial per capita na RMSP de 2000 e 2008 ...87 Gráfico 5.1: Histogramas de: 1) Renda Média Mensal Domiciliar, 2) Consumo Médio em
Agosto de 2000, e 3) Média da Pontuação do CBA por Área de Ponderação para o município de São Paulo em 2000 ...190 Gráfico 5.2: Diagrama de Dispersão: Consumo de Energia Elétrica Médio Domiciliar e Renda
Média Domiciliar por Área de Ponderação para o município de São Paulo em 2000 ...191 Gráfico 5.3: Variograma da Renda Domiciliar por Área de Ponderação ...199 Gráfico 5.4: Variação da Distribuição do Parâmetro Intercepto (box-plots, pontos e mapas) dos
Modelos GWR e SAR da Renda pelo Consumo de Energia Elétrica de acordo com a
variação do tamanho da amostra local (k+1) no município de São Paulo ...207 Gráfico 5.5: Variação da Distribuição do Parâmetro Consumo de Energia Elétrica (box-plots,
pontos e mapas) dos Modelos GWR e SAR da Renda pelo Consumo de Energia Elétrica de
Gráfico 5.6: Variação da Distribuição do Parâmetro do Termo Espacial Auto-Regressivo do Modelo SAR da Renda pelo Consumo de Energia Elétrica de acordo com a variação do
tamanho da amostra local (k+1) no município de São Paulo ...209 Gráfico 5.7: Variação da Distribuição do Coeficiente de Explicação R2 (global e locais) dos
Modelos GWR e SAR da Renda pelo Consumo de Energia Elétrica de acordo com a
variação do tamanho da amostra local (k+1) no município de São Paulo ...210 Gráfico 5.8: Evolução da Renda Domiciliar Média, do Valor de Conta de Luz Médio e da
Participação Percentual da Conta de Luz na Renda Domiciliar de 5 rodadas da Pesquisa
ABRADEE para o município de São Paulo ...221 Gráfico 5.9: Histogramas e Diagramas de Dispersão de Valor de Conta de Luz e de Renda
Domiciliar de 5 rodadas da Pesquisa ABRADEE para o município de São Paulo ...223 Gráfico 5.10: Histograma da Classe Econômica Brasil e Box-Plots da Renda Domiciliar por
Classe Econômica Brasil da Pesquisa ABRADEE para o município de São Paulo em 2004 ...225 Gráfico 5.11: Dispersão do R2 da GWR das 1.000 iterações das 6 alternativas de alocação de
pontos em polígonos da Pesquisa ABRADEE de 2004 a 2008 para o município de São Paulo ....241 Gráfico 5.12:Scatter Plot e Correlação (r de Pearson) entre o número k de vizinhos das
amostras locais e o R2 para cada alternativa de alocação de pontos em polígonos da Pesquisa
ABRADEE de 2004 no município de São Paulo ...244 Gráfico 5.13: Distância do k-ésimo vizinho mais próximo da entrevista 1 dos modelos de
alocação Centróides e Sedes e de uma amostra-exemplo para cada alternativa de alocação de pontos em polígonos para a Pesquisa ABRADEE 2004 no município de São Paulo ...249 Gráfico 5.14: Indicador L(d) de Homogeneidade Espacial das diversas distribuições espaciais
LISTA DE QUADROS
Quadro 2.1: Classes de Relação/Posição/Parentesco no Domicílio e na Família, segundo IBGE
e Fundação SEADE (continua) ...47
Quadro 2.2: Dimensões do Índice de Desenvolvimento Humano (IDH) do PNUD ...95
Quadro 2.3: Grupos de Formação do Índice Paulista de Vulnerabilidade Social ...97
Quadro 2.4: Indicadores associados ao Consumo de Energia Elétrica Residencial do EISD...98
Quadro 2.5: Variáveis Selecionadas por Contribuição para o Indicador Sintético de Composição do IPRS ...100
Quadro 3.1: Diferenças entre Modelos Globais e Locais quanto às suas características espaciais ...123
Quadro 4.1: Variáveis de Domicílio da base de Microdados do Censo Demográfico 2000 utilizadas ...135
Quadro 4.2: Variáveis de Pessoas da base de Microdados do Censo Demográfico 2000 utilizadas ...136
Quadro 4.3: Sistema de Pontos de Posse de Bens Duráveis do Critério Brasil Adaptado e do Critério Brasil ...143
Quadro 4.4: Variáveis da Pesquisa ABRADEE ...156
Quadro 4.5: Resumo das Hipóteses de Estudo, da Natureza das Variáveis Envolvidas e das Técnicas de Análise ...186
Quadro 5.1: Resultados Anteriores da Regressão da Renda Média Domiciliar a partir do Consumo de Energia Elétrica – Modelo Logístico ...192
Quadro 5.2: Concentrações de áreas de ponderação com correlações locais significantes e diagramas de dispersão de Moran para as variáveis Renda Domiciliar e Consumo de Energia Elétrica para o Município de São Paulo, utilizando contigüidade de primeira ordem do tipo Queen ...195
Quadro 5.3:I de Moran e LISA Maps de Renda Domiciliar para diversas Matrizes de Vizinhança das Áreas de Ponderação do município de São Paulo em 2000 ...196
Quadro 5.4:I de Moran e LISA Maps de Consumo de Energia Elétrica para diversas Matrizes de Vizinhança das Áreas de Ponderação do município de São Paulo em 2000 ...197
Quadro 5.5: Resultados da Regressão Linear da Renda a partir do Consumo de Energia Elétrica ...200
Quadro 5.6: Resultados da Avaliação da Dependência Espacial dos Resíduos do Modelo OLS da Renda a partir do Consumo de Energia Elétrica no município de São Paulo ...201
Quadro 5.7: Resultados do Modelo SAR com matriz de adjacência Queen de 1ª ordem da Renda a partir do Consumo de Energia Elétrica no município de São Paulo ...203
Quadro 5.9: Resultados da Regressão GWR com kernel gaussiano (k = 9) da Renda a partir do Consumo de Energia Elétrica ...205 Quadro 5.10: Resultados da Regressão GWR+SAR com k = 9 vizinhos da Renda a partir do
Consumo de Energia Elétrica ...211 Quadro 5.11: Resultados dos Modelos de Regressão da Renda (y) a partir do Consumo de
Energia Elétrica (x) no município de São Paulo ...213 Quadro 5.12: Comparação entre os Modelos de Regressão com as Variáveis Originais e
Transformadas (logaritmos neperianos) da explicação da Renda a partir do Consumo de
Energia Elétrica ...217 Quadro 5.13: Resultados das Hipóteses na Investigação Territorial ...218 Quadro 5.14: Resultados da Regressão Linear da Renda a partir do Consumo de Energia
Elétrica para a Pesquisa ABRADEE 2004 – Investigação Domiciliar ...227 Quadro 5.15: Resultados da Regressão Linear da Renda (y) a partir do Consumo de Energia
Elétrica (x) para a Pesquisa ABRADEE de 2006 a 2009 no município de São Paulo –
Investigação Domiciliar ...228 Quadro 5.16: Resultados da GWR (com kernel adaptável gaussiano) da Renda a partir do
Consumo de Energia Elétrica para a Pesquisa ABRADEE 2004 – Investigação Domiciliar ...229 Quadro 5.17: Resultados da GWR (com kernel adaptável gaussiano) da Renda a partir do
Consumo de Energia Elétrica para a Pesquisa ABRADEE de 2006 a 2009 – Investigação
Domiciliar ...231 Quadro 5.18: Resultados da SAR da Renda (y) a partir do Consumo de Energia Elétrica (x)
para a Pesquisa ABRADEE de 2004 a 2009 – Investigação Domiciliar ...233 Quadro 5.19: Resultados da Regressão WLM da Renda Domiciliar pelo Valor da Conta de Luz
e Critério Brasil na Pesquisa ABRADEE 2004 no município de São Paulo ...237 Quadro 5.20: Resultados da GWR da Renda Domiciliar pelo Valor da Conta de Luz e Critério
Brasil na Pesquisa ABRADEE 2004 no município de São Paulo ...239 Quadro 5.21: Estatísticas de Agrupamento Médio para as Amostras Locais das Alternativas de
Alocação de Pontos em Polígonos para a Pesquisa ABRADEE 2004 no município de São
Paulo ...247 Quadro 5.22: Resultados da SAR e GWR e Dispersão do R2 das Alternativas de Alocação de
LISTA DE TABELAS
Tabela 2.1: Distribuição (%) da População Brasileira por Classe Econômica por Região
Metropolitana em 2008 ...58 Tabela 2.2: Percentual de Domicílios segundo a Posse de Alguns Bens Duráveis em 1998 e
2008 no Brasil e na RMSP ...60 Tabela 2.3: Distribuição da População Brasileira segundo Critério Brasil e Faixa de Renda
Familiar ...63 Tabela 2.4: Número de Domicílios Particulares e Valor da Renda Domiciliar Média segundo as
classes de rendimento mensal domiciliar no Brasil de 2008 ...64 Tabela 2.5: Indicadores Demográficos, Econômicos e de Energia Elétrica de Alguns Países do
Mundo ...69 Tabela 2.6: Consumo Típico dos Principais Eletrodomésticos ...76 Tabela 2.7: Renda, Valor Médio da Fatura de Energia, Impacto da Conta de Luz no Orçamento
Familiar de Alguns Países da América Latina ...84 Tabela 4.1: Quantidade de Áreas de Ponderação e Setores Censitários do Censo Demográfico
2000 por Distrito do município de São Paulo ...139 Tabela 5.1: Estatísticas Descritivas de Valor da Conta de Luz, Renda Domiciliar, Moradores
por Domicílio, Valor da Conta de Luz per capita e Renda Domiciliar per capita de 5 rodadas da Pesquisa ABRADEE para o município de São Paulo ...222 Tabela 5.2: Auto-Correlação Espacial da Renda e do Valor da Conta de Luz para as
observações de cinco rodadas da Pesquisa ABRADEE para o município de São Paulo ...226 Tabela 5.3: Auto-Correlação Espacial dos Resíduos dos Modelos de Regressão WLM, GWR e
SAR adotados na explicação da Renda pelo Valor da Conta de Luz para 5 rodadas da
Pesquisa ABRADEE para o município de São Paulo ...235 Tabela 5.4: Estatísticas Descritivas e Análise de Variância (ANOVA) da Renda por Classe
Econômica Brasil na Pesquisa ABRADEE para o município de São Paulo em 2004 ...236 Tabela 5.5: Estatísticas Descritivas da GWR para as Alternativas de Alocação de Pontos em
Polígonos da Pesquisa ABRADEE de 2004 a 2008 para o município de São Paulo ...242 Tabela 5.6: Largura de Banda, I de Moran da Renda Domiciliar e do Valor de Conta de Luz e
LISTA DE ABREVIATURAS E SIGLAS
ABA Associação Brasileira de Anunciantes
ABEP Associação Brasileira de Empresas de Pesquisa
ABIPEME Associação Brasileira dos Institutos de Pesquisa de Mercado ABRADEE Associação Brasileira dos Distribuidores de Energia Elétrica AIC Akaike Information Criterion
ANEEL Agência Nacional de Energia Elétrica
ANEP Associação Nacional das Empresas de Pesquisa BIC Bayesian Information Criterion
CBA Critério Brasil Adaptado
CCEB Critério de Classificação Econômica Brasil CIER Comisión de Integración Energética Regional CV Cross-Validation (Validação Cruzada)
EISD Energy Indicators for Sustainable Development
(Indicadores de Energia para Desenvolvimento Sustentável)
ESDA Exploratory Spatial Data Analysis (Análise Exploratória de Dados Espaciais) GIS Geographic Information Systems (Sistemas de Informação Geográfica) GLP Gás Liquefeito de Petróleo
GWR Geographically Weighted Regression (Regressão Ponderada Geograficamente) IBGE Instituto Brasileiro de Geografia e Estatística
IBOPE Instituto Brasileiro de Opinião Pública e Estatística IDH Índice de Desenvolvimento Humano
IEA International Energy Agency
IETS Instituto de Estudos do Trabalho e Sociedade
INEP Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira IPEA Instituto de Pesquisa Econômica Aplicada
IPRS Índice Paulista de Responsabilidade Social IPVS Índice Paulista de Vulnerabilidade Social ISQP Índice de Satisfação com a Qualidade Percebida LISA Local Indicators of Spatial Association
LSE Levantamento Socioeconômico do IBOPE
MAUP Modifiable Area Unit Problem (Problema da Unidade de Área Modificável) MCMC Markov Chain Monte Carlo
OCDE Organização para Cooperação e Desenvolvimento Econômico ONU Organização das Nações Unidas
PIA População em idade ativa PIB Produto Interno Bruto
PNAD Pesquisa Nacional por Amostra de Domicílios
PNUD Programa das Nações Unidas para o Desenvolvimento POF Pesquisa de Orçamentos Familiares
PPC Paridade de Poder de Compra PQLI Physical Quality of Life Indicator
PROCEL Programa de Combate ao Desperdício de Energia Elétrica da Eletrobrás RMSP Região Metropolitana de São Paulo
SAR Spatial Auto-Regressive model (Modelo Espacial Auto-Regressivo) SEADE Fundação Sistema Estadual de Análise de Dados
SPI Sinalizador de Produção Industrial TLC Teoria do Lugar Central
SUMÁRIO
MEMÓRIAS DE VIAGEM ... 24
CONCEITUAÇÃO DO TRABALHO ... 26
1 APRESENTAÇÃO ... 27
1.1 INTRODUÇÃO E JUSTIFICATIVA... 30 1.2 PROBLEMA DE PESQUISA ... 37 1.3 OBJETIVOS ... 38 1.3.1 MODELO ADOTADO ... 39 1.3.2 FORMULAÇÃO DE HIPÓTESES ... 40 1.4 OBJETO DE ESTUDO E NÍVEIS DE INVESTIGAÇÃO ... 42 1.5 DESENVOLVIMENTO ... 43 2 REVISÃO DO CONHECIMENTO ... 44
2.1 FAMÍLIA,DOMICÍLIO E RENDA ... 45 2.2 CLASSE SOCIAL,CLASSE ECONÔMICA E CLASSE SOCIOECONÔMICA ... 50 2.3 ESTRATIFICAÇÃO SOCIOECONÔMICA ... 52 2.4 CLASSE ECONÔMICA DO CRITÉRIO BRASIL ... 55 2.5 RENDA E CLASSIFICAÇÃO ECONÔMICA ... 62 2.6 CONSUMO DE ENERGIA ELÉTRICA ... 66 2.7 OCONSUMIDOR DE ENERGIA ELÉTRICA DE BAIXA RENDA ... 78 2.8 PREÇO DA ENERGIA ELÉTRICA ... 81 2.9 ASSOCIAÇÃO ENTRE RENDA E CONSUMO DE ENERGIA ELÉTRICA ... 86 2.10 INDICADORES DE QUALIDADE DE VIDA ... 93 2.11 INDICADORES BASEADOS EM CONSUMO DE ENERGIA ELÉTRICA ... 97 3 ESTATÍSTICA ESPACIAL APLICADA ... 105
3.1 INTELIGÊNCIA ESPACIAL EM PROBLEMAS DE PESQUISA E NEGÓCIOS ... 105 3.2 ANÁLISE EXPLORATÓRIA DE DADOS ESPACIAIS ... 109 3.3 ESTATÍSTICA ESPACIAL E GEOESTATÍSTICA ... 113 3.4 REGRESSÃO ESPACIAL ... 116 3.4.1 AUTO-CORRELAÇÃO ESPACIAL E CRITÉRIOS DE VIZINHANÇA ... 118
3.4.3 GWR–GEOGRAPHICALLY WEIGHTED REGRESSION ... 122
4 METODOLOGIA E ESTRATÉGIAS DE PESQUISA ... 129
4.1 INVESTIGAÇÃO TERRITORIAL ... 129 4.1.1 MICRODADOS DO CENSO DEMOGRÁFICO 2000 DO IBGE... 130 4.1.2 COMPOSIÇÃO DA RENDA E CÁLCULO DO CRITÉRIO BRASIL ADAPTADO ... 141 4.1.3 DADOS DE CONSUMO DE ENERGIA ELÉTRICA DA AESELETROPAULO ... 143 4.1.4 MANIPULAÇÃO,ENRIQUECIMENTO E CRUZAMENTO DAS INFORMAÇÕES ... 147
4.1.5 APLICAÇÃO DAS TÉCNICAS DE ESTATÍSTICA ESPACIAL ... 148 4.2 INVESTIGAÇÃO DOMICILIAR ... 153 4.2.1 PESQUISA ABRADEE... 153 4.2.2 ALTERNATIVAS DE ALOCAÇÃO DE PONTOS EM POLÍGONOS ... 158 4.2.2.1 Alternativa 1: Geração Completamente Aleatória de Pontos nos Polígonos ... 160 4.2.2.2 Alternativa 2: Geração Aleatória de Pontos baseada na Densidade de Domicílios ... 162 4.2.2.3 Alternativas 3A e 3B: Geração Aleatória de Pontos baseada na Superfície de
Probabilidade de Fitness para Consumo de Energia Elétrica ... 164 4.2.2.4 Alternativas 4A e 4B: Seleção de Domicílios baseada na Superfície de
Probabilidade de Fitness para Consumo de Energia Elétrica ... 168 4.2.2.5 Alternativa 5: Geração Completamente Aleatória de Pontos em
Áreas Censitárias Urbanas e Não Especiais ... 172
4.2.2.6 Alternativa 6: Sorteio de Setores Censitários Urbanos e Não Espaciais ... 175 4.2.3 APLICAÇÃO DE GWR SOBRE AS AMOSTRAS REALOCADAS ... 178 4.3 MODELO ADOTADO E METODOLOGIA EMPREGADA ... 184 5 RESULTADOS ... 189
6.1 PRINCIPAIS CONTRIBUIÇÕES ... 272 6.2 IMPLICAÇÕES GERENCIAIS ... 276 6.3 LIMITAÇÕES E RECOMENDAÇÕES PARA PESQUISAS FUTURAS ... 281 REFERÊNCIAS BIBLIOGRÁFICAS ... 286
PUBLICAÇÕES ... 310
MEMÓRIAS DE VIAGEM 1
Dar ao consumo de energia elétrica uma utilidade além da que apóia a operação de uma distribuidora vem sendo uma bandeira que acompanha minha vida acadêmica e profissional nos últimos anos. Extrair “inteligência” de uma “montanha de dados” que sustenta o cadastro comercial e técnico dessas empresas não é tarefa fácil, pois transcende os aspectos metodológicos, e invade uma seara cultural importante.
Ter consciência de que a informação é tão ou mais importante que a manutenção dos ativos e dos sistemas de suporte não está na mentalidade de muitos líderes no setor elétrico brasileiro e mundial atualmente. O metiê é fundamentalmente outro, porque se confunde com a história dessas empresas; o respaldo e a repercussão de uma iniciativa que pode se transformar, por si mesma, em um novo negócio para as distribuidoras acaba não encontrando aceitação na medida de sua utilidade – sem esquecer que, ao mesmo tempo, ela pode suportar de forma eficiente e significativa uma melhoria de custos em processos e no relacionamento com seus clientes.
Mas, aos poucos, amparado por muitos, principalmente pela transformação que o setor vem passando, e pelo amadurecimento estratégico e mudança de atitude ocorrida na AES Eletropaulo, instituição que me acompanha profissionalmente nos últimos dez anos, minha viagem parece que terá um destino seguro.
Um sinal dessas mudanças é a maior consciência de que o cliente está além de um simples medidor de energia. Ele tem expectativas, sabe de seus deveres, reclama por seus direitos, é parceiro. Ouvir o cliente, antecipar-se às suas necessidades, melhorar sua satisfação e fidelidade: estes são alguns procedimentos muito bem estruturados em muitas distribuidoras de energia hoje em dia.
O setor já antevê uma mudança, que será mais do que visceral, com o advento de um novo patamar de relacionamento que se dará com tecnologias como Smart Grid, já iniciadas com o Broadband Powerline (a “Internet pela rede elétrica”), a telemedição (esta já mais antiga) e a própria evolução do atendimento eletrônico via SMS e dispositivos móveis.
1 Mais do que inspiração, esse título é puro plágio de publicação do meu orientador Chico Aranha e da colega de
Ao mesmo tempo, numa trajetória profissional sempre acompanhada pelo uso da inteligência geográfica, do geomarketing e da tecnologia GIS, pude perceber diversos usos e implementar inovações em muitos processos. A participação em diversos projetos de P&D na AES Eletropaulo, e consultorias através da FGV-EAESP, permitiram o amadurecimento dessa consciência.
A convivência com o Grupo de Trabalho de Pesquisas de Satisfação da ABRADEE nos últimos anos trouxe vários insights. A realização do piloto de aplicação de técnicas de estatística espacial na rodada 2009 da Pesquisa ABRADEE é fruto dessa inspiração e confiança mútua geradas nessa grata experiência. A participação na comissão organizadora do GEOBrasil e GEOSummit Latin America nos últimos anos e a convivência com a equipe editorial da revista InfoGEO, como colunista e muitas vezes pseudo-jornalista, também trouxe larga bagagem para o atual momento.
Nessa viagem, pude reingressar ao meio acadêmico, por forte influência do Chico, meu orientador, e perceber que essa inserção gerava um ciclo virtuoso de benefícios. Conheci na FGV-EAESP colegas com os quais compartilho hoje pesquisas em técnicas e temas correlatos aos aqui expostos, que, inicialmente conhecidos como os “orientandos do Chico”, aos poucos ganharam vida acadêmica própria, num ambiente de grande cooperação pessoal e profissional. Gradativamente enveredei pelo marketing quantitativo e a estatística aplicada; do mestrado alcancei a condição de doutorando, e pude vivenciar parte deste trabalho num estágio como pesquisador, com a família a tiracolo, na University of Otago, na Nova Zelândia.
E essas diversas trajetórias inevitavelmente se aproximaram. Do marketing
quantitativo e geomarketing para a estatística espacial. Da gestão de pesquisas de satisfação para o uso da Pesquisa ABRADEE como ferramenta de segmentação de clientes e validação da associação entre Renda e Consumo e para a implantação da Pesquisa On-line. Da experiência na Nova Zelândia para a elaboração de algoritmos de alocação de pontos em polígonos. Do cadastro georreferenciado da AES Eletropaulo para os indicadores de Renda baseados em Consumo de Energia Elétrica e o Precision Marketing.
CONCEITUAÇÃO DO TRABALHO
Esta pesquisa tem como principal objetivo examinar a relação entre Consumo de Energia Elétrica Residencial e Renda Familiar nos domicílios da Grande São Paulo, e propor a construção de um indicador de Classificação Econômica dos domicílios baseado em Consumo de Energia Elétrica, através do uso de técnicas de estatística espacial.
Investiga-se a eficácia do consumo de energia elétrica na explicação e previsão da renda domiciliar mediante a identificação de um padrão de dependência espacial, podendo auxiliar o entendimento do comportamento da variação da renda, de forma que: os agentes financeiros e empresas do varejo possam caracterizar e identificar seu público-alvo com clareza; programas de microcrédito possam ser mais bem direcionados para a baixa renda; e empresas de distribuição de eletricidade possam melhor realizar seu planejamento sistemático baseado em previsão de carga e mercado de energia elétrica, entre outros inúmeros beneficiários.
A pesquisa divide-se em dois níveis de investigação. O primeiro, sob perspectiva territorial, investiga indicadores de Renda e Consumo de Energia Elétrica agregados por áreas de ponderação (conjunto de setores censitários) do município de São Paulo, e utiliza os microdados do Censo Demográfico 2000 em conjunto com a base de domicílios da AES Eletropaulo. O segundo nível, domiciliar, utiliza dados coletados na Pesquisa Anual de Satisfação do Cliente Residencial, coordenada pela Associação Brasileira dos Distribuidores de Energia Elétrica (ABRADEE), para os anos de 2004, 2006, 2007, 2008 e 2009.
1 APRESENTAÇÃO
Renda é, inexoravelmente, a principal caracterização econômica de um indivíduo, família ou domicílio. É a partir dela que se deriva o poder de compra, informação fundamental para que o varejo possa planejar sua estratégia. É a partir dela que se obtém dimensão importante para a vulnerabilidade social, ou para a pobreza, para que o poder público possa atuar consistentemente, incentivando a distribuição de renda em locais específicos através da geração de novas oportunidades de emprego e de empreendedorismo, ou para que agentes financeiros possam expandir sua base instalada através de produtos de microfinanças.
Indicadores alternativos de Renda, ou de mensuração da Pobreza, são incipientes, ou têm seu uso ainda restrito à comparação entre países, regiões ou municípios. Aplicações em micro-regiões, distritos ou pequenas áreas censitárias ainda não são usuais, talvez pela dificuldade de operacionalização ou pela indisponibilidade de informação “alternativa” a esse nível na freqüência de atualização que se necessita.
As empresas de distribuição de energia elétrica tradicionalmente fazem uso da Renda para apoio a seu planejamento de mercado e receita, em nível municipal ou regional. Vê-se nesse contexto muita relação entre essa informação e os dados de energia manipulados pelas concessionárias. Porém, o estudo para níveis territoriais menores, como subregiões, distritos, bairros ou setores censitários, que poderia aprofundar suas previsões, não é uma prática das concessionárias. Tampouco um estudo que considere a influência da vizinhança na previsão de carga ou mercado é realizado.
Da mesma forma, a utilização de indicadores de Renda baseados em Consumo de Energia Elétrica pelas empresas de pesquisa de mercado ainda é incipiente. Talvez por desconhecimento de sua existência, ou por desconhecimento de sua contribuição ou robustez para a caracterização econômica.
operacionalização dos critérios, e não é acompanhada muitas vezes de alternativas que tornem esses critérios melhores. Na prática, as empresas de pesquisa acabam por coletar a renda e os itens de posse de bens e utilizam de forma concomitante essas duas informações.
Por outro lado, existe muita riqueza de informações nos levantamentos censitários efetuados periodicamente, em especial no Brasil, pelo Instituto Brasileiro de Geografia e Estatística (IBGE) e órgãos regionais. Mas à medida que se tornam antigos, muitas pesquisas de campo precisam ser realizadas para que as informações de estudos específicos possam ser validadas ou atualizadas. O custo de levantamentos complementares em campo é imensamente superior ao das informações secundárias ofertadas pelo censo. Tradicionalmente, o Censo Demográfico é realizado a cada 10 anos no Brasil, e a cada 5 ou 10 na maioria dos países do mundo. Pesquisas complementares do IBGE, como a Pesquisa Nacional por Amostra de Domicílios (PNAD) e a Pesquisa de Orçamentos Familiares (POF) não apresentam a mesma granularidade e cobertura territoriais que o Censo Demográfico.
As informações de consumo de energia elétrica, coletadas mensalmente pelas empresas distribuidoras, de fácil agregação às mesmas unidades operacionais disponibilizadas pelos estudos censitários, podem se tornar disponíveis e serem bastante úteis para as empresas de pesquisa de mercado. O mercado pode prescindir de mecanismos de “atualização” das informações censitárias a partir de pesquisas de campo se fizer uso de indicadores de Consumo de Energia Elétrica agregados territorialmente.
Estender para uma visão mais ampla o pensamento vigente atualmente nas empresas de energia elétrica e nas empresas de pesquisa de mercado é uma das motivações principais deste trabalho. Desmistificar a contribuição que esses indicadores podem dar ao mercado e mostrar como isso se relaciona à caracterização econômica complementam essa motivação. Além disso, a nível domiciliar, tal estudo pode contribuir para um melhor entendimento dos comportamentos de consumo, para os consumidores em geral e, em particular, para famílias de baixa renda.
e ao mercado consumidor; e a população se estabelece dentro desse contexto espaço-temporal. Mais ainda, de acordo com a “primeira lei da geografia” (TOBLER, 1970), as “coisas” mais próximas tendem a ser mais parecidas entre si. Em outros termos, pessoas que vivem em uma mesma vizinhança são mais parecidas, por familiaridade cultural, razões econômicas ou históricas, o que ajuda a explicar bairros com perfis distintos.
Dessa forma, não se pode deixar de explorar a influência que a geografia tem na explicação da Renda. E a Estatística Espacial e a Geoestatística, cada qual com sua especificidade, são o arcabouço teórico que permite avaliar e mensurar essa eventual influência. Estudos anteriores (FRANCISCO, 2006) mostraram alta contribuição do Consumo de Energia Elétrica na explicação da variabilidade da Renda em áreas censitárias do IBGE no município de São Paulo, utilizando modelos de regressão linear multivariados não espaciais. Este estudo procura estender esses modelos tradicionais com a incorporação da natureza geoespacial de suas observações, utilizando diversas técnicas de exploração espacial dos construtos avaliados – Renda e Consumo de Energia Elétrica. São investigadas duas naturezas de associação: domiciliar e regional, através da auto-correlação espacial e da regressão espacial (em especial, Spatial Auto-Regression e Geographically Weighted Regression).
No contexto domiciliar, a localização de domicílios com precisão em pesquisas de campo é uma aspiração natural, que nem sempre é atendida na expectativa que se propõe – a granularidade desejada muitas vezes não é disponível, por questões de confidencialidade ou de mau planejamento. Muitas pesquisas de campo não são “espacialmente orientadas”, apesar de serem, essencialmente, “espacialmente coletadas”. Nesses casos, as informações da localização espacial do elemento coletado acabam sendo abrangentes, vagas, imprecisas ou mesmo faltantes. Em outras palavras, nem sempre conseguimos chegar a localizar as entrevistas como pontos no mapa. É muito comum termos como referência espacial simplesmente o município, o CEP ou o distrito em que a pesquisa foi realizada.
Isso torna “pouco realista” a representação geográfica de mais de uma entrevista localizada em um mesmo distrito, pelo fato delas todas estarem situadas em uma mesma coordenada no mapa.
Para evitar essa situação, este trabalho de tese aborda, complementarmente, o desenvolvimento de algumas técnicas de “espalhamento”, ou alocação, de pontos no interior de polígonos, a partir do contexto do objeto de estudo e da pesquisa de campo utilizada na investigação da relação entre Renda e Consumo de Energia Elétrica. São descritas e aplicadas as técnicas desenvolvidas, e seus resultados são analisados em prol dos benefícios reais que trazem para a estatística espacial.
Este estudo se apóia, em sua origem, nos benefícios da sinergia e estudo compartilhado do projeto intitulado “Programa de Pesquisa Integrado: Microcrédito para Famílias de Baixa Renda do Município de São Paulo”, apoiado pelo GVpesquisa, órgão de fomento à pesquisa da FGV-EAESP. Trabalhos anteriores de Francisco (2006), já mencionados, avaliaram a relação abordada neste estudo para o contexto da baixa renda utilizando pesquisas de campo desse programa de pesquisa integrado.
Neste contexto múltiplo foi constituída esta tese. Espera-se que a leitura do trabalho desperte interesse para os assuntos abordados, traga reais contribuições e inspire a realização de novos estudos que aprofundem o tema nas perspectivas apresentadas e aprofundem os aspectos metodológicos desenvolvidos.
1.1 INTRODUÇÃO E JUSTIFICATIVA
A necessidade de mensurar é uma característica inerente ao ser humano em sua relação com o meio que o cerca, e esta característica relaciona-se com a possibilidade de definir, compreender e transformar este meio. Segundo Hartshorne (1978, p.16),
Preston James2 (apud HARTSHORNE, 1978, p.16) afirma que “a Geografia trata das associações de fenômenos que conferem determinado caráter a lugares específicos, e das semelhanças e diferenças que existem entre os lugares”.
Entre as aspirações das agências produtoras de dados e informações estatísticas, uma das mais importantes talvez seja a de que os formuladores de políticas públicas e os agentes de mercado utilizem efetivamente a sua produção para o planejamento urbano, a avaliação de políticas e a tomada de decisões de negócios. Em tese, a utilização de informações e resultados estatísticos, tanto na definição de metas e estratégias como na priorização e direcionamento das intervenções, possibilitariam mais rapidez e eficiência ao gestor público para atingir seus diferentes objetivos. Entre outras coisas, as estatísticas constituem instrumento importante para: desenvolver melhor as políticas sociais, permitindo o acompanhamento e a evolução dos processos; aumentar o consenso social sobre as difíceis escolhas diante do sempre presente constrangimento da falta de recursos; revelar e criar responsabilidades dos diferentes atores envolvidos nesses processos; e suportar efetivamente as organizações do setor privado com informações que as orientem em sua missão de servir a seu mercado.
Informações sobre a população, seus habitantes, suas famílias e os domicílios em que vivem existem e são sistematicamente coletadas. Porém, hoje em dia há grande discussão a respeito da efetividade dos indicadores tipicamente coletados, em termos de cobertura, granularidade e suficiência de conceitos e dimensões em mensuração. Indicadores econômicos talvez não sejam suficientes para medir qualidade de vida. Informações em nível de setores censitários, áreas de ponderação ou distritos não são coletadas na freqüência que o mercado deseja, devido principalmente à restrição econômica para realizar estudos nesse nível de representatividade geográfica – praticamente um censo demográfico.
De qualquer forma, mensurar a pobreza, em todas as dimensões em que ela é representada e influi na vida cotidiana, é um desafio extremamente relevante nos dias de hoje. Segundo o Banco Mundial, um terço da população que vive em cidades reside em squatter settlements, ou favelas (PÉREZ; PÉREZ, 2008). Segundo Prahalad (2005), 4 bilhões de pessoas no mundo vive com até 1,5 mil dólares por ano - a chamada base da pirâmide.
A população brasileira totalizava, em 2008, 189.952.795 habitantes, que correspondiam a 57.656.117 domicílios particulares (IBGE, 2009). Desses, 50,7% viviam com renda de até 3 salários mínimos (o equivalente, em valores da época, a R$ 1.395,00). Em áreas urbanas (48.982.602 domicílios), esse percentual cai para 46,5%. Na Região Metropolitana de São Paulo3 (doravante, RMSP), com 6.294.856 domicílios particulares, esse percentual correspondia a 34,1% em 2008 (IBGE, 2009).
Em termos de evolução, os domicílios particulares permanentes dez por cento mais pobres do Brasil aumentaram sua participação na distribuição de renda de 1,2% para 1,5% de 2001 para 2008, enquanto que os dez por cento mais ricos diminuíram de 30,6% para 28,0% no mesmo período. Isso contribuiu para que o Índice de Gini da distribuição do rendimento mensal dos domicílios particulares permanentes com rendimento diminuísse de 0,567 para 0,515 de 1998 para 2008 (IBGE, 2009).
Estudo do Instituto de Pesquisa Econômica Aplicada (IPEA) (SILVEIRA; BERTASSO; MAGALHÃES, 2003), realizado a partir de microdados do Censo Demográfico 2000, acerca da tipologia socioeconômica das famílias de grandes regiões urbanas brasileiras e seu perfil de gastos, identificou 10 grupos distintos, dos quais 4 são formados por basicamente famílias pobres ou muito pobres. Do total de famílias do estudo (15.512, representando um universo de cerca de 12.544.069 famílias brasileiras), 36,6% foram classificadas como pertencentes a um desses grupos. Em percentual de pessoas, esse número sobe para 44,9%, o que sinaliza que as famílias de baixa renda são de maior tamanho em comparação às mais ricas.
Relatório do Instituto de Estudos do Trabalho e Sociedade (IETS) (SOARES, 2006) com base na Pesquisa Nacional por Amostra de Domicílios (PNAD) de 2004 do IBGE mostra que a proporção de pobres na região metropolitana de São Paulo cresceu de 41% em 2003 para 41,6% em 2004. São 7.506.000 pobres em uma população de aproximadamente 18.200.000 pessoas. O estudo considera abaixo da linha de pobreza famílias com rendimento familiar mensal per capita inferior a R$ 250,79, menos de 1 salário mínimo à época.
3 Região Administrativa do Estado de São Paulo, composta de 39 municípios: São Paulo (capital), Arujá,
A grandiosidade e significância desses números, absolutos e percentuais, reforçam a importância de se realizar estudos de acompanhamento da classificação econômica das famílias, em especial para a baixa renda.
Renda é o indicador tradicionalmente adotado em estudos sobre condições de vida e pobreza (BUSSAB; FERREIRA, 1999). Entende-se renda como a soma do rendimento mensal de trabalho com o proveniente de outras fontes (IBGE, 2003). Tal conceito se aplica ao indivíduo (normalmente o chefe ou responsável pela família), à família ou ao domicílio. Além de fácil operacionalização, o seu uso justifica-se na medida em que, nas economias de mercado, é através da renda que se dá o acesso aos bens e serviços necessários à sobrevivência.
No entanto, a dificuldade em obter informações precisas sobre essa variável, freqüentemente alterada por subdeclaração, superdeclaração, esquecimento, sazonalidade da fonte dos rendimentos e recusa, torna difícil a coleta direta deste indicador em pesquisas de mercado (BUSSAB; FERREIRA, 1999).
Em conseqüência disso, os Institutos de Pesquisa optam por captar a Classe Econômica ou o Poder de Consumo dos indivíduos através de indicadores baseados na posse de bens duráveis da família e no grau de instrução do chefe. Tais indicadores podem ser usados com certa precisão para substituir a renda. Além de ser uma medida indireta da renda familiar, o estoque de bens possuídos por uma família indica o nível de conforto por ela alcançado ao longo do tempo.
De acordo com o Levantamento Sócio-Econômico (LSE) do IBOPE de 2008 (ABEP, 2010), o percentual da população (entenda-se, domicílios) situada nas duas classes econômicas mais pobres (D e E) é de 19,5% no Brasil e de 14,4% na Grande São Paulo, segundo o Critério de Classificação Econômica Brasil (ver tópico 2.4).
Porém, o critério apresenta importantes diferenças regionais (ABEP, 2004, 2008b) e não é adequado para a caracterização de famílias posicionadas nos extremos da distribuição de renda (MATTAR, 1996; SILVA, 2002) e, em particular, para o consumidor de baixa renda. O critério se presta a segmentar grandes massas e se adequa bem a estudos de abrangência nacional. Para regiões ou segmentos específicos, estudos aprofundados necessitam de especializações ou adaptações do Critério Brasil para a caracterização inicial da população em análise, muitas vezes envolvendo variáveis que melhor caracterizem a aptidão para o consumo. O uso de indicadores de consumo que tenham abrangência e utilidade gerais pode mostrar-se útil nesse processo de caracterização dos consumidores.
Dentre os indicadores com essa natureza está o Consumo de Energia Elétrica. Nacionalmente, o serviço de fornecimento de energia elétrica abrange 98,6% dos domicílios brasileiros, índice que aumenta para 99,82% na área urbana e para 99,97% na região Sudeste (IBGE, 2009). Tem mais capilaridade e cobertura que serviços de outras empresas de utilidades, como telefonia fixa e móvel, água encanada e gás (IBGE, 2009). Isso porque, basicamente, todos têm acesso à luz, principalmente quando consideradas as ligações clandestinas e fraudes, mas nem todos têm água encanada, ou mesmo telefone. Além disso, as bases de dados das distribuidoras de energia elétrica contêm a informação de consumo de cada um de seus clientes, das classes mais às menos favorecidas (FRANCISCO, 2002, 2006).
Aliados às informações de localização, histórico e sazonalidade, os indicadores elétricos podem ajudar a inferir uma melhor classificação socioeconômica a partir de faixas de consumo, e contemplar uma melhor definição do consumidor de baixa renda em regiões de menor acesso e maior dificuldade de levantamento dos bens de consumo.
A construção do Índice Paulista de Responsabilidade Social (IPRS) pela Fundação SEADE, em 2000, corrobora essa possibilidade. O IPRS foi concebido para caracterizar e acompanhar a evolução dos 645 municípios do Estado de São Paulo e buscou preservar as três dimensões que compõem o Índice de Desenvolvimento Humano (IDH) da Organização das Nações Unidas (ONU) (SEN, 1999): riqueza, longevidade e escolaridade. Na dimensão riqueza do IDH, o consumo de energia elétrica residencial é utilizado em conjunto com o rendimento médio dos empregados no setor privado com carteira assinada e no setor público, para captar a renda familiar (TORRES; FERREIRA; DINI, 2003; SEADE, 2009), possibilitando sua reprodução em anos intercensitários. O consumo de energia elétrica residencial dos municípios do Estado de São Paulo também é utilizado para a composição da dimensão riqueza do IPRS (SEADE, 2009).
Mais do que permitir a caracterização econômica na granularidade municipal, a flexibilidade possibilitada pelo uso de informações advindas das distribuidoras de energia elétrica impulsiona a geração de indicadores em níveis intra-municipais, intra-distritais ou em qualquer unidade de área que se necessite. Indicadores por setor censitário são de possível criação e atualização, tornando-se semelhante à forma de publicação de informações censitárias agregadas pelo IBGE e similar ao padrão praticado pelo mercado. Como as informações originais das concessionárias de energia estão associadas aos domicílios (ou melhor, aos medidores de energia existentes nos domicílios), que são pontos geográficos em sua típica representação espacial em uma ferramenta de geoinformação, a agregação em unidades de área é trivial. E a própria utilização em nível domiciliar também é possibilitada, guardadas as ressalvas que a confidencialidade proporciona na publicação individualizada.
Segundo o presidente do Banco Mundial, James D. Wolfesohn, “o microcrédito é a oferta de serviços financeiros àqueles que normalmente são excluídos do sistema financeiro tradicional” (JANSSON; TABORGA, 2000), onde o termo “excluídos” se refere a indivíduos de baixa renda, que possuem poucos ativos e praticamente nenhum acesso a mecanismos tradicionais de crédito (SEN, 1988; PARENTE, 2002). O microcrédito proporciona às famílias carentes perspectivas de redução do risco de se tornarem ainda mais pobres e permanecerem abaixo do limite da pobreza (BARNES, 2001) ao representar um auxílio potencial para a diversificação das fontes de renda e aquisição de ativos destas famílias (PARENTE, 2002). Nos mercados de baixa renda, especificamente, destacam-se os custos de infra-estrutura, distribuição e informação (PRAHALAD, 2005). A existência de assimetria de informações e de custos de transação limita e direciona as atividades de marketing no mercado de microcrédito produtivo orientado brasileiro (ZAMBALDI, 2007) e não produtivo (MONZONI, 2008). Os altos custos de informação associados à concessão de crédito e à garantia de adimplência poderão se beneficiar da coleta do consumo de energia elétrica do domicílio do tomador de crédito.
Mais ainda, um estudo americano recente, utilizando uma base de dados de 8 milhões de potenciais solicitantes de crédito em diversos estados norte-americanos, mostra que dados “alternativos” ou “não tradicionais” (energia elétrica, aluguel, gás, seguros) podem ser utilizados no processo de concessão de crédito, diminuindo a assimetria de informação e potencializando maior assertividade nos modelos de credit scoring (TURNER et al., 2006).
Para as empresas de varejo, a incorporação do consumo de energia elétrica poderá melhorar a identificação das famílias potenciais consumidoras de ofertas específicas. Consumidores de mesma classificação econômica segundo o Critério Brasil poderão ser diferenciados através do consumo de energia elétrica de seus domicílios. Além disso, para as empresas distribuidoras de energia elétrica, a aplicação de um modelo de classificação socioeconômica baseado no Consumo de Energia Elétrica propicia maior eficácia em estudos de identificação, segmentação e previsão de mercado, análises de fraude e inadimplência e na elaboração de estratégias de relacionamento com seus clientes, entre outros benefícios (FRANCISCO, 2002).
cômodos do domicílio e ao número de pessoas que o habitam (POMPERMAYER; CHARNET, 1996), as empresas poderão melhorar sua taxa de retorno em materiais promocionais, malas diretas e custos afins, através de uma melhor segmentação de seu mercado, do aumento da reatividade dos consumidores em função de seu maior poder aquisitivo, e da melhor identificação de seu mercado alvo. Estudos anteriores, dos quais destacam-se os recentes trabalhos de Hansen (2000), Santos (2006) e EPE (2008b) mostram alta associação entre Consumo de Energia e Renda. Em especial, Francisco (2006) analisou a explicação da Renda a partir do Consumo de Energia Elétrica utilizando modelos de regressão sobre o mesmo objeto de estudo territorial desta tese (o município de São Paulo), e teve seu trabalho replicado por Rocha Jr. (2007) para a região da Grande Vitória, no Estado do Espírito Santo. Ambos obtiveram valores altíssimos nos coeficientes de determinação dos modelos.
Os temas acima discutidos serão abordados por meio de dois construtos principais: Renda Domiciliar (ou Familiar) e Consumo de Energia Elétrica Residencial. As relações a serem examinadas entre eles serão explicadas nos tópicos seguintes.
Uma das diferenças entre o presente trabalho e a dissertação de mestrado deste autor (FRANCISCO, 2006) é o uso da Estatística Espacial para incorporar a influência geográfica, ou dependência espacial, na explicação dos modelos.
Adicionalmente, consideraremos a Classe Econômica (segundo Critério Brasil e adaptações) meramente na discussão e análise comparativa das relações entre os construtos.
1.2 PROBLEMA DE PESQUISA
estudo visa a propor um indicador de Renda com essas características, de forma que os institutos de pesquisa e inteligência de mercado, as empresas de varejo e os agentes financeiros possam caracterizar e identificar seu público-alvo com clareza; as distribuidoras de energia elétrica possam melhor estruturar suas estratégias de relacionamento com clientes e sua previsão de mercado; e programas de microcrédito possam ser melhor direcionados para a população de baixa renda.
Além disso, muitos estudos anteriores (ASSUNÇÃO, 2001; TORRES et al., 2003; TORRES; MARQUES, 2004; MESSNER; ANSELIN, 2004; CÂMARA; CARVALHO, 2004; VOSS; WHITE; HAMMER, 2006, ZAMBALDI; GOLDSZMIDT, 2006, entre outros) mostraram haver influência espacial em fenômenos sociais, em especial, relacionados à Renda Domiciliar, o que sugere a avaliação da adoção de técnicas semelhantes no estudo integrado com o Consumo de Energia Elétrica.
O Consumo de Energia Elétrica é um bom indicador de Renda? De que forma indicadores de Consumo de Energia Elétrica podem auxiliar a caracterização econômica de consumidores, ou da população em geral? Em outras palavras, podemos sintetizar o problema de pesquisa na seguinte questão básica: “Qual é a relação entre o Consumo de Energia Elétrica e a Renda?”.
Dada a pouca realização de pesquisas acadêmicas com este foco e com esta metodologia, este trabalho é inicial e oferece um estímulo para pesquisas futuras sobre os temas que o cercam.
1.3 OBJETIVOS
O objetivo desta pesquisa é examinar a relação entre o Consumo de Energia Elétrica e a Renda Domiciliar. Especula-se que famílias com maior consumo de energia elétrica têm maior renda familiar.
a criação de um indicador de Renda Domiciliar (ou Familiar) a partir do Consumo de Energia Elétrica Residencial.
1.3.1 MODELO ADOTADO
O Esquema 1.1 sintetiza de forma esquemática as relações postuladas neste estudo.
Esquema 1.1: Relações Postuladas entre as Variáveis Consideradas neste Estudo Fonte: elaboração própria.
As variáveis representadas por retângulos são observáveis (manifestas), enquanto que as variáveis representadas por elipses (em nosso caso, apenas a Classe Econômica Brasil) são variáveis não observáveis diretamente (latentes). As setas unidirecionais destacam a direção da causa da relação entre as variáveis, segundo notação de Pedhazur e Schmelkin (1991, p.55).
O Esquema 1.1 apresenta, ainda, as hipóteses a serem testadas (H1, H2 e H3) e o comportamento esperado da relação H1 (positivo). As hipóteses H2 e H3 refletem a investigação de padrões espaciais de distribuição desses construtos, e se referem à verificação de existência de auto-correlação espacial (MORAN, 1948) para os construtos, conceito que será apresentado no Capítulo 3. Adicionalmente, a relação entre Classe Econômica Brasil e Renda Familiar, já verificada em estudos anteriores (FRANCISCO, 2006), é apresentada no diagrama, bem como as variáveis que formam esse indicador. A notação para Posse de Bens
Classe Econômica
Brasil
Renda Domiciliar Consumo de
Energia Elétrica
Posse de Bens
Grau de Instrução do Chefe da Família
H1 +
Formação do Indicador
H2 H3
concentra uma lista de variáveis de contagem e existência de bens duráveis que, em conjunto com a variável Grau de Instrução do Chefe da Família, formam o indicador de Classe Econômica Brasil.
Vale destacar que as relações acima postuladas indicam a modelagem que o estudo pretende utilizar na investigação do fenômeno. O senso comum nos indica que, em unidades domiciliares, o Consumo de Energia Elétrica reflete uma condição de Renda Familiar – quanto maior o poder aquisitivo da família, mais condições de posse de bens eletrodomésticos ela tem e, por conseguinte, maior o uso dos bens e o consumo de energia elétrica – e não o inverso, conforme postulado. Porém, busca-se investigar o quanto o Consumo de Energia Elétrica contribui na explicação da variação de Renda, isoladamente e em conjunto com a Classe Econômica Brasil, objetivando a predição e não a descrição do fenômeno. Por isso, a relação expressa na hipótese H1 se coloca dessa maneira. Estudos em um horizonte temporal maior poderiam endereçar de forma diferente essa relação. Da mesma forma, a relação entre Renda Familiar e Classe Econômica Brasil é expressa no sentido da explicação da Renda.
Além disso, a Investigação Domiciliar (a ser discutida no tópico 4.2) utilizará a variável proxy Valor da Conta de Luz para representar o construto Consumo de Energia Elétrica.
A seguir, serão postuladas a hipótese central e as demais que norteiam este estudo.
1.3.2 FORMULAÇÃO DE HIPÓTESES
A hipótese central a ser estudada na pesquisa é:
H1: Quanto maior o Consumo de Energia Elétrica residencial, maior a Renda Domiciliar (ou Familiar);
2002), é necessário identificar padrões de variação de renda que incorporem tais particularidades e características. Estudos preliminares do município de São Paulo com indicadores de Renda, exclusão social, autonomia em relação a serviços de saneamento básico e graus de educação (CÂMARA et al., 2004; ZAMBALDI; GOLDSZMIDT; 2006), verificaram uma relação de aumento da vulnerabilidade socioeconômica no sentido centro-periferia, levando à formulação das seguintes hipóteses de pesquisa:
H2: Existe padrão de dependência espacial da variável Renda Domiciliar entre regiões da Grande São Paulo, com renda decrescente no sentido Centro-Periferia; e
H3: Existe padrão de dependência espacial da variável Consumo de Energia Elétrica entre regiões da Grande de São Paulo, com consumo de energia decrescente no sentido Centro-Periferia.
Espera-se que a verificação das hipóteses dê subsídios para a formulação de um indicador de Renda baseado em Consumo de Energia Elétrica.
Deve-se notar que a natureza, a impossibilidade de remoção do efeito e a ocorrência simultânea das variáveis envolvidas permitem-nos analisar o efeito de uma variável sobre a outra, e não a direção da causalidade do fenômeno em si. A abordagem de investigação deste trabalho busca modelar uma direção de relação em que o Consumo de Energia Elétrica explique a Renda.
