DESCONCENTRAÇÃO REGIONAL E ATIVIDADE INDUSTRIAL NO BRASIL

DESCONCENTRAÇÃO REGIONAL E ATIVIDADE INDUSTRIAL NO BRASIL

Autor:

Weslem Rodrigues Faria

Doutorando em Teoria Econômica – IPE/USP e-mail: weslem_faria@yahoo.com.br

tel.: (11) 6795-0090

Resumo:

O artigo discute aspectos ligados a localização da atividade industrial no Brasil. A motivação permeia o debate existente na literatura acerca do processo de desconcentração espacial do setor da indústria no Brasil. Em síntese, o trabalho tem com objetivo verificar a existência de padrões espaciais de localização dessa atividade, bem como inferir sobre seus possíveis determinantes. Para isso, utiliza-se o arcabouço teórico e técnico de economia regional. A teoria fundamenta a discussão, uma vez que aspectos locacionais da atividade produtiva fazem parte da análise, enquanto que um método prático, o de econometria espacial, é utilizado para a realização das estimações, levando em conta fenômenos relacionado ao espaço. Os principais achados neste trabalho apontam para a existência de interação espacial significativa entre os municípios brasileiros com relação à atividade industrial do setor de bens intermediários. Além disso, tal atividade pouco tem se localizado nos municípios das regiões mais pobres do país.

Abstract:

The paper discusses issues related to the location of industrial activity in Brazil. Motivations are the recent findings in the existing literature about the process of spatial deconcentration of the Brazilian industry. The study aimed to verify the existence of spatial patterns of location of such activity, as well as inferences about their risk factors. For this reason, it uses the theoretical and technical of regional economics. Considering the phenomena related to space, the location theory is used to support the analysis, while a practical method of spatial econometrics is used to perform the estimations. The main findings in this study pointed to the existence of significant spatial interaction between Brazilian cities regarding the industrial activity in the sector of intermediate goods. Furthermore, this activity has just located in the cities of the poorest regions of the country.

Palavras-chave: atividade industrial, desconcentração regional, econometria espacial Key-Words: industrial activity, regional deconcentration, spatial econometrics

Área Temática: 2 – Localização e concentração das atividades econômicas OBS: Concorrente ao prêmio Paulo Haddad

1. Introdução

O espaço como variável de estudo na ciência econômica surgiu de forma tardia em alguns aspectos. O estudo da influencia da geografia sobre decisões econômicas tornou-se padrão e necessário em muitas análises de localização e aspectos de desenvolvimento regional. A análise espacial, como ponto de investigação, tem origem fundamentalmente em von Thunen, que partiu, em certo grau, da economia política clássica de Ricardo, e introduziu elementos importantes para a Teoria Clássica da Localização (DICKINSON, 1969). A contribuição de maior expressão surgiu primeiramente em Weber (1969), que teve a preocupação de construir uma teoria que subsidiasse na determinação da localização ótima de uma empresa. Este autor introduziu um conceito próprio de área de mercado, com a noção de “local de mercado”, no qual o espaço urbano funciona como o próprio local de mercado (LEMOS, 1988).

Em seguida, destaca-se o trabalho de Christaller (1966). A concepção principal deste autor é a de que a atividade econômica orienta-se pelo mercado consumidor e não pela localização de insumos ou trabalho. Os modelos de Losch (1954) tiveram inspiração em Christaller, evoluindo a idéia original deste autor por meio do pressuposto de que a concentração da atividade econômica pode ocorrer independente de uma particularidade local. Os trabalhos destes dois últimos autores formaram fundamentos conceituais da teoria do lugar central, na qual a localização da atividade econômica poderia formar a base de um sistema urbano (PARR, 2002).

Isard (1956) tentou fornecer uma teoria geral acerca da localização e espaço econômico, bem como ferramentas capazes de subsidiar o estudo de questões inerentes a desenvolvimento regional e problemas reais em economia regional. Por meio do conceito de insumos de transporte, equacionou o chamado “problema localizacional” em termos análogos aos formatos tradicionais do arcabouço teórico neoclássico. Fatores locacionais clássicos, especialmente o custo de transporte, aliado às prerrogativas de concorrência perfeita, equilíbrio geral e maximização de lucro, com o instrumental de insumo-produto e o conceito de multiplicador de renda keynesiano, deram origem a um conjunto de interpretações teóricas e instrumental analítico, batizados como Regional Science (DINIZ, 2006).

Em termos gerais, estes autores foram percussores do estudo de economia regional. Mais recentemente, tem-se a contribuição de Fujita et al. (2002), que condensam em um trabalho, modelos que abordam questões relacionadas diretamente com custo de transporte, economias de escala em modelos espaciais, economias de aglomeração, aspectos da teoria da base de exportação e do desenvolvimento desigual. Este trabalho tem como umas das principais inovações, a forma de modelar fatores econômicos que explicam a distribuição das atividades no espaço.

Observa-se alguns trabalhos na literatura que trataram de questões pertinentes acerca da localização da atividade produtiva, desenvolvimento regional e concentração e desconcentração industrial no Brasil. Galvão e Vasconcelos (1999) discutem fundamentos da organização espacial/territorial na presença de uma fase da globalização caracterizada por conceitos inevitáveis em política regional como inovação e sistemas de inovação, capital social e institucional building, networking e subcontratação, distritos industriais e pequenas e médias empresas. Sugerem, de forma genérica, uma tipologia espacial/territorial de uma nova política regional no Brasil baseada no núcleo formado entre tecnologia, organizações e territórios.

Lastres (1997) discute a hipótese da globalização das atividades industriais e tecnológicas, enfatizando seus impactos sobre os países desenvolvidos e em desenvolvimento. Destacou argumentos colocados sobre o papel e a eficácia das políticas de desenvolvimento industrial e tecnológico nacionais no enfrentamento dos novos desafios associados ao avanço do processo de globalização. Concluiu que os fatores associados à globalização afetam os objetivos, o alcance e os instrumentos das políticas nacionais.

Outro ponto de investigação diz respeito à avaliação da concentração da atividade industrial no território brasileiro. Lemos et al. (2003) tentaram identificar uma nova configuração regional brasileira, bem como delimitar seus pólos econômicos e suas áreas de influência, como base para uma proposta de nova regionalização para o Brasil. Os seus resultados sugerem que, no caso do

desenvolvimento regional, a configuração do espaço econômico regional ocorre em virtude de vantagens ou desvantagens de localização em relação à proximidade ou distância dos pólos nacionais de São Paulo e do Rio de Janeiro.

Diniz e Crocco (1996) fazem uma análise do desenvolvimento regional da indústria no Brasil. Segundo estes autores, do ponto de vista industrial, regiões tradicionais do Brasil perderam importância relativa, com destaque para São Paulo e Rio de Janeiro, e foram criados novos conjuntos industriais especializados, localizados principalmente em cidades médias. Assim, esta nova configuração da atividade produtiva exige novos instrumentos para a análise desta dinâmica. Concluíram que a reversão da polarização industrial no território brasileiro aliado as transformações institucionais ocorridas no Brasil, apontaram para uma reconcentração geográfica de uma região que contempla do Centro de Minas Gerais até o Nordeste do Rio Grande do Sul.

Sabóia (2000, 2001) destacou que a indústria brasileira tem passado por um forte processo de modernização e desconcentração espacial recentemente. O deslocamento da indústria em direção a diferentes regiões podem ser conseqüências, dentre outros fatores: i) da guerra fiscal entre as várias unidades da Federação; ii) dos salários mais baixos nas regiões menos desenvolvidas; iii) da proximidade de fontes de matérias-primas; iv) o nível da infra-estrutura local e, v) do desenvolvimento do MERCOSUL têm provocado o deslocamento da indústria em direção a diferentes regiões. Alguns estados e regiões têm se destacado, beneficiando-se do processo de descentralização industrial. Enquanto o emprego se reduz na maior parte do País, estados como o Paraná, o Ceará e aqueles localizados na Região Centro-Oeste mostram um grande dinamismo, recebendo novas empresas industriais e apresentando forte crescimento do emprego.

As mudanças recentes na orientação da política econômica brasileira têm impactado de forma decisiva e diferenciada nos vários estados ou regiões, repercutindo na competitividade destas regiões e promovendo transferência da produção (DINIZ, 1999). Uma possível continuidade da desconcentração das últimas décadas deve ser acompanhada pelo aumento da heterogeneidade interna das regiões brasileiras, com o surgimento de ilhas de produtividade em quase todas as regiões, o crescimento relativo maior das antigas periferias nacionais e importância maior do conjunto das cidades médias perante as áreas metropolitanas (PACHECO, 1999).

Outros dois pontos estão cada vez mais presentes na discussão de aspectos de localização. Primeiro, o desenvolvimento local que considera maior diversidade na sua avaliação como cultura, história, recursos humanos e materiais diferenciados (DINIZ, 2001). Segundo, a análise de Clusters, Organização Industrial e Desenvolvimento Regional que considera a estrutura do sistema local, economias externas e cooperação no processo de produção (LINS, 2000).

Dada este importante debate acerca da localização da indústria no Brasil, pretende-se contribuir neste trabalho com outro aspecto, não muito explorado, que é a observação do padrão espacial do setor da indústria de bens intermediários nos municípios brasileiros. Como salientou Pacheco (1999), a configuração de novos padrões locacionais, observados a partir das transformações na economia brasileira, pode não ser um processo uniforme para o conjunto da indústria, com desempenhos distintos setorialmente. Com isso, não se deve esperar a definição de uma tendência clara e geral na direção da reaglomeração, da mesma forma que não se deve contar com fortes movimentos de desconcentração.

Neste sentido, o estudo da indústria merece atenção especial pelo seu papel de interligar vários setores da economia. Pode-se enunciar quatro metas principais deste trabalho: i) verificar a existência de uma relação não espacial entre o conjunto de variáveis “não-industriais” e a variável industrial de interesse; ii) encontrar padrões espaciais do setor da indústria de bens intermediários nos municípios brasileiros; iii) identificar os principais determinantes da atividade industriais nos municípios brasileiros e; iv) verificar a existência de transbordamentos industriais. Isto forneceria indicativos de associação espacial entre segmentos da indústria e questões pertinentes de desenvolvimento regional no Brasil.

O trabalho é dividido em outras três seções, além desta introdução. Na próxima, são descritos os aspectos e procedimentos metodológicos, que englobam a descrição e fonte da base de dados, bem como a definição dos métodos exploratórios (Análise Fatorial e Análise Exploratória de

Dados Espaciais) e de econometria utilizados. A terceira seção mostra os resultados encontrados da aplicação de ambos os métodos. Por fim, apresentam-se as conclusões e sugestões de políticas.

2. Procedimentos Metodológicos

2.1. Base de Dados e Definição de Variáveis

O presente estudo avalia setores industriais nos municípios brasileiros. Os dados de indústria utilizados são resultados de agregações a nível municipal de observações da Pesquisa Industrial Anual (PIA) referentes ao ano de 2000 (IBGE, 2002). Os dados utilizados foram operacionalizados por Domingues (2005), que buscou identificar centros industriais e um padrão geral de localização da indústria no território do Brasil e do Nordeste.

A atividade industrial relaciona-se com muitos outros aspectos econômicos, geográficos e sociais. Pode-se citar, no conjunto destes aspectos, determinantes como disponibilidade de mão-obra, distância de mercados consumidores e de fatores, custo de transporte, mercado de trabalho qualificado, incentivos fiscais ao setor, densidade, grau de concentração econômico e urbano, medidas de desenvolvimento regional e urbano, capital humano e amenidades culturais.

As variáveis industriais utilizadas são proporções da atividade industrial total do município. São elas:

BI: Proporção da indústria de bens intermediários na indústria municipal. A classificação do setor industrial de bens intermediários segue, por exemplo, a definição de Bielschowsky (1999), que engloba as indústrias de siderurgia/metalurgia, química, papel e celulose e produtos de minerais não-metálicos.

BCD: Participação percentual do setor de bens de capital e de bens duráveis na indústria municipal. BCND: Participação percentual do setor de bens consumo não-durável na indústria municipal.

A variável industrial de interesse no presente estudo é a variável é participação percentual ou proporção do setor de bens intermediários na indústria municipal (BI), as outras são utilizadas para auxiliar no estudo da mesma. Para verificar a influência de variáveis determinantes sobre este setor industrial dos municípios brasileiros, foram utilizadas as seguintes variáveis:

Capital Humano: refere-se ao valor esperado presente dos rendimentos anuais (descontados a 10% a.a.) associados à escolaridade e experiência (idade) da população em idade ativa (15 a 65 anos). O estoque de capital humano é calculado pela diferença entre o rendimento obtido no mercado de trabalho e a estimativa daquele obtido por um trabalhador sem escolaridade e experiência (IPEADATA, 2008). Capital humano eleva a produtividade não apenas individual, mas, também coletiva, o que ocorreria através das externalidades do capital humano (LUCAS, 1988). Assim, o capital incorporado aos seres humanos, especialmente na forma de saúde e educação, tem a capacidade de gerar ativos por meio do conhecimento, inclusive na atividade industrial. Este índice tem o objetivo de medir a importância do conhecimento na indústria Segundo Lemos et al. (2003), a falta de infra-estrutura de capital humano, dentre outros fatores, constitui um obstáculo ao crescimento industrial regional.

Gastos Econômicos: este indicador representa as despesas segundo setores agregados da economia: Indústria, Comércio e Serviços, dado pelo IBGE (2008). O incentivo fiscal observado pelo gasto do Estado com estes setores tem influência sobre tais atividades. Tal indicador tem objetivo de captar o estímulo ou desestímulo proporcionado pelo gasto governamental na indústria. Para Rezende (1997), o governo não teria necessidade de se envolver com o gasto econômico, que corresponde à

parcela do gasto que diz respeito a atividades econômicas, mas que na prática, este gasto deve-se a necessidade de regulação de mercados.

Inovação: corresponde à despesa com ciência e tecnologia. Esta variável é um importante indicador de gastos com pesquisa e desenvolvimento nos municípios e foi extraído do IPEADATA (IPEADATA, 2008). Existem muitos trabalhos na literatura que tratam de inovação, investimento em P&D e desenvolvimento regional (GONÇALVES, 2006; OLIVEIRA, 2007; CASSIOLATO e LASTRES, 1998). O estímulo oferecido por este gasto tem repercussões em toda a cadeia produtiva, o que favorece o desenvolvimento regional e atraí um conjunto diferenciado de atividades econômicas.

Desenvolvimento Regional: corresponde a despesa dos municípios em projetos de desenvolvimento regional conforme caracterização do IPEADATA (2008). Este índice tem como objetivo averiguar o seu grau de influência sobre questões relacionadas à indústria. Na literatura existem trabalhos que avaliaram localização industrial sobre a ótica da concentração e descontração desta atividade, fatores que estão também diretamente ligados ao debate sobre competitividade e desenvolvimento regional (DINIZ, 1995; AZZONI e FERREIRA, 1999). Assim, este índice pode auxiliar no melhor entendimento da localização da atividade industrial.

Amenidades Culturais: são representadas pelo número de bibliotecas públicas, museus, teatros ou salas de espetáculos, centros culturais, estádios ou ginásios poliesportivos e cinemas nos municípios. Os dados foram extraídos da pesquisa de cultura dos municípios realizada pelo IGBE (2007). Gonçalves (2006) acredita que, embora esta variável reflita apenas parte dos componentes para a existência de boas condições de vida em um centro urbano, estas externalidades indicam, em certo sentido, o grau de atração do centro urbano. Diniz (2001) defendeu que aspectos culturais, dentre outros, influenciam no desenvolvimento de atividades locais e inovações.

Qualificação da Mão-de-Obra: é medida pelo percentual de pessoas no município com 25 anos ou mais que possuem doze anos ou mais de estudo, segundo o Atlas de Desenvolvimento Humano no Brasil – 2000, do Programa das Nações Unidas para o Desenvolvimento (PNUD), disponível no endereço do IPEA (IPEA, 2008). A qualidade dos trabalhadores na indústria relaciona-se de forma direta com a capacidade de criar inovação, com o aumento da produtividade e dos salários no setor (SABÓIA, 2001; CASTRO, 1997)

Exportações: esta variável tem como objetivo medir a inserção externa das economias municipais. Segundo Haguenauer et al. (1998) e Levy e Serra (2002), o coeficiente de exportação da indústria cresceu ao longo da década de 1990, após a abertura comercial. Isto evidencia aumento da competitividade do setor no Brasil, bem como adequação nos custos, melhoria na qualidade dos produtos e ampliação do mercado.

Grau de Industrialização: corresponde ao percentual de pessoas ocupadas em Unidades Locais Industriais no município, segundo o Sistema Nacional de Indicadores Urbanos, do Programa das Nações Unidas para o Desenvolvimento (PNUD), disponível no endereço do Ministério das Cidades (Brasil, 2008). Esta variável foi utilizada por Andrade e Serra (1998) para avaliar crescimento econômico nas cidades médias brasileiras. Para estes autores tal índice esclarece aspectos importantes acerca do comportamento da indústria, como uso de mão-de-obra e produtividade total.

Riqueza da Indústria: representa o PIB industrial dos municípios brasileiros, obtidos no IPEADATA (2008). Este índice coloca uma questão interessante na análise que é em relação à influência da presença de setores industriais na atração [mercado consumidor local ou não em crescimento, economias de escala externas a firma a la nova geografia econômica (FUJITA et al.,

2002) ou repulsão de outras indústrias. Assim, tal índice tentará medir a existência ou não desta possível influência.

Densidade de Emprego Industrial: é a razão entre o número de pessoas ocupadas em Unidades Locais Industriais no município e sua área em km2. O objetivo deste índice é complementar o índice anterior, no que diz respeito à captação de aspectos espaciais, como concentração de empregados e fertilização cruzada (CARLINO et al., 2001).

Renda: refere-se à renda per capita dos municípios brasileiros extraída do Atlas de Desenvolvimento Humano no Brasil – 2000. Este indicador tem a função de medir o tamanho do mercado consumidor local. O objetivo é verificar a sua relação com a indústria no município, uma vez que se espera que quanto maior a renda maior o nível desta atividade. A magnitude do mercado consumidor, dentre outros fatores, relaciona-se com fatores de investigação mais profunda como reestruturação e relocalização da indústria no Brasil (DINIZ e CROCCO, 1996).

Densidade: este índice é a razão entre a população municipal e sua área em km2. Isso complementa o índice anterior na finalidade de medir o mercado consumidor e fornece adicionalmente o potencial de crescimento da indústria local ou a capacidade de receber novas atividades. Para Lemos et al. (2000), locais de maior densidade urbana tende a se constituir em um centro de consumo coletivo, que tende a atrair um fluxo de pessoas ou um fluxo de transações.

Polarização Industrial: representa a porcentagem de Unidades Locais industriais no município, observado no Sistema Nacional de Indicadores Urbanos. Este indicador tem como objetivo medir o grau de industrialização das economias locais. Assim, a idéia é extrair informações sobre aspectos distintos do potencial de mobilização da indústria. De acordo com Perroux (1977) mudanças ocorrem de forma distinta entre as regiões, com mais intensidade em alguns locais do que em outros e com capacidade de promover efeitos diferentes sobre a economia global.

Densidade Industrial: é a razão entre o número de Unidades Locais Industriais no município e sua área em km2. Objetivo desse índice é complementar o índice anterior para captar aspectos espaciais da localização das indústrias no território nacional.

Custo de Transporte: corresponde ao custo de transporte da Sede Municipal até a Capital mais próxima, extraído do IPEADATA (IPEADATA, 2008). Este índice tem como objetivo averiguar a influência de aspectos de localização da atividade industrial, conforme proposições na literatura sobre a configuração da indústria no espaço brasileiro, competitividade e arranjos estruturais (ERBER, 2001; YOUNG e LUSTOSA, 2001; CASSIOLATO e LASTRES, 2001). A localização da atividade produtiva com vista aos custos de transporte possui discussão profunda na literatura, cujo mérito foge do escopo deste trabalho. Assim, a introdução desta variável assegura que aspectos relacionados à economia regional e geografia sejam considerados. Como salientou McCann (2002), sem alguma análise explícita do relacionamento entre geografia e comportamento de produção/consumo, não é possível discutir adequadamente como as relações de produção/consumo afetarão o comportamento geográfico de uma firma ou consumidor.

Maior parte destas variáveis corresponde ao ano de 2000, base de referência para os dados industriais observados. No entanto, há algumas variáveis com informações relativas a anos diferentes de 2000. Isso contribui para a redução do problema de simultaneidade e causalidade. Este procedimento foi realizado similarmente por Carlino et al. (2001) para analisar inovação e questões de patentes (GONÇALVES, 2006). Implementou-se adicionalmente um procedimento de estimação de observações missing para algumas variáveis. Tal procedimento constitui-se em regressões de Mínimos Quadrados em que se consideram as coordenadas geográficas dos municípios.

2.2. Métodos Exploratórios 2.2.1. Análise Fatorial

A análise fatorial tem a função principal de reduzir o número original de variáveis, de forma que estes fatores independentes extraídos possam explicar, de forma simples e reduzida, as variáveis originais. O método de análise fatorial é uma técnica estatística multivariada usada para representar relações complexas entre conjuntos de variáveis. No modelo de análise fatorial, cada uma das variáveis pode ser definida como uma combinação linear dos fatores comuns que irão explicar a parcela da variância de cada variável, mais um desvio que resume a parcela da variância total não explicada por estes fatores.

Segundo Schneider e Waquil (2001) as combinações lineares das variáveis dos fatores podem ser descritos pela expressão geral para o j-ésimo fator (Fj):

p pj p i ij i j j w x w x w x F 1 1 1  (1)

onde wij são os coeficientes fatoriais, xi são as variáveis observáveis e p é o número de variáveis. As

variáveis (xi ... xp) são padronizadas para eliminar os problemas de diferentes unidades medidas.

Cada Fj representa um conjunto de observações não- observável diretamente, de acordo com o peso

que cada variável contribui para a formação do fator. Estes pesos nas variáveis são as cargas fatoriais (SILVA, 1995).

Podem-se descrever as etapas desenvolvidas na análise fatorial da seguinte forma geral: (i) cálculo da matriz de correlação de todas as variáveis; (ii) determinação do número e extração dos fatores; (iii) rotação dos fatores, transformando-os com a finalidade de facilitar a sua interpretação; (iv) cálculo dos escores fatoriais. Estes escores são utilizados então em outras análises, como por exemplo, a formação de grupos homogêneos de observações (clusters), permitindo a classificação dos municípios (SCHNEIDER e WAQUIL, 2001).

Um dos objetivos da análise fatorial é formar fatores que expliquem a correlação entre as variáveis e com isso aproximar o modelo original utilizando um mais sintético. O teste de esfericidade de Bartlett é utilizado para verificar se a matriz de correlação entre as variáveis é uma matriz identidade. Outra forma de verificar se o modelo de análise fatorial está adequadamente ajustado aos dados é o teste de Kaiser-Meyer-Olkin (KMO), que compara os valores dos coeficientes de correlação observados com os valores dos coeficientes de correlação parcial. A correlação parcial entre duas variáveis é aquela existente entre todas as outras demais variáveis da análise supostas constantes. Quando as correlações parciais são próximas de zero, o valor da medida de KMO se aproxima de um, e a matriz Rpxp1 (a matriz de correlação inversa) está próxima da matriz diagonal. Neste caso, modelo de análise fatorial estaria adequadamente ajustado aos dados. A medida KMO pode ser definida como:

j i ij j i ij j i ij Q R R KMO 2 2 2 (2)

onde Rijé a correlação amostral entre as variáveis e Qijé a correlação parcial.

Seguindo os passos sugeridos por Schneider e Waquil (2001), tem-se a na próxima etapa a extração dos fatores. Atentam que apesar da matriz de fatores obtida na etapa de extração indicar a relação entre os fatores e as variáveis observadas, geralmente é difícil interpretá-los já que a maior parte dos fatores aparece correlacionada com diversas variáveis. O método de rotação tem a função de transformar a matriz de fatores em outra mais simples de interpretar. Ao rotar os fatores, cada

fator deve ter cargas ou coeficientes não-nulos para apenas algumas das variáveis. A rotação não afeta as comunalidades1 e a percentagem da variância total, apenas a percentagem da variância por cada fator, que é redistribuída pela rotação. A rotação ortogonal é aquela em que os eixos são mantidos em ângulo reto. O método de rotação mais utilizado é o VARIMAX, que minimiza o número de variáveis com altas cargas sobre um fator.

Por fim, calculam-se os escores fatoriais para cada município. Os resultados destes procedimentos encontram-se na próxima seção.

2.2.2. Análise Exploratória de Dados Espaciais

Esta técnica tem como objetivo tratar de efeitos espaciais de heterogeneidade e dependência entre as observações. Heterogeneidade espacial significa que os dados não ocorrem similarmente no espaço, já a dependência espacial é a coincidência de similaridade dos dados acoplada com similaridade de localização. Este procedimento exploratório fornece indicativo a respeito de regimes espaciais e de padrões de associação espacial ou clusters espaciais (ANSELIN, 1996).

A medida utilizada neste trabalho para verificar a presença de dependência espacial é a estatística I de Moran. Seguindo Cliff e Ord (1981), em termos formais a estatística I de Moran (It)

pode ser expressa como:

n t z z Wz z S n I t t t t o t ' , 1,... ' (3)

em que zt é o vetor de n observações para o ano t na forma de desvio em relação à média. W é a

matriz de pesos espaciais: os elementos wii na diagonal são iguais à zero, enquanto que os

elementos wij indicam a forma como a região i está espacialmente conectada com a região j. O

termo So é um escalar igual à soma de todos os elementos de W.

O I de Moran fornece a indicação formal do grau de associação linear entre os vetores de valores observados no tempo t (zt) e a média ponderada dos valores da vizinhança, ou as defasagens

espaciais (Wzt). Valores de It maiores do que o seu valor esperado E It 1 n 1 , indica presença de autocorrelação espacial positiva. O contrário indica presença de autocorrelação espacial negativa (ANSELIN, 1992).

O valor do I de Moran computado segue o procedimento comum em que a variável analisada é assumida seguir uma distribuição normal não-correlacionda dos dados. Os procedimentos alternativos, permutação e randomização, assumem características de probabilidade e aleatoriedades de ocorrência das observações nas localidades2. A hipótese de distribuição normal da variável transmite também as propriedades assintóticas inerentes a esta distribuição como padronização (média zero e variância igual a 1) e tamanho da amostra (i.e., assumindo que a amostra pode se tornar infinitamente grande) (ANSELIN, 1992).

Apesar da estatística I de Moran prover indícios de presença ou ausência de autocorrelação espacial global, uma complementação da análise necessita ser realizada com relação às estatísticas locais de correlação. Os indicadores locais de associação espacial (Local Indicator of Spatial Association – LISA) ou Moran Local cumprem esta tarefa e fornecem ainda a significância dos valores locais dos clusters espaciais.

Anselin (1995) definiu que um indicador LISA deveria ter duas propriedades: i) apontar aquelas unidades em redor da qual há aglomeração de valores semelhantes; ii) a soma dos LISA individuais deveria ser proporcional ao indicador de associação total. O indicador de Moran Local (Ii) guarda essas características e pode ser calculado da seguinte forma:

1

Comunalidade é a proporção da variância de cada variável explicada pelos componentes principais retidas.

2 _{O valor do I de Moran considerando a abordagem de permutação também foi calculado. Devido a alta proximidade}

i i j j ij i i z z w z I ₂ (4)

em que z, w e os subscritos i e j seguem a notação anterior. Valores de Ii estatisticamente diferentes

de 0 indicam que a unidade está espacialmente associada aos seus vizinhos. Como a distribuição dos Ii é desconhecida, a forma de obtê-la é através de permutações aleatórias dos vizinhos de cada

unidade. A comparação destas com a observada permitem inferir se a correlação espacial é significativa, ou seja, se trata efetivamente de um cluster espacial. De acordo com Anselin (1995), a estatística LISA é utilizada para medir a hipótese nula de ausência de associação espacial local. Os indicadores LISA podem ser visualizados por Mapas de significância ou de Cluster.

A análise exploratória de dados espaciais é utilizada muitas vezes para verificar a presença de um fenômeno espacial como um procedimento inicial, que é acompanhado de modelagem econométrica.

Antes de apresentar a metodologia relativa aos modelos econométricos, faz-se necessário descrever as matrizes de pesos utilizadas. Para implementar a análise exploratória de dados espaciais, assim como para aplicar as técnicas de econometria espacial, é preciso definir uma matriz de pesos espaciais (W). Essa matriz é a forma de expressar a estrutura espacial dos dados. A escolha da matriz de pesos espaciais é importante, pois os resultados da análise são sensíveis a esta seleção. Qualquer matriz de pesos espaciais precisa atender às condições de regularidade impostas pela necessidade de invocar as propriedades assintóticas dos estimadores e dos testes. Segundo Anselin (1988), isso significa que os pesos devem ser não-negativos e finitos e que correspondam a uma determinada métrica.

Este trabalho fará uso de matrizes de pesos baseadas em dois conceitos de vizinhança. No primeiro, a contigüidade é binária do tipo Queen. Esta matriz é especificada de acordo uma descrição poligonal (unidade de área), em que os vizinhos de uma localidade são aquelas unidades que fazem fronteira com a mesma em um ponto ou de forma contínua.

O segundo é o critério de k vizinhos mais próximos. Esta matriz de pesos pode ser expressa da seguinte forma: ) ( 0 ) ( ,..., 2 , 1 ) ( / ) ( ) ( ) ( 1 ) ( 0 ) ( * k D d se k w n k para k w k w k w e k D d se k w j i se k w i ij ij j ij ij ij i ij ij ij (5)

onde d é à distância, medida pelo grande círculo, entre os centros das regiões i e j. _ij Di(k) denota um valor crítico que define o valor de corte, ou seja, a distância máxima para considerar regiões vizinhas à região i. Distâncias acima deste ponto não são tomadas como vizinhas. A matriz de pesos do tipo K vizinhos mais próximos é uma solução aconselhada quando os pesos na distância e as unidades de área são muito irregulares.

2.3. Econometria Espacial

A econometria espacial pode ser entendida como uma área dentro da econometria destinada ao tratamento da interação (dependência espacial) e da heterogeneidade espacial nos modelos. A autocorrelação espacial é uma maneira comum de testar dependência espacial nos dados. A presença de autocorrelação espacial viola uma hipótese básica dos modelos de regressão lineares que é a independência das observações. A dependência espacial decorre da existência de correlação entre os dados da variável dependente ou do termo de erro com os dados das localizações vizinhas.

Outra hipótese básica que se perde em modelos econométricos espaciais é a de variância constante e pode ser devida a autocorrelação espacial ou a heterogeneidade espacial. A heterogeneidade espacial decorre da instabilidade estrutural nos parâmetros da regressão (coeficientes e variância dos erros diferentes no espaço, ou seja, heterocedasticidade). A dependência espacial necessita de um tratamento próprio nos modelos econométricos espaciais, enquanto que a heterogeneidade pode ser tratada por técnicas econométricas padrão (ANSELIN, 1992).

A dependência espacial, segundo Anselin (1995), pode ser incorporada aos modelos de regressão linear de duas formas. Primeiro, por meio da construção de novas variáveis, as defasagens espaciais, tanto para a variável dependente quanto para as variáveis explicativas e para os termos de erro do modelo. Essas novas variáveis incorporam a dependência espacial através da média ponderada dos valores dos vizinhos. O modelo que utiliza deste procedimento é o de defasagem espacial. Segundo, por meio de termos de erro auto-regressivos (ou de média móvel) espaciais. Este modelo é o de erro espacial.

Seguindo a notação de Anselin e Bera (1998), o modelo de defasagem espacial pode ser definido como:

X Wy

y (6)

onde:

W é a matriz de pesos espaciais;

y é o vetor de observações da variável dependente;

Wy é o termo de defasagem espacial correlacionado com os erros; X é a matriz com observações das variáveis independentes;

é o vetor de coeficientes das variáveis independentes;

é o coeficiente espacial autoregressivo que retrata a influência média dos vizinhos sobre y e fornece a proporção da explicação de y decorrente da dependência espacial;

é o vetor com o termo de erros.

Esse modelo implica que choques em uma localização afetam todas as outras através de um efeito multiplicador global. O termo de defasagem espacial (Wy) tem intuição similar às series temporais, a diferença é que no espaço há mais direções (i.e. norte, sul, leste e oeste) e Wy sempre é correlacionado com o termo de erro, independente das características de sua distribuição. Como destacaram Anselin (1988) e Anselin e Bera (1998), o termo de defasagem espacial deve ser incorporado ao modelo, caso contrário os estimadores de mínimos quadrados ordinários apresentam resultados viesados e não consistentes quando aplicados ao modelo espacial, independente do comportamento dos termos de erro.

O segundo modelo, o de erro espacial, especifica uma forma espacial para o termo de erro na incorporação da autocorrelação espacial. Segundo Anselin e Bera (1998), tal modelo pode ser formalizado da seguinte forma:

X

y (7)

sendo que:

W (8)

onde:

é o termo de erro autocorrelacionado;

λ é o coeficiente espacial auto-regressivo da defasagem do erro W ;

A matriz de variância-covariância do erro (Ω) para este modelo de erros auto-regressivos pode ser dada por:

1 ' 2 1 2 2 ' 2 2 2 W I W I W W I W W I   (9)

Esta estrutura é idêntica para a variável dependente no modelo de defasagem espacial (tomar λ como ρ). A primeira igualdade foi explicitada para retratar que o efeito se multiplica a todas as localidades em um padrão global de autocorrelação. Os elementos fora da diagonal principal representam a dependência espacial existente entre as observações das localidades. Anselin (1999a) atenta que neste modelo a especificação da matriz de variância-covariância do erro (Ω) torna os estimadores de mínimos quadrados ordinários ineficientes, embora não sejam viesados.

Nos dois modelos, a interação espacial é incorporada através da matriz de pesos espaciais, W. A especificação de W e a maneira como ela é incorporada ao modelo econométrico (na forma de defasagem ou de erro espacial), condiciona a interpretação do modelo. O modelo de defasagem espacial é mais adequado para medir interação espacial, enquanto que o modelo de erro espacial e mais apropriado para corrigir problemas causados pela espacialidade dos dados.

Testes são realizados neste trabalho para verificar a existência de dependência espacial. Caso seja detectada sua presença, na forma de defasagem ou erro espacial, estimações apropriadas são implementadas. Os testes podem ser listados: i) para normalidade dos erros (Jarque-Bera); ii) de heteroscedasticidade (Breusch-Pagan ou Koenker-Basset); iii) de dependência espacial (I de Moran e Multiplicadores de Lagrange – LM) para erro (LM-ERRO) e de defasagem espacial (LM-LAG) e, iv) de multicolinearidade (“multicollinearity condition number”) (GONÇALVES, 2006).

A decisão da especificação do modelo final segue o conjunto de sugestões de Florax et al. (2003) combinada com os testes LM robustos. Estas sugestões podem ser sumarizadas nos seguintes passos, segundo Gonçalves (2006): 1) estima-se por MQO o modelo de regressão sem termos espaciais; 2) testa-se, por meio dos testes LM-ERRO e LM-LAG, a hipótese de ausência de dependência espacial devido à omissão de termos espaciais (defasagem espacial ou erros auto-regressivos espaciais); 3) caso sejam significativos, estima-se utilizando a especificação mais adequada, segundo o teste que é mais significativo estatisticamente; 4) se LM-ERRO for significativo e LM-LAG não, estimação do modelo de erros espaciais, e vice-versa.

3. Análise dos Resultados

Esta seção tem como objetivo apresentar os resultados encontrados na realizados dos procedimentos exploratórios e de econometria. Assim, os resultados exploratórios servem tanto para justificar o avanço da análise aplicando-se econometria (análise exploratória de dados espaciais), quanto para sintetizar os indicadores (análise fatorial) utilizados nas regressões para identificar padrões espaciais dos setores industriais estudados.

3.1. Exploratórios 3.1.1. Análise Fatorial

As tabelas abaixo apresentam os resultados da análise fatorial realizada para o conjunto de variáveis descritas na seção 2.2.1, com exceção da variável de interesse, para os municípios brasileiros. A tabela 1 mostra o teste de adequação da amostra à análise fatorial. O teste de esfericidade de Bartlett rejeita a hipótese nula de que a matriz de correlação das variáveis seja uma matriz identidade, isto é, indica a presença de correlação entre as mesmas. O valor da medida de KMO é em torno de 0,762, o que valida a aplicação da análise fatorial e indica um ajuste adequado entre as variáveis e o método.

TABELA 1: Teste de Adequação à Análise Fatorial Medida de Adequação de Kaiser-Meyer-Olkin 0,784 Teste de Esfericidade de Bartlett

Estatística 2 60.710,92 Graus de Liberdade 136

Probabilidade 0,000

Fonte: Elaboração própria com base no programa Stata.

A tabela 2 apresenta o resultado da análise fatorial até o número de fatores extraídos com raiz característica maior que um, com exceção do quarto fator. De acordo com o critério das raízes características, o número de fatores deve ser escolhido levando-se em conta este valor dos fatores. Neste caso, tal critério aponta para a seleção de três fatores3. Estes em conjunto explicam 93% da variabilidade total dos 17 indicadores selecionados. Assim, a perda de informação é de apenas 7% e há a substancial redução das dificuldades de se trabalhar com um grande banco de dados, utilizando-se quatro variáveis ao invés de 17.

TABELA 2: Raízes Características e Variância dos Fatores

Fatores Raízes Características Variância (%) Variância Acumulada (%)

1 5,181 0,56 0,56

2 1,989 0,22 0,78

3 1,387 0,15 0,93

4 0,634 0,07 1,00

Fonte: Elaboração própria com base no programa Stata.

A tabela 3 apresenta os resultados da análise fatorial após rotação VARIMAX4. Ao contrário do procedimento anterior que sugeria três fatores, este aponta para a existência de quatro fatores, de acordo com o critério da comparação com a unidade. Em relação ao resultado anterior (tabela 2) há um crescimento da explicação dos fatores extraídos para 99,8% da variabilidade total dos indicadores5. Assim, decidiu-se pela adoção destes quatro fatores para a representação do conjunto das variáveis.

TABELA 3: Raízes Características e Variância dos Fatores após Rotação VARIMAX

Fatores Raízes Características Variância (%) Variância Acumulada (%)

1 3,686 0,40 0,40

2 2,478 0,27 0,67

3 1,947 0,21 0,88

4 1,080 0,12 99,80

Fonte: Elaboração própria com base no programa Stata.

3

Realizou-se também análise gráfica pelo critério de observação do screeplot, que sugere a escolha de três ou quatro fatores.

4 _{A observação das estatísticas do modelo e dos loadings para os quatro fatores apontou para um possível problema de}

correlação das variáveis com fatores de grandeza similar, o que viola a suposição de ortogonalidade. De forma a corrigir isso, realizou-se uma rotação ortogonal pelo método VARIMAX (tabela 3).

5 _{A rotação PROMAX foi realizada alternativamente e verificou-se robustez dos resultados em relação à rotação}

A tabela 4 mostra as cargas fatoriais e as comunalidades dos indicadores selecionados. As comunalidades representam o quanto de variância comum cada variável carrega. Significa que quando são altas, tem-se que os fatores extraídos descrevem bem as variáveis. As variáveis BCD, Inovação, Desenvolvimento Regional e Custo de Transporte, são as apresentam menores comunalidades. No entanto, a maioria das variáveis tem mais da metade de suas variâncias representadas por fatores comuns.

Na outra parte da tabela estão as cargas fatoriais. Os valores dos coeficientes na tabela sintetizam o grau de correlação existente entre as variáveis e os respectivos fatores que estão correlacionados. A rotação forneceu resultados claros e fáceis de serem interpretados, visto que cada variável está associada fortemente a apenas um fator. Para facilitar ainda mais a análise dos resultados, apresentou-se os coeficientes com valor acima de 0,50.

O fator 1, que engloba 40% da variância de todas as variáveis (tabela 3), correlaciona-se mais fortemente variáveis que incentivam e atraem atividades econômicas como capital humano, amenidades cultura e gastos no desenvolvimento de setores econômicos (tabela 4). Assim, o fator associado a estas variáveis será denominado “Fatores de Atração” (Fator 1: Fatores de Atração).

O segundo fator, como pode ser observado na tabela 3, explica cerca de 27% da variância total dos dados, e é correlacionado principalmente com variáveis de densidade. Engloba as variáveis densidade, densidade industrial e densidade do emprego industrial, logo o nome deste fator será “Densidade Industrial” (Fator 2: Densidade Industrial).

TABELA 4: Matriz de Componentes e Comunalidades dos Indicadores após Rotação VARIMAX

Variáveis Fatores Comunalidades

1 2 3 4 BCD 0,097 BCND 0,187 Capital Humano 0,938 0,946 Gastos Econômicos 0,637 0,458 Inovação 0,097 Desenvolvimento Regional 0,012 Qualificação da Mão-de-Obra 0,859 0,810 Exportações 0,729 0,550 Grau de Industrialização 0,671 0,534 Riqueza da Indústria 0,918 0,879 Renda 0,832 0,797 Densidade 0,840 0,761 Polarização Industrial 0,663 0,487 Densidade de Emprego Industrial 0,859 0,880 Custo de Transporte 0,083 Densidade Industrial 0,847 0,778 Amenidades Culturais 0,847 0,837

Fonte: Elaboração própria com base no programa Stata.

O terceiro fator, que leva em consideração 21% da variabilidade total dos dados (tabela 3), engloba as variáveis renda e qualificação da mão-de-obra nos municípios (tabela 4). Os municípios que possuem trabalho qualificado tendem a apresentar nível alto de renda per capita. Este fator será

denominado de “Escala Local”, uma vez que mão-de-obra se insere como um fator de produção a ser utilizado pelas indústrias e sua disponibilidade afeta as decisões relativas à localização desta atividade, e renda per capita é um indicativo do poder aquisitivo da população local e do nível de desenvolvimento das atividades locais (Fator 3: Escala Local).

Por fim, tem-se o quarto fator, que representa 12% da variância total (tabela 3), e possui forte correlação com variáveis associadas a grau e polarização industrial. Assim, este fator será nomeado de “Intensidade Industrial” (Fator 4: Intensidade Industrial). Este fator, ao contrário do anterior que se correlaciona com atividade industrial por área em km2, refere-se a fatores relacionados à escala industrial nos municípios.

Como destacou Gonçalves (2006), a ordem de importância dos fatores, em vista do grau de explicação da variância total, é relevante na análise fatorial, visto que o primeiro fator tem maior capacidade de representar o conjunto de indicadores analisados. Assim o fator “Fatores de Atração” é o fator principal para caracterização e diferenciação quanto ao padrão industrial dos municípios brasileiros. Vale destacar que juntos os quatro fatores explicam quase que totalmente o conjunto selecionado de variáveis (99,8% - tabela 3), o que reforça e justifica, no presente estudo, a utilização da análise fatorial da sumarização dos dados, uma vez que a perda de informação é quase irrelevante.

Foram construídos e extraídos os escores dos fatores nesta etapa que serão utilizados no procedimento econométrico. A classificação das variáveis independentes segue a denominação feita com base nos resultados da tabela 4.

3.1.2. Análise Exploratória de Dados Espaciais

Esta técnica foi utilizada para verificar a presença de padrões espaciais de associação relacionados à variável de interesse “proporção da indústria de bens intermediários” na indústria total dos municípios brasileiros, como a formação de clusters significativos.

A tabela 5 apresenta os índices de Moran segundo os dois critérios de vizinhança especificados anteriormente. Verifica-se robustez com relação à utilização dos diferentes tipos de matrizes. Os coeficientes foram positivos e significativos a 1%, o que indica presença de autocorrelação espacial global positiva. Os valores dos coeficientes não foram muito altos nem muito baixos, o que mostra um padrão intermediário de concentração espacial da proporção da indústria de bens intermediários. Assim, há municípios com alta de proporção da indústria de bens intermediários circundados por municípios com alta proporção da indústria de bens intermediários e vice-versa.

TABELA 5: Índice de Autocorrelação Espacial Global para Proporção da Indústria de Bens Intermediários

Matriz de Peso Espacial I de Moran Média Desvio-Padrão Probabilidade

Queen 0,207 0,000 0,008 0,000

5 vizinhos mais próximos 0,203 0,000 0,009 0,000 10 vizinhos mais próximos 0,182 0,000 0,006 0,000 15 vizinhos mais próximos 0,173 0,000 0,005 0,000 20 vizinhos mais próximos 0,166 0,000 0,004 0,000

Fonte: Elaboração própria com base no programa SpaceStat.

A figura 1 mostra na forma de mapa o diagrama de dispersão de Moran para a variável estudada. O mapa permite uma visualização geral do padrão de associação da proporção da indústria de bens intermediários no território brasileiro e o seu sinal. Percebe-se que o padrão de associação que prevalece é do tipo baixo-baixo, que significa que municípios com baixa proporção

da indústria de bens intermediários são vizinhos de municípios com baixa proporção da indústria de bens intermediários. Esta associação domina grande parte do Nordeste, Centro-Oeste e Norte do país e também nos Estados de Minas Gerais e Rio Grande do Sul. O padrão alto-alto está presente em grande parte do Sudeste e do Sul, englobando uma área significativa que vai do Rio de Janeiro a Santa Catarina.

FIGURA 1: Mapa do Diagrama de Dispersão de Moran para Proporção da Indústria de Bens Intermediários

Fonte: Elaboração própria com base no programa ArcView-GIS.

FIGURA 2: Mapa dos Clusters Significativos da Proporção da Indústria de Bens Intermediários

O mapa da figura 1 não permite inferir estatisticamente a respeito do padrão de associação espacial da proporção da indústria de bens intermediários. A medida de associação local LISA fornece a significância estatística dos clusters observados. A figura 2 retrata o Mapa de Significância de Moran, que mostra os regimes espaciais significativos da variável de interesse. Há dois padrões mais evidentes nesta figura. O primeiro e mais representativo, mostra clusters formados em vários pontos do território brasileiro do tipo Alto-Alto. O maior engloba a uma área do Oeste do Estado do Rio de Janeiro até o Sul do Estado de Santa Catarina, passando pelo Sul de São Paulo e pela parte Central do Paraná. Observa-se este padrão também nos Estados de Rondônia, Mato Grosso, Minas Gerais e Espírito Santo. No Nordeste, de forma geral, poucos clusters mostraram-se significativos. O segundo padrão observado diz respeito aos agrupamentos do tipo Alto-Baixo, em que municípios de alta proporção da indústria de bens intermediários estão rodeados de municípios com valor baixo desta mesma variável. Estão presentes de forma descontínua no território e sem um padrão de localização e dimensão definido como o grupo dos clusters Alto-Alto6.

O perfil principal dos agrupamentos Alto-Alto mostra claramente onde a indústria de bens intermediários tem mais importância e onde se consolidou. A parte Sul Estado de São Paulo, onde se localiza a região metropolitana, concentra grande parte da indústria de transformação do estado, resultado do processo histórico de formação da indústria no Brasil (SUZIGAN et al., 2003). Outras áreas mostraram-se também significativas, visto nos clusters formados no Paraná, Santa Catarina, Minas Gerais e Rondônia. Isso pode ser resultado do processo de reversão da concentração econômica do Estado de São Paulo.

Como aponta Diniz (1999), a desconcentração relativa da produção no Brasil tem como principais causas: i) as deseconomias de aglomeração na área metropolitana de São Paulo e criação de economias de aglomeração em vários outros centros urbanos e regiões; ii) a busca de recursos naturais, traduzida pelo movimento das fronteiras agrícola e mineral, com reflexos na localização industrial e dos serviços e iii) os efeitos locacionais da competição inter-empresarial, especialmente para o aproveitamento de recursos naturais, criação de barreiras à entrada e ocupação de novos mercados reais ou potenciais.

As áreas classificadas como Alto-Baixo estão localizadas de forma dispersa no território, o que evidencia a presença de pontos industriais isolados. No Nordeste e nos Estados de Tocantins e Goiás há predominância deste padrão.

3.2. Econometria Espacial

Nesta parte do trabalho buscou-se modelar a proporção da indústria de bens intermediários utilizando os fatores extraídos anteriormente (seção 3.1.1) como variáveis independentes7. A tabela 6 apresenta a primeira tentativa de modelar a atividade industrial do setor de bens intermediários nos municípios brasileiros (variável dependente). Para isso usou-se uma regressão por mínimos quadrados ordinários. Esta tabela pode ser dividida basicamente em três partes. A primeira mostra os coeficientes estimados das variáveis independentes, bem como seus desvios-padrão, estatísticas t e probabilidades. A segunda apresenta a medida de ajustamento do modelo aos dados (R2), o indicador de multicolinearidade e alguns testes de especificação, o de Jarque-Bera para normalidade, o de Koenker-Bassett e White para heteroscedasticidade. A terceira mostra, em resumo, os testes de detecção de dependência espacial

Observa-se que todos os coeficientes são altamente significativos e possuem valores positivos, como esperado. Com relação aos coeficientes das variáveis independentes (fatores) analisados individualmente, destaque para “Intensidade Industrial” com maior valor e único a superar a unidade (2,26). Significa que a presença unidades industriais, bem como de mão-de-obra neste setor exerce forte influência sobre a atividade industrial de bens intermediários nos

6

As figuras 1 e 2 foram produzidas com base na matriz de pesos do tipo Queen, sendo as figuras baseadas nas matrizes de pesos k vizinhos mais próximos similares a estas.

municípios brasileiros. A variável “Escala Local” também apresentou valor elevado (0,87), o que demonstra que tanto qualificação do trabalho quanto renda local são importantes para explicar a localização deste setor industrial.

TABELA 6: Regressão MQO da Proporção da Indústria de Bens Intermediários e Testes de Dependência Espacial

Variáveis Independentes Coeficiente

Desvio-Padrão t Probabilidade Constante 1,88 0,1707 11,00 0,0000 Fatores de Atração 0,60 0,1565 3,81 0,0001 Densidade Industrial 0,89 0,1620 5,51 0,0000 Escala Local 0,87 0,1708 5,07 0,0000 Intensidade Industrial 2,26 0,1968 11,49 0,0000 D_Outilier 78,22 0,4092 191,13 0,0000 R2 ajustado 0,88 Condição de Multicolinearidade 1,74 Jarque-Bera 17.030,87 0,0000 Koenker-Bassett 1.575,74 0,0000 White 1.945,29 0,0000 Moran 5,51 - - 0,0000 LM (erro) 29,75 - - 0,0000 LM Robusto (erro) 13,28 - - 0,0003 Kelejian-Robinson (error) 236,34 - - 0,0000 LM (lag) 30,00 - - 0,0000 LM Robusto (lag) 13,52 - - 0,0002 LM (SARMA 43,28 - - 0,0000

Nota: Número de observações é igual a 5507.

Fonte: Elaboração própria com base no programa SpaceStat.

Fatores relacionados à condição de vida (amenidades culturais), capital humano, inserção no mercado externo, incentivo fiscal a atividade econômica (posicionados no Fator “Fatores de Atração”) e concentração industrial (Fator “Densidade Industrial”) também se mostraram determinantes da atividade industrial de bens intermediários, embora menos significativamente que a primeira variável anteriormente mencionada.

O valor inferior do conjunto correspondente a concentração industrial pode estar relacionados ao processo de relocalização da atividade produtiva atentada em Diniz (1999) e Diniz e Crocco (1996). Por outro lado, o valor inferior relativo ao bloco que engloba capital humano, amenidades culturais e exportações pode ser visto de forma alternativa, em que estas variáveis estão na verdade em processo de ascensão na caracterização da produção industrial regional.

Com relação ao primeiro processo, as mudanças observadas tem se mostrado sensíveis a alteração na dimensão espacial do desenvolvimento brasileiro e as tendências indicam certa continuidade da desconcentração em direção ao interior de São Paulo e aos principais estados do Sul e do Sudeste e, até mesmo, para o Nordeste, no caso das indústrias intensivas em mão-de-obra (PACHECO, 1999).

O outro processo aponta para uma conclusão diferente. A abertura comercial teve impacto de aumentar a produtividade e a competitividade da indústria nacional. Fatores como inovação tecnológica, investimento em P&D, qualificação da mão-de-obra tornaram-se essenciais e mais

presentes nas atividades produtivas, em especial na indústria. Aspectos culturais e de recursos humanos, por sua vez, estão cada vez mais freqüentes na caracterização dos espaços, dando novo sentido e compreensão acerca do comportamento da produção, do consumo, fluxos de pessoas e comércio, e dos determinantes do desenvolvimento regional (DINIZ, 2001).

Um experimento realizado foi à introdução de uma variável dummy para controlar as informações municipais mais discrepantes em termos de desvio-padrão e, com isso, controlar mais adequadamente o modelo para a dependência espacial (variável D_Outlier)8. Essa variável também foi significativa, mostrando que em tais municípios as variáveis independentes consideradas não explicam de forma apropriada a atividade industrial de bens intermediários. Outros fatores não introduzidos no modelo podem ser importantes para explicar a proporção da indústria de bens intermediários nestes municípios.

A parte seguinte da tabela mostra que o grau de ajuste do modelo aos dados está alto, com R2 de (0,88). O teste de Jarque-Bera rejeita a hipótese nula de normalidade dos erros a 1% de significância, atestando que os resíduos não são normais. Os testes de Koenker-Bassett e de White apontam para a presença de heteroscedasticidade no modelo. Este problema torna as inferências estatísticas não confiáveis, sendo necessária a correção usual de usar matrizes de variâncias robustas em lugar das originais. A condição de multicolinearidade apresentou valor de 1,74, bem abaixo do que nível máximo de tolerância sugerido pela literatura (ANSELIN, 1992). Este valor baixo da condição de multicolinearidade pode ser resultado da agregação feita na análise fatorial, em que cada grupo refere-se a um tipo de componente.

A terceira parte da tabela é em tese a mais importante, pois ela indica o próximo passo do processo de estimação e definição do modelo final. A caracterização principal do modelo é de defasagem espacial, de acordo o procedimento sugerido por Florax et al. (2003), o que indica que a atividade industrial de bens intermediários de um município é influenciada pela mesma atividade dos municípios vizinhos. Pode-se observar, com isso, a existência de interação espacial em torno desta atividade, ou difusão da atividade industrial deste setor. Isto reforça justamente o que a literatura anteriormente mencionada vem defendendo e alertando acerca do processo de desconcentração industrial no território brasileiro, principalmente a partir da região metropolitana de São Paulo. O modelo de erro espacial também se mostrou significativo, apesar do modelo de defasagem espacial ser o mais significativo. Isso reforça o uso do modelo econométrico para a avaliação do padrão espacial da indústria de bens intermediários.

Como aponta Sabóia (2000), a indústria brasileira tem se configurado sob uma nova tendência, marcada pelo aumento da importância do interior dos principais estados industrializados e de alguns estados fora do eixo Sul-Sudeste, em que estariam emergindo novas aglomerações industriais de pequeno porte nas mais distintas regiões do país, com predominância de baixo nível de diversificação industrial e baixos salários. A difusão do setor industrial reflete uma tendência marcada pela mudança no padrão locacional da indústria brasileira, que está associada ao transbordamento do conhecimento adquirido ao longo da historia industrial do país. Outros fatores como o fluxo de pessoas e experiência, aperfeiçoamento dos meios de comunicação, políticas fiscais que almejam a desconcentração regional e a globalização, fenômeno com impacto em diversos segmentos como aponta Diniz (2001), também são relevantes neste processo.

A presença de heterocedasticidade no modelo (tabela 6) ocorre normalmente em virtude da heterogeneidade espacial que reflete as diferentes características dos municípios. Para verificar isso, dividiu-se o conjunto de municípios brasileiros em dois grupos. Um é formado pelos municípios localizados nas regiões sul e sudeste e o outro grupo é formado pelo restante dos municípios brasileiros. A intenção é criar regimes espaciais que reflitam as características comuns de ambos os grupos de municípios. O primeiro grupo está associado, em tese, aos municípios dos estados mais ricos e desenvolvidos do país, enquanto que o segundo grupo está associado aos municípios dos estados mais pobres. Com isso, foi criada uma variável que indica qual regime correspondem os resultados. O primeiro grupo, formado por 2825 municípios, recebeu valor igual à unidade e o

8 _{Tal variável foi extraída do modelo de MQO considerando-se apenas os quatro fatores como variáveis independentes.}

segundo, formado por 2682 municípios, assume valor igual a 0. Esta divisão permite testar a hipótese nula de que os coeficientes estimados são iguais em ambos os regimes espaciais.

A tabela 7 apresenta o resultado da estimação por Variável Instrumental do Modelo de Defasagem Espacial utilizando Mínimos Quadrados de 2 Estágios. A estimação do modelo de defasagem espacial neste caso é imprescindível para a consideração dos efeitos espaciais de defasagem, caso contrário tem-se uma estimação viesada e inconsistente. Outro fator considerado para a escolha deste modelo é o fato do modelo anterior (tabela 6) apresentar indícios de não normalidade dos erros. O método de variáveis instrumentais é uma alternativa robusta a estimação por Máxima Verossimilhança, uma vez que a hipótese de erros normalmente distribuídos não é necessária (ANSELIN, 1992).

Segundo Anselin (1992), o princípio da estimação por variáveis instrumentais é baseado na existência de um conjunto de instrumentos, que são fortemente correlacionados com as variáveis originais, mas assintoticamente não correlacionadas com o termo de erro. O presente trabalho seguiu a sugestão de Kelejian e Robinson (1992) na escolha dos instrumentos. O procedimento consiste na introdução de variáveis exógenas espacialmente defasadas, o que na prática implica na inclusão apenas das variáveis explicativas defasadas espacialmente em primeira ordem.

TABELA 7: Estimação por Variável Instrumental (2SLS) do Modelo de Defasagem Espacial para Proporção da Indústria de Bens Intermediários

Variáveis Coeficiente

Desvio-Padrão t Probabilidade W_(Proporção da indústria de BI) 0,04 0,0094 4,02 0,0001

Constante_0 0,65 0,3635 1,78 0,0747 Fatores de Atração_0 -0,64 0,6161 -1,05 0,2957 Densidade Industrial_0 0,97 0,4415 2,19 0,0284 Escala Local_0 -0,08 0,3942 -0,20 0,8408 Intensidade Industrial_0 1,96 0,3271 6,00 0,0000 Outlier_0 79,96 0,7019 113,92 0,0000 Constante_1 1,26 0,3147 3,99 0,0001 Fatores de Atração_1 0,68 0,1621 4,19 0,0000 Densidade Industrial_1 0,83 0,1758 4,69 0,0000 Escala Local_1 1,16 0,2359 4,90 0,0000 Intensidade Industrial_1 2,07 0,2716 7,62 0,0000 Outlier_1 76,70 0,5230 146,66 0,0000

Estabilidade dos Coeficientes

Individuais Constante_0 2,02 - - 0,1557 Fatores de Atração_0 4,32 - - 0,0377 Densidade Industrial_0 0,09 - - 0,7640 Escala Local_0 7,28 - - 0,0070 Intensidade Industrial_0 0,07 - - 0,7985 Outlier_0 14,24 0,0002 R2 0,88 Chow-Wald 24,38 - - 0,0004 LM (erro) 12,06 - - 0,0005

Notas: 1) 2SLS é uma sigla cujos termos traduzidos significa Mínimos Quadrados de 2 Estágios. 2) Número de observações é igual a 5507.