1
CONVERGÊNCIA DE RENDA RURAL NO SUL DO BRASIL - 2001/2007
arno@ufpr.br
APRESENTACAO ORAL-Evolução e estrutura da agropecuária no Brasil
ARNO PAULO SCHMITZ; MAURICIO VAZ LOBO BITTENCOURT.
UFPR - UNIVERSIDADE FEDERAL DO PARANÁ, CURITIBA - PR - BRASIL.
Convergência de Renda Rural no Sul do Brasil - 2001/2007
Grupo de Pesquisa: Evolução e Estrutura da Agropecuária no BrasilResumo: Este artigo investiga a existência de convergência de renda rural nos municípios da região sul do Brasil no período de 2001 a 2007. Para tanto, utilizou-se regressões quantílicas e estimadas por MQO (não-condicional e condicional), cujos resultados foram comparados. As hipóteses de convergência absoluta e condicional foram testadas e em todos os modelos detectou-se convergência. Para a regressão quantílica condicional, identificou-se pelo menos dois clubes de convergência, um de alta renda (0,90 quantil) e outro com as demais rendas abaixo. As variáveis mais importantes para os modelos de convergência foram a taxa de crescimento da população e variáveis tecnológicas como proporção de máquinas e equipamentos de propriedade e proporção de propriedade com uso de agrotóxicos. Além dessas a formação superior técnica também contribui para elevar a renda e sua convergência.
Palavra chave: convergência, renda rural, regressões quantílicas.
Abstract: This paper analyzes the possibility of convergence at rural income in municipalities in southern Brazil for the period 2001 to 2007. Quantile regressions and OLS (non-conditional and (non-conditional) were estimated. The assumptions of absolute and (non-conditional convergence were tested and all models were found to converge. For the conditional quantile regression, it was identified at least two convergence clubs, a high income (0.90 quantile) and another with lower incomes. The most important variables for the models were the convergence rate of population growth and technological variables as the proportion of machinery and equipment owned and proportion of ownership with the use of pesticides. Besides these, more technical knowledge also helps to raise incomes and income convergence.
Key Words: convergence, rural income, quantile regression
INTRODUÇÃO
A convergência de renda entre regiões e países está freqüentemente nas agendas de pesquisa de grande parte dos economistas. No âmbito regional, a teoria do crescimento econômico, especialmente à luz do empirismo das desigualdades ou desníveis econômicos, expõe a instigante questão da existência de uma convergência no nível de renda. Pois, se este fenômeno econômico realmente acontece, torna-se então primaz as questões da velocidade de convergência e o nível ou níveis de convergência. Tanto em termos teóricos com respeito à
sua origem, quanto à abordagem em estudos aplicados, geralmente dá-se os primeiros passos utilizando modelos neoclássicos ou derivados destes. Nestes modelos, a taxa de crescimento de longo prazo da economia é atribuída exogenamente à tecnologia e logo, independe da taxa de poupança. Entretanto, a renda per capita de determinada economia converge para um estado estacionário, bem como de outras economias; pressupondo retornos decrescentes de escala dos fatores de produção.
A questão da convergência está explicitada na dinâmica da transição do capital por unidade de trabalho. A taxa de crescimento do capital por unidade de trabalho, ceteris
paribus, se relaciona inversamente com o nível de capital por unidade de trabalho. No estado
estacionário, a taxa de crescimento do capital por unidade de trabalho é nula. Então, as economias que estão abaixo ou acima do nível de renda no estado estacionário, terão suas taxas de crescimento reduzidas na medida em que elas se aproximam do estado estacionário. Entretanto, economias com menores níveis de capital por unidade de trabalho terão suas taxas de crescimento superiores àquelas com maiores níveis de capital por unidade de trabalho.
Se economias tem parâmetros (tecnologia, taxa de poupança, infraestrutura, etc.) similares então haverá uma convergência para um mesmo nível de renda no estado estacionário. Neste caso tem-se convergência absoluta. Caso os parâmetros sejam diferentes poderão formar-se grupos de convergência para estados estacionários distintos, logo tem-se convergência condicional e/ou em clubes.
Muitos trabalhos empíricos, especialmente aqueles relacionados a novas teorias de crescimento econômico, tem a preocupação com a existência de convergência de renda, sobretudo preocupados com países ou regiões. Tradicionalmente, muitos seguem o trabalho seminal de Baumol (1986), que posteriormente foi aperfeiçoado por Barro e Sala-i-Martin (1992) e Mankiw, Romer e Weil (1992). Adicionalmente, Barro (1990, 1997) investiga a convergência observando outros fatores que determinam o crescimento econômico dos países, e não somente a renda. A questão regional/local torna-se importante à medida que unidades territoriais são influenciadas de forma semelhante como: política econômica comum, algumas instituições que extrapolam limites territoriais, atividades econômicas similares, disponibilidade e utilização de tecnologias, etc. Mas têm suas particularidades, tais como: mobilidade de capital e trabalho, geração de aglomerações produtivas, peculiaridades de clima e outras condições naturais que determinam a aptidão econômica rural. Logo, existem desigualdades e particularidades regionais/locais que são importantes na questão da convergência. Isto significa que, empiricamente, distintas variáveis explicativas estão relacionadas à renda e, por sua vez, à convergência.
O sul do Brasil, por exemplo, é uma região onde a indústria é bastante diferenciada entre as regiões, com espacialidades muito industrializadas e outras com a quase completa ausência de indústrias. Entretanto, os três estados pertencentes a esta região (Paraná, Santa Catarina e Rio Grande do Sul) são reconhecidamente importantes na produção rural, e em praticamente todas as suas localidades. A atividade econômica rural mesmo assim é heterogênea, com espaços ocupados densamente com a produção de grãos, outros com criatórios de animais (aves, suínos, bovinos, etc.), frutas e outros tantos produtos. A diversidade produtiva, por sua vez, implica em remuneração à produção diferente. Esta, em muitos casos é equilibrada com a produção de diversos produtos (não existem somente monoculturas). Neste sentido, o presente estudo se preocupou em medir a convergência de renda rural nos três estados do sul do Brasil, dada a importância da economia rural para estes
3
estados e sem perder de vista que apesar de aparentemente homogênea, a produção e renda rural são heterogêneas. Sendo assim, por um lado sinaliza-se para uma possível convergência de renda; mas, de outro lado, a diversificação da produção rural e sua remuneração implicam numa expectativa de não-convergência.
A QUESTÃO DA CONVERGÊNCIA: Teoria e Possibilidades
A convergência é um processo descrito por uma variável, e existe redução nas suas variações ocorridas ao longo do tempo, ou seja, a desigualdade diminui. Essa variável pode ser apurada em países, regiões ou estados e municípios e assume várias unidades de análise tais como: renda, produto, produtividade, etc. A maior parte dos trabalhos de convergência se situa no âmbito da análise da renda per capita no tempo, ou como medida de comparação desta entre unidades espaciais (Lopes; 2004, p. 16).
O trabalho pioneiro de Baumol (1986) sobre convergência foi uma análise de 16 países industrializados no período de 1870 a 1979, através da estimativa de uma função do tipo: i t i t i t i N Y N Y N Y
α
β
+ε
+ = − − −1 , 1 , , ln ln ln (1) Em que N Yln é o logaritmo natural da renda per capita,
ε
é o termo de erro e i representa as unidades espaciais. Para que haja convergência o parâmetro β deve ser negativo, e os países que detém maior renda inicial terão menores taxas de crescimento. No longo prazo, as rendas per capita dos países tendem a uma convergência em torno de um dado valor, o estado estacionário (convergência absoluta). Entretanto, deve-se considerar que, em unidades espaciais analisadas mesmo que separadamente, ao possuírem características estruturais idênticas, no longo prazo tendem a convergir independente das condições iniciais (convergência condicional). Tem-se ainda que se as rendas per capita de unidades espaciais possuem características estruturais idênticas, existirá convergência somente quando as condições iniciais são muito próximas, caso contrário ter-se-ia a ocorrência de múltiplos equilíbrios estáveis, dada a formação de clubes de convergência. (Barro, Sala-i-Martin; 1995, p. 383-401) (Quah; 1995, p. 20-23) (Bertussi, Figueiredo; 2009).Mas, para Sala-i-Martin (2000) um aspecto importante na questão da convergência é, além da sua existência, a velocidade com que a economia avança durante o processo de transição para o estado estacionário, tal como:
log = + () + , (2)
Em que e representam respectivamente, a renda per capita da economia no período final T e período inicial 0. Aqui as economias se diferenciam pelo estoque de capital por trabalhador. O crescimento econômico é maior em economias com menor estoque de capital por trabalhador. Como a taxa de crescimento da renda per capita é proporcional à taxa de crescimento do capital per capita e a diferença fundamental das economias está nos seus estoques de capital inicial e final, existe então uma relação negativa entre renda inicial e taxa de crescimento. Essa relação é a "hipótese de convergência absoluta" que explicita que quanto
maior for o estimado (apesar do sinal negativo que indica a existência de convergência), mais rápido ocorre o processo de convergência.
No modelo clássico a la Solow, o convergência capta o comportamento dos agentes, geralmente com economias mais pobres crescendo a taxas mais altas que economias mais ricas. Para uma transição mais ou menos veloz a unidade de medida geralmente adotada é o convergência que implica em estimar ( )
.
Outros estudos na análise de processos de convergência destinaram esforços para entender que pode haver convergência, mas não necessariamente absoluta. Assim, cada economia possui seus próprios parâmetros e apresenta seu estado estacionário particular, ou seja, se há uma convergência entre economias esta se dará de forma condicional, tal como:
log = + !+ " ′ # + , (3) Em que ! =( )
e # representa uma matriz de variáveis de controle que podem definir o estado estacionário das economias. Essas variáveis de controle ou explicativas poderão apresentar ou não uma convergência, portanto, condicional.1
Estudos de convergência de renda utilizando controles espaciais (econometria espacial) são um avanço sobre as condições de localização das localidades envolvidas, bem como suas características especificas. Dentre outros estudos similares, Monasterio e Ávila (2004) ao analisarem o crescimento econômico no Rio Grande do Sul sob a perspectiva espacial, utilizaram a partir da equação de Barro (1990) o seguinte modelo de erro espacial:
∆ = % + , + (& − ()) (4)
Em que, ∆ = variação da renda no período em dada localidade; , = renda no período inicial; & = Índice de Moran - representa as variáveis de controle associadas espacialmente; ) = matriz de contigüidade espacial; = erro da regressão; %, ( = parâmetros da regressão. Com este modelo é possível medir a convergência incluindo variáveis definidas espacialmente. Logo, as unidades espaciais ficam associadas ao comportamento econômico. Outros avanços dão conta também do efeito transbordamento espacial de unidades de renda, mas são derivados do modelo descrito acima.
Outro avanço são as estimativas Threshold (efeitos limiares), conforme exposto por Hansen (2000) que capta a existência de múltiplos pontos de convergência, ou seja, a existência e definição de clubes de convergência de acordo com variáveis de controle expressas no modelo.
As inovações nas estimativas de indicadores de convergência avançam na medida que problemas práticos se apresentam. Conforme Silva e Figueiredo (2009), no caso das convergências absoluta e condicional, estas são feitas geralmente através de Mínimos Quadrados Ordinários (MQO), mas pode haver duas inconsistências fundamentais. Primeiro, um com sinal negativo não necessariamente indica convergência, e sim pode representar uma mera regressão pela média, o que é conhecida como falácia de Galton (MADDALA, 2003; 56). Segundo, a presença de outliers e heterocedasticidade viesam indicadores da regressão (coeficientes e variância). Ademais, pressupõe-se que todas as economias possuem uma mesma taxa de convergência dada por . Neste caso, uma possível solução é a utilização
1 Existem outros desenvolvimentos teóricos igualmente importantes, mas de outra linhagem acadêmica, tais
5
de regressões quantílicas que são capazes de captar diferenciações entre parâmetros *, contornando o problema da taxa de convergência única entre unidades espaciais, testando a hipótese de clubes de convergência, exposto por Andrade et al. (2002). O conceito de clubes de convergência foi desenvolvido inicialmente por Quah (1997); este demonstra que economias tendem a formar blocos de convergência de estados estacionários diferentes. Para tanto, a identificação passa pela utilização de cadeias de Markov, como em Pôrto-Junior e Ribeiro (2003), ou estimativas de efeitos limiares tal como Hansen (2000), ou ainda a utilização de regressões quantílicas utilizadas por, dentre outros, Andrade et al. (2002) e Silva e Figueiredo (2009).
Não obstante a utilização de um ou outro método de análise empírica, existe vasta literatura que trata do tema de convergência entre municípios, estados e regiões brasileiras. Diversos autores trataram desta problemática, dentre eles Azzoni (1994), Ferreira (1995), Ferreira e Ellery Jr. (1996), Monteiro Neto e Vergolino (1996) e Souza (1997), dentre outros.
METODOLOGIA E DADOS2
A estratégia metodológica é estimar primeiramente equações de convergência absoluta e condicional para obtenção de informações a priori. Com isso pode-se utilizar regressões quantílicas com vistas a identificar convergência de renda e ou indícios de clubes de convergência, sobre a renda rural dos municípios dos três estados do sul do Brasil no período de 2001-2007. A técnica semiparamétrica de regressões quantílicas tem despertado a atenção de numerosos pesquisadores e servido de instrumental para diversas constatações empíricas. Uma análise com regressões quantílicas ajuda a esclarecer como essas modificações alteram a estrutura dentro da distribuição. As regressões quantílicas foram introduzidas na literatura especializada por Koenker e Basset (1978). Buchinsky (1994 e 1995) é responsável por diversos trabalhos seminais no tratamento por quantis das equações salário.
De acordo com Buchinsky (1998) e Yu et al (2003), os modelos quantílicos têm várias características úteis:
a) podem ser usados para caracterizar a distribuição condicional inteira de uma variável dependente, dado um conjunto de variáveis explicativas;
b) têm uma representação de programação linear que torna as estimações fáceis; c) a função objetivo da regressão quantílica é uma soma ponderada dos desvios
absolutos;
d) analisam toda a distribuição, enquanto a abordagem de MQO convencional só analisa a média da relação entre as variáveis (“efeito causal médio”);
e) as diferentes soluções nos distintos quantis podem ser interpretadas como diferenças na resposta da variável dependente a mudanças nos regressores ao longo dos vários pontos da distribuição condicional da variável dependente.
A regressão quantílica explora, assim, a exposição da curva de densidade de determinada variável dependente frente à variáveis explicativas. Esta curva de densidade é subdividida em quantis e então é possível inferir sobre a convergência ou não em cada estrato, para o caso de convergência de renda. Em regressão quantílica o +-ésimo quantil, para
2 Esta seção é baseada fundamentalmente em Mello e Perrelli (2003), Koenker e Hallock (2001), Buchinsky
0 < + < 1, é definido como /(+) = inf3: 5() ≥ +7 em que é uma variável aleatória com
função de distribuição dado por 5() = 8(9 ≤ ). A definição dos quantis é dizer que uma observação no +-ésimo quantil é maior que +% e menor que (1 − +)% das observações.
Considerando um modelo de regressão linear, = % + < para = 1, 2, … , ? em que é um vetor de coeficientes (k + 1), % é um vetor coluna que é a resposta da i-ésima linha da matriz #@AB de variáveis explicativas, é a i-ésima observação da variável dependente, e < é o termo de erro normal e independentemente distribuído. O estimador MQO (mínimos quadrados ordinários) pode ser encontrado escolhendo o vetor que minimiza a soma dos quadrados dos resíduos, que é C ?D∈ℝG∑ (@I − % )!.
Em contraste, na regressão quantílica, o estimador minimiza uma função objetivo assimétrica linear, dada por:
C ?D∈ℝGJ∑3:NMD7+ | − % | + ∑3:LMD7(1 − +) | − % |O (5) A função quantílica é uma soma dos pesos dos valores absolutos dos resíduos, sendo que quando + =! a minimização do problema se reduz a C ?D∈ℝG∑ | @I − % |, que é a mediana como solução (a média absoluta dos desvios estimados ou regressor mediano). O valor absoluto da função é uma função objetivo simétrica, então quando a função objetivo linear é simétrica obtêm-se uma média condicional como solução. Assim, a solução para uma função objetivo assimétrica deve representar outros quantis.
A interpretação dos coeficientes das regressões quantílicas é conceitualmente análoga a de regressões MQO. No caso do MQO, os coeficientes das regressões medem a influencia das variáveis exógenas sobre a média condicional da variável dependente, enquanto na regressão quantílica os coeficientes representam a influência dos regressores sobre a variável dependente condicional ao +-ésimo quantil.
Por variar o parâmetro + no intervalo de {0, 1} pode-se gerar todas as regressões quantílicas e assim obter a distribuição do crescimento condicional de dado por %. O coeficiente na k-ésima variável, B(+), pode ser interpretado como uma mudança marginal na variável dependente imposta por uma mudança marginal na k-ésima variável condicional no seu +-ésimo quantil. Donde potencialmente tem-se um para cada +. A abordagem da regressão quantílica possibilita identificar os efeitos das covariâncias na variável dependente em pontos diferentes da distribuição. Por isso, pode-se calcular convergência nos quantis supondo que a variável dependente é a taxa de crescimento médio na renda per capita e a variável explicativa é o nível inicial da renda per capita.
O coeficiente na renda inicial em + = 0,10, B(0,10), fornece a mudança marginal na média da taxa de crescimento da renda associada com uma mudança marginal na renda inicial para localidades que estão nos 10% mais baixos da distribuição condicional da taxa de crescimento médio da renda.
Ademais, é praticamente certo, dada a curvatura da função, que os coeficientes mudam substancialmente nos quantis, e é uma forma de analisar os efeitos de outras variáveis na taxa de crescimento. Também se pode inferir sobre a velocidade de convergência em diferentes pontos da distribuição do crescimento condicional. Para regressores estimados por MQO, o coeficiente das variáveis explicativas é restrito para ser o mesmo para todos os quantis, e a riqueza da informação é preservada, ou seja, não se tem informações mais detalhadas. Na regressão quantílica, se as variáveis explicativas afetam somente a localização da distribuição do crescimento condicional, como no modelo clássico de regressão
7
homocedástico, então o método de estimação pela média é apropriado (KOENKER e XIAO, 2002).
Ademais, quando as variáveis explicativas afetam a distribuição dos erros então os métodos de estimação pela média condicional não são adequados. As variáveis explicativas podem afetar a distribuição do crescimento condicional via um grande número de formas, com isso, eles podem afetar a dispersão, posição, extensão da cauda, etc. Neste caso, deve-se estimar a distribuição do crescimento condicional, tal que o uso da regressão quantílica deve ser mais apropriado que métodos de estimação de média condicional. Outra vantagem, especialmente em modelos de regressão quantílica frente a modelos de séries temporais é que não se necessita de séries muito longas para obter significância estatística, embora séries assim sejam desejáveis. Isto porque na verdade a regressão quantílica a la "Barro" condensa a taxa de crescimento média no tempo regredindo sobre variáveis em cross section.
Koenker e Hallock (2001) expõem uma propriedade de robustez atrativa do estimador de regressão quantílico para a presença de observações outlying nas variáveis dependentes. Enquanto o MQO potencializa os efeitos dos outliers, a regressão quantílica penaliza as observações das caudas. Esta propriedade é particularmente importante na sua aplicação, dado o fato que a distribuição da média da taxa de crescimento da renda é tradicionalmente inclinada para a direita.
A Equação de Renda Não-Condicional
A equação de convergência de renda absoluta é estimada utilizando-se o método de MQO. A idéia é de que não é esperada convergência, pois a maioria das localidades não tem o mesmo padrão e parâmetros tecnológicos e de infraestrutura, pré-condição para convergência de renda.
Do coeficiente de renda inicial pode-se obter a velocidade de convergência e a meia-vida (número de anos que a economia necessita para transitar para o estado estacionário da renda per capita). Foi utilizado o seguinte modelo:
ln
P,
, = + ?+ (6) Em que:
, = período final (PIB agropecuário / núm. residentes área rural no período final - 2007).
, = período inicial (PIB agropecuário / num. residentes área rural no período inicial - 2001). T = tamanho da amostra em anos (2001-2007)
Q = termo de erro
Em uma regressão por MQO da média da taxa de crescimento no nível inicial da renda, o coeficiente é relacionado com a velocidade de convergência de acordo com a seguinte expressão: R = (P
; em que T é a amostra (período), e R a estimativa MQO do coeficiente da renda inicial.
Koenker e Machado (1999) se interessaram pela interpretação do padrão de concavidade exibido pela regressão quantílica na renda inicial. Sugere-se que a interpretação da concavidade como efeito de uma mudança na declividade deve implicar em forte sensibilidade da convergência em que a escala da distribuição da renda per capita deve se reduzir no tempo. Esta interpretação traz implicitamente a noção de -convergência, que é uma redução da variância no espaço da renda per capita. Isto interessa uma vez que algumas
medidas de dispersão da distribuição de renda são possíveis em dados cross-section (média, coeficiente de variação e desvio padrão do lnPIB per capita real). A decomposição do estimador de MQO da inclinação do coeficiente na equação de crescimento não-condicional exibe quanto cada localidade contribui para a estimativa total.
A Equação de "Barro" - Regressão Quantílica
A equação de Barro não-condicional em termos não-quantílicos, é aquela que explica as oscilações na renda real per capita em função da renda real inicial, sendo que é expressa da seguinte maneira:
S∆T
= + @UVW,+ Q (7) Em que:
S∆T
= média da taxa de crescimento para o período 2001/07, na localidade i.
@UVW, = renda real no período inicial (2001) na localidade i.
Já a equação de Barro condicional quantílica, exibe variáveis explicativas de tal forma que interferem na grandeza da média da taxa de crescimento no período, além do cálculo dos parâmetros para diversos quantis (neste trabalho foram utilizados os seguintes quantis: 0,10; 0,25; 0,50; 0,75; 0,90). A exposição em diversos quantis permite a identificação de estratos de renda que convergem, ou não, e ainda a possível formação de clubes de convergência. S∆T = + @UVW,+ X ′# + Q (8) Em que:
# = Matriz de variáveis de controle Variáveis, Fontes e Amostras
As variáveis escolhidas obedeceram ao critério teórico e da significância para a atividade econômica no meio rural, uma vez que se pretendeu inferir sobre a convergência de renda rural nos três estados do sul do Brasil (conforme quadro 1).
As variáveis 1 e 4 foram descritas para alimentar a equação de cálculo de Barro não-condicional (equação 7). Já a equação 2 e 3 atendem à equação tradicional não-não-condicional (equação 6). Essas 4 variáveis formam a base das equações de regressão não-condicional, e seguem a dinâmica de funcionamento explicitada na seção anterior. As demais variáveis (5 a 12) são de controle e procuram explicar o crescimento real da renda per capita nos municípios, sob o prisma rural.
A variável 5 explicita a relação quantitativa (montante) do capital humano com o processo produtivo através da disponibilidade de mão-de-obra para gerar o produto rural; é necessariamente um dos componentes da função de produção. Assim, espera-se que quanto maior a disponibilidade de mão-de-obra no processo produtivo, maior será o produto.
A variável 6 revela outro componente quantitativo da função de produção clássica, o uso da terra no processo produtivo. Portanto, quanto maior a utilização de terras no processo produtivo rural, maior será o produto. As variáveis 7, 8 e 12 fornecem um indicativo do nível de tecnologia empregado no processo produtivo. Em outras palavras, quanto maior a
9
proporção de estabelecimentos que se utilizam de defensivos, corretivos de solo e detenha a propriedade de máquinas e equipamentos (como tratores, plantadeiras, colheitadeiras, etc.), maior o nível de tecnologia empregado na lavoura e, conseqüentemente, maior o produto.
As variáveis 9, 10 e 11 situam o capital humano qualita/ quantitativamente no processo produtivo. Tecnicamente, quanto maior o número de pessoas envolvidas no processo produtivo que detêm conhecimento técnico formal (agrônomos, veterinários, eng. florestais, zootecnistas) mais elevada é a probabilidade de que o produto e produtividade sejam maiores do que com a ausência destes. Ademais, outras formas de especialização educacional como técnicos agrícolas e outros cursos superiores também podem fornecer algum incremento na produtividade e produção.
Quadro 1: Códigos, fontes e descrição sumária das variáveis utilizadas
No. | Código nas regressões
Fonte Descrição
1) pib200_ IBGE - PIB municipal e Estimativa populacional
Produto Interno Bruto municipal real per capita - período 2001/07 2) cresclog IBGE - PIB municipal e
Estimativa populacional
Logaritmo da taxa de crescimento ao ano do PIB real municipal per capita 2001/2007
3) lnpib2001 IBGE - PIB municipal e Estimativa populacional
Logaritmo do PIB real per capita municipal no ano de 2001 4) deltaypory IBGE - PIB municipal e
Estimativa populacional
Variação da taxa de crescimento do PIB real municipal (2001/07) 5) crescpoprural IBGE - estim. populacional Taxa de crescimento populacional rural nos municípios - 2001/07 6) crescareautil IBGE - estimativa censos
agrop. 1995/96 e 2006/07
Taxa de crescimento da área utilizada nas atividades econômicas rurais municipais - 2001/07
7) estabagrotox IBGE - Censo agrop. 2006/07 Proporção de estabel. rurais que utilizam agrotóxicos nos municípios - 2006/07 8) estabelcorrsolo IBGE - Censo agropecuário
2006/07
Proporção de estabelecimentos rurais municipais que fazem correção de solo (adubo químico, orgânico, calcário, etc.)
9)
educarespsuptecnico
IBGE - Censo agropecuário 2006/07
Proporção de estabel. rurais municipais que são comandados por pessoas com curso universitário técnico (Agrônomo, Veterinário, Zootecnista, Eng. Florestal) 10)
Educarespmediotec
IBGE - Censo agropecuário Proporção de estabelecimentos rurais municipais que são comandados por pessoas com curso de 2o. grau (médio) técnico agrícola.
11)
educarespoutrasup
IBGE - Censo agropecuário Proporção de estabelecimentos rurais municipais que são comandados por pessoas com curso universitário superior não técnico.
12)
estabelmaqequip
IBGE - Censo agropecuário Proporção de estabelecimentos rurais municipais que detêm propriedade de máquinas e equipamentos agrícolas.
Nota: As informações do IBGE foram extraídas da base de dados "sidra". Fonte: Pesquisa
O estudo está estruturado em 4 amostras. Uma contendo todos os municípios do sul do Brasil que mantém área e população rural, contendo 1.181 observações. Além dessa, outras 3 amostras foram adequadas para cada um dos três estados do sul, sob a mesmas premissas (Paraná = 397 observações, Santa Catarina = 290 observações, e Rio Grande do Sul = 494 observações).
RESULTADOS E DISCUSSÃO
Primeiramente, para melhor entendimento dos resultados obtidos, tanto das regressões em MQO quanto quantílicas, torna-se necessária alguma atenção inicial nas estatísticas descritivas das variáveis envolvidas no processo econométrico. Com respeito às variáveis de PIB, nota-se que entre 2005 e 2007 houve uma maior variância da renda, acompanhada de uma média inferior ao restante do período, contudo, com um valor máximo de renda maior que os demais anos. Então, pode-se perceber que a curva de densidade da variável PIB se aproxima de uma log-normal, porém ao final do período tem-se uma maior
quantidade de municípios com PIB per capita menor, fazendo com que a curva descreva um ápice mais agudo e mais adensada a esquerda (baixa renda).
Tanto a variável cresclog (log da taxa de crescimento ao ano do PIB - 2001/07), quanto a variável deltaypory (taxa de crescimento média no período 2001/07), demonstram uma curva de densidade mais a esquerda do zero da função, típico de economias mais pobres e que estão ainda em busca de estabilidade econômica, ou seja, não é típico de localidades que se encontram em trajetória de convergência de renda. Comparativamente à variável cresclog, a variável lnpib2001, que é o log da renda inicial, tem-se os valores da média, mínimo e máxima para concluir-se que a função de distribuição está mais a direita, ou seja, no estado inicial tem-se um PIB per capita melhor distribuído.
Em sentidos opostos encontram-se a taxa de crescimento da população rural, que apresenta uma queda no período estudado, e a taxa de crescimento da área utilizada para a atividade econômica rural, que é positiva, ou seja, cresce a área utilizada e com menos pessoas disponíveis para o trabalho. Apesar disso, obteve-se queda no crescimento da economia rural neste período, observado tanto por cresclog, quanto por deltaypory. Uma justificativa é que existe fuga de capital humano do campo para a cidade e a expansão da atividade rural é baseada na produção em larga escala de produtos que demandam pouca mão-de-obra. Equivale a dizer que se tem uma grande proporção de máquinas e equipamentos próprios nos estabelecimentos rurais (na média 40%), conforme a variável estabelmaqequip.
Quanto a outras variáveis que também são consideradas tecnologia, como a utilização de agrotóxicos (estabagrotox), corretivos para o solo (estabelcorrsolo) e propriedade de máquinas e equipamentos (estabelmaqequip), percebe-se que destes o mais utilizado (pela média) é o agrotóxico (57%), e os demais em parcela menor (aproximadamente 40%). Isso se justifica, pois, em épocas de baixa lucratividade na agricultura, os produtores preferem não investir na compra de máquinas e equipamentos e continuarem a alugá-las. Ademais, entre reduzir a utilização de agrotóxicos ou a correção do solo, opta-se sempre pelo adiamento da correção do solo, uma vez que isto implica somente na queda da produtividade, enquanto que a não aplicação de agrotóxicos pode erradicar o plantio totalmente.
Tabela 1: Estatísticas descritivas das variáveis estudadas
Variável Média Desvio Padrão Valor Mínimo Valor Máximo
pib2001 13,85 25,45 0,16 808,89 pib2002 11,90 21,08 0,14 662,39 pib2003 13,61 21,46 0,14 651,36 pib2004 11,19 21,34 0,16 679,10 pib2005 7,80 21,18 0,14 707,12 pib2006 9,11 34,24 0,14 1.158,99 pib2007 10,82 40,51 0,14 1.377,73 Cresclog -0,04 0,05 -0,23 0,31 lnpib2001 2,35 0,69 -1,82 6,69 deltaypory -0,32 0,40 -1,87 3,71 crescpoprural -0,77 1,24 -14,97 4,99 crescareautil 174.052,3 743.512,9 -70 7.632.450 estabagrotox 0,57 0,25 0 1 estabelcorrsolo 0,39 0,20 0 0,97 educarespsuptecnico 0,76 1,35 0 16,88
11
educarespmediotec 2,09 2,22 0 50
educarespoutrasup 3,09 3,07 0 25
estabelmaqequip 0,40 0,18 0,01 1
Fonte: Pesquisa
Por fim, as variáveis educacionais de "comando" nas propriedades rurais, tais como: curso superior técnico na área (agrônomo, veterinário, zootecnista e eng. florestal), técnicos agrícolas (ensino médio profissionalizante) e outros cursos superiores, nota-se que a sua freqüência é bastante baixa. Precisamente em propriedades menores e municípios em que a renda rural seja baixa, estas características impossibilitam a contratação de mão-de-obra qualificada.
Após esta análise sumária das variáveis envolvidas, parte-se para a averiguação dos resultados econométricos em estimativas de convergência absoluta (tabela 2). Os coeficientes estimados pela média (MQO) apresentaram sinal negativo e significância estatística, revelando, a princípio, uma predisposição à convergência absoluta. Entretanto, não se pode esquecer que, mesmo sem a heterocedasticidade e outros problemas econométricos que por ventura a amostra tenha, esses resultados não garantem convergência, pois os pontos podem formar apenas uma nuvem e não uma trajetória (falácia de Galton).
Tabela 2: Estimativa de regressão de convergência absoluta robusta por MQO Amostra Coeficiente estimado Tamanho da amostra Erro - Padrão Estat - t P - value Estat - F PR - SC - RS -0,018 1.181 0,0018 -10,1 0,000 103,28 PR -0,037 397 0,0027 -13,9 0,000 194,90 SC -0,011 289 0,0046 -2,3 0,019 5,58 RS -0,007 494 0,0027 -2,7 0,006 7,65 Nota: Equação lnP, ,= + ?+
* significativo a 95%, ** significativo a 90%, *** significativo a 75%
Fonte: Pesquisa
Segundo a estratégia empírica traçada, analisa-se também a possibilidade de convergência condicional sob o modelo de "Barro" (tabela 3). Nos resultados encontrados tem-se convergência condicional significante estatisticamente, a partir das seguintes variáveis: taxa de crescimento da população rural, taxa de crescimento da área utilizada, proporção de estabelecimentos rurais que utilizam agrotóxicos, educação do responsável pela produção = médio técnico agrícola e, propriedade de máquinas e equipamentos. Em outras palavras, estas variáveis contribuem para a convergência de renda.
Seguindo a lógica de análise, como existe uma queda na população rural, os ganhos de produto se deram pela utilização de máquinas e equipamentos, porém alugadas (duas varáveis que auxiliam na convergência). Quer dizer que quanto menor a população rural maior a taxa de crescimento da renda rural, via redução da divisão da renda entre os per
capita. Ademais, a utilização de agrotóxicos é importante componente tecnológico que faz
com que economias rurais menos rentáveis busquem a equiparação a outras mais desenvolvidas, porém existe a sinalização de que maiores quantidades de agrotóxicos diminuem a taxa da crescimento da economia, isso talvez por conta do uso excessivo (até
mesmo acima do limite técnico) do produto, ou seja, quantidades adicionais de defensivos não aumentam o produto.
Uma variável que explica a taxa de crescimento e que tem sinal positivo é a taxa de crescimento da área utilizada, quanto maior essa área maior o produto, e contribui para um processo de convergência. Outra variável importante é a preponderância da qualificação de nível médio e não superior no comando da produção rural; isto pode ser justificado por ser uma mão-de-obra mais barata que aquela de nível superior e que pode receber instruções de outros técnicos mais qualificados e aplicá-las com habilidade e destreza. Trata-se de reduzir custos com mão-de-obra, mas é bem verdade que essa estratégia se torna difícil em grandes propriedades rurais que necessita de técnicos de nível superior não somente organizados na produção, mas também no gerenciamento. A última variável selecionada e estatisticamente significante é a proporção de propriedades rurais com máquinas e equipamentos; porém com sinal negativo, pode ser entendido como um processo de transferência entre ter máquinas e equipamentos nas propriedades e alugá-las, entretanto explica a dinâmica da taxa de crescimento do produto.
Tabela 3: Estimativa da equação de "Barro" de convergência condicional robusta por MQO - PR-SC-RS
Variável Eq. 1 Eq. 2 Eq. 3 Eq. 4 Eq. 5 Eq. 6 Eq.7 Eq. 8 Eq.9
Constante -0,227* (0,015) -0,338* (0,014) -0,341* (0,014) -0,249* (0,023) -0,257* (0,248) -0,255* (0,025) -0,284* (0,026) -0,282* (0,029) -0,239* (0,031) pib2001 -0,007* (0,000) -0,008* (0,000) -0,008* (0,000) -0,008* (0,000) -0,008* (0,000) -0,008* (0,001) -0,009* (0,001) -0,009* (0,001) -0,009* (0,001) Crescpoprural -0,157* (0,007) -0,158* (0,007) -0,163** (0,007) -0,162* (0,007) -0,163* (0,007) -0,161* (0,007) -0,161 (0,007) -0,157* (0,007) Crescareautil 0,000* (0,248) 0,001* (0,248) 0,001** (0,266) 0,001* (0,232) 0,000* (0,248) 0,000* (0,232) 0,000* (0,248) Estabagrotox -0,159* (0,034) -0,180* (0,040) -0,185* (0,041) -0,171* (0,041) -0,174* (0,045) -0,087** (0,049) Estabelcorrsolo 0,060*** (0,052) 0,060*** (0,052) 0,056 (0,052) 0,057 (0,052) 0,055 (0,052) Educarespsuptecnico -0,003 (0,007) -0,007 (0,008) -0,006 (0,008) -0,003 (0,008) Educarespmediotec 0,168* (0,005) 0,016* (0,005) 0,014* (0,005) Educarespoutrasup -0,000 (0,003) -0,000 (0,003) Estabelmaqequip -0,209* (0,055) Nota: Equação S∆T = + @UVW,+ X ′#+ Q
* significativo a 95%, ** significativo a 90%, *** significativo a 75%
Fonte: Pesquisa
Por fim, tem-se as regressões quantílicas da equação de "Barro" (tabela 4), calculadas para os quantis 0,10 , 0,25 , 0,50 , 0,75 , 0,90. Para o conjunto das variáveis existe um grupo de municípios que sob os quantis 0,10 , 0,25 , 0,50 e 0,75, mantém uma trajetória de convergência. A idéia é de que existem indícios de que estejam sendo formados pelo menos dois clubes de convergência de renda rural. Um grupo de municípios que produzem grande renda na agricultura e outro grupo com o resto dos municípios. Se observadas as variáveis introduzidas no modelo, a renda inicial do período é importante para os municípios com baixa taxa de crescimento (quantis 0,10 , 0,25 , 0,50 e 0,75). Percebe-se também que a
13
taxa de crescimento populacional rural é significante em todos os quantis e modelos, ou seja, é variável fundamental na trajetória de convergência. Porém isso se dá com sinal negativo, ou seja, um processo de menos mão-de-obra influenciando positivamente nas taxas de crescimento (fuga de força de trabalho do campo). A renda rural cresce principalmente porque existem menos pessoas para distribuí-la no meio rural.
Do outro lado, o crescimento da área rural utilizada somente não foi significativo para o quantil 0,25, mas nos demais quantis foi significativo, inclusive com sinal esperado positivo (crescimento da área utilizada aumenta a renda rural). A qualificação do responsável pela produção com grau técnico médio (técnico agrícola) se mostrou significativa para os quantis 0,10, 0,25 e 0,5 e, portanto, o ensino técnico atende aqueles municípios onde a taxa de crescimento da renda é menor. Ainda, pela tendência destes municípios serem mais pobres, a utilização desta mão-de-obra técnica (frente às de ensino superior) é mais viável (barata).
Paralelamente, as variáveis proporção de estabelecimentos que utilizam agrotóxicos e proporção de estabelecimentos que tem propriedade de máquinas e equipamentos agrícolas mostraram-se significativas para os quantis 0,25 , 0,50 , 0,75 e 0,90, porém com sinal negativo. Nesta variável (uso de agrotóxicos) o sinal positivo e significante ficou no quantil 0,10. Isso quer dizer que para aqueles que crescem menos aumentos no uso de agrotóxicos representam maior crescimento econômico; enquanto que para os demais extratos de taxas de crescimento da renda, a elevação do uso de agrotóxicos diminui a taxa de crescimento (um sintoma de uso do insumo acima do retorno tecnico-financeiro). Outra variável que é a proporção de propriedades que fazem correção do solo (adubação) é significativa apenas para os quantis 0,25 e 0,90 porém com sinal de positivo para negativo, o que demonstra que esta tecnologia é discriminatória como função da renda. Em outras palavras, para o menor quantil maior adubação representa ganhos em taxas de crescimento e para o quantil mais elevado, aumentos no uso representam perda de eficiência produtiva, isso talvez pelo excesso de uso (técnico).
Outras duas variáveis ligadas ao capital humano (educação do responsável pela produção = nível superior técnico, e educação do responsável pela produção = outra formação superior) são significativas sobretudo para quantis mais elevados de renda, entretanto com sinal negativo. Isto pode ser explicado pela uso dessa mão-de-obra externamente à propriedade, como assessoria técnica. Uma exceção se faz ao quantil 0,10 na variável nível superior técnico, que apresenta sinal positivo, ou seja, mais profissionais com essa qualificação representam aumento da taxa de crescimento. Isto pode ser justificado pela questão dos avanços da extensão rural, como função do estado ou de ONGs.
Além da análise dos coeficientes nos quantis, e conforme pode ser analisado na tabela 5, o Pseudo-Rquadrado apresenta resultados satisfatórios, especialmente nos modelos mais completos (p. ex. 8 e 9), ou seja, o grau de ajustamento é melhor (cerca de 0,20 máximo nos quantis). Em outras palavras, os modelos com maior quantidade de variáveis explicativas obtiveram um melhor grau de ajustamento interquantilico. Essa mesma dinâmica pode ser observada quanto a velocidade de convergência, com valores maiores nos modelos com maior número de variáveis, cujo teto foi de 0,14% ao ano. Quanto a meia-vida (half time) para atingir o estado estacionário, o valor em anos ficou entre 5 e 16 anos para os quantis abaixo de 0,90 e 48 anos para este último quantil. Essa grande diferença se deve a justamente dinâmicas muito distintas de geração de renda.
Tabela 4: Estimativa da equação de "Barro" de convergência condicional quantílica - PR-SC-RS
Variável Tau Eq. 1 Eq. 2 Eq. 3 Eq. 4 Eq. 5 Eq. 6 Eq.7 Eq. 8 Eq.9
Constante 0,10 -0,706* (0,038) -0,779* (0,044) -0,782* (0,044) -0,851* (0,063) -0,849* (0,065) -0,869* (0,067) -0,895* (0,069) -0,889* (0,075) -0,843* (0,086) 0,25 -0,477* (0,031) -0,544* (0,026) -0,545* (0,022) -0,496* (0,041) -0,520* (0,043) -0,518* (0,042) -0,546* (0,044) 0,522* (0,052) -0,516* (0,054) 0,50 -0,248* (0,032) -0,367* (0,032) -0,371* (0,032) -0,271* (0,041) -0,269* (0,044) -0,261* (0,038) -0,280* (0,038) -0,275* (0,049) -0,243* (0,039) 0,75 -0,054*** (0,042) -0,197* (0,048) -0,189* (0,053) -0,020 (0,058) -0,020 (0,049) -0,010 (0,049) -0,008 (0,042) 0,166 (0,053) 0,047*** (0,038) 0,90 0,087*** (0,057) -0,067 (0,061) -0,083*** (0,067) 0,184* (0,075) 0,216* (0,064) 0,271* (0,058) 0,249 (0,061) 0,291* (0,066) 0,359* (0,066) pib2001 0,10 -0,003*** (0,002) -0,006* (0,003) -0,006* (0,003) -0,006* (0,003) -0,006* (0,003) -0,009* (0,004) -0,009* (0,003) -0,009* (0,003) -0,010* (0,003) 0,25 -0,004* (0,001) -0,007* (0,001) -0,007* (0,001) -0,007* (0,001) 0,008* (0,001) -0,008* (0,002) -0,008* (0,002) -0,008* (0,002) -0,008* (0,002) 0,50 -0,005* (0,002) -0,006* (0,002) -0,006* (0,002) -0,007* (0,002) -0,007* (0,002) -0,005*** (0,003) -0,005* (0,002) -0,005*** (0,003) -0,005** (0,003) 0,75 -0,005*** (0,003) -0,005*** (0,003) -0,006*** (0,003) -0,005*** (0,003) -0,005*** (0,004) -0,004*** (0,003) -0,005*** (0,003) -0,004*** (0,004) -0,004*** (0,003) 0,90 0,000 (0,004) -0,000 (0,004) -0,000 (0,005) -0,000 (0,004) -0,000 (0,004) -0,000 (0,004) -0,000 (0,004) -0,000 (0,004) 0,000 (0,003) crescpoprural 0,10 -0,177* (0,022) -0,178* (0,023) -0,180* (0,020) -0,180* (0,023) -0,170* (0,020) -0,160* (0,018) -0,164* (0,020) -0,161* (0,019) 0,25 -0,164* (0,013) -0,163* (0,015) -0,164* (0,013) -0,166* (0,014) -0,167* (0,018) -0,169* (0,002) -0,169* (0,015) -0,165* (0,015) 0,50 -0,167* (0,013) -0,169* (0,011) -0,172* (0,012) -0,171* (0,012) -0,177* (0,015) -0,177* (0,012) -0,178* (0,013) -0,175* (0,013) 0,75 -0,166* (0,022) -0,167* (0,021) -0,177* (0,019) -0,176* (0,021) -0,182* (0,019) -0,178* (0,019) -0,181* (0,020) -0,174* (0,020) 0,90 -0,183* (0,026) -0,191* (0,026) -0,191* (0,023) -0,186* (0,021) -0,184* (0,022) -0,185* (0,024) -0,182* (0,022) -0,190* (0,022) Continua
15 Tabela 4: Estimativa da equação de "Barro" de convergência condicional quantílica - PR-SC-RS Continuação
Variável Tau Eq. 1 Eq. 2 Eq. 3 Eq. 4 Eq. 5 Eq. 6 Eq.7 Eq. 8 Eq.9
crescareautil 0,10 0,096 (0,024) 0,002*** (0,030) 0,001*** (0,020) 0,001*** (0,005) 0,001** (0,248) 0,003*** (0,096) 0,001*** (0,031) 0,25 0,000 (0,001) 0,000 (0,011) 0,000 (0,003) 0,000 (0,018) 0,000 (0,005) 0,000 (0,002) 0,000 (0,004) 0,50 0,000 (0,003) 0,000*** (0,002) 0,000*** (0,002) 0,000*** (0,000) 0,000** (0,001) 0,000*** (0,000) 0,000** (0,000) 0,75 0,000 (0,000) 0,000*** (0,001) 0,000*** (0,000) 0,000* (0,005) 0,000* (0,007) 0,000* (0,004) 0,000** (0,001) 0,90 0,000* (0,000) 0,000* (0,002) 0,000** (0,000) 0,000* (0,001) 0,000* (0,002) 0,000* (0,000) 0,000** (0,000) estabagrotox 0,10 0,127 (0,105) 0,161*** (0,104) 0,207** (0,111) 0,108 (0,102) 0,105 (0,125) 0,184 (0,115) 0,25 -0,077*** (0,056) -0,096* (0,049) -0,098** (0,053) -0,077*** (0,058) -0,096*** (0,066) -0,042 (0,084) 0,50 -0,154* (0,043) -0,172* (0,057) -0,202* (0,056) -0,207* (0,059) -0,213* (0,065) -0,129** (0,075) 0,75 -0,304* (0,051) -0,305* (0,057) -0,337* (0,060) -0,331* (0,055) -0,374* (0,067) -0,238* (0,085) 0,90 -0,463* (0,080) -0,382* (0,084) -0,441* (0,085) -0,430* (0,091) -0,472* (0,083) -0,392* (0,089) estabelcorrsolo 0,10 -0,041 (0,120) 0,000 (0,104) 0,106 (0,108) 0,085 (0,118) 0,070 (0,117) 0,25 0,120*** (0,073) 0,111 (0,085) 0,100*** (0,081) 0,060 (0,074) 0,097 (0,074) 0,50 0,022 (0,051) 0,007 (0,054) 0,019 (0,053) 0,018 (0,060) 0,050 (0,064) 0,75 0,001 (0,071) 0,017 (0,064) -0,000 (0,058) 0,028 (0,058) 0,013 (0,070) 0,90 -0,192** (0,106) -0,158*** (0,098) -0,152** (0,092) -0,139*** (0,091) -0,148** (0,089) Continua
Tabela 4: Estimativa da equação de "Barro" de convergência condicional quantílica - PR-SC-RS Continuação
Variável Tau Eq. 1 Eq. 2 Eq. 3 Eq. 4 Eq. 5 Eq. 6 Eq.7 Eq. 8 Eq.9
educarespsuptecnico 0,10 0,026* (0,012) 0,016*** (0,012) 0,017*** (0,014) 0,021*** (0,016) 0,25 0,002 (0,012) -0,000 (0,010) 0,002 (0,012) 0,004 (0,011) 0,50 -0,0211*** (0,017) -0,026** (0,013) -0,026** (0,015) -0,024*** (0,016) 0,75 -0,031** (0,017) -0,031* (0,016) -0,030** (0,017) -0,0271* 0,014 0,90 -0,053* (0,021) -0,056* (0,020) -0,045* (0,021) -0,043* (0,019) educarespmediotec 0,10 0,029* (0,011) 0,028* (0,012) 0,027* (0,011) 0,25 0,014* (0,006) 0,018* (0,0076) 0,014* (0,006) 0,50 0,0118** (0,006) 0,012* (0,006) 0,009*** (0,006) 0,75 0,0041 (0,010) 0,009 (0,010) 0,000 (0,009) 0,90 0,008 (0,011) 0,007 (0,012) 0,002 (0,012) educarespoutrasup 0,10 -0,002 (0,008) -0,003 (0,010) 0,25 -0,005 (0,007) -0,003 (0,007) 0,50 -0,000 (0,005 0,001 (0,006) 0,75 -0,007*** (0,005) -0,003 (0,006) 0,90 -0,010*** (0,007) -0,013** (0,007) Continua
17 Tabela 4: Estimativa da equação de "Barro" de convergência condicional quantílica - PR-SC-RS Continuação
Variável Tau Eq. 1 Eq. 2 Eq. 3 Eq. 4 Eq. 5 Eq. 6 Eq.7 Eq. 8 Eq.9
estabelmaqequip 0,10 -0,130 (0,127) 0,25 -0,104*** (0,079) 0,50 -0,216* (0,086) 0,75 -0,253* (0,097) 0,90 -0,254* (0,092) Nota: Equação S∆
T= + @UVW,+ X′#+ Q ; * significativo a 95% ** significativo a 90%*** significativo a 75%
Fonte: Pesquisa
Tabela 5: Velocidade de convergência (% ao ano), Half Time e Pseudo-R Quadrado
Variável Tau Eq. 1 Eq. 2 Eq. 3 Eq. 4 Eq. 5 Eq. 6 Eq.7 Eq. 8 Eq.9
Velocidade de Convergência 0,10 0.04 0.09 0.09 0.09 0.09 0.13 0.13 0.13 0.14 0,25 0.06 0.10 0.10 0.10 NC 0.11 0.11 0.11 0.11 0,50 0.07 0.09 0.09 0.10 0.10 0.07 0.07 0.07 0.07 0,75 0.07 0.07 0.09 0.07 0.07 0.06 0.07 0.06 0.06 0,90 NC 0.01 0.01 0.01 0.01 0.01 0.01 0.01 NC Half Time 0,10 16 8 8 8 8 5 5 5 5 0,25 12 7 7 7 NC 6 6 6 6 0,50 10 8 8 7 7 10 10 10 10 0,75 10 10 8 10 10 12 10 12 12 0,90 NC 48 48 48 48 48 48 48 NC Pseudo-R Quadrado 0,10 0,0057 0,1389 0,1400 0,1434 0,1433 0,1479 0,1546 0,1546 0,1556 0,25 0,0132 0,1330 0,1331 0,1347 0,1362 0,1364 0,1388 0,1390 0,1411 0,50 0,0199 0,1281 0,1299 0,1375 0,1373 0,1416 0,1439 0,1439 0,1496 0,75 0,0073 0,1154 0,1174 0,1470 0,1467 0,1532 0,1533 0,1545 0,1602 0,90 0,0017 0,1357 0,1403 0,1903 0,1941 0,2048 0,2057 0,2088 0,2164 Nota: NC = Não Converge
CONCLUSÕES
A teoria do crescimento econômico se preocupa com uma grande quantidade de problemas econômicos, e dentre eles está a questão da convergência de renda entre unidades espaciais. Como pano de fundo está a idéia de que o crescimento econômico, através da tecnologia, infra-estrutura, poupança, capital etc., se propaga para todas as economias e existe então um estado estacionário comum a estas economias.
Vários estudos já foram implementados nas mais diversas esferas espaciais (blocos de países, países, regiões, estados, municípios), sempre com a idéia de captar a presença de convergência de renda. Para tanto, estratégias empíricas diversas foram sendo testadas com o passar dos tempos e metodologias antigas foram sendo adaptadas, enquanto novas metodologias foram incorporadas. Neste sentido, nos dias atuais, algumas abordagens tornaram-se bastante difundidas, como é o caso da convergência absoluta e condicional. Assim como, se explora as deficiências de cada uma dessas abordagens. Algumas ferramentas específicas são utilizadas para estimar a convergência de renda, seja ela unitária ou em clubes. O método de MQO é utilizado para estimar convergência absoluta e condicional, mas traz consigo alguns problemas metodológicos e conceituais que impedem grande confiança nos seus resultados. Com isso, novas metodologias investigativas surgem como forma de contornar esse problema, seja com econometria espacial, estimativas do tipo Threshold, cadeias de Markov ou regressões quantílicas.
Essas metodologias estão sempre preocupadas com o espectro de análise das localidades, entretanto existem diferenças fundamentais entre regiões que, muitas vezes, impedem automaticamente a convergência de renda. Esta necessita de condições quase que padronizadas de tecnologia, infra-estrutura, etc. para que aconteça.
Observando a questão regional brasileira, os três estados do sul têm características homogêneas enquanto se pensa em agricultura competitiva, mas heterogênea quanto à industrialização e dentro da própria agricultura com climas e topografia distintos. Assim, o problema de pesquisa proposto é de identificar a existência ou não de convergência de renda rural nos três estados do Sul do Brasil, seja em nível absoluto ou condicional, único ou em clubes. Para tanto, adotou-se a estratégia empírica de estimar equações de convergência absoluta e condicional por MQO e regressões quantílicas (para os quantis 0,10 , 0,25 , 0,50 , 0,75 , 0,90).
As estimativas revelaram convergência absoluta para os três estados, assim como condicional, especialmente com a contribuição das seguintes variáveis: taxa de crescimento da população rural, taxa de crescimento da área utilizada, proporção de propriedades que utilizam agrotóxicos, proporção de estabelecimentos que utilizam correção de solo, educação do responsável pela produção em nível médio técnico e superior técnico e, propriedade de máquinas e equipamentos. Nas regressões quantílicas identificou-se pelo menos dois clubes de convergência, um deles sob o quantil 0,90 da renda e o outro clube com as rendas menores. A variável que contribuiu em todos os modelos para a convergência foi a taxa de crescimento da população rural, assim como outras também foram importantes.
Como agenda de pesquisa, este artigo propõe o avanço na estimativa threshold (efeitos limiares) que identifica endogenamente a formação de clubes de convergência.
19
REFERÊNCIAS
ANDRADE, E.; LAURINI, M.; MADALOZO, R.; VALLS P. Testing convergence across municipalities in Brazil using quantile regression. Ibmec working paper. no. 14, 2002.
AZZONI, C. R. Crescimento econômico e convergência de rendas regionais: o caso brasileiro à luz da nova teoria do crescimento. Anais do Encontro Nacional da Associação de centros de Pós Graduação em Economia - ANPEC. Florianópolis. 1994 BARRO, R. J. Government spending in a simple model of endogenous growth. Journal of Political Economy. V. 98, p. 103-125, 1990.
BARRO, R. J. Determinants of economic growth: a cross-country empirical study. Cambridge: MIT press, 1997.
BARRO, R. J.; SALA-I-MARTIN, X. convergence. Journal of Political Economy. v.100, no. 21, p. 223-251, 1992.
BARRO, R. J.; SALA-I-MARTIN, X. Economic Growth. New York: McGraw-Hill, 1995. 539 p.
BAUMOL, W. J. Productivity growth, convergence and welfare: what the long-run show. American economic review, Pittsburg, v.76, no,.5, p. 1072-1085, 1986.
BERTUSSI, G. L.; FIGUEIREDO, L. de. Hipótese da convergência: uma análise para a América latina e o leste asiático entre 1960 e 2000. Belo Horizonte: UFMG/CEDEPLAR, 2009. 24 p. (texto para discussão, no. 354).
BUCHINSKY, M. Changes in the US wage structure, 1963-1987: application of quantile regression. Econometrica, 62, p. 405-458, 1994.
BUCHINSKY, M. Quantile regression, Box-Cox transformation model, and the U.S. wage structure, 1963–1987. Journal of Econometrics, v. 65, n. 1, p. 109-154, jan. 1995.
BUCHINSKY, M. recent advances in quantile regression models: a practical guideline for empirical research. Journal of Human Resources, V. 33, p. 88-126, 1998.
FERREIRA, A. H. B. O debate sobre a convergência de rendas per capita. Nova Economia, V. 5, n. 2, dez., 1995.
FERREIRA, P. C.; ELLERY-JR, R. Crescimento econômico, retornos crescentes e concorrência monopolistica. Revista de economia política. V. 16, n.2, abr./jun., 1996. HANSEN, B. E. Sample splitting and threshold estimation. Econometrica. V. 68 n.3 (may-2000). p. 575-603, 2000.
KOENKER, R.; BASSETT, G. Regression quantiles. Econometrica. V. 46, p. 33-50. 1978.
KOENKER, R.; HALLOCK, K. Quantile regression. Journal of Economic Perspectives, V. 15, p. 143-156, 2001.
KOENKER, R.; MACHADO, J. Goodness of fit and related inference processes for quantile regression. Journal of the American Statistical Society, V. 94, p. 1296-1310, 1999)
KOENKER, R.; XIAO, Z. Inference on the quantile regression process. Econometrica. V. 70, p. 1583-1612, 2002.
LOPES, J. L. Avaliação do processo de convergência da produtividade da terra na agricultura brasileira no período 1960 a 2001. 2004, 193 f. Tese (doutorado em ciências: economia aplicada) – Escola Superior de Agricultura Luiz de Queiroz, Universidade de São Paulo, Piracicaba, 2004.
MADDALA, G. S. Introdução à econometria.Rio de Janeiro: LTC editora. 2003. 345p. MANKIW, G. N; ROMER, D.; WEIL, D.N. A contribution to the empirics of economic growth. Quarterly Journal of Economics. V. 1007, no. 2, p.407-437, 1992.
MELLO, M.; PERRELLI, R. Growth equations: a quantile regression exploration. The Quarterly Review of Economics and Finance. V.43 - autumn. Issue 4. p. 643-667, 2003. MONASTÉRIO, L. M.; ÁVILA, R. P. de. Uma análise espacial do crescimento econômico do Rio Grande do Sul (1939-2001). Revista Economia. V.5, n.2, p. 269-296. Brasília, jul/dez. 2004.
MONTEIRO-NETO, A.; VERGOLINO, J. R. de O. Crescimento econômico e convergência de renda nos estados do nordeste brasileiro. Anais do Encontro Nacional de Centros de Pós-graduação em Economia-Anpec. Águas de Lindoia, 1996
PORTO-JUNIOR, S. da S.; RIBEIRO, E. P. Dinâmica espacial da renda per capita e crescimento entre os municípios da região nordeste do Brasil - uma análise markoviana. Revista econômica do nordeste. V. 34, n.3, jul-set. 2003.
QUAH, D. T. Empirics for economic growth and convergence, London: LSE, 1995. 40p. discussion paper, no. 253.
QUAH, D. T. Empirics for growth and distribution: stratification, polarization and convergence clubs. Journal of Economic Growth, V. 2, p. 27-59.
SALA-i-MARTIN, X. Apuntes de crecimiento economico. 2 ed. Barcelona: Bosch, 2000. SILVA, C. R. da F.; FIGUEIREDO, E. A. de. Convergência de renda per capita entre os municípios nordestinos: uma análise robusta. XIV Encontro regional de economia - Fórum BNB. Anais XIV Encontro regional de economia - Fórum BNB. Fortaleza-CE. 2009. SOUZA, N. de J. Convergência e crescimento endógeno. Porto Alegre, CPGE - UFRGS, 1997. Texto para discussão, n. 10/1997.
YU, K., LU, Z. e STANDER, J. Quantile regression: applications and current research areas. The Statistician 52 (3), p. 331-350, 2003.
