A DINÂMICA DA POBREZA NO BRASIL (1970 …€“ 2 – INTRODUÇÃO1 A análise de pobreza pode ser...

A DINÂMICA DA POBREZA NO BRASIL (1970-2011): A FORTE REDUÇÃO DE

ONTEM, A ESTAGNAÇÃO DE HOJE*

Pier Francesco De Maria†

RESUMO

O quadro em que se coloca a pobreza no Brasil, na segunda década do século XXI,

mostra como, nos últimos quarenta anos, a redução das situações de carência tenha

acontecido de formas diferentes ao longo das décadas. Neste ensaio, com auxílio da

bibliografia pertinente, recuperamos dados acerca da evolução da redução da pobreza

entre os anos 1970 e 1990, mostrando que tal queda se deu de forma substancial no

período, tanto nas áreas urbanas e rurais, quanto nas cinco macrorregiões. Todavia,

nos anos 2000, por meio de um modelo de dados em painel, mostramos como a

elevação do salário mínimo não foi tão eficaz na queda do nível de pobreza, enquanto

a inflação contribuiu para a redução da situação de carência na década (configurando-

se o fenômeno de inflação pró-pobre). Ademais, mostra-se que, embora a pobreza

continue concentrada nas regiões Norte e Nordeste do país, tal diferenciação (em

relação aos estados das outras regiões) se reduz ao longo dos anos. Conclui-se

discutindo se a queda do nível de pobreza desacelerou ao longo do tempo,

especialmente nos anos 2000, por motivos óbvios – tais como a menor proporção de

pobres – ou se por impedimento oriundo da ação das variáveis macroeconômicas

estudadas neste ensaio.

Palavras-Chave: pobres; dinâmica da pobreza; variáveis macroeconômicas

RESUMEN

La imagen que surge de la pobreza en Brasil, en la segunda década del siglo XXI,

muestra cómo, en los últimos cuarenta años, la reducción de las carencias ha sucedido

en diferentes maneras durante las décadas. En este ensayo, con la ayuda de la

bibliografía pertinente, recuperamos los datos sobre la evolución de la reducción de la

pobreza entre 1970 y 2000, lo que demuestra que esta disminución fue sustancial en el

período, tanto en áreas urbanas como rurales, como en las cinco macro-regiones

brasileñas. Sin embargo, en la década de 2000, a través de un modelo de datos de

panel, se muestra cómo un aumento del salario mínimo no fue tan eficaz en la caída

del nivel de pobreza, mientras que la inflación ha contribuido a una reducción de la

miseria en el período (estableciendo el fenómeno de la inflación pro-pobre). Además,

se muestra que, mientras que la pobreza sigue concentrada en las regiones Norte y

Nordeste, tal diferenciación (en relación con los estados de otras regiones) se redujo en

los últimos años. Se concluye el trabajo con un análisis de la caída del nivel de

pobreza se desaceleró el paso del tiempo, sobre todo en la década de 2000, sea por

razones obvias – como la menor proporción de pobres – sea por impedimento

ocasionado por las variables macroeconómicas estudiadas en este ensayo.

Palabras-Clave: pobres; dinámica de la pobreza; variables macroeconómicas

JEL Classification: C23, I32, J11

* Trabalho apresentado no VI Congreso de la Asociación Latinoamericana de Población, realizado em Lima

(Peru), entre 12 e 15 Agosto de 2014. † Mestrando em Demografia pelo IFCH/UNICAMP. Endereço eletrônico: [email protected].

mailto:[email protected]

– 2 –

INTRODUÇÃO1

A análise de pobreza pode ser executada de formas variadas, e com metodologias diferentes,

dependendo do interesse do pesquisador e das perguntas que ele se põe. Diferentes resultados

podem, e sem dúvidas irão, ser obtidos, dependendo da disponibilidade de dados, das

variáveis analisadas, dos métodos de cálculo e de outras características. A pesquisa na área de

análise de pobreza compreende as mais variadas técnicas, além de ter um profundo caráter

interdisciplinar, integrando economia, ciências sociais, matemática, história e demografia.

O presente ensaio procura discutir o papel da inflação, do salário mínimo e das transferências

unilaterais de renda na variação do nível de pobreza brasileiro nos últimos dez anos (2001-

2011). Adicionalmente, verifica-se a defasagem dos efeitos no tempo, ou seja, como

mudanças ocorridas em anos anteriores contribuem para a condição de pobreza no presente.

Por fim, se analisa – de forma comparativa – a evolução da pobreza até 2000 e ao longo do

século XXI, em busca de evidências para a baixa redução dos níveis de pobreza no período

mais recente. Em suma, o trabalho procura responder a duas perguntas: “O salário mínimo, a

inflação e as transferências unilaterais contribuíram para a redução da pobreza no Brasil nos

anos 2000?”; e “Porque a pobreza passou de uma tendência de franca queda – entre 1970 e

2000 – para um período de estagnação nos anos 2000?”.

O trabalho a seguir busca discutir se as variáveis apresentadas têm influência significativa na

redução da pobreza, isto é, se as variáveis selecionadas são determinantes significativos da

pobreza no Brasil. Os objetivos do trabalho, com base no direcionamento dado pelas questões

do pesquisador, podem ser divididos em gerais e específicos. Os objetivos gerais giram em

torno do entendimento dos efeitos de um conjunto de variáveis na compreensão da pobreza

brasileira, além de estudar as alterações que essa cesta de variáveis sofreu nos últimos anos.

Ademais, outro objetivo central é a detecção de tendências – como retrocesso ou estagnação –

nas variáveis do estudo (quais sejam, tanto a pobreza quanto as variáveis macroeconômicas).

Três hipóteses sustentam o ensaio a seguir: 1) as variações positivas na inflação contribuem

para aumentar o nível de pobreza no período; 2) as variações positivas no salário mínimo

podem não afetar, significativamente, a pobreza no período analisado; 3) o crescimento das

transferências de renda reduz marginalmente o nível de pobreza (por poder ser comprometida

pelas variações no salário mínimo e/ou na inflação).

Este ensaio conta com esta e outras quatro seções. A seção subsequente analisará a trajetória

histórica da pobreza no Brasil, especificamente entre 1970 e 2000, a partir da análise feita por

vários autores. No tópico 3, será elaborado o modelo econométrico e será feia a seleção de

variáveis; os resultados deste modelo serão analisados na seção seguinte, sendo também

discutidas as hipóteses aqui apresentadas. Na última seção, finalmente, serão avaliados os

resultados a fim de verificar se houve ou não estagnação na redução da pobreza no Brasil.

A DESACELERAÇÃO DA POBREZA BRASILEIRA (1970-2000)

Para ter comparativos – em termos de evolução da pobreza – entre o fim do século XX e o

começo do XXI, é fundamental avaliar o comportamento da pobreza brasileira no período

1970-2000, valendo-nos de análises numéricas. Para tal, vamos recorrer ao texto seminal de

1 Este trabalho apresenta partes dos capítulos 3, 4 e 5 da monografia defendida pelo autor (MARIA, 2013b), com

algumas adaptações em relação ao original. O autor agradece os preciosos comentários de Alexandre Gori Maia

e Walter Belik (IE/UNICAMP), quando da avaliação final da monografia.

– 3 –

Rocha (2013), no qual a autora estuda a pobreza no Brasil, de 1970 a 2011. Em seu artigo, a

autora divide o período em fases: 1970-1980 (grosso modo correspondente ao período do

Milagre Econômico); 1981-1993 (fase de estagnação e hiperinflação); 1994-2003 (período de

estabilização macroeconômica e governo FHC); e 2004-2011 (fase de expansão da economia

e governo Lula). No seu estudo, a autora trata da pobreza em diversos níveis, por exemplo, a

divisão entre regiões urbanas e rurais.

Em primeiro lugar, vamos apresentar o resultado geral do período, a partir do gráfico abaixo,

no qual a autora analisa a proporção de pobres. No primeiro momento (1970-1980), fica clara

a queda drástica do nível para cerca da metade do valor inicial (se passa de 68% em 1970 para

35% em 1980). Já na segunda fase (1981-1993), percebem-se dois momentos distintos, antes

e depois da redemocratização (que acabou coincidindo com a eclosão do processo

inflacionário). Entre os anos 1985-1993, a proporção de pobres se manteve basicamente

estável, situação que muda apenas com o Plano Real, de 1994. Entretanto, após a

estabilização macroeconômica, não há contínua queda da proporção de pobres, que só volta a

acontecer com a troca de governo. Ao fim e ao cabo, percebe-se que, se, em 1970, havia 70%

de pobres, em 2011 a proporção é sete vezes menor, tendo terminado o século XX na casa dos

20% (o que indica redução pela metade ao longo do governo Lula)2.

Gráfico 1 – Proporção de pobres no Brasil, 1970-2011

Fonte: extraído de Rocha (2013, p. 3).

Após esta avaliação geral, vamos estudar os diversos períodos. Para Rocha (2013), nos anos

1970, embora os dados apontem para a drástica redução da pobreza, tem-se claras diferenças

regionais na evolução desta medida. Por um lado, nas regiões Sul e Sudeste, a redução dos

pobres (tanto em termos absolutos, quanto em percentual) é clara, enquanto no Norte,

Nordeste e Centro-Oeste a proporção de pobres subiu na década (mesmo com redução em

termos absolutos). O aumento da proporção de pobres nas regiões citadas é um fenômeno

claramente urbano, devido ao processo de desruralização, apontado pela autora (p. 3). Em

2 Divergindo um pouco da análise da autora (mesmo que indiquem tendência semelhante), Barros, Henriques e

Mendonça (2000) mostram que, no fim dos anos 90, a porcentagem de pobres era de 33% (e não de ± 20%,

como coloca o gráfico acima).

– 4 –

suma, como aponta o gráfico abaixo, o número de pobres se reduz em 1/3 (cerca de 20mi de

pessoas a menos), com realocação dos mesmos para as regiões urbanas do país.

Gráfico 2 – Número e proporção de pobres por macrorregiões e estrato residencial, 1970-1980

Fonte: elaboração do autor a partir de dados de Rocha (2013).

Cabe perguntar o porquê desta redução no nível da pobreza na década. Para Sônia Rocha, o

fenômeno se explica pelo forte crescimento econômico provocado pelo Milagre (1967-1973),

com efeitos diretos sobre a renda das famílias; todavia, o elevado nível de desigualdade

experimentado pela população impediu reduções de maior envergadura. Como era de se

esperar da afirmação acima, os índices Theil-T e Gini (que medem a desigualdade) se

mantiveram – especialmente nos anos 80 – mostrando que o crescimento econômico pode ser,

sem problema algum, acompanhado por altos níveis de desigualdade.

Ferreira e Litchfield (2000) apontam para uma informação não irrelevante: no Brasil, a

desigualdade de renda é, até hoje, uma das mais elevadas do mundo, o que permite a

dualidade “fraca redução do nível de pobreza” e “alta concentração de renda”. Comprovam tal

tese os dados apresentados por Barros, Henriques e Mendonça (2000): por um lado, o nível de

pobreza não caiu de forma significativa nos anos 80; por outro, o poverty gap de pobres e

indigentes aumentou ao longo da década. Entre 1979 e 1989, o poverty gap para os pobres

subiu 21,9%, enquanto o mesmo índice para os indigentes elevou-se 49,1%. Na visão de

Rocha (2013), tais dados corroboram com o desempenho econômico na década: o crescimento

do PIB foi oscilatório, com um período de ajuste recessivo nos anos 1981-83, combinado com

a clara preocupação de contenção da inflação. As políticas macroeconômicas adotadas

mostraram a hipersensibilidade dos níveis de pobreza aos preços e ao crescimento econômico.

– 5 –

Gráfico 3 – Medidas de pobreza e desigualdade comparadas, 1981-1999

Fonte: elaboração do autor a partir de dados da PNAD.

Outro dado interessante, a respeito do período 1981-1993, diz respeito à que podemos chamar

de reconfiguração participativa dos pobres. A tabela abaixo ajuda a elucidar a situação: por

um lado, em 1970, Nordeste e Sudeste concentravam cerca de ¾ de todos os pobres,

distribuídos de forma semelhante; por outro, em 1981, o Nordeste passa a ter praticamente

metade de todos os pobres do Brasil, enquanto o Sudeste tem sua participação reduzida a

pouco mais de ¼. Ao longo da década, a região Sul do país (englobando as macrorregiões Sul

e Sudeste) perde importância relativa em relação ao resto do Brasil, em termo de proporção

geográfica de pobres, indicando concentração geográfica do fenômeno.

Tabela 1 – Proporção de pobres em relação ao total e variação entre períodos, 1970-1993

Proporção (%) Variação entre períodos (%)

Região 1970 1981 1993 1970-1981 1981-1993 1970-1993

NO+CO 9,9 12,3 12,6 24,4 2,4 27,4

NE 38,5 49,2 43,6 27,9 -11,4 13,4

SE 36,3 28,1 36,2 -22,5 28,8 -0,2

SU 15,4 10,4 7,6 -32,4 -26,9 -50,6

Fonte: elaboração do autor a partir de Rocha (2013).

Repetindo a análise – porém em termos de regiões metropolitanas (RM) –, Rocha (1992)

apresenta dados para a evolução do headcount ratio entre 1981 e 1989, organizados no

gráfico abaixo. O que se percebe, de um lado, é a redução lenta e gradual do número de

pobres em 7 das 9 RM, e, de outro, que tal redução condiz com os dados a nível nacional, que

forma apresentados no Gráfico 1. Avaliando em termos médios, as RM não mudaram a

proporção de pobres, que se manteve em torno de 1/3. Em contrapartida, ao estudarem-se os

– 6 –

dados apresentados pela autora para a insuficiência de renda, tem-se que o período não se

caracterizou por tendências homogêneas: há cidades em claro ritmo decrescente (como São

Paulo e Curitiba) e cidades com insuficiência crescente (das quais se destaca Rio de Janeiro e

Belém). Embora isto mostre como a realidade é distinta para as diversas regiões do país, a

tendência média ficou em –1%, indicando a queda da insuficiência de renda no período,

mesmo que esta tendência não seja uniforme para os anos 80.

Gráfico 4 – Proporção de pobres e insuficiência de renda nas regiões metropolitanas brasileiras, 1981-1989

Fonte: elaboração do autor a partir dos dados de Rocha (1992).

Analisando a situação em termos internacionais, Santagada (1990) comparou o Brasil com

outros países da América Latina, usando o headcount ratio como medida comum. O resultado

obtido preocupa, pois o Brasil só fica em situação melhor se comparado ao Peru ou a

Honduras. Parte da tabela do autor está reproduzida abaixo: países como o Chile e a

Argentina, no mesmo período, estão em condições de pobreza muito melhores. Sem dúvida, é

importante fazer duas constatações em relação a esta comparação: primeiramente, como já

apontamos anteriormente, seria interessante saber o nível de desigualdade para os países em

questão; em segundo lugar, é preciso saber qual a linha de pobreza.

Embora não tenhamos os dados para o índice de Gini em Santagada (1990), trazemos esta

informação a partir das bases de dados do Banco Mundial (todavia, só para os anos 80). No

que tange a linha de pobreza, é definido, para fins de comparação, o valor mínimo necessário

para comprar uma cesta de alimentos, medida usada no relatório da ONU (1985) que dá

origem aos dados da tabela abaixo. Como os dados apontam, o Brasil é menos pior que países

como Honduras e Peru, mas até nestes países a desigualdade é menor.

– 7 –

Tabela 2 – Proporção de pobres e índice de Gini em países selecionados da América Latina

País Pobres (1970) Pobres (1980) Gini (ano)

Argentina 8,0 8,0 0,428 (1986)

Chile 17,0 16,0 0,562 (1987)

Honduras 65,0 64,0 0,551 (1986)

Peru 50,0 49,0 0,457 (1986)

Venezuela 25,0 24,0 0,556 (1981)

Brasil 49,0 43,0 0,579 (1981)

América Latina 40,0 35,0

Fonte: reprodução parcial de Santagada (1990) apud ONU (1985), com dados do Banco Mundial

Ao longo dos anos 90, com o sucesso do Plano Real em estabilizar a situação

macroeconômica do país, tem-se a redução do nível de pobreza entre 1994 e 1995. Para

Rocha (2013), tal fato se deve à leve melhora nas condições distribuição de renda; como nos

conta a autora, “enquanto a renda média aumentou 28% entre 1993 e 1995, para as pessoas

com rendas situadas no décimo mais baixo da distribuição de rendimento, a renda dobrou em

termos reais neste período, e, no segundo décimo cresceu em 47%” (p. 11). Cabe a seguinte

questão: o que mudou, afinal? Sabemos que houve mudança no nível da pobreza ao longo da

década, e que este decênio é claramente divisível em duas fases. Todavia, para respondermos

a contento, é importante avaliar os dados existentes para os períodos 1990-1994 e 1995-1999.

Rodolfo Hoffmann (1995), em seu artigo sobre a pobreza no período, destaca que, em 1990,

um total de 43,8% da população estava em situação de pobreza (com rendimento familiar per

capita entre ½ e ¼ de salário mínimo). Deste contingente, 52% (isto é, 22,8% da população

brasileira) vivia em condições de indigência (isto é, com rendimento inferior a ¼ de salário

mínimo). Se dividindo a população em áreas urbanas e rurais, o autor chega à conclusão de

que ¾ dos residentes em áreas rurais eram pobres (sendo que, destes, mais de 60% estava em

estado de indigência), enquanto só ⅓ dos moradores de áreas urbanas estavam na mesma

condição (sendo pouco menos de 50% o total de indigentes).

Este quadro, analisando-se Barros, Henriques e Mendonça (2001), parece mudar após o Plano

Real: pelos dados, vê-se que a proporção de pobres cai, entre 1990 e 1995, de 43,8% para

33,9%, enquanto o percentual de indigentes passa de 21,4% para 14,6%, no mesmo período.

Entre 1995 e 1999, todavia, as proporções se mantêm: no período, o headcount ratio oscilou

entre 32,8% e 34,1%, enquanto a proporção de indigentes se manteve entre 14,1% e 15,0%. O

que se mostra, assim, é que o quadro da pobreza no Brasil não se alterou, senão por meio de

uma política conjuntural: em outro contexto, não teria tido esta alteração.

Percebe-se, relembrando o Gráfico 1, que o Brasil passou por uma franca (embora tímida e

embrionária) melhora nos anos 90. Entretanto, é fundamental lembrar-se que a desigualdade

se mantém no período: retomando o Gráfico 3, nota-se a manutenção do alto nível de

desigualdade. Em situação de elevada desigualdade, é difícil reduzir, de forma sistemática, a

pobreza e a indigência no Brasil3: esta afirmação se comprovou no fim dos anos 90, como

3 Deixamos a cargo do leitor a prova (matemática ou não) de que, em contexto de elevada desigualdade, não se

pode reduzir o nível de pobreza de um país, pois cada unidade de renda gerada é distribuída de forma desigual.

Deixamos também a cargo a apresentação de uma prova (ou contraprova) para o seguinte postulado: a redução

simultânea da pobreza e da desigualdade só pode ocorrer por políticas de transferência governamental de renda.

– 8 –

mostram Ferreira e Litchfield (2000). Mesmo após a implementação do Plano Real, a

concentração na apropriação de renda se manteve: o último centil da distribuição (o mais

rico), entre 1981 e 1995, passou a se apropriar cada vez mais (mesmo que em ritmo vagaroso)

da renda total, enquanto os centis 61-99 se apropriam constantemente de ⅔ de toda a renda.

Disto, deduz-se que os mais pobres continuam se apropriando de pequena parte da renda, de

sorte a não haver correspondência entre estabilização macroeconômica e desconcentração da

renda nos anos 90.

Gráfico 5 – Fração de renda apropriada por centil e razão de renda 10/40

Fonte: elaboração do autor a partir dos dados de Ferreira e Litchfield (2000) e da PNAD.

Todos estes resultados apontam na mesma direção de Rocha (2013) – que serviu de base para

a seção toda –, no sentido de haver sim queda após o Plano Real, mas de tal redução não ser

estrutural, senão conjuntural e de curto prazo. As justificativas para a não continuação da

tendência são variadas, dentre as quais podemos citar três: a forte crise econômica a nível

internacional, eclodida a partir do México (no começo dos anos 90) e do Sudeste Asiático (no

fim da década); os problemas de ordem interna (como a alta taxa básica de juros e a sucessão

presidencial na virada do século); e a forte aversão às políticas de redistribuição de renda.

MÉTODO DE ANÁLISE E SELEÇÃO DE VARIÁVEIS

Para realizar os estudos comparativos da evolução da pobreza entre 1970-2000 e 2000-2010,

busca-se criar um modelo que possa avaliar tanto dados longitudinais quanto séries temporais.

A sugestão, para este tipo de análise, é o uso de modelos em painel. Para Gujarati (2006, p.

513), nos modelos de dados em painel, “a mesma unidade de corte transversal (uma família,

uma empresa, um estado) é acompanhada ao longo do tempo (...); os dados em painel têm

uma dimensão espacial e outra temporal”. Ademais, Baltagi (2005) aponta algumas vantagens

de se usar um modelo de painel, entre as quais: a análise de observações heterogêneas; a

utilização em estudo dinâmicos; e a facilidade para estudar comportamentos mais complexos.

– 9 –

Tendo definido que será utilizado um modelo de dados em painel, é importante estabelecer

três características deste modelo, na ordem apontada a seguir: o tipo de painel; o tipo de

efeito; e a quantidade de vias. Primeiramente, para definir o tipo de painel, devemos levar em

conta o número de observações e o tamanho da série temporal. Como a série conta com um

número fixo de períodos (que são os 10 anos de PNAD no século XXI) e UF (sempre as

mesmas 27), podemos adotar um painel do tipo balanced, cuja característica principal é o

acompanhamento dos mesmos indivíduos ao longo do tempo.

Para definir o tipo de efeito do painel, temos que nos debruçar mais longamente sobre as

justificativas da escolha. Primeiramente, vamos apresentar o modelo genérico que será

utilizado nas análises, conforme a equação abaixo:

( ) ( ) ( ) (1)

na qual é a linha de pobreza, a inflação, as transferências unilaterais de renda, o

salário mínimo, a representação genérica de um medidor, um erro genérico, o indivíduo

e o tempo. É importante ressaltar que, na equação acima estamos supondo que o erro seja

função da observação e do período. Pela equação, dizemos que o medidor de pobreza é

variável em função da inflação, das transferências de renda e do salário mínimo, além de

contar com um erro aleatório. A partir dos dados, devemos realizar algumas considerações, a

fim de escolher o melhor entre efeitos fixos e aleatórios.

Em termos de banco de dados, temos 10 anos (2001-2011, excluindo-se os anos censitários de

2000 e 2010) e 27 observações fixas, o que nos dá iniciais 270 graus de liberdade. Supondo a

escolha do modelo de efeitos fixos, devemos levar em conta quantos graus de liberdade

restariam após a inclusão das variáveis omissas no modelo. No caso de um modelo one-way,

teríamos 26 UF (pois uma é sempre de referência), três coeficientes angulares para os

regressores e um coeficiente linear: disto, deduzimos que há 240 graus de liberdade restantes.

Se fôssemos aplicar um modelo two-way, além dos 30 graus já consumidos, deveríamos

retirar mais 9 para os anos (já que há também um ano de referência): o total de graus de

liberdade restantes seria 231, o que é razoável para a significância estatística de um modelo.

Pelo quesito “conjunto usado”, temos que a PNAD é amostral; todavia, é importante ressaltar

que a PNAD conta com fatores de expansão da amostra, de sorte a trabalharmos com dados

para toda a população. Além disto, como se trabalha com todas as UF, não se tem mais dados

para incluir, o que indica um estudo representativo da população brasileira. Em modelos de

efeitos aleatórios, o uso da população faz o erro aleatório perder confiabilidade. Já em termos

de correlação entre erros e regressores, devemos lembrar que não é possível excluir tal

possibilidade, já que os regressores influenciam a pobreza e estes são influenciados pelo erro

individual (pois, por exemplo, medidas de inflação são regionalmente diferenciáveis).

Entretanto, não podemos supor que o coeficiente linear varie de forma aleatória (o que

indicaria ausência de correlação). Por fim, quanto à variabilidade dos regressores, temos que,

das três variáveis independentes, todas tiveram – em maior ou menor grau – variabilidade

significativa, o que favorece os modelos de efeitos variáveis.

A partir das análises acima, o modelo de efeitos aleatórios seria menos eficiente que o de

efeitos fixos. A fim de analisar a propriedade da escolha, podemos usar dois testes de

especificação: o de Breusch-Pagan (para analisar se o painel é o modelo mais apropriado); e o

de Hausman (para testar se o modelo de efeitos fixos é o mais apropriado). Após realizar estes

testes, espera-se verificar que o modelo de dados em painel com efeitos fixos é o mais

apropriado para este estudo.

– 10 –

O último elemento a analisar é o número de ways, podendo ser uma (one-way) ou duas (two-

way). A escolha deve ser feita analisando os dados e verificando se o modelo leva em conta só

as diferenças entre os indivíduos (no caso, as UF), ou se também trabalha com diferenças ao

longo dos anos. Como a ideia é avaliar a pobreza ao longo do tempo, dois elementos são

postos a favor do modelo two-way: i) a possibilidade de comparação da pobreza, em relação

ao ano de referência; ii) o estudo longitudinal das mudanças no padrão de pobreza. Um

modelo two-way nos dá a possibilidade de análise de um regressando de forma longitudinal,

além de permitir comparações entre um período específico e o período-base. Por isto tudo,

decidiu-se adotar um modelo de efeitos fixos two-way.

A fim de se analisar a significância estatística do tempo no painel (para justificar o uso de um

modelo two-way), alguns testes de contribuição marginal podem ser usados, especialmente

dois deles: o SS1 e o SS3. O SS1 (Soma de Quadrados do Tipo I) procura avaliar a

significância estatística da inclusão de regressores adicionais ao modelo básico. Já o SS3

(Soma de Quadrados do Tipo III) nos diz se a contribuição marginal de cada regressor é

significativa no modelo completo (isto é, com todos os regressores)4.

Após ter definido as características do painel, é possível escrever, em termos algébricos, o

modelo a ser utilizado para a análise de dados. O modelo a ser usado é um painel balanceado

com efeitos fixos two-way, conforme consta na equação abaixo5:

( ) ∑[∑ ( )

∑( )

]

(2)

Nesta, temos o medidor de pobreza ( ) avaliado em função de: 1) um coeficiente linear ( ),

constante no tempo; 2) três coeficientes angulares ( ), que medem a elasticidade da pobreza

frente à inflação ( ), ao salário mínimo ( ) e às transferências unilaterais de renda ( ); 3) um

primeiro coeficiente angular ( ), relacionado à variável-omissa individual ( ); 4) outro

coeficiente angular ( ), atrelado à variável-omissa tempo ( ); e 5) um erro white noise ( ).

Após a determinação do modelo, é importante definir as variáveis a serem utilizadas. Para o

regressando, foram selecionadas duas medidas de pobreza diferentes, para verificar a

influência das variáveis nestes índices: um índice padronizado de pobreza, definido por

Blackorby e Donaldson (1980); e um índice fuzzy de pobreza multidimensional.

A escolha do índice de Blackorby e Donaldson é feita a partir da análise de axiomas para

medidores de pobreza6, e o índice pode ser equacionado conforme representação abaixo,

sendo o total de pobres, o total da população, uma linha de pobreza de caráter

monetário, a distribuição equânime das rendas dos pobres e o ano de referência (podendo

variar entre para 2001 e para 2011).

( )

{( )

(3)

O medidor acima precisa definir seus valores para e . Primeiramente, o valor pode ser

escolhido com base em medidas “oficiais” de pobreza: o MDS (2004) entende que a linha de

pobreza “ideal” é baseada no valor da cesta básica e de itens adicionais, entendidos como

mínimos para a subsistência. Partindo disto, entende-se que meio salário mínimo per capita

4 Para mais informações, ver Reid (2009), que analisa e apresenta estas e outras Somas de Quadrados.

5 Modelos suplementares podem ser criados ao suprimirem-se o efeito temporal ou o efeito individual.

6 A respeito dos axiomas para medidores de pobreza, ver Hagenaars (1987) e Rodgers e Rodgers (1991).

– 11 –

seja uma linha de pobreza adequada. O salário mínimo do ano é calculado como sendo o

valor médio do salário mínimo para os meses do ano7.

( ) ( )

[∑( )

]|

(4)

Por sua vez, é calculado a partir da ideia de igualdade de renda entre os pobres, tomando-

se a média simples da renda dos pobres, o que resulta na equação abaixo:

( )

∑[( ) ( ) ]

∑( )

(5)

na qual ( ) representa o fator de expansão da amostra da família pobre no ano , sendo que

tem, na PNAD, famílias pobres. Além disto, é a renda recebida pela família . A soma

dos fatores de expansão resultará no tamanho da população pobre total .

O outro medidor escolhido, o índice fuzzy de pobreza multidimensional, é um índice que

trabalha com lógica difusa (uma extensão da clássica lógica booleana), o qual permite a

análise de medidas que não apenas as binárias8. Este tipo de medidor permite o uso de um

maior leque de variáveis, a saber: dicotômicas (o clássico sim-não); qualitativas (aquelas que

informam escalas de interesse ou pertencimento); múltipla (que informam sobre quantidades

discretas); e contínua (as quais definem quantidades não-discretas).

Quando a variável é do tipo não-binária, esta pode ser ordenada, conforme a função de

distribuição abaixo representada:

{

( )

( ) ( ) ( ( ))

( ) ( )

(6)

nesta equação, a subtração ( ) aponta o aumento constante do risco de pobreza, é o

item analisado na família , e é a variável já transformada. Por sua vez, representamos por

a variável não binária original, representa a colocação da -ésima família em termos de

variável não binária original e é a função de distribuição de , que varia a partir da

colocação definida em .

Por sua vez, quando a variável é binária, esta não pode ser ordenada, pois só há duas

possibilidades: 0 (não ter o problema); e 1 (ter o problema). Isto fica claro na equação abaixo:

{

(7)

o que consta acima é que a medida binária pode ser chamada de , pois não há como

transformá-la. A variável assume valor 1 quando o bem , na família , é inexistente, enquanto

assume valor 0 se o bem está presente no lar da família.

As variáveis não binárias, de forma genérica, podem ter seu índice calculado como a relação

entre a distância do valor frente ao valor máximo e a distância entre os limites.

7 Esta mesma linha de pobreza é utilizada para calcular o headcount ratio, que calcula a proporção de pobres.

8 Os estudos de Cerioli e Zani (1990), Cheli e Lemmi (1995) e Betti e Verma (1998) são úteis como introdução

ao uso da lógica fuzzy na análise de pobreza.

– 12 –

Especialmente no caso de variáveis múltiplas e contínuas, há a definição de limites para a

determinação do pobre (valor 1) e do não-pobre (valor 0), já que estas variáveis podem

assumir valores no intervalo [ ]:

{

[ ] (8)

Todas as variáveis a serem utilizadas no índice são agrupadas em conjuntos (grupos) de

afinidade, os quais representam alguma característica do domicílio e/ou da família. As

variáveis são retiradas da PNAD, e estão postas no quadro abaixo, divididas em seis grupos:

necessidades básicas (NB); condições de trabalho (CT); condições de ensino (CE); condições

de saúde (CS); bens de consumo (BC); e renda (RN).

Quadro 1 – Variáveis do índice fuzzy de pobreza multidimensional, por grupos e categorias

Fonte: elaboração própria a partir de Maria, Maia e Ballini (2012) e Maria (2013a).

Nota: o asterisco (*) indica os itens efetivamente utilizados no indicador deste ensaio.

Algumas variáveis não são selecionadas, pois: a) as informações estão dispersas em várias

pesquisas (algumas são apenas da POF); b) muitos dados não existem para todos os anos

(dados de saúde estão apenas em questionários especiais da PNAD, com aplicação

esporádica); c) a inexistência de perguntas relacionadas, ou as perguntas são muito recentes

nas pesquisas. De todo modo, o índice fuzzy aqui criado é bastante amplo (com mais de 20

variáveis), incorporando variáveis de cinco dos seis grupos enunciados, o que permite avaliar

o peso de cada um no indicador9. Após a caracterização das variáveis e dos grupos do índice

fuzzy, é importante definir as ponderações de tais grupos. Para obter o indicador de pobreza de

cada família , teremos a caracterização abaixo, na qual é o índice fuzzy de pobreza da

9 Como já apontado, muitas variáveis não podem ser adoperadas por vários motivos. O exemplo deste ensaio é o

grupo CS, com uma única variável mensurável (a mortalidade infantil), de valor reduzido; para contornar um

possível problema de viés na ponderação do grupo, optou-se por retirá-lo do índice geral.

– 13 –

família , é a ponderação do grupo (sendo que há, como já visto, 6 grupos), é o valor

médio do nível de pobreza da população para o grupo .

∑

{

( ) (∑

)

∑

(9)

Para se chegar em um índice para nível nacional ou estadual, é suficiente fazer a agregação

dos resultados para as famílias . Como a PNAD trabalha com amostras, será usado o fator de

expansão da amostra :

(∑

)

∑

(10)

Após definirem-se os índices utilizados para o regressando, é importante deixar claro como

são escolhidos os índices para os regressores (inflação, salário mínimo e transferências

unilaterais de renda, já citados anteriormente). Para a inflação, foram utilizadas duas medidas,

o INPC (Índice Nacional de Preços ao Consumidor) e o IPCA (Índice Nacional de Preços ao

Consumidor Amplo), ambos transformados em índice com base 100 posta em 2011. Para o

salário mínimo, foi usado o valor-base nacional, o qual foi deflacionado por INPC; após isto,

foi criado o índice de salário mínimo, com base 100 posta em 2001.

Figura 1 – Os principais programas de transferência unilateral, de 2004 a 2011

Fonte: elaboração própria a partir dos dados da MIV/MDS.

– 14 –

Para as transferências de renda, entretanto, precisaram de uma análise mais cuidadosa antes de

seguir com a constituição do índice. O problema central é escolher os programas de

transferência de renda a serem levados em conta. Em primeira instância, é importante

selecionar os programas e dividi-lo em grupos, a partir dos cadastros da MIV (Matriz de

Informação Social por Vetor, desenvolvida pelo Ministério de Desenvolvimento Social e

Combate à Fome). A figura logo acima mostra os programas separados em cinco categorias,

contabilizando dezoito programas de assistência, dentre os quais tem o BPC (Benefício de

Prestação Continuada), a RMV (Renda Mensal Vitalícia) e o PBF (Programa Bolsa Família).

Como a MIV só traz dados a partir de 2004, para os anos 2001-2003 foi retroprojetada uma

estimativa não-linear exponencial, efetuada a partir dos valores já conhecidos, sendo que o

modelo genérico da retroprojeção está abaixo, onde letras gregas representam coeficientes

estimados, é o ano de referência e é o número de Euler.

(11)

Após ter-se a série completa para as transferências de renda, esta foi deflacionada por INPC e

foi criado um índice com base 100 posta em 2001.

A POBREZA NOS ANOS 200010

A partir do modelo, vamos analisar os coeficientes para as variações temporais, tomando por

referência o ano de 2011. Das análises que se seguem, obtém-se um resultado geral: coeteris

paribus, o impacto do tempo no nível médio do índice de pobreza é positivo, o que indica

que, ao se distanciar de 2001, o tempo pesa mais para um menor patamar de pobreza inicial.

Ademais, independente do índice de inflação usado, a tendência à queda dos coeficientes para

os regressores, ao longo do tempo, é constante: quanto mais perto do ano-referência, menor a

força do tempo para diferenciar índices de pobreza. A tabela abaixo apresenta a TMGC (taxa

média geométrica de crescimento) dos coeficientes para o tempo, nos modelos com diferentes

índices de pobreza e inflação.

Tabela 3 – TMGC e variação dos coeficientes temporais a nível estadual

Inflação: IPCA Inflação: INPC

BD Fuzzy BD Fuzzy

TMGC -23,7% -21,6% -20,6% -20,1%

Variação -88,5% -85,8% -84,2% -83,4%

Fonte: elaboração própria a partir dos dados da PNAD.

Após esta avaliação introdutória sobre mudanças temporais, vamos discutir os coeficientes

obtidos para os regressores selecionados. Podemos perceber que, de forma genérica, as

variáveis assumiram o seguinte comportamento:

a) A inflação afeta positivamente a redução do nível de pobreza, independentemente

do índice de inflação;

b) O salário mínimo tende a ter um impacto positivo na redução do nível de pobreza,

para qualquer índice de inflação;

10

Nesta seção, serão apresentados alguns exemplos do modelo; para os resultados completos, ver o Apêndice A.

– 15 –

c) Mesmo que este impacto seja reduzido, as transferências de renda têm impacto

negativo significativo na redução da pobreza;

d) Os modelos que utilizam o IPCA como variável para a inflação tendem a ter

menor significância perante os modelos que usam o INPC.

Na tabela abaixo, vemos que se confirmam as afirmações acima: a partir do modelo

elaborado, caso toda variável independente fosse nula e fôssemos avaliar o estado e o ano de

referência, os coeficientes apresentados seriam esperados. Embora sejam significativos,

vários deles não têm sentido isoladamente, por excederem o limite superior dos índices (que é

100%), sendo usados exclusivamente como patamar de análise. Deduz-se, pelos coeficientes

apresentados que, caso nenhum fator influencie a pobreza no Distrito Federal em 2011 (que

são a UF e o ano de referência), tais níveis seriam elevados na origem. Portanto, temos uma

primeira conclusão importante: as variáveis analisadas (macroeconômicas e de ordem espaço-

temporal) contribuem, conjuntamente, para a compreensão da evolução do nível de pobreza

no Brasil, ao longo dos anos 2000.

Tabela 4 – Coeficientes linear e angulares para modelos de diferenciação estadual


Coeficiente BD Fuzzy BD Fuzzy

0,48469 0,60840 1,40334 1,38462

-0,00214 -0,00221 -0,00712 -0,00638

-0,00144 -0,00103 -0,00386 -0,00310

0,00009 0,00003 0,00009 0,00003


Nota: coeficientes em vermelho não são significativos a 10%.

Tomemos de exemplo o modelo que usa o IPCA como inflação e o índice fuzzy para a

pobreza, na tabela acima. Pelo apresentado, se espera, em média: uma redução de 0,0022

pontos no índice de pobreza a cada aumento unitário do IPCA; uma queda de 0,0010 pontos

no índice para cada aumento unitário no índice de salário mínimo; e um aumento de 0,00003

pontos no mesmo índice para um aumento de um ponto no índice de transferências de renda.

Estes coeficientes influenciarão o valor inicial de 0,6084 para o índice de pobreza; se não

levarmos em conta, todavia, os coeficientes de diferenciação regional e temporal, o valor

obtido diz respeito ao Distrito Federal em 2011.

Para avaliar os modelos estudados, foram elaborados os submodelos citados na nota de rodapé

511

. Retomando a ideia destes submodelos, o objetivo é avaliar como – a nível estadual – se

comporta a variável dependente quando retiramos, de maneira alternada, um dos fatores dos

modelos two-way (primeiramente, omitindo o fator tempo, depois omitindo o fator espaço),

transformando-se em modelo one-way. A ideia por trás é avaliar como a omissão do tempo e

da regionalização influenciam os resultados do modelo principal, seja com a inflação sendo

medida pelo IPCA, seja nos modelos que usam o INPC. Vamos iniciar pelos modelos com

diferenciação a nível estadual. Para permitir a comparação entre os resultados, vamos utilizar

os mesmos estados para a prova.

11

Os resultados para os modelos one-way são apresentados nos Apêndices B e C.

– 16 –

Em nível estadual, calculamos um exemplo para a Bahia12

. Avaliando os coeficientes do

índice fuzzy com inflação medida via IPCA, temos que se espera um índice inicial de pobreza

igual a 0,2977, aumentado de 0,0404 por ser este Estado e não o Distrito Federal. Como não

há diferenciação temporal, não há coeficiente para o ano de interesse (que, no exemplo

anterior, foi 2001). No ano analisado, tivemos IPCA com índice igual a 55,599, e PTU e

salário mínimo com índices iguais a 100. Esperamos, a partir deste modelo, um IFP de

0,30366, registrando diferença de +1,65% em relação ao outro modelo e ficando 3,28% acima

do valor medido efetivamente pelo IFP.

Percebemos, pelo exemplo, que há uma divergência significativa entre os resultados obtidos,

imputando que, mesmo que a maioria dos coeficientes temporais seja estatisticamente

insignificante, temos a evolução da situação ao longo do tempo, que não se explica apenas

pelas variáveis selecionadas. O uso do tempo, no modelo, vem fazer o papel – pelo menos em

parte – das variáveis que podem ter sido omitidas na especificação. Ao não termos os

coeficientes de diferenciação temporal neste modelo, os coeficientes lineares se tornaram

muito menores (tomando o índice fuzzy com IPCA de exemplo, passamos de 0,6084 para

0,2977 neste coeficiente), além de haver uma redução nos coeficientes angulares do modelo e

uma menor significância.

Tabela 5 – Coeficientes para modelos estaduais sem diferenciação temporal


BD Fuzzy BD Fuzzy

0,0982 0,2977 0,0979 0,2982

0,0004 0,0001 0,0003 0,0000

-0,0005 -0,0004 -0,0005 -0,0004

– – – –

Pará 0,1022 0,0497 0,1029 0,0498

Bahia 0,1584 0,0404 0,1590 0,0404

São Paulo -0,0166 -0,0040 -0,0162 -0,0040

Paraná 0,0038 0,0076 0,0040 0,0076

Goiás 0,0162 0,0253 0,0169 0,0255


Notas: coeficientes em vermelho não são significativos a 10%. Traços apontam valores nulos resultantes

de arredondamentos para a 4ª casa decimal.

Após o primeiro teste, procedemos retirando a diferenciação espacial e reinserindo a

temporal, a nível estadual; os resultados obtidos se encontram na tabela abaixo. Retomemos o

exemplo da Bahia para 2001, para o modelo com pobreza fuzzy e inflação IPCA: neste caso,

temos que o coeficiente linear é 1,0668, com variação negativa de 0,3170 por estarmos

analisando o ano de 2001 comparativamente ao ano de 2011. Como não há coeficientes para

diferenças estaduais, estas se dão pelas diferenças nos coeficientes angulares. Novamente,

para a Bahia, temos o índice IPCA de 55,599, e as transferências de renda e salário mínimo

com índice de 100 pontos cada; disto, obtivemos um índice fuzzy estimado de 0,27964, o que

implica uma subavaliação de 6,39% em relação ao índice original. Fica claro que esta

diferença é significativa, nos levando à conclusão de que a diferença espacial é também

12

Cabe ao leitor, caso queira, estender o exemplo para os outros estados e anos.

– 17 –

relevante no modelo. Deste modo, já concluímos que os efeitos two-way do modelo são

importantes para a correta caracterização da pobreza: em outros termos, não é só de variáveis

macroeconômicas que os índices de pobreza são compostos.

Tabela 6 – Coeficientes para modelos estaduais sem diferenciação espacial


BD Fuzzy BD Fuzzy

1,7580 1,0668 2,0899 1,3997

-0,0107 -0,0036 -0,0138 -0,0067

-0,0029 -0,0027 -0,0030 -0,0028

-0,0001 – -0,0002 –

2001 -0,7102 -0,3170 -0,8689 -0,4706

2005 -0,4067 -0,1964 -0,4841 -0,2723


Notas: coeficientes em vermelho não são significativos a 10%. Traços apontam valores nulos resultantes

de arredondamentos para a 4ª casa decimal.

Para provar que ambas as diferenças (espaciais e temporais) são necessárias, apresentamos

uma análise das diferenças entre o índice fuzzy estimado e o efeito para os modelos com

diferenciação a nível regional. Para avaliar e comparar, de forma gráfica, os submodelos,

adotamos uma metodologia simples: calculamos a diferença entre o valor estimado para o

índice fuzzy (com inflação INPC) – tanto para o modelo sem diferenciação especial quanto

para aquele sem diferenciação temporal – e o valor real.

Como os resultados gráficos apontam, há uma tendência de subavaliação no modelo sem

diferenciação temporal, enquanto há uma tendência à sobreavaliação no modelo sem

diferenciação espacial. Novamente, aparece mais um indício de o modelo precisar levar em

conta as diferenças espaço-temporais: avaliando os gráficos abaixo, percebemos que o viés é

mais forte quando há apenas a diferenciação temporal, enquanto a tendência – em todas as

regiões do país – é muito mais homogênea em modelos com diferenciação espacial.

Gráfico 6 – Evolução da diferença de índice fuzzy para estimativas de painéis one-way


Nota: à esquerda, o modelo sem diferenciação temporal; à direita, o modelo sem diferenciação espacial

– 18 –

Para comprovar que o modelo com efeitos two-way tem maior acurácia, apresentamos o

terceiro gráfico. Comparando a estimativa do modelo com o resultado original, chegamos à

conclusão que o resultado obtido, para todos os estados e anos, é mais próximo ao valor

original; isto nos mostra que, com dois níveis de diferenciação das observações, os resultados

se aproximam muito dos dados iniciais.

Após esta explanação sobre a importância das dummies para entender as diferenças espaciais

e temporais, comprovamos tal importância, pois os modelos two-way apresentados – embora

demandem maior número de graus de liberdade – explicam, de forma mais satisfatória, as

diferenças dos índices a nível geográfico. Foram apresentados os resultados para as variáveis

macroeconômicas de interesse, sendo agora a hora de discutir os resultados destas à luz das

hipóteses deste ensaio, recorrendo a alguns testes econométricos.

Gráfico 7 – Evolução da diferença de IFP para estimativas de painel two-way


Feitas tais digressões sobre os modelos, vamos avaliar mais dois elementos importantes: a

possibilidade de omissão de variáveis; e a contribuição marginal das variáveis utilizadas.

Quanto ao primeiro elemento, já percebemos que a diferenciação espacial e temporal é

fundamental: portanto, podemos inferir que menos variáveis do que as presentes fariam do

modelo um arcabouço numérico frágil. Entretanto, avaliamos aqui apenas três grandes

variáveis, podendo-nos perguntar se o PIB per capita não seria também uma medida

necessária para entender a redução no nível de pobreza brasileiro nos anos 2000.

Vamos iniciar, portanto, retomando os testes de especificação de Breusch-Pagan e de

Hausman. Pelo teste Breusch-Pagan testamos se o modelo de MQO por pooled regression é o

mais adequado (H0), contra o uso de modelos em painel (HA); caso a probabilidade de

ocorrência fique abaixo do nível crítico (neste ensaio, este valor é sempre 10%), rejeitamos a

– 19 –

hipótese nula. Já pelo teste de Hausman, testamos a hipótese de ineficiência dos efeitos fixos

(H0) contra a ineficiência dos efeitos aleatórios (HA); como no teste anterior, caso o nível

crítico seja maior do que a probabilidade estimada, também se rejeita a hipótese nula.

Aplicamos os dois testes aos modelos two-way, em busca de evidências para rejeitar o uso de

modelos de dados em painel e – caso não rejeitássemos – para escolher os efeitos aleatórios

em detrimento dos efeitos fixos. Os resultados podem ser observados abaixo.

Tabela 7 – Testes de Breusch-Pagan e de Hausman para os modelos básicos


BD IFP BD IFP

R² 96,26% 96,47% 96,30% 96,78%

Breusch-Pagan 1097,55 1017,05 1096,21 1032,94

Hausman 168,41 136,13 170,70 151,38


Notas: todos os testes têm nível de significância de 10%, e os valores obtidos estão abaixo do nível crítico.

Como os resultados apontam, rejeitou-se a hipótese de um modelo de pooled regression (pelo

teste de Breusch-Pagan) e verificou-se a maior eficiência do modelo de efeitos fixos (pelo

teste de Hausman). Deste modo, iniciando pelos testes de especificação, verificamos que o

modelo aplicado é o mais apropriado para os dados levantados, descartando-se a possibilidade

de os resultados obtidos serem viesados, nestes termos. Quanto à contribuição marginal das

variáveis, temos os testes de contribuição marginal sequencial e de contribuição marginal

ortogonal, citados na seção anterior. Para obter os resultados, utilizamos a procedure GLM no

SAS 9.3®, inserindo as opções SS1 e SS3, para avaliar a contribuição marginal sequencial e a

ortogonal, respectivamente. Novamente, aplicamos os testes para os modelos básicos (two-

way com diferenciação a nível estadual), e os resultados podem ser verificados abaixo.

Tabela 8 – Testes SS1/SS3 dos modelos básicos

Inflação do modelo: IPCA Inflação do modelo: INPC

BD IFP BD IFP

SS

1

0,005 0,030 0,007 0,032

0,003 0,011 0,001 0,007

0,004 – 0,003 –

Estado 1,498 0,125 1,499 0,126

Ano 0,010 0,002 0,010 0,003

SS

3

– – 0,001 0,001

– – 0,001 0,001

0,001 – 0,002 –

Estado 1,452 0,111 1,409 0,098

Ano 0,010 0,002 0,010 0,003


Notas: coeficientes em vermelho não são significativos a 10%. Traços apontam valores nulos resultantes de

arredondamentos para a 3ª casa decimal.

– 20 –

Como vimos na seção anterior, o teste de contribuição marginal SS1 verifica a significância

da adição de uma nova variável no modelo, enquanto o teste SS3 verifica a contribuição

marginal de cada variável no modelo completo – aquele com todas as variáveis. Avaliando os

testes SS1, verificamos que a inserção de todas as variáveis é significativa13,

demonstrando

que as variáveis do nosso modelo são importantes para a explicação da pobreza no Brasil. Já

verificando os testes SS3, vemos que, quando a inflação utilizada é o IPCA, o número de

variáveis com contribuição insignificante é maior em relação aos modelos que usam o INPC.

Isto sinaliza a maior aderência dos modelos com INPC aos dados, por termos um índice que

leva em conta – de forma mais específica – a cesta de consumo das famílias com menor renda

(especificamente, famílias com até 5 salários mínimos).

Um último ponto a ser avaliado – este, porém, fora do modelo – diz respeito à evolução das

medidas de pobreza, para verificar se houve redução contínua desta ao longo dos anos 2000.

A tabela abaixo resume os resultados encontrados, a partir das medições feitas com as

equações (3) e (10): como é perceptível, a redução da pobreza no período não foi tão

acentuada como se esperava, podendo se dizer que está se vivendo uma fase de estagnação14

.

Tabela 9 – Medidas de pobreza para o Brasil (2001-2011)

Fuzzy BD P0

2001 0,273 0,130 0,285

2002 0,272 0,126 0,285

2003 0,270 0,136 0,302

2004 0,269 0,126 0,294

2005 0,266 0,126 0,297

2006 0,264 0,129 0,302

2007 0,258 0,131 0,298

2008 0,254 0,118 0,280

2009 0,248 0,124 0,287

2011 0,236 0,113 0,263

Variação -13,6% -12,9% -7,9%


Como se vê pela tabela acima, a redução da pobreza – medida por três métodos diferentes15

–

foi clara; todavia, o estudo dos índices absolutos mostra que não houve mudança significativa

de patamar, embora as reduções tenham entre 5 e 15%. Pelos resultados acima, podemos

inferir que o impacto das variáveis estudadas, embora estas tenham tido coeficientes

estatisticamente significativos, não foi suficiente para reduzir a pobreza de forma mais

acentuada, como poderia se esperar em termos de continuidade de tendência. Elementos como

o esgotamento do poder de ação do salário mínimo, a relativa estabilidade inflacionária e o

foco dos programas de transferência de renda podem ter concorrido para a desaceleração da

queda da pobreza ao longo os anos 2000.

13

As variáveis, no teste SS1, foram adicionadas na ordem de apresentação na tabela, de cima para baixo. 14

O Apêndice D traz os resultados dos medidores para as macrorregiões. 15

O medidor fuzzy avaliou a carência material; o índice BD estudou relações entre renda dos pobres e total de

pobres; e o headcount ratio (P0) avaliou o número de pessoas com menos de ½ salário mínimo mensal.

– 21 –

CONCLUSÕES

Neste trabalho, foram avaliadas as relações entre variáveis macroeconômicas e níveis de

pobreza para Brasil e UF. As conclusões apresentadas podem (e devem) ser vistas com certo

ceticismo, pois é sempre bom lembrar que estamos lidando com econometria, sujeita a vieses,

problemas, críticas e descrédito. De forma sucinta, apontamos que a inflação contribuiu

positivamente para a redução da pobreza, assim como o salário mínimo; com tendência

contrária, as transferências de renda tiveram efeitos negativos na redução da pobreza, mesmo

que mínimos e/ou estatisticamente nulos. Verificamos que os modelos com um índice de

inflação de menor espectro salarial (tal como o INPC) são mais consistentes, em termos

estatísticos, em relação aos com inflação de espectro maior (como o IPCA).

Perante este cenário, poderíamos concluir que o estudo teve sucesso. Todavia, deve-se

ressaltar que vários elementos não são analisados pela metodologia proposta, e que merecem

uma análise estrutural-conjuntural esclarecida. Por exemplo, o modelo diz que a inflação

reduz o nível de pobreza: como isto se explica? Temos que avaliar como a inflação se reduziu,

para verificar a consistência do que foi apontado: uma coisa é dizer que a inflação é pró-

pobre; outra coisa é afirmar que, devido ao comportamento de alguns preços, a inflação

contribuiu para a redução das carências da população.

Encontramos indícios de irrelevância estatística das transferências de renda; e, quando os

coeficientes eram significativos, estes apontavam para uma influência negativa sobre a

redução da pobreza. É importante ressaltar que as políticas de transferência de renda são um

dos pilares políticos dos últimos três governos; assim surge a pergunta: como podem as

transferências de renda alimentar a pobreza? Deve-se lembrar que os pobres são uma

categoria heterogênea, com mais e menos pobres, concentrados em diferentes regiões do país.

Não podemos avaliá-los como é feito pelo headcount ratio, no qual ou se é pobre, ou não.

Portanto, para entender o porquê das transferências de renda terem tido coeficiente negativo

na grande maioria dos casos, é fundamental avaliar duas informações: quem recebe as

transferências; e o nível de desigualdade entre os pobres. Com estas informações será possível

esclarecer os porquês de resultados à primeira vista contraditórios.

Os coeficientes que descrevem o salário mínimo se comportaram conforme o esperado: maior

salário mínimo, menor nível de pobreza. Entretanto, é bom lembrar que o salário mínimo

utilizado foi deflacionado por INPC; deflacionar por IPCA poderia trazer resultados distintos?

Por este caminho, sugerimos que o índice de inflação deve ser escolhido com certo cuidado,

pois os resultados podem divergir. Ademais, deve-se ressaltar que é também importante

verificar o comportamento do modelo ao não deflacionarmos o salário mínimo – podendo

servir de hipótese heroica para futuro relaxamento –, servindo de base para avaliar como a

inflação corrói o poder de compra da renda. Assim, indicamos que modelos secundários

deveriam avaliar o comportamento do salário mínimo frente a vários distúrbios de preços.

Comparando-se os resultados obtidos para os anos 2000 com a tendência até 1999, podemos

ver que a redução da pobreza desacelera no século XXI. Como todo resultado numérico

(oriundo de análises descritivas ou estatísticas), é importante relativizar o achado, pois os

índices foram construídos ad hoc, podendo variar de uma pesquisa à outra. Todavia, quando

se analisa o headcount ratio, tem-se em mente que a linha nacional de pobreza (meio salário

mínimo per capita) de cada ano serviu para estimar o número de pobres na PNAD, de modo a

ter-se um medidor genérico que aponta a baixa redução da pobreza no período, conforme os

outros índices apontaram.

– 22 –

Em termos conclusivos, este ensaio avaliou o andar da pobreza no Brasil até e após 2000. O

centro do estudo foi a análise de determinantes macroeconômicos para a explicação dos níveis

de pobreza no século XXI, e os resultados foram, em sua maioria, consistentes. O estudo das

variáveis com um modelo de dados em painel permitiu adicionar variáveis espaço-temporais

ao estudo, as quais se mostraram significativas. Todavia, é preciso ressaltar que a redução da

pobreza nos anos 2000 se deu a um ritmo mais vagaroso, que deve ser analisado em suas

diversas dimensões para ser entendido em toda sua plenitude.

*******

REFERÊNCIAS BIBLIOGRÁFICAS

Baltagi, B. H. (2005), Econometric Analysis of Panel Data. 3ª Edição. Chichester: John Wiley

& Sons Ltd, 316p.

Barros, R. P.; Henriques, R.; Mendonça, R. (2000), “Desigualdade e pobreza no Brasil:

retrato de uma estabilidade inaceitável.”, em Revista Brasileira de Ciências Sociais. São

Paulo: ANPOCS, vol. 15, n. 42, pp. 123-142.

Barros, R. P.; Henriques, R.; Mendonça, R. (2001), A estabilidade inaceitável: desigualdade e

pobreza no Brasil, Texto para Discussão nº 800, Brasília: IPEA, 29p.

Betti, G.; Verma, V. (1998), Measuring the degree of poverty in a dynamic and comparative

context: A multi-dimensional approach using fuzzy set theory, Working Paper nº 22,

Siena: Dipartimento di Metodi Quantitativi (Università di Siena), 16p.

Blackorby, C.; Donaldson, D. (1980), “Ethical Indices for the Measurement of Poverty.”, em

Econometrica, Malden: John Wiley & Sons Inc., vol. 48, n. 4, pp. 1053-1061.

Cerioli, A.; Zani, S. (1990), “A fuzzy Approach to the measurement of poverty.”, em Dagum,

C.; Zenga, M. (Eds.), Income and Wealth Distribution, Inequality and Poverty: Studies

in Contemporary Economics. Berlin: Springer Verlag, pp. 272-284.

Cheli, B.; Lemmi, A. (1995), “A Totally Fuzzy and Relative Approach to the

Multidimensional Analysis of Poverty.”, em Economic Notes by Monte dei Paschi di

Siena, Siena: Banca Monte dei Paschi di Siena, vol. 24, n. 1, pp. 115-134.

Ferreira, F. H. G.; Litchfield, J. A. (2000), “Desigualdade, pobreza e bem-estar social no

Brasil – 1981/95.”, em Henriques, R. (Org.), Desigualdade e pobreza no Brasil. Rio de

Janeiro: IPEA, pp. 49-80.

Gujarati, D. N. (2006), Econometria básica. 4ª Edição. Rio de Janeiro: Elsevier, 812p.

Hagenaars, A. J. (1987), “A Class of Poverty Indices.”, em Internacional Economic Review,

Hoboken: Blackwell Publishing, vol, 28, n. 3, pp. 583-607.

Hoffmann, R. (1995), “Pobreza, insegurança alimentar e desnutrição no Brasil.”, em

Econômica, Rio de Janeiro: UFF, vol. 9, n. 24, pp. 159-172.

Maria, P. F.; Maia, A. G.; Ballini, R. (2012), “Indicador fuzzy de pobreza multidimensional: o

que diferencia as áreas urbanas e rurais no Brasil?”, trabalho apresentado no 50º

Congresso da Sociedade Brasileira de Economia, Administração e Sociologia Rural,

Vitória. Disponível em <http://bit.ly/OZvJdS>, acesso em 06 de fevereiro de 2014.

Maria, P. F. (2013a), Condicionantes fundamentais da pobreza no Brasil: um estudo com

análise fatorial. Campinas, UNICAMP. Disponível em <http://bit.ly/14EvIWc>, acesso

em 20 de março de 2014.

Maria, P. F. (2013b), Pobreza no Brasil nos anos 2000: determinantes da redução, Trabalho

de Conclusão de Curso de Graduação, Instituto de Economia, Universidade Estadual de

Campinas, Campinas, Brasil, 27 de novembro.

MDS (2004), “Indicadores de Segurança Alimentar e Nutricional.”, trabalho apresentado na

2ª Conferência Nacional de Segurança Alimentar e Nutricional, Pernambuco.

http://bit.ly/OZvJdS

http://bit.ly/14EvIWc

– 23 –

ONU (1985), La pobreza en América Latina: dimensiones y políticas. Santiago de Chile:

Comissão Econômica para a América Latina e o Caribe, 162p.

Reid, N. (2009), Types of Sums of Squares, Toronto, University of Toronto. Disponível em

<http://bit.ly/12WKQgX>, acesso em 20 de março de 2014.

Rocha, S. (1992), “Pobreza no Brasil: parâmetros básicos e resultados empíricos.”, em

Pesquisa e Planejamento Econômico, Brasília: IPEA, vol. 22, n. 3, pp. 541-560.

Rocha, S. (2013), Pobreza no Brasil: a evolução de longo prazo. Estudos e pesquisas nº 492.

Rio de Janeiro: Instituto Nacional de Altos Estudos, 52p.

Rodgers, J. L.; Rodgers, J. R. (1991), “Measuring the Intensity of Poverty among

Subpopulation: Application to the United States.”, em The Journal of Human

Resources, Madison: The University of Wisconsin, v. 26, n. 2, pp. 338-361.

Santagada, S. (1990), “A situação social no Brasil nos anos 80.”, em Indicadores Econômicos

FEE, Porto Alegre: UFRGS, vol. 17, n. 4, pp. 121-143.

http://bit.ly/12WKQgX

– 24 –

APÊNDICE A – Resultados do modelo completo de análise de pobreza

Variável Inflação: IPCA Inflação: INPC

Descrição BD Fuzzy BD Fuzzy

RO 0,0490 0,0486 0,0337 0,0350 Efeito seccional 1

AC 0,1164 0,0531 0,1012 0,0396 Efeito seccional 2

AM 0,1048 0,0372 0,0896 0,0236 Efeito seccional 3

RR 0,0903 0,0451 0,0748 0,0312 Efeito seccional 4

PA 0,1007 0,0486 0,0854 0,0350 Efeito seccional 5

AP 0,0746 0,0361 0,0592 0,0224 Efeito seccional 6

TO 0,1011 0,0667 0,0900 0,0565 Efeito seccional 7

MA 0,2196 0,0638 0,2236 0,0668 Efeito seccional 8

PI 0,1994 0,0642 0,2035 0,0673 Efeito seccional 9

CE 0,1775 0,0433 0,1817 0,0464 Efeito seccional 10

RN 0,1330 0,0333 0,1199 0,0217 Efeito seccional 11

PB 0,1543 0,0342 0,1413 0,0226 Efeito seccional 12

PE 0,1610 0,0335 0,1479 0,0219 Efeito seccional 13

AL 0,2220 0,0506 0,2196 0,0479 Efeito seccional 14

SE 0,1329 0,0313 0,1305 0,0286 Efeito seccional 15

BA 0,1641 0,0448 0,1619 0,0422 Efeito seccional 16

MG 0,0301 0,0051 0,0163 -0,0068 Efeito seccional 17

ES 0,0406 0,0233 0,0422 0,0242 Efeito seccional 18

RJ -0,0118 -0,0038 -0,0106 -0,0032 Efeito seccional 19

SP -0,0058 0,0039 0,0105 0,0171 Efeito seccional 20

PR 0,0144 0,0153 0,0308 0,0289 Efeito seccional 21

SC -0,0253 -0,0010 -0,0190 0,0040 Efeito seccional 22

RS 0,0042 -0,0040 0,0105 0,0010 Efeito seccional 23

MS 0,0153 0,0296 0,0042 0,0194 Efeito seccional 24

MT 0,0279 0,0468 0,0169 0,0367 Efeito seccional 25

GO 0,0178 0,0273 0,0067 0,0171 Efeito seccional 26

2001 -0,1617 -0,1316 -0,5632 -0,4707 Efeito temporal 1

2002 -0,1508 -0,1183 -0,5126 -0,4237 Efeito temporal 2

2003 -0,1187 -0,0998 -0,4305 -0,3629 Efeito temporal 3

2004 -0,1073 -0,0835 -0,3900 -0,3225 Efeito temporal 4

2005 -0,0915 -0,0695 -0,3359 -0,2763 Efeito temporal 5

2006 -0,0641 -0,0508 -0,2580 -0,2148 Efeito temporal 6

2007 -0,0441 -0,0417 -0,2000 -0,1735 Efeito temporal 7

2008 -0,0472 -0,0321 -0,1637 -0,1305 Efeito temporal 8

2009 -0,0187 -0,0187 -0,0890 -0,0782 Efeito temporal 9

Intercept 0,4847 0,6084 1,4033 1,3846 Intercepto

iP -0,0021 -0,0022 -0,0071 -0,0064 Índice Inflação

iS -0,0014 -0,0010 -0,0039 -0,0031 Índice Salários

iT 0,0001 0,0000 0,0001 0,0000 Índice Transferências

Os coeficientes apresentados em vermelho não são estatisticamente signifcativos a nível de 10%.

– 25 –

APÊNDICE B – Resultados do modelo de análise de pobreza sem diferenciação temporal



RO 0,0503 0,0496 0,0510 0,0496 Efeito seccional 1

AC 0,1170 0,0536 0,1176 0,0536 Efeito seccional 2

AM 0,1061 0,0381 0,1068 0,0382 Efeito seccional 3

RR 0,0956 0,0490 0,0963 0,0490 Efeito seccional 4

PA 0,1022 0,0497 0,1029 0,0498 Efeito seccional 5

AP 0,0782 0,0388 0,0789 0,0389 Efeito seccional 6

TO 0,0984 0,0640 0,0992 0,0641 Efeito seccional 7

MA 0,2145 0,0600 0,2149 0,0600 Efeito seccional 8

PI 0,1931 0,0595 0,1934 0,0595 Efeito seccional 9

CE 0,1706 0,0381 0,1710 0,0381 Efeito seccional 10

RN 0,1327 0,0331 0,1333 0,0332 Efeito seccional 11

PB 0,1535 0,0336 0,1540 0,0336 Efeito seccional 12

PE 0,1612 0,0336 0,1617 0,0336 Efeito seccional 13

AL 0,2185 0,0479 0,2191 0,0479 Efeito seccional 14

SE 0,1285 0,0278 0,1290 0,0279 Efeito seccional 15

BA 0,1584 0,0404 0,1590 0,0404 Efeito seccional 16

MG 0,0316 0,0064 0,0318 0,0064 Efeito seccional 17

ES 0,0349 0,0189 0,0353 0,0190 Efeito seccional 18

RJ -0,0123 -0,0043 -0,0119 -0,0043 Efeito seccional 19

SP -0,0166 -0,0040 -0,0162 -0,0040 Efeito seccional 20

PR 0,0038 0,0076 0,0040 0,0076 Efeito seccional 21

SC -0,0316 -0,0058 -0,0314 -0,0058 Efeito seccional 22

RS -0,0020 -0,0087 -0,0018 -0,0087 Efeito seccional 23

MS 0,0136 0,0276 0,0144 0,0278 Efeito seccional 24

MT 0,0248 0,0438 0,0256 0,0439 Efeito seccional 25

GO 0,0162 0,0253 0,0169 0,0255 Efeito seccional 26


iP 0,0004 0,0001 0,0003 0,0000 Índice Inflação


iT 0,0000 0,0000 0,0000 0,0000 Índice Transferências


– 26 –

APÊNDICE C – Resultados do modelo de análise de pobreza sem diferenciação estadual



2001 -0,7102 -0,3170 -0,8689 -0,4706 Efeito temporal 1

2002 -0,6379 -0,2976 -0,7566 -0,4200 Efeito temporal 2

2003 -0,5404 -0,2598 -0,6326 -0,3589 Efeito temporal 3

2004 -0,4789 -0,2300 -0,5657 -0,3182 Efeito temporal 4

2005 -0,4067 -0,1964 -0,4841 -0,2723 Efeito temporal 5

2006 -0,3248 -0,1455 -0,3979 -0,2143 Efeito temporal 6

2007 -0,2558 -0,1208 -0,3088 -0,1727 Efeito temporal 7

2008 -0,2025 -0,0972 -0,2311 -0,1284 Efeito temporal 8

2009 -0,1120 -0,0581 -0,1293 -0,0769 Efeito temporal 9


iP -0,0107 -0,0036 -0,0138 -0,0067 Índice Inflação


iT -0,0001 0,0000 -0,0002 0,0000 Índice Transferências


– 27 –

APÊNDICE D – Medidores de pobreza para macrorregiões e variação (2001-2011)

Cen

tro

-Oes

te

IFP

0,2

88

0,2

84

0,2

81

0,2

81

0,2

76

0,2

72

0,2

69

0,2

64

0,2

58

0,2

41

-16

,0%

BD

0,0

97

0,0

93

0,1

03

0,0

84

0,0

92

0,0

88

0,0

91

0,0

80

0,0

85

0,0

66

-31

,9%

P0

0,2

37

0,2

27

0,2

50

0,2

27

0,2

37

0,2

43

0,2

37

0,2

14

0,2

23

0,1

80

-24,0

%

Su

l

IFP

0,2

59

0,2

56

0,2

54

0,2

51

0,2

46

0,2

42

0,2

39

0,2

33

0,2

26

0,2

15

-17

,2%

BD

0,0

74

0,0

65

0,0

68

0,0

62

0,0

64

0,0

65

0,0

65

0,0

59

0,0

62

0,0

54

-27

,2%

P0

0,1

80

0,1

69

0,1

70

0,1

64

0,1

70

0,1

76

0,1

67

0,1

60

0,1

64

0,1

42

-21

,5%

Su

des

te

IFP

0,2

56

0,2

55

0,2

53

0,2

51

0,2

48

0,2

48

0,2

39

0,2

34

0,2

29

0,2

17

-15,4

%

BD

0,0

75

0,0

70

0,0

78

0,0

70

0,0

68

0,0

69

0,0

71

0,0

64

0,0

68

0,0

60

-19,6

%

P0

0,1

73

0,1

72

0,1

90

0,1

83

0,1

80

0,1

85

0,1

82

0,1

72

0,1

75

0,1

61

-7,0

%

Nord

este

IFP

0,2

97

0,2

98

0,2

95

0,2

94

0,2

92

0,2

89

0,2

83

0,2

82

0,2

74

0,2

61

-12,1

%

BD

0,2

49

0,2

44

0,2

60

0,2

44

0,2

43

0,2

48

0,2

49

0,2

27

0,2

34

0,2

16

-13,3

%

P0

0,5

09

0,5

12

0,5

32

0,5

19

0,5

19

0,5

22

0,5

15

0,4

87

0,4

94

0,4

56

-10,4

%

Nort

e

IFP

0,2

96

0,2

95

0,2

95

0,3

08

0,3

04

0,3

00

0,2

96

0,2

86

0,2

82

0,2

77

-6,3

%

BD

0,1

52

0,1

56

0,1

63

0,1

68

0,1

68

0,1

79

0,1

89

0,1

62

0,1

80

0,1

87

23,0

%

P0

0,3

60

0,3

72

0,3

92

0,4

06

0,4

15

0,4

31

0,4

36

0,3

96

0,4

22

0,4

15

15,3

%

2001

2002

2003

2004

2005

2006

2007

2008

2009

2011

Vari

açã

o

A DINÂMICA DA POBREZA NO BRASIL (1970 …€“ 2 – INTRODUÇÃO1 A análise de pobreza pode ser...

Documents

Transcript of A DINÂMICA DA POBREZA NO BRASIL (1970 …€“ 2 – INTRODUÇÃO1 A análise de pobreza pode ser...