CONCENTRAÇÃO DE RENDA NOS MUNICÍPIOS DA REGIÃO SUL ENTRE 2000

E 2010: ANÁLISE GEOGRÁFICA TEMPORAL UTILIZANDO A ABORDAGEM

EXPLORATÓRIA DE DADOS ESPACIAIS
Cleverson NEVES1
Angelo RONDINA NETO2
Emerson Guzzi Zuan ESTEVES3
José Luiz PARRÉ4
Antonio Edson AMARAL5
Márcia Regina Gabardo da CAMARA6
Resumo
O presente trabalho tem o objetivo de analisar as transformações ocorridas na concentração espacial de
renda (medida pelo índice de Gini) dos municípios da Região Sul do Brasil na década compreendida
entre os anos de 2000 e 2010. Para tanto, é utilizado como metodologia a abordagem espacial e da
análise univariada dos dados, permitindo analisar a trajetória do índice de Gini e agregar as
informações sob a ótica espacial. Observa-se pelos mapas de clusters de desigualdade do índice de
Gini para os anos 2000 e 2010, uma ampliação da concentração de clusters do tipo Alto-Alto na
Região Sul do Brasil.

Palavras-Chave: Análise Espacial Exploratória; Análise de Clusters, Concentração Espacial, Índice

de Gini.
Classificação JEL: R13; R11; R58
Resumen
Este estudio tiene como objetivo analizar las transformaciones en la concentración espacial de la renta
(medida por el índice de Gini) de los municipios en el sur de Brasil, en la década comprendida entre
los años 2000 y 2010. Por lo tanto, se utiliza como metodología para abordar el espacio y el análisis
univariante de los datos, lo que permite analizar la trayectoria del índice de Gini y la información
agregada en la óptica de espacio. Se observa por el índice de Gini mapas de clusters de desigualdad
para los años 2000 y 2010, una ampliación de la concentración de los grupos de alto alta de tipo en el
sur de Brasil.
Palabras clave: Análisis espacial exploratoria; Análisis Cluster, Concentración espacial, Índice de
Gini.
Clasificación JEL: R13; R11; R58
Abstract
This study aims to analyze transformations in the spatial concentration of income (measured by the
Gini index) of the municipalities in southern Brazil in the decade between the years 2000 and 2010.
Therefore, it is used as a methodology to approach space and univariate analysis of data, allowing to
analyze the trajectory of the Gini index and aggregate information in the space optics. It is observed by
maps Gini index of inequality clusters for the years 2000 and 2010, an enlargement of the
concentration of the high-high type clusters in southern Brazil.

Key-words: Exploratory Spatial Analysis; Clusters analysis, Spatial Concentration, Gini

Index.
JEL classification: R13; R11; R58

1
Professor Mestre em Economia Regional do Departamento de Economia da UEL. E-mail: cleversonneves@uel.br.
2
Doutorando pelo programa de Pós-Graduação em Economia (PCE) da UEM. E-mail: angelorondina@gmail.com
3
Doutorando do Programa de Pós-Graduação em Economia (PCE) da UEM. E-mail: esteves@sercomtel.com.br
4
Professor Doutor Titular do programa de Pós-Graduação (PCE) da UEM. E-mail: jlparre@uem.br
5
Doutor em Teoria Econômica pelo programa de Pós-Graduação (PCE) da UEM. E-mail: amaral@uel.br
6
Professora Doutora Titular do Programa de Mestrado Economia Regional – (UEL) e-mail: mgabardo@uel.br
.
INTRODUÇÃO
Conforme o primeiro relatório sobre o desenvolvimento humano para a América
Latina e o Caribe, realizado pelo Programa das Nações Unidas para o Desenvolvimento
(PNUD) em 2010, o Brasil possui um dos maiores índices de desigualdade do mundo –
medido pelo índice de Gini. A análise permite verificar que, na América Latina, somente
Bolívia (0,60) e Haiti (0,59) possuem índice de Gini superior ao Brasil (0,56). Em outros
continentes, percebe-se que poucos países têm níveis próximos ao do Brasil, como é o caso na
Ásia da Tailândia (0,59), que possui índice superior ao brasileiro. Na África percebe-se que
vários países não tem uma desigualdade de renda em níveis próximos ao brasileiro. Entre os
países desenvolvidos, o índice se localiza muito mais baixo. É o caso de países como a
Dinamarca (0,27), Portugal (0,41) e os Estados Unidos da América (EUA) (0,40) (PNUD,
2014).
Os dados e a análise relativa permitem afirmar que o Brasil é um país
significativamente desigual. Porém, deve-se levar em consideração que o país é continental e
muito diverso, seja em termos geográficos, culturais, históricos e econômicos. Assim, é de se
esperar que o índice de Gini também se revele diverso no país, como os pontos anteriores.
Analisando-se os dados a nível estadual para o ano de 2009, por exemplo, vê-se que existem
estados com índice de Gini inferiores ao nacional. É o caso de Santa Catarina (0,45), que
possui níveis de desigualdade semelhantes aos países desenvolvidos (VIEIRA et al, 2011).
Essa desigualdade de renda e o elevado contingente de população pobre são
considerados alguns dos principais problemas enfrentados atualmente no âmbito
socioeconômico. Barros et al (2001) apontam que a condição de pobreza não se resume
somente a uma definição, mas sim a uma condição em que a pessoa não consegue manter um
padrão de vida satisfatório para arcar com suas necessidades básicas em um dado período.
Uma das medidas tomadas para confrontar essa questão é a intervenção do governo
com políticas de transferência direta de renda para garantir à população mais vulnerável o
nível mínimo dessa. Os programas inicialmente criados no final da década de 1990 foram, na
década posterior, unificados no Programa Bolsa Família (PIRES, LONGO, 2008). Segundo
Barros (2003), o Brasil conta atualmente com diversos programas sociais descentralizados.
Nos últimos anos, o país apresenta sinais de melhora nos índices de pobreza, sendo que os
programas de transferência de renda direta tiveram um papel importante para esse resultado.
Com base nessas considerações, pode-se chegar às questões: Como se evidencia a
distribuição do índice de Gini especificamente nos municípios da Região Sul do Brasil? Quais
as transformações na concentração de renda que se deram nesses municípios na década
compreendida entre os anos de 2000 e 2010 – em que houve unificação dos programas de
transferência de renda?
O presente trabalho tem o objetivo de responder essas perguntas. Ou seja, o objetivo
é analisar as transformações ocorridas na concentração de renda (medida pelo índice de Gini)
dos municípios da Região Sul do Brasil na década compreendida entre os anos de 2000 e
2010. Para tanto, será utilizada a metodologia de abordagem espacial e da análise univariada
dos dados, permitindo analisar a trajetória do índice de Gini e agregar as informações sob a
ótica espacial.
O artigo se divide em outras cinco seções além dessa introdução. Na seção 1 é
apresentada uma caracterização dos estados da Região Sul. Na segunda seção é exposta a
evolução das políticas sociais no Brasil, sobretudo na década analisada. A seção 3 tem como
objetivo apresentar a metodologia desenvolvida pelo trabalho, ou seja, da análise exploratória
dos dados espaciais e do índice de Gini, bem como a descrição da base de dados utilizada. Na
quarta seção é apresentada as análises dos resultados. Por fim, são apresentadas as
considerações finais do trabalho.
1. CARACTERIZAÇÃO DA REGIÃO SUL
1.1. PARANÁ
De acordo com o censo demográfico de 2010 realizado pelo Instituo Brasileiro de
Geografia e Estatística (IBGE), o Paraná apresentava 10.439.601 habitantes, totalizando
5,47% da população brasileira. A renda per capita era de R$ 16.928,00. Seu índice de
desenvolvimento humano municipal (IDH-M), do PNUD era de 0,820, o menor dentre os
Estados da Região Sul do Brasil.
A análise feita pelo Instituto Paranaense de Desenvolvimento Econômico e Social
(IPARDES, 2014) mostra que de setembro de 2008, início da crise financeira mundial, a
junho de 2009, 242 municípios dos 399 do Paraná obtiveram saldos positivos ou estáveis na
geração de empregos. Ainda segundo o IPARDES (2014), a dinâmica da economia
paranaense, fortemente influenciada pelo setor agropecuário, presenciou a redução da
produção de soja e milho em 2009, impactando diretamente no resultado negativo de 1,2% do
PIB do Estado. Em resumo, durante a crise internacional, a economia do Paraná decresceu
mais do que a brasileira. Entretanto, no acumulado do emprego formal entre 2008 e 2010 a
variação foi de 11,18%, próxima à média nacional (de 11,73%).
A crise também afetou as empresas do Paraná. Enquanto de 2003 a 2008 o número
de empresas abertas no Estado aumentou em 30%, no mesmo período o número de empresas
fechadas aumentou 99%, segundo dados da Junta Comercial do Paraná. Em 2008, foram
criadas 40.664 empresas no Estado, mas 10.557 acabaram fechadas.
O comércio exterior paranaense também sentiu os efeitos da crise financeira
internacional. Entre janeiro e julho de 2009, as exportações caíram 28,05% em relação ao
mesmo período do ano anterior; e 42,64% na comparação entre julho de 2009 com o mesmo
mês de 2008. No ano de 2009, o saldo acumulado em vendas ao exterior foi de US$ 6,8
bilhões. As importações, por sua vez, reduziram-se em 41,97% nos primeiros sete meses de
2009, resultando num saldo superavitário de US$ 2 bilhões (IPEA, 2009).
Entretanto, a indústria do Paraná alcançou a maior taxa de produtividade dentre os
demais Estados brasileiros pesquisados (7,2%). Essa marca foi mais do que o dobro da
registrada em 2007 (3,1%), sendo também a maior da série iniciada em 2002. Esse resultado
foi obtido principalmente devido ao expressivo aumento da produção física (8,6%), o mais
elevado dentre todos os Estado, muito acima da variação das horas pagas (1,3%).
Contribuíram para essa performance as elevadas taxas de produtividade alcançadas pelos
setores “Minerais não-metálicos” (20,8%) e “Madeira” (14,3%). Esse desempenho foi muito
impactado, no caso do primeiro segmento, pelo aumento na produção física (25,4%) e, no
caso do segundo, pela contração das horas pagas (-14,0%) (IBGE, 2014).
O IBGE adota uma subdivisão dos estados – as mesorregiões – que reúne municípios
de uma área geográfica com similaridades econômicas e sociais. É empregada para fins
estatísticos e não compõe, portanto, uma entidade política ou administrativa. Oficialmente, as
dez mesorregiões do Estado do Paraná são: Centro Ocidental Paranaense; Centro Oriental
Paranaense; Centro-Sul Paranaense; Metropolitana de Curitiba; Noroeste Paranaense; Norte
Central Paranaense; Norte Pioneiro Paranaense; Oeste Paranaense; Sudeste Paranaense; e
Sudoeste Paranaense (IPARDES, 2014). Essas mesorregiões são sintetizadas na Tabela 1, e
apresentadas na Figura 1, no final da seção.
Tabela 1 - Mesorregiões do Paraná, quantidade de município e Microrregiões pertencentes
Mesorregião Quantidade de Microrregiões Presentes
Municípios
Centro Ocidental Paranaense 25 Campo Mourão, Goioerê
Centro Oriental Paranaense 14 Jaguariaíva, Ponta Grossa, Telêmaco Borba
Centro-Sul Paranaense 29 Guarapuava. Palmas, Pitanga
Cerro Azul, Curitiba, Lapa, Paranaguá, Rio
Metropolitana de Curitiba 37
Negro
Noroeste Paranaense (Norte Cianorte, Paranavaí, Umuarama
61
Novíssimo)
Apucarana, Astorga, Faxinal, Floraí, Ivaiporã,
Norte Central Paranaense 79
Londrina, Maringá, Porecatu
Assaí, Cornélio Procópio, Ibaiti, Jacarezinho,
Norte Pioneiro Paranaense 46
Wenceslau Braz
Oeste Paranaense 50 Cascavel, Foz do Iguaçu, Toledo
Irati, Prudentópolis, São Mateus do Sul, União
Sudeste Paranaense 21
da Vitória
Sudoeste Paranaense 37 Capanema, Francisco Beltrão, Pato Branco
Fonte: IBGE, 2014.

1.2. RIO GRANDE DO SUL

O Estado do Rio Grande do Sul é o mais meridional do Brasil, com papel destacado
na história do país, uma vez que foi palco da Guerra dos Farrapos, a mais longa guerra civil
do Brasil. É o segundo Estado brasileiro com mais presidentes da república na história do
país, totalizando seis: Hermes da Fonseca, Getúlio Vargas, João Goulart, Costa e Silva,
Emílio Médici e Ernesto Geisel.
O Estado ocupa uma área de 281.730,223 km, equivalente a pouco mais de 3% do
território nacional (IBGE, 2014). De acordo com o Censo de 2010, o Rio Grande do Sul tinha
uma população de 10.663.929 pessoas em 2010. Teve uma taxa de crescimento demográfico,
entre 2000 e 2010, de 1,2% ao ano. De acordo com o censo demográfico de 2000, 80,8% da
população do Estado morava na área urbana (IBGE, 2010). O IDH-M gaúcho, elaborado pelo
PNUD, era de 0,746 em 2010.
Rio Grande do Sul é a quarta maior economia nacional, com 8,8% do PIB nacional –
equivalente a R$ 252,483 bilhões (IBGE, 2014). A economia gaúcha tem ligação com os
mercados nacional e internacional maior do que a média brasileira. Assim, ela tem oscilado
conforme a evolução da economia brasileira bem como com a dinâmica das exportações.
Tabela 2 - Mesorregiões do Rio Grande do Sul, quantidade de município e Microrregiões
pertencentes
Mesorregião Quantidade de Municípios Microrregiões Presentes
Centro Ocidental Rio-Grandense 31 Restinga Seca, Santa Maria, Santiago
Cachoeira do Sul, Lajeado-Estrela,
Centro Oriental Rio-Grandense 54
Santa Cruz do Sul
Camaquã, Gramado-Canela,
Metropolitana de Porto Alegre 98 Montenegro, Osório, Porto Alegre, São
Jerônimo
Nordeste Rio-Grandense 54 Caxias do Sul, Guaporé, Vacaria
Carazinho, Cerro Largo, Cruz Alta,
Erechim, Frederico Westphalen, Ijuí,
Noroeste Rio-Grandense 216 Não-Me-Toque, Passo Fundo,
Sananduva, Santa Rosa, Santo Ângelo,
Soledade, Três Passos
Jaguarão, Litoral Lagunar, Pelotas,
Sudeste Rio-Grandense 25
Serras de Sudeste
Campanha Central, Campanha
Sudoeste Rio-Grandense 19
Meridional, Campanha Ocidental
Fonte: IBGE, 2014.
 Conforme o IBGE (2014), no Estado do Rio Grande do Sul existem sete
mesorregiões: Centro Ocidental Rio-Grandense, Centro Oriental Rio-Grandense,
Metropolitana de Porto Alegre, Nordeste Rio-Grandense, Noroeste Rio-Grandense, Sudeste
Rio-Grandense e Sudoeste Rio-Grandense. As mesorregiões se encontram sintetizadas na
Tabela 2 e apresentadas, também, na Figura 1.
1.3. SANTA CATARINA
O Estado de Santa Catarina possui o maior PIB per capita da Região Sul e o quarto
maior do Brasil. Ocupando apenas 1,2% do território nacional e com uma população em torno
próxima dos 6 milhões de habitantes, o PIB do Estado atingiu, em 2008, mais de R$ 120
bilhões, aparecendo como o sexto maior dentre os estados brasileiros. O Estado é composto
por 293 municípios, possuindo uma distribuição relativamente equilibrada, tanto da população
como da atividade econômica, se comparado com os outros Estados (IBGE, 2014).
A forma geográfica do povoamento e colonização de Santa Catarina pode ajudar a
explicar, em parte, o porquê de o estado vir apresentando o menor índice de concentração de
renda dentre os Estados do Brasil, medido pelo índice de Gini. Dentro do processo de
formação socioeconômica do Brasil, Santa Catarina é um caso à parte. Comparado às Regiões
Norte e Nordeste, o Estado possui características divergentes, pois não teve na base de seu
desenvolvimento raízes no latifúndio e no trabalho escravo e sim na pequena produção
mercantil. Dessa originou-se os excedentes que possibilitaram a criação de importantes polos
industriais que dinamizaram seu processo de desenvolvimento socioeconômico em relação às
outras regiões do país – regiões essas que, em tese, não se observa um processo semelhante
(VIEIRA et al, 2011).
Nas últimas décadas, os desequilíbrios regionais têm se mostrado de forma cada vez
mais clara no Brasil e em seus Estados. Em Santa Catarina, em especial, houve a
concentração da população e da atividade econômica em algumas regiões e a fuga da
população e a estagnação ou declínio econômico em outras. Essa situação foi notável a ponto
de estimular ações por parte do governo estadual que postulou como ação-base estimular a
política de descentralização, uma tentativa de promover o desenvolvimento regional mirando
à recuperação da harmonia na distribuição socioeconômica da população entre as regiões do
Estado (RODOLFO; TEIXEIRA, 2011).
Em relação à atividade econômica, o estado conta com vários polos de significativa
importância, dispostos por todo o território. Porém, pode-se notar a formação de arranjos
produtivos bem definidos, de alcance regional e, em alguns casos, nacional. Os municípios
mais importantes economicamente estão distribuídos por todas as regiões catarinenses.
Em termos populacionais, o maior município catarinense é Joinville, que em 2010
abrigava cerca de 515 mil habitantes – correspondendo a 8,24% da população do Estado. Isso
contrasta com a maioria dos outros Estados brasileiros, em que a cidade mais importante
economicamente detém um percentual muito maior da população estadual. Todavia, dos 293
municípios do Estado, 72,3% contavam, em 2010, com menos de 15 mil habitantes, o que
pode contribuir para se entender a maneira como se sucedeu a distribuição espacial do
desenvolvimento de Santa Catarina (RODOLFO; TEIXEIRA, 2011).
As mudanças ocorridas na economia catarinense se deram ao mesmo tempo em que
se observaram as mudanças na distribuição da população espacialmente. Na medida que a
atividade econômica de uma região entra em decadência, ou sofre contínuo processo de
modernização produtiva, são criadas as circunstâncias que fazem com que parte dos
habitantes tenham sua base de existência prejudicada. A esses restam algumas alternativas
como migrar para outras regiões economicamente mais dinâmicas, ou buscar a especialização
de mão de obra em busca de novas oportunidades (SINGER, 1990).
 Conforme Singer (1990), associam-se as migrações à ação de dois fatores: os de
estagnação e os de mudança. Os fatores de estagnação estão relacionados à escassez de
recursos – como terra e capital – que geram a impossibilidade de se obter ganhos de
produtividade. Por sua vez, os fatores de mudança estariam ligados à implementação de
relações capitalistas na área de origem dos fluxos, aumentando a produtividade e criando uma
população sobrante que poderia ser deslocada para outras áreas. Os fluxos gerados por esses
fatores, nas áreas de origem, seriam orientados pela ação de fatores de atração – que podem
ser desde a estrutura de oferta de serviços públicos, opções de lazer, ou à demanda por força
de trabalho, elemento mais comum.
Conforme a divisão do IBGE (2014), o Estado de Santa Catarina se divide em 6
mesorregiões: Grande Florianópolis, Norte Catarinense, Oeste Catarinense, Serrana, Sul
Catarinense e Vale do Itajaí. As mesorregiões são sintetizadas na Tabela 3 e apresentadas na
Figura 1
Tabela 3 - Mesorregiões de Santa Catarina, quantidade de município e Microrregiões
pertencentes
Mesorregião Quantidade de Municípios Microrregiões Presentes
Grande Florianópolis 21 Florianópolis. Tabuleiro, Tijucas
Canoinhas, Joinville, São Bento do
Norte Catarinense 26
Sul
Chapecó, Concórdia, Joaçaba, São
Oeste Catarinense 98
Miguel do Oeste, Xanxerê
Serrana 30 Campos de Lages, Curitibanos
Sul Catarinense 46 Araranguá, Criciúma, Tubarão
Blumenau, Itajaí, Ituporanga, Rio
Vale do Itajaí 54
do Sul
Fonte: IBGE, 2014.
Figura 1 - Mesorregiões da Região Sul do Brasil

Fonte: Elaborado pelos autores a partir de IBGE (2014).

2. EVOLUÇÃO DAS POLÍTICAS SOCIAIS NO BRASIL
Nos últimos dez anos a realidade brasileira passou por transformações intensas. O
Brasil avançou, desenvolveu-se e ampliou os diretos a seus cidadãos. A intensidade desses
avanços sociais decorre, sobretudo, dos efeitos sinergéticos de decisões eficazes de políticas
públicas ao longo dos anos 2000. Dentre essas, cabe destacar o fortalecimento da agenda de
políticas voltadas à universalização dos direitos sociais e a inclusão de segmentos
populacionais historicamente excluídos. A implementação de políticas públicas articuladas
entre as esferas de governo contribuiu para se resgatar a ampliação da capacidade de
planejamento e investimento do Estado brasileiro, bem como contribuiu ao fortalecimento do
mercado interno.
Conforme Fernandes (2006), a justiça social encontra-se nas constituições em
praticamente todos os países, cabendo ao Estado formular as políticas sociais. Em uma análise
histórica, o autor aponta que na década de 1970 os Estados Nacionais passaram por crises
fiscais e de endividamento que comprometeram o financiamento de políticas sociais. A partir
das décadas de 1980 e 1990, os Estados Nacionais buscam alternativas de gestão para
financiar suas políticas públicas. Dessa forma, para que haja uma boa administração pública é
necessário que o processo político feito pelos participantes das arenas de decisão política seja
de qualidade.
Para Silva et al (2004), durante o governo de Fernando Henrique Cardoso a principal
prioridade foi o ajuste e a estabilidade econômica, ficando as questões sociais em um segundo
plano. Todavia, a partir de 2001 o governo cria a “rede de proteção social”, com programas
destinados às famílias pobres, na categoria Renda Mínima, sendo o Bolsa Escola a nível
nacional, acompanhado de outros programas a níveis municipais e estaduais. Esses
começaram em 1995, sendo exemplos: o programa de Garantia de Renda Familiar Mínima de
Campinas/SP, também adotado em Ribeirão Preto/SP; o programa Bolsa-Escola, adotado em
Brasília/DF; e o programa “Nossa Família”, adotado por Santos/SP.
Barros et al (2001) enfatizam que o Brasil no início do século XXI não era um país
pobre, mas um país com grande número de pobres e com muita injustiça e desigualdade. Para
os autores, é necessário um processo democrático com eficiência econômica e justiça social;
um desafio na era moderna do país, que leva o Brasil a ter inovações em suas políticas, por
meio dos programas sociais.

3. METODOLOGIA: ANÁLISE ESPACIAL E O ÍNDICE DE GINI PARA

DISTRIBUIÇÃO DE RENDA
3.1. ANÁLISE EXPLORATÓRIA DOS DADOS ESPACIAIS
A análise exploratória dos dados espaciais pode ser realizada sempre que as
informações estiverem espacialmente localizadas e for necessário considerar a importância do
arranjo espacial na análise e interpretação dos resultados. Seu objetivo é aprofundar a
compreensão do objeto de análise e avaliar hipóteses a ele relacionadas, ou, ainda, tentar
prever valores em áreas onde as observações não estão disponíveis. (BAILEY; GATTREL,
1995).
Anselin (1999) classifica a análise exploratória dos dados espaciais como a coleção
de técnicas para descrever e visualizar as distribuições espaciais, identificar localidades
atípicas – os outliers espaciais –, descobrir padrões de associação espacial – clusters espaciais
– e evidenciar diferentes regimes espaciais e outras formas de instabilidade.
Conforme Almeida (2012, p. 104), a primeira etapa nos estudos exploratórios dos
dados espaciais é testar a hipótese de que os dados estão distribuídos aleatoriamente. A
análise dessa hipótese permite a verificação se os valores de algum atributo em uma região
dependem ou não dos atributos das regiões vizinhas (ou seja, que há influência espacial). Para
tanto, esse teste de hipótese leva em consideração a estatística I de Moran.
3.1.1. Estatística I de Moran
Almeida (2012, p. 105) apresenta a estatística I de Moran como um coeficiente de
autocorrelação espacial que utiliza a medida de autocovariância na forma de produto
cruzado7.
Algebricamente, a estatística I de moral é dada pela equação (1):

(1)

Ou, matricialmente, tem-se pela equação (2):

(2)

Nas equações, representa o número de regiões, os valores das variáveis de

interesse padronizadas e os valores médicos da variável de interesse padronizada nos
vizinhos, definidos de acordo com uma matriz de ponderação espacial . Nessa matriz, o
elemento referente à uma região “ ” e uma região “ ” é registrado como . Ainda, nas
equações o elemento representa a operação de soma, significando que todos os elementos
da matriz de pesos espaciais devem ser somados.
De acordo com Almeida (2012) o I de Moran fornece três tipos de informações:

i. O nível de significância que reforça a informação sobre os dados estarem

distribuídos aleatoriamente ou não;
ii. O sinal positivo da estatística I de Moran, desde que significativos, indica que
os dados estão concentrados através das regiões. O sinal negativo, por sua
vez, indica a dispersão dos dados;
iii. A magnitude da estatística fornece a força da autocorrelação espacial, quanto
mais próximo de um mais forte é autocorrelação e quanto mais próximo de -1
mais disperso estará os dados.

Conforme Almeida (2012), uma maneira usual de se visualizar a autocorrelação

espacial evidenciada pelo I de Moran é, também, o diagrama de dispersão de Moran.
3.1.2. Diagrama de dispersão de Moran
O diagrama de dispersão de Moran apresenta a defasagem espacial da variável de
interesse no eixo vertical e o valor de fato da variável no eixo horizontal.
Figura 2 – Diagrama de Dispersão de Moran
BA AA

BB AB

Fonte: Almeida (2012).

7
A estatística leva o nome de Patrick A. P. Moran que, em 1948, propôs o primeiro coeficiente de autocorrelação espacial.
 Além da medida global de associação linear espacial, o diagrama fornece outras
informações, sobre o tipo de associação, em cada um dos quadrantes – a saber, Alto-Alto
(AA), Alto-Baixo (AB), Baixo-Alto (BA) e Baixo-Baixo (BB). A Figura 2 apresenta o
exemplo de um diagrama de dispersão de Moran.
Assim, um agrupamento do tipo Alto-Alto (AA) apresenta que as unidades espaciais
pertencentes a esse exibem valores altos das variáveis de interesse, estando rodeadas por
unidades espaciais que também apresentam valores altos – primeiro quadrante do diagrama. O
tipo de agrupamento Baixo-Baixo (BB) se refere aos agrupamentos em que as unidades
espaciais apresentam valores baixos nas variáveis de referência e são circundadas por outras
com valores também baixos – terceiro quadrante do diagrama.
De maneira semelhante, os agrupamentos Alto-Baixo (AB) são aqueles em que a
unidade espacial evidencia alto valor em uma das variáveis de interesse e um baixo valor nas
unidades espaciais que a circundam – quarto quadrante do diagrama. Por fim, o agrupamento
Baixo-Alto (BA) é aquele em que a unidade espacial apresenta um baixo valor na variável de
interesse e está circundado por unidades espaciais que apresentam um valor alto valor –
segundo quadrante do diagrama.
3.1.3. Indicadores locais de associação espacial (LISA)8
Os indicadores LISA indicam o grau de associação espacial local. Conforme Anselin
(1999), para que isso ocorra faz-se necessário que a estatística satisfaça dois critérios:
a. Deve possuir, para cada observação, uma indicação de clusters espaciais que
sejam significativos estatisticamente;
b. O somatório dos indicadores locais, para todas as regiões, deve ser proporcional
ao indicador de autocorrelação espacial global.
Dessa forma, os indicadores LISA podem ser representados por meio da equação (3):

(3)

Na equação (3), corresponde à variável de interesse na região “ ” para o ano “ ”,

é média das observações entre as regiões para o ano “ ”, em que o somatório da relação
para “ ” é tal que somente os valores vizinhos de “ ” são incluídos.
Conforme Anselin (1999), a estatística LISA é usada para testar a hipótese nula de
ausência de associação espacial local. Dessa forma, deve-se fazer uso de uma aleatorização
condicional que permita determinar pseudoníveis de significância. Para se obter uma
distribuição empírica das estatísticas de teste deve-se observar se o valor da variável de
interesse está localizado dentro ou fora da região crítica definida. Assim, caso o valor
calculado for superior em magnitude à esperança matemática do I de Moran, seus resultados
serão, então, estatisticamente significativos.
3.2. ÍNDICE DE GINI E SUA DECOMPOSIÇÃO
O índice de Gini, criado pelo matemático italiano Conrado Gini, é um instrumento
utilizado para medir o grau de concentração de renda em determinado grupo, ou seja, a
diferença entre os rendimento dos mais pobres e dos mais ricos. Numericamente, o índice
varia de 0 (zero), situação em que todos estão em igualdade, a 1 (um), em que uma só pessoa
deteria toda a riqueza.
Na prática, o indicador é muito utilizado para comparar os 20% mais pobres com os
20% mais ricos. No Relatório de Desenvolvimento Humano de 2014, elaborado pelo PNUD,
o Brasil aparece na 79ª posição dentre 187 países no valor do Índice de Desenvolvimento

8
Do inglês Local Indicator of Spatial Association (LISA).
Humano (IDH) de 0,744. Todavia, quando descontado o valor do IDH em função da
desigualdade presente no país, o índice fica 27% menor (0,542) (PNUD, 2014).
Conforme Pires e Longo (2008), os programas de transferência de renda são
programas sociais – com uma intervenção do governo na economia nacional – voltados para
resultados imediatos de combate à pobreza e à concentração de renda. Para tais fins, segundo
os autores, é necessário que haja uma maior participação do setor privado nos programas
sociais e também uma boa eficiência na alocação dos recursos, de forma a garantir aos
indivíduos as suas necessidades básicas. Espera-se, assim, a integração dos indivíduos, antes
afastados, na vida econômica moderna. Todavia, nem sempre os programas sociais adotados
alcançam os resultados esperados.
3.2.1. Evolução recente do índice de Gini nas Regiões Brasileiras
Conforme dados do Atlas de Desenvolvimento Humano do PNUD e do IBGE, a
melhoria do perfil distributivo da renda no Brasil é revelado na trajetória declinante do índice
de Gini entre 2001 e 2011 para todas as Regiões brasileiras, conforme a Figura 3.

Figura 3 - Evolução do índice de Gini por Região Brasileira entre 2000 e 2011*

2001
2010

Centro-Oeste Nordeste Norte** Sudeste Sul

Nota: * Rendimento Mensal Domiciliar. ** Norte Urbano

Fonte: Elaborado pelos autores com base nos dados da PNUD (2014).
Nas Regiões Sul e Sudeste o índice de Gini caiu para um patamar inferior a 0,5. Esse
nível ainda é elevado se comparado internacionalmente, porém se mostra significativo se
analisado o seu histórico anterior. Nas Regiões Centro-Oeste e Nordeste, que mantinham o
pior quadro distributivo entre as regiões brasileiras em 2001, o índice convergiu para o
patamar de 0,5 – situação semelhante à Região Norte.
3.2.2. Decomposição do Coeficiente de Gini
Shorrocks (1982) demonstrou que o Coeficiente de Gini pode ser decomposto por
componentes de renda, bem como que a expressão resultante depende dos coeficientes de
concentração de cada componente e de seu peso na renda total, como dado na equação (4):

(4)

Na equação (4), “ ” é o coeficiente de Gini, “ ” é o coeficiente de concentração da

renda “ ” relativo à renda total e “ ” é o peso da renda “ ” na renda total.
No presente artigo, especificamente, utilizou-se a decomposição do coeficiente de
Gini da distribuição de renda domiciliar per capita. Esse método corresponde na apuração das
rendas médias de cada centésimo da distribuição da renda domiciliar per capita e de seus
componentes.
Por sua vez, o impacto dos programas de Transferência Condicionadas pela Renda
(PTCR) sobre a distribuição de renda pode ser calculado por diversos métodos. Para fins do
trabalho, os vários tipos de rendas individuais foram agregados em quatro componentes:
I. Renda do trabalho;
II. Renda da Seguridade Social;
 III. Renda dos PTCRs; e
IV. Outras (como aluguéis, juros, doações etc.).
3.3. DESCRIÇÃO DA BASE DE DADOS
Para os fins do trabalho, foram utilizados dados do IBGE, do Ministério do
Desenvolvimento Social (MDS), da Matriz de Desenvolvimento Social, do Instituto de
Pesquisa Econômica Aplicada (IPEA), PNUD. Foram utilizados o índice de Gini dos anos
2000 e 2010 para os municípios da Região Sul do Brasil.
4. ANÁLISE DOS RESULTADOS
Nesta seção realiza-se a análise exploratória dos dados espaciais do índice de Gini
para os anos de 2000 e 2010 para os estados da Região Sul do Brasil.

4.1. RESULTADOS ENCONTRADOS PARA A REGIÃO SUL

4.1.1. I de Moran Global Univariado
Segundo Almeida (2012), quando o valor do I de Moran calculado for maior do que
o I de Moran esperado, indica-se a presença de autocorrelação espacial positiva. Entretanto,
no caso do I de Moran calculado ser menor do que o I de Moran esperado, esse apresentará
uma autocorrelação negativa.
A autocorrelação espacial global univariada possibilita identificar se a variável
observada em determinada região tem alguma associação em relação a mesma variável em
regiões ou municípios vizinhos. O I de Moran esperado é dado pela expressão matemática,
, a qual fornece o valor que seria obtido caso não houvesse padrão
espacial nos dados.
Em relação ao presente trabalho, ambos anos apresentaram a mesma esperança para
o I de Moran, sendo E(I2000;2010)= -0,0034. Comparando com o valor do I de Moran para o ano
2000 (0,329988) e para o ano de 2010 (0,35926), nota-se que os valores computados são
maiores que a esperança (-0,034). Ou seja, ambos coeficientes apresentam clara indicação de
que o Índice de Gini é autocorrelacionado no espaço através dos municípios da Região Sul.
Entretanto, é oportuno salientar que o I de Moran apresentou uma pequena elevação ao longo
da década, registrando um aumento de (0,029272), demonstrando que houve uma maior
concentração de renda em algumas regiões dos estados da região Sul ao longo da década, pelo
provável aumento no número e no tamanho dos clusters observados. Sendo assim, pelos
valores encontrados, a correlação existente na pesquisa demonstra que os municípios com um
índice de Gini acima (abaixo) da média – ou seja, alto (baixo) – são vizinhos de municípios
com um alto (baixo) índice de Gini – ou seja, acima (abaixo) da média registrada para a
Região Sul.
A Tabela 4 apresenta os valores do I de Moran da variável Gini para a matriz de
pesos espaciais do tipo Rainha (Queen) para os anos de 2000 e 2010. O sinal positivo da
estatística I de Moran da Tabela 4 indica que os dados estão concentrados nos municípios –
ou seja, correlacionados positivamente –, sendo possível observar o grau de associação
espacial existente a uma probabilidade de 1% de significância.
Tabela 4 - Coeficiente univariado I para índice de Gini nos anos de 2000 e 2010
Variável Convenção I Probabilidade (%)
GINI_2000w 0,329988 1
Rainha (Queen)
GINI_2010w 0,35926 1
Nota: Pseudosignificância empírica baseada em 999 permutações aleatórias.
Fonte: Elaborado pelos autores com base nos dados do IBGE e MDS
 Analisando comparativamente os coeficiente univariados I, para os anos de 2000 e
2010, pode-se observar uma maior ampliação da associação espacial. Ou seja, tem-se uma
elevação na concentração espacial em relação ao índice pressuposto (Gini) nos municípios da
Região Sul ao longo da década. A magnitude da estatística I fornece a força da
autocorrelação. Ou seja, quanto mais próximo de 1 (um), mais forte a concentração, e quanto
mais próximo de -1 (menos um), mais dispersos estão os dados.
Como Haddad e Pimentel (2004), explicam que a análise da estatística I de Moran
respeita os preceitos da existência de regimes espaciais, mas não torna possível a visualização
de onde estão esses regimes e sua evolução ao longo do tempo. Para isso será utilizado o
diagrama de Moran.
Conforme Diniz (2012), para mostrar a associação espacial entre as regiões e seus
vizinhos, o diagrama de dispersão de Moran é divido nos quatro quadrantes AA, BB, AB e
BA, conforme apresentados na Figura 4. Os diagramas de dispersão evidenciam melhor o
aumento da concentração espacial do índice de Gini anteriormente apresentada.
Figura 4 - Diagrama de Dispersão de Moran Univariado do índice de Gini dos municípios da
Região Sul de 2000 e 2010

Fonte: Elaborado pelos autores com base nos dados do IBGE e MDS.

4.1.2. I de Moran Local

Conforme Almeida (2012), pode-se também se realizar um mapeamento de que os
valores da probabilidade medida sejam estatisticamente significativos, gerando um mapa de
significância de Moran Local.
A Figura 5 apresenta a significância das unidades espaciais através da estatística I de
Moran univariada local para o índice de Gini analisado. As cores indicam o nível de
significância; quanto mais próximo do verde claro, menor a significância, até o verde escuro,
que evidencia o maior nível de significância. Dessa forma, os valores variam de 0,01% a 5%
de significância, com os municípios em cor branca aqueles que não são significativos.
Figura 5 - Mapa de Significância LISA Univariada do índice de Gini da Região Sul de 2000
e 2010

Fonte: Elaborado pelos autores com base nos dados do IBGE e MDS.
A Figura 6 abaixo, evidencia as aglomerações – clusters – univariadas que
apresentam significância para o I de Moran Local.

Figura 6 - Mapa de Cluster Univariado do índice de Gini da Região Sul nos anos 2000 e 2010

Fonte: Elaborado pelos autores com base nos dados do IBGE e MDS.
 De acordo com Almeida (2012), o mapa de clusters apresenta as quatro categorias
estatisticamente significantes, combinando o mapa de significância local com o diagrama de
dispersão de Moran.
De maneira geral, ao analisar os mapas de clusters para 2000 e 2010, percebe-se uma
ampliação das aglomerações do tipo Alto-Alto, sobretudo na região central do Estado do
Paraná e na região Oeste, Sudoeste e Sudeste de Rio Grande do Sul.
Pode-se visualizar também a concentração de três áreas de aglomerações Baixo-
Baixo – norte/noroeste do Paraná, na parte leste de Santa Catarina e na parte nordeste do Rio
Grande do Sul. A seguir, analisar-se-ão os resultados dos estados que compõem a Região Sul
a nível de mesorregião.

4.2. ANÁLISE DOS RESULTADOS PARA OS ESTADOS

4.2.1. Paraná
No estado do Paraná, pode-se constatar que, na Mesorregião Metropolitana de
Curitiba, a cidade de Curitiba apresentava uma relação Alto-Baixo significativa. Já em 2010,
Paranaguá apresentou uma relação Alto-Alto significativa.
Nas Mesorregiões Centro-Oriental Paranaense, Sudeste Paranaense, Centro-Sul
paranaense, percebe-se um aumento da relação Alto-Alto entre 2000 e 2010.
Já na Mesorregião Norte-Pioneiro Paranaense, alguns municípios que eram Baixo-
Alto em 2000 deixaram de ser significativo em 2010, evidenciando um aumento da presença
de aglomerações Alto-Alto significativas.
Nas Mesorregiões Norte-Central Paranaense, Noroeste Paranaense houve uma
melhora da relação de municípios Baixo-Baixo, aumentando a significância em 2010.
Também houve um aumento da presença de municípios do tipo Alto-Baixo.
A Mesorregião Oeste Paranaense apresentou o surgimento municípios com uma
relação Alto-Alto e Baixo-Alto de uma maneira mais intensa em 2010 do que em 2000.
Na Mesorregião Sudoeste Paranaense observa-se que dois municípios, antes do tipo
Baixo-Alto em 2000, deixaram de ser significativos em 2010.
Por fim, a Mesorregião Centro-Ocidental Paranaense apresentou uma estabilidade
nos dados entre 2000 e 2010.
4.2.2. Rio Grande do Sul
Pode-se verificar, para o estado do Rio Grande do Sul, que as Mesorregiões
Metropolitana de Porto Alegre, Nordeste Rio-Grandense, Centro-Oriental Rio-Grandense
apresentaram uma diminuição dos municípios com relação Baixo-Baixo e também de
municípios Alto-Baixo em 2010. Houve também um município Baixo-Alto que passou a ser
Alto-Alto. No sul da mesorregião Centro-Oriental Rio-Grandense, especificamente, surgiram
municípios com relação Alto-Alto em 2010 que não apareciam anteriormente em 2000.
Nas Mesorregiões Centro-Ocidental Rio-Grandense, Sudoeste Rio-Grandense e
Sudeste Rio-Grandense houve um grande aumento da relação Alto-Alto, apesar de surgir um
pequeno acréscimo de municípios Baixo-Alto.
A Mesorregião Noroeste Rio-Grandense apresentou aumento no número de
municípios Alto-Alto e Baixo-Alto, e alguns poucos que eram Baixo-Baixo deixaram de ser
significativos.
4.2.3. Santa Catarina
Ao se analisar o estado de Santa Catarina, pode-se verificar uma redução dos
municípios Baixo-Baixo em 2010 das Mesorregiões Norte Catarinense, do Vale do Itajaí e da
Grande Florianópolis. Pode-se perceber também o surgimento em 2010 de aglomerações do
tipo Alto-Baixo, quadro que não se verificava em 2000.
 Na Mesorregião Oeste Catarinense é possível notar uma redução de municípios que
apareciam com relação Alto-Alto significativa em 2010. Há, inclusive, o aparecimento de
uma aglomeração Baixo-Baixo no último período.
Na Mesorregião Serrana, percebe-se que grande parte das aglomerações passaram a
não ser significativas, sobretudo os municípios que apareciam em 2000 como Baixo-Alto.
Por fim, na Mesorregião Sul Catarinense pode-se verificar que os dados permanecem
relativamente estáveis ao se analisar os cenários para 2000 e 2010.
CONSIDERAÇÕES FINAIS
Esse estudo teve como objetivo verificar qual o padrão locacional do índice de Gini,
para os municípios da Região Sul nos anos 2000 e 2010, analisando a autocorrelação espacial
e a presença de clusters espaciais entre os municípios. Através da análise exploratória de
dados espaciais identificou-se que, em geral, os municípios com alto índice de Gini são
vizinhos de outros municípios com a mesma característica, assim como os municípios com
baixo índice de Gini são cercados por municípios nas mesmas condições.
Analisa-se, através da técnica exploratória de dados espaciais, que no decorrer dos
anos que houve um aumento da autocorrelação positiva do índice de Gini para os municípios
da Região Sul entre 2000 e 2010, identificando clusters Alto-Alto e Baixo-Baixo maiores em
2010.
No Paraná observou-se um aumento significativo dos municípios com relação Alto-
Alto, sobretudo nas mesorregiões Centro-Oriental Paranaense, Centro-Sul Paranaense e
Sudeste Paranaense, e uma melhora da relação Baixo-Baixo e Alto-Baixo nas mesorregiões
Norte Central Paranaense e Noroeste Paranaense.
No Rio Grande do Sul constatou-se uma elevação significativa dos municípios com
relação Alto-Alto nas mesorregiões Centro Ocidental Rio-Grandense, Sudeste Rio-Grandense
e Sudoeste Rio-Grandense, bem como uma diminuição no número de municípios na relação
Baixo-Baixo e Alto-Baixo nas mesorregiões Nordeste Rio-Grandense e Metropolitana de
Porto Alegre.
Pode-se apontar para o estado de Santa Catarina que a concentração de municípios
com os maiores valores do índice de Gini, localiza-se na Mesorregião Oeste Catarinense, e a
concentração de municípios com os menores valores de Gini alocam-se nas Mesorregiões do
Vale do Itajaí, Norte Catarinense e Grande Florianópolis. Embora na parte nordeste da
Mesorregião Norte Catarinense, na Mesorregião Serrana e na parte norte da Mesorregião
Oeste Catarinense apresentar uma redução no decorrer da década do número de municípios
atípicos do tipo Baixo-Alto e Alto-Baixo, houve também um aumento, embora disperso, dos
clusters do tipo Alto-Alto.
Contudo, ao analisar os resultados encontrados, pode-se enfatizar que, nas regiões
em que ocorrem um bom processo de industrialização e de ganhos tecnológicos, há a criação
à sua população de acesso a mais oportunidades de melhores rendimentos, possibilitando,
assim, uma melhor desconcentração de renda entre os indivíduos.
REFERÊNCIAS
ALMEIDA, Eduardo. Econometria Espacial Aplicada. Campinas: Editora Alínea, 2012.
ANSELIN, L. Spatial Econometrics. Texas: Klumer academic publishers, 1999.
BAILEY, T.C., GATRELL, A.C. Interactive Spatial Data Analysis, Prentice Hall. 1995.
BARROS, R. P. Desafios para a Política Social Brasileira. Rio de Janeiro: IPEA, texto para
discussão, n. 985, out. de 2003.
BARROS, R. P.; HENRIQUES, R.; MENDONÇA, R. A Estabilidade Inaceitável:
Desigualdade e Pobreza no Brasil. Rio de Janeiro, IPEA, texto para discussão, n. 800, jun.
de 2001.
DINIZ, S. S. Análise espacial da produtividade de laranja dos municípios do estado de
São Paulo: 2002-2010. 2012. 118 f. Dissertação (Mestrado Economia Regional) -
Universidade Estadual de Londrina. Londrina, 2012.
FERNANDES, R. G. Programa Bolsa Família: Promoção de Cidadania?. 2006. Disponível
em: <http://web.intranet.ess.ufrj.br/monografias/102053814.pdf>. Acesso em: 07 nov. 2014.
HADDAD, E. A.; PIMENTEL, E. A. Análise da distribuição espacial da renda no estado
de Minas Gerais: Uma abordagem setorial. São Paulo, 2004.
IBGE. Instituto Brasileiro de Geografia e Estatística. Disponível em:
<www.ibge.gov.br/cidades >. Acessado em 07 nov. 2014.
IPARDES. Municípios e cidades. Disponível em: <www.ipardes.gov.br/cidades>. Acesso
em: 07 nov. 2014.
IPEA. A crise internacional e possíveis repercussões: primeiras análises. Brasília: IPEA,
2009.
PIRES, D. C. A.; LONGO, L. A. F. de B. A implantação do Bolsa Família e sua relação
com a pobreza nas regiões brasileiras no período de 2004 e 2006. Bahia Análise & Dados,
Salvador, v. 18, n. 1, p. 007-021, abr./jun. 2008.
PNUD – Programa das Nações Unidas Para o Desenvolvimento. Disponível em;
<http://www.pnud.org.br/rdh>. Acesso em: 07 nov. 2014.
RODOLFO, F. ; TEIXEIRA, Felipe Wolk. Santa Catarina: Desigualdades Regionais no
Contexto de Descentralização. In: V Encontro de Economia Catarinense, 2011,
Florianópolis. V Encontro de Economia Catarinense, 2011.
SILVA, M. O. da S.; YASBEK, M. C.; GIOVANNI, G. di. A Política Social Brasileira no
Século XXI: a prevalência dos programas de transferência de renda. São Paulo: Cortez,
2004.
SINGER, Paul. A economia política da urbanização. São Paulo: Brasiliense, 1990.
SHORROCKS, A. Inequality decomposition by factor components. Econometria, v. 50,
n.11, p. 193-211, 1982.
VIEIRA, P.A. ; SILVA, L. M. F. ; REDIVO, A. S. . A formação socioeconômica de Santa
Catarina ajuda a explicar porque o estado apresenta a menor concentração de renda do
Brasil?. In: V Encontro de Economia Catarinense, 2011, Florianópolis. Encontro de
Economia Catarinense, 2011.