0

DISTRIBUIÇÃO ESPACIAL DA EXTREMA POBREZA NA BAHIA: UM ESTUDO PARA OS MUNICIPIOS COM DADOS DO CENSO 2010

Laércio Damiane Cerqueira da Silva- Doutorando em Economia pelo Programa de Pós-Graduação em Economia da Universidade Federal da Paraíba (PPGE/UFPB). - Professor do Departamento de Economia da Universidade Federal da Paraíba (UFPB)- Email: laerciocerqueira@hotmail.com.

Patrícia Araújo Amarante - Doutoranda em Economia pelo Programa de Pós-Graduação em Economia da Universidade Federal da Paraíba (PPGE/UFPB). - Email: patyamarante@yahoo.com.br

Jadilma Ruana Silva- Graduada em Economia pela Universidade Federal da Paraíba (UFPB)-Email: jaderms1@hotmail.com

Endereço Postal:Rua Farmacêutico Antônio Leopoldo Batista, nº 105, Edifício Jd. Europa, Bloco “B”, Ap. 404 Bairro: Jardim São Paulo/Bancários.CEP: 58051-110Telefone: (83)8862-4895

Área Temática: Economia Baiana

1

DISTRIBUIÇÃO ESPACIAL DA EXTREMA POBREZA NA BAHIA: UM ESTUDO PARA OS MUNICIPIOS COM DADOS DO CENSO 2010

RESUMO

Este trabalho analisa a dependência espacial da extrema pobreza dos municípios do Estado da Bahia com dados censitários do ano de 2010, através da análise exploratória de dados espaciais e da estimação do modelo econométrico espacial. Primeiramente, a dependência espacial é obtida através das medidas de autocorrelação espacial global e local. Em seguida, a estimação e comparação entre o Modelo por Mínimos Quadrados Ordinários, o Modelo com Defasagem Espacial e o Modelo de Erro Espacial, indica o melhor ajuste dos dados e consequentemente o resultado mais robusto entre estes. Os resultados atestam a existência de clusters em vários pontos do Estado da Bahia. Também evidenciam que o impacto da renda per capita, da taxa de analfabetismo, entre outras variáveis, são significativos na determinação da extrema pobreza no estado. Estes resultados abrem espaço para recomendações de políticas públicas que combatam, de forma eficiente, a extrema pobreza, levando em consideraçao a questão da dependência espacial. Pensa-se na formação de capital humano; geração de emprego e renda com distribuição justa; maior cobertura dos serviços de água, esgoto e coleta de lixo, com provimento adequado do acesso à saúde e saneamento, como a condução essencial para reduzir os indicadores de pobreza dos municípios baianos.

Palavras-chave: Extrema Pobreza, Dependência Espacial, Municípios Baianos.

ABSTRACT

This paper analyzes the spatial dependence of the extreme poverty of the municipalities in the state of Bahia with census data of 2010, through the exploratory spatial data analysis and estimation of spatial econometric model. First, the spatial dependence is obtained by measuring the global and local spatial autocorrelation. Then, the estimation and comparison of the model by OLS, the Model with Spatial Lag and Spatial Error Model , indicates the best fit of the data and consequently more robust result among these. The results show the existence of clusters in various parts in the state of Bahia. We also show that the impact of per capita income, literacy rate, among other variables, are significant in determining the extreme poverty in the state. These results open space for public policy recommendations to combat, efficiently, extreme poverty, taking into account the spatial dependence. Believed in human capital formation ; generation of jobs and income, fair distribution; greater coverage of water, sewer and garbage collection services, with appropriate provision of access to health and sanitation, as essential to reducing poverty indicators in the municipalities of Bahia.

Keywords: Extreme Poverty, Spatial Dependence, Municipalities of Bahia.

2

1 INTRODUÇÃO

A pobreza se apresenta como um complexo fenômeno que exibe variadas extensões a serem analisadas. Apesar de políticas governamentais de transferências de renda e redução das desigualdades, a incidência ainda é notável, principalmente em algumas camadas regionais, onde se perpetua um elevado índice de cidadãos em condições de total privação.

Considerando os dados em nível de regiões do Brasil, o Nordeste tem apresentado historicamente as maiores taxas de pobreza. O censo demográfico de 2000 mostrava que dos 47% de pessoas da população brasileira que viviam em situação de pobreza, metade desse total era residente na Região Nordeste. (OLIVEIRA, 2008).

Com vistas às informações desta região em nível populacional, a taxa de pobreza nesse ano era de 56,93% de sua população. E os indícios são de que, além das distorções regionais, existiam e ainda persistem fortes desigualdades internas. Esses fatos aliados ao baixo nível de renda per capita, proporcionam a essa região elevados índices de extrema pobreza, resultando em uma baixa qualidade de vida de sua população.

São claras as evidências do progresso do Brasil entre 2000 e 2010 no que diz respeito à redução de seus níveis de pobreza e de pobreza extrema, não só dos desníveis regionais de bem-estar entre os estados, como também entre as macrorregiões. Entretanto, os números ainda preocupam. Segundo dados do Censo 2010, 9,5% das pessoas encontravam-se na extrema pobreza, o que equivalia em torno de 18 milhões de pessoas nessa condição. Com efeito, o Nordeste apresentava quase o dobro do percentual de extremamente pobres do país (17 %). Isto é, dado o seu peso populacional, significa que mais da metade dos extremamente pobres do país, cerca de 9 milhões de pessoas, viviam, em 2010, nesta região.

Segundo Silveira Neto (2012), tal peso está associado às disparidades regionais ainda presentes no país: em 2010, a renda domiciliar per capita nordestina equivalia a menos da metade daquela observada na região Sudeste (48%) e a menos de 60% daquela observada para o país como um todo.

As distintas características do Nordeste em relação às outras regiões do país, além de acentuar as desigualdades regionais, formam um cenário propício às distorções internas, apresentando o fenômeno de difusão de riqueza e pobreza entre os estados.

As peculiaridades da região ocasionam, à maioria dos municípios em seus estados, além do alto percentual de pessoas com rendimentos abaixo da linha de pobreza, uma elevada concentração de renda.

O estado da Bahia, por exemplo, destaca-se nos dois cenários expostos acima: De acordo com Castro Neto e Alves (2011), é o oitavo com maior número de pessoas em condição de pobreza extrema1, ao mesmo tempo em que, conforme o Instituto Brasileiro de Pesquisas Econômicas (IPEA) em 2010, está entre os cinco estados com pior distribuição de renda do país, com índice em torno de 0,512.

Tais características heterogêneas relacionam-se à diferenciação espacial do território, ou seja, são definidas pela instabilidade no espaço do comportamento humano ou de outras relações socioeconômicas, etc. Ao falar de heterogeneidade da pobreza, Anselin (1988), refere-se ao fato de que a população pobre encontra-se concentrada em algumas áreas geográficas específicas.

Essa heterogeneidade espacial é um tema recorrente em estudos sobre a economia regional, e uma série de métodos econométricos tem sido utilizado no intuito de avaliar a existência de relações socioeconômicas entre os fatores intervenientes, bem como, a associação desses com sua localização geográfica (HENINGER E SNEL, 2002).

Estes estudos permitem uma visão clara e específica dos problemas de cada área geográfica, mostram informações cartográficas, identificam padrões, tendências e clusters e principalmente

1 Dos 3,8 milhões de pessoas residentes no Estado, 613, 7 mil (16,3) têm rendimentos de até 70,00 por mês, sendo que destes, 46% localizam-se em áreas rurais e 56% estão localizados em áreas urbanas.2 A escala varia de 0 a 1, e quanto mais próximo de 1, pior a distribuição de renda.

3

possibilitam aos formuladores de políticas públicas executar de forma eficiente os projetos de desenvolvimento local e/ou regional.

Nesse contexto, este trabalho tem como objetivo analisar esse fenômeno para os 417 municípios do Estado da Bahia, enfocando as particularidades de cada município. Será investigada a existência ou não de agrupamentos de municípios com altos índices, bem como municípios com baixos índices de extrema pobreza. Em caso afirmativo, serão investigadas as possíveis causas para a sua ocorrência e os fatores3 que favoreceram a perpetuação ao longo do período.

Para atingir os objetivos propostos, a estratégia empírica adotada consistirá em realizar a Análise Exploratória de Dados Espaciais, a partir do uso da matriz de contiguidade espacial e das medidas de autocorrelação local e global. E adiante, a estimação do modelo econométrico espacial.

Salienta-se que existem diversas abordagens e formas de mensuração da pobreza, e em muitos estudos esta se apresenta definida como uma privação material, mensurada pela renda per capita dos indivíduos. Deste modo, os indivíduos extremamente pobres são aqueles com renda per capita mensal menor ou igual a R$ 70,00.

Considerando esta análise uma verificação da dependência espacial da extrema pobreza, torna-se importante distinguir tal conceito: A pobreza pode ser definida em termos absolutos e relativos, dado o modo como o crescimento econômico e outros fatores influenciam na renda destinada a essa parcela da população. Nesses termos, a pobreza absoluta ou extrema, denomina-se como a predominância de baixos rendimentos, insuficientes para atender as necessidades alimentares básicas. Por outro lado, a pobreza relativa corresponde à insuficiência de renda para atender tanto as necessidades básicas como as não básicas, tais como energia, vestuário, entre outros.

Para a consecução deste trabalho, serão utilizados aspectos relacionados à definição de pobreza absoluta. Conforme Atkinson et al (2002), é mais relevante em países em desenvolvimento do que a análise da pobreza relativa, mais adequada para países desenvolvidos.

Além desta introdução, serão apresentados na próxima seção deste trabalho os aspectos gerais do conceito de pobreza; a caracterização da extrema pobreza no Brasil, Nordeste e na Bahia; e uma revisão sobre outros trabalhos que evidenciam a distribuição espacial da pobreza. A terceira seção será dedicada aos aspectos metodológicos e a estimação do modelo econométrico. Na quarta parte são apresentadas as discussões acerca das estimativas e por fim são apresentadas as considerações finais.

2 ASPECTOS GERAIS ACERCA DO CONCEITO DE POBREZA

Iniciar os trabalhos que analisam a pobreza, conceituando-a, apesar da extrema dificuldade de definição, torna-se relevante em estudos sobre o tema por permitir uma visão mais clara e analítica do fenômeno. Historicamente, tem sido tratada sob diferentes abordagens, classificadas em categorias específicas que ajudam compreender a complexidade do fenômeno, essencial para a concepção de políticas públicas que busquem trazer soluções eficazes para o problema.

A noção de pobreza tem sido estudada pelos diversos autores levando-se em conta as suas variadas formas, seja com base em algum juízo de valor, seja considerando apenas o ponto de vista econômico ou incorporando aspectos não-econômicos à análise, e ainda contextualizada de forma dependente ou não da estrutura política da sociedade. Formalmente, conforme Crespo e Gurovitz (2002), tem sido enquadrada da seguinte forma: pobreza como juízo de valor, pobreza relativa, pobreza absoluta e pobreza relativa/ absoluta.

Na definição de pobreza enquanto “juízo de valor”, o indivíduo trata o que deveria ser um grau suficiente de satisfação de necessidades de forma abstrata e subjetiva, não levando em consideração uma situação social concreta, caracterizável pela falta de recursos. O “enfoque

3 Serão analisadas variáveis relacionadas à educação, demografia, renda e emprego, como forma de caracterizar as especificidades dos municípios.

4

relativo” do conceito de pobreza torna-se relevante a partir da observação do caráter macroeconômico, descrevendo que a pobreza está diretamente vinculada com a desigualdade na distribuição de renda. Essa categoria discorre do padrão de vida contemporâneo da sociedade, definindo como indivíduos pobres, aqueles situados em camadas inferiores da distribuição de renda, ou seja, referem-se a situações em que o indivíduo quando em comparação a outros, apresenta algum atributo desejado menor, seja renda, ou condições favoráveis de emprego ou poder.

Ainda sob a caracterização macroeconômica, a percepção do conceito de “pobreza absoluta” engloba os padrões de vida mínimos como, por exemplo, os nutricionais, de moradia ou vestuário, que são avaliados mediante preços relevantes, segundo o cálculo da renda necessária para custeá-los. Para a identificação dos limites de pobreza, utilizam-se três diferentes enfoques: os biológicos, os de necessidades básicas ou dos salários mínimos. O enfoque biológico caracteriza a linha de pobreza considerando os requisitos nutricionais mínimos de dieta alimentar, onde o valor aproximado da renda dever ser despendido no atendimento desses requisitos. As necessidades básicas são aquelas referentes à alimentação, moradia, e serviços essenciais (água potável, saneamento, transporte público, serviços médicos e escolas). O enfoque dos salários mínimos, por sua vez, consolida a existência de um salário mínimo oficial que deve apresentar uma aproximação ótima do montante em dinheiro necessário para o nível de vida mínimo.

Por fim, o conceito de “pobreza relativa/absoluta” considera que a conceituação da pobreza relativa apresenta fragilidade, uma vez que, não fixa uma linha acima da qual a pobreza deixaria de existir. De um modo geral, busca tratar o problema associando esta abordagem ao de caráter absoluto. Sendo assim, ao calcular a renda per capita média de parcelas da população (abordagem relativa), cunha-se a linha de pobreza na metade da renda per capita média do país (abordagem absoluta).

Por essas inúmeras conceituações, e pela falta de um consenso quanto aos atributos axiomáticos relevantes que caracterizem um indicador ideal, a mensuração da pobreza não é trivial. A escolha de uma determinada definição é feita com base em argumentos pragmáticos, pela acessibilidade aos dados, pela observação das decisões políticas e até mesmo de acordo com argumentos históricos, (HAGENAARS e DE VOS, 1988).

Não obstante, o grau de pobreza, em grande parte, mostra-se delimitada ao nível de renda per capita dos indivíduos e, perante a grande tenacidade desse fenômeno, estudos foram sendo delineados, tendo como medida compreender as causas associadas a sua origem. Codes (2008) assenta que os primórdios teóricos sobre o tema tomou como suporte para a explicação, a renda necessária para a sobrevivência física do indivíduo, ou seja, uma agregação da pobreza com a subsistência biológica.

Essencialmente, considera-se pobre o indivíduo que não possui o atendimento as necessidades biológicas, carência nas condições mínimas habitacionais, vestuárias, etc. Sinteticamente, consiste na precariedade de acesso aos bens e serviços essenciais à existência humana. Sabe-se que para a análise da pobreza, torna-se primordial à observância sobre as causas das necessidades que, para tanto, depende do poder aquisitivo dos indivíduos, oriundo do trabalho, muitas vezes indisponível no mercado.

Desta forma, os trabalhos de destaque na literatura têm abordado a pobreza como insuficiência de renda, com referência a um determinado limite, que é comumente chamado de linha da pobreza, enfocando os aspectos da conceituação relativa ou absoluta. Souza (2004) expõe que:

A estimação da linha de pobreza depende do objetivo de obtenção de um indicador de pobreza relativa ou absoluta. O primeiro refere-se à posição da família ou indivíduo em relação ao conjunto da sociedade. Por exemplo, uma linha de pobreza relativa pode ser o valor que corresponda a um quarto da mediana da distribuição da renda per capita familiar de um dado país. As famílias ou os indivíduos com renda inferior àquele número seriam considerados pobres. Já a linha de pobreza absoluta equivale a um valor fixo, que independe de sua posição na distribuição de renda [...].

5

Com efeito, as especificidades dos estudos que analisam a geografia espacial e o processo de difusão da pobreza, sobretudo na literatura brasileira, caracterizam-na pela forma absoluta, tendo como base as informações dos Censos Demográficos, e a adoção de um valor oficialmente estimado pelo governo federal como linha extrema. Apesar desse enfoque não levar em consideração aspectos relativos ao bem-estar das pessoas para além da insuficiência de atender as necessidades básicas, tem como vantagem a possibilidade de medir a pobreza comparando de forma clara os seus níveis ao longo do tempo, e entre regiões ou grupos sociais.

3 A EXTREMA POBREZA NO BRASIL E NORDESTE

Em virtude das políticas governamentais, que funcionam como aparato da linha de pobreza na inclusão dos programas sociais, o Brasil tem apresentando elevação do seu nível de renda e taxas decrescentes de extrema pobreza. A dinâmica, principalmente entre 2000 e 2010, tem sido bastante favorável e o papel de destaque nesse avanço dar-se a região nordeste, a qual historicamente apresenta a maior participação nos níveis de pobreza do país.

Silveira Neto (2012) mostra que o crescimento da renda nesse período foi de 4,1% a.a. contra 2,7% a.a. considerando o país como um todo, e em termos de extensão e de intensidade da pobreza4 apresentaram, respectivamente, redução de 5,1% a.a contra 4,2% de todo o país; e 4,3% a.a. contra 2,4% a.a. para o país como um todo.

Através do gráfico 1, é possível observar a dinâmica na participação da região Nordeste na extrema pobreza do país, seja em termos de extensão ou de intensidade da pobreza, entre o período de 2000 e 2010.

Gráfico 1: Participação da região Nordeste no total da população e da extrema pobreza do país (%)

População Extensão da Pobreza Intensidade da Pobreza0

10

20

30

40

50

60

20002010

Fonte: Silveira Neto (2012), elaboração própria.

Esses dados, com evidência ao peso populacional, apontam para uma nova configuração na contribuição da região Nordeste para o total da pobreza extrema do país.

Historicamente, sua contribuição é sempre mais importante que das demais regiões, e impressiona refletindo a relevância a dinâmica da região para a evolução da condição de pobreza no país. No período 2000-2010, quase 70% da redução da pobreza extrema do país, em termos de extensão, ocorreu na região, enquanto que a contribuição no Nordeste para a redução do hiato da

4 Silveira Neto (2012) trata o termo extensão da pobreza com referência à proporção da população na situação da pobreza extrema. Já o termo intensidade da pobreza tem respeito ao hiato de renda, isto é, a distância da renda individual da linha de extrema pobreza.

6

renda foi de quase 90%. Tais resultados podem ser vistos na Tabela 1, a qual expõe a redução da pobreza na referida década, ocorrida de forma desigual entre as regiões do Brasil.

Tabela 1: Contribuições das regiões para a redução da extrema pobreza do Brasil entre 2000 e 2010 (%)

  Extensão da Pobreza Intensidade da Pobreza

Centro Oeste 3,0 0,6

Nordeste 66,4 87,8

Norte 7,5 2,9

Sudeste 14,0 0,4

Sul 9,1 8,3

Total 100,0 100,0

Fonte: Silveira Neto (2012), elaboração própria.

Realmente, esse decréscimo no índice da pobreza, em boa parte, resulta do crescimento da renda per capita da classe pobre proveniente das transferências públicas e da elevação da renda do trabalho que, conforme os dados censitários de 2010, registrou uma elevação substancial no período em análise, dentre os 20% mais pobres.

Contudo, apesar dessa dinâmica positiva, ainda são persistentes as desigualdades e o elevado índice de pobreza no Brasil, resultado de um desenvolvimento econômico concentrador tanto do ponto de vista regional, quanto social, tendo na região Nordeste as maiores distorções.

As constatações são de que um entre cada dez brasileiros vive em condições de extrema pobreza no país, sendo que na região Norte e Nordeste, respectivamente, 18,1% e 16,8% pessoas vivem nessas condições, apesar de receberem maior apoio de programas de transferência de renda do governo. Infere-se que os referidos programas, apesar de melhorarem as condições de vida dos beneficiários, ajudam na manutenção de estudantes na escola e no acompanhamento de gestantes, mas não retiram efetivamente o cidadão da condição de insuficiência.

A despeito do desempenho diferenciado do Nordeste com relação aos indicadores de pobreza, seus contrastes internos, sociais e com respeito à configuração geográfica de seu meio físico, provocam a exploração da diversidade da dinâmica e as contribuições de mesorregiões na explicação do desempenho apresentado pela região. A Tabela 2 apresenta a “classificação dinâmica” dos estados da região de acordo com a proporção de pobres extremos residentes.

Tabela 2: Extrema Pobreza por Estados do Nordeste -2000/2010

  2000 2010

Maranhão 0,3760 0,2419

Piauí 0,3295 0,1994

Alagoas 0,3427 0,1873

Ceará 0,2931 0,1673

Bahia 0,2759 0,1618

Paraíba 0,2675 0,1525

Pernambuco 0,2462 0,1505

Sergipe 0,2649 0,1418

Rio Grande no Norte 0,2363 0,1229

Fonte: Elaboração própria a partir de dados Censitários de 2000 e 2010.

7

De uma forma geral, observa-se que os estados melhoraram significativamente os seus índices na década em análise, contudo, sem apresentarem maiores alterações entre si. As observações apontam os estados do Maranhão, Piauí e Alagoas ocupando as primeiras posições no ranking de extrema pobreza das unidades federativas do nordeste. O Maranhão apresenta 24,2% do total de sua população ainda em extrema pobreza, permanecendo desde 2000 como o estado com maior proporção de extremamente pobres do país.

Os estados com menores índices de pobreza extrema na região destacam-se por apresentarem entre 2000 e 2010 expressivo percentual de redução da pobreza, atingindo níveis abaixo do registrado na região como um todo.

No Estado da Bahia, por exemplo, a pobreza extrema recuou cerca de 37%. Consideravelmente, nesse período houve uma queda de analfabetos absolutos entre os mais pobres (de 33% para 21%) e redução no índice de desempregados (de 12% para 10%).

Não obstante a favorável redução, o estado apresentara, no fim desse período, um percentual de pobres numa proporção, em termos relativos, que chegava ao dobro da média nacional. Ainda, segundo dados do IPEA, os classificados como extremamente pobres no estado em 2010 representavam 9% da população baiana, e sua maior concentração era nas áreas rurais, onde ao mesmo tempo se detecta problemas climáticos, baixa produtividade e menor cobertura dos serviços públicos de infraestrutura.

2.3 CARACTERIZAÇÕES GERAIS DO ESTADO DA BAHIA

2.3.1 Aspectos Geográficos

O Estado da Bahia possui uma área equivalente a 56.584,6 (em km²), abrangendo um clima tropical úmido nas camadas litorâneas e clima semiárido no interior do Estado. Sua rede hidrográfica é formada pelos rios Litorâneos, rios Sertanejos e o rio Mamanguape.

Esse Estado é composto por 417 municípios e sua população, segundo Censo 2010, apresenta 3.766.834 habitantes, correspondendo a 1,97% da população nacional. Atribui-se ao mérito de uma das unidades federativas de menor superfície (a superfície do estado corresponde a 0,66% do território nacional, ficando na 21ª posição em ordem decrescente). A polução urbana corresponde a 75,4% em oposição aos 24,6% da zona rural. A densidade demográfica se situa entre a oitava maior do Brasil, 66,57 hab./ km². A capital do estado, João Pessoa, apresenta-se como a cidade mais populosa do estado com mais de 700.000 pessoas, segundo o Censo (2010). A vegetação constitui-se de matas, manguezais e cerrado com a presença da caatinga nos locais secos, como no sertão e no planalto da Borborema.

2.3.2 Aspectos Socioeconômicos

O estado baiano apresenta déficits no que se refere ao desenvolvimento econômico e social do estado. Em relação à taxa de analfabetismo, a Bahia tem registrado percentuais considerados elevados quando comparados à média nacional. Os dados divulgados pelo Censo Demográfico 2010 do Instituto Brasileiro de Geografia e Estatística revelam que o índice de analfabetos corresponde a um percentual de 21,9%, superior ao da nação (9,6%). Ainda segundo os dados do Censo 2010, considerando a infraestrutura, o estado apresenta uma taxa de saneamento nos domicílios paraibanos piores que a média nacional, mesmo apesar de os números ter apresentado uma melhora em relação aos dados do ano 2000.

Considerando a população total do estado, 23,38% das pessoas que residem nos municípios da Paraíba não possuem acesso à água potável, conforme o IBGE (2010). Em virtude desse problema esses moradores recorrem a poços, açudes, rios e outros tipos de fonte como forma de garantir o abastecimento. O crescimento urbano estrutura-se de forma desorganizada acompanhado da pobreza o do grande déficit na infraestrutura, saúde e educação. Em 2008, a taxa de mortalidade infantil apontada no estado foi de 36,5% maior que a média do índice nacional (23,3%). A rede

8

pública hospitalar credenciada pelo Sistema único de Saúde (SUS) é atendida por 204 estabelecimentos de saúde governamentais, privados e filantrópicos. Conforme os dados do Sistema único de Saúde (2011), João Pessoa e Campina Grande concentram 54,6% dos leitos hospitalares.

A formação econômica do estado se baseia na agricultura (cana de açúcar, abacaxi, mandioca e feijão), na indústria (alimentícia, têxtil, metalúrgica) na pecuária e no turismo.

Em 2008 a Paraíba apresentou um Produto Interno Bruto estimado em 22,2 bilhões de reais, um equivalente a 0,8% do PIB nacional. Sua composição dar-se pelo setor de serviços (72%), agropecuária (5,6%) e indústria (22,4%). A maior parte da arrecadação de receita do Estado resulta do setor de serviços, sendo o turismo caracterizado como o elemento potente desse setor da economia.

Como forma de atrair os investimentos industriais para João Pessoa e municípios vizinhos o governo do Estado tem fornecido incentivos estaduais. Cabedelo, por exemplo, já ocupa o terceiro lugar entre os PIBs municipais do estado com 1,5 bilhões, como consequência de investimentos.

A agropecuária tem evidenciado redução na participação do produto total da Paraíba. Em 2006 contribuiu apenas com 1,1% das vendas da Paraíba para o resto do Brasil. Sistematicamente, atribuem-se dois aspectos importantes dessa atividade no estado: a agricultura familiar é relevante e associa-se ao consumo interno; e a baixa competitividade da agropecuária paraibana que limita a potência das vendas externas. Além dos aspectos apontados, o clima do estado também influencia, embora em menor intensidade, nessa atividade. Salienta-se que 86% do território paraibano encontram-se no semiárido, evidenciando que nos períodos de estiagem que afetam a Região Nordeste, a economia paraibana apresenta fragilidade.

As vendas do setor industrial correspondem a 56% para os demais estados brasileiros. Este dado demonstra a relevância da dominação por um conjunto pequeno de grandes empresas com capital não-paraibano, intensivos em mão de obras baratas e incentivos fiscais do estado, essencialmente nos setores de têxtil, de calçados e minerais não metálicos.

2.4 A LITERATURA EMPÍRICA SOBRE A DISTRIBUIÇÃO ESPACIAL DA POBREZA

Apesar da melhora da renda e da pobreza extrema no Brasil ter apresentado recuo gradual nos últimos anos, ainda são persistentes as disparidades regionais, conforme exposto em linhas acima. Os diferentes desempenhos de espaços sub-regionais dentro das unidades federativas, e as condições associadas aos meios físico-geográficos no entendimento da dinâmica da extrema pobreza no país tornam o campo aberto para muitas discussões sobre o tema e uma área de interesse para várias pesquisas no país.

Essa revisão inicia-se por Andrade et al (2004), os quais apontam para a formação de clusters espaciais de convergência com as regiões Norte e Nordeste em um grupo de renda baixa, e as regiões Centro-Oeste, Sudeste e Sul em um grupo de renda elevada.

Com outras perspectivas em análise, Langoni (2005) comprova a existência de uma sólida relação entre a distribuição de renda no Brasil e a expansão do sistema educacional. O autor infere que os fatores que agravam ainda mais a pobreza e as disparidades sociais no país, em espacial, na região Nordeste passam pela má qualidade da educação ofertada, principalmente a população mais pobre, o baixo nível educacional e a distribuição heterogênea da educação entre os indivíduos.

Já Romero (2006), faz uma análise espacial da pobreza, entre 1991 e 2000, no Estado de Minas Gerais, utilizando como proxies o índice de Desenvolvimento Humano (IDH) e suas dimensões. Suas inferências são positivas para a existência de dependência espacial nos níveis estaduais e municipais.

Barros, Franco e Mendonça (2007), que quantificaram os determinantes da queda da desigualdade de renda no Brasil, concluíram que mais da metade dessa queda advinha da evolução da renda não proveniente do trabalho. Em termos de análise sub-regional, Chiarini (2008) estudou a análise espacial da pobreza no estado do Ceará para o período de 1991 e 2000, com base nos dados

9

dos censos demográficos, confirmando a existência de formação de clusters de pobreza e miséria para grupos de municípios do Ceará.

Silveira et al (2010) pesquisaram a distribuição da pobreza nos municípios paulistanos nos anos de 1991 e 2000, e apontaram a existência de dependência espacial entre os municípios de São Paulo e a formação de um agrupamento expressivo de municípios pobres e evidenciaram que a pobreza se apresentou com maior vigor nos municípios mais afastados dos centros industriais do estado.

Ainda utilizando-se da técnica de análise explanatória espacial para o Ceará, Medeiros e Pinho Neto (2011), observaram a existência de grandes desigualdades entre os municípios relacionados à miséria e a dependência espacial de pessoas em situação de extrema pobreza, ou seja, verificaram que os municípios do estado que apresentam altas taxas de misérias estão rodeados por municípios com elevados percentuais de pobreza extrema e os municípios com baixas taxas se encontram cercados por outros municípios em mesma condição.

Um dos trabalhos mais importantes e completos sobre a pobreza, o estudo de Silveira Neto (2012), analisa a evolução da extrema pobreza no Nordeste brasileiro entre 1991-2010 a partir das mesorregiões, identificando clusters de extrema pobreza e a sua contribuição para o total da pobreza do país. Por fim, Silva, Souza e Batista da Silva (2013) buscando evidências da correlação espacial da pobreza, em nível municipal, para o Nordeste atestaram a existência de dependência espacial da extrema pobreza, formando clusters em vários pontos da região.

Os resultados destes trabalhos são muito importantes, pois permitem aos formuladores de políticas, ações públicas que possibilitem maior eficiência no combate à extrema pobreza, considerando as questões da dependência espacial. Além destes citados, muitos outros trabalhos enfocam a questão espacial da pobreza em suas respectivas federações, evidenciando a compreensão das interações e dos transbordamentos entre unidades geográficas distintas no que se refere à distribuição de renda e desigualdades sociais.

3 METODOLOGIA

3.1 ANÁLISE EXPLORATÓRIA DE DADOS ESPACIAIS (AEDE)

Esta subseção tem por objetivo explanar sobre a abordagem descrita por Anselin (1999), que identifica a correlação espacial da variável em estudo utilizando indicadores. A interação de agentes no espaço causa o que se conhece na literatura por dependência espacial. Dessa forma, a Análise Exploratória de Dados Espaciais (AEDE) refere-se a um conjunto de técnicas que descrevem e visualizam distribuições espaciais, com o objetivo primordial de deixar os dados espaciais falarem por si próprios. Com efeito, a análise consiste em buscar representações que revelem se os dados estão relacionados espacialmente.

3.1.1 Matriz de Contiguidade ou Peso Espacial

Dito de outra forma, o referido estudo visa descobrir se os dados sobre extrema pobreza nos municípios, em termos per capita, são distribuídos aleatoriamente ou seguem um padrão espacial sistemático. Então, um coeficiente de autocorrelação espacial descreve um conjunto de dados que está ordenado segundo uma sequência espacial. Para a construção de uma estatística de autocorrelação espacial é necessário, no entanto, entre outros fatores de uma matriz de ponderação espacial (W).

Essa matriz de pesos espaciais dará uma ideia do grau de interação entre os municípios nordestinos. Para tanto, será usada uma matriz binária de pesos espaciais (W), atribuindo valor 1 (um) para o caso em que dois municípios são vizinhos e valor 0 (zero) quando não são vizinhos. Considera ainda, que dois municípios são vizinhos caso compartilhem uma fronteira comum.

3.1.2 Autocorrelação Espacial Global

10

O Índice Global de Moran (I) é o indicador de autocorrelação espacial global mais usado em análises empíricas, e permite estimar o quanto o valor observado de um atributo numa área é correlacionado com os valores desta mesma variável nas localizações vizinhas, fornecendo um único valor como medida de associação espacial para todo o conjunto de dados, ou seja, permite averiguar a existência de dependência espacial de uma dada variável em diferentes lugares.

Para detectar a existência de autocorrelação espacial global nos dados usa-se Índice Global de Moran (I) entre vizinhos de primeira ordem. Tal índice é medido do seguinte modo:

(1)

Ou matricialmente

(2)

onde n é o numero de cidades analisadas, Z expressa os valores da variável de interesse padronizada (isto é, Zi é o percentual da população de pobres extremos no município i menos a média amostral e ZJ é o percentual da população extremamente pobre no município j menos a média amostral), WZ

denota os valores médios da variável de interesse padronizada nos vizinhos, definidos segundo uma matriz de ponderação espacial W. Um elemento dessa matriz referente à região i e a região j, é registrado por Wij. S0 é igual a operação ΣΣ wij, significando que todos os elementos da matriz de pesos espaciais W devem ser somados.

Os valores de I de Moran normalmente variam entre 1 e -1, e sua interpretação é expressa por três possibilidades:

Se o I de Moran for próximo de 1 (um) positivamente, significa que existe uma correlação espacial positiva, com os valores das áreas vizinhas similares entre si. Quanto mais perto de 1, maior a autocorrelação espacial, sendo o valor 1 atribuído a uma autocorrelação positiva (direta) perfeita;

Se o I de Moran for próximo de um negativamente, ocorre uma não similaridade dos valores das áreas vizinhas. Quanto mais perto de -1, maior é a autocorrelação espacial, sendo o valor -1 atribuído a uma autocorrelação negativa (inversa) perfeita;

Se o I de Moran for zero ou aproximadamente zero não há evidências de autocorrelação espacial.

O índice considera duas hipóteses: a) a primeira que corresponde à hipótese nula (H0) admite independência espacial;b) a segunda hipótese é a alternativa (H1) admite a existência de dependência espacial

3.1.3 Autocorrelação Espacial Local

11

Conforme Anselin (2005), em análises desse tipo, faz-se também necessário à utilização das estatísticas LISA5 que são indicadores locais de associação espacial. Essa estatística expressa, ainda segundo o autor, quais os municípios ao redor do qual há aglomeração de valores semelhantes e também que a soma dos LISA individuais deveria ser proporcional ao indicador de associação global. Dessa forma, o Índice Moran Local (Ii) é definido como:

(3)

em que e , e as demais variáveis tal como definidas no I de Moran local.O I de Moran local decompõe o coeficiente global de autocorrelação em quatro categorias,

cada uma correspondendo a um quadrante do diagrama de dispersão de Moran. O diagrama de dispersão representa o coeficiente de regressão, verificado pela inclinação da regressão (SILVA, SOUSA E BATISTA DA SILVA, 2013).

Os quatro quadrantes do diagrama expressam respectivamente: 1) Alto-Alto, representa clusters de pobreza; 2) Baixo-Alto, onde se localizam os municípios com baixos percentuais de população extremamente pobre cercado por municípios com altos percentuais; 3) Baixo-Baixo, representa clusters de riqueza; e 4) Alto-Baixo, indicando os municípios com altos percentuais de população extremamente pobre cercado por municípios com baixos percentuais.

Resumidamente, os valores positivos para a estatística apostam a existência de autocorrelação espacial local positiva, tendo valores similares à média dos municípios vizinhos, caracterizando a presença de clusters de altos (AA) e/ou baixos (BB). Por outro lado, valores negativos expressam a existência de autocorrelação espacial local negativa, quando comparados às médias dos municípios vizinhos indicando padrões Alto-Baixo (AB) ou Baixo-Alto (BA), caracterizando a presença de outliers espaciais.

3.2 MODELOS ECONOMÉTRICOS ESPACIAIS

Como enfocam Anselin (1988); Anselin (1995); Anselin e Bera (1998), os efeitos espaciais devem ser considerados em sua forma funcional durante a definição de um modelo, identificando de maneira adequada questões inerentes aos efeitos de transbordamento entre regiões.

Isto posto, detecta-se a presença de autocorrelação espacial no modelo econométrico, através do teste I de Moran Global nos resíduos gerados por meio da regressão, utilizando o método de Mínimos Quadrados Ordinários (MQO). Se confirmada a autocorrelação espacial, a análise por MQO não seria a melhor escolha, já que não levaria em consideração problemas de autocorrelação e heterogeneidade espaciais, e assim, as estimativas fornecidas seriam inconsistentes. Torna-se necessário, então, o emprego de um modelo econométrico espacial.

Os modelos econométricos espaciais visam captar a associação espacial detectada através da utilização da metodologia citada acima e apresentar os determinantes da extrema pobreza.

Abaixo, há uma melhor descrição dos métodos de econometria espacial utilizados no estudo: O Modelo por Mínimos Quadrados Ordinários (MQO), o Modelo de Defasagem Espacial (MDE) e o Modelo de Erro Espacial (MEE). A explicação para estes dois últimos é que a econometria espacial sugere basicamente os modelos de autocorrelação espacial na variável dependente, isto é, defasagem espacial e autocorrelação espacial no erro espacial (ANSELIN, 1988).

5Local Indicator of Spatial Association

12

3.2.1 Modelo de Mínimos Quadrados Ordinários (MQO)

O método não é especificamente espacial, e segue a estrutura do clássico modelo de regressão linear. É estimado pelo método dos mínimos quadrados ordinários (MQO), o qual é representado como:

Y=Xβ+u .(4)

Onde Y é um vetor (nx1) de observações da variável dependente; β é um vetor de coeficientes a serem estimados; X é uma matriz com (nxk) variáveis explicativas; e u é um vetor de erros, que se supõe seguir a distribuição normal, com média zero, variância constante e (u N (0 , I σ2 )), e não se correlaciona as variáveis explicativas e nem com outros erros ¿ para i≠j).

3.2.2 Modelo de Defasagem Espacial (MDE)

Este modelo assume que a autocorrelação espacial pode ser captada por meio da estimativa de um coeficiente relacionado com a variável dependente defasada espacialmente. A equação a seguir expressa o referido modelo:

Y=ρWY +Xβ+u .(5)

Em que Y é um vetor (nx1) de observações da variável dependente; β é um vetor de coeficientes a serem estimados; X é uma matriz com (nxk) variáveis explicativas; e u é um vetor de erros, que pela suposição tem distribuição normal, com média zero, variância constante e (u N (0 , I σ2 )), e não se correlaciona com outros erros ¿ para i≠j), e com as variáveis explicativas. ρ é um coeficiente autorregressivo espacial, o qual capta os efeitos da extrema pobreza de um município sobre a dos seus vizinhos; W (nxn) é a matriz de contiguidade espacial, sendo o termo WY a variável dependente defasada espacialmente.

3.2.3 Modelo de Erro Espacial (MEE)

A utilização deste modelo ocorre quando não são atendidas as suposições de homocedasticidade e de erros não correlacionados. Ou seja, o modelo é adequado quando as variáveis omitidas, e incluídas nos termos de erro, são autocorrelacionadas espacialmente.

Em termos práticos, estima-se os parâmetros inicialmente por Mínimos Quadrados Ordinários, e logo após, estima-se o erro, u, do modelo de MQO, da seguinte forma: u=λWu+ξ. Onde λ é um escalar do coeficiente do erro e u N (0 , I σ2 ). Nessas condições, o modelo de erro espacial é:

Y=Xβ+¿

Sendo Y um vetor (nx1) de observações da variável dependente; β é um vetor de coeficientes a serem estimados; X é uma matriz com (nxk) variáveis explicativas; e u é um vetor de erros, que pela suposição tem distribuição normal, com média zero, variância constante e (u N (0 , I σ2 )), e não se correlaciona com outros erros ¿ para i≠j), e com as variáveis explicativas. Wu é uma matriz de defasagem espacial dos erros; λ é o coeficiente de erro autorregressivo espacial; e ξ é um erro “bem comportado”, com média zero e variância constante (Anselin, 1992).

Exposta a metodologia econométrica, salienta-se que o trabalho reportará as inferências do modelo melhor avaliado de acordo com os critérios da Função de Verossimilhança (LIK) e os critérios de informação Akaike (AIC) e Schwarz (SC). A regra de decisão é simples: quanto maior o valor da LIK e menores os valores de AIC e SC, melhor é o modelo para captar a relação de dependência espacial das variáveis estudadas.

13

3.3 BASE DE DADOS

Seguindo Medeiros e Pinho Neto (2011) e Silva, Sousa e Batista da Silva (2013), faz-se aqui considerações a dois tipos de dados utilizados no trabalho: O primeiro refere-se à malha de municípios georreferenciada do Estado da Bahia (arquivo shapefile), disponível no site do IBGE ( www.ibge.gov.br ), o qual permite a confecção dos mapas temáticos. A segunda consiste na base das informações estatísticas dos municípios baianos extraídas do Censo Demográfico de 2010, também disponível no site do IBGE. Os indicadores calculados para cada um dos municípios analisados foram:

Taxa de extrema pobreza: Variável dependente do modelo e consiste no percentual da população residente em domicílios particulares permanentes com renda mensal domiciliar per capita de até 70 reais dividida pela população total, caracterizando a população extremamente pobre ou em situação de miséria;

Renda per capita: Consiste no valor (em R$) do rendimento nominal médio mensal domiciliar per capita das pessoas residentes em domicílios particulares com rendimento;

Taxa de analfabetismo: É calculada a partir da divisão da população com 15 anos ou mais de idade analfabeta pela população total nesta mesma faixa de idade;

Empregos formais: Refere-se ao percentual do número de empregos formais dividido pela população total. A fonte de dados para empregos formais em 2010 foi o Cadastro Geral de Empregados e Desempregados (CAGED) do Ministério do Trabalho e Emprego (MTE);

Infraestrutura domiciliar: Corresponde à média aritmética dos seguintes índices: % de domicílios ligados à rede geral de esgoto ou pluvial; % de domicílios com coleta de lixo realizada por serviço de limpeza e % de domicílios ligados à rede geral de água.

Taxa de dependência: Corresponde ao percentual da população menor de 15 anos somada à população maior de 64 anos, dividida pela população em idade ativa (15 a 64 anos);

É razoável esclarecer que os indicadores citados são utilizados no estudo na forma de logaritmos naturais, devido à heterogeneidade entre os municípios analisados, e problemas associados com a variância e não-normalidade dos dados. Dessa forma, essa transformação possibilita reportar às elasticidades da extrema pobreza com relação às variáveis explicativas do modelo econométrico.

4 APRESENTAÇÃO E ANÁLISE DOS RESULTADOS

4.1 RESULTADO DAS ANÁLISES ESPACIAIS

Esta seção objetiva apresentar os índices de associação espacial I de Moran e Lisa, no sentido de identificar clusters e outliers espaciais, ou seja, verificar a existência de algum tipo de associação espacial na extrema pobreza entre os municípios baianos.

Primeiramente, através do I de Moran Global, verifica-se para os 417 municípios que compõem o estado da Bahia, se há evidência estatística de dependência espacial da extrema pobreza. A hipótese nula desse teste supõe que a proporção da população em condições de miséria se distribui de forma aleatória no território paraibano em nível municipal, já a hipótese alternativa afirma a existência espacial no indicador estimado. A Tabela 3 mostra o valor I de Moran Global

14

para a taxa de extrema pobreza usando a matriz de contiguidade espacial tipo Queen em primeira ordem.

Tabela 3: Teste de I de Moran Global para o indicador Logaritmo da Taxa de Extrema Pobreza dos municípios baianos - 2010

Indicador Valor do índice p-valor

Logaritmo da Taxa de Extrema Pobreza 0,5688 0,001Fonte: Elaboração própria

Figura 1: Diagrama de dispersão de Moran para o logaritmo da taxa de extrema pobreza dos municípios baianos no ano 2010.

Fonte: Elaboração própria

Feita a estimação com 999 permutações aleatórias, observa-se na tabela um p-valor de 0,001, rejeitando-se assim a hipótese nula de aleatoriedade na distribuição da proporção da população em condições de miséria.

Este resultado permite deduzir que há uma forte indicação de autocorrelação global positiva para o indicador verificado. Nesses termos, isso significa que os municípios com altas taxas de extrema pobreza são cercados por municípios na mesma situação, enquanto que municípios com baixas proporções são circundados de municípios circunstância, evidenciando clusters de municípios pobres e ricos respectivamente.

Entretanto, como bem expõe Anselin (1995), o indicador I de Moran Global pode ser uma medida insuficiente na identificação de padrões locais espaciais, como os clusters ou outliers locais significantes. Sendo assim, para identificar a existência de clusters ou outliers localmente significativos, foi utilizado o indicador I de Moran Local, ou LISA, que testa a hipótese de

15

inexistência de associação espacial, comparando os valores de cada localização com os valores de seus vizinhos, possibilitando identificar a existência de aglomerações no território paraibano, sujeita ao nível de significância estatística utilizada no teste de autocorrelação espacial.

Dentro desta perspectiva, foi elaborado o Moran Map, exposto abaixo, como forma de visualização dos municípios para os quais os valores do indicador LISA foram considerados significantes.

Trata-se de um mapa temático que busca classificar as áreas em quatro possibilidades de associação espacial, sendo:

Alto-Alto (AA), encontradas no mapa com a cor vermelha representando correlação espacial positiva, identifica municípios com altos índices de população extremamente pobre vizinhos a municípios com altos índices. São denominados clusters locais;

Baixo-Baixo (BB), também representando tipos de correlação positiva, encontram-se no mapa na cor azul, e identifica municípios com baixos índices de população extremamente pobre circundados por municípios com baixos índices;

Alto-Baixo (AB), encontradas no mapa na cor rosa, representando tipos de correlação espacial negativa, denominados outiliers, identifica municípios com altos índices de população extremamente pobre, rodeados por municípios com baixos índices;

Baixo-Alto (BA), em cor cinza no mapa, também representam correlação espacial negativa (outiliers) e identificam municípios com baixos índices de população extremamente pobre vizinhos a municípios com altos índices.

OBS: ESCOLHA SE QUER OS RESULTADOS DO LISA COLORIDOS OU PRETO E BRANCO

Figura 2: LISA para o logaritmo da taxa de extrema pobreza dos municípios baianos no ano 2010.

16

Fonte: Elaboração própria

17

Fonte: Elaboração própria

RESULTADOS DO MODELO

Nesta seção, considerando-se a possibilidade da existência de dependência espacial entre as

unidades consideradas, foram realizados, inicialmente, alguns testes para sua detecção, cujos

resultados podem ser observados na Tabela 4, a seguir.

Tabela 4: Resultado dos testes de dependência espacial estimado para o modelo.

Teste de dependência espacial Valores

I de Moran10.770***

(0.000)

LM-erro107.872***

(0.000)

LM-lag164.775***

(0.000)

LM-errRob13.323***

(0.000)

LM-lagRob70.226***

(0.000)N 417

Fonte: Elaboração própriaObs.: 1. O sobrescrito *** indica estatísticas significantes até 1%. 2. Os valores entre parênteses representam a probabilidade da estatística. 3. N: número de observações (municípios).

Com base na Tabela 4 é possível observar que todas as estatísticas dos testes de dependência

espacial mostraram-se significantes, ao nível de 1%. Nesse caso, os resultados indicam que não se

deve negligenciar a existência de dependência espacial nos resíduos do modelo estimado por OLS.

Considerando-se o valor da estatística das versões robustas dos testes, verifica-se uma

superioridade relativa do teste LM-lagRob em relação ao teste LM-errRob, sugerindo que o modelo

SAR é o mais apropriado para efetuar a correção dos efeitos espaciais. Os resultados das estimações

por OLS e modelo SAR são reportados na Tabela 5, abaixo.

Tabela 5: Resultados das estimações dos modelos econométricosCoeficientes OLS SAR

CONSTANTE1.444*** 1.152***(0.079) (0.066)

TX_DEP 0.079*** 0.065***

18

(0.030) (0.024)

REND_PC-0.236*** -0.201***

(0.012) (0.010)

EMPRE0.065 0.164***

(0.050) (0.042)

TX_ANALF-0.138*** -0.044

(0.047) (0.038)

INFR_DOM -0.054*** -0.025***

(0.011) (0.008)

ρ0.430***(0.031)

R² ajustado 0.757 0.843N 417 417

Fonte: Elaboração própria Obs.: 1. O sobrescrito *** indica estatísticas significantes até 1%. 2. Os valores entre parênteses representam o desvio padrão da estatística. 3. N: número de observações (municípios).

APÊNDICE

Tabela A1: Total de associações espaciais significantes por município.

Código Município Observações Significantes2915908 ITANAGRA 42901601 ANTAS 32916005 ITANHÉM 22916203 ITAPÉ 22916302 ITAPEBI 22916401 ITAPETINGA 22916500 ITAPICURU 12916807 ITARANTIM 22917003 ITIÚBA 12917102 ITORORÓ 22917508 JACOBINA 32901809 ANTÔNIO GONÇALVES 32917904 JANDAÍRA 12918100 JEREMOABO 12918308 JITAÚNA 42918506 JUSSARA 12918555 JUSSARI 22918902 LAJEDÃO 22901957 APUAREMA 22919207 LAURO DE FREITAS 22919306 LENÇÓIS 32909208 CORONEL JOÃO SÁ 12919702 MACARANI 22919926 MADRE DE DEUS 22920007 MAIQUINIQUE 22920452 MANSIDÃO 12909406 COTEGIPE 12920809 MARCIONÍLIO SOUZA 12921005 MATA DE SÃO JOÃO 22921104 MEDEIROS NETO 2

19

2921401 MIRANGABA 12921500 MONTE SANTO 12921609 MORPARÁ 12921708 MORRO DO CHAPÉU 12922003 MUCURI 22922052 MULUNGU DO MORRO 12922102 MUNDO NOVO 12922250 MUQUÉM DE SÃO FRANCISCO 12909604 CRISÓPOLIS 12922706 NOVA CANAÃ 42909703 CRISTÓPOLIS 12922854 NOVA REDENÇÃO 12922904 NOVA SOURE 12923001 NOVA VIÇOSA 22923100 OLINDINA 12923209 OLIVEIRA DOS BREJINHOS 12923902 PAU BRASIL 22924405 PILÃO ARCADO 12902401 AURELINO LEAL 22924603 PINDOBAÇU 12925253 PONTO NOVO 12925303 PORTO SEGURO 22925501 PRADO 22901106 AMÉLIA RODRIGUES 22925808 QUEIMADAS 12925907 QUIJINGUE 12926004 REMANSO 12910057 DIAS D'ÁVILA 22926657 RIBEIRÃO DO LARGO 22927002 RIO REAL 12927408 SALVADOR 22927705 SANTA CRUZ CABRÁLIA 22902708 BARRA 12927804 SANTA CRUZ DA VITÓRIA 22928109 SANTA MARIA DA VITÓRIA 32928208 SANTANA 12928604 SANTO AMARO 22928950 SÃO DOMINGOS 22929057 SÃO FÉLIX DO CORIBE 32929107 SÃO FELIPE 42929206 SÃO FRANCISCO DO CONDE 22929305 SÃO GONÇALO DOS CAMPOS 22902906 BARRA DO CHOÇA 22929354 SÃO JOSÉ DA VITÓRIA 22929503 SÃO SEBASTIÃO DO PASSÉ 22929701 SÁTIRO DIAS 12929800 SAÚDE 12929909 SEABRA 12908101 COCOS 12903003 BARRA DO MENDES 12930303 SERRA DOURADA 12930709 SIMÕES FILHO 22910602 ESPLANADA 12903102 BARRA DO ROCHA 22930808 SOUTO SOARES 12930907 TABOCAS DO BREJO VELHO 1

20

2910701 EUCLIDES DA CUNHA 12931350 TEIXEIRA DE FREITAS 22931707 TERRA NOVA 22932309 UBATÃ 22932408 UIBAÍ 12903235 BARRO ALTO 12932457 UMBURANAS 12932507 UNA 22932705 URUÇUCA 22933257 VEREDA 22933455 WANDERLEY 12933604 XIQUE-XIQUE 12903300 BARRO PRETO 22903607 BIRITINGA 12903805 BOA VISTA DO TUPIM 12903904 BOM JESUS DA LAPA 32904050 BONITO 12904407 BREJOLÂNDIA 12904704 BUERAREMA 22904753 BURITIRAMA 12904803 CAATIBA 22905305 CAFARNAUM 12905701 CAMAÇARI 22905909 CAMPO ALEGRE DE LOURDES 12910909 FIRMINO ALVES 22906204 CANARANA 12906501 CANDEIAS 22906808 CANSANÇÃO 12911006 FLORESTA AZUL 22906824 CANUDOS 12906873 CAPIM GROSSO 32906907 CARAVELAS 22900801 ALCOBAÇA 22907509 CATU 22907905 CIPÓ 12908002 COARACI 22911501 GONGOGI 22911808 GUARATINGA 42912400 IBIPEBA 12912608 IBIQUERA 12912806 IBIRAPUÃ 22912905 IBIRATAIA 22913200 IBOTIRAMA 32901353 ANDORINHA 12908507 CONCEIÇÃO DO JACUÍPE 22913606 ILHÉUS 22913903 IPIAÚ 22914406 IRAQUARA 12914653 ITABELA 22914802 ITABUNA 22915007 ITAETÉ 12915304 ITAGIMIRIM 22915353 ITAGUAÇU DA BAHIA 12915403 ITAJU DO COLÔNIA 22915502 ITAJUÍPE 22915809 ITAMBÉ 2

21

Fonte: Elaboração própria