Vitória, 22 a 25 de julho de 2012
Sociedade Brasileira de Economia, Administração e Sociologia Rural
1
Indicador fuzzy de pobreza multidimensional: o que diferencia as áreas
urbanas e rurais no Brasil?
Grupo de Pesquisa: 10 – Desenvolvimento Rural, Territorial e Regional
Resumo
O objetivo central deste trabalho é apresentar uma proposta para análise da pobreza no
Brasil, baseada no conceito de lógica fuzzy. Especificamente, verifica-se como esta técnica
contribui para diferenciar a pobreza urbana e rural no país, levando em consideração
aspectos associados à dotação de recursos básicos, saúde, educação, restrição orçamentária
e condição de trabalho. Entre as vantagens do método proposto, destaca-se o fato de ser
uma medida que permite agregar elementos qualitativos e quantitativos, além de não
restringir a delimitação da pobreza à dicotomia “sim” e “não”. De maneira geral, os
resultados destacam os determinantes das elevadas diferenças entre os estados e entre as
áreas urbanas e rurais, sobretudo nas regiões mais desenvolvidas do país. Enquanto a
componente renda surge como um importante determinante da pobreza nas áreas urbanas,
a componente associada às necessidades básicas é o mais importante nas áreas rurais. O
trabalho conclui sobre a utilidade do indicador proposto para o direcionamento de políticas
de combate à pobreza, sobretudo no que se refere às diferenças de necessidades nas áreas
urbanas e rurais.
Palavras-chaves: pobreza multidimensional; indicador fuzzy; desigualdade
Fuzzy index of multidimensional poverty: what are the differences
between urban and rural areas in Brazil?
Abstract
The purpose of this paper is to present a new approach in order to analyse Brazil’s poverty,
based on the fuzzy logic. Properly, the aim of this paper is verify how this method helps in
the contrast between urban and rural poverty, considering conditions such as basic
resources, health, education, budget constraint and work. Some of the advantages of this
approach come from the possibilities of aggregating qualitatives and quantitatives
variables, and also work with variables that explain more than a simples yes-no dichotomic
statement. Overall, the results explain the differences among states and rural and urban
areas, specially in the most developed areas. While, in the urban areas, the budget
constraint is the most important determinant of poverty, in the rural ones the basic needs
component is the most important in order to explain poverty. This paper ends with analysis
above the utility of this index, with the aim of define public policies in order to fight
against poverty, specially comprehending the differences between rural and urban
necessities.
Key Words: multidimensional poverty; fuzzy index; inequality
1. INTRODUÇÃO O objetivo central deste trabalho é apresentar uma proposta para análise da pobreza
no Brasil, baseada no conceito de lógica fuzzy. Especificamente, verifica-se como esta
Vitória, 22 a 25 de julho de 2012
Sociedade Brasileira de Economia, Administração e Sociologia Rural
2
técnica contribui para diferenciar a pobreza urbana e rural no país, levando em
consideração aspectos associados à dotação de recursos básicos, saúde, educação, restrição
orçamentária e condição de trabalho.
A análise de pobreza tem despertado grande interesse da literatura, seja para a
caracterização das condições de vida, comparação de populações ou direcionamento de
políticas públicas às populações menos favorecidas (GUSTAFSSON, 1995). No Brasil,
estudos de pobreza destacam as extremas desigualdades das condições de vida e
necessidades existentes entre e dentro das regiões, sobretudo no que se refere às diferenças
entre populações urbanas e rurais (MAIA e BUAINAIN, 2011). Além de a pobreza estar
concentrada, em termos relativos, nas áreas rurais, as necessidades seriam diferentes para
residentes pobres nas áreas rurais e urbanas do país. Por exemplo, entre os mais pobres, as
necessidades dos residentes urbanos vão além do consumo alimentar, envolvendo
preocupações com o transporte, a violência e o tráfico de drogas.
Nas últimas décadas, a metodologia de análise da pobreza orientou-se de métodos
unidimensionais para multivariados, considerando dimensões monetária (absoluta e
relativa) e não monetárias (HAGENAARS e DE VOS, 1988). Embora a análise
unidimensional monetarista ainda prevaleça no estudo da pobreza, sobretudo com o uso do
método da Linha de Indigência e/ou Pobreza1, que é simples e viabiliza comparações
internacionais (LOPES et al., 2003b), novos métodos multidimensionais vêm sendo
propostos, considerando diferentes dimensões e critérios para delimitação da pobreza
(NEDER et al., 2011). Entre as propostas multidimensionais, estudos como de Cheli e
Lemmi (1995), Cerioli e Zani (1990) e Filippone et al.. (2001) foram pioneiros no
entendimento da pobreza a partir da lógica fuzzy, como função de pertinência a uma série
de características.
Entre as vantagens do método da lógica fuzzy, podemos destacar o fato de ser uma
medida que permite agregar elementos qualitativos e quantitativos; permite a ponderação
dos elementos de forma menos arbitrária; além de não se limitar à definição de apenas dois
estados da condição da pobreza, baseados na dicotomia sim-não. Dentro desta corrente de
análise, duas propostas surgiram: a primeira, o Totally Fuzzy Set Approach (TFS), que
estuda a pobreza de uma família com base em pisos e tetos para cada característica,
definidos arbitraria e exogeneamente ao sistema socioeconômico onde aquela família
reside; e o Totally Fuzzy and Relative Approach (TFR), no qual indicadores contínuos são
definidos a partir da classificação relativa da família em sua região de residência.
Este trabalho procura contribuir com a análise da pobreza no Brasil, propondo um
indicador de pobreza multidimensional baseado no método do TFR. O indicador criado se
propõe a ampliar a visão multidimensional de pobreza no Brasil, como a proposta por
Diniz e Diniz (2009) que atinge as variáveis fundamentais restritas às propostas
fundamentadas nos Objetivos e Metas de Desenvolvimento do Milênio. Além desta seção
introdutória e das considerações finais, o trabalho está dividido em 2 partes principais.
Primeiro, apresentaremos um panorama da evolução da análise de pobreza, desde o método
unidimensional ao método do TFR. Segundo, definimos os elementos para constituição de
1 Na definição de Lopes (2003a:7) “A primeira caracteriza-se pelo valor monetário necessário para a
aquisição de uma cesta de alimentos que detenha a quantidade calórica mínima à sobrevivência. A linha de
pobreza é o valor da linha de indigência acrescido do montante monetário capaz de arcar com despesas
básicas de transporte, vestuário e moradia.”.
Vitória, 22 a 25 de julho de 2012
Sociedade Brasileira de Economia, Administração e Sociologia Rural
3
um indicador fuzzy de pobreza para o Brasil, destacando os principais componentes da
distribuição territorial da pobreza urbana e rural no país.
2. A EVOLUÇÃO DO CONCEITO DE POBREZA
2.1. A visão unidimensional
Antes do surgimento do sistema capitalista, eram as comunidades locais –
principalmente as comunidades paroquiais – que se preocupavam com políticas de
contenção da pobreza (CODES, 2008). Após se instituir o modo de produção capitalista, a
necessidade de se definir, e combater, a pobreza veio à tona. Segundo este mesmo autor, os
pontos que definiriam a pobreza no século XX seriam, de forma cronológica: a
subsistência; as necessidades básicas; a privação relativa e; a pobreza como privação de
capacidades. O conceito de subsistência nasceu na Inglaterra do final do século XIX e
contemplaria “a família cuja renda não fosse suficiente para obter o mínimo necessário
para sua manutenção meramente física” (TOWNSEND, 1993).
A análise da pobreza era inicialmente feita com base na análise monetária
(quantitativa) da situação familiar (LOPES et al., 2003b). Por um lado, o uso de métodos
monetários – tais como a Linha de Indigência e a de Pobreza –, dá a informação de qual a
quantia de riqueza que uma família necessita para ter uma vida minimamente decente,
além de facilitar a comparação entre os países. Por outro lado, alguns dos pontos negativos
desta análise são (HOFFMANN, 1998): a arbitrariedade na escolha dos valores-piso das
linhas, pois não existe um critério apurado para sua escolha; a possibilidade de que, dentro
de uma economia de mercado, há conceitos que vão além da posse ou não de mercadorias
ou produtos bens e acesso a serviços, os quais são captados, de certa forma, pelos
rendimentos per capita.
Ao ver as dificuldades que este tipo de análise fornece, evolui-se para o conceito de
necessidades básicas, ou pobreza não-monetária (LOPES et al., 2003b). A questão das
necessidades básicas pode ser dividida em dois grupos: consumo de bens privados,
essenciais e primários, e; possibilidade de consumo de serviços essenciais, como água,
saúde, ensino, etc. (ROCHA, 2003:20). Para Sen (1988) o uso de medidas, exclusivamente
de subsistência, viesaria a pobreza rural, pois lá há maior interação entre os componentes
das famílias (uma maior solidariedade, nos termos utilizados), além de não levar em conta
mudanças estruturais, como uma das deficiências da abordagem não-monetária absoluta é a
necessidade de se comparar as estruturas de diferentes conjunturas dinâmicas. Para tal, há
necessidade de se relativizarem as medidas de pobreza. Segundo Rocha (1997), a pobreza
seria, neste contexto, a situação na qual não se teriam os “meios necessários para agir de
modo satisfatório no conjunto social em que se vive”.
Mesmo tendo passado da análise meramente monetária, indo para a visão de
privações de necessidades básicas, e chegando à análise relativa, em uma visão mais
apurada, Amartya Sen descreve a pobreza como um aglomerado de fatores: “as conotações
legais, as implicações políticas e sua pertinência social” (SEN, 1988:31). Para Salama e
Destremau (2001), autores que leram a visão de Sen, a pobreza não é consequência de
carências no bem-estar da família, mas sim “na inadequação dos meios econômicos
referentes à propensão das pessoas em convertê-las em capacidades de funcionar, e isto
num ambiente social, econômico e cultural particular” (SALAMA e DESTREMAU apud
CODES, 2008:21).
Vitória, 22 a 25 de julho de 2012
Sociedade Brasileira de Economia, Administração e Sociologia Rural
4
2.2. A abordagem multivariada
Salama e Destremau (2001) observam que a análise de pobreza parte, de forma
inevitável, de avaliações subjetivas que influenciam fatalmente os resultados finais:
variando o critério, pode-se incluir ou retirar mais pessoas da pobreza. Para os autores, há
necessidade de se incluir, em um indicador de pobreza, os vários aspectos que a
constituem, de modo a proporcionar uma análise mais acurada, construindo um plano de
ação que resolva, de forma mais satisfatória, o problema da pobreza.
A vantagem da análise multidimensional, sobre a univariada, é o espectro de temas
que nela podem ser tratados: pobreza monetária; escassez de dotações; uso da restrição
orçamentária e; elementos sociais – tais como analfabetismo – ajudam a explicar, de forma
mais consistente, o porquê de uma família ser mais ou menos pobre. Por exemplo,
populações pobres podem apresentar diferentes níveis de carência de renda, que dependem,
além do rendimento familiar, do acesso a uma série de itens básicos de infra-estrutura ou
benefícios sociais, como merenda escolar ou cesta básica alimentar (HOFFMANN, 2008).
Há diversas propostas de indicadores multidimensionais na literatura. Um ponto
pacífico na discussão da pobreza multidimensional é considerar mais pobre quem não
estiver satisfazendo um maior número de quesitos avaliados, ou seja, quanto mais pobre,
maior o número de privações2. Kageyama e Hoffmann (2006), por exemplo, definem três
categorias de pobreza, conforme ocorra essencialmente insuficiência de renda (pobre tipo
I), apenas falta de acesso a pelo menos dois de três equipamentos básicos – água
canalizada, banheiro e luz elétrica – (pobre tipo II), ou baixa renda combinada com a
ausência dos três equipamentos básicos (extremamente pobre).
Outros exemplos de indicadores multidimensionais são: o IDH, Índice de
Desenvolvimento Humano; o IDF, Índice de Desenvolvimento Familiar (BARROS et al.,
2003) e; o IPF, Índice de Pobreza Familiar (MARIN e OTTONELLI, 2008). O IDH é um
indicador que leva em conta quatro dimensões, que “se resumem à capacidade para ter uma
vida longa e saudável, adquirir conhecimentos e ter acesso aos recursos necessários a um
padrão de vida adequado” (PNUD apud ROLIM, 2005:5). Na visão de Barros et al. (2003),
o IDH foi um avanço na análise multidimensional de pobreza, mas com três limitações
principais. Primeiro, os indicadores são escolhidos arbitrariamente, e o seu peso também.
Marin e Ottonelli (2008), afirmam que “critica-se o tratamento simplista que se dá ao
desenvolvimento humano considerando apenas três dimensões e quatro indicadores”.
Segundo, a impossibilidade de redução do indicador ao núcleo familiar, por fazer uso de
dados agregados por região geográfica. E, terceiro, o IDH, para um país como um todo,
não pode ser calculado com a média dos valores dos estados.
A partir destas objeções, Barros et al. (2003) propõem o Índice de Desenvolvimento
Familiar, o IDF. O IDF é um indicador multidimensional que incorpora 48 indicadores,
divididos em 26 componentes e 6 dimensões. As dimensões consideradas são: acesso ao
conhecimento; disponibilidade de recursos; condições habitacionais; desenvolvimento
infantil; acesso ao trabalho e; ausência de vulnerabilidade. Uma limitação factível é a
definição de apenas variáveis binárias, dando total peso aos extremos. De forma análoga ao
IDF, o IPF é composto por 48 indicadores, e é melhor, em relação ao seu similar (o IPH,
Índice de Pobreza Humana), pelos mesmos fatores do IDF ser melhor do IDH. Entretanto,
2 O termo “privações” assume a conotação de “itens avaliados negativamente”, isto é, quanto maior o número
de itens básicos, que a família carece, maior o seu grau de pobreza. Ter renda abaixo do mínimo é
considerado, portanto, um elemento de privação.
Vitória, 22 a 25 de julho de 2012
Sociedade Brasileira de Economia, Administração e Sociologia Rural
5
o indicador apresenta um grande problema de levantamento de dados, caso queira-se
utilizar para comparação do nível de pobreza entre nações, pois exige que o pesquisador
levante informações que nem sempre são disponíveis, ou fáceis de obter.
A partir das análises apresentadas, podemos definir as principais vantagens da
análise multidimensional: a) leva em consideração mais de um aspecto; b) pode ponderar,
caso seja preciso, os itens avaliados; c) considera aspectos monetários, sociais e regionais;
d) abrange pessoas que, pelo aspecto monetário, poderiam não ser consideradas pobres.
Para dar prosseguimento à análise da pobreza multidimensional, apresentaremos, a seguir,
uma proposta de indicadores baseados na lógica fuzzy.
2.3. Fuzzy como método de análise multivariada
Dentre os métodos de análise multivariada da pobreza, um método que vem se
desenvolvendo desde inícios da década de 1990 é o da lógica fuzzy3. O conceito de fuzzy é
compreensível a partir da ideia de conjunto fuzzy (nebuloso), isto é, tudo aquilo que está
compreendido entre os valores extremos, que formam a lógica binária, de tudo (sim, ou 1)
e nada (não, ou 0). Desta forma, informações do tipo “mais rico” e “quase não pobre”
podem ser avaliadas por meio de funções de pertinência. Quanto mais o valor for próximo
de 1, maior o grau de pertinência.
Um primeiro passo para constituição de um indicador fuzzy pode ser dado a partir
do exemplo multidimensional. O valor “1” indicava o completamente pobre (ou seja, com
o menor grau de pertinência possível ao conjunto de características denotadas por “não-
pobreza”), o valor “½” comportava o pertencimento parcial à não-pobreza, pois a família
na condição ½ tem parte dos indicadores abaixo do mínimo da não-pobreza. Por fim, o
valor “0” descreve a família que pertence completamente à função de pertinência definida
por não-pobreza, isto é, que tem mais do mínimo necessário para ser considerado não
pobre. Ao se expandir o número de divisões, entre 0 e 1, para infinito, temos infinitos graus
de pertinências, gerando uma função contínua, onde temos a possibilidade de estabelecer
variados graus de pobreza, tais como “totalmente pobre”, “mais ou menos não-pobre”, etc.
O uso do método fuzzy para análise de pobreza se torna extremamente útil, pois é
uma análise que não considera apenas variáveis binárias (dicotômicas), mas também
variáveis contínuas e variáveis múltiplas. Em outras palavras, a lógica fuzzy consegue
apurar três tipos de variáveis. As variáveis binárias, cuja função de pertinência é um caso
especial onde só pode-se ter valores }1 0;{)( x , sendo assim o caso clássico. Neste tipo
de variável, não importa a quantidade do bem, mas o fato de tê-lo ou não. Um exemplo
deste tipo de variável é a posse do bem “geladeira”.
As variáveis qualitativas/múltiplas, onde só se pode ter, ou não, o bem, prezam pela
quantidade do bem (no caso das múltiplas), ou pela avaliação a respeito de uma condição
de interesse (para as variáveis qualitativas). No caso de variável múltipla, se estipula um
“piso” para se fugir da pobreza extrema (valor 0) naquele item, e um “teto” para se estar
acima da pobreza (valor 1)4. Para os valores intermediários, é feita uma ponderação, para
mensurar quão distante do mínimo/máximo aquela família se coloca – um exemplo deste
3 A teoria da lógica fuzzy foi originalmente proposta em 1973, por Lotif Zdehem (Zadeh, 1973).
4 A definição de limites inferior e superior à quantidade do bem é fundamental, e deve seguir critérios de
razoabilidade. Suponhamos que o número de anos de escolaridade defina a pobreza como variável binária
múltipla: em se tendo menos de 5 anos de escolaridade pode-se considerar pobre a pessoa, naquele quesito,
enquanto, acima de 11 anos de escolaridade, pode-se considerar não-pobre.
Vitória, 22 a 25 de julho de 2012
Sociedade Brasileira de Economia, Administração e Sociologia Rural
6
tipo de variável pode ser a escolaridade, onde o número de anos importa para definir
possíveis condições de trabalho. No caso de variável qualitativa, se definem pontuações
para cada grau possível de resposta, e se define um mínimo e máximo de pontos para se
estar no nível de pobreza – um exemplo seria a avalição das condições de vivência no
bairro, sendo “ótimas” o valor 0, “péssimas” o valor 1, e valores, entre “muito ruins” e
“muito boas”, ponderados.
Por fim, as variáveis contínuas, sendo este último tipo de variável constituído por
elementos onde variações infinitesimais (ou muito pequenas) resultam em diferenças
consistentes nos resultados. A variável contínua tem, como para variáveis múltiplas, a
necessidade de se definir um valor mínimo para fugir da pobreza extrema e um mínimo
para ser considerado não-pobre. Um exemplo deste tipo de variável é a restrição
orçamentária5, onde o limite inferior pode ser a linha de pobreza e, o limite superior, um
múltiplo dela.
As vantagens, do uso deste método em relação à análise multidimensional
convencional residem na possibilidade de manipular, com mais facilidade, os limites para
definição de pobreza – limites estes que podem mudar devido a políticas macroeconômicas
variadas, além de alterações na conjuntura econômica nacional. Além disso, o uso da
lógica fuzzy ordena, no caso de variáveis múltiplas e contínuas, as famílias por nível de
pertencimento àquela função, com ajuda de funções de distribuição de população. Em
outras palavras, a análise dos dados usados na lógica fuzzy permite mensurar as
discrepâncias entre cada família, a respeito de uma ou mais condições avaliadas,
permitindo maior eficácia de políticas de contenção e combate à pobreza, além de permitir
detectar quais são as variáveis que mais influenciaram um indicador de pobreza mais
próximo de 0 ou 1.
3. MÉTODO DE ANÁLISE
Baseado no TFR, o indicador fuzzy de pobreza (IFP) proposto neste trabalho será
constituído por dois tipos de variáveis – binárias e contínuas –, constituindo 28 dimensões
de análise e seis grupos de características, oriundas dos dados da PNAD de 2008.
3.1. Metodologia do indicador fuzzy de pobreza
Para constituirmos um indicador fuzzy de pobreza, começaremos apresentando a
divisão baseada no TFS. Para este estudo, as variáveis múltiplas e qualitativas foram
transformadas em variáveis binárias, de modo a evitar a parametrização de limites, que
podem tornar a análise tendenciosa. Assim sendo, têm-se as variáveis binárias (δ) e, neste
caso, é relevante definir se a família tem ou não um determinado bem:
0 se 1
1 se 0)(
ij
ij
ij
O outro tipo de variáveis deste estudo é composto pelas contínuas (ξ). Neste caso, é
interessante definir o quão longe do mínimo se encontra a família. Se a família estiver
5 Ao pensarmos em “restrição orçamentária”, a ideia é refletir não só o salário da pessoa de referência da
família, mas também rendas recebidas unilateralmente – e em caráter contínuo –, como auxílios
governamentais.
Vitória, 22 a 25 de julho de 2012
Sociedade Brasileira de Economia, Administração e Sociologia Rural
7
acima do teto de pobreza6, será considerada não-pobre. Em outras palavras, o indicador de
pobreza μ, da família j, quanto ao bem contínuo ξi, será dado por:
míniij
máximíniij
mínimáxi
ijmáxi
máxiij
ij
,
,,
,,
,
,
0 se 1
; se
se 0
)(
Por outro lado, esta visão, a respeito das variáveis contínuas, não leva em conta a
relatividade da pobreza dentro do contexto local. Para tal, Cheli e Lemmi (1995)
propuseram um indicador que leve em conta a relatividade da pobreza. Na visão dos
autores (1995:124), o indicador fuzzy é relativo, pois: a colocação de uma família, frente a
outras como pobre ou não, depende do contexto sócio-geográfico em que ela se coloca, e; a
pobreza é relativizada a partir do momento que se considera mais pobre a família onde um
maior número de “sintomas de pobreza” são observados.
Os autores destacam que, para variáveis dicotômicas, a definição via TFS é
equivalente à TFR. As variáveis qualitativas, mesmo que não representem sintomas de
pobreza, podem ser vistas como medidores do risco de pobreza, mas a sensação de pobreza
é igual nestes quesitos, já que a “qualitatividade” parte do pressuposto de se ter uma
avaliação com atribuição de pontuações idênticas para todos os entrevistados. As variáveis
múltiplas utilizadas terão seus tetos e pisos baseados em critérios estatísticos simples – a
taxa de fecundidade, por exemplo, não faz sentido ser relativa, já que a família não será
mais rica ou pobre se tiver mais ou menos filhos dentro do seu contexto sócio-geográfico.
A justificativa, portanto, do uso da relatividade para variáveis contínuas, parte do
pressuposto simples de que, dependendo do contexto situacional da família, uma renda
maior ou menor poderá influenciar o nível de pobreza.
Assim sendo, o indicador assume a seguinte forma: assume-se que ij possa ser
ordenado, do menor para o maior valor obtenível7. Desta forma, constitui-se um indicador
relativo, que defina o grau de pobreza com base na colocação da pessoa dentro da
sociedade em que vive. No nosso caso, como a ordenação será decrescente – isto é, do
menos pobre para o mais pobre – o valor 0 será atribuído ao “menos pobre”, e assim
sucessivamente. Para obter o indicador relativo, )( ij , obtém-se indicadores por família
ρi, e ordenam-se do menor valor para o maior – ordenando com base no nível que o
indicador define como pobreza. O valor mais afastado é o menos pobre do grupo,
atribuindo-lhe valor zero. Aos subsequentes, atribui-se o valor que corresponde ao valor
)( )1( mij de pobreza, somado à variação, entre )(mi e )1( mi , relacionada com a
amplitude total da função de distribuição de probabilidades. Assim sendo:
6
Sempre que houver necessidade de definição de tetos e pisos, esta será feita de forma arbitrária, tomando
por base valores médios.
7 Ao se definir o menor valor, entenda-se o menor valor de pobreza. Se o menor valor for o maior salário,
este será o valor )1(i , o segundo será )2()1( imi , e assim por diante.
Vitória, 22 a 25 de julho de 2012
Sociedade Brasileira de Economia, Administração e Sociologia Rural
8
)1( )(1
)()()(
)1( se 0
)(
)1(
)1()(
)1(
)(
mF
FF
m
ij
mijmij
mij
miij
ij
Para agregar os dados obtidos, a sugestão é:
i
n
i
ijj Xp 1
)( (1)
Onde Xi é o bem representado, sendo que },,,,{ X , )( ij X é o indicador
de pobreza da família j no bem i e ωi representa a ponderação de cada indicador. A
ponderação sugerida8 leva em consideração a proporção de desprovidos daquele bem
medido por )( ij X , e a ponderação ωi é a razão entre o logaritmo do inverso da média, do
indicador )( ij X , e a soma destes logaritmos:
)(1
)( ,)(
1ln
)(
1ln
1
ii
n
i ii
i Xn
XXX
(2)
Para obtermos, enfim, um indicador que agregue todas as famílias, teremos a
seguinte transformação:
n
j
jpn
FIP1
1 (3)
Um último elemento, levado em conta, é o fator de expansão da amostra da PNAD
(λj). Deste modo, o indicador fuzzy ponderado será dado pela média ponderada da soma dos
indicadores individuais pelos pesos:
jji
n
i
ijjj pXp
0 ,)(1
(4)
n
j
jp pFIP1
1
(5)
3.2. Composição do indicador
Para calcular o IFP, teremos 6 categorias de características analisadas9, cada uma
retratando variáveis binárias, múltiplas, qualitativas e contínuas. As componentes oriundas
da PNAD são: necessidades básicas (NB); bens de consumo (BC); condições de ensino
(CE); condições de trabalho (CT); renda (RN); e condições de saúde (CS).
Quanto às necessidades básicas (NB), o objetivo é analisar características básicas a
respeito da habitação, além de a presença de elementos vitais, para que uma condição de
vida digna seja mantida na moradia. Neste conjunto, as variáveis que foram estudadas
trazem informações a respeito de: i) quantidade de cômodos; ii) presença de água
canalizada; iii) número de banheiros; iv) tipo de esgoto e de colheita de lixo; e v) tipo de
iluminação. Para os bens de consumo (BC), serão analisados bens que estão presentes em
8 Cerioli e Zani apud Miceli (1998:12).
9 Os elementos constitutivos do indicador são baseados nos estudos de: Betti e Verma (1998, 2004); Miceli
(1998); Carvalho, et al. (2000); Pacheco et al. (2010); Picolotto (2006); e Lopes (2003a, 2003b). Além disto,
a escolha foi dirigida pelos dados do questionário aplicado para a PNAD 2008. O uso da PNAD 2008 se deve
ao fato de esta ter aplicado um questionário especial, a respeito das condições de saúde dos entrevistados.
Vitória, 22 a 25 de julho de 2012
Sociedade Brasileira de Economia, Administração e Sociologia Rural
9
grande parte das moradias: i) celular; ii) fogão (seja de uma ou mais bocas); iii) televisão
(seja a cores ou não); iii) aparelho de DVD; iv) geladeira (de uma ou duas portas); v)
máquina de lavar roupas; vi) computador pessoal (com e sem internet); e vii) o meio de
locomoção (seja veículo automotor de duas ou quatro rodas).
Quanto concerne às condições de ensino (CE), procura-se entender qual o
desenvolvimento das condições de ensino dentro da família. Para tal, se extraíram da
PNAD as variáveis a respeito de: i) nível de ensino alcançado; ii) fator de evasão escolar
(calculado para crianças de 7 a 14 anos); e iii) analfabetismo (calculado para pessoas acima
de 7 anos). Para as condições de trabalho (CT), pretende-se avaliar os elementos, no
âmbito familiar, que condicionam uma situação precária de inserção no mercado de
trabalho. Deste modo, consideram-se os seguintes elementos: i) condição de emprego,
definida pelas informações sobre emprego – e, se o entrevistado não trabalha, se tem
procurado emprego –, carteira assinada – apenas para empregados – e contribuição para a
previdência – seja para empregados ou não -; e ii) trabalho infantil (para crianças de 5 a 9
anos). Quanto à dimensão de renda (RN), será medida exclusivamente pela renda familiar
per capita. Por fim, nas condições de saúde (CS), o objetivo é identificar as condições de
salubridade dos integrantes da família. Para tal, observaram-se: i) estado de saúde; ii)
existência de um plano de saúde; iii) número de natimortos.
Desta forma, ao analisar os resultados, será possível diagnosticar quais
componentes influenciaram mais no resultado final. Após ter feito o cálculo, para todos os
indicadores de uma determinada família, a agregação será dada por (4), já definida
anteriormente, cujos pesos, em (2), serão definidos após se apurarem todos os resultados da
PNAD. Após ter obtido os indicadores para todas as famílias , a média dessas, por estado,
será calculada. A soma dos j-ésimos indivíduos comporá o indicador por macrorregião, e a
soma de todos os indivíduos dará o indicador fuzzy nacional.
A partir destas informações, a análise será feita por domicílio, estudando cada
componente e agregando os resultados nos grupos e, ao fim, no indicador por família. Com
base nos elementos acima citados, o indicador familiar será dado por (4), onde os pesos ωi
serão atribuídos a posteriori. O problema surge ao se analisar as variáveis contínuas. Para
se utilizar a relatividade, há necessidade de se definir o conjunto de famílias que comporá o
núcleo de comparação. A solução adotada neste trabalho foi agregá-las por estados, onde
as condições salariais e de gasto sejam mais uniformes, de modo a constituir núcleos de
comparação. Como há variáveis múltiplas e qualitativas, estas precisam ter seus piso e teto
definidos, de modo a formalizar os cálculos do indicador. Para as variáveis qualitativas, os
limites inferior e superior serão determinados, respectivamente, pela menor e a maior
observação do questionário da PNAD. Para as variáveis múltiplas, há necessidade de
limites válidos para todos os entrevistados.
4. ANÁLISE DOS RESULTADOS
Com uso dos dados da PNAD 2008, pretendemos determinar (em escala estadual) o
valor do índice fuzzy, e, por fim, analisar os valores para cada estado. Além disto, este
artigo objetiva comparar a pobreza urbana e rural, valendo-se da variável “situação
censitária” para definir as respectivas áreas. Partindo das colocações postas nas seções
anteriores, foram obtidos valores para cada componente, de modo a obter resultados
estaduais, macrorregionais e nacional. Os dados por estado estão no Apêndice 1, junto com
o ranking nacional.
Vitória, 22 a 25 de julho de 2012
Sociedade Brasileira de Economia, Administração e Sociologia Rural
10
A Figura 1 apresenta a distribuição espacial dos estados segundo o IFP. Como
esperado, os resultados constatam os menores índices de pobreza nas regiões Sul e
Sudeste. Por outro lado, os estados do Norte e Nordeste mostram um sério atraso em
relação à média (0,34). Analisando-se os dados por estado, dentre os primeiros 10 estão
todos os estados dos Sudeste, Sul e Centro-Oeste (exceção feita a Mato Grosso e Mato
Grosso do Sul), enquanto, entre os 5 piores, todos são do Nordeste, excetuando o Acre.
Figura 1 – Mapa do Brasil por IFP-Rural e IFP-Urbano
Fonte: elaboração própria através do software Philcarto.
Ao fazer uma análise mais circunstanciada das componentes por estado (Apêndice
2), em apenas dois casos (Distrito Federal e Rio de Janeiro) a componente que mais
contribuiu para reduzir o valor do IFP foi a componente CE, enquanto para todos os outros
estados foi a componente CT. Por outro lado, a componente que mais pesou para aumentar
o indicador, em todos os estados, foi a componente RN, exceção feita ao Maranhão e ao
Piauí, onde a componente NB foi mais significativa. A elevada assimetria da distribuição
dos rendimentos seria um importante determinante do elevado grau de pobreza relativa em
todos os estados. Por sua vez, os estados do Maranhão e Piauí padeceriam ainda de
condições extremamente precárias no que se referem às necessidades básicas para uma
família sair da condição de pobreza.
Os dados do Apêndice 2 também fornecem evidências para entender porque o
Distrito Federal é o estado menos pobre do Brasil, enquanto a Bahia é o estado que
preenche um menor número de características necessárias para escapar da pobreza. No
cálculo do IFP, percebe-se que o maior peso é definido na componente de renda (RN),
enquanto o de menor peso cabe ao das condições de trabalho (CT)10
. Há, entretanto, um
problema em se analisar tais coeficientes: cada componente é resultado da média aritmética
de suas subcomponentes; deste modo, qual é o peso que cada elemento tem, dentro da
componente? Pelos dados apresentados, fica claro que a renda, mesmo que não seja a única
variável fundamental, tem um peso significativo, se considerada individualmente.
10
Os pesos são apresentados nos Apêndices 2 e 3, em porcentagem.
Vitória, 22 a 25 de julho de 2012
Sociedade Brasileira de Economia, Administração e Sociologia Rural
11
É claro que, se cada subcomponente fosse considerada singularmente, todas teriam,
aproximadamente, o mesmo peso, e isto não teria sentido para a análise, já que as
subcomponentes fazem sentido para explicar uma componente como um todo, e não para
serem comparadas entre si. Ao se comparar duas subcomponentes, de componentes
diferentes, está se supondo que estas duas subcomponentes tenham a mesma importância
dentro de uma única dimensão. Isto não é plausível, já que não se pode comparar uma
subdimensão NB com uma subdimensão RN, por exemplo. As componentes que
constituem o indicador têm médias distintas, mas têm pesos similares. Isto se explica pela
aplicação da variável λj, que faz com que se atribua a verdadeira importância a cada sujeito
da amostra. Como já dito anteriormente, a componente RN teve o maior índice médio,
enquanto a componente CT é mais de 2 vezes menor.
Outro ponto relevante da análise é a diferença entre o IFP nas áreas urbanas (IFP-
U) e rurais (IFP-R) (Figura 2). Com exceção do Distrito Federal, em todas as unidades da
federação a pobreza é mais intensa nas áreas rurais que nas áreas urbanas. Destaque pode
ser dado aos estados das regiões mais desenvolvidas (Sul e Sudeste), onde em muitas
situações a diferença ultrapassa 10%. Em outras palavras, teríamos um grau de
desenvolvimento mais assimétrico entre as áreas urbanas e rurais nos estados mais
desenvolvidos. Na região Norte as diferenças são menores, dado, provavelmente, ao menor
grau de desenvolvimento das áreas urbanas e, assim, menor diferença em relação às áreas
rurais.
Figura 2 – Distribuição do IFP, por área urbana e rural
Fonte: Elaboração própria.
Os principais resultados mostram um cenário de pobreza relativamente alta (cujos
valores médios giram em torno de 0,34), sendo que podem ser vistas duas categorias, bem
distintas entre elas, de nível de pobreza (em âmbito nacional): os estados mais avançados
(grupo A), com indicadores entre 0,25 e 0,30; os estados em progresso (grupo B), com
Vitória, 22 a 25 de julho de 2012
Sociedade Brasileira de Economia, Administração e Sociologia Rural
12
indicadores entre 0,30 e 0,35; e os estados atrasados (grupo C), com indicadores acima de
0,35. Ao se propor esta subdivisão para as áreas urbana e rural, há apenas dois estados que
têm suas regiões estritamente no grupo A (SP e DF), outros dois só no grupo B (ES e PR).
Quanto aos outros 23 estados, 15 estão totalmente no grupo C, 5 que têm uma das áreas no
grupo B e outra no C, e 3 com suas áreas entre os grupos A e B. Em outros termos, há
muitos estados atrasados tanto nas áreas urbanas, quanto nas rurais.
Tabela 1 – Distribuição dos estados por grupo de pobreza
Região/Grupos Rural
A B C Total
Urb
an
o A 2 3 0 5
B 0 2 5 7
C 0 0 15 15
Total 2 5 20 27
Cabe a pergunta: quais as componentes que moveram a estes resultados? Fica claro,
pelos dados (Apêndice 3), que, tanto na área urbana quanto na rural, a componente que
mais influenciou para a melhora do IFP é a componente CT, enquanto a componente que
empurra o indicador para cima é, de forma quase unânime no Brasil urbano, a componente
de RN e, para as áreas rurais, a componente NB. Como visível Figura 3, onde são
representadas as principais subcomponentes – por maiores médias – os motivos de a área
rural ser bem mais pobre da urbana são evidentes: em todas as principais subcomponentes,
excetuando-se o número de cômodos, há um indicador médio maior nas áreas não urbanas.
Figura 3 – Média, urbana e rural, das principais subcomponentes do IFP
Fonte: elaboração própria.
Vitória, 22 a 25 de julho de 2012
Sociedade Brasileira de Economia, Administração e Sociologia Rural
13
Quais, enfim, as principais razões de haver tais disparidades? Algumas razões
possíveis residem, sem prejuízo para as análises, na população atualmente residente na área
urbana e na rural. Os condicionantes de tais disparidades podem residir em problemas no
direcionamento de políticas públicas. Este problema poderia ser corrigido identificando as
condições mais vulneráveis nas áreas urbanas e rurais. Por exemplo, há muitas
necessidades básicas, como acesso a água canalizada e consumos dependentes do
fornecimento de energia elétrica (geladeira), que são importantes determinantes do elevado
grau de pobreza nas áreas rurais. Outros fatores fundamentais são as condições de ensino e
saúde nas áreas rurais.
5. CONCLUSÕES
Estudou-se e constituiu-se, neste trabalho, uma alternativa aos atuais indicadores
multidimensionais de pobreza, com base na metodologia da lógica fuzzy. O objetivo do
estudo foi constituir um indicador mais abrangente e, por conseguinte, mais consistente das
múltiplas condições de exclusão da população brasileira. Especial atenção foi dada às
diferenças entre a pobreza nas áreas urbanas e rurais, assim como seus principais
determinantes.
Desde o aparecimento do capitalismo como modo de produção preponderante, a
preocupação com a pobreza esteve em alta, em busca de soluções para que a população
como um todo emerja do status de necessidade. Ao evoluir, a necessidade de entender o
que condiciona a pobreza se fez sempre mais importante, e métodos mais consistentes e
abrangentes foram sendo desenvolvidos, resultando em melhora generalizada da
mensuração das condições de vida da população.
Na evolução do estudo, percebeu-se também que não existe a possibilidade de
substituir um indicador univariado por um multivariado. O uso desses depende, em grande
medida, das necessidades e das questões envolvidas no âmbito de políticas públicas.
Apesar de serem mais abrangentes na contextualização da pobreza, uma importante
limitação dos indicadores multidimensionais é a disponibilidade de informações periódicas
e precisas sobre as condições de vida da população. A ponderação dos componentes
determinantes da pobreza podem também influenciar o resultado das análises. O mais
importante é, entretanto, entender as carências da população em relação a cada
componente, sendo o indicador sintético uma medida geral e simplificada das condições
gerais da população.
A partir dos estudos de autores como Cerioli e Zani (1990) e Miceli (1998), cresce
uma corrente na análise de pobreza que julga não ser esta uma mera solução binária, ou, no
limiar, uma solução por intervalos de classe, nos moldes das análises convencionais. A
necessidade de entender a pobreza, como um sistema relativo e intrínseco da sociedade em
que a família vive, é fundamental, de modo que indicadores que interiorizem o caráter
relativo da pobreza precisam ser desenvolvidos.
O uso da relatividade para as variáveis de renda foi um dos resultados deste
trabalho, além de incorporar indicadores de pobreza absoluta (variáveis binárias).
Ademais, o IFP considerou a relatividade do indivíduo à população de seu estado de
residência, onde, por exemplo, as condições de empregabilidade e consumo seriam mais
semelhantes.
Em suma, o estudo produziu dados que, de fato, constatam o extremo grau de
exclusão da população. O Brasil apresentou, em 2008, um grau de pobreza de 0,34, além
Vitória, 22 a 25 de julho de 2012
Sociedade Brasileira de Economia, Administração e Sociologia Rural
14
de extremas diferenças entre os estados e áreas urbanas e rurais. Esses resultados geram
uma série de questionamentos, sobretudo no que se refere às políticas de combate à
pobreza nas áreas urbanas e rurais. O Brasil precisa ainda avançar muito no combate à
pobreza, sobretudo nas áreas rurais, onde ainda faltam elementos básicos para uma vida
decente, além de condições adequadas de ensino e saúde. Outro problema remete-se à
concentração da pobreza em estados da região Nordeste, apesar dos esforços realizados
para direcionamento das políticas públicas nas regiões menos favorecidas do país.
Todas essas questões refletem, sem dúvida alguma, os problemas que o país
enfrenta, e mostram como há muito a se fazer. Embora nos últimos anos o Brasil tenha
alcançado taxas elevadas de crescimento econômico e pleiteado uma posição de destaque
no cenário internacional, é ainda necessário atentar para as condições de extrema pobreza e
desigualdade que persistem no país. Essas mudanças não são de curto prazo e exigem,
antes de tudo, uma constante revisão do conceito de pobreza, para considerar, entre outras
coisas, as frequentes transformações pelas quais passa o país e a nova forma de inserção
dois indivíduos na sociedade.
REFERÊNCIAS BIBLIOGRÁFICAS
BARROS, R.; CARVALHO, M.; FRANCO, S. O Índice de Desenvolvimento Familiar
(IDF). Rio de Janeiro: IPEA, Texto para Discussão n. 986, 2003.
BETTI, G.; VERMA, V. A methodology for the study of multi-dimensional and
longitudinal aspects of poverty and deprivation. Università degli Studi di Siena,
Siena, nov./dez. 2004.
______. Measuring the degree of poverty in a dynamic and comparative context: A
multi-dimensional Approach using fuzzy set theory. Working Papers. Università degli
Studi di Siena, Siena, n. 22, 1998.
CARVALHO, M.; KERSTENETZKY, C.L.; DEL VECCHIO, R. Uma aplicação da
teoria dos conjuntos fuzzy na análise da pobreza: o caso das Regiões Metropolitanas
do Sudeste brasileiro. Universidade Federal Fluminense. Rio de Janeiro, 2000.
CERIOLI, A.; ZANI, S. A fuzzy Approach to the measurement of poverty. In: DAGUM,
C.; ZENGA, M. (Eds.). Income and Wealth Distribution, Inequality and Poverty:
Studies in Contemporary Economics. Berlin: Springer Verlag, 1990, p. 272-284.
CHELI B.; LEMMI A. A Totally Fuzzy and Relative Approach to the Multidimensional
Analysis of Poverty. Economic Notes by Monte dei Paschi di Siena. Siena, v. 24, n. 1,
p.115-134, jan. 1995.
CODES, A. L. M. A trajetória do pensamento científico sobre pobreza: em direção a
uma visão complexa. Rio de Janeiro: IPEA, Texto para Discussão n. 1332, abr. 2008.
DINIZ, M.B.; DINIZ, M.D. Um indicador comparativo de pobreza multidimensional a
partir dos objetivos do desenvolvimento do milênio. Economia Aplicada, São Paulo, v.
13, n. 3, p. 399-423, abr./jun. 2009.
FILIPPONE, A.; CHELI, B.; D’AGOSTINO, A. Addressing the interpretation and the
aggregation problems in Totally Fuzzy and relative poverty measures. ISER
Working Papers. University of Essex, Colchester, n. 22, out. 2001.
GUSTAFSSON, B. Assessing Poverty: Some Reflections on the Literature. Journal of
Population Economics, v. 8, n. 4, 1995, pp. 361-381.
Vitória, 22 a 25 de julho de 2012
Sociedade Brasileira de Economia, Administração e Sociologia Rural
15
HAGENAARS, A.J.M.; DE VOS, K. The definition and measurement of poverty. The
Journal of Human Resources, v. 23, n. 2, p. 211-221, Spring 1988.
HOFFMANN, R. Distribuição de renda – Medidas de desigualdade e pobreza. São Paulo:
Editora da Universidade de São Paulo, 1998. 275p.
_______. Determinantes da insegurança alimentar no Brasil: Análise dos dados da PNAD
de 2004. Segurança Alimentar e Nutricional, v. 15, p. 49-61, 2008.
KAGEYAMA, Â.; HOFFMANN, H. Pobreza no Brasil: uma perspectiva
multidimensional. Economia e Sociedade, Campinas, v. 15, n. 1 (26), p. 79-112,
jan./jun. 2006.
LOPES, H. M.; MACEDO, P. B. R.; MACHADO, A. F. Indicador de pobreza: aplicação
de uma abordagem multidimensional ao caso brasileiro. Texto para Discussão n. 223.
Belo Horizonte: CEDEPLAR, out. 2003.
______. Análise de pobreza com indicadores multidimensionais: uma aplicação para
Brasil e Minas Gerais. 2003. 76 p. Dissertação (Mestrado em Economia). CEDEPLAR
– Faculdade de Ciências Econômicas (UFMG), Belo Horizonte.
MAIA, A. G.; BUAINAIN, A. M. Pobreza objetiva e subjetiva no Brasil. Confins, n. 13,
2011.
MARIN, S. R.; OTTONELLI, J. Medida multidimensional de pobreza: um exercício em
Palmeira das Missões – RS. REDES, Santa Cruz do Sul, v. 13, n. 3, p. 241-265, set./dez.
2008.
MICELI, D. Measuring poverty using fuzzy sets. Discussion Paper. University of
Canberra, Canberra, n. 38, dez. 1998.
NEDER, H. D.; BUAINAIN, A. M.; SILVA, G. J. C. Rural Poverty in Brazil: a
multidimensional measurement approach. Anais do 33o Encontro Brasileiro de
Econometria, Foz do Iguaçu, 2011.
PACHECO, K.; DEL VECCHIO, R.; KERSTENETZKY, C. Pobreza Fuzzy
multidimensional: uma análise das condições de vida na Zona Oeste do Rio de Janeiro:
1991 a 2000. Texto para Discussão n. 30. Rio de Janeiro: CEDE, set. 2010.
PICOLOTTO, V. C. Pobreza e desenvolvimento sob os paradigmas da renda e das
capacitações: uma aplicação para a Grande Porto Alegre através de indicadores fuzzy.
2006. 143 p. Dissertação (Mestrado em Economia). Faculdade de Ciências Econômicas
(UFRGS), Porto Alegre.
ROCHA, S. Pobreza no Brasil: afinal, de que se trata? Rio de Janeiro: Ed. FGV, 2003.
244p.
______. On Statistical Mapping of Poverty: Social Reality, Concepts and Measurement.
In: Seminar on Poverty Statistics. Santiago, 1997.
SALAMA, P.; DESTREMAU, B. O tamanho da pobreza: economia política da
distribuição de renda. Petrópolis: Ed. Garamond, 2001.
SEN, A. The concept of development. In: CHENERY, H., SRINIVASAN,T.N. (Eds.).
Handbook of development economics. Amsterdam: Elsevier Science, 1988. v.1, p.9-
26.
TOWNSEND, P. The International Analysis of Poverty. Hertfordshire: Harvester
Wheatsheaf, 1993.
ZADEH, L. Outline of a new approach to the analysis of complex systems and decision
processes. IEEE Trans. Systems, Man and Cybernetics, v. 3: pp. 28–44, 1973.
Vitória, 22 a 25 de julho de 2012
Sociedade Brasileira de Economia, Administração e Sociologia Rural
16
APÊNDICE 1 – Valor do IFP por Estado, base PNAD 2008.
Estado IFP-Urbano IFP-Rural IFP-Nacional
11 RO 0,3708 22 0,3780 13 0,3728 19
12 AC 0,3798 23 0,4128 23 0,3865 23
13 AM 0,3554 14 0,3835 14 0,3600 13
14 RR 0,3415 10 0,3772 11 0,3469 10
15 PA 0,3703 21 0,3974 18 0,3772 21
16 AP 0,3691 18 0,3937 16 0,3695 17
17 TO 0,3702 20 0,4113 21 0,3806 22
21 MA 0,3977 25 0,4326 26 0,4085 25
22 PI 0,4061 27 0,4244 25 0,4129 26
23 CE 0,3607 15 0,3930 15 0,3681 15
24 RN 0,3701 19 0,3778 12 0,3723 18
25 PB 0,3644 16 0,4175 24 0,3760 20
26 PE 0,3523 13 0,3996 20 0,3635 14
27 AL 0,3798 24 0,4115 22 0,3900 24
28 SE 0,3467 12 0,3991 19 0,3554 12
29 BA 0,4037 26 0,4477 27 0,4173 27
31 MG 0,3116 7 0,3546 9 0,3178 7
32 ES 0,3238 9 0,3449 7 0,3275 9
33 RJ 0,2880 4 0,3337 6 0,2896 3
35 SP 0,2819 2 0,2909 2 0,2824 2
41 PR 0,3040 6 0,3220 3 0,3068 6
42 SC 0,2870 3 0,3258 4 0,2938 4
43 RS 0,2881 5 0,3319 5 0,2963 5
50 MS 0,3646 17 0,3968 17 0,3692 16
51 MT 0,3442 11 0,3753 10 0,3505 11
52 GO 0,3225 8 0,3521 8 0,3255 8
53 DF 0,2813 1 0,2771 1 0,2810 1
Vitória, 22 a 25 de julho de 2012
Sociedade Brasileira de Economia, Administração e Sociologia Rural
17
APÊNDICE 2 – Valores do IFP e de suas componentes por Estado, base PNAD 2008.
Região Estado
Componentes
Média
Estadual NB BC CS CE CT RN
16,96% 16,58% 16,87% 15,83% 15,47% 18,30%
N
11 RO 0,4756 0,3595 0,3744 0,2675 0,2252 0,5035 0,3727
12 AC 0,4546 0,4211 0,3940 0,2794 0,2221 0,5163 0,3864
13 AM 0,4383 0,3631 0,3600 0,2461 0,2186 0,5026 0,3600
14 RR 0,4151 0,3217 0,3681 0,2347 0,2137 0,4965 0,3469
15 PA 0,4833 0,3937 0,3755 0,2585 0,2333 0,4898 0,3772
16 AP 0,4183 0,4367 0,3472 0,2459 0,2218 0,5155 0,3695
17 TO 0,4623 0,4103 0,3850 0,2638 0,2321 0,5006 0,3806
NE
21 MA 0,5071 0,4573 0,4103 0,3062 0,2406 0,5014 0,4085
22 PI 0,5352 0,4516 0,3904 0,3198 0,2535 0,5004 0,4129
23 CE 0,4247 0,3907 0,3654 0,2706 0,2413 0,4893 0,3681
24 RN 0,4196 0,3603 0,3918 0,2916 0,2419 0,5009 0,3722
25 PB 0,3993 0,3799 0,3947 0,3099 0,2459 0,5008 0,3760
26 PE 0,4010 0,3694 0,3742 0,2739 0,2411 0,4945 0,3635
27 AL 0,3989 0,4426 0,4021 0,3358 0,2343 0,5013 0,3900
28 SE 0,3685 0,3488 0,3762 0,2775 0,2330 0,5007 0,3554
29 BA 0,4045 0,4150 0,3758 0,2726 0,2416 0,7428 0,4172
SE
31 MG 0,3014 0,3052 0,3165 0,2449 0,2110 0,4987 0,3178
32 ES 0,3315 0,2992 0,3442 0,2427 0,2171 0,5007 0,3275
33 RJ 0,2193 0,2501 0,3084 0,2099 0,2212 0,4997 0,2895
35 SP 0,2551 0,2185 0,2835 0,2067 0,1983 0,5011 0,2824
S
41 PR 0,3265 0,2355 0,3253 0,2214 0,2034 0,4969 0,3067
42 SC 0,2769 0,2096 0,3304 0,2197 0,1935 0,5005 0,2937
43 RS 0,2786 0,2298 0,3003 0,2288 0,2064 0,5038 0,2963
CO
50 MS 0,3025 0,3133 0,3293 0,2460 0,2163 0,7540 0,3692
51 MT 0,4119 0,3297 0,3626 0,2467 0,2194 0,5016 0,3504
52 GO 0,3065 0,3044 0,3459 0,2475 0,2182 0,5012 0,3254
53 DF 0,2618 0,1910 0,3069 0,1848 0,2078 0,5016 0,2810
Brasil 0,3510 0,3188 0,3424 0,2479 0,2217 0,5262 0,3399
Vitória, 22 a 25 de julho de 2012
Sociedade Brasileira de Economia, Administração e Sociologia Rural
18
APÊNDICE 3 – IFP (urbano e rural) e suas componentes por Estado.
Est.
Componentes (colunas esquerdas: urbano – colunas direitas: rural)
NB BC CS CE CT RN Média
Estadual 16,96% 16,58% 16,87% 15,83% 15,47% 18,30%
11 0,433 0,588 0,362 0,352 0,374 0,376 0,267 0,269 0,227 0,221 0,529 0,435 0,371 0,378
12 0,394 0,694 0,422 0,418 0,393 0,399 0,277 0,290 0,221 0,225 0,539 0,425 0,380 0,413
13 0,402 0,622 0,362 0,368 0,359 0,367 0,246 0,246 0,219 0,219 0,513 0,450 0,355 0,383
14 0,383 0,592 0,314 0,365 0,367 0,376 0,231 0,253 0,213 0,216 0,508 0,433 0,341 0,377
15 0,429 0,639 0,393 0,395 0,374 0,379 0,257 0,262 0,233 0,233 0,504 0,449 0,370 0,397
16 0,415 0,606 0,436 0,464 0,347 0,346 0,246 0,242 0,222 0,221 0,517 0,454 0,369 0,394
17 0,391 0,670 0,401 0,439 0,382 0,393 0,260 0,274 0,230 0,240 0,526 0,427 0,370 0,411
21 0,426 0,687 0,456 0,460 0,407 0,417 0,305 0,310 0,241 0,239 0,522 0,456 0,398 0,433
22 0,449 0,680 0,456 0,445 0,390 0,391 0,322 0,316 0,255 0,251 0,537 0,439 0,406 0,424
23 0,365 0,622 0,391 0,389 0,363 0,373 0,270 0,273 0,241 0,242 0,506 0,435 0,361 0,393
24 0,381 0,520 0,359 0,363 0,392 0,392 0,291 0,294 0,242 0,243 0,527 0,432 0,370 0,378
25 0,332 0,639 0,370 0,415 0,391 0,407 0,303 0,333 0,244 0,252 0,519 0,437 0,364 0,418
26 0,333 0,620 0,359 0,402 0,370 0,389 0,268 0,293 0,241 0,242 0,515 0,428 0,352 0,400
27 0,326 0,553 0,447 0,433 0,411 0,383 0,343 0,321 0,235 0,233 0,495 0,515 0,380 0,412
28 0,325 0,586 0,340 0,391 0,370 0,408 0,269 0,323 0,234 0,229 0,514 0,434 0,347 0,399
29 0,313 0,610 0,394 0,461 0,365 0,400 0,260 0,300 0,240 0,246 0,794 0,627 0,404 0,448
31 0,265 0,519 0,297 0,354 0,312 0,345 0,239 0,278 0,211 0,212 0,516 0,399 0,312 0,355
32 0,294 0,504 0,299 0,298 0,341 0,357 0,242 0,244 0,218 0,211 0,516 0,429 0,324 0,345
33 0,215 0,353 0,249 0,269 0,308 0,324 0,209 0,229 0,221 0,231 0,498 0,561 0,288 0,334
35 0,250 0,345 0,218 0,224 0,283 0,293 0,206 0,213 0,199 0,193 0,504 0,450 0,282 0,291
41 0,298 0,483 0,237 0,228 0,325 0,326 0,222 0,219 0,204 0,201 0,506 0,445 0,304 0,322
42 0,252 0,396 0,206 0,225 0,328 0,340 0,217 0,232 0,193 0,194 0,494 0,531 0,287 0,326
43 0,246 0,419 0,227 0,244 0,298 0,312 0,227 0,236 0,206 0,207 0,496 0,538 0,288 0,332
50 0,269 0,503 0,320 0,272 0,334 0,302 0,250 0,220 0,216 0,217 0,746 0,804 0,365 0,397
51 0,369 0,581 0,322 0,360 0,359 0,377 0,242 0,265 0,218 0,224 0,522 0,420 0,344 0,375
52 0,287 0,477 0,306 0,289 0,346 0,340 0,249 0,236 0,217 0,228 0,500 0,510 0,322 0,352
53 0,254 0,382 0,192 0,175 0,307 0,309 0,185 0,179 0,208 0,202 0,508 0,391 0,281 0,277