Navegação – Mapa do site

InícioNúmeros30ArtigosAnálise Espacial do Índice de Vul...

Artigos

Análise Espacial do Índice de Vulnerabilidade Social e sua relação com os Dados Econômicos nas Unidades Federativas Brasileiras

Spatial Analysis of the Social Vulnerability Index and its Relationship with Economic Data in Brazilian Federative Units
Analyse spatiale de l'indice de vulnérabilitésociale et de sarelationaveclesdonnéeséconomiquesdanslesunitésfédérativesbrésiliennes
Análisis Espacial del Índice de Vulnerabilidad Social y suRelaciónconlosDatos Económicos enlas Unidades Federativas de Brasil
Deise Maria Bourscheidt

Resumos

A vulnerabilidade social, assim como os indicadores econômicos, constitui um elemento central para a análise das disparidades regionais no Brasil. Nesse sentido, este estudo teve como objetivo identificar a existência de padrões espaciais na distribuição da vulnerabilidade social entre as Unidades Federativas (UFs), bem como analisar sua relação com o Produto Interno Bruto (PIB) e com o Índice de Gini (IG), no ano de 2020, por meio da aplicação da Análise Exploratória de Dados Espaciais (AEDE). Os principais resultados indicaram a presença de dependência espacial do Índice de Vulnerabilidade Social (IVS) entre as UFs, com destaque para o padrão baixo-baixo nos estados da região Nordeste e para o padrão alto-alto nas demais UFs que apresentaram significância estatística. Na análise bivariada, também foram identificados padrões espaciais, predominando a associação entre baixo PIB e alta vulnerabilidade social nas UFs do Nordeste, e entre alto PIB e baixa vulnerabilidade social nas demais regiões do país. No que se refere à relação entre o IG e o IVS, observaram-se os padrões alto-alto e baixo-alto no Nordeste, enquanto os demais padrões se concentraram nas UFs das regiões Sul, Sudeste e no estado de Mato Grosso do Sul. Esses resultados reforçam a persistência de disparidades socioespaciais no território brasileiro e contribuem para o aprofundamento do debate acerca de suas causas estruturais e de suas implicações socioeconômicas.

Topo da página

Texto integral

Introdução

1A vulnerabilidade social pode ser definida como a “sensibilidade ou suscetibilidade a danos e a falta de capacidade para lidar e se adaptar”(IPCC, 2022, P.I-47). Ela inclui elementos de caráter físico, econômico, social, ambiental, e ecológico que tornam uma comunidade mais sensível e exposta (UNDRR, 2009). Não se restringe apenas a um contexto em que o acesso a recursos monetários que possibilitem acessar bens e serviços mínimos necessários inexiste (YANG, 2017), mas também aquela pobreza que priva o ser humano de exercer suas capacidades (SEN, 2010), e de todas as vulnerabilidades resultantes dela.

2Ela não é um fenômeno natural, mas sim historicamente construída, influenciada por processos políticos, tecnológicos e econômicos, operando emmúltiplas escalas (SANTOS, 2006). A lógica da acumulação de capital, impulsionadapela financeirização da moradia e pela mercantilização do solo, precariza as condições de existência de parte da população, perpetuando a vulnerabilidade (HARVEY, 2005).Ela deve ser entendida como uma condição imposta por estruturas de poder que operam no território e que se manifestam na precariedade habitacional, no acesso limitado a serviços públicos, na informalidade laboral e na invisibilidade política de certos grupos sociais (GONÇALVES, 2004; ANDRADE, 1995). Trata-se, portanto, de uma vulnerabilidade que revela o caráter seletivo e excludente da urbanização capitalista.

3Os dados econômicos e sociais divulgados amplamente pelos institutos de pesquisa brasileiros (IPEA, IBGE) e por pesquisas acadêmicasressaltam as disparidades regionais no Brasil. A renda domiciliar per capita em 2020, por exemplo, registrou o valor de R$ 676 no estado do Maranhão, enquanto no Distrito Federal este valor ultrapassou os R$ 2400 (IBGE, PNAD, 2021).

4Para possibilitar a mensuração destas diferenças, ao longo dos anos vem sendo elaborados e divulgados uma série de índices e indicadores (PIB, PIB per capita, IG, IVS) para retratar o crescimento econômico, as desigualdades e a vulnerabilidade social. Como medida de crescimento econômico, o indicador mais usado continua a ser o Produto Interno Bruto (PIB). Para mensurar as desigualdades e vulnerabilidades tem-se: o Índice de Gini (IG), que permite calcular desigualdade de renda, de terra e etc; e o Índice de Vulnerabilidade Social (IVS) que, por meio de dados socioeconômicos, mensura a vulnerabilidade social da nossa população. Tanto os dados do PIB, quanto do IG e do IVS apresentam diferenças regionais importantes entre as Unidades Federativas do Brasil (UFs) (IBGE, 2020; IBGE, PNAD, 2020; IPEA, 2021).Em termos de PIB, ao longo do século XXI houve na produção das regiões brasileiras, porém a região Nordeste ainda representava apenas 14,2% do total do PIB em 2015. Já o índice de Gini, que apresentou melhorias quando comparados os anos 2001, 2010 e 2015, se manteve abaixo do desempenho nacional em todos esses anos, ou seja,com um IG maior. Na região Sul o desempenho superou o do país (BRITO E DAMÁZIO, 2018).

5Na grande área de Ciências Sociais Aplicadas a técnica de análise espacial é empregada nos mais diversos temas que buscam entender a distribuição de dados em termos espaciais (BASTOS et al., 2022; DA SILVA, 2022; MENDONÇA et al., 2019; RAIHER; HIGACHI; SOUZA DO CARMOS, 2018). Estes métodos permitem a identificação de padrões pela formação de clusters, mas também a identificação dos outliers espaciais e dos pontos de alavancagem. Enquanto os primeiros correspondem aos valores discrepantes em termos de dependência espacial, os pontos de alavancagem seguem o mesmo processo de dependência dos dados, porém influenciam de modo exagerado o grau de associação espacial (ALMEIDA, 2012). A dependência espacial, em termos gerais, pode ser definida como a existência de uma relação funcional entre algo que acontece em um ponto no espaço e o que acontece em outro (ANSELIN, 1988). Uma correlação espacial positiva, pode representar “o padrão sistemático de distribuição dos valores da variável de interesse quando há um efeito transbordamento de um fenômeno em estudo. Nesse caso, a chance de se ter numa região vizinha um valor parecido com o que se tem numa determinada região é alta” (ALMEIDA, 2012, P. 106)

6Com relação às análises espaciais na temática das vulnerabilidades tem-se o trabalho de LOPES; PEREIRA (2022). Estes autores fazem uma AEDE univariada do IVS para as diferentes regiões do estado de MG, na tentativa de fazer uma leitura adequada das realidades diversas, de modo a delinear melhores políticas públicas. A pobreza no estado do Alagoas também foi avaliada com a ajuda da AEDE, e foi identificada autocorrelação espacial entre os municípios, tanto para o ano 2000 quanto para 2010 (TEIXEIRA, 2020).

7Para expandir e avançar em relação a esses trabalhos, este artigo teve como objetivoavaliar a distribuição espacial do IVS das UFs do Brasil, bem como realizar uma análise bivariada relacionando o IVS com dados econômicos.A ideia aqui não foi estabelecer uma relação de causa e efeito, e sim identificar a existência de padrões entre os diferentes espaços, por meio da autocorrelação espacial do IVS e da correlação bivariada entre o IVS e o PIB, e entre o IVS e o IG.

8O método utilizado foi a Análise Exploratória de Dados Espaciais (AEDE), tendo como recorte o ano de 2020. Admitiu-se como hipóteses iniciais a existência de autocorrelação espacial do Índice de Vulnerabilidade Social, bem como a existência de correlação espacial entre o IVS e as variáveis econômicas representadas pelo PIB e pelo IG.

9Para subsidiar a discussão, além desta introdução,construiu-se um breve panorama sobreindicadores de vulnerabilidade e socioeconômicosbrasileiros. Na terceira sessão apresenta-se os procedimentos metodológicos. A sessão quatro traz os resultados e discussões e, por fim, as conclusões.

Vulnerabilidade Social e Indicadores Socioeconômicos

  • 1 SEADE, IPARDES, Secima, FJP,FAPESPA, Ceperj, SEI

10Como forma de representar a perspectiva social, um panorama geral do Brasil é apresentado pelo Atlas da Vulnerabilidade Social no Brasil, construído e divulgado pelo Instituto Brasileiro de Economia Aplicada (IPEA) e instituições parceiras1. Sua construção fornece elementos para compreender a distribuição espacial destas vulnerabilidades, e a partir disso, debater e formular políticas que atuem na minimização deste problema.

11A base deste Atlas é o IVS, elaborado a partir de dados do Atlas de Desenvolvimento Humano. Este índice busca mostrar que a vulnerabilidade a qual grande parte da nossa sociedade está exposta, vai além daquela representada por dados econômicos.

12Para isto seus pilares são a Infraestrutura Urbana; o capital Humano; e o Emprego e Renda (IPEA, 2021). Pertencem ao pilar da Infraestrutura Urbana, dados acerca do acesso ao saneamento básico, relativos à mobilidade urbana e à renda. Já o pilar Capital Humano corresponde à compilação de indicadores relativos ao acesso à educação e às condições de saúde. “Mesclam-se indicadores tradicionalmente apontados como indicadores de exclusão social e indicadores de vulnerabilidade social, que informam tanto sobre a situação atual das pessoas, quanto sobre suas perspectivas (ativos, recursos, acesso a estruturas) para buscar a inclusão na dinâmica social e econômica do país” (COSTA, M. A.; MARGUTI, B. O., 2015, P. 9). Emprego e renda agregam indicadores que vão, de alguma forma, refletir a vulnerabilidade das pessoas em termos econômicos.

13O índice varia entre 0 e 1, sendo que quanto mais próximo de 1, mais exposta está a pessoa, e quanto mais próximo de zero, menor a vulnerabilidade. Para melhor visualização, o IPEA definiu 5 faixas de variação da vulnerabilidade que são: muito baixa (entre 0 e 0,2); baixa (entre 0,2 e 0,3); média (0,3 e 0,4); alta (0,4 e 0,5) e muito alta (0,5 e 1).

  • 2 A opção foi ver a variação de cinco em cinco anos. Como 2020 foi ano de choque, optou-se em usar ta (...)

14A Figura 1 traz o IVS do Brasil e das UFs dos anos 2010, 2015, 2019 e 20202. O Brasil sai de uma vulnerabilidade média em 2010 para uma vulnerabilidade baixa entre 2015 e 2020. Observa-se que todas as UFs tiveram queda acentuada no IVS entre 2010 e 2015, com um movimento ao longo do trajeto muito semelhante. No ano 2010 apenas o Maranhão se encontrava em situação de vulnerabilidade muito alta.

Figura 1: IVS do Brasil e das UFs dos anos de 2010, 2015, 2019 e 2020.

Figura 1: IVS do Brasil e das UFs dos anos de 2010, 2015, 2019 e 2020.

Fonte: Elaboração própria a partir dos dados do IPEA, 2023.

15Nos últimos três anos analisados aqui, todos os estados já haviam evoluído para média, baixa e até mesmo muito baixa vulnerabilidade, sendo que o Maranhão deixou de ser a UF mais vulnerável, passando este posto ao Acre, que registrou vulnerabilidade média (0,350) em 2020. Depois de várias quedas na vulnerabilidade social, entre o ano de 2019 e 2020, vinte UFs, e consequentemente o Brasil, registraram aumento na vulnerabilidade social, em função, inclusive, dos efeitos da pandemia de Covid-19 sobre o mercado de trabalho, emprego, renda e educação (FUNARI, A. P. et al., 2022). Santa Catarina foi a UF que registrou menor vulnerabilidade nos quatro anos analisados, classificando-se dentro da faixa de muito baixa vulnerabilidade em todo o período.

16Os valores do IVS total e por dimensão podem ser vistos na Tabela 1. Observa-se que seis UFs ainda estão classificadas na faixa de vulnerabilidade média, sendo que quatro pertencem à região Nordeste e duas à região Norte. A maioria das UFs, distribuídas em todas as regiões, apresenta IVS baixo.

Tabela 1 – IVS Total e IVS dimensões nas UFs em 2020.

Unidades Federativas

IVS Total

IVS_Capital

IVS_Renda e Trabalho

IVS_Infraestrutura

Faixas do IVS Total

Acre

0,350

0,292

0,406

0,353

IVS Médio

Amazonas

0,335

0,287

0,375

0,343

Maranhão

0,335

0,317

0,429

0,259

Alagoas

0,333

0,353

0,448

0,196

Pernambuco

0,328

0,283

0,408

0,294

Paraíba

0,322

0,305

0,452

0,210

Sergipe

0,296

0,284

0,439

0,163

IVS Baixo

Rio de Janeiro

0,291

0,163

0,305

0,403

Piauí

0,288

0,311

0,419

0,133

Bahia

0,281

0,271

0,425

0,148

Rio Grande do Norte

0,280

0,255

0,379

0,207

Roraima

0,274

0,246

0,340

0,235

Ceará

0,270

0,288

0,347

0,174

Distrito Federal

0,270

0,186

0,222

0,401

Pará

0,265

0,250

0,336

0,208

Goiás

0,249

0,201

0,274

0,273

São Paulo

0,241

0,147

0,247

0,328

Amapá

0,236

0,267

0,385

0,055

Tocantins

0,233

0,205

0,310

0,184

Mato Grosso

0,216

0,192

0,226

0,232

Rio Grande do Sul

0,212

0,169

0,227

0,239

Espírito Santo

0,210

0,186

0,263

0,181

Minas Gerais

0,203

0,190

0,287

0,132

Paraná

0,188

0,175

0,225

0,163

IVS Muito Baixo

Mato Grosso do Sul

0,185

0,189

0,227

0,138

Rondônia

0,183

0,221

0,267

0,061

Santa Catarina

0,128

0,138

0,145

0,101

Fonte: Elaboração própria com base nos dados do IPEA, 2023.

17Na melhor colocação em termos de vulnerabilidade social estão os estados de SC, Rondônia, Mato Grosso do Sul e Paraná, cujos valores se localizam entre 0,1 e 0,2. Os quatro estados tiveram melhor desempenho na dimensão de infraestrutura, chamando atenção o dado do IVS_I de Rondônia, cujo valor ficou bem abaixo de 0,1, deixando o estado na segunda melhor colocação no ranking.

  • 3 Calculado pela autora a partir dos dados do PIB nominal e da estimativa da população, ambos do ano (...)

18Quanto aos indicadores econômicos (PIB e IG), a Figura 2 apresenta os dados para o ano de 2020. As UFs que registraram maior PIB per capita3foram: DF, cujo valor ultrapassou os R$ 87.000, seguidas por SP, MG, SC e MS. Todos os estados das regiões Norte e Nordeste ficaram com as últimas posições no ranking das UFs, sendo que apenas PE e BA tiverem um PIB per capita acima de R$ 20.000 nestas regiões. O Brasil como um todo registrou PIB per capita de pouco menos de R$ 36.000.

Figura 2: PIB per capita e IG do Brasil e das UFs em 2020

Figura 2: PIB per capita e IG do Brasil e das UFs em 2020

Fonte: Elaboração própria com base nos dados do IBGE/Pnad Contínua, 2023.

19Já o índice de Gini, que varia entre 0 e 1, sendo que quanto mais próximo de 1, maior a concentração, mostrou que a distribuição de renda não acompanhou a sua geração. O DF, que teve o maior PIB per capita em 2020, apresentou, juntamente com o RJ, a maior desigualdade de renda, com um Gini de 0,548. Na sequência ficaram os estados do CE (0,544) e RR (0,540). Os cinco estados com menores IG em 2020 foram: SC, RO, MG, MT e PR, tendo os dois últimos empatado com um IG de 0,462.

Metodologia

Fonte e Descrição dos Dados

20Com relação ao IVS, foram utilizados os dados estaduais e do DF para o ano de 2020, disponibilizados pelo IPEA. Devido a inexistência de dados municipais posteriores a 2010 sobre o IVS, optou-se por realizar a análise via UFs. Isso acaba por ocultar algumas realidades diversas intermunicipais e reconhece-se que esta foi a maior limitação do trabalho. Como dados econômicos foram utilizados o PIB nominal per capita no ano de 2020 calculado a partir dos dados do IBGE, e o IG. Todas as variáveis estão descritas na Tabela 2.

Tabela 2 – Descrição das Variáveis (2020)

Variáveis

Descrição

IVS

Índice de Vulnerabilidade Social

IVS_I

Índice de Vulnerabilidade Social: dimensão infraestrutura urbana

IVS_C

Índice de Vulnerabilidade Social: dimensão Capital Humano

IVS_R

Índice de Vulnerabilidade Social: dimensão renda e trabalho

PIBNPC

PIB Nominal Per Capita: PIB Nominal da UF/população residente da UF

IG

Índice de Gini por UF

Fonte: Elaboração própria com base emIPEA e IBGE, 2023.

Materiais e Métodos

21Este estudo realizouuma Análise Exploratória de Dados Espaciais. Primeiramente, verificou-se se os dados espaciais são distribuídos aleatoriamente, sendo a hipótese de aleatoriedade espacial (H0: I=0), testada contra a hipótese de dependência espacial (H1: I≠0) utilizando a estatística I de Moran, que analisa a relação global espacial para identificar o grau de correlação.

22A matriz de ponderação é determinada por relações socioeconômicas ou distância geográfica (ALMEIDA, 2012). Utilizou-se a matriz de pesos espaciais "rainha" devido ao número de observações (27 UFs). O valor do I de Moran esperado é de E=–[1/(n-1)], ou seja, o valor que seria obtido se não houvesse padrão espacial nos dados. Como este estudo abrange as vinte e sete UFs, tem-se que E= –[1/(26)].

23A interpretação do I de Moran é a seguinte:

  • Autocorrelação espacial positiva: altos/baixos valores tendem a agrupar-se.

  • Autocorrelação espacial negativa: altos valores, acompanhados por vizinhos com valores baixos, ou vice-versa.

  • I de Moran = 0: ausência de padrão espacial.

24O Diagrama de Dispersão de Moran permite a visualização gráfica dos padrões espaciais e a identificação de outliers, classificando-os em quatro padrões: Alto-Alto (AA), Alto-Baixo (AB), Baixo-Alto (BA), Baixo-Baixo (BB). A Análise Local (LISA) avalia a associação espacial local dos atributos observados, permitindo a visualização do comportamento das UFs por meio de mapas de clusters, identificando dispersões e aglomerações.

25Utilizou-se o software Geoda para as correlações, e Excel e LibreOffice para a elaboração de gráficos e tabelas.

Resultados e Discussão

Estatística Descritiva das Variáveis

26A Tabela 3 traz a estatística descritiva das variáveis. O valor médio do IVS é de 0,259, do IVS_C de 0,236 e IVS_R 0,326. O maior valor do IVS_C foi registrado no estado de Alagoaseo valor mínimo em Santa Catarina (SC).

Tabela 3 - Estatística Descritiva das Variáveis que apresentaram correlação

Variáveis

Média

Desvio padrão

Mínimo

Máximo

IVS

0,259

0,057

0,128

0,350

IVS_C

0,236

0,059

0,138

0,353

IVS_R

0,326

0,087

0,145

0,452

Variáveis Econômicas

PIBNPC

31376

15,85

15,8483

87016

IG

0,497

0,036

0,412

0,548

Fonte: Elaboração própria com base nos dados IBGE/PNAD, IPEA, 2023.

27O IG variou entre 0,412 (SC) e 0,548 (DF), com valor médio de 0,497 em 2020 IBGE, PNAD, 2021). O PIB per capita apresentou valor médio de R$ 31.346, e o valor mais baixo foi registrado no estado do Maranhão (R$ 15027) (IBGE, 2021).

Análise Exploratória de Dados Espaciais

Análise Espacial Univariada

  • 4 Estão incluídos no cálculo do IVS Infraestrutura Urbana o acesso à rede de água e esgoto, a coleta (...)

28Foi testada a autocorrelação do IVS Total (IVS), e dos seus subíndices IVS Renda e Trabalho (IVS_R),IVS Infraestrutura Urbana (IVS_I), e IVS Capital Humano (IVS_C), usando o I de Moran Global, de todas aquelas variáveis que foram significativas a 1% e 5%. O IVS, o IVS_R e o IVS_C foram significativos4. O maior valor para autocorrelação espacial foi apresentado pelo IVS Capital Humano (IVS_C), e, por isso, segue-se com esta como sendo a variável principal na sequência do trabalho. Conforme o resultado, é possível rejeitar H0, ou seja, pode-se afirmar que a distribuição da vulnerabilidade social entre as UFs não é aleatória. Os valores podem ser visualizados na Tabela 4.

Tabela 4: I de Moran Global Univariado

Variáveis

I de Moran Global

IVS

0,387

IVS_C

0,674

IVS_R

0,647

Fonte: Elaboração própria, 2023.

29A Figura 3 traz o mapa de dispersão do I de Moran Global do IVS_C (a) bem como o seu mapa de cluster (b) com o seu mapa de significância. Na abcissa tem-se o valor do IVS Capital Humano e na ordenada a sua defasagem espacial. A autocorrelação é significativa e corresponde a 0,674, o que significa que a vulnerabilidade social em uma UF, apresenta uma relação de dependência com esta mesma variável nas UFs vizinhas. Isso pode decorrer de um efeito contágio ou transbordamento (ALMEIDA, 2012).

30Se observado o mapa de dispersão de Moran (a), percebe-se que há uma concentração de dados nos quadrantes I e III, o que corresponde a dizer que UFs que apresentam baixa vulnerabilidade social, estão cercadas por vizinhas que, em média, apresentam a mesma característica. Da mesma forma, UFs que apresentam alta vulnerabilidade social, fazem divisa com UFs que também apresentam vulnerabilidade alta. Há dois pontos discrepantes no quadrante baixo-alto. Eles correspondem às UFs de Tocantins e Rondônia, que se caracterizam por apresentar baixa vulnerabilidade social, porém suas vizinhas, possuem, em média, alta vulnerabilidade.

31A distribuição de cores no mapa mostra a formação de dois clusters: um na cor vermelha que corresponde ao tipo Alto-Alto e na cor azul do tipo Baixo-Baixo. Isto significa que as UFs que apresentaram um alto nível de vulnerabilidade social estavam rodeadas por UFs que possuíam, em média, IVS alto. Estas UFs foram Piauí (PI), Ceará (CE), Pernambuco (PE) e o Sergipe (SE), ambos estados que pertencem a região Nordeste. A vulnerabilidade social elevada no Nordeste manifesta-se como produto histórico das políticas de concentração de riqueza e poder no espaço, onde os circuitos da economia urbana de Santos (2008) — especialmente o circuito inferior, composto por atividades de subsistência, comércio informal e serviços precários — são sobrecarregados pela ausência de políticas redistributivas eficazes.

Figura 3 - I de Moran Global (a) e Mapa de Cluster (b) do IVS_C das Unidades Federativas Brasileiras em 2020.

Figura 3 - I de Moran Global (a) e Mapa de Cluster (b) do IVS_C das Unidades Federativas Brasileiras em 2020.

Fonte: Elaboração própria, 2023.

32Já as cinco UFs que apresentaram baixa vulnerabilidade social em 2020, estavam cercadas de vizinhos com IVS baixo (em média). Entre estas estavam todos os estados do Sul (Rio Grande do Sul (RS), SC, Paraná(PR)), além de São Paulo (SP), Rio de Janeiro (RJ), Minas Gerais (MG) e Mato Grosso do Sul (MS). Se considerarmos uma divisão horizontal do Brasil, temos um retrato das diferenças em termos de vulnerabilidade social das UFs que apresentaram significância. Tal disparidade, evidenciada por indicadores socioeconômicos em escalas estaduais, traduz o que Santos (2006) conceituou como uma produção do espaço funcional às exigências seletivas do capital. As Unidades da Federação situadas ao norte dessa linha imaginária foram integradas tardiamente e de forma subordinada ao processo de modernização, o que gerou uma ocupação do território baseada na descontinuidade técnico-científica e na negação sistemática do direito à urbanidade. Esse padrão de desenvolvimento concebeu territórios de vulnerabilidade crônica, onde a precariedade de infraestrutura, o acesso desigual aos serviços públicos e a informalidade laboral são marcas estruturantes.

Análise Espacial Bivariada

33Da mesma forma, a Tabela 5 mostra o I de Moran Global bivariado entre o IVS_C e as variáveis que apresentaram correlações estatisticamente significativas. Sendo assim, comprova-se a existência de associação espacial entre o IVS_C e estas variáveis, no ano de 2020.

Tabela 5: I de Moran Global Bivariado

Análise Bivariada entre Variáveis econômicas e IVS

PIBNPC

IG

-0,554

0.313

Fonte: Elaboração própria.

34A análise Global da Tabela 5 será complementada pela análise Local Lisa, de modo a identificar, sobretudo, as aglomerações espaciais. Na sequência, apresenta-se os mapas de clusters das variáveis correlacionadas com o IVS_C.

35Quanto à autocorrelaçãoespacial global bivariada entre PIBNPC e o IVS_C, conforme o esperado, observou-se que ela é negativa e o valor foi de -0,554. Isso mostra que, se considerarmos as 27 UFs, altos valores da variável PIBNPC estão associados espacialmente a baixos valores de IVS_C dos seus vizinhos e baixos valores de PIBNPC correlacionam-se a altos valores de IVS_C na vizinhança. Por outro lado, o IG teve associação espacial positiva com o IVS_C no valor de 0,313. Isso significa que locais que apresentam alta vulnerabilidade, estão circundados por vizinhos que possuem, em média, desigualdade de renda alta, bem como aqueles que não enfrentam problemas de alta vulnerabilidade, também não sofrem com a desigualdade.

36Isso fica mais claro ao visualizar o Mapa Lisa. A Figura 4 mostra as UFs onde as correlações foram significativas. Quanto ao PIB, houve a formação de dois clusters: um alto-baixo, sendo que as UFs pertencentes as regiões Sul e Sudeste e o MS apresentaram altos valores para a variável PIBNPC e estavam próximos de UFs que apresentaram, em média, valores baixos de IVS_C. Já o cluster baixo-alto, formou-se na região nordeste, onde baixos valores de PIBNPC foram acompanhados vizinhos com alta vulnerabilidade social. Se considerarmos uma divisão horizontal do Brasil, o Mapa “a” mostra uma disparidade grande entre os dados que relacionam PIBNPC e IVS_C.

Figura 4 - Mapa de Cluster Bivariado entre Fatores Econômicos e IVS_C

Figura 4 - Mapa de Cluster Bivariado entre Fatores Econômicos e IVS_C

Fonte: Elaboração própria

37O IG mostrou 4 tipos de padrões espaciais, sendo que os estados de SP e RJ apresentaram altos IG, e estavam rodeados por estados que apresentam, em média, baixo IVS_C. Os 3 estados do Sul, os anos de 2020 e 2010, o PI ainda ocupa a quarta pior classificação em termos de IVS_C. juntamente com o MS e MG formaram um clusters padrão Baixo-Baixo. No Nordeste houve a formação de dois padrões: alto-alto incluindo os estados do CE, PE e SE, e um baixo-alto no estado do PI. O PI ficou em sétimo lugar no ranking de menor desigualdade de renda no ano de 2020, quando comparadas às 27 UFs. Contudo, importa lembrar que o IG mede a distribuição da renda, sendo a renda alta ou baixa. Se confrontado este dado com o PIB per capita do PI no mesmo ano, por exemplo, observa-se que ele foi de pouco mais de R$ 17.000, ficando atrás apenas do estado do Maranhão. Já o IVS total, apesar de ter apresentado uma redução de mais de 28% quando comparados os anos de 2020 e 2010, o PI ainda ocupa a quarta pior classificação em termos de IVS_C.A concentração de UFs com alta vulnerabilidade social no Nordeste retrata a persistência de uma divisão territorial do trabalho marcada por heranças estruturais, nas quais determinadas regiões foram historicamente integradas de forma subordinada à dinâmica econômica nacional. Para Santos (2006), o território é usado de maneira desigual, e essa seletividade espacial se manifesta na coexistência de Estados vizinhos com níveis semelhantes de vulnerabilidade social e baixo dinamismo econômico.Harvey (2005) argumenta que o capital busca constantemente novas configurações espaciais para resolver suas crises de acumulação, o que aprofunda assimetrias regionais e sociais.

38Estes resultados reforçam achados que mostravam uma diferença significativa em termos de indicadores econômicos e sociais entre as regiões brasileiras, em anos anteriores (BRITO e DAMÁZIO, 2018; DE SOUZA FILHO et al). Enquanto a média do PIB da região Sul foi de cerca de 16,5% do total do país, entre os anos 2002 e 2015, no Nordeste esta média foi próxima de 13%. Já o IG, mostrou valores elevados em relação à média nacional no Nordeste, enquanto na região Sul estes valores ficaram abaixo, ou seja, com um melhor desempenho do que a média do país (BRITO e DAMÁZIO, 2018).A média do IVS_C na região Nordeste em 2020 foi de 0,296 o que o classifica como baixo nesta dimensão. No entanto algumas UFs ainda estão na faixa de vulnerabilidade média, conforme demostrado na Tabela 1.A produção de diferenciações espaciais não são uma falha do sistema, mas uma de suas engrenagens essenciais. Nesse sentido, a vulnerabilidade social elevada em grande parte das UFs do Norte e do Nordeste reflete não apenas a carência de investimentos ou políticas públicas, mas a lógica da acumulação por espoliação, na qual populações e territórios são sistematicamente expropriados — de direitos, de recursos e de capacidade (HARVEY, 2005). Estas disparidades se manifestam também na forma de “hierarquias urbanas como uma expressão da desigualdade espacial decorrente da lei geral de acumulação capitalista e suas implicações contraditórias, como o crescimento da pobreza em meio à concentração de riqueza dos espaços urbanos” (RODRIGUEZ, 2024).

Conclusões

39O ensaio objetivou avaliar a autocorrelação espacial do IVS_C bem como a associação espacial entre o IVS_C e variáveis econômicas, nas UFs do Brasil em 2020. Conclui-se que existe dependência espacial do IVS_C entre as UFs, tanto pela ótica global pelo I de Moran, quanto pela local, pela análise Lisa. Na análise bivariada, enquanto o PIBNPC mostrou correlação espacial global negativa com o IVS_C, o IG correlacionou-se positivamente com o IVS_C, e ambos estão em consonância com a literatura.

40Os resultados mostraram que as UFs vizinhas compartilham de vulnerabilidade social semelhante, sendo que, aquelas situadas na região Nordeste, apresentaram alta vulnerabilidade social (PI, CE, SE, PE), enquanto aquelas que se localizam nas regiões Sul (RS, SC, PR), Sudeste (MG, SP, RJ) e o MS apresentaram vulnerabilidade social baixa. Quando a vulnerabilidade social foi correlacionada com o PIB, o resultado foi semelhante. UFs pobres compartilham regiões limítrofes comUFs que possuem alta vulnerabilidade social na região Nordeste, enquanto UFs com alto PIB dividem espaços com UFs com baixa vulnerabilidade social, prioritariamente no Sul e Sudeste. Quando testada a vulnerabilidade social concomitante ao IG, o padrão foi de alta desigualdade econômica, associada a vizinhos com alta vulnerabilidade social e vice-versa, com exceção dos estados do RJ e de MG na região sudeste.

41Estes resultados permitem compreender a relação entre vulnerabilidade social, PIB e desigualdade econômica como expressão do desenvolvimento geográfico desigual inerente ao capitalismo. A associação entre alta desigualdade (IG) e elevada vulnerabilidade social em UFs limítrofes sugere que a acumulação de capital opera de forma espacialmente seletiva, produzindo regiões de privilégio e de privação que se retroalimentam. As exceções observadas no Rio de Janeiro e em Minas Gerais podem ser entendidas como territórios onde coexistem elevados níveis de produção econômica com profundas desigualdades internas, revelando que o crescimento econômico, por si só, não garante redução da vulnerabilidade social, mas pode, ao contrário, conviver com processos intensos de exclusão socioespacial.

42A partir disso, destaca-se a necessidade de delinear boas políticas que gerem resultados econômicos e sociais de curto e longo prazo, focando especialmente nos estados onde o PIB, o IVS e o IG apresentam resultados insatisfatórios. Os resultados aqui encontrados permitem apontar, especialmente na região Nordeste, a importância de investir em formas de aumentar o crescimento econômico (PIB) com a concomitante redução da desigualdade econômica (IG) e da vulnerabilidade social (IVS).

43Deste modo, a principal contribuição do trabalho foi mostrar a importância da espacialidade quando correlacionamos dados sobre vulnerabilidade social e dados econômicos. Isso é importante para avaliar a distribuição espacial dos danos decorrentes da vulnerabilidade social, pois os resultados de um local não podem ser entendidos isolados do espaço que ocupam, sendo importante olhar para estes resultados para definir melhores estratégias e políticas.

Topo da página

Bibliografia

ALMEIDA, Eduardo. Econometria Espacial Aplicada. Campinas: Alínea, 2012.

ANSELIN, Luc. Spatial econometrics: methods and models. Boston: KluwerAcademic, 1988.

BASTOS, Suzana Quinet Andrade;GOMES,Bruno Silva Moraes;PEREIRA, Marcilio Zanelli;TOSTA, Tamires Vieira. Razão de dependência: uma análise espacial para os municípios brasileiros. Redes, v. 27, n. 1, 2022, https://doi.org/10.17058/redes.v27i.14970

BRITO, Eloha Cabreira; DAMÁZIO, Mayara Rabassi. Desenvolvimento Econômico No Brasil: Similaridades e Diferenças entre as Regiões Sul E Nordeste No Período De 2001 A 2015. Salvador: Revista de Desenvolvimento Econômico – RDE - Ano XX – v. 3 –n.41– p. 167 – 198. 2018 https://revistas.unifacs.br/index.php/rde/article/view/5815

COSTA, Marco Aurélio; MARGUTI, Bárbara Oliveira. Atlas da Vulnerabilidade Social nas regiões metropolitanas brasileiras. IPEA, 2015.

DA SILVA, Luciano Pereira.Spillovers espaciais de criminalidade na região integrada para desenvolvimento do distrito federal e entorno: uma análise de crimes contra a pessoa e contra o patrimônio.Brasília: Universidade de Brasília, 2022.

FUNARI, Armando Palermo;SIMÕES, Pedro Reis; DIAS, Tamara Talita Rodrigues; COSTA, Marco Aurélio. Atualização do IVS a partir da Pnad contínua 2020 e 2021: aspectos metodológicos e breves comentários sobre seus resultados. Boletim regional, urbano e ambiental-IPEA, v. 28, dez. 2022.

HARVEY, David. O novo imperialismo. São Paulo: Loyola, 2005.

IBGE. Produto Interno Bruto das UFs Brasileiras em 2020. IBGE, 2020.

IBGE, PNAD. Índice de Gini da distribuição do rendimento domiciliar per capita, segundo as Grandes Regiões, as Unidades da Federação e os Municípios das Capitais - Brasil - 2020 -Síntese de Indicadores Sociais. IBGE, 2020. Disponível em: https://www.ibge.gov.br/estatisticas/sociais/rendimento-despesa-e-consumo/9221-sintese-de-indicadores-sociais.html. Acesso em: 20 jan. 2023

IBGE, PNAD. IBGE divulga o rendimento domiciliar per capita 2020, 2021. Disponível em Renda_domiciliar_per_capita_2020.pdf (ibge.gov.br) . Acesso em 12 jan. 2024.

IPCC. Sixth Assessment Report, Climate Change 2022: Impacts, Adaptation and Vulnerability, the Working Group II contribution. [s.l.] Cambridge University Press, 2022. Disponível em: <10.1017/9781009325844>.

IPEA. Atlas de Vulnerabilidade Social. [s.l: s.n.]. Disponível em: http://ivs.ipea.gov.br/index.php/pt/. Acesso em dez. 2021.

LOPES, Paulo Cícero Borges; PEREIRA, Luiz Andrei Gonçalves. Análise espacial do índice de vulnerabilidade social nas novas divisões regionais do Estado de Minas Gerais-Brasil. Ateliê Geográfico, v. 16, n. 3, p. 173–191, dez. 2022. https://doi.org/10.5216/ag.v16i3.73627 Acesso em 20 de julho de 2023.

MENDONÇA, Yasmine Da Mata;COSTA,Cássia Kely Favoretto; PARRÉ, José Luiz;BALBINOTTO NETO, Giácomo; MARCONATO, Marcio. Oferta de transplantes renais e fatores associados: análise exploratória espacial para as unidades federativas do Brasil, 2019.

RAIHER, Augusta Pelinski; HIGACHI, Hermes.; SOUZA DO CARMOS, Alex Sander. O Programa Paraná Competitivo e seu efeito na dinâmica econômica dos municípios paranaenses: uma análise espacial. Redes,v. 23, n. 3, p. 367–394, 12 set. 2018. https://doi.org/10.17058/redes.v23i3.9005Acesso em 27 de outubro de 2023.

RODRIGUEZ, Rodrigo Siqueira, A economia política da hierarquia urbana no Brasil: uma análise dosCensos 2010 e 2022», Espaço e Economia [Online], 27 | outubro e 2024. DOI: https://doi.org/10.4000/12ge5.Acesso em27 abril 2025.

SANTOS, Milton. A natureza do espaço: técnica e tempo, razão e emoção. 4. ed. São Paulo: EDUSP, 2006.

SANTOS, Milton. Por uma outra globalização: do pensamento único à consciência universal. 15. ed. Rio de Janeiro: Record, 2008.

SEN, Amartya. Desenvolvimento como Liberdade. [s.l.] Companhia das Letras, 2010.

TEIXEIRA, Keuler Hissa. Uma análise espacial da pobreza no Estado de Alagoas. Redes, v. 25, n. 0, p. 2668–2692, 18 dez. 2020.https://doi.org/10.17058/redes.v25i0.15196 Acesso em 29 de novembro de 2023.

UNDRR(United Nations Office for Disaster Risk Reduction). International Strategy for Disaster Reduction. Geneva: UNDRR, 2009.

YANG, Lin. The relationship between poverty and inequality: Concepts and measurement. LSE Research Online Documents on Economics, 2017.

Topo da página

Notas

1 SEADE, IPARDES, Secima, FJP,FAPESPA, Ceperj, SEI

2 A opção foi ver a variação de cinco em cinco anos. Como 2020 foi ano de choque, optou-se em usar também o ano de 2019 para comparar.

3 Calculado pela autora a partir dos dados do PIB nominal e da estimativa da população, ambos do ano de 2020 e fornecidos pelo IBGE.

4 Estão incluídos no cálculo do IVS Infraestrutura Urbana o acesso à rede de água e esgoto, a coleta de lixo, e o tempo gasto para chegar ao local de trabalho.

Topo da página

Índice das ilustrações

Título Figura 1: IVS do Brasil e das UFs dos anos de 2010, 2015, 2019 e 2020.
Créditos Fonte: Elaboração própria a partir dos dados do IPEA, 2023.
URL http://journals.openedition.org/espacoeconomia/docannexe/image/32183/img-1.jpg
Ficheiro image/jpeg, 196k
Título Figura 2: PIB per capita e IG do Brasil e das UFs em 2020
Créditos Fonte: Elaboração própria com base nos dados do IBGE/Pnad Contínua, 2023.
URL http://journals.openedition.org/espacoeconomia/docannexe/image/32183/img-2.jpg
Ficheiro image/jpeg, 220k
URL http://journals.openedition.org/espacoeconomia/docannexe/image/32183/img-3.png
Ficheiro image/png, 18k
Título Figura 3 - I de Moran Global (a) e Mapa de Cluster (b) do IVS_C das Unidades Federativas Brasileiras em 2020.
Créditos Fonte: Elaboração própria, 2023.
URL http://journals.openedition.org/espacoeconomia/docannexe/image/32183/img-4.png
Ficheiro image/png, 110k
Título Figura 4 - Mapa de Cluster Bivariado entre Fatores Econômicos e IVS_C
Créditos Fonte: Elaboração própria
URL http://journals.openedition.org/espacoeconomia/docannexe/image/32183/img-5.png
Ficheiro image/png, 130k
Topo da página

Para citar este artigo

Referência eletrónica

Deise Maria Bourscheidt, «Análise Espacial do Índice de Vulnerabilidade Social e sua relação com os Dados Econômicos nas Unidades Federativas Brasileiras»Espaço e Economia [Online], 30 | 2025, posto online no dia 14 janeiro 2026, consultado o 12 abril 2026. URL: http://journals.openedition.org/espacoeconomia/32183; DOI: https://doi.org/10.4000/15il6

Topo da página

Autor

Deise Maria Bourscheidt

Universidade Federal da Fronteira Sul. Professora Adjunta. E-mail:deise.bourscheidt@uffs.edu.br

Topo da página

Direitos de autor

CC-BY-NC-SA-4.0

The text only may be used under licence CC BY-NC-SA 4.0. All other elements (illustrations, imported files) may be subject to specific use terms.

Topo da página
Pesquisar OpenEdition Search

Você sera redirecionado para OpenEdition Search