1A desigualdade social é tratada como um dos principais fatores para aferir as condições de vida da população entre os institutos de pesquisa. A Organização das Nações Unidas destaca o Programa de Desenvolvimento Humano (PNUD) criado em 1990 como o órgão que tem por mandato promover o desenvolvimento e erradicar a pobreza no mundo, o qual busca sintetizar indicadores sociais tais como o Índice de Desenvolvimento Humano (IDH) que resulta da combinação de três fatores: Longevidade, educação e renda e o Índice de Gini. O Índice de Gini ou coeficiente de Gini é um indicador socioeconômico utilizado para mensurar a distribuição de renda em determinada região (país, estado, município). Ele foi criado em 1912 pelo estatístico italiano Conrado Gini e é uma medida de desigualdade que reflete a concentração de renda e as desigualdades socioeconômicas de um território. Ele varia entre 0 e 1, sendo mais próximo de 1 maior será a desigualdade da distribuição de renda; quanto mais próximo de 0, menor é essa desigualdade (SALVATORE, 2007).

2Conforme relatório do Atlas do Desenvolvimento Humano no Brasil do ano de 2013 (Brasil, 2013), apenas 11% dos municípios brasileiros possuía o Índice de Desenvolvimento Humano da Renda (IDHR) maior do que a média nacional (0,739). Analisando pela dimensão territorial do Brasil, esta desigualdade é ainda maior, visto que na região Norte 90% dos municípios estão na categoria de Baixo e Médio e apenas quatro municípios, dos 449 têm IDHR acima da média brasileira. O Nordeste tem 78% dos municípios na categoria de Baixo e 12 municípios têm IDHM Renda acima do IDHM Renda do Brasil. A região Sudeste: 38% dos municípios estão na categoria de Alto; 51% no Médio. O Sul: 38% estão na categoria de Médio; 60% no Alto. O Centro Oeste: 50% dos municípios no Médio e 36% no Alto, caracterizando uma região mediana em comparação a outras regiões do país (BRASIL, 2013).

3A manifestação da pobreza e desigualdade social no Brasil persiste e ocorre de maneira estrutural representando um problema econômico e social. Segundo dados do Panorama Social da América Latina (2013), houve diminuição da pobreza em termos absolutos no Brasil e em toda América Latina entre 2002 e 2012. Porém, a desigualdade é persistente e a renda dos 20% mais pobres representa 3,4% da renda do mesmo percentual dos mais ricos em 2002, em 2012 passou para 4,5% da totalidade de renda dos mais ricos. Por outro lado, os 20% mais ricos concentravam 62,5% da renda total em 2002 e 55,1% em 2012 (CEPAL, 2013).

4De acordo com Rocha (2000), a pobreza entre os países pode ser dividida em dois grupos. O primeiro seria composto por países que não têm a capacidade de produzir um produto nacional capaz de suprir todas as necessidades da população. O segundo grupo seria formado por países nos quais o produto nacional é suficientemente elevado para garantir o bem-estar de toda a população. A economia do Brasil, cuja renda per capita coloca o país acima de qualquer estimativa sobre a linha de pobreza absoluta, indica que a incidência da pobreza absoluta no país deriva da má distribuição de renda colocando o Brasil no segundo grupo.

5A Região Centro-Oeste apresenta grandes transformações da estrutura produtiva, formação e crescimento de áreas urbanas e a agroindustrialização apresentando maiores taxas de crescimento econômico anual que as demais regiões do Brasil nas duas últimas décadas. Entretanto, essa região apresenta maior desigualdade de renda que a média nacional (MAGALHÃES E ALVES, 2021; SOUZA JR ET AL., 2020; DORSA E CONSTANTINO, 2020).

6O objetivo deste trabalho é analisar as transformações ocorridas sobre a distribuição de renda e grau de desigualdade social mensurada pelo Índice de Gini dos municípios da Região Centro-Oeste do Brasil no período entre 2000 e 2010 com os dados dos censos realizados nos respectivos anos. A metodologia é baseada na Análise Exploratória de Dados Espaciais (AEDE) e os resultados tornam possível avaliar a evolução da desigualdade da renda na região dentro do período de análise e identificar padrões de agrupamentos de municípios (clusters espaciais) de acordo com a variável de interesse. Os resultados do presente estudo podem ser utilizados para elaborar políticas públicas regionais para diminuição da desigualdade e avaliar padrões de comportamento em relação à evolução da variável dentro de cada região (município e estados).

Caracterização da Região Centro-Oeste

7A Região Centro-Oeste possui a quarta maior economia do Brasil e a menor população absoluta em relação às outras regiões com de cerca de 14 milhões de habitantes, sendo dividida em três Estados (Mato Grosso, Mato Grosso do Sul e Goiás) e o Distrito Federal num total de 446 municípios (IBGE, 2024).

8Segundo dados do Instituto Brasileiro de Geografia e Estatística em parcerias com órgãos Estaduais de Governo do Centro-Oeste, no ano de 2013 a região Centro-Oeste possuía participação no Produto Interno Bruto nacional de 9,12% (R$ 484 bilhões) sendo o Distrito Federal o responsável pelo maior valor com 3,3% (valor de R$ 175 bilhões), seguido de Goiás (R$ 151 bilhões, 2,8%), Mato Grosso (R$ 89 bilhões, 1,7%) e Mato Grosso do Sul (R$ 69 bilhões, 1,3%). As Regiões Sudeste e Sul apresentam as maiores participações no PIB brasileiro com 55,2% e 16,2%, respectivamente.

9O agronegócio representa a maior parte da economia dos estados da Região Centro-Oeste, sendo 60% do Produto Interno Bruto do Mato Grosso, 42% do Mato Grosso do Sul, 38% de Goiás e 2% do Distrito Federal. O potencial de aumento da agroindustrialização torna a região o destino de investimentos públicos e privados e cria expectativas positivas sobre o crescimento populacional e econômico. Em termos de postos de trabalho, cerca de 70% dos empregos do Mato Grosso pertencem ao agronegócio e 50% nos estados do Mato Grosso do Sul e Goiás, sendo o Distrito Federal o menos dependente deste macro setor com 4% (SESSO FILHO ET AL., 2019; MONTEIRO NETO E GOMES, 1999; MIRAGAYA, 2014).

10As informações sobre a Região Centro-Oeste mostram o potencial de crescimento econômico e social, principalmente por meio do agronegócio. No entanto, para que o crescimento econômico seja transformado em desenvolvimento é preciso que a desigualdade da renda diminua de forma que os benefícios alcancem a maior parte da população.

Mato Grosso

11De acordo com o Censo Demográfico apresentado pelo Instituto Brasileiro de Geografia e Estatística (IBGE, 2024) o Mato Grosso apresenta uma população estimada de três milhões de habitantes com baixa densidade demográfica de 3,36 habitantes por quilômetro quadrado divididos em 141 municípios, sendo que em determinadas regiões a densidade demográfica é baixa, sendo que o Centro Sul Cuiabano possui 36% da população do Estado e o rendimento mensal per capita é de R$ 1.055 (SEPLAN-MT, 2013). O Índice de Desenvolvimento Humano Municipal (IDH-M) divulgado pelo PNUD (2024) do Índice de Desenvolvimento Humano do Brasil de 2013 melhorou entre 2000 e 2010 do valor de 0,601 para 0,725. Entretanto, os valores estão abaixo da média das outras regiões brasileiras que é de 0,727. A taxa de urbanização era de 83,48% (IBGE, 2024), mas abaixo da média da Região Centro-Oeste e do Brasil com 90,13% e 84,83%, respectivamente (SEPLAN-MT 2013).

12O Instituto Brasileiro de Geografia e Estatística (IBGE) adota o agrupamento de municípios denominado mesorregiões reunindo microrregiões que os municípios apresentam alguma similaridade econômica e social. Esta metodologia é baseada em dados estatísticos e não compõe, portanto, relações políticas ou administrativas. As mesorregiões que compõe o Estado do Mato Grosso são sintetizadas na Tabela 1 e ilustradas na Figura 1.

Tabela 1 - Mesorregiões, Microrregiões e número de municípios do Mato Grosso.

Mesorregiões (5)	Número de municípios	Microrregiões (22)
1. Norte Mato-Grossense	55	Alta Floresta, Alto Teles Pires, Arinos, Aripuanã, Colíder, Paranatinga, Parecis e Sinop.
2. Nordeste Mato-Grossense	25	Canarana, Médio Araguaia e Norte Araguaia
3. Sudoeste Mato-Grossense	22	Alto Guaporé, Jauru e Tangará da Serra
4. Centro-Sul Mato-Grossense	17	Alto Pantanal, Alto Paraguai, Cuiabá e Rosário Oeste
5. Sudeste Mato-Grossense	22	Alto Araguaia, Primavera do Leste, Rondonópolis e Tesouro

Fonte: IBGE (2024).

13A economia de Mato Grosso de 2002 a 2011 registrou transformações importantes segundo dados da Superintendência de Produção e Gestão de Informação (SEGPLAN-MT, 2013) sendo que o setor de Serviços obteve o maior aumento percentual de 53,9% para 57,32% na participação no Produto Interno Bruto, enquanto a agropecuária registrou queda na participação 29,73% em 2002 para 24,12%, embora tenha um alto Valor Adicionado Bruto na economia local 24,1% em 2011 impulsionado principalmente pela produção de soja, milho e algodão. A indústria registrou aumento na participação no período saltando de 14,84% para 18,56% destacando se a indústria de transformação e a construção civil correspondendo 9,98% e 4,99% em 2011 respectivamente.

Mato Grosso do Sul

14O Estado do Mato Grosso do Sul foi concebido através do desmembramento Estado do Mato Grosso em 1978, desde então mantém como Capital a cidade de Campo Grande sendo um grande polo do agronegócio juntamente com a microrregião do Alto Taquari, a extensão territorial do Mato Grosso do Sul é de 357 mil km² sendo o menor Estado do Centro Oeste. A população total é de aproximadamente 2,5 milhões de habitantes (IBGE, 2024) com uma densidade demográfica 6,86 habitantes por quilômetro quadrado sendo mais que o dobro do registrado no Mato Grosso, embora tenha áreas com baixa densidade demográfica como o noroeste do Estado nas microrregiões do Alto Taquari e Baixo Pantanal. A população está dividida entre 4 Mesorregiões geográficas em 11 microrregiões conforme a Tabela 2 e ilustração da Figura 2, das quais 56,1% da população se concentra nas MSR de Campo Grande e Dourados com taxa de urbanização de 94,5% e 81,7% respectivamente (SEMADE-MS, 2015).

Tabela 2 - Mesorregiões do Mato Grosso do Sul, Microrregiões pertencentes e número de municípios.

Mesorregiões (4)	Número de municípios (79)	Microrregiões (11)
1. Pantanais Sul-Mato-Grossenses	7	Aquidauana e Baixo Pantanal
2. Centro-Norte de Mato Grosso do Sul	16	Alto Taquari e Campo Grande
3. Leste de Mato Grosso do Sul	18	Cassilândia, Nova Andradina, Paranaíba e Três Lagoas
3. Sudoeste de Mato Grosso do Sul	38	Bodoquena, Dourados e Iguatemi

Fonte: IBGE (2024).

15Fonte: Elaboração dos autores com base nos dados de IBGE (2024). (4)

Goiás

16Segundo a Secretaria de Estado e Planejamento de Goi ás SEGPLAN-GO (2024) o Estado tem uma extensão territorial total de 340 m il km² divididos em cinco mesorregiões, 18 microrregiões e 246 municípios conforme a (Tabela 4), com uma população de 6.003,788 habitantes apresentando 17,87 de hab/km² de (IBGE, 2024) sendo o Estado mais populoso do Centro Oeste brasileiro. Goiás é a nona maior economia do país sendo que seu Produto Interno Bruto atingiu R$ 103 bilhões (IBGE, 2024), representando 2,5% do total nacional.

17Conforme a SEGPLAN-GO (2024) a economia de Goiás cresceu acima da média nacional entre 2000 e 2011 saltando 55,73% superior aos 37, 5% da média brasileira. A Renda per capita de Goiás em 2000 era de R$ 571 (IBGE, 2024) ficando abaixo da média nacional de R$ 592 e já no censo realizado em 2010 mostrou uma ascensão da renda da população goiana para R$ 810, estimulado pelo crescimento do salário-mínimo acima da inflação no período superando a média brasileira. A Tabela 3 e Figura 3 apresentam as Mesorregiões, Microrregiões e número de municípios do Estado de Goiás. A Mesorregião do Centro Goiano se destaca por aglomerar um terço de toda população do estado com 3.133.274 habitantes (IBGE, 2024) e ser a mais rica e densamente povoada com um PIB de R$ 52,2 bilhões de reais (IBGE, 2024), das quais a capital Goiás concentra R$ 24,4 bilhões.

Tabela 3 - Mesorregiões de Goiás, Microrregiões e número de municípios.

Mesorregiões (5)	Número de municípios (246)	Microrregiões (18)
1. Noroeste Goiano	23	Aragarças, Rio Vermelho e São Miguel do Araguaia
2. Norte Goiano	27	Chapada dos Veadeiros e Porangatu
3. Centro Goiano	82	Anápolis, Anicuns, Ceres, Goiânia e Iporá
4. Leste Goiano	32	Entorno do Distrito Federal e Vão do Paranã
5. Sul Goiano	82	Catalão, Meia Ponte, Pires do Rio, Quirinópolis, Sudoeste de Goiás e Vale do Rio dos Bois

Fonte: IBGE (2024).

Distrito Federal

18O Distrito Federal é uma importante unidade da Federação brasileira onde concentra forte densidade demográfica 444,66 habitantes por km², tudo em um único município, a Capital Federal Brasília. Segundo dados do Censo (IBGE 2024), 47% de todos os domicílios do Centro Oeste com renda per capita maior que cinco salários-mínimos estão concentrados em Brasília, mostrando a forte desigualdade de renda, perante as outras regiões analisadas. Isso pode ser explicado, pela presença do funcionalismo público na região, por se tratar da capital Federal.

19Por meio de indicadores sociais como o Índice de Desenvolvimento Humano Municipal (PNUD, 2024) fica ainda mais clara a discrepância das desigualdades regionais, sendo que a média dos municípios brasileiros era de 0,727 e do Distrito Federal era 0,824, o que é relativamente muito alto.

Metodologia

Análise Exploratória de Dados Espaciais (AEDE)

20A análise exploratória de dados espaciais (AEDE) é uma ferramenta utilizada para descrever a distribuição e identificação de associação espacial como também avaliar a possibilidade de diferentes regimes espaciais ou outras formas de variações no espaço. Para isso, é importante considerar a inter-relação e heterogeneidade espacial da variável em análise (Almeida, Perobelli e Ferreira, 2008). A heterogeneidade espacial é preponderante na escolha desta metodologia, visto que os dados distribuídos em determinado espaço tendem a variar sistematicamente se comparado à outra delimitação geográfica, criando problemas para o uso de regressão tradicional (Lesage, 1999).

21Anselin (1999) destaca que para análise de dados espaciais existe a sobreposição entre os efeitos de heterogeneidade e dependência espacial e por sua vez, a dependência espacial também gera problemas de heterogeneidade, causando problemas de especificação de modelos econométricos. Portanto, a análise exploratória de dados espaciais é uma ferramenta mais adequada para avaliação.

22O uso da Análise Exploratória de Dados Espaciais (AEDE) serve para auxiliar o problema de identificação, provendo dicas e indicações sobre a existência de padrões de associação espacial, tanto no âmbito global, quanto local ou sobre a presença de clusters ou agrupamentos, além de identificar a influência de variáveis discrepantes (outliers). Sendo assim, a primeira etapa nos estudos exploratórios é testar se os dados são distribuídos aleatoriamente, essa hipótese permite a verificação se algum dos valores depende ou não de algum atributo correspondente ao vizinho (dependência espacial). Para isso, utiliza se a estatística de I de Moran (Almeida, p.34 2004).

23A Estatística I de Moran da Equação (1) consiste no estimador formal de dependência espacial, sendo utilizada para o cálculo da autocorrelação espacial (Almeida, 2004):

24(1)

25Na Equação (1), tem-se que n é o número de unidades espaciais ou observações no conjunto de dados; e são os valores da variável de interesse para unidades espaciais i e j; é a média da variável de interesse em todas as unidades espaciais; representa o peso espacial do par de unidades espaciais i e j, que mede o grau de interação ou proximidade entre elas.

26Matricialmente, pode-se escrever (1) como:

27Na Equação (2), tem-se que n é o número de regiões ou unidades espaciais na análise; z é a variável padronizada de interesse; é a variável padronizada de interesse para as regiões vizinhas, ponderada segundo uma matriz de pesos espaciais W e é , assim todos os elementos da matriz de pesos espaciais W devem ser somados.

28A definição da matriz de pesos é realizada através do estudo da contiguidade, que representa a vizinhança entre as observações com base na distância espacial e/ou socioeconômica com a relação estabelecida pela Equação (3) (Almeida, 2004). O conjunto que elementos não estocásticos e exógenos ao modelo são baseados no arranjo geográfico das observações ou na contiguidade entre eles e, dessa forma, compõe a matriz de pesos espaciais (Anselin, 1999). Com isso, o objetivo da utilização da matriz é a fim de capturar os efeitos de ambiente sobre os dados, aplicando ponderações. Isso significa que a variável observada em cada região recebe uma ponderação quando está em ambiente com a região comprovada. Com relação à obtenção de tais matrizes temos as explicações de Almeida (2004), Anselin (1999), Tyszler et al. (2006).

29Para o presente estudo, estimou-se uma matriz de pesos espaciais no padrão de contiguidade denominado como Queen, ilustrado na Figura 1, que tem como premissa a utilização da convenção incluindo tanto as fronteiras com extensão diferente de zero quanto os vértices (nós) na visualização do mapa como contíguos (Almeida, 2004). Pinheiro (2007) salienta que a Figura 4 mostra que as arestas comuns relacionadas à célula a e às células adjacentes podem ser consideradas em diferentes direções. A célula A pode ser adjacente a uma célula chamada B, ou a continuidade pode estar associada a uma célula chamada C, ou pode simplesmente ser uma combinação de ambas as restrições.

30Segundo Almeida (2012), a estatística I de Moran dá a indicação formal de associação linear entre a variável de interesse subtraída da média e em relação a ela mesma defasada espacialmente. O resultado pode variar entre +1 e -1, sendo avaliado se 𝐼 > 𝐸 (𝐼) Autocorrelação Positiva e se 𝐼 < 𝐸 (𝐼) Autocorrelação Negativa. A esperança matemática do I de Moran indica o valor esperado da estatística se não houvesse autocorrelação espacial nos dados pela Equação (4).

31Os valores que excedem indicam autocorrelação espacial positiva, sugerindo agrupamento ou dependência espacial de valores semelhantes, e abaixo indicam autocorrelação espacial negativa, sugerindo dispersão ou segregação espacial de valores dissimilares. A presença de autocorrelação espacial positiva indica que há similaridade entre os valores da variável considerada e sua localização espacial. Isto significa que as áreas vizinhas tendem a ter valores semelhantes. Por outro lado, a autocorrelação espacial negativa revela dissimilaridade entre os valores do atributo e a sua localização espacial. Neste caso, as áreas vizinhas tendem a ter valores diferentes. (ALMEIDA, 2004).

32O diagrama de dispersão de Moran apresenta defasagens espaciais no eixo vertical e a variável de fato no eixo horizontal, conforme ilustra a Figura 2. O indicador local de autocorrelação espacial de Moran é um método que decompõe o indicador de autocorrelação global em quatro categorias sendo que cada categoria representa um quadrante no gráfico de dispersão (diagrama), essa composição ajuda a compreender os padrões espaciais e a identificar clusters de valores semelhantes no conjunto de dados. (Anselin, 1995). Ele mede o grau de agrupamento de valores semelhantes na região observada e identifica agrupamentos espaciais estatisticamente significativos. Ajuda a identificar áreas onde os valores são mais semelhantes entre si do que seria esperado apenas pelo acaso (Almeida, 2004). Observando a Figura 5, nota-se os agrupamentos (clusters) representando quatro tipos de associação linear espacial, Alto-Alto (AA), Baixo-Baixo (BB), Alto-Baixo (AB) e Baixo-Alto (BA) (Almeida, 2004).

33Um agrupamento Alto-Alto (AA) indica que os dados espaciais pertinentes a esse agrupamento exibem valores altos da variável de interesse envoltos por unidades espaciais que apresentam valores também elevados, representado pelo segundo quadrante do diagrama da Figura 5. Um agrupamento Baixo-Baixo (BB) refere-se a um agrupamento cujas unidades espaciais mostram valores baixos circundados por unidades espaciais que possuem valores também baixos, representado pelo terceiro quadrante. De maneira semelhante, um agrupamento Alto-Baixo (AB) diz respeito a um cluster no qual uma unidade espacial qualquer com um alto valor da variável de interesse são circunvizinhos de unidades espaciais com valor baixo. Isso é representado pelo quarto quadrante. Finalmente, um agrupamento Baixo-Alto (BA) estende se a um cluster no qual uma unidade espacial qualquer com um baixo valor da variável de interesse são rodeados por unidades espaciais com alto valor. Isso é indicado no primeiro quadrante.

34De acordo com Anselin (1995), os Indicadores Locais de Associação Espacial (LISA) devem satisfazer os dois fundamentos estatísticos (a) Para cada observação, deve possuir uma indicação de cluster espacial estatisticamente significativa e (b) as somas de todas as observações devem ser iguais ao indicador espacial global, isso pode ser denotado na equação (4).

35Anselin e Floxax (1995) foram os responsáveis pela elaboração da estatística I de Moran para obter os padrões locais de associação linear que sejam estatisticamente relevantes, sendo comum utilizar a estatística LISA (Indicadores Locais de Associação Espacial) que pode ser expresso pelas Equações (5) e (6).

36Nas Equações (5) e (6) tem-se que e representam as variáveis padronizadas e a somatória sobre j é tal que somente os valores dos vizinhos j ∈ ji são incluídos. O conjunto ji abrange os vizinhos da observação i, e por definição w_ii = 0.

Decomposição do índice de Gini

37Shorrocks (1982) demonstrou matematicamente que o coeficiente ou índice de Gini pode ser decomposto por unidades de renda e ser aplicado tanto em dados individuais ou agregados. Já Rossi (1983), analisou a decomposição funcional do índice de Gini no Brasil com dados do Censo de 1980. Os resultados obtidos permitiram constatar o quanto, em média, é maior a parcela dos rendimentos do trabalho das famílias mais pobres em detrimento das mais ricas, demonstrado na equação (7).

38(7)

39Na Equação (6), tem-se que yk é a renda do fator k como proporção da renda total e Ck é o índice de concentração para o fator k com relação à renda total; esse índice de concentração é obtido a partir da curva de concentração da renda do fator. Neste trabalho, utilizou-se a decomposição do índice de Gini da distribuição de renda domiciliar per capita. A metodologia estima a razão de concentração de cada parcela, na qual mede o grau de desigualdade daquele tipo de rendimento.

Base de dados

40Os dados utilizados para mensuração espacial em formato de shapefile foram extraídos do Instituto de Pesquisa Econômica Aplicada (IPEA, 2024). Outros dados foram extraídos do Instituto Brasileiro de Geografia e Estatística (IBGE, 2024), Ministério do Desenvolvimento Social (MDS, 2024) e Programa das Nações Unidas para o Desenvolvimento (PNUD, 2024). Foi utilizado o índice de GINI dos municípios da região Centro-Oeste para os anos de 2000 e 2010 de acordo com o censo municipal realizado nestes anos.

Resultados e discussão

41Entre 2000 e 2010, o Índice de Gini do Brasil, que mede uma desigualdade de renda, de 0,56 a 0,49. Apesar dessa queda, o índice brasileiro aumentou em comparação com outros países da América do Sul na mesma década, como Argentina (0,43), Paraguai (0,52) e Uruguai (0,40) (ONU, 2024). Segundo dados coletados do Atlas do Desenvolvimento Humano (Brasil, 2013) a região Norte apresentou uma redução de 0.580 em 2000 para 0.530 em 2010, a região nordeste saiu de 0.650 em 2000 para 0.590 em 2010, já a região centro-oeste, que é a base deste estudo, ouve uma redução de 0.570 em 2000 para 0.520 em 2010, seguindo a região sudeste também apresentou uma redução de 0.560 em 2000 para 0.500 em 2010 e por fim na região sul caiu o índice de 0.540 em 2000 para 0.470 em 2010, conclui-se notória evolução no perfil distributivo de renda nas regiões brasileiras entre 2000 e 2010, especialmente nas regiões Sul e Sudeste, onde encontra se os menores indicadores de desigualdade, conforme a Figura 6. As macrorregiões brasileiras registraram queda na desigualdade de renda, embora os valores sejam considerados relativamente altos para os padrões internacionais. Vale destacar a região Centro-Oeste do Brasil apresenta um alto índice de Gini, pois nela está incluso o Distrito Federal, que é a federação com a maior desigualdade de renda do país.

42Uma análise descritiva dos dados da Tabela 4 revela que, em 2000, a taxa de pobreza na região Centro-Oeste era de 20,4%, afetando 2,37 milhões de pessoas. No entanto, em 2010, essa taxa diminuiu para 8,7%, atingindo 1,21 milhões de pessoas. Assim, houve uma redução percentual significativa da pobreza, bem como uma diminuição no número absoluto de pessoas em situação de pobreza em todos os estados da região. Essa redução no número de pessoas pobres não foi exclusiva do Centro-Oeste, mas também ocorreu em outras regiões do Brasil. No âmbito nacional, a taxa de pobreza diminuiu de 27,9% da população em 2000 para 15,2% em 2010. Em termos absolutos, cerca de 18,4 milhões de pessoas saíram da pobreza, num contexto em que a população do país aumentou em aproximadamente 21 milhões de pessoas.

Tabela 4 - População, número de pobres e taxa de pobreza no centro-oeste brasileiro (2000 e 2010) – nº de pessoas

Estados / Anos	População Total		Número de Pobres		Taxa de pobreza (%)
	2000	2010	2000	2010	2000	2010
Mato Grosso	2.051.146	2.570.160	451.252	270.381	22	10,5
Mato Grosso do Sul	2.504.360	3.035.122	525.164	230.366	21	7,6
Distrito Federal	2.078.002	2.449.024	255.179	120.737	12,3	4,9
Goiás	5.003.230	6.003.788	1.142.237	595.576	22,8	9,9
Centro-Oeste	11.636.738	14.058.094	2.373.832	1.217.059	20,4	8,7
Total Brasil	169.798.885	190.755.799	47.373.889	28.994.881	27,9	15,2
Centro-Oeste/Brasil	6,90%	7,40%	5,00%	4,20%	-	-

Fonte: Elaborado pelos autores com base em dados do Atlas Brasil (2013).

43Ao analisar cada estado da região, nota-se que não houve grande variação em relação à média. Especificamente: Goiás apresentava uma taxa de pobreza de 21,0%; Mato Grosso do Sul tinha 22,8%; e Mato Grosso registrava 22,0% (Tabela 4). No entanto, ao observar os valores mínimos e máximos de cada estado, considerando-se os municípios, essa dispersão pode ser mais evidente.

44As Figuras 7 e 8 mostram as unidades da federação que pertencem à Região Centro-Oeste e o mapa de valores discrepantes do Índice de Gini dos municípios desta região nos anos 2000 e 2010, respectivamente.

45Conforme o Atlas Brasil (2013), a taxa de pobreza na região Centro-Oeste em 2000 era de 20,4%. O município de Sapezal (MT) teve o menor percentual, com 4,03%, enquanto Santa Rita do Trivelato (MT) apresentou a maior taxa, alcançando 84,4%.

46Enquanto alguns municípios tinham uma taxa de pobreza abaixo de 5% da população, em outros essa taxa superava 80%. Uma análise mais detalhada dos municípios, utilizando mapas, indica que muitos deles estão situados fora das principais rodovias e careciam de setores econômicos dinâmicos, como o agronegócio, que são essenciais para a geração de emprego e renda (ATLAS BRASIL, 2013).

47Nota-se que a maior parte dos municípios do Centro-Oeste apresentou Índice de Gini abaixo da média nacional com médias de 0,61 em 2000 e 0,57 em 2010, porém, existem exceções e alguns valores de alta discrepância (high outliers) observados no mapa da Figura 8, com destaque para o Distrito Federal, onde se encontra a maior desigualdade de renda do Brasil 0,63.

48Ao comparar a porcentagem de pessoas em situação de pobreza na região Centro-Oeste com o total de pobres no país, observa-se que, em 2000, a região representava 5,0% da pobreza nacional. Esse percentual teve uma leve redução para 4,2% em 2010. Nesse contexto, embora a pobreza no Brasil ainda fosse elevada e afetasse muitas pessoas em 2010, é possível notar que a situação em 2000 não era significativamente melhor, e essa análise pode ser aplicada também à região Centro-Oeste.

49Os resultados indicam que o aumento da renda per capita na Região Centro-Oeste impulsionada principalmente pelo agronegócio foi acompanhada de uma queda da desigualdade da renda, no entanto, os valores são influenciados pela inclusão dos dados do Distrito Federal e ainda são considerados relativamente altos comparando-se com países vizinhos. Existem valores de alta discrepância que indicam localidades onde a má distribuição de renda é mais importante e persistente.

50Com relação ao índice de Gini, verifica-se que, embora os três estados da região apresentassem indicadores bastante próximos da média (0,61), essa consistência não se mantinha dentro de cada estado. Tomando Mato Grosso como exemplo, o índice de Gini variava significativamente, com a menor desigualdade de renda registrada em 0,36, enquanto a maior alcançava 0,87. Nenhum outro estado da região exibiu uma disparidade tão grande. Quanto ao percentual de empregados com carteira assinada com 18 anos ou mais (pecca18), a média regional foi de 22,7%, com os estados mostrando percentuais próximos a essa média. No entanto, em muitos municípios, o percentual era inferior a 10%. Isso indica que a informalidade era bastante elevada na região (ATLAS BRASIL, 2013).

51Por outro lado, ao analisar o percentual de trabalhadores com 18 anos ou mais e com ensino superior completo (pocesc18), observa-se que, embora a média durante o período fosse de apenas 2,9%, a maior taxa registrada não ultrapassou 13,0%. Esses baixos números provavelmente ajudam a explicar o percentual de empregados com carteira assinada com 18 anos ou mais. Em outras palavras, a falta de formação acadêmica pode ser uma das razões para a alta informalidade (ATLAS BRASIL, 2013).

52Para 2010 houve uma melhora no índice de gini em relação ao ano comparativo de 2000, assim em detalhes observou-se também que as menores taxas de pobreza estão nos municípios em que o agronegócio é característico na economia, principalmente no Estado de Mato Grosso. No Mato Grosso do Sul os municípios de São Gabriel do Oeste (centro do Estado e ao longo da BR 163), bem como Chapadão do Sul (nordeste do Estado), também são caracterizados como municípios marcados pelo agronegócio. Para o caso do Mato Grosso do Sul, observa-se que as menores taxas de pobreza estão nos municípios da costa leste até a capital Campo Grande, chamando a atenção o município de Três Lagoas.

53A autocorrelação global univariada mensurada pelo índice I de Moran possibilita identificar se a variável de interesse, neste caso o Índice de Gini, apresenta associação espacial entre municípios vizinhos. A matriz de pesos espaciais utilizada para a análise do índice foi do tipo Rainha (Queen) para os anos de 2000 e 2010, este critério identifica os vizinhos como qualquer município que faça fronteira imediata com a localidade. O coeficiente I de Moran pode variar entre +1 e -1, sendo positivo indica autocorrelação espacial positiva e um coeficiente negativo próximo mostra autocorrelação espacial negativa.

54Para o presente estudo, a esperança para a estatística I de Moran no ano de 2000 foi de (-0,0106) e para o ano de 2010 foi de (0,0060). Observando os Diagramas de dispersão de Moran e os índices I de Moran da Figura 9, tem-se que a comparação da estatística I de Moran para os anos 2000 (0,4687) e 2010 (0,4694) com os valores da esperança estatística mostram que ambos os coeficientes indicam autocorrelação no espaço para o índice de Gini entre os municípios da Região Centro-Oeste. Os resultados positivos indicam que existe a tendência da formação de clusters espaciais Baixo-Baixo e Alto-Alto entre os municípios. Os valores do índice I de Moran no período de análise mostram variação relativamente pequena para serem considerados diferentes, assim, pode-se afirmar que o padrão de comportamento espacial é o mesmo para os dois anos. A Figura 10 ilustra os mapas de significância dos indicadores locais de associação espacial (LISA) do índice de Gini municipal da Região Centro-Oeste nos anos 2000 e 2010.

55Nota-se que as significâncias variam entre 0,01% e 5% para a formação dos clusters espaciais. Nota-se que a maior parte dos clusters foi formado dentro da significância p = 0,01 (1%), portanto, pode-se afirmar que existe boa confiabilidade nos resultados da análise exploratória.

56A Figura 11 ilustra os agrupamentos (clusters) das localidades que apresentam significância para o I de Moran Local. Como visto anteriormente, as aglomerações espaciais podem ser divididas em quatro categorias estatisticamente significantes: Alto-Alto, Baixo-Baixo, Baixo-Alto, Alto-Baixo. Considerando os resultados para o Diagrama de dispersão e índice I de Moran, espera-se a formação de clusters em sua maioria Baixo-Baixo e Alto-Alto. Ainda é possível visualizar na Figura 11 duas grandes áreas com aglomerações (clusters espaciais) do tipo Baixo-Baixo para o índice de Gini compreendendo quase todo Mato Grosso e Mato Grosso do Sul. Os agrupamentos são formados por municípios com valores abaixo da média circundados por vizinhos que apresentam a mesma característica.

57O padrão de formação espacial dos clusters Baixo-Baixo não difere significativamente entre os anos de 2000 e 2010, isso pode ser atribuído à baixa concentração industrial e demográfica nesses estados. Já para o Estado de Goiás foram encontrados clusters espaciais do tipo Baixo-Baixo em alguns pontos na mesorregião Sul e em sete municípios na Mesorregião Norte e em quatro municípios no Noroeste.

58Clusters espaciais Alto-Baixo foram identificados no Estado de Mato Grosso em três municípios em 2000 e quatro em 2010, sendo municípios com pequena participação na economia do Estado como São João do Povo, Novo Horizontino, Perolândia e Nova Guarita. Nos estados do Mato Grosso do Sul e Goiás não apresentaram clusters deste tipo. Agrupamentos do tipo Baixo-Alto foram verificados no Estado de Goiás em oito municípios em 2000 e nove em 2010 incluindo Brasília, ou seja, municípios com concentração de renda abaixo da média que estão rodeados de municípios com alto valor para a variável de interesse. Apesar, de Brasília apresentar um alto indicador de Gini (0,51) em 2010 ela está rodeada de pequenos municípios com valores superiores como os casos de Cocalzinho de Goiás (0,58), Cristalina (0,55) e Cabeceiras (0,51) colocando Brasília nesta aglomeração Baixo-Alto.

59Agrupamentos do tipo Alto-Alto, que neste caso se refere a municípios com alta concentração de renda circundados por outros com a mesma característica, estão presentes em Goiás, mais especificamente na mesorregião Central com 15 municípios onde estão as localidades com maiores valores de renda per capita do Centro Oeste, onde concentra quatro dos dez municípios com maiores valores do Produto Interno Bruto do Estado incluindo a capital Goiânia e na Mesorregião Sul com três cidades. É importante observar que a concentração de renda está relacionada à alta concentração industrial das regiões citadas e a não remuneração equitativa dos habitantes.

60Os resultados mostram que os clusters espaciais formados nos anos de 2000 e 2010 não diferem de forma importante mostrando a persistência da desigualdade da renda entre as localidades, principalmente nos clusters Alto-Alto no estado de Goiás e no Distrito Federal. O aumento da renda per capita da Região Centro-Oeste não modificou de forma significativa a estrutura da distribuição de renda nos municípios, o que implica na demanda por políticas públicas para que o crescimento econômico traga benefícios para a maior parte da população. Barros et al. (1997) destacam que o crescimento econômico deve estar acompanhado de políticas de redução do grau de desigualdade da renda com objetivo de que os benefícios do primeiro sejam alcançados por maior parte da população. Além disso, impactos do crescimento econômico balanceado e da redução do grau de desigualdade na distribuição de renda mostram que os níveis de pobreza são mais sensíveis a alterações neste último fator que no primeiro (Barros et al., 2001). Além disso, as políticas de distribuição de renda devem ser de longo prazo e não diminuir a liberdade econômica, de forma a possibilitar a ascensão social das populações mais pobres (Cysne, 2009).

61A disponibilidade de um sistema amplo de indicadores sociais relevantes e confiáveis por si não garante a formulação de políticas eficientes de distribuição de renda, pois esta não é uma atividade técnica e neutra e está sujeita a pressões sociais e subjetividade. Além disso, os recursos são escassos e competem com outras políticas (Januzzi, 2001). Portanto, os resultados obtidos para a Região Centro-Oeste indicam que o crescimento da renda per capita é um primeiro passo para o desenvolvimento econômico, que ocorrerá por meio da melhor distribuição da renda.

Conclusões

62O objetivo deste estudo foi avaliar a evolução do índice de Gini da renda por meio da análise exploratória de dados espaciais (AEDE) dos municípios da Região Centro-Oeste nos anos de 2000 e 2010. A análise identificou municípios com valores discrepantes e agrupamentos (clusters espaciais), resultados esses que são fundamentais para a formulação de políticas destinadas a melhorar a distribuição de renda.

63Sobre os principais resultados do estudo temos:

64Persistência da Desigualdade: O padrão espacial da desigualdade de renda nos municípios do Centro-Oeste manteve-se relativamente estável entre 2000 e 2010. O aumento da renda per capita não foi acompanhado por uma diminuição significativa da desigualdade, conforme evidenciado pelo índice de Gini. Especificamente, no estado de Mato Grosso, observou-se uma concentração significativa de riqueza em poucos municípios, que também apresentaram os menores índices de pobreza. A localização desses municípios, muitas vezes distantes das principais rodovias como a BR-163, exacerbou essas disparidades​​.

65Impacto da Localização e Infraestrutura: Os municípios afastados das principais rodovias e sem setores econômicos dinâmicos, como o agronegócio, mostraram níveis mais elevados de pobreza e desigualdade. Isto sublinha a importância de investir em infraestrutura e diversificação econômica para reduzir as disparidades regionais​​.

66Limitações da Avaliação Unidimensional da Desigualdade: A avaliação da distribuição de renda apenas pela linha de pobreza é insuficiente para entender a complexidade da desigualdade. Esta abordagem limitada pode prejudicar a formulação de políticas públicas eficazes a longo prazo. No Centro-Oeste, a desigualdade é estrutural e persistentemente elevada, especialmente na Mesorregião Central de Goiás​​.

67Assim como propostas de Intervenção este estudo observa:

68Investimentos em Infraestrutura: É crucial investir em infraestrutura, especialmente em áreas remotas, para melhorar a acessibilidade ao mercado e integrar economicamente os municípios isolados. Melhorar a conectividade ajudará a distribuir os benefícios do crescimento econômico de maneira mais equitativa​​.

69Educação e Capacitação: Ampliar o acesso à educação superior e a programas de capacitação profissional é essencial. A educação melhora a empregabilidade, aumenta a produtividade e potencial de renda, e é uma ferramenta fundamental para reduzir a informalidade no mercado de trabalho​​.

70Políticas de Distribuição de Renda: Implementar políticas de redistribuição de renda sustentáveis é necessário. Reformas tributárias progressivas e programas sociais amplos, baseados em indicadores variados de desigualdade como o coeficiente de Gini e o índice de Palma, são recomendados para que os benefícios do crescimento econômico sejam mais amplamente compartilhados​​.

71Avaliação Contínua e Ajustes Policiais: Monitorar continuamente os indicadores de desigualdade e ajustar as políticas conforme necessário é vital. Utilizar diferentes indicadores de desigualdade proporciona uma visão mais abrangente e precisa da distribuição de renda e da qualidade de vida nas diferentes regiões​​.

72Deste modo, o crescimento econômico na Região Centro-Oeste, impulsionado pela agroindustrialização e investimentos em infraestrutura, deve ser acompanhado por políticas de distribuição de renda para que os benefícios em termos de qualidade de vida alcancem a maior parte da população. A desigualdade na região é estrutural e persistente, demandando intervenções multifacetadas que incluam melhorias na infraestrutura, educação, reformas tributárias e políticas de gastos sociais.

73O estudo conclui que uma abordagem integrada e robusta é necessária para transformar o crescimento econômico em desenvolvimento humano e social sustentável. Investir em educação, infraestrutura e políticas redistributivas pode ter um impacto significativo na redução das desigualdades regionais e proporcionar uma melhor qualidade de vida para a população. Novos estudos que utilizem indicadores variados de qualidade de vida e distribuição de renda são essenciais para identificar áreas prioritárias e elaborar políticas de desenvolvimento eficazes.

74Esta abordagem integrada permitirá não apenas a redução da desigualdade, mas também o fortalecimento do desenvolvimento regional e a promoção de uma sociedade mais justa e equitativa.