Resumo
Este estudo analisa a dinâmica espacial das taxas de crescimento populacional dos municípios de Minas Gerais entre 2000 e 2022, comparando os subperíodos 2000–2010 e 2010–2022. Estimam-se taxas médias anuais de crescimento populacional, variação real do PIB total e setorial, aplicando-se em seguida o Índice de Moran Global e Local (univariado e bivariado) e o Spatial Error Model. Os resultados revelam polarização territorial: corredores de crescimento consolidam-se no Centro, Sul e Triângulo Mineiro, enquanto o Norte, Nordeste e Vale do Jequitinhonha apresentam decréscimo populacional. O crescimento do PIB e a recomposição setorial associam-se robustamente às maiores taxas demográficas.
Palavras-chave: Análise Espacial; Crescimento Populacional; Minas Gerais; Modelo de Erro Espacial; Desenvolvimento Regional.
Abstract
This study analyses the spatial dynamics of population growth rates in Minas Gerais municipalities from 2000 to 2022, comparing subperiods 2000–2010 and 2010–2022. Annual average growth rates and real GDP variation are estimated, followed by Global and Local Moran’s I (univariate and bivariate) and the Spatial Error Model. Results reveal strong territorial polarisation: growth corridors consolidate in the Centre, South and Triângulo Mineiro, while the North, Northeast and Vale do Jequitinhonha deepen a pattern of population decline. GDP growth and sectoral recomposition are robustly associated with higher demographic growth rates.
Keywords: Spatial Analysis; Population Growth; Minas Gerais; Spatial Error Model; Regional Development.
¹ Bacharel em Estatística (UFMG); Mestrando em Demografia no Centro de Desenvolvimento e Planejamento Regional (CEDEPLAR), UFMG. E-mail: louirs50@gmail.com
² Bacharel em Estatística (UFMG); Mestrando em Demografia no Centro de Desenvolvimento e Planejamento Regional (CEDEPLAR), UFMG. E-mail: leonardopenna97@hotmail.com
1 – INTRODUÇÃO E OBJETIVOS
Minas Gerais é um dos estados mais extensos e populosos do Brasil e, ao mesmo tempo, uma unidade federativa marcada por grandes contrastes internos entre regiões de forte dinamismo econômico e vastas áreas historicamente periféricas. Ao longo do século XX, o estado viu sua participação relativa na população brasileira diminuir, ao passo que consolidava uma rede urbana mais complexa, em que a Região Metropolitana de Belo Horizonte, o Triângulo Mineiro e o Sul de Minas assumiram papéis centrais como áreas de concentração populacional e econômica. Nesse contexto, os censos e as estatísticas recentes evidenciam um processo de desaceleração do crescimento demográfico e de reconfiguração das bases econômicas, que não se distribuem de maneira homogênea no território, mas se organizam em padrões espaciais claramente diferenciados.
De um lado, autores como Brito e Horta mostram que Minas Gerais historicamente cresceu abaixo da média nacional e entrou no século XXI com forte diversidade regional em termos de distribuição e crescimento da população, destacando o papel das Regiões de Planejamento e, em particular, da região Central como principal polo de atração populacional. De outro lado, trabalhos como o de Martins, Bertolucci e Oliveira chamam atenção para a articulação entre crescimento populacional, especialização produtiva e capacidade de polarização econômica de municípios selecionados, sugerindo que o dinamismo demográfico recente tende a se concentrar em áreas que combinam emprego, serviços e infraestrutura. Assim, torna-se pertinente perguntar se, na virada do século e nas duas primeiras décadas dos anos 2000, o padrão de crescimento populacional municipal em Minas Gerais se organiza em novos arranjos espaciais ou se aprofunda, com outras ferramentas analíticas, a polarização já indicada pela literatura anterior.
Diante disso, este artigo tem como objetivo geral avaliar a estrutura espacial das taxas médias anuais de crescimento populacional dos 853 municípios de Minas Gerais entre 2000 e 2022, com ênfase na comparação entre os subperíodos 2000–2010 e 2010–2022. Em segundo lugar, busca-se examinar a associação entre essas taxas e a variação real do PIB municipal, bem como a recomposição da estrutura produtiva, considerando a participação relativa de agropecuária, indústria, serviços, administração pública e impostos. Dessa forma, pretende-se não apenas mapear áreas de concentração e de decréscimo populacional, mas também interpretar em que medida o crescimento demográfico recente se vincula a trajetórias econômicas diferenciadas, o que pode subsidiar reflexões sobre planejamento regional e políticas de desenvolvimento.
2 – DADOS E METODOLOGIA
2.1 Dados
A análise combina duas bases municipais referentes a Minas Gerais, articuladas de modo a permitir uma leitura integrada da dinâmica demográfica e econômica ao longo de pouco mais de duas décadas. A primeira base reúne as populações municipais nos anos de 2000, 2010 e 2022, além das taxas médias anuais de crescimento populacional referentes aos períodos 2000–2010, 2010–2022 e 2000–2022, já expressas em termos percentuais padronizados, o que evita discrepâncias decorrentes de durações distintas dos intervalos e facilita a comparação entre municípios com tamanhos populacionais bastante diferentes. A segunda base agrega informações sobre o Produto Interno Bruto municipal total e por setor, para os anos de 2002, 2010 e 2021, contemplando agropecuária, indústria, serviços, administração pública e impostos, bem como suas variações médias anuais ao longo dos períodos 2002–2010, 2010–2021 e 2002–2021.
A utilização de 2002 e 2021 como aproximações para 2000 e 2022, respectivamente, decorre de limitações de disponibilidade da série padronizada da Fundação João Pinheiro, o que introduz um leve descompasso temporal entre os indicadores demográficos e econômicos. Ainda que essa defasagem seja pequena, ela é metodologicamente relevante, razão pela qual se explicita que os resultados indicam associações em janelas temporais muito próximas, mas não estritamente coincidentes, o que exige certa cautela na interpretação causal direta entre crescimento populacional e variação do PIB. Não obstante, assume-se que, em termos de tendências de médio prazo, a estrutura e o ritmo do crescimento econômico municipal não se alteram de forma abrupta em intervalos tão curtos, o que autoriza o uso dessa aproximação como um compromisso empiricamente razoável entre precisão e viabilidade de dados.
Todos os indicadores econômicos foram convertidos para valores reais por meio da aplicação de deflatores implícitos anuais fornecidos pelo IPEA, acumulando-se, para cada período, o produto das variações anuais necessárias para trazer o PIB inicial à mesma base monetária do PIB final. Assim, por exemplo, ao comparar o PIB de 2002 e 2010, atualiza-se o valor de 2002 dividindo-o pelo produto de ((1+d_k)) ao longo dos anos intermediários, em que cada (d_k) representa o deflator correspondente ao ano (k). Em virtude da inexistência de deflatores desagregados em nível municipal, considera-se que o uso de deflatores nacionais é a alternativa empiricamente mais consistente, ainda que se reconheça, como ressalva, que variações de preços locais não são capturadas integralmente por esse procedimento.
2.2 Padronização das taxas e construção das variáveis
Para assegurar comparabilidade entre períodos de durações distintas e reduzir a influência de assimetrias, todas as taxas foram expressas na forma de crescimento médio anual em escala logarítmica. Nesse sentido, a taxa média anual de crescimento populacional de um município entre os anos 0 e t foi calculada pela expressão:
\[ r = \frac{1}{n}\ln\left(\frac{P_t}{P_0}\right) \]
em que (P_t) e (P_0) são as populações no final e no início do intervalo e n representa o número de anos do período considerado, de modo que a transformação logarítmica contribui para estabilizar variâncias e tornar as distribuições mais simétricas. Além disso, quando necessário, as taxas foram convertidas para porcentagens ao multiplicar o resultado por 100, o que facilita a interpretação substantiva dos valores de crescimento anual médio em termos de pontos percentuais.
De modo análogo, a variação real do PIB municipal foi estimada a partir de valores deflacionados, e a taxa média anual foi obtida pela fórmula:
\[ g = \frac{1}{n}\ln\left(\frac{Y_t^{real}}{Y_0^{real}}\right) \]
sendo (Y_t^{real}) e (Y_0^{real}) os os níveis de PIB real no final e no início de cada período, respectivamente, e (n) a duração em anos. No caso das variáveis setoriais, utilizou-se a variação da participação de cada setor no PIB municipal, calculada como (s = (s_t) - (s_0)), em que (s_t) e (s_0) representam a participação relativa do setor no período final e inicial, de modo a capturar mudanças estruturais na composição da economia local sem necessidade de padronizações adicionais.
2.3 Análise espacial: Moran Global, LISA univariado e bivariado
A etapa seguinte consistiu em identificar a existência e a intensidade de autocorrelação espacial nas taxas de crescimento populacional e na sua relação com o crescimento do PIB, por meio do Índice de Moran Global e dos Indicadores Locais de Associação Espacial (LISA). Para tanto, construiu-se uma matriz de contiguidade do tipo queen de primeira ordem para os 853 municípios, considerando como vizinhos todos aqueles que compartilham lado ou vértice, e padronizou-se essa matriz em linha, de modo que a soma das ponderações em cada linha fosse igual a um, garantindo coerência na interpretação dos pesos espaciais. Em seguida, calcularam-se o Moran Global univariado para as taxas de crescimento populacional e o Moran Global bivariado relacionando o crescimento populacional de cada município ao crescimento real do PIB de seus vizinhos, adotando-se 999 permutações aleatórias e nível de significância de 5%.
No caso dos indicadores locais, aplicou-se o LISA univariado às taxas de crescimento populacional, identificando padrões do tipo alto–alto, baixo–baixo, alto–baixo e baixo–alto, a partir da combinação entre o valor padronizado do município e a média ponderada de seus vizinhos. Assim, cada município foi classificado conforme seu pertencimento a clusters de crescimento elevado circundados por áreas também dinâmicas, a bolsões de decréscimo ou estagnação cercados por vizinhos em situação semelhante, ou ainda a situações de descompasso em relação ao entorno, configurando outliers espaciais. De forma complementar, o LISA bivariado foi utilizado para examinar se municípios com alto (ou baixo) crescimento populacional tendem a estar próximos de municípios com altos (ou baixos) níveis de crescimento real do PIB.
É importante esclarecer que os valores de 0,313, 0,375 e 0,387 apresentados para as diferentes janelas temporais correspondem ao Índice de Moran Global univariado aplicado às taxas médias anuais de crescimento populacional, e não aos indicadores locais. Do mesmo modo, os valores de 0,151, 0,122 e 0,101 referem-se ao Moran Global bivariado entre crescimento populacional e crescimento real do PIB dos vizinhos, indicando autocorrelação espacial positiva, embora fraca, nessa relação cruzada.
2.4 Modelagem econométrica espacial: Spatial Error Model (SEM)
Após a análise exploratória, procedeu-se à estimação de modelos de regressão espacial com vistas a quantificar a associação entre a taxa média anual de crescimento populacional e o conjunto de variáveis econômicas consideradas. Inicialmente, foram estimados modelos lineares clássicos (OLS) e, em seguida, aplicados testes de autocorrelação espacial nos resíduos, os quais apontaram a presença de dependência espacial significativa, sugerindo que fatores regionais não observados influenciam simultaneamente grupos de municípios vizinhos. Diante desse diagnóstico, optou-se pela estimação de um modelo de Erro Espacial (Spatial Error Model – SEM), mais adequado para capturar essa estrutura de correlação espacial residual e evitar inferências enviesadas nos parâmetros associados às covariáveis.
No SEM, parte-se da especificação básica (y = X+ u), em que y representa o vetor da taxa de crescimento populacional, (X) é a matriz de covariáveis econômicas e setoriais, () é o vetor de coeficientes a ser estimado e (u) é o termo de erro que incorpora a dependência espacial. Em seguida, assume-se que esse termo de erro obedece à relação (u = Wu + ), em que (W) é a matriz de contiguidade row-standardized, () é o parâmetro de autocorrelação espacial dos resíduos e ε é um vetor de erros aleatórios independentes e identicamente distribuídos, com média zero e variância constante. Dessa forma, o parâmetro () mede o quanto fatores não observados se propagam no espaço através da vizinhança definida por (W), de maneira que sua significância estatística indica a necessidade de tratamento explícito da dimensão espacial no componente não explicado do modelo.
As variáveis explicativas incluídas foram a taxa média anual de crescimento real do PIB municipal e as variações na participação relativa de agropecuária, indústria, serviços, administração pública e impostos no PIB ao longo dos períodos de interesse. Ainda que o modelo permita controlar a dependência espacial residual, os coeficientes estimados devem ser interpretados como medidas de associação condicional e não como prova de causalidade estrita, pois permanece a possibilidade de simultaneidade entre crescimento econômico e crescimento populacional, bem como de omissão de outras variáveis relevantes não observadas.
2.5 Metodologia
A análise empírica foi estruturada em três etapas principais: (i) padronização e construção das variáveis dependentes e independentes; (ii) identificação de padrões de autocorrelação espacial por meio dos indicadores de Moran univariado e bivariado; e (iii) estimação de modelos econométricos espaciais para avaliar a associação entre crescimento populacional e variáveis econômicas e setoriais.
Padronização das taxas e construção das variáveis
Para garantir comparabilidade entre os períodos analisados e entre os municípios mineiros, todas as taxas foram padronizadas por meio do cálculo das taxas médias anuais de crescimento, obtidas pela forma logarítmica. Essa padronização é essencial devido às diferenças na duração dos períodos analisados e às variações absolutas entre municípios, permitindo uma interpretação consistente das magnitudes de crescimento.
a) Crescimento populacional
A taxa média anual de crescimento populacional foi calculada utilizando a seguinte expressão:
\[ \frac{\ln\left(\frac{P_t}{P_0}\right)}{n} \]
em que (P_t) e (P_0) correspondem às populações no final e no início do período, respectivamente, e (n) é o número de anos. Essa transformação logarítmica elimina assimetrias, estabiliza variâncias e assegura que as taxas entre 2000–2010, 2010–2022 e 2000–2022 sejam comparáveis entre si.
b) PIB municipal e deflacionamento
A comparação temporal do PIB exigiu a conversão dos valores nominais em valores reais. Para isso, aplicaram-se deflatores implícitos anuais do IPEA, acumulados para igualar o período inicial ao período final. Assim, para comparar o PIB real de 2002 com o de 2010, por exemplo, utilizou-se:
\[ \frac{1}{n}\ln\left(\frac{PIB_{2010}}{PIB_{2002}\times D_{2003\to2010}}\right) \]
em que (D_{2003}) representa o produtório dos deflatores anuais acrescidos de 1, ou seja:
\[ D_{2003\to2010} = \prod_{i=2003}^{2010}(1 + deflator_i) \]
Esse procedimento assegura que o PIB inicial esteja expresso na mesma base monetária do PIB final, permitindo o cálculo adequado das taxas reais de variação.
c) Participação setorial no PIB
As variáveis referentes à representatividade dos setores (agropecuária, indústria, serviços, administração pública e impostos) já estavam expressas em percentuais. Assim, sua variação ao longo dos períodos foi estimada pela forma logarítmica simples:
\[ \ln\left(\frac{\%_t}{\%_0}\right) \]
como, por exemplo:
\[ \ln\left(\frac{\%_{agro,t}}{\%_{agro,0}}\right) \]
Essa medida captura mudanças relativas na estrutura produtiva municipal sem necessidade de padronizações adicionais.
Análise exploratória espacial: Moran’s I univariado e bivariado
Com as variáveis padronizadas, procedeu-se à análise de autocorrelação espacial. Inicialmente, foi construída uma matriz de contiguidade Queen de primeira ordem para os 853 municípios mineiros, permitindo captar toda forma de adjacência, contiguidade por lado ou vértice.
a) Moran’s I univariado
Calculou-se o Local Indicators of Spatial Association (LISA) univariado para as taxas de crescimento populacional. Esse procedimento permitiu identificar clusters espaciais do tipo:
- alto-alto (regiões com forte crescimento cercadas por municípios semelhantes),
- baixo-baixo,
- alto-baixo,
- baixo-alto.
Geraram-se mapas LISA e valores de significância, destacando padrões de concentração espacial do crescimento populacional no estado.
b) Moran’s I bivariado
Em seguida, aplicou-se o Moran Local bivariado, tendo como:
- primeira variável: taxa média anual de crescimento populacional
- segunda variável: variação real do PIB médial anual no mesmo período.
Esse indicador permite avaliar se municípios com alto crescimento populacional tendem a estar próximos de municípios com alta variação do PIB (ou o inverso). Mapas de clusters bivariados foram produzidos para interpretar espacialmente essa correlação cruzada.
Modelagem espacial
Após constatada a presença de autocorrelação espacial na variável dependente e nos resíduos dos modelos OLS, estimou-se um modelo econométrico espacial.
a) Variável dependente e covariáveis
A variável resposta utilizada foi:
- Taxa média anual de crescimento populacional (2000–2022, 2000-2010 e 2010-2022)
As covariáveis incluídas no modelo, para o mesmo período da variável resposta, foram:
- variação real do PIB,
- variação da participação da agropecuária no PIB,
- variação da participação da indústria no PIB,
- variação da participação dos serviços no PIB,
- variação da participação da administração pública no PIB,
- variação da participação dos impostos no PIB.
Todas padronizadas conforme descrito anteriormente.
b) Escolha do modelo: Spatial Error Model (SEM)
A escolha pelo modelo de Erro Espacial (SEM) decorre dos diagnósticos de dependência espacial realizados após a estimação preliminar dos modelos OLS. Os testes de Moran nos resíduos indicaram autocorrelação significativa, sugerindo que parte da variabilidade não explicada possuía estrutura espacial.
O SEM assume que o termo de erro contém componentes espaciais correlacionados devido a fatores não observados, tais como:
- características infraestruturais,
- fatores institucionais ou políticos,
- padrões culturais e históricos regionais,
- elementos ambientais e de localização econômica.
Essas variáveis, embora relevantes, não estão disponíveis na base utilizada e acabam produzindo autocorrelação espacial nos resíduos. O modelo, então, corrige essa estrutura, assumindo:
\[ y = X\beta + u, \quad \text{sendo} \quad u = \lambda Wu + \varepsilon \]
onde (W) é a matriz de contiguidade, lambda é o coeficiente de autocorrelação espacial do erro, e () o erro aleatório.
Assim, o SEM é o modelo mais apropriado para capturar a influência desses fatores latentes que afetam conjuntamente grupos de municípios e interferem no crescimento populacional.
3 – RESULTADOS
A Figura 1 apresenta a taxa média anual de crescimento populacional dos municípios de Minas Gerais, em porcentagem, para o período total de 2000 a 2022, e para os subperíodos de 2000 a 2010 e 2010 a 2022. A análise espacial desses mapas revela uma dinâmica demográfica de forte polarização e o aprofundamento das disparidades regionais no estado ao longo das últimas duas décadas.
A figura geral (2000–2022) sintetiza a tendência de longo prazo, evidenciando uma clara divisão espacial do estado. O primeiro grande padrão corresponde ao Eixo de Concentração e Crescimento, que abrange o Sul, Sudeste, Centro e Triângulo Mineiro. As áreas de crescimento positivo concentram-se nas regiões mais desenvolvidas e dinâmicas de Minas Gerais, com intensidade particularmente elevada na Região Metropolitana de Belo Horizonte (RMBH) e em seu entorno, no Triângulo Mineiro/Alto Paranaíba, marcado por eixos de agronegócio e logística, e também em polos regionais do Sul e Sudeste do estado. Esse padrão de expansão demográfica e econômica é impulsionado pela atração de fluxos migratórios internos e externos, refletindo a concentração de oportunidades de emprego, serviços e infraestrutura.
O segundo padrão identificado corresponde ao Eixo de Decréscimo e Expulsão, predominante no Norte, Nordeste e Vale do Jequitinhonha. Nessa vasta faixa do território mineiro, observa-se uma extensa e contínua mancha de municípios com crescimento negativo. A predominância dessas tonalidades indica que a taxa de emigração supera tanto a taxa de natalidade quanto a de imigração, resultando em um saldo migratório líquido negativo e consequente perda populacional. Essas regiões, historicamente marcadas por menor desenvolvimento econômico, maior vulnerabilidade social e oferta limitada de serviços, tornam-se áreas de expulsão populacional, sobretudo de jovens em idade produtiva.
A análise comparativa entre os dois subperíodos revela que essas tendências não apenas persistem, como se intensificam ao longo do tempo, aprofundando a polarização demográfica no estado. A principal mudança observada é a aceleração da perda populacional justamente nas regiões tradicionalmente caracterizadas como áreas de expulsão. No período 2000–2010, o decréscimo estava presente, mas havia uma maior dispersão de municípios em situação de estagnação. Entre 2010 e 2022, contudo, ocorre um aumento expressivo da área coberta por tonalidades que indicam decréscimo acentuado, com a crise demográfica disseminando-se para novas áreas. Além disso, nas regiões de crescimento, a dinâmica torna-se mais seletiva e concentrada, reforçando a tendência de metropolização do crescimento.
A Figura 2 ilustra a taxa média anual de variação do Produto Interno Bruto (PIB) real dos municípios de Minas Gerais para o período total de 2002 a 2021, e para os subperíodos de 2002 a 2010 e 2010 a 2021. A análise espacial desses mapas revela uma transição de um crescimento econômico mais generalizado para um cenário de desaceleração e maior polarização do dinamismo econômico no estado.
A figura geral do variação do PIB real de Minas Gerais entre 2002 e 2021 mostra que, embora a maior parte dos municípios tenha registrado crescimento, esse dinamismo se concentrou em eixos econômicos bem definidos. O Triângulo Mineiro e o Alto Paranaíba apresentam forte expansão, impulsionada pelo agronegócio e pela logística, enquanto alguns municípios com presença de mineração ou siderurgia exibem crescimento expressivo. Em contraste, as áreas em contração econômica aparecem sobretudo no Norte, Nordeste e Vale do Jequitinhonha. A comparação entre os subperíodos revela uma transição marcada: o período de 2002 a 2010 foi caracterizado por expansão econômica relativamente homogênea, enquanto entre 2010 e 2021 observa-se desaceleração significativa. A relação entre a evolução do PIB real e a dinâmica populacional aprofunda esse diagnóstico, pois as regiões de menor PIB coincidem com as de maior perda demográfica, formando um ciclo vicioso de fragilidade econômica e emigração.
A Figura 3 de Cluster LISA (Local Indicators of Spatial Association) Univariado de Moran para a taxa média anual de crescimento populacional dos municípios de Minas Gerais (2000–2022, 2000–2010 e 2010–2022) tem como objetivo identificar e quantificar os padrões de autocorrelação espacial.
Moran Local Uni – 2000 a 2022: 0,387 | Moran Local Uni – 2000 a 2010: 0,313 | Moran Local Uni – 2010 a 2022: 0,375
Os valores do I de Moran Global Univariado confirmam a presença de uma forte autocorrelação espacial positiva no estado ao longo de todo o período analisado. A elevação do índice de 0,313 na primeira década (2000–2010) para 0,375 na segunda (2010–2022) mostra que o agrupamento espacial de padrões de crescimento e de perda populacional se intensificou, evidenciando maior polarização regional na última década. Os clusters High-High permanecem concentrados no Triângulo Mineiro/Alto Paranaíba e em parte do Centro-Oeste e Sul de Minas, enquanto os clusters Low-Low continuam amplos e densos no Norte, Nordeste e Vale do Jequitinhonha.
A análise da Figura 4, referente ao Moran Local Bivariado (BiLISA), permite identificar a relação espacial entre o crescimento populacional dos municípios e o crescimento do PIB real de seus vizinhos.
Moran Local Bivariado – 2000 a 2022: 0,151 | 2000 a 2010: 0,122 | 2010 a 2022: 0,101
Os valores de Moran Global Bivariado encontrados indicam uma autocorrelação espacial positiva, porém fraca, entre crescimento populacional e dinamismo econômico regional. A queda do índice entre os dois subperíodos mostra que, após 2010, a associação espacial se fragmentou, com maior heterogeneidade nos padrões de crescimento. Em conjunto, os resultados mostram que a associação entre crescimento populacional e crescimento do PIB nos vizinhos existe, mas ocorre de forma seletiva e regionalizada.
A análise baseada no modelo Spatial Error Model (SEM), sintetizada na Tabela 1, indica que o crescimento populacional dos municípios mineiros entre 2000 e 2022 é influenciado por fortes fatores espaciais não observados. O parâmetro Lambda mostrou valores elevados e altamente significativos em todos os períodos, demonstrando que características regionais compartilhadas, como infraestrutura, condições socioambientais e dinâmicas históricas, afetam simultaneamente municípios vizinhos.
Tabela 1. Coeficientes e Estatísticas do Spatial Error Model (SEM) explicando a taxa média anual de crescimento populacional com base em covariáveis referentes ao PIB dos municípios da UF de Minas Gerais, 2000 a 2022, 2000 a 2010 e 2010 a 2022.
| Variável / Estatística | 2000–2022 | 2000–2010 | 2010–2022 |
|---|---|---|---|
| Constante | -0,942*** | -0,824*** | -0,355*** |
| PIB (cresc. médio real anual) | 1,498*** | 0,988*** | 1,086*** |
| Agricultura (var % no PIB) | 0,00385*** | 0,00399* | 0,00260 (p=0,057) |
| Indústria (var % no PIB) | 0,00180* | -0,00055 (p=0,692) | 0,00396*** |
| Serviços (var % no PIB) | 0,00755** | 0,00116 (p=0,788) | 0,01345*** |
| Administração (var % no PIB) | 0,07704*** | 0,12181*** | 0,09389*** |
| Impostos (var % no PIB) | 0,00144 (p=0,190) | -0,00010 (p=0,956) | 0,00162 (p=0,341) |
| LAMBDA (erro espacial) | 0,6140*** | 0,4971*** | 0,5787*** |
| R² | 0,6734 | 0,5135 | 0,4975 |
| Log-verossimilhança | -636,76 | -928,72 | -871,97 |
| AIC | 1287,52 | 1871,45 | 1757,95 |
| Breusch-Pagan | 633,11*** | 402,08*** | 54,86*** |
| LR Test (erro espacial) | 213,61*** | 112,71*** | 190,06*** |
Nota: p < 0,001; p < 0,01; p < 0,05.
Fonte: elaboração própria.
Os resultados revelam que o crescimento do PIB é, de forma consistente, o principal motor do aumento populacional no estado. Municípios economicamente dinâmicos atraem e retêm mais habitantes ao longo de todo o período analisado. Além disso, a participação da Administração Pública funciona como um forte indutor demográfico, especialmente entre 2000 e 2010. A partir de 2010, observa-se uma mudança importante: setores como Indústria e Serviços, que não haviam apresentado impacto estatisticamente significativo no primeiro decênio, passam a contribuir positivamente para o crescimento demográfico no período 2010–2022. Essa inflexão indica uma transição: municípios com economias mais diversificadas e com maior dinamismo privado tornaram-se mais atrativos para migração e retenção de população. A agricultura, embora estatisticamente significativa, mostra impacto muito reduzido, refletindo o processo de mecanização e o baixo potencial de geração de empregos diretos.
4 – CONSIDERAÇÕES FINAIS
A análise espacial das taxas de crescimento populacional dos municípios de Minas Gerais entre 2000 e 2022 evidencia um estado que se torna simultaneamente mais urbano, mais seletivo e mais polarizado. Em diálogo com a literatura clássica, os resultados confirmam diagnósticos anteriores de baixa dinâmica agregada, forte heterogeneidade regional e concentração demográfica na região Central e em sua metrópole. Embora esse padrão se reconfigure ao longo do tempo, ele não se rompe: a centralidade econômica e populacional de Belo Horizonte, do Triângulo Mineiro/Alto Paranaíba e de partes do Sul e Centro-Oeste se fortalece, enquanto o Norte, o Nordeste e o Jequitinhonha seguem como áreas de expulsão.
Esse quadro é reforçado pelas análises de Moran Global e LISA, que destacam a emergência e consolidação de corredores de crescimento associados a economias mais diversificadas e integradas. A combinação entre emprego, terciarização e infraestrutura urbana continua sendo uma chave explicativa para a manutenção desses polos, sobretudo em um contexto de desaceleração demográfica estadual.
A trajetória temporal dos coeficientes do modelo SEM mostra que, na primeira década, a Administração Pública atuou como principal âncora demográfica, especialmente em municípios pequenos e pouco diversificados, dependentes de emprego estatal e de transferências. Já entre 2010 e 2022, a maior relevância da Indústria e, sobretudo, dos Serviços indica uma transição para bases econômicas mais modernas.
O modelo de erro espacial reforça essa leitura ao evidenciar forte autocorrelação residual, expressa no parâmetro lambda, indicando que o crescimento populacional não é um fenômeno isolado, mas condicionado por fatores regionais não observados, como infraestrutura, conectividade territorial e dinâmicas supramunicipais, ainda não incorporados ao modelo.
As implicações para políticas públicas são claras: programas de desenvolvimento regional devem ir além do aumento do PIB agregado, priorizando a estruturação de cadeias produtivas sustentáveis, especialmente nos serviços, e investimentos robustos em infraestrutura física e digital. Sem estratégias que combinem políticas sociais, diversificação produtiva e articulação territorial, corre-se o risco de ampliar o distanciamento entre corredores dinâmicos e cinturões de esvaziamento.
Por fim, os resultados abrem frentes promissoras para pesquisas futuras. Investigações que incorporem medidas de infraestrutura, conectividade, mobilidade cotidiana e atributos sociodemográficos podem esclarecer se a autocorrelação capturada pelo termo de erro do SEM está associada à rede urbana e às oportunidades efetivas de inserção produtiva.
5 – REFERÊNCIAS
ANSELIN, L.; SYABRI, I.; KHO, Y. GeoDa: an introduction to spatial data analysis. Geographical Analysis, v. 38, n. 1, p. 5–22, 2006. https://doi.org/10.1111/j.0016-7363.2005.00671.x
ANSELIN, L. Local Indicators of Spatial Association — LISA. Geographical Analysis, v. 27, n. 2, p. 93–115, 1995. https://doi.org/10.1111/j.1538-4632.1995.tb00338.x
ANSELIN, L. Spatial Econometrics: Methods and Models. Dordrecht: Kluwer Academic Publishers, 1988. https://doi.org/10.1007/978-94-015-7799-1
BRITO, F.; HORTA, C. J. G. Minas Gerais: crescimento demográfico, migrações e distribuição espacial da população. In: Seminário sobre a Economia Mineira, 10, 2002, Diamantina. Anais […]. Belo Horizonte: UFMG/CEDEPLAR, 2002.
BREUSCH, T. S.; PAGAN, A. R. A simple test for heteroscedasticity and random coefficient variation. Econometrica, v. 47, n. 5, p. 1287–1294, 1979.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA – IBGE. População dos municípios mineiros: 2000, 2010 e 2022. [s.l.], [s.d.]. Dados demográficos utilizados para o cálculo das taxas médias anuais de crescimento populacional. Disponível em: https://www.ibge.gov.br/estatisticas/sociais/populacao.html. Acesso em: [07/12/2025].
FUNDAÇÃO JOÃO PINHEIRO – FJP. Produto Interno Bruto dos Municípios de Minas Gerais (PIB Municipal): 2002, 2010 e 2021. Belo Horizonte, [s.d.]. Dados econômicos por setor (Agropecuária, Indústria, Serviços, Administração Pública e Impostos). Disponível em: https://fjp.mg.gov.br/produto-interno-bruto-pib-de-minas-gerais/. Acesso em: [07/12/2025].
INSTITUTO DE PESQUISA ECONÔMICA APLICADA – IPEA. Deflator Implícito do PIB – Série Anual. Ipeadata, [s.d.]. Série utilizada para a deflação dos valores nominais do PIB e cálculo das variações reais. Disponível em: http://www.ipeadata.gov.br/ExibeSerie.aspx?serid=1184389724&module=M. Acesso em: [07/12/2025].
LESAGE, J.; PACE, R. K. Introduction to Spatial Econometrics. Boca Raton: CRC Press (Chapman and Hall), 2009. ISBN 978-1-4200-6424-7.
MARTINS, H. E. P.; BERTOLUCCI, L.; OLIVEIRA, P. L. Crescimento populacional, evolução econômica recente e capacidade de polarização: um estudo em municípios de Minas Gerais. Análise Econômica, Porto Alegre, ano 27, n. 52, p. 25-50, set. 2009.
MORAN, P. A. P. Notes on continuous stochastic phenomena. Biometrika, v. 37, n. 1-2, p. 17–23, jun. 1950. https://doi.org/10.1093/biomet/37.1-2.17