SciELO - Scientific Electronic Library Online

 
vol.24 issue1The importance of Open Science in Business researchGift-giving, Love Styles, and Sacrifice: An Analysis Among Romantic Partners author indexsubject indexarticles search
Home Pagealphabetic serial listing  

Services on Demand

Journal

Article

Indicators

Related links

Share


Revista de Administração Contemporânea

Print version ISSN 1415-6555On-line version ISSN 1982-7849

Rev. adm. contemp. vol.24 no.1 Curitiba Jan./Feb. 2020  Epub Dec 20, 2019

https://doi.org/10.1590/1982-7849rac2020190230 

Artigos

Política de Expansão das Universidades Federais: É Possível Potencializar os Impactos Econômicos?

Expansion of Brazilian Federal Universities: Is It Possible to Raise Economic Impacts?

Marcelo Ponte Barbosa1 
http://orcid.org/0000-0002-9964-605X

Francis Carlo Petterini2 
http://orcid.org/0000-0003-4410-0970

Roberto Tatiwa Ferreira3 
http://orcid.org/0000-0002-2529-686X

1Universidade Federal do Ceará, Faculdade de Economia, Administração, Atuária e Contabilidade, Fortaleza, Ceará, Brasil

2Universidade Federal de Santa Catarina, Departamento de Economia e Relações Internacionais, Florianópolis, Santa Catarina, Brasil

3Universidade Federal do Ceará, Programa de Pós-Graduação em Economia, Fortaleza, Ceará, Brasil


Resumo

A investigação dos efeitos de um campus universitário sobre a economia local é ainda incipiente no Brasil. Mesmo em nível internacional, são raros estudos que utilizem métodos robustos de estimação desses efeitos e, muito menos, que busquem diferenciá-los ao longo do tempo. Neste artigo avaliam-se os impactos iniciais da política de expansão das universidades federais ocorrida na década de 2000 sobre as economias municipais. Para tanto, partindo de um amplo conjunto de dados socioeconômicos, aplica-se a técnica de pareamento por escore de propensão e, em seguida, estima-se o Efeito Tratamento sobre Tratados pela política. Os resultados indicam que a expansão da rede federal elevou a renda per capita dos municípios beneficiados entre 3,5% e 5,8%, em média, mas que não houve ganho adicional relacionado ao tempo de implantação dos campi. Este padrão sugere que os novos campi foram capazes de gerar um impulso inicial sobre o nível de demanda local, fruto dos gastos envolvidos na implantação e funcionamento, mas sinaliza para uma possível dificuldade em gerar saltos de produtividade normalmente esperados com a implantação dessas estruturas. Neste caso, seria possível buscar um maior retorno desses investimentos a partir da reavaliação dos critérios para criação de novos campi e da melhor focalização das ações daqueles já existentes.

Palavras-chave: avaliação de políticas públicas; universidades federais; REUNI

Abstract

The investigation of the effects of the implantation of university units on the local development is still incipient in Brazil. Even at the international level, few studies use robust methods to estimate the impacts of these structures, let alone seek to differentiate them over time. This paper evaluates the initial impacts of the federal universities' expansion policy in the 2000s on municipal economies, based on production and income indicators. Based on a broad data set for Brazilian municipalities, we apply the propensity score matching technique and then estimate Treatment Effect on Treated by the policy. The results indicate that the implementation of the new campuses was able to raise the per capita income of the benefited municipalities by 3.5% to 5.8%, on average, but that there was no additional gain from the time of implementation of the campuses. The absence of campus maturation effect points to a difficulty in generating the productivity jumps normally expected with the implementation of these structures. In this case, it would be possible to seek a greater return from these investments by reevaluating the criteria for creating new campuses and by better focusing on the actions of existing ones.

Keywords: evaluation of public policies; federal universities; REUNI

Introdução

É comum que programas públicos potencialmente promissores falhem em gerar os efeitos esperados, seja devido a um desenho inadequado, seja devido a erros na própria implementação. Tais falhas são, em muitos casos, responsáveis pela baixa capacidade dos governos em reduzir a pobreza, equalizar oportunidades, promover o desenvolvimento e elevar o bem estar da sociedade. É necessário, portanto, que as decisões de alocação dos recursos públicos sejam tomadas com base em evidências científicas capazes de apontar "o que funciona" e "por que funciona" em termos de intervenções públicas.

No caso brasileiro, uma das políticas públicas recentes mais marcantes, não apenas pelo benefício esperado como também pelo volume de investimento realizado, diz respeito à expansão da rede universitária federal ocorrida na década de 2000. Segundo dados do Ministério da Educação (MEC), no início de 2003 havia 45 universidades federais, com 148 campi universitários distribuídos em 114 municípios brasileiros (Ministério da Educação [MEC], 2011). Entre 2003 e 2010, em atendimento ao Plano Nacional de Educação (Lei Nº 10.172/2001) e com o advento do Programa de Reestruturação e Expansão das Universidades Federais (REUNI), estes números aumentaram em consonância com o movimento de interiorização das universidades. Neste período foram implantadas 14 novas universidades federais e 126 novos campi, o que possibilitou dobrar a oferta de vagas e elevar o número de municípios atendidos por campus de universidade federal para 229 em 2010.

A decisão de alocação dos novos campi deveria focar, segundo o MEC, municípios localizados no interior, com população superior a 50 mil habitantes, com baixa renda per capita (especificamente, o grupo das 100 cidades brasileiras com receita per capita inferior a R$1.000 e com mais de 80 mil habitantes) e cujos estados apresentassem oferta de educação superior abaixo da média nacional. Além disso, a decisão deveria priorizar municípios com arranjos produtivos locais e aqueles no entorno de grandes investimentos estruturantes. O foco escolhido teria como objetivo a elevação da renda de cidades do interior em situação de desvantagem relativa, com redução das desigualdades entre estados e municípios, pela via do desenvolvimento socioeconômico gerado pela universidade (MEC, 2011).

Mas em que medida esse objetivo está sendo alcançado? Para responder a essa questão, o presente estudo avalia os efeitos da política sobre dois indicadores que sintetizam o nível de desenvolvimento dos municípios beneficiados, o Produto Interno Bruto per capita e a Renda domiciliar per capita, a partir da aplicação de métodos quase-experimentais capazes de lidar com a não aleatoriedade da escolha dos municípios beneficiados.

Especificamente, estima-se o Efeito Tratamento sobre Tratados da política com base em amostras pareadas de municípios, o que possibilita comparar os resultados dos municípios beneficiados com os daqueles que mesmo não tendo sofrido a intervenção, apresentavam mesmas chances de sê-lo. Desta forma, busca-se reduzir o problema de viés de seleção comum em intervenções em que a escolha dos beneficiários não é aleatória. Adicionalmente, o modelo econométrico proposto permite verificar se os resultados variam de acordo com a maturação dos campi implantados, o que permite captar os impactos de curto prazo, relacionados ao efeito-gasto, e os impactos de prazo mais longo, relacionados ao efeito-conhecimento, capaz de elevar a produtividade da economia local.

A investigação dos impactos de universidades sobre o desenvolvimento local e regional é ainda incipiente no Brasil. Mesmo em nível internacional, são raros estudos que utilizem métodos quantitativos capazes de lidar com os vieses presentes na comparação entre diferentes municípios ou regiões e, muito menos, que busquem diferenciar impactos ao longo do tempo. Neste sentido, o presente artigo contribui para estabelecer uma base metodológica robusta para avaliações sobre o tema, além de dispor de resultados estatísticos que poderão ser usados em estudos comparativos internacionais (meta-análises) e nas decisões de investimento público em Educação Superior.

Revisão da Literatura

Os impactos esperados da presença de uma universidade sobre a economia local podem ser divididos em efeito-gasto, de curto prazo, e em efeito-conhecimento, de prazo mais longo (Florax, 1992). O primeiro ocorre a partir da elevação da demanda por produtos e serviços, gerada pela implantação e funcionamento da nova estrutura. Salários pagos e despesas com insumos e serviços locais pela instituição, além dos gastos de visitantes, alimenta os setores de comércio, serviços e construção local. Este impulso inicial de gastos pode resultar, em algum grau, em crescimento da renda local. Neste sentido, a presença de um campus em nada se diferencia da presença de qualquer outro empreendimento de natureza estruturante.

Em relação às contribuições de longo prazo, ao viabilizar a absorção de conhecimento e a inovação tecnológica, uma universidade possibilita aos setores produtivo e público locais melhorias em seus processos, produtos e serviços (Pastor, Pérez, & Guevara, 2013). Além do mais, a elevação do capital humano leva a melhorias na produtividade local, o que se reflete em maiores retornos para o trabalhador e para os negócios da região, resultando em maior crescimento econômico no longo prazo. Tais considerações formam o pano de fundo dos modelos de crescimento econômico endógeno, que se multiplicaram a partir dos trabalhos seminais de Lucas (1988) e Romer (1990).

Florax (1992) argumenta que o efeito-gasto é inicialmente maior do que o efeito-conhecimento, mas que tal relação se inverte no decorrer dos anos. À medida que a economia local acolhe mais capital humano e absorve novas tecnologias, as firmas se tornam mais produtivas e externalidades positivas agem sobre toda a economia. No longo prazo, é esperado que surjam também novas ideias capazes de gerar novos negócios e produtos. Assim, com o passar dos anos, espera-se que os benefícios oriundos do aumento do capital humano sobre a economia local ultrapassem aqueles do efeito-gasto.

A natureza e a profundidade do impacto de um campus dependem do perfil da região que o abriga (Stokes & Coomes, 1998; Leslie & Slaughter, 1992; Pastor et al., 2013). O efeito-gasto será mais alto quanto maior for a capacidade da região de atrair visitantes e estudantes de fora, e quanto maior e mais diversificado for o mercado local. Na mesma linha, o efeito-conhecimento será maior quanto maior for a integração dos egressos da universidade ao mercado de trabalho local.

Nesse sentido, por apresentarem menor adensamento populacional, menos equipamentos urbanos, uma estrutura industrial e de serviços incipiente e, portanto, pouco capaz de capturar parte relevante dos gastos de um campus, áreas não metropolitanas tenderiam a perceber um efeito-gasto limitado advindo de um novo campus. Além disso, o mercado de trabalho pouco atrativo para os egressos limitaria os impactos da acumulação de capital humano, que seriam capturados por outra região. Por fim, é esperado que os impactos sobre a economia local oriundos de atividades de pesquisa sejam bastantes limitados em regiões não metropolitanas. Em suma, a magnitude dos impactos locais de uma universidade está intrinsecamente relacionada à capacidade dos municípios em absorver os benefícios imediatos e transformá-los em dinamismo econômico.

Em relação às abordagens empíricas, numerosos trabalhos que buscam medir o impacto de novas universidades partem da aplicação de multiplicadores de gastos e do uso de matrizes insumo-produto, focando apenas nos efeitos locais de curto prazo (Caffrey & Isaacs, 1971). Considerando mais de sessenta avaliações baseadas no método de multiplicadores de gastos regionalizado, Leslie e Slaughter (1992) registram um impacto médio de $1,82 para cada $1,00 gasto e a criação de 53 novos empregos para cada $1 milhão gasto diretamente pela universidade. Usando a abordagem de insumo-produto para o caso brasileiro, Kureski e Rolim (2009) estimaram um efeito-gasto de R$1,94 sobre a renda média municipal para cada R$1,00 investido em um campus. Tais abordagens, contudo, pecam por captar apenas efeitos de curto prazo, por não diferenciarem os efeitos da implantação de estruturas universitárias daqueles advindos de estruturas de natureza notadamente diversa, além de não considerarem outros fatores que podem afetar a economia local de forma simultânea à implantação do novo campus (Siegfried, Sanderson, & McHenry, 2007).

Buscando suprir as lacunas acima, trabalhos empíricos mais recentes investigam os efeitos locais de longo prazo de universidades a partir da estimação de modelos econométricos que controlam os resultados pelas características observadas e não observadas dos municípios ou regiões beneficiadas (Schubert & Kroll, 2016; Valero & Reenen, 2019). Tais estudos, porém, não abordam o problema de não aleatoriedade na escolha de implantação de um novo campus universitário, o que pode enviesar os resultados estimados. Na avaliação em questão, caso os municípios escolhidos para abrigar os novos campi tenham sido justamente os que já apresentavam maior dinamismo econômico, então a correlação entre a presença dos campi e o desenvolvimento local seria espúria e não causal.

Poucos são os estudos que buscam lidar com o viés de seleção de unidades universitárias, todos partindo da aplicação de métodos quase-experimentais para comparar o resultado observado com o seu contrafactual (Drucker & Goldstein, 2007). Bonander, Jakobsson, Podestà e Svensson (2016) aplicam o método de controle sintético para analisar os efeitos da presença de universidades de pesquisa sobre o crescimento de três regiões da Suécia. Faveri, Petterini e Barbosa (2018) avaliam os efeitos dos Institutos Federais de Educação sobre um conjunto de indicadores socioeconômicos locais aplicando os métodos de diferenças em diferenças e pareamento por escore de propensão.

Descrição dos Dados

A base de dados estruturada para o presente estudo considera como unidades básicas de observação os municípios brasileiros, e contém dados das seguintes fontes: website do REUNI (http://reuni.mec.gov.br), Censo da Educação Superior, do Instituto Nacional de Estudos e Pesquisas Educacionais (INEP), Dados Contábeis dos Municípios, da Secretaria do Tesouro Nacional (STN), Dados do Censo Demográfico e das Contas Regionais do Instituto Brasileiro de Geografia e Estatística (IBGE).

As variáveis consideradas no estudo foram: (a) Municípios com campus universitário federal e Ano de implantação do campus (MEC, n.d., REUNI, n.d.) (ver Apêndice A); (b) Quantidade de vagas ofertadas em cursos superiores no ano de 2002 (INEP, n.d.); (c) Receita corrente do governo municipal per capita em 2002 (STN, n.d.); (d) População total e Percentual de pessoas em situação de extrema pobreza no ano de 2000; e Renda domiciliar per capita, Percentual da população em domicílios com energia elétrica e Percentual da população de 25 anos ou mais anos de idade com ensino médio completo em 2000 e 2010 (PNUD, 2013); e (e) Produto Interno Bruto (PIB) per capita dos municípios em 2000 e 2010 (IBGE, n.d.).

Retirou-se da amostra 1032 municípios localizados em microrregiões que abrigavam campus antes de 2003, 852 pertencentes a microrregiões beneficiadas com os novos campi, excetuando-se os que abrigaram os campi (ver Apêndice B), além de 204 municípios remanescentes que faziam fronteira com os últimos (ver Apêndice C). Deste modo, controla-se a presença de municípios cujas economias encontram-se sob o raio de influência dos novos campi, o que poderia resultar na subestimação dos efeitos da política.

A Tabela 1 apresenta estatísticas básicas dos municípios restantes na amostra. Quase metade dos 3.339 municípios sem campus universitário federal apresenta população muito pequena, de até 10 mil habitantes. Considerando-se apenas aqueles com população superior a 50 mil habitantes (critério declarado pelo MEC), cerca de 90% dos municípios não seriam elegíveis para abrigar um campus. Este critério não foi plenamente cumprido, haja vista que 47 municípios com população de até 50 mil habitantes foram beneficiados, 13 destes com população inferior a 20 mil habitantes. Dentre os 54 municípios brasileiros mais populosos, ½ foi beneficiado com um campus, o que indica possível presença de viés de seleção resultante da capacidade de cidades mais populosas influenciarem as decisões de investimentos do governo federal.

Tabela 1 Perfil Básico dos Municípios da Amostra - Ano 2000 

Obs. Média Desvio Padrão Mín. Máx. Percentil
10 25 50 75 90
Variáveis Municípios sem campus
PIB (R$1.000) 3.339 99.637 421.394 1.537 1,25e+07 8.060 13.030 25.668 60.217 179.898
% Munic./Micro 3.339 10,04 13,45 0,13 100 0,95 2,09 5,00 11,51 26,88
% Micro/UF 3.339 2,05 2,26 0,02 14,61 0,31 0,60 1,21 2,68 4,95
População 3.339 18.524 36.299 795 969.396 3.074 4.900 9.542 19.290 37.707
% Munic./Micro 3.339 10,03 11,94 0,26 100 1,42 2,64 5,69 12,35 24,02
% Micro/UF 3.339 2,76 2,60 0,03 16,29 0,55 1,05 1,81 3,42 6,42
Municípios beneficiados com os novos campi
PIB (R$1.000) 115 1,04e+06 2,38e+06 13.860 1,36e+07 44.052 107.760 246.468 660.330 3,0e+06
% Munic./Micro 115 39,47 24,32 2,06 95,16 8,11 18,09 34,92 60,30 73,05
% Micro/UF 115 6,19 12,12 0,32 75,44 0,98 1,72 2,58 4,40 11,33
População 115 124.307 183.589 2.571 1,07e+06 18.810 31.954 67.132 117.749 262.494
% Munic./Micro 115 33,39 20,32 2,79 91,25 9,23 17,66 29,50 46,94 62,82
% Micro/UF 115 6,64 10,93 0,55 74,22 1,46 2,27 3,73 6,24 12,68

Fonte: Programa das Nações Unidas para o Desenvolvimento [PNUD]. (2013). Atlas do desenvolvimento humano no Brasil . Recuperado de http://www.atlasbrasil.org.br/2013/; e Instituto Brasileiro de Geografia e Estatística [IBGE]. (n.d.). Produto Interno Bruto dos municípios . Recuperado de https://sidra.ibge.gov.br/

Nota. % Munic./Micro indica a participação, em termos percentuais, do indicador de um município no total de sua microrregião; % Micro/UF indica a participação, em termos percentuais, do indicador da microrregião de um município no total da Unidade da Federação a que pertence. Elaborado pelos autores.

Dentre os 2.728 municípios mais pobres (50% do total), apenas oito receberam campus universitário federal. Isto contrasta com o fato de que dentre os 55 municípios mais ricos, 13 foram agraciados com os novos campi, o que implica numa relação de 3,2 municípios sem campus para cada município beneficiado. Para os percentis intermediários, não fica claro qualquer foco da política em relação ao tamanho da economia, já que aproximadamente 77% dos municípios beneficiados estão contidos em um intervalo de valores do PIB extremamente amplo, que vai de cerca de R$37 milhões à R$ 1,27 bilhão.

Assim, a análise da política sem controlar pela relevância econômica e demográfica dos municípios e de suas microrregiões apresentaria naturalmente resultados enviesados, tamanha a disparidade entre as economias.

Estratégia Empírica

A proposta de avaliação busca responder à seguinte questão: O que teria ocorrido aos municípios beneficiados caso o campus não tivesse sido implantado? Para responder a esta questão definem-se: dois resultados potenciais, (Y0i, Y1i), onde i indexa o município, o subscrito 1 indica o resultado com a implantação do campus e o subscrito 0 indica o caso contrário; e uma variável binária Ti , onde Ti = 1, caso o município tenha sido submetido ao tratamento (receber um campus), e Ti = 0, caso contrário. O efeito tratamento médio sobre tratados (average treatment effect on treated - ATT) da política pode ser expresso como EY_1iY_0iT_i=1 .

Apesar da impossibilidade de se obter a média contrafactual dos municípios tratados, EY_0iT_i=1 , é possível aproximá-la a partir de EY_0iT_i=0 , ou seja, a partir da observação do que ocorreu em municípios onde não houve implantação de campus. A estratégia para identificação do impacto passa, então, a envolver a seleção de um grupo de municípios para o qual se acredite que estas duas últimas esperanças matemáticas possam ser intercambiadas sem causar viés de seleção na estimação do ATT, denominado grupo de controle. Uma vez que se defina este grupo, diz-se que a amostra encontra-se pareada.

Como descrito em Khandker, Koolwal e Samad (2010), para se obter este grupo de controle escolhe-se uma subamostra seguindo um protocolo de comparação dos grupos de tratamento e controle, de modo a deixar os componentes desta subamostra suficientemente parecidos em termos das covariadas (variáveis que explicam a seleção dos municípios pela política). Na primeira parte do protocolo, estima-se ET_i=1X_i , chamado de escore de propensão ao tratamento, por um modelo Probit de escolha discreta, e selecionam-se as observações no suporte comum. Em seguida, testa-se a hipótese nula de que o vetor contendo a média das covariadas do grupo de controle é igual ao de tratamento (balancing property). Na maioria dos casos, contudo, a definição de um suporte comum que atenda às hipóteses descritas não é suficiente para estimar o ATT usando EY_1iY_0iT_i=1 , dado que a proporção de unidades de controle em relação ao número de tratados pode variar substancialmente entre subintervalos do suporte comum, o que exige a atribuição de pesos para cada unidade de controle (Becker & Ichino, 2002).

Seguindo Becker e Ichino (2002), para definir os pesos atribuídos a cada unidade do grupo de controle j da unidade tratada i, define-se T como conjunto de tratados e C como o conjunto de controles, e denota-se por C(i) o conjunto de controles pareados com a unidade tratada i, cujo escore de propensão estimado é pi . O método de pareamento Nearest-neighbor define este conjunto como Ci=minjpipj , ou seja, a unidade tratada i é pareada com as n controles com escores de propensão mais próximos de i. Pelo método Radius este conjunto é obtido por Ci=pjpipj<r , ou seja, a unidade tratada i é pareada com controles cujos escores de propensão, pj , estejam a uma distância inferior a r (raio) em relação a pi . Para os dois métodos, os pesos para cada unidade de controle j em relação à unidade tratada i é , caso j ? C(i), e , caso contrário. No terceiro método, Kernel, as unidades tratadas são pareadas com uma média ponderada de todos os controles, com pesos inversamente proporcionais à distância entre os escores de propensão dos controles e dos tratados, ou seja:

wij=GPjPihn/kCGPkPihn,

onde G(?) denota a função kernel Gaussiana e hn define a janela utilizada (bandwidth).

Como bem afirmam Becker e Ichino (2002), a escolha do método de pareamento implica em trade-off entre tamanho e qualidade da amostra pareada, e nenhum deles pode ser considerado a priori superior aos outros. A aplicação conjunta de mais de um método, portanto, mostra-se claramente útil para avaliar a robustez das estimativas do ATT.

No presente estudo, o modelo Probit de probabilidade de escolha dos municípios beneficiados considera as seguintes covariadas:

? 1) Pop. sup. 50mil: Dummy indicando se população superior a 50 mil habitantes em 2000;

? 2) Região metro: Dummy indicando se pertence a região metropolitana em 2000;

? 3) UF baixa oferta: Dummy indicando se pertence a unidade da federação com oferta de educação superior abaixo da média nacional em 2002;

? 4) Rec. munic. baixa: Dummy indicando se governo municipal apresentava receita corrente per capita inferior a R$1.000 em 2002;

? 5) Pobreza extrema: Dummy indicando se o percentual de pessoas em situação de extrema pobreza estava acima da mediana dos municípios brasileiros em 2000;

? 6) Pop. munic/micro: Logaritmo natural da razão entre a população do município e o total de sua microrregião em 2000;

? 7) Pop. micro/UF: Logaritmo natural da razão entre a população da microrregião do município e o total de sua Unidade da Federação em 2000;

? 8) PIB munic/micro: Logaritmo natural da razão entre o Produto Interno Bruto do município e o total de sua microrregião em 2000;

? 9) PIB micro/UF: Logaritmo natural da razão entre o Produto Interno Bruto da microrregião do município e o total de sua Unidade da Federação em 2000.

As variáveis de 1 a 5 buscam capturar aspectos que, segundo o MEC, foram considerados para a definição dos municípios-alvo da política (variáveis de focalização do programa). Além dessas, a inclusão das variáveis de 6 a 9 visa capturar os efeitos da relevância econômica e demográfica do município e de sua microrregião na decisão de implantação dos campi universitários federais.

Contudo, como argumentado em Heckman, Ichimura e Todd (1998), o procedimento de estimação baseado exclusivamente no pareamento desconsidera características não observáveis pelo pesquisador que podem afetar o indicador de impacto e causar um viés de aferição. Este potencial viés pode ser parcialmente resolvido por um estimador de diferenças em diferenças (dif-in-dif) sobre a base de dados pareada, pois torna possível controlar características não observáveis que não variam no tempo. Como detalhado em Cameron e Trivedi (2005), na estimação de um modelo de diferenças em diferenças, considerando um painel de dois períodos, uma estimativa do ATT pode ser obtida a partir do parâmetro δ da equação (1):

Yit=α0+α1t+γTi+δtTi+βXit+εit (1)

onde: Yit é o indicador de impacto avaliado no município i e no período t (t = 0 para o período pré-tratamento e t = 1 para o período pós-tratamento); Ti indica tratamento ou controle (Ti = 1 em ambos os períodos se o município foi tratado); Xit é um vetor coluna de covariadas; ε it é um termo de erro; e α 0 , α 1 , γ e δ são parâmetros e β é um vetor linha de parâmetros estimados.

Sob a hipótese de que 𝔼εitTi,t,Xit=0 , o parâmetro δ poderia ser estimado consistentemente por mínimos quadrados. Mas, como os indicadores de impacto são potencialmente afetados por aspectos específicos do município que não são observáveis pelo pesquisador, a hipótese de identificação pode estar sendo violada pela omissão de uma variável explicativa importante. Para lidar com este problema, a estratégia passa por utilizar um modelo de efeito linear não observado, considerando εit=ci+uit , onde ci é um índice para a variável não observada no município i e uit é um termo de erro. Assim, os parâmetros da equação (1) podem ser mensurados por estimadores de Efeitos Fixos.

Finalmente, para que se possa observar se o impacto muda de acordo com a maturação dos campi, é preciso aprofundar um pouco mais a estratégia de identificação. Uma limitação de dados encontrada neste estudo trata-se do fato de as variáveis de impacto serem observadas em apenas dois pontos no tempo (antes e após a implementação do tratamento), o que impossibilita o uso de dummies de tempo para controlar as performances dos municípios tratados ao longo dos anos. Porém, tomando-se os anos de implantação de cada um dos campi, pode-se diferenciar o tratamento segundo o tempo de implantação do campus ajustando-se a equação 1 com os seguintes vetores: Ti=T1i,T2i;γ=γ1,γ2;eδ=δ1,δ2,talqueT1i=1 para o caso de o município ter sido beneficiado com um campus, independentemente do ano em que isto se deu, T (2) i = 1 para o caso de o município ter recebido o benefício nos primeiros anos da política, e T (1) i = 0 e T (2) i = 0, caso contrário. Neste sentido, a aplicação de dif-in-dif implica que o ATT pode ser medido por δ1, para os municípios tratados como um todo, e por δ1 + δ2, para aqueles tratados nos primeiros anos.

As variáveis dependentes do modelo para a estimação do ATT, observadas em dois pontos no tempo (ano 2000 e ano 2010), são o logaritmo natural da renda per capita e o logaritmo natural do PIB per capita. Como variáveis de controle do modelo são consideradas o logaritmo natural do percentual da população vivendo em domicílios com energia elétrica (K), proxy para estoque de capital físico, e o logaritmo natural do percentual da população de 25 anos ou mais anos de idade com Ensino Médio completo (H), proxy para capital humano.

As variáveis utilizadas para a identificação dos municípios tratados pela política são: dummy indicando se o município foi tratado pela política, ou seja, se não tinha e passou a ter campus universitário federal (variável tT (1)); e dummy indicando se o tratamento ocorreu até o ano de 2005 (variável tT (2)), variável esta que visa captar o efeito adicional possivelmente gerado pela maturação das atividades do campus. Esta linha de corte (ano de 2005) foi escolhida assumindo serem necessários de quatro a cinco anos (tempo de formatura da primeira turma) para que os campi sejam capazes de afetar a oferta de capital humano.Os procedimentos de estimação aqui descritos foram realizados com uso do pacote estatístico Stata SE®.

Resultados

A Tabela 2 apresenta a evolução do PIB per capita e da Renda per capita dos municípios, segundo sua condição de tratamento (se foi beneficiado ou não com um campus universitário federal). Os municípios tratados apresentavam valores maiores para ambos indicadores no período inicial e assim permaneceram no período final considerado. Além disso, não houve diferença estatisticamente significante entre o crescimento do PIB per capita dos municípios tratados e não tratados. Contudo, apesar de os primeiros terem apresentado uma variação média da renda per capita superior à dos municípios que não abrigaram os campi, estes perceberam maior ganho de renda em termos relativos (45,0% contra 40,7%).

Tabela 2 Indicadores de Impacto Segundo a Condição de Tratamento dos Municípios 

Municípios não tratados Municípios tratados Teste t A
Variáveis N Média D.P. N Média D.P. Diferença Estat. T
Período inicial (ano 2000)
PIB per capita 3.339 9.145 10.455 115 12.751 11.740 3606 3,622***
Renda per capita 3.339 344,1 194,2 115 446,5 226,1 102,4 5,526***
Variação (2000 - 2010)
PIB per capita 3.339 3.497 8.470 115 4.266 8.231 769 0,958
Renda per capita 3.339 154,9 98,4 115 181,8 74,2 26,9 2,910***

Fonte: Programa das Nações Unidas para o Desenvolvimento [PNUD]. (2013). Atlas do desenvolvimento humano no Brasil . Recuperado de http://www.atlasbrasil.org.br/2013/; e Instituto Brasileiro de Geografia e Estatística [IBGE]. (n.d.). Produto Interno Bruto dos municípios . Recuperado de https://sidra.ibge.gov.br/.

Nota.

ATeste t de diferença de médias de duas populações

***Significante ao nível de 1%;

**Significante ao nível de 5%;

*Significante ao nível de 10%. Elaborado pelos autores.

Resta claro que as novas unidades universitárias foram implantadas em municípios cujos estágios de desenvolvimento já se encontravam em patamares acima da média. Assim, parte do desempenho observado para os municípios beneficiados pela política pode ser devido às suas próprias condições iniciais, e não à intervenção em si. Tais municípios se mantiveram em melhor situação nos anos seguintes, apesar de terem percebido um crescimento relativo da renda per capita inferior aos municípios não tratados. Contudo, seria um erro explicar o maior crescimento da renda per capita nos municípios sem campus pelo fato de não terem recebido um campus, quando possivelmente este grupo tenha sido beneficiado em maior escala por políticas de transferência de renda, por exemplo, que se expandiram significativamente durante a década de 2000.

De todo modo, qualquer conclusão sobre os impactos da política que não leve em consideração a heterogeneidade entre municípios segundo a sua condição de tratamento pode levar a erros grosseiros de diagnóstico sobre os impactos do programa, o que requer a aplicação da abordagem contrafactual proposta para o problema.

Pareamento por escore de propensão

Os resultados do modelo Probit de probabilidade de escolha dos municípios beneficiados são apresentados nas duas primeiras colunas da Tabela 3. A coluna (1) mostra que, dentre as cinco variáveis de focalização da política, as variáveis População superior 50 mil e UF baixa oferta apresentam efeitos estatisticamente significantes, com sinais esperados. Após a inclusão das demais variáveis no modelo (Coluna 2), o coeficiente de UF baixa oferta torna-se não significante e o coeficiente da variável Pobreza extrema alta mostra-se negativo e significante, o que contraria um dos critérios de focalização da política. Além do mais, os coeficientes positivos e significantes das variáveis Pop. Micro/UF e PIB Munic./Micro indicam que a relevância econômica e demográfica do município e de sua microrregião é aspecto-chave que não deve ser negligenciado na estimação da probabilidade de um município abrigar campus universitário. De fato, após a inclusão das quatro variáveis, o poder explicativo do modelo cresce substancialmente (Pseudo R2 passa de 0,201 para 0,391 e a área ROC passa de 0,780 para 0,935).

Tabela 3 Resultado Estimado do Modelo Probit de Probabilidade de Tratamento 

Amostra não pareada Amostra pareada
Variáveis (1) (2) (3) (4) (5)
Região metro 0,146 0,0472 0,00765 0,105 0,0943
(0,149) (0,184) (0,221) (0,217) (0,215)
UF baixa oferta 0,237* 0,0001 0,230 0,153 0,116
(0,137) (0,163) (0,212) (0,213) (0,207)
Rec. munic. baixa 0,121 0,0898 0,279 0,296 0,227
(0,138) (0,203) (0,275) (0,274) (0,267)
Pobreza extrema -0,0597 -0,253* -0,0557 0,00160 -0,0202
(0,125) (0,139) (0,223) (0,219) (0,209)
Pop. sup. 50 mil 1,391*** 0,248* 0,0353 -0,0405 -0,0787
(0,113) (0,140) (0,204) (0,192) (0,190)
Pop. Munic./Micro 0,0298 -0,0567 -0,0795 -0,0953
(0,198) (0,308) (0,292) (0,288)
Pop. Micro/UF 0,572*** -0,156 -0,201 -0,0342
(0,209) (0,295) (0,286) (0,275)
PIB Munic./Micro 0,771*** 0,0341 0,104 0,194
(0,205) (0,289) (0,269) (0,269)
PIB Micro/UF -0,0374 0,118 0,151 0,0111
(0,158) (0,249) (0,241) (0,233)
Observações 3.438 3.438 338 2.618 2.632
Tratados 115 115 88 88 88
Pseudo R2 0,201 0,391 0,0090 0,0084 0,0071
Área ROC 0,780 0,935

Nota. Colunas (1) e (2) indicam os resultados estimados para a amostra não pareada. Colunas de (3), (4) e (5) indicam os resultados estimados para as amostras pareadas, respectivamente, pelos métodos Nearest-neighbor com 5 controles por unidade tratada, Radius com raio de 0,01, e Kernel com janela de 0,015 (definida pela regra de Silverman). Erro padrão robusto em parênteses.

***Significante ao nível de 1%;

** Significante ao nível de 5%;

*Significante ao nível de 10%.

As colunas 3, 4 e 5 da Tabela 3 mostram os resultados sobre a amostra pareada pelos três métodos discutidos. Não foi possível obter unidades de controle para 11 municípios tratados, cujos valores de escores de propensão se achavam em regiões fora do suporte comum. Os coeficientes estatisticamente não significantes e Pseudo R2 abaixo de 0,01 mostram que as variáveis explicativas do modelo aplicado às amostras pareadas não mais explicam as diferenças entre municípios, o que indica que os pareamentos foram adequados.

Impactos estimados

Os resultados estimados do modelo para a Renda per capita e PIB são apresentados na Tabela 4 e na Tabela 5, respectivamente. Como as variáveis acima estão expressas em logaritmo natural, os parâmetros estimados podem ser lidos como semielasticidades. Tomando o modelo básico para a Renda per capita (colunas 1, 4 e 7 da Tabela 4), os coeficientes estatisticamente significantes da variável t indicam um crescimento real médio de aproximadamente 34% neste indicador entre os anos 2000 e 2010, independentemente da condição de tratamento.

Tabela 4 Resultados Estimados para o ln Renda Per Capita 

Nearest-neighbor Radius Kernel
Variáveis (1) (2) (3) (4) (5) (6) (7) (8) (9)
T 0.346*** 0.203*** 0.203*** 0.341*** 0.186*** 0.186*** 0.349*** 0.192*** 0.192***
(0.0117) (0.0295) (0.0293) (0.00980) (0.0233) (0.0227) (0.00872) (0.0220) (0.0214)
tT(1) 0.0375* 0.0496*** 0.0503*** 0.0427** 0.0582*** 0.0591*** 0.0347** 0.0518*** 0.0530***
(0.0192) (0.0172) (0.0172) (0.0180) (0.0167) (0.0166) (0.0174) (0.0160) (0.0159)
tT(2) -0.00271 -0.00331 -0.00403
(0.0355) (0.0352) (0.0352)
Proxy K 0.220** 0.221** 0.206*** 0.207*** 0.217*** 0.219***
(0.0887) (0.0887) (0.0702) (0.0702) (0.0651) (0.0650)
Proxy H 0.208*** 0.208*** 0.225*** 0.225*** 0.223*** 0.224***
(0.0541) (0.0539) (0.0381) (0.0374) (0.0360) (0.0354)
Constante 5.953*** 4.385*** 4.380*** 5.945*** 4.397*** 4.391*** 5.938*** 4.344*** 4.337***
(0.00479) (0.356) (0.355) (0.00450) (0.290) (0.287) (0.00436) (0.270) (0.266)
Observações 676 676 676 5,236 5,236 5,236 5,264 5,264 5,264
Unidades 338 338 338 2,618 2,618 2,618 2,632 2,632 2,632
Tratadas 88 88 88 88 88 88 88 88 88
R2 within 0.849 0.872 0.873 0.852 0.878 0.878 0.853 0.881 0.881
R2between 0.00101 0.680 0.680 0.00739 0.654 0.654 0.00719 0.655 0.655
R2 overall 0.105 0.456 0.456 0.117 0.502 0.502 0.116 0.499 0.500

Nota. As colunas de (1) a (3) indicam os resultados estimados para a amostra pareada pelo método Nearest-neighbor ; de (4) a (6) indicam os resultados estimados para a amostra pareada pelo método Radius ; e de (7) a (9) indicam os resultados estimados para a amostra pareada pelo método Kernel . Erro padrão robusto em parênteses.

***Significante ao nível de 1%;

**Significante ao nível de 5%;

*Significante ao nível de 10%.

Tabela 5 Resultados Estimados para o ln PIB Per Capita 

Nearest-neighbor Radius Kernel
Variáveis (1) (2) (3) (4) (5) (6) (7) (8) (9)
T 0.279*** 0.232*** 0.234*** 0.286*** 0.225*** 0.228*** 0.281*** 0.216*** 0.219***
(0.0225) (0.0529) (0.0528) (0.0265) (0.0580) (0.0580) (0.0212) (0.0505) (0.0504)
tT(1)A 0.0573 0.0634* 0.0581 0.0498 0.0595 0.0516 0.0547 0.0663* 0.0580
(0.0359) (0.0349) (0.0389) (0.0385) (0.0390) (0.0431) (0.0351) (0.0350) (0.0391)
tT(2)B 0.0188 0.0278 0.0291
(0.0578) (0.0585) (0.0586)
Proxy K C 0.592*** 0.584*** 0.408*** 0.399*** 0.377*** 0.368***
(0.165) (0.164) (0.145) (0.143) (0.137) (0.135)
Proxy H D -0.00444 -0.00619 0.0390 0.0359 0.0480 0.0449
(0.0861) (0.0860) (0.0805) (0.0805) (0.0771) (0.0770)
Constante 9.160*** 6.507*** 6.547*** 9.153*** 7.208*** 7.259*** 9.149*** 7.319*** 7.368***
(0.00898) (0.628) (0.620) (0.00963) (0.573) (0.561) (0.00877) (0.525) (0.512)
Observações 676 676 676 5,236 5,236 5,236 5,264 5,264 5,264
Unidades 338 338 338 2,618 2,618 2,618 2,632 2,632 2,632
Tratadas 88 88 88 88 88 88 88 88 88
R2 within 0.571 0.600 0.600 0.555 0.573 0.574 0.562 0.580 0.581
R2 between 1.40e-05 0.187 0.181 0.00549 0.315 0.310 0.00540 0.335 0.331
R2 overall 0.0373 0.125 0.122 0.0495 0.191 0.186 0.0495 0.199 0.194

Nota. As colunas de (1) a (3) indicam os resultados estimados para a amostra pareada pelo método Nearest-neighbor ; de (4) a (6) indicam os resultados estimados para a amostra pareada pelo método Radius ; e de (7) a (9) indicam os resultados estimados para a amostra pareada pelo método Kernel . Erro padrão robusto em parênteses.

***Significante ao nível de 1%;

**Significante ao nível de 5%;

*Significante ao nível de 10%.

Os coeficientes da variável de impacto (variável tT (1)) são positivos e estatisticamente significantes considerando os diferentes pareamentos realizados, resultando num impacto estimado entre 3,47% e 4,27% da Renda per capita dos municípios que abrigaram os campi. Controlando-se pelas dotações de capital físico e humano (colunas 2, 5 e 8 da Tabela 4), este impacto eleva-se para algo entre 4,96% e 5,82% (coeficientes estatisticamente significantes com 99% de confiança), não se observando qualquer efeito médio adicional advindo da maturação dos campi (variável tT (2)).

Observe-se que os coeficientes das variáveis K e H são positivos e significantes e apresentam valores muito próximos para os três pareamentos, o que sugere uma elasticidade-renda do capital físico entre 0,206 e 0,220 e uma elasticidade-renda do capital humano de nível médio entre 0,208 e 0,225.

Em relação aos efeitos sobre o PIB per capita (Tabela 5), tomando o modelo básico (colunas 1, 4 e 7), o coeficiente de variável de impacto, apesar de positivo, não é estatisticamente significante para nenhum dos três pareamentos, o que impede a rejeição da hipótese de efeito nulo dos novos campi. Ao se incluir as proxy para capital físico e humano no modelo (colunas 2, 5 e 8), os coeficientes desta variável tornam-se estatisticamente significantes (com 90% de confiança) nas regressões com pareamento pelos métodos Nearest-neighbor e Kernel, o mesmo não ocorrendo nas regressões com pareamento pelo método Radius. Novamente, a inclusão da variável que capta o efeito maturação dos campi não mostra efeito estatisticamente significante (colunas 3, 6 e 9).

Em suma, os resultados estimados indicam que a política de expansão das universidades federais foi capaz de elevar a renda per capita dos municípios que abrigaram os novos campi entre 3,47% e 5,82%, em média, mas que este ganho de renda não aumentou ao longo do tempo. Resultados estatisticamente não significantes não permitem tecer conclusões acerca do efeito da política sobre o PIB per capita.

A ausência de efeito da maturação dos campi sobre a elevação PIB e da Renda per capita foi também reportado em Faveri et al. (2018) em sua análise aplicada aos Institutos Federais de Educação. Este padrão sugere que, se por um lado, a implantação e o custeio dos novos campi foram capazes de gerar um impulso pontual sobre o nível de demanda dos municípios beneficiados, por outro lado, tais estruturas podem não estar gerando os benefícios de prazo mais longo tipicamente relacionados ao aumento da produtividade local.

Conclusão

Neste ensaio, estimam-se os impactos iniciais da política de expansão das Universidades Federais, ocorrida na década de 2000, sobre a produção e a renda dos municípios brasileiros. Para isolar o efeito causal da política sobre os indicadores de interesse foi necessário, primeiramente, encontrar grupos comparáveis de municípios, o que foi feito com a aplicação da técnica de pareamento por escores de propensão, obtidos pela estimação da probabilidade ex ante de um município ser selecionado para abrigar um campus.

Praticamente todas as variáveis de focalização do programa não apresentaram efeito significante sobre a probabilidade de seleção dos municípios. Por outro lado, a representatividade da população e do PIB municipal sobre a microrregião foram aspectos determinantes para a escolha dos municípios tratados pelo programa.

Os resultados estimados indicam que a expansão das universidades federais foi capaz de elevar a renda per capita dos municípios beneficiados entre 3,5% e 5,8%, em média, mas que não houve ganho adicional relacionado ao tempo de implantação dos campi. Este padrão sugere que os novos campi foram capazes de gerar um impulso inicial sobre o nível de demanda nesses municípios, fruto dos gastos envolvidos na sua implantação e funcionamento, mas aponta para uma possível dificuldade em gerar os saltos de produtividade normalmente esperados com a implantação dessas estruturas. Resultados estatisticamente não significantes não permitem tecer conclusões acerca do efeito da política sobre o PIB per capita.

Devido ao limitado horizonte de tempo considerado na análise, cujos dados socioeconômicos em nível municipal advêm dos Censos Demográficos de 2000 e 2010, os resultados encontrados deverão ser confrontados com os de uma futura análise que incorporará também dados do Censo de 2020, quando se poderão testar hipóteses relacionadas à contribuição do capital humano e do desenvolvimento técnico-tecnológico potencialmente promovido pela política. De todo modo, a ausência de efeito-maturação dos primeiros campi implantados sinaliza que uma melhor focalização de suas atuações seria capaz de potencializar sua contribuição para o dinamismo das economias locais.

Finalmente, como extensão deste estudo, é importante que se mapeiem os dispêndios envolvidos com a implantação e funcionamento dos campi, de modo a permitir a avaliação do custo de oportunidade dessas estruturas vis-à-vis outros investimentos estruturantes, verificando inclusive os efeitos expandidos sobre a região em seu entorno.

Financiamento

Os autores relataram que não houve suporte financeiro para pesquisa deste artigo.

Verificação de Plágio

A RAC mantém a prática de submeter todos os documentos aprovados para publicação à verificação de plágio, mediante o emprego de ferramentas específicas, e.g.: iThenticate.

Material Suplementar

Todos os dados e materiais foram disponibilizados publicamente por meio da plataforma Mendeley e podem ser acessados em: Barbosa, Marcelo (2019), "Data for "Expansion of Brazilian Federal Universities: Is It Possible to Raise Economic Impacts?" published by RAC-Revista de Administração Contemporânea", Mendeley Data, v. 2. Recuperado de http://dx.doi.org/10.17632/2c87cv2rw5.2

ANEXO

APÊNDICES

APÊNDICE A Municípios beneficiados com os novos campi universitários federais 

UF MUNICÍPIO CÓDIGO MICRORREGIÃO ANO CRIAÇÃO
RO Ariquemes 1100023 Ariquemes 2009
AC Cruzeiro do Sul 1200203 Cruzeiro do Sul 2005
AM Benjamin Constant 1300607 Alto Solimões 2006
Coari 1301209 Coari 2006
Humaitá 1301704 Madeira 2006
Itacoatiara 1301902 Itacoatiara 2006
Parintins 1303403 Parintins 2006
PA Capitão Poço 1502301 Guamá 2008
Paragominas 1505502 Paragominas 2008
Parauapebas 1505536 Parauapebas 2008
Tucuruí 1508100 Tucuruí 2010
TO Araguaína 1702109 Araguaína 2003
Arraias 1702406 Dianópolis 2003
Gurupi 1709500 Gurupi 2003
Miracema do Tocantins 1713205 Miracema do Tocantins 2003
Palmas 1721000 Porto Nacional 2003
Porto Nacional 1718204 Porto Nacional 2003
Tocantinópolis 1721208 Bico do Papagaio 2003
MA Chapadinha 2103208 Chapadinha 2007
Grajaú 2104800 Alto Mearim e Grajaú 2010
São Bernardo 2110609 Baixo Parnaíba Maranhense 2010
PI Bom Jesus 2201903 Alto Médio Gurguéia 2006
Floriano 2203909 Floriano 2009
Picos 2208007 Picos 2006
São Raimundo Nonato 2210607 São Raimundo Nonato 2009
CE Barbalha 2301901 Cariri 2005
Crato 2304202 Cariri 2005
Juazeiro do Norte 2307304 Cariri 2005
Quixadá 2311306 Sertão de Quixeramobim 2007
RN Angicos 2400802 Angicos 2009
Caraúbas 2402303 Chapada do Apodi 2010
Macaíba 2407104 Macaíba 2009
Santa Cruz 2411205 Borborema Potiguar 2009
PB Cuité 2505105 Curimataú Ocidental 2006
Mamanguape 2508901 Litoral Norte 2006
Pombal 2512101 Sousa 2006
Rio Tinto 2512903 Litoral Norte 2006
Sumé 2516300 Cariri Ocidental 2009
PE Caruaru 2604106 Vale do Ipojuca 2006
Garanhuns 2606002 Garanhuns 2005
Petrolina 2611101 Petrolina 2004
Serra Talhada 2613909 Pajeú 2006
Vitória de Santo Antão 2616407 Vitória de Santo Antão 2006
AL Arapiraca 2700300 Arapiraca 2006
Delmiro Gouveia 2702405 Alagoana do Sertão do São Francisco 2010
Palmeira dos Índios 2706307 Palmeira dos Índios 2009
Penedo 2706703 Penedo 2009
Santana do Ipanema 2708006 Santana do Ipanema 2010
Viçosa 2709400 Serrana dos Quilombos 2009
SE Itabaiana 2802908 Agreste de Itabaiana 2006
Lagarto 2803500 Agreste de Lagarto 2009
Laranjeiras 2803609 Baixo Cotinguiba 2007
BA Amargosa 2901007 Jequié 2006
Barreiras 2903201 Barreiras 2006
Cachoeira 2904902 Santo Antônio de Jesus 2006
Juazeiro 2918407 Juazeiro 2004
Santo Antônio de Jesus 2928703 Santo Antônio de Jesus 2006
Senhor do Bonfim 2930105 Senhor do Bonfim 2009
Vitória da Conquista 2933307 Vitória da Conquista 2006
MG Divinópolis 3122306 Divinópolis 2008
Florestal 3126000 Pará de Minas 2008
Itabira 3131703 Itabira 2008
Ituiutaba 3134202 Ituiutaba 2007
Ouro Branco 3145901 Conselheiro Lafaiete 2008
Poços de Caldas 3151800 Poços de Caldas 2010
Rio Paranaíba 3155504 Patos de Minas 2007
Sete Lagoas 3167202 Sete Lagoas 2009
Teófilo Otoni 3168606 Teófilo Otoni 2006
Varginha 3170701 Varginha 2009
ES São Mateus 3204906 São Mateus 2006
RJ Duque de Caxias 3301702 Rio de Janeiro 2008
Nova Friburgo 3303401 Nova Friburgo 2007
Nova Iguaçu 3303500 Rio de Janeiro 2006
Rio das Ostras 3304524 Bacia de São João 2004
Três Rios 3306008 Três Rios 2009
SP Diadema 3513801 São Paulo 2007
Guarulhos 3518800 Guarulhos 2007
Santo André 3547809 São Paulo 2005
Santos 3548500 Santos 2004
São Bernardo do Campo 3548708 São Paulo 2005
São José dos Campos 3549904 São José dos Campos 2007
Sorocaba 3552205 Sorocaba 2006
PR Apucarana 4101408 Apucarana 2007
Foz do Iguaçu 4108304 Foz do Iguaçu 2010
Francisco Beltrão 4108403 Francisco Beltrão 2008
Laranjeiras do Sul 4113304 Guarapuava 2010
Londrina 4113700 Londrina 2007
Matinhos 4115705 Paranaguá 2005
Realeza 4121406 Capanema 2010
Toledo 4127700 Toledo 2007
SC Araranguá 4201406 Araranguá 2009
Chapecó 4204202 Chapecó 2010
Curitibanos 4204806 Curitibanos 2009
Joinville 4209102 Joinville 2009
RS Alegrete 4300406 Campanha Ocidental 2006
Bagé 4301602 Campanha Meridional 2007
Caçapava do Sul 4302808 Serras de Sudeste 2007
Cerro Largo 4305207 Cerro Largo 2010
Dom Pedrito 4306601 Campanha Meridional 2007
Erechim 4307005 Erechim 2010
Itaqui 4310603 Campanha Ocidental 2006
Jaguarão 4311007 Jaguarão 2007
Palmeira das Missões 4313706 Carazinho 2006
Santa Vitória do Palmar 4317301 Litoral Lagunar 2010
Sant'Ana do Livramento 4317103 Campanha Central 2007
Santo Antônio da Patrulha 4317608 Osório 2009
São Borja 4318002 Campanha Ocidental 2006
São Gabriel 4318309 Campanha Central 2006
São Lourenço do Sul 4318804 Pelotas 2010
Silveira Martins 4320651 Restinga Seca 2009
Uruguaiana 4322400 Campanha Ocidental 2006
MS Bonito 5002209 Bodoquena 2009
Chapadão do Sul 5002951 Cassilândia 2006
Naviraí 5005707 Iguatemi 2009
Nova Andradina 5006200 Nova Andradina 2006
MT Barra do Garças 5101803 Médio Araguaia 2009

APÊNDICE B Microrregiões que abrigavam campus antes de 2003 e/ou beneficiadas com os novos campi 

UF MICRORREGIÃO
AC Cruzeiro do Sul
AC Rio Branco
AL Sert.S.Franc.AL
AL Santana Ipanema
AL Palmeira Índios
AL Arapiraca
AL Serr.Quilombos
AL Maceió
AM Alto Solimões
AM Coari
AM Manaus
AM Itacoatiara
AM Parintins
AM Madeira
AP Oiapoque
AP Macapá
AP Mazagão
BA Barreiras
BA Juazeiro
BA Senhor Bonfim
BA S Antônio Jesus
BA Salvador
BA Jequié
BA Vit.Conquista
CE Sobral
CE Fortaleza
CE Quixeramobim
CE Cariri
DF Brasília
ES São Mateus
ES Vitória
ES Alegre
GO Rio Vermelho
GO Goiânia
GO SO de Goiás
GO Catalão
MA São Luís
MA Baixada MA
MA Imperatriz
MA Médio Mearim
MA A.Mearim/Grajaú
MA B.Parnaíba MA
MA Chapadinha
MA Codó
MG Montes Claros
MG Diamantina
MG Teófilo Otoni
MG Ituiutaba
MG Uberlândia
MG Patos de Minas
MG Uberaba
MG Sete Lagoas
MG Pará de Minas
MG B Horizonte
MG Itabira
MG Ouro Preto
MG Cons. Lafaiete
MG Divinópolis
MG Alfenas
MG Varginha
MG P. Caldas
MG Itajubá
MG Lavras
MG S J del Rei
MG Viçosa
MG Juiz de Fora
MS Baixo Pantanal
MS Aquidauana
MS Alto Taquari
MS Campo Grande
MS Cassilândia
MS Paranaíba
MS Três Lagoas
MS Nova Andradina
MS Bodoquena
MS Dourados
MS Iguatemi
MT Sinop
MT Médio Araguaia
MT Cuiabá
MT Tesouro
MT Rondonópolis
PA Santarém
PA Furos de Breves
PA Arari
PA Belém
PA Castanhal
PA Bragantina
PA Cametá
PA Guamá
PA Altamira
PA Tucuruí
PA Paragominas
PA Parauapebas
PA Marabá
PB Cajazeiras
PB Sousa
PB Patos
PB Cariri Ocid.
PB Curimataú Ocid.
PB Brejo PB
PB Campina Grande
PB Litoral Norte
PB João Pessoa
PE Pajeú
PE Petrolina
PE Vale do Ipojuca
PE Garanhuns
PE Vitória S.Antão
PE Recife
PI Litoral PI
PI Teresina
PI Floriano
PI A.M.Gurguéia
PI S.Raim.Nonato
PI Picos
PR Campo Mourão
PR Apucarana
PR Londrina
PR Corn.Procópio
PR Ponta Grossa
PR Toledo
PR Foz do Iguaçu
PR Capanema
PR Franc.Beltrão
PR Pato Branco
PR Guarapuava
PR Curitiba
PR Paranaguá
RJ Itaperuna
RJ S.Antônio Pádua
RJ Campos Goytac.
RJ Macaé
RJ Três Rios
RJ Nova Friburgo
RJ Bacia de S.João
RJ Vale Paraíba RJ
RJ Baía I.Grande
RJ Itaguaí
RJ Rio de Janeiro
RN Mossoró
RN Chap.Apodi
RN Angicos
RN Seridó Ocid.
RN Seridó Oriental
RN Borborema RN
RN Macaíba
RN Natal
RO Porto Velho
RO Guajará-Mirim
RO Ariquemes
RO Ji-Paraná
RO Cacoal
RO Vilhena
RR Boa Vista
RS Fred.Westphalen
RS Erechim
RS Cerro Largo
RS Carazinho
RS Santa Maria
RS Restinga Seca
RS Porto Alegre
RS Osório
RS Campanha Ocid.
RS Campanha Centr.
RS Campanha Merid.
RS Serras Sudeste
RS Pelotas
RS Jaguarão
RS Litoral Lagunar
SC Chapecó
SC Joinville
SC Curitibanos
SC Florianópolis
SC Araranguá
SE Agr.Itabaiana
SE Agr.Lagarto
SE B.Cotinguiba
SE Aracaju
SP São Carlos
SP Limeira
SP Sorocaba
SP S.José Campos
SP Guarulhos
SP São Paulo
SP Santos
TO Bico Papagaio
TO Araguaína
TO Miracema TO
TO Gurupi TO
TO Porto Nacional
TO Dianópolis

APÊNDICE C Municípios restantes que fazem fronteira com os municípios beneficiados com os novos campi 

UF MUNICÍPIO CÓDIGO
AC Tarauacá 1200609
AM Barcelos 1300409
Maraã 1302801
Eirunepé 1301407
Ipixuna 1301803
Guajará 1301654
Tefé 1304203
Rio Preto da Eva 1303569
Tapauá 1304104
Canutama 1300904
PA Juruti 1503903
Aveiro 1501006
São Félix do Xingu 1507300
Floresta do Araguaia 1503044
TO Pugmil 1718451
Oliveira de Fátima 1715507
Fátima 1707553
Dueré 1707306
Paraíso do Tocantins 1716109
Nova Rosalândia 1715002
Novo Acordo 1715101
Santa Tereza do Tocantins 1719004
MA Tutóia 2112506
Vargem Grande 2112704
Nina Rodrigues 2107209
Centro Novo do Maranhão 2103174
Afonso Cunha 2100105
Aldeias Altas 2100303
Coelho Neto 2103406
Barão de Grajaú 2101509
Campestre do Maranhão 2102556
Porto Franco 2109007
PI Madeiro 2205854
Joca Marques 2205458
Luzilândia 2205805
Francisco Ayres 2204105
Amarante 2200509
Baixa Grande do Ribeiro 2201150
Morro Cabeça no Tempo 2206654
João Costa 2205359
Itainópolis 2205003
CE Itapiúna 2306504
Morada Nova 2308708
Ibicuitinga 2305332
Caririaçu 2303204
Farias Brito 2304301
RN Augusto Severo 2401305
Upanema 2414605
Janduís 2405207
Ipanguaçu 2404705
Itajá 2404853
Umarizal 2414506
Patu 2409308
Olho-d'Água do Borges 2408409
Santana do Matos 2411403
Januário Cicco 2405306
Bom Jesus 2401701
Vera Cruz 2414803
Senador Elói de Souza 2413102
Ielmo Marinho 2404606
São Pedro 2412708
Pedro Velho 2409803
Canguaretama 2402204
Baía Formosa 2401404
PB Lagoa 2508109
Coremas 2504801
Santana de Mangueira 2513505
Santa Inês 2513356
Conceição 2504405
Manaíra 2509008
Baraúna 2501534
Picuí 2511400
Cacimba de Dentro 2503506
PE Exu 2605301
Moreilândia 2614303
Mirandiba 2609303
São José do Belmonte 2613503
Betânia 2601805
Floresta 2605707
Jatobá 2608057
Carnaubeira da Penha 2603926
Águas Belas 2600500
Toritama 2615409
Frei Miguelinho 2605806
Vertentes 2616209
Passira 2610509
Agrestina 2600302
Altinho 2600807
Primavera 2611408
Escada 2605202
Cabo de Santo Agostinho 2602902
AL Água Branca 2700102
Pariconha 2706422
Olivença 2706000
Olho d'Água das Flores 2705705
Capela 2701704
Branquinha 2701100
Atalaia 2700409
Cajueiro 2701308
Junqueiro 2704005
SE Canindé de São Francisco 2801207
Pedra Mole 2805000
Frei Paulo 2802304
Ribeirópolis 2806008
Simão Dias 2807105
Divina Pastora 2802007
Boquim 2800670
Salgado 2806206
Itaporanga d'Ajuda 2803203
BA Angical 2901403
Glória 2911402
Paulo Afonso 2924009
São Gonçalo dos Campos 2929305
Elísio Medrado 2910305
Conceição da Feira 2908200
Itambé 2915809
Encruzilhada 2910404
Ribeirão do Largo 2926657
MG Caraí 3113008
Carlos Chagas 3113701
Serra do Salitre 3166808
Campina Verde 3111101
Ibiá 3129509
Campos Altos 3111507
Itambé do Mato Dentro 3132800
Itambacuri 3132701
Itapecerica 3133501
Camanducaia 3110509
Sapucaí-Mirim 3165404
ES São Gabriel da Palha 3204708
Boa Esperança 3201001
Nova Venécia 3203908
Vila Valério 3205176
Pinheiros 3204104
Linhares 3203205
RJ Trajano de Morais 3305901
Miguel Pereira 3302908
Teresópolis 3305802
Petrópolis 3303906
São José do Vale do Rio Preto 3305158
Cachoeiras de Macacu 3300803
SP Águas da Prata 3500402
São Sebastião da Grama 3550803
Caconde 3508702
Divinolândia 3513900
Nazaré Paulista 3532405
Joanópolis 3525508
Piracaia 3538600
Monteiro Lobato 3531704
Jambeiro 3524907
Mairiporã 3528502
Moji das Cruzes 3530607
Itaquaquecetuba 3523107
Suzano 3552502
PR Querência do Norte 4121000
Icaraíma 4109906
Vila Alta 4128625
Sertanópolis 4126504
Mandaguari 4114203
Rio Bom 4122107
São Jerônimo da Serra 4124707
Assaí 4101903
Ortigueira 4117305
Capitão Leônidas Marques 4104600
Cascavel 4104808
Santa Tereza do Oeste 4124020
SC Xaxim 4219705
Lebon Régis 4209706
Fraiburgo 4205506
Arvoredo 4201653
Paial 4211876
Seara 4217501
Campo Alegre 4203303
Correia Pinto 4204558
São José do Cerrito 4216800
Criciúma 4204608
Içara 4207007
Forquilhinha 4205456
RS Santo Antônio das Missões 4317707
São Luiz Gonzaga 4318903
Ubiretama 4322343
Nova Ramada 4313334
Condor 4305702
Santo Augusto 4317806
Coronel Bicaco 4305900
Pontão 4314779
Ronda Alta 4316105
Sertão 4320503
Santa Bárbara do Sul 4316709
Itacurubi 4310553
Unistalda 4322376
Júlio de Castilhos 4311205
Cachoeira do Sul 4303004
Rolante 4316006
Taquara 4321204
Camaquã 4303509
Riozinho 4315750
MT Novo São Joaquim 5106281
Nova Xavantina 5106257
GO Aragarças 5201702
Monte Alegre de Goiás 5213509
Campos Belos 5204904
Inaciolândia 5209937
Cachoeira Dourada 5204250

Referências

Becker, S. O., & Ichino, A. (2002). Estimation of average treatment effects based on propensity scores. The Stata Journal, 2(4), 358-377. https://doi.org/10.1177/1536867X0200200403Links ]

Bonander, C., Jakobsson, N., Podestà, F., & Svensson, M. (2016). Universities as engines for regional growth? Using the synthetic control method to analyze the effects of research universities. Regional Science and Urban Economics, 60(c), 198-207. https://doi.org/10.1016/j.regsciurbeco.2016.07.008Links ]

Caffrey, J., & Isaacs, H. H. (1971). Estimating the impact of a college or university on the local economy. Washington, DC: American Council on Education. [ Links ]

Cameron, A. C., & Trivedi, P. K. (2005). Microeconometrics: Methods and applications. New York: Cambridge University Press. [ Links ]

Drucker, J., & Goldstein, H. (2007). Assessing the regional economic development impacts of universities: A review of current approaches. International Regional Science Review, 30(1), 20-46. https://doi.org/10.1177/0160017606296731Links ]

Faveri, D. B., Petterini, F. C., & Barbosa, M. P. (2018). Uma avaliação do impacto da política de expansão dos institutos federais nas economias dos municípios brasileiros. Planejamento e Políticas Públicas, (50), 125-147. [ Links ]

Florax, R. J. G. M. (1992). The university: A regional booster? Economic impacts of academic knowledge infrastructure. Aldershot, UK: Avebury. [ Links ]

Heckman, J. J., Ichimura, H., & Todd, P. (1998). Matching as an econometric evaluation estimator. The Review of Economic Studies, 65, 261-294. [ Links ]

Instituto Brasileiro de Geografia e Estatística [IBGE]. (n.d.). Produto Interno Bruto dos municípios. Recuperado de https://sidra.ibge.gov.br/Links ]

Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira [INEP]. (n.d.). Microdados do Censo da Educação Superior 2002. Recuperado de http://inep.gov.br/web/guest/microdados/Links ]

Khandker, S. R., Koolwal, G. B., & Samad, H. A. (2010). Handbook on impact evaluation: Quantitative methods and practices. The World Bank. Recuperado de http://hdl.handle.net/10986/2693Links ]

Kureski, R., & Rolim, C. (2009). Impacto econômico de curto prazo das universidades federais na economia brasileira. Revista Paranaense de Desenvolvimento, (117), 29-51. [ Links ]

Lei n. 10.172, de 9 de janeiro de 2001. (2001). Aprova o Plano Nacional de Educação e dá outras providências. Recuperado de http://www.planalto.gov.br/ccivil_03/leis/leis_2001/l10172.htmLinks ]

Leslie, L. L., & Slaughter, S. A. (1992). Higher education and regional development. In Becker W.E., Lewis D.R. (eds), The economics of american higher education (pp. 223-252). Dordrecht: Springer. [ Links ]

Lucas, R. E., Jr. , (1988). On the mechanics of economic development. Journal of Monetary Economics, 22(1), 3-42. https://doi.org/10.1016/0304-3932(88)90168-7Links ]

Ministério da Educação [MEC]. (n.d.). Programa de Apoio a Planos de Reestruturação e Expansão das Universidades Federais - REUNI. Recuperado de http://reuni.mec.gov.br/Links ]

Ministério da Educação [MEC]. (2011). Expansão da educação superior e profissional e tecnológica: Mais formação e oportunidades para os brasileiros. Recuperado de http://portal.mec.gov.br/expansao/images/APRESENTACAO_EXPANSAO_EDUCACAO_SUPERIOR14.pdfLinks ]

Pastor, J. M., Pérez, F., & Guevara, J. F. de (2013). Measuring the local economic impact of universities: An approach that considers uncertainty. Higher education, 65(5), 539-564. [ Links ]

Programa das Nações Unidas para o Desenvolvimento [PNUD]. (2013). Atlas do desenvolvimento humano no Brasil. Recuperado de http://www.atlasbrasil.org.br/2013/Links ]

Romer, P. M. (1990). Endogenous technological change. Journal of Political Economy, 98(5, Part 2), S71-S102. [ Links ]

Schubert, T., & Kroll, H. (2016). Universities' effects on regional GDP and unemployment: The case of Germany. Papers in Regional Science, 95(3), 467-489. https://doi.org/10.1111/pirs.12150Links ]

Secretaria do Tesouro Nacional [STN]. (n.d.). Finanças do Brasil - dados contábeis dos municípios (FINBRA). Recuperado de http://www.tesouro.fazenda.gov.br/contas-anuais/Links ]

Siegfried, J. J., Sanderson, A. R., & McHenry, P. (2007). The economic impact of colleges and universities. Economics of Education Review, 26(5), 546-558. [ Links ]

Stokes, K., & Coomes, P. (1998). The local economic impact of higher education: An overview of methods and practice. AIR Professional File, 67(6), 1-14. [ Links ]

Valero, A., & Reenen, J. van (2019). The economic impact of universities: Evidence from across the globe. Economics of Education Review, 68, 53-67. https://doi.org/10.1016/j.econedurev.2018.09.001Links ]

Recebido: 17 de Junho de 2019; Aceito: 19 de Outubro de 2019; Publicado: 2 de Novembro de 2019

Autores: Marcelo Ponte Barbosa, Rua Marechal Deodoro, nº 400, 60020-181, Fortaleza, CE, Brasil. E-mail: mpbxeu@gmail.com, https://orcid.org/0000-0002-9964-605X

Francis Carlo Petterini, Rua Eng. Agronômico Andrei Cristian Ferreira, s/n, Campus Trindade, CSE/CNM, Bloco D, Sala 205, 88040-900, Florianópolis, SC, Brasil. E-mail: f.petterini@ufsc.br, https://orcid.org/0000-0003-4410-0970

Roberto Tatiwa Ferreira, Av. da Universidade, nº 2700, 60020-181, Fortaleza, CE, Brasil. E-mail: rtf1972@hotmail.com, https://orcid.org/0000-0002-2529-686X

Contribuições 1º autor: Levantamento, definição de metodologia e pesquisa.

2º autor: Levantamento, definição de metodologia e pesquisa.

3º autor: Levantamento, definição de metodologia e pesquisa.

Conflito de Interesses Os autores informaram que não há conflito de interesses.

Creative Commons License Este é um artigo publicado em acesso aberto (Open Access) sob a licença Creative Commons Attribution, que permite uso, distribuição e reprodução em qualquer meio, sem restrições desde que o trabalho original seja corretamente citado.