ads:
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO GRANDE DO SUL
FACULDADE DE ADMINISTRAÇÃO, CONTABILIDADE E ECONOMIA
PROGRAMA DE PÓS-GRADUAÇÃO EM ECONOMIA
MESTRADO EM ECONOMIA DO DESENVOLVIMENTO
TAMARA RIBEIRO DAL MASO
AGLOMERAÇÕES INDUSTRIAIS INOVADORAS NO
BRASIL: um estudo sobre a construção de índices de
concentração espacial para os municípios brasileiros e correlações
com variáveis representativas do acúmulo de conhecimento
Porto Alegre
Março de 2006
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
TAMARA RIBEIRO DAL MASO
AGLOMERAÇÕES INDUSTRIAIS INOVADORAS NO
BRASIL: um estudo sobre a construção de índices de
concentração espacial para os municípios brasileiros e correlações
com variáveis representativas do acúmulo de conhecimento
Dissertação apresentada ao Programa de Pós-
Graduação em Economia da Faculdade de
Administração, Contabilidade e Economia da
PUCRS como requisito parcial para obtenção do
Grau de Mestre em Economia.
Orientador: Prof. Dr. Aod Cunha de Moraes Jr.
Porto Alegre
Março de 2006
ads:
Aos meus pais, Silvia e Renato, à minha irmã,
Letícia, e ao meu amor, Marcelo.
AGRADECIMENTOS
Primeiramente, agradeço ao meu orientador, Aod Cunha de Moraes Jr., pelas
críticas e comentários decisivos no bom encaminhamento do trabalho.
Ao Jéferson Daniel de Matos, pelo auxílio na operacionalização do SPSS e na
aplicação da análise de componentes principais.
À Maria Amélia Leão, pela elaboração dos mapas deste trabalho.
À CAPES, pela Bolsa de Pesquisa.
Aos professores do Programa de Pós-Graduação em Economia da PUCRS, pelos
ensinamentos em todo período do mestrado.
Aos meus pais, familiares, amigos e namorado, pelo apoio emocional e
paciência durante o período de realização deste trabalho.
RESUMO
O objetivo geral desta dissertação é discutir as metodologias que podem identificar as
aglomerações industriais, para, posteriormente, serem aplicadas ao caso brasileiro e
determinar os clusters inovadores em nível municipal. Também se propõe investigar a
correlação entre os clusters inovadores identificados e o acúmulo espacial do conhecimento,
este medido por uma série de indicadores municipais.
O desenvolvimento do trabalho implica, primeiramente, a identificação dos clusters de
média e alta tecnologias no Brasil pela metodologia do Índice de Concentração. Num segundo
momento, selecionam-se diversos indicadores em nível municipal, tais como escolaridade,
ocupação da mão-de-obra, instituições e cursos, para representarem a dotação de
conhecimento espacial. Sobre este conjunto de indicadores aplica-se a técnica da Análise de
Componentes Principais para verificar sua correlação com os municípios especializados em
atividades inovadoras.
Palavras-Chave: aglomerações industriais, clusters, economia regional.
ABSTRACT
The general purpose of this work is to discuss the methodologies that can identify the
industrial centers so to, therefore, be applied to the brazilian case and determining the
innovative clusters in a city-based level. Also investigating the correlation between these
"clusters" and the spacialy accumulated knowledge, this last to be measured by a series of
local city numbers.
The development of this work implies, firstly, identification of high and medium
technologies clusters in Brazil by the Concentration Index method. It's secondarily chosen a
number of city indicators, such as school level, work labour occupation, institutions and
courses, to represent the existence of spacial knowledge. Applying the principal component
analysis over these numbers to verify its correlations to cities specialized in innovative
activities.
Key Words: industrial blocks, clusters and regional economy.
LISTA DE FIGURAS
Figura 1 - Espacialização dos clusters inovadores no Brasil - 2003............................................
Figura 2 - Espacialização dos clusters inovadores na Região Norte do Brasil - 2003.................
Figura 3 - Espacialização dos clusters inovadores na Região Sul do Brasil - 2003.....................
Figura 4 - Espacialização dos clusters inovadores na Região Sudeste do Brasil - 2003..............
Figura 5 - Espacialização dos clusters inovadores na Região Centro-Oeste do Brasil - 2003.....
Figura 6 - Espacialização dos clusters inovadores na Região Nordeste do Brasil - 2003............
60
61
62
63
64
65
LISTA DE QUADROS
Quadro 1 - Atividades mais inovadoras da indústria de transformação e suas
desagregações................................................................................................................................
Quadro 2 - Representação das etapas da aplicação das metodologias do QL e do IC para
identificação de clusters inovadores.............................................................................................
Quadro 3 - Representação das etapas de aplicação da metodologia do QL para identificação
dos clusters da atividade inovadora 24.1 - Fabricação de produtos químicos
inorgânicos....................................................................................................................................
Quadro 4 - Representação das etapas de aplicação da metodologia do IC para identificação do
cluster inovador da atividade 24.1 - Fabricação de produtos químicos
inorgânicos.....................................................................................................................................
Quadro 5 - Variáveis do conhecimento com maior autovalor em ordem decrescente em cada
um dos seis primeiros componente da AF1...................................................................................
Quadro 6 - Variáveis do conhecimento com maior autovalor em ordem decrescente em cada
um dos seis primeiros componentes da AF2.................................................................................
Quadro 7 - Atividades desagregadas da indústria de transformação de alta tecnologia................
Quadro 8 - Variáveis do conhecimento com maior autovalor em ordem decrescente em cada
um dos seis primeiros componentes da AF3.................................................................................
40
44
48
54
82
84
86
88
LISTA DE TABELAS
Tabela 1 - Quantidade de municípios que passaram no primeiro filtro pela metodologia de
identificação de clusters pelo cálculo do QL (QL > 1) e pela metodologia de cálculo do IC
(QL > 1 e PR > 0,5%)...................................................................................................................
Tabela 2 - Número de clusters identificados nas atividades inovadoras da indústria de
transformação do Brasil................................................................................................................
.
Tabela 3 - Os clusters da Atividade 24.1 - Fabricação de produtos químicos inorgânicos com
os respectivos ICs e NE de cada município..................................................................................
Tabela 4 - Ranking dos Estados mais especializados, dos Estados com mais municípios
especializados e dos municípios especializados em mais atividades inovadoras........................
Tabela 5 - Síntese do percentual de explicação da variação do conjunto de dados, individual e
acumulado, pelos seis primeiros componentes na AF1...............................................................
Tabela 6 - Percentual de explicação da variação do conjunto de dados pelos seis primeiros
componentes na AF2....................................................................................................................
Tabela 7 - Percentual de explicação da variação do conjunto de dados pelos seis primeiros
componentes na AF3....................................................................................................................
51
55
56
58
81
83
86
SUMÁRIO
INTRODUÇÃO.............................................................................................................................
1 ASPECTOS TEÓRICOS DA AGLOMERAÇÃO DE ATIVIDADES ECONÔMICAS E
AS METODOLOGIAS DE CONCENTRAÇÃO ESPACIAL.................................................
1.1 Aspectos teóricos da aglomeração de atividades econômicas inovadoras.........................
1.1.1 O debate recente sobre aglomerações industriais.............................................................
1.1.2 Perspectiva de análise da concentração industrial inovadora.........................................
1.2 Metodologia de indicadores de concentração espacial........................................................
1.2.1 O Quociente Locacional no formato tradicional...............................................................
1.2.2 Índice de Concentração.......................................................................................................
2 IDENTIFICAÇÃO DE AGLOMERAÇÕES DE ATIVIDADES ECONÔMICAS
INOVADORAS NO BRASIL: O Quociente Locacional e o Índice de Concentração...........
2.1 As escolhas de espaço regional e da desagregação setorial................................................
2.2 Banco de dados e variáveis que compõem os índices QL e IC..........................................
2.3 Identificação de aglomerações de atividades econômicas inovadoras pela metodologia
do QL............................................................................................................................................
2.4 Identificação de aglomerações de atividades econômicas inovadoras pela metodologia
do IC.............................................................................................................................................
2.5 Considerações finais..............................................................................................................
3 AS AGLOMERAÇÕES INOVADORAS E O ACÚMULO ESPACIAL DO
CONHECIMENTO: Análise de Componentes Principais.......................................................
3.1 Metodologia e bases de dados................................................................................................
3.1.1 Bases de dados e variáveis..................................................................................................
3.1.2 A Técnica da Análise Multivariada - Análise de Componentes Principais...................
3.2 Os clusters inovadores e o conhecimento..............................................................................
3.2.1 Análise do banco de dados completo (AF1).......................................................................
3.2.2 Análise do banco de dados resumido (AF2)......................................................................
3.2.3 Análise dos clusters de alta tecnologia (AF3)....................................................................
3.3 Considerações finais...............................................................................................................
11
15
16
16
20
28
29
31
35
35
41
45
49
66
68
69
69
78
79
80
82
85
89
CONCLUSÃO...............................................................................................................................
REFERÊNCIAS............................................................................................................................
APÊNDICE A................................................................................................................................
APÊNDICE B...............................................................................................................................
91
94
98
164
INTRODUÇÃO
Os clusters têm se destacado por representarem um mecanismo de desenvolvimento
regional. Genericamente, eles são definidos como concentrações setoriais e espaciais de
firmas. Esse conceito pode ser ampliado se forem incorporados os elementos da existência de
relações de cooperação entre as firmas, do grau de especialização, do ambiente institucional
voltado a dar suporte ao cluster, dentre outros. Porém o ponto essencial do conceito de cluster
supõe a existência de vantagens de aglomeração.
Alfred Marshall foi um dos pioneiros na discussão das vantagens de se produzir em
um distrito industrial. Segundo o autor, a concentração de empresas semelhantes gera
economias externas, e isso atrai, cada vez mais, empresas do mesmo tipo. As economias
externas são vantagens auferidas, pelas firmas localizadas em um aglomerado industrial que
não seriam auferidas caso elas operassem isoladamente. Como exemplo dessas
externalidades, podem-se citar o mercado de trabalho especializado, as conexões para frente e
para trás na cadeia produtiva e os spillovers de conhecimento.
Este trabalho estuda uma dessas externalidades propiciadas pela proximidade de
firmas semelhantes, os spillovers de conhecimento. Isso implica dizer que um dos objetivos
específicos deste trabalho é investigar o que a literatura mais recente da economia regional
tem dito sobre os clusters inovadores. Especificamente, pretende-se pesquisar o papel do
conhecimento na formação das aglomerações industriais.
Em Suzigan et. al (2004), os autores destacam a importância do conhecimento que
gera spillovers de conhecimento na formação das aglomerações industriais. Para eles, a
existência de conhecimentos especializados é o fundamento da formação dos clusters,
especialmente dos clusters de empresas intensivas em P&D.
Isso dito, cabe destacar que, como objetivo geral, este trabalho se propõe a discutir as
metodologias que podem identificar as aglomerações industriais, para, posteriormente, serem
aplicadas ao caso brasileiro, para determinar as aglomerações inovadoras em nível municipal.
Também se propõe investigar a correlação entre os clusters inovadores identificados e o
acúmulo espacial do conhecimento, medido por uma série de indicadores municipais.
Com base nessa proposição de pesquisa, definiram-se os objetivos específicos
descritos a seguir.
O primeiro objetivo é abordar os aspectos teóricos dos clusters inovadores. O segundo
objetivo específico é discutir as metodologias de concentração espacial existentes na literatura
de economia regional e identificar os clusters inovadores no Brasil. A medida de
especialização mais utilizada é o cálculo do Quociente Locacional (QL). Esse indicador, que
pode ser calculado com dados de emprego, mostra a concentração de uma determinada
indústria em uma região ou município, comparativamente à participação dessa mesma
indústria no espaço definido como base, o Brasil por exemplo. Porém essa metodologia
sobrevaloriza o peso de determinado setor sobre os municípios pequenos e pouco
desenvolvidos industrialmente e subvaloriza o peso de determinado setor sobre os municípios
muito desenvolvidos, com estrutura industrial diversificada e emprego total elevado. Tendo
isso em vista, criou-se uma metodologia alternativa de identificação de clusters, que foi
desenvolvida em Crocco et al. (2003a; 2003b), o Índice de Concentração (IC). Esse índice é
composto por três indicadores: Quociente Locacional, Hirschman Herfindal modificado
(HHm) e Participação Relativa (PR).
Outro objetivo específico deste trabalho é verificar empiricamente a correlação entre
os municípios especializados em atividades industriais inovadoras e os indicadores
representativos do conhecimento. Ou seja, pretende-se investigar se o acúmulo de
conhecimento nesses municípios especializados tem uma correlação positiva com os clusters
inovadores. Não se trata da investigação da existência de transbordamentos de conhecimentos
nesses clusters, pois isso seria melhor captado pela pesquisa de estudo de caso e de campo.
A fim de cumprir com os objetivos propostos, o trabalho foi organizado em três
capítulos. No Capítulo 1, faz-se uma revisão teórica da literatura mais recente que trata das
aglomerações industriais. Esse capítulo relata principalmente o papel do conhecimento e da
inovação nos clusters. Não foi feita uma revisão bibliográfica exaustiva sobre o tema. A
pesquisa teórica visa dar sustentação ao trabalho empírico realizado.
No Capítulo 2, são aplicadas as metodologias de identificação de aglomerações
industriais pelo cálculo do Quociente Locacional e pelo cálculo do Índice de Concentração.
Para isso, utilizaram-se os dados de emprego da RAIS de 2003 e selecionam-se as atividades
da indústria de transformação que mais inovaram no ano de 2003, com base nas tabelas
disponibilizadas pela Pesquisa Industrial de Inovação Tecnológica (PINTEC). O resultado
desse procedimento é a identificação dos clusters no Brasil de atividades de média e de alta
tecnologia da indústria de transformação.
No Capítulo 3, verifica-se se existe uma correlação entre os municípios especializados
em atividades de média e alta tecnologias e o conhecimento. Este último é representado por
um conjunto de variáveis obtidas de fontes secundárias em nível municipal, tais como
escolaridade, nível de capital humano, cursos de graduação e técnicos, número de escolas,
ocupação da mão-de-obra, etc. A verificação da correlação entre o conhecimento e os
municípios especializados em atividades inovadoras foi feita através da Análise Fatorial ou
Análise de Componentes Principais no software SPSS. Os resultados da Análise Fatorial
mostram que existe uma correlação positiva entre as diversas proxies representativas do
conhecimento e as aglomerações de empresas inovadoras.
Por fim, tem se a conclusão final, na qual discutem-se os objetivos gerais e específicos
do trabalho. Pode-se adiantar que todos os objetivos foram cumpridos.
1 ASPECTOS TEÓRICOS DA AGLOMERAÇÃO DE
ATIVIDADES ECONÔMICAS E AS METODOLOGIAS DE
CONCENTRAÇÃO ESPACIAL
Um dos objetivos deste capítulo é fazer uma revisão da literatura que trata das
aglomerações industriais, apresentando as contribuições mais recentes dos autores que são
referência no tema pelos trabalhos e metodologias desenvolvidos. Especificamente, pretende-
se pesquisar a concentração de atividades inovadoras, cujos locais propiciam vantagens que
são apropriadas pelas firmas, citando, nesse nível, os benefícios auferidos em termos da
difusão do conhecimento, da inovação, da qualificação da mão-de-obra, etc.
Este capítulo foi organizado em dois itens. O item 1.1 desenvolveu-se com a
perspectiva de abordar os aspectos teóricos da teoria da concentração de atividades
econômicas, cuja abrangência da revisão considerar-se-á adequada para os limites impostos
neste trabalho.
No item 1.2, tomando-se por base a revisão da literatura acima referida, apresentam-se
as metodologias utilizadas para identificação das concentrações de atividades econômicas. O
Quociente Locacional é a metodologia mais utilizada na economia regional para a
identificação de municípios ou regiões especializadas em determinada atividade econômica.
Recentemente, criou-se uma metodologia que aqui se julgou mais apropriada para a
identificação de aglomerações industriais, o Índice de Concentração, elaborada em Crocco et
al. (2003a; 2003b).
1.1 Aspectos teóricos da aglomeração de atividades econômicas
inovadoras
1.1.1 O debate recente sobre aglomerações industriais
Na literatura, encontram-se diversos conceitos acerca das aglomerações industriais.
Genericamente, os clusters podem ser definidos como uma concentração setorial e espacial de
firmas (Crocco et al., 2003b). Segundo Albuquerque (2000), um ponto essencial do conceito
de cluster supõe a existência de vantagens de aglomeração e de proximidade espacial.
Conceito similar, mas que destaca a questão da especialização e das trocas, foi citado por
Galinari et al. (2003) que dizem: "[...] cluster é uma aglomeração significativa de firmas em
uma área espacialmente delimitada que possui uma clara especialização produtiva, na qual o
comércio entre elas é substancial". Esses conceitos, entretanto, podem ser ampliados, na visão
de outros autores, se forem incorporados outros elementos relacionados à intensidade das
trocas intra-aglomeração de firmas. Citam-se elementos como a apropriação de vantagens
pela existência de relações de cooperação entre firmas, grau de especialização e desintegração
vertical da aglomeração, ambiente institucional voltado para dar suporte ao desenvolvimento
do cluster, dentre outros (Crocco et al., 2003b). Entende-se por desintegração vertical da
aglomeração a não-existência de uma firma líder no aglomerado, mas, sim, o predomínio de
empresas de porte similar. A presença ou não de alguns desses elementos acima mencionados
amplia significativamente as possibilidades de se identificarem outras tipologias para
caracterizar as aglomerações industriais
1
, que podem ser encontradas nos estudos de Santos
et. al (2002) e de outros.
1
Neste trabalho, as designações clusters, aglomerações industriais ou concentrações de empresas não se referem
às tipologias e classificações dadas a eles, mas, sim, caracterizam o mesmo objeto que é a proximidade de firmas
especializadas em uma mesma atividade econômica, as quais podem auferir vantagens de aglomeração.
Independentemente da tipologia do cluster e dos elementos que incorpora, a questão
essencial e concreta que dá substância ao conceito são os ganhos aglomerativos advindos da
proximidade geográfica entre agentes econômicos. Essa é uma observação mais geral que se
pode tirar da leitura desses autores sobre o conceito de cluster.
Esses elementos substanciais ao conceito de cluster encontram-se nos textos de Alfred
Marshall. Isso quer dizer que as vantagens da aglomeração produtiva recuperam as
contribuições originais de Alfred Marshall, que discutiu as razões pelas quais certas atividades
tendem a aglomerar-se em espaços geograficamente delimitados — os distritos industriais.
Segundo Marshall, quando um núcleo de firmas se localizava em determinada região, havia
uma tendência de atrair mais empresas do mesmo tipo. Ele afirmou também que a
concentração de empresas semelhantes gerava economias externas
2
, cujas vantagens geradas
atraíam cada vez mais firmas para esses locais. Uma das principais externalidades, destacadas
por Marshall, criadas e difundidas pela proximidade na localização das empresas desenvolve-
se pelo relacionamento das firmas e das pessoas envolvidas nas atividades correlatas locais,
pois as relações entre as firmas e pessoas estimulam a criação, a difusão e o aperfeiçoamento
de novas idéias, que resultam em economias externas para as empresas ali localizadas.
Além disso, a aglomeração de firmas do mesmo tipo também pode atrair para sua
proximidade outras atividades subsidiárias, que podem reduzir os custos dos transportes dos
insumos, das matérias-primas e dos instrumentos e equipamentos. Nesse contexto, atribui-se
ainda a Marshall importante referência feita às vantagens proporcionadas pela acumulação de
experiência dos trabalhadores no mercado de trabalho local, aumentando a capacitação da
força de trabalho e a produtividade do trabalho (Galinari et al., 2003).
Em síntese, pode-se resumir a contribuição desse autor clássico sobre as vantagens da
2
As economias externas ou externalidades ocorrem quando alguma atividade de produção ou de consumo possui
um efeito indireto sobre outras atividades de consumo ou de produção, as quais não se refletem diretamente nos
preços de mercado. Vale dizer, esses efeitos de custos e benefícios são externos ao mercado (Pindyck; Rubinfeld,
1999).
aglomeração produtiva citando a conhecida tríade marshalliana das economias externas,
propiciadas para as firmas localizadas em um aglomerado: os spillovers (transbordamentos)
de conhecimento, as conexões para frente e para trás na cadeia produtiva e o mercado de
trabalho especializado.
A literatura mais recente da economia regional deu maior destaque para as
aglomerações industriais. Nesse sentido, segundo Galinari et al. (2003), o estudo dos clusters
ganhou crescente atenção por parte da literatura econômica a partir dos anos 70 e 80 do século
XX. Afirmam esses autores que o maior interesse sobre o tema ocorreu em função da
experiência comprovada do bom desempenho e da rápida capacidade de resposta das
pequenas e médias empresas dos distritos industriais italianos para fazer frente ao novo
paradigma de concorrência mundial, pois as condições da competição das pequenas firmas
foram agravadas com o advento da microeletrônica, das tecnologias de informação e das
mudanças nas relações de comércio internacional sob a égide da globalização, tendo em vista
os acordos para a formação de mercados regionais (Nafta, União Européia, Mercosul, etc.).
Outra justificativa dessa nova ênfase ao tema aparece em Santos et al. (2002),
apontando que o maior interesse pela temática dos clusters se originou das mudanças
ocorridas, a partir da década de 70, no ambiente competitivo das empresas. Os autores
acrescentam ainda que o maior debate emergiu abordando o novo paradigma tecnológico
(baseado na microeletrônica), o qual tem imposto um processo produtivo mais intensivo em
conhecimento. Por sua vez, essa questão do conhecimento foi abordada em Crocco et al.
(2003b), destacaram a importância do conhecimento na fase atual do desenvolvimento
capitalista, pois representa um fator crucial para o desenvolvimento socioeconômico.
Toyoshima et al. (2003) destacam outros dois fatores que contribuíram para o maior
interesse em análises sobre aglomerações industriais. O primeiro é a possibilidade de inserção
competitiva de pequenas e médias empresas, quando compartilham de um mesmo espaço
geográfico, pois se sabe que, apesar de as pequenas e médias empresas serem importantes
geradoras de emprego e renda na economia, o intenso ritmo de mudanças tecnológicas, com
processos produtivos e produtos cada vez mais intensivos em conhecimento/tecnologia, causa
sérias dificuldades de sobrevivência para essas empresas. O segundo fator que aumentou o
debate é atribuído ao sucesso de algumas regiões que anteriormente se encontravam
estagnadas, cujo caso clássico é o da Terceira Itália, que evoluíram economicamente,
especializando-se em determinados produtos, e passaram a se inserir no comércio
internacional a partir de aglomerações industriais predominantemente de pequenas empresas
em setores tradicionais. A constatação da evolução desse tipo de firmas também merece uma
proposição mais geral do que pequenas firmas de setores tradicionais no trabalho de Santos et
al. (2002). Eles destacam que a formação de clusters tem sido verificada tanto em indústrias
tradicionais, tais como pesca no Chile, móveis na Dinamarca, têxtil e calçados na Itália e
confecções em Taiwan e na Tailândia, quanto em indústrias de alta tecnologia, onde a
competição é baseada na contínua introdução de inovações. Ou seja, é importante destacar
que a inovação pode estar presente em setores tradicionais. Assim, a aglomeração de firmas
inovadoras também é um fenômeno contemporâneo do novo contexto da economia e da
concorrência internacional.
O contexto econômico contemporâneo reacendeu o debate, na literatura atual da
economia regional, sobre os clusters, destacando neles suas externalidades e os mecanismos
fundamentais propulsores do desenvolvimento regional. A discussão sobre os clusters tem
incorporado, como bem aponta Santos et al. (2002), contribuições da economia da inovação,
da economia industrial e da geografia econômica
3
.
Em relação a esta última, também chamada de "nova geografia econômica", são
apresentadas novas ferramentas teóricas — principalmente, artifícios de modelagem que
3
A geografia econômica busca explicar a relação entre as concentrações populacionais e as atividades
econômicas: a distinção entre regiões industriais e agrícolas, a existência de cidades e o papel das aglomerações
industriais (Fujita; Krugman; Venables, 2002).
foram desenvolvidos para analisar a organização industrial, o comércio internacional e o
crescimento econômico — que removem as barreiras técnicas cruciais e transformam esse
campo antes negligenciado em um terreno fértil para os teóricos (Fujita; Krugman; Venables,
2002).
Notavelmente, a pesquisa sobre a economia regional, ou "nova" ciência regional, tem
incorporado, em suas análises, os novos aspectos ou a abordagem das vantagens apropriadas
pelas firmas relacionadas aos retornos crescentes advindos de economias de aglomeração
4
,
bem como as idéias marshallianas de economias externas (Lemos et al., 2003). Em suma, a
literatura sobre a economia regional tem se dedicado intensivamente às pesquisas para
entender a natureza e os possíveis benefícios para o desenvolvimento local das economias de
aglomeração.
1.1.2 Perspectiva de análise da concentração industrial inovadora
A seguir, apresenta-se a perspectiva teórica deste trabalho, referida e apropriada dos
principais autores que trataram do tema, tendo o objetivo de bem fundamentar a abordagem
do objeto desta dissertação no seu conteúdo conceitual e no metodológico. Busca-se qualificar
o objeto investigado, que significa realçar o potencial das vantagens do conhecimento na
formação das aglomerações produtivas inovadoras na economia regional, incorporando,
assim, mais conteúdo e substância à aplicação da metodologia para identificar clusters no
Brasil.
Inicialmente, pretende-se investigar o que motiva as firmas a se localizarem ou não
próximas a outras firmas de mesma atividade produtiva. Em outras palavras, o que motiva a
4
As economias de aglomeração são subdivididas em economias de especialização (ou localização), que são
economias externas à firma, mas internas à aglomeração industrial em que a firma se localiza (seria a tríade das
externalidades marshallianas); e em economias de urbanização que são economias externas à firma e ao
aglomerado industrial, mas internas ao centro urbano em que se localizam (Galinari et al., 2003).
aglomeração de firmas do mesmo tipo. O estudo desenvolvido em Fujita; Krugman e
Venables (2002) sustenta que são tensões entre as forças centrípetas e forças centrífugas que
determinam a estrutura espacial da economia. As forças centrípetas, constituídas pelos fatores
que levam à formação de aglomerações, são aquelas que favorecem a concentração industrial
local ou regional. Como exemplo desse fenômeno, pode-se citar a condição de existência,
numa região, das economias externas apontadas por Marshall: os spillovers de conhecimento,
as conexões para frente e para trás na cadeia produtiva e o mercado de trabalho especializado.
Por sua vez, as forças centrífugas são aquelas que se opõem à aglomeração, como os fatores
imóveis, o aluguel de terras e o transporte até o local de trabalho. O argumento central desse
estudo sugere que aglomeração industrial ocorre quando as forças centrípetas superam as
forças centrífugas.
Essa explicação mais geral sobre a formação de aglomerações industriais ganha mais
conteúdo e compreensão com as importantes contribuições de Crocco (2003b), Suzigan
(2000), David (1999) e outros, abordados a seguir, para construir o referencial sobre clusters
industriais e especificamente sobre clusters de indústrias inovadoras. Uma contribuição
importante sobre as forças que levam a aglomerações industriais encontra-se em Suzigan
(2000). O trabalho busca explicar que, além das externalidades existentes pelo lado da
demanda, há também externalidades pelo lado da oferta. Afirma que existem, também pelo
lado da oferta, forças potentes que influem na localização da indústria. Para reforçar esse
aspecto, cita David (1999), que aponta três delas nos termos seguintes:
(i) as que afetam os custos relativos de admissão e treinamento de mão-de-obra
com diferentes qualificações em mercados de trabalho locais interconectados, cuja
modelagem por simulação estocástica
5
mostrou levarem a padrões complexos, auto-
organizados, de especialização industrial; (ii) os spillovers localizados de
conhecimento que, por métodos semelhantes, mostrou-se resultarem na formação e
crescimento de clusters geográficos de empresas intensivas em P&D, e (iii) as
externalidades que afetam insumos de serviços empresariais especializados e outros
insumos intangíveis que, por se tornarem relativamente abundantes em alguns
locais e serem menos prováveis de se tornar amplamente comercializáveis pela
5
A simulação estocástica permite a avaliação do desempenho de protocolos através de testes com eventos
gerados aleatoriamente, segundo pesquisa no Google.
redução dos custos de transporte, parecem ser "comparativamente importantes entre
os mecanismos subjacentes á persistência de padrões de localização industrial"
(David, 1999, apud Suzigan, 2000, p. 6).
Suzigan et al. (2004) propõem que o fundamento da formação dos clusters é a
condição de existência de conhecimentos especializados, os quais geram capacitações
produtivas, técnicas e tecnológicas específicas para a produção de determinado produto ou
para certa atividade econômica. Fica evidenciada, assim, pelos autores, a importância do fator
conhecimento, que gera spillovers localizados de conhecimento, na formação das
aglomerações industriais e, especificamente, é fundamental nos clusters de empresas
intensivas em P&D.
Um dos aspectos abordados pela literatura sobre os spillovers (transbordamento) de
conhecimento é a investigação sobre as condições necessárias para ocorrer a captura do efeito
de spillover de uma firma, mais especificamente se é necessária a condição de proximidade
espacial entre as firmas. Suzigan (2000) cita o estudo de Audretsch e Feldman (1996) que
pesquisaram se as indústrias onde os spillovers de conhecimento são mais prevalecentes —
nos locais onde a P&D industrial, a pesquisa universitária e o trabalho especializado são mais
importantes — têm maior propensão a aglomerar-se com outras empresas de mesmo tipo. Os
autores supõem que esses locais têm maior propensão a aglomerar a atividade inovativa do
que as indústrias nas quais as externalidades do conhecimento são menos importantes.
6
Eles
afirmam que o conhecimento passa a ser gerado e transmitido de maneira mais eficiente via
proximidade local e, por isso, as atividades econômicas baseadas em novo conhecimento têm
alta propensão a aglomerar-se numa região geograficamente limitada (Suzigan, 2000). Deduz-
se, assim, que spillovers de conhecimento e proximidade espacial são condições inter-
relacionadas na formação de clusters e, particularmente, nos clusters de indústrias inovadoras.
6
Esse estudo foi feito para os Estados Unidos.
Conforme a Pesquisa Industrial de Inovação Tecnológica (PINTEC) do IBGE, a
inovação tecnológica é definida pela implementação de produtos (bens ou serviços) ou
processos tecnologicamente novos ou substancialmente aprimorados. A implementação da
inovação ocorre quando o produto é introduzido no mercado ou quando o processo passa a ser
operado pela empresa. Pode-se adicionar ainda que a inovação não depende necessariamente
de atividades de pesquisa e desenvolvimento. A inovação é a busca, a descoberta, a
experimentação, o desenvolvimento, a imitação e a adoção de novos produtos, processos e
novas técnicas organizacionais. As fontes da inovação são a ciência, a experiência cotidiana
de produção, o design, a gestão e o marketing de produtos. Segundo esse conceito, a inovação
também pode ser encontrada em setores tradicionais e não apenas nos de alta tecnologia.
Trata-se de uma proposição importante, que avança na discussão do tema e no
embasamento deste trabalho, na medida em que se busca estudar e identificar os clusters
inovadores no Brasil, bem como definir indicadores de conhecimento para verificar sua
correlação com os clusters identificados.
Essa interação entre spillovers de conhecimento e proximidade espacial fica
respaldada na afirmação tirada de Torre (2003), que enfatiza, de forma clara, que as relações
que implicam o funcionamento dos conhecimentos tácitos
7
, enraizados em indivíduos,
instituições e ambientes locais, estão condicionadas a solicitar a proximidade geográfica,
enquanto aquelas que se baseiam em conhecimentos codificados se adaptam às distâncias
geográficas.
Assim, os conhecimentos tácitos enraizados em indivíduos, instituições e ambientes
locais são capturados devido à proximidade local. Porém a transformação dos conhecimentos
tácitos em sinais ou códigos é muito difícil de ocorrer, uma vez que sua natureza está
7
O conhecimento tácito, de acordo Marcos Hashimoto, é o conhecimento com base na experiência. É um
conhecimento explícito, subjetivo, não mensurável, que não se ensina e não se transfere de forma objetiva em
sala de aula ou manuais. Esse conhecimento tácito se adquire com a experiência, ao contrário do conhecimento
explícito, que é aparente, claro, exposto, regrado e formalizado.
associada e condicionada a processos de aprendizado, dependentes de contextos e formas de
interação sociais específicas (Lastres; Cassiolato, 2003). A captura de spillovers e a sua
materialização em códigos e sinais dependem de processos e de interações sociais, cujas
condições asseguram que esse tipo de conhecimento é melhor transmitido por meio de
contatos interpessoais, freqüentes interações dos agentes nas instituições e nos ambientes
locais, bem como pela mobilidade de trabalhadores entre empresas. Portanto, a difusão e a
captura do efeito de spillover pelas firmas ficam condicionadas, em grande parte, pela
interação dos agentes no território localizado.
Nessa linha de pensamento, o trabalho de Crocco et al. (2003b) aponta que o
conhecimento codificado também é influenciado pelo território localizado, no que se refere ao
seu uso e à sua difusão. A interpretação e a assimilação do conhecimento codificado
dependem do conhecimento tácito acumulado e do contexto econômico e social, citando o
mesmo trabalho. Santos et al. (2002), por sua vez, também reafirmam que os processos de
aprendizado coletivo e de difusão do conhecimento tácito e codificado entre as empresas
necessitam proximidade cognitiva e física, pois, dessa forma, as relações interpessoais e
interfirmas e de insumo-produto são realizadas plenamente.
Essas contribuições acima, que explicam os clusters, por um lado, enfatizando a
interação entre os spillovers de conhecimento e a proximidade espacial, e, por outro lado, a
questão da captura do conhecimento que está condicionada ao processo de aprendizado e à
dependência das interações sociais, reforçam a explicação sobre as razões de a atividade
inovadora tornar-se também ainda mais "localizada" e específica.
A economia regional enquadra-se nessa linha de pensamento, pois procura explicar o
que torna as empresas localizadas em clusters mais inovadoras do que as empresas isoladas,
buscando enfatizar um conjunto diferente de fatores-chave para a transmissão de
conhecimentos.
Para melhor qualificar os fatores-chave para transmissão do conhecimento nos clusters
inovadores, registram-se a seguir duas citações lapidares. A primeira chama atenção para a
importância do ambiente local e das redes de informação, a interação das firmas e das
instituições que detêm e transmitem conhecimento para desenvolver o processo de
aprendizado.
(1) O aprendizado por meio da operação em redes e da interação, incluindo relações
produtor-usuário, colaborações formais e informais, mobilidade de trabalhadores
qualificados entre empresas, e spin-offs que geram novas firmas a partir de
empresas, universidades e instituições de pesquisas; (2) o elevado grau de imersão
das empresas locais numa densa rede de intercambio de conhecimentos, que se
baseia em intensas interações dos agentes, facilitadas por normas, convenções e
códigos de domínio comum, e em instituições que constroem confiança e
estimulam relações informais entre agentes, num processo de aprendizado coletivo,
e (3) a disponibilidade de um conjunto de recursos de uso comum tais como
universidades, instituições de pesquisa, centros tecnológicos e ampla oferta de
trabalhadores qualificados e técnicos especializados, que contribuem para reduzir
custos e incertezas associados às atividades inovadoras (Breschi; Malerba, 2001,
p.819-820 apud Suzigan, 2004, p.2-3).
A segunda citação destaca as potencialidades do ambiente local para a geração de
conhecimento e inovações.
a) As inovações são geradas através de mecanismos específicos de aprendizado
formados por um quadro institucional local específico; b) as decisões técnicas das
firmas são path-dependent, cuja experiência acumulada no passado tem não apenas
recursos tangíveis e intangíveis internos às firmas, mas também recursos
localizados do espaço socialmente construído; e c) a parte da geração de
conhecimento decorrente da rotina das firmas, do fluxo corrente de suas atividades,
é de natureza tácita e, portanto, fortemente localizada intransportável. Dessa forma,
esta dimensão localizada do processo inovativo confere um papel primordial às
especificidades locacionais, particularmente aos diferentes mercados e instituições
delimitados em um espaço econômico e suas formas de interação no processo de
geração e difusão de inovações (Lastres et al., 1998, p.10-11 apud Santos et al.,
2002, p.7-8).
Buscou-se realçar, com as citações acima, a importância das inter-relações no
ambiente do cluster entre firmas, entre firmas e instituições locais, universidades, centros de
pesquisa, etc., pois a difusão e a geração de inovações dependem também dos laços entre
ciência e indústria. As atividades de inovação tendem a se concentrar, de acordo com Torre
(2003), nas zonas onde se encontram não apenas unidades de produção, mas também
laboratórios de pesquisa privada e instituições ligadas à pesquisa acadêmica. Por isso, as
relações de proximidade são importantes para a geração de novas tecnologias e para a captura
delas pelas firmas. Em suma, a proximidade espacial influencia fortemente a difusão das
atividades de P&D. Essa constatação fica reafirmada em Torre (2003), ao dizer que o saber
especializado resultante da acumulação de aprendizados sucessivos — vale dizer, a presença
de recursos humanos — é uma das externalidades espaciais mais importantes.
Cabe destacar ainda um outro aspecto atrelado às potencialidades dos clusters
inovadores. As atividades do conhecimento geram retornos crescentes de escala, tendo em
vista a sua natureza cumulativa, a presença de spillovers, a proximidade local das firmas, a
concentração espacial de P&D, etc. Quando uma firma, localizada numa aglomeração
industrial, investe em atividades inovadoras, ela gera transbordamentos dos conhecimentos
adquiridos para as demais firmas, sem que estas últimas incorram com custos adicionais. Por
essa razão, a presença de um cluster numa determinada região gera externalidades que a
diferenciam das demais regiões onde não haja especialização. As vantagens da aglomeração
industrial direcionam-se tanto para as firmas quanto para a população. Para as primeiras, os
benefícios podem ser sintetizados nos ganhos de produtividade e no melhor desempenho do
que se operassem isoladamente. No caso da população, ela pode se beneficiar das maiores
oportunidades de emprego, dos incentivos para a acumulação de conhecimento, da elevação
dos salários
8
e do maior bem-estar social
9
. Por todas as vantagens potencializadas nos
clusters, eles têm sido destacados como uma importante forma de promoção do
desenvolvimento regional.
Porém, o trabalho de Crocco et al. (2003b) faz algumas ressalvas quando se trata dos
países da periferia capitalista. Dizem que nesses casos a maior parte dos clusters assume
características de clusters informais. Isso significa que podem ocorrer formas de cooperação e
8
Ver Fujita; Krugman e Venables (2002).
9
Essa hipótese foi testada e comprovada para o Rio Grande do Sul em Toyoshima et al. (2003).
o estabelecimento de redes e ligações interfirmas pouco evoluídas, podendo predominar a
competição predatória, baixo nível de confiança entre os agentes e informações pouco
compartilhadas
10
(Crocco et al., 2003b). Apesar disso, os autores também são otimistas, ao
reafirmarem que, mesmo em suas formas mais incompletas, os arranjos produtivos possuem
impactos significativos sobre o desempenho das firmas, notadamente pequenas e médias, e
sobre a geração de empregos. Sabe-se que a possibilidade de inovação por interação (lerning-
by-interacting) e os transbordamentos de conhecimento não ocorrem facilmente. Entretanto a
proximidade entre firmas semelhantes gera uma possibilidade de crescimento e de redução
das assimetrias entre regiões.
Finalizando, esse marco teórico sobre clusters do conhecimento, embasado nas
contribuições mais recentes dos principais autores sobre o tema, ainda que sucinto, servirá de
referência permanente na elaboração desta pesquisa sobre a identificação de clusters
inovadores no Brasil. A identificação desses clusters será objeto de estudo do Capítulo 2, e,
no Capítulo 3, estudar-se-á, empiricamente, a relação entre os clusters inovadores
identificados e as proxies selecionadas para representar o conhecimento. No que se refere ao
Capítulo 3, vale frisar que não se trata da investigação da existência ou não de
transbordamentos de conhecimento, pois isso seria melhor captado pela pesquisa de estudo de
caso de um cluster específico, mas sim da aglomeração de atividades inovadoras e os fatores
que podem explicar este tipo de concentração espacial de atividade produtiva.
1.2 Metodologia de indicadores de concentração espacial
O referencial teórico estudado anteriormente, que evidencia a importância do
conhecimento na formação e no desenvolvimento dos clusters inovadores, instigou o estudo
10
Sobre os arranjos produtivos informais, ver Crocco et al. (2003b).
da verificação empírica da relação entre os clusters inovadores e o conhecimento. Para
cumprir esse objetivo, foi necessário, primeiro, identificar os municípios do Brasil onde existe
concentração de empresas de mesma atividade econômica inovadora. A identificação dos
municípios que apresentam concentração de atividade econômica foi realizada pelo cálculo do
Quociente Locacional, no seu formato tradicional, e pelo Índice de Concentração, que é uma
nova metodologia proposta em Crocco et al. (2003a; 2003b). Na segunda etapa, selecionou-se
diversas proxies para representar conhecimento, nas quais se aplicou a Análise Fatorial para
detectar quais delas explicam a concentração de empresas de atividades inovadoras. A
aplicação e a análise desses métodos estão desenvolvidas nos Capítulos 2 e 3. A seguir,
apresentam-se as metodologias do QL e do IC de identificação de clusters.
A literatura sobre economia industrial e economia regional é repleta de estudos de caso
sobre clusters. Poucos são os trabalhos que procuram identificar o surgimento de
aglomerações industriais. Sem dúvida, isso foi uma motivação para desenvolver esta pesquisa,
aplicando as metodologias para identificar os clusters inovadores no Brasil.
1.2.1 O Quociente Locacional no formato tradicional
O Quociente Locacional é a medida de especialização regional mais utilizada em
pesquisas voltadas à identificação da estrutura econômica e das potencialidades dos
territórios. A aplicação do QL sobre certa localidade possibilita determinar se ela possui
especialização em um setor específico. O resultado desse método permite comparar duas
estruturas setoriais-espaciais, pois ele é a razão entre duas estruturas econômicas: no
numerador, tem-se a economia em estudo e, no denominador, uma economia de referência —
normalmente a macroeconomia que engloba a primeira (Crocco et al., 2003a). Para fins dessa
pesquisa, a economia em estudo será o município, e a de referência, a economia brasileira. A
fórmula de cálculo do Quociente Locacional é expressa da seguinte forma:
BR
i
BR
j
i
j
E
E
E
E
QL =
onde
i
j
E
= emprego do setor i no município j;
j
E
= emprego total no município j;
i
BR
E
=
emprego do setor i no Brasil;
BR
E
= emprego industrial total no Brasil.
A interpretação do valor do indicador QL baseia-se numa comparação entre
especializações: quando QL = 1, a especialização do município j em atividades do setor i é
idêntica à especialização do conjunto do Brasil nas atividades desse setor; quando QL < 1, a
especialização do município j em atividades do setor i é inferior à especialização do conjunto
do Brasil nas atividades desse setor; quando QL > 1, a especialização do município j em
atividades do setor i é superior à especialização do conjunto do Brasil nas atividades desse
setor (Albuquerque, 2000).
Significa que os municípios que têm o valor do QL menor ou igual a 1 não são
considerados os mais especializados em determinada atividade econômica no Brasil
11
. Após a
exclusão desses municípios, deve-se pesquisar o número de estabelecimentos da atividade em
estudo que estão localizados em cada município. Esse procedimento é necessário, porque o
índice QL detecta apenas aquelas cidades que apresentam concentração de empregos. Os
11
A exclusão dos municípios que têm QL menor ou igual a 1 pôde ser realizada no software SPSS,
especificamente no comando "Select Cases".
municípios que apresentarem QL > 1 e apenas um estabelecimento são excluídos, porque não
representam um cluster. Finalmente, verifica-se a vizinhança entre os municípios
selecionados, pois é possível que um cluster ultrapasse as fronteiras de um município
específico ou seja constituído por um conjunto deles.
Apesar da utilidade desse indicador na identificação da especialização produtiva de
uma região, Crocco et al (2003b) destacam que é necessário ter cautela ao utilizá-lo. Com
efeito, o indicador é apropriado para aplicar-se em testes nas regiões de porte médio, porque,
nas regiões pequenas que apresentam emprego industrial diminuto e estrutura produtiva pouco
diversificada, o QL tende a sobrevalorizar o peso de determinado setor na região, bem como
tende a subvalorizar a importância de determinados setores em regiões com estrutura
produtiva bem diversificada, mesmo que esse setor possuísse peso significativo no contexto
nacional.
12
Isto significa que, pelo cálculo do QL, um município pouco desenvolvido
industrialmente poderá apresentar um elevado índice de especialização pela presença de
apenas uma unidade produtiva. Outra deficiência do índice é a dificuldade para identificar
algum tipo de especialização nos municípios desenvolvidos e com emprego total elevado
(Suzigan, 2003). Esses casos foram melhores explicados, com exemplos, no Capítulo 2, cujo
objeto é a aplicação das metodologias de identificação de aglomerações produtivas.
A seguir, apresenta-se a metodologia alternativa para identificar aglomerações
industriais.
1.2.2 Índice de Concentração
O estudo de Crocco et al (2003a; 2003b) propõe a elaboração do Índice de
12
Para visualizar um exemplo, ver Crocco et al. (2003b), p. 12.
Concentração, para ser empregado como metodologia alternativa para identificação de
clusters, com o objetivo de superar tais problemas de sobrevalorização e subvalorização do
QL no seu formato tradicional. O Índice de Concentração possibilita calcular o potencial de
um setor industrial de uma região específica para se transformar em um cluster.
O IC é composto por três indicadores. O primeiro é o Quociente Locacional, já
descrito anteriormente. O segundo indicador, denominado Hirchman-Herfindahl modificado,
permite calcular o real peso do setor na estrutura produtiva local. O HHm é definido pela
seguinte fórmula:
−
=
BR
j
i
BR
i
j
E
E
E
E
HHm
sendo
i
j
E
= emprego do setor i no município j;
j
E
= emprego total no município j;
i
BR
E
=
emprego do setor i no Brasil;
BR
E
= emprego industrial total no Brasil.
Esse indicador possibilita comparar o peso do setor i do município j no setor i do país
com o peso da estrutura produtiva do município j na estrutura do país.
O terceiro indicador calcula a participação relativa do setor de um município no
emprego total do país, sendo chamado de Participação Relativa. O PR busca captar a
importância do emprego do setor de um município em relação ao emprego do país. O
indicador PR obtém-se pela fórmula:
i
BR
i
j
E
E
PR =
sendo
i
j
E
= emprego do setor i no município j;
i
BR
E
=
emprego do setor i no Brasil.
Os três indicadores descritos são utilizados como insumos para o cálculo do IC, que é
a metodologia para identificação de clusters desenvolvida em Crocco et al. (2003b). Os pesos
específicos de cada insumo são obtidos pelo método de análise dos componentes principais,
que relaciona a combinação linear dos três indicadores padronizados.
IC
ij
= θ
1
QL
ij
+ θ
2
HHm
ij
+ θ
3
PR
ij
onde
IC
ij
= Índice de Concentração do setor i no município j;
QL
ij
= Quociente Locacional do setor i no município j;
HHm
ij
= Hirchman-Herfindahl modificado do setor i no município j;
PR
ij
= Participação Relativa do setor i no município j;
θ = os pesos de cada um dos indicadores para cada setor produtivo específico;
i = setor em estudo;
j = município.
Os autores dessa metodologia destacam que o cálculo dos pesos específicos de cada
insumo não deve ser feito para a economia como um todo, mas, sim, repetido para cada um
dos setores que se quer trabalhar. Isso significa que cada setor produtivo apresentará pesos
distintos para cada insumo que compõe o IC. Além disso, cada município apresentará um IC
para cada atividade em estudo.
A obtenção dos pesos (θ) de cada um dos três indicadores (QL, HHm e PR) definidos
anteriormente dá-se pelo método multivariado, que é o método de análise de componentes
principais. Essa técnica permite identificar os indicadores que mais influenciam o conjunto de
dados como um todo. Os resultados preliminares da análise de componentes principais, tais
como a matriz de coeficientes e a variância dos componentes principais, permitem conhecer
qual a importância de cada componente para a explicação da variância total dos dados.
Vale destacar que a aplicação da análise fatorial e o cálculo dos pesos de cada
indicador não são suficientes para determinar se um município tem concentração de empresas
de mesma atividade econômica. Para isso deve-se também verificar o número de
estabelecimentos da atividade econômica em análise no município, bem como a proximidade
entre os municípios, a fim de verificar se formam um mesmo aglomerado.
2 IDENTIFICAÇÃO DE AGLOMERAÇÕES DE ATIVIDADES
ECONÔMICAS INOVADORAS NO BRASIL: o Quociente
Locacional e o Índice de Concentração
Neste capítulo, são aplicadas as metodologias de identificação de clusters pelo cálculo
do Quociente Locacional, no seu formato tradicional, e pelo cálculo do Índice de
Concentração. A aplicação dessas metodologias visa determinar especificamente as
aglomerações de empresas de atividades inovadoras no Brasil.
2.1 As escolhas de espaço regional e da desagregação setorial
O município foi a unidade territorial de referência para determinar as aglomerações de
empresas de atividades inovadoras (AEI). Significa dizer que, para cada atividade inovadora
da indústria de transformação (IT), aplicou-se o cálculo do QL e do IC sobre os dados de cada
um dos 5501 municípios do Brasil.
No que se refere ao recorte setorial, as metodologias foram aplicadas para as
desagregações das atividades da IT
13
eleitas como aquelas mais inovadoras. A decisão de
aplicar-se o cálculo do QL e do IC para as desagregações (Grupos da Classificação Nacional
de Atividades Econômicas (CNAE), três dígitos) das atividades da IT e não para a atividade
agregada (Divisão CNAE, dois dígitos) foi tomada após alguns testes de definição do IC.
Num primeiro momento, testou-se o cálculo do IC para cada uma das 23 atividades da
indústria de transformação. Posteriormente, selecionaram-se algumas desagregações dessas
atividades anteriormente selecionadas, e também calculou-se o IC. Ao se compararem-se os
13
No total, as atividades da IT são 23. Cada uma dessas atividades tem diversas desagregações.
resultados das atividades agregadas versus atividades desagregadas, foram detectados alguns
problemas. Diversos municípios foram identificados como concentradores de emprego nas
atividades desagregadas da IT, porém não foram captados quando o cálculo foi feito para as
atividades agregadas. Por exemplo, a definição do IC para a Atividade Agregada 31
(Fabricação de máquinas, aparelhos e materiais elétricos) resultou que 44 municípios
passaram no primeiro filtro, enquanto, para a Atividade Desagregada 31.1
14
(Fabricação de
geradores, transformadores e motores elétricos), resultaram 27 municípios. O problema não
está na quantidade de municípios que passaram no primeiro filtro, mas, sim, nos municípios
identificados como concentradores de empregos na atividade agregada. Ocorre que alguns
municípios que apresentaram IC elevado na Atividade Desagregada 31.1 (citam-se Garça em
São Paulo e Santa Rita do Sapucaí em Minas Gerais) sequer aparecem no cálculo para a
Atividade Agregada 31. Além disso, alguns municípios que aparecem tanto no cálculo da
Atividade 31 como no da Atividade 31.1 apresentam valores do IC muito diferentes em cada
atividade. Esse é o caso do Município Jaraguá do Sul, que apresenta um IC igual a 15,94 na
Atividade Desagregada 31.1, enquanto, na Atividade Agregada 31 seu valor é 2,52.
Haja vista os problemas acima mencionados, julgou-se necessário aplicar as
metodologias de cálculo do QL e do IC nas Atividades Desagregadas (3 dígitos) da IT. Porém
as 23 atividades da IT totalizam 104 desagregações. Somando a isso o fato já descrito no
Capítulo 1 de que cada setor produtivo da economia apresenta pesos específicos para as
variáveis que compõem o IC (Quociente Locacional, Hirchman-Herfindahl modificado e
Participação Relativa), torna-se inviável aplicar as metodologias sobre todas as desagregações
de cada uma das 23 atividades da IT.
Por esses motivos, optou-se por eleger as atividades da IT mais inovadoras. Ou seja,
definiu-se quais dentre as 23 Atividades Agregadas da IT se apresentaram como as mais
14
No primeiro filtro, o valor do QL > 1, e o valor da Participação Relativa (PR) > 0,5%. Os municípios que
passam no primeiro filtro são denominados de concentradores de empregos. Os municípios que passaram nesse
filtro e seus respectivos ICs estão no Apêndice A.
inovadoras, e aplicaram-se, em suas desagregações, as metodologias de identificação de
clusters.
O critério de seleção das atividades da IT mais inovadoras foi inspirado no artigo de
Lemos et al. (2005). Nesse trabalho, os autores fazem uma análise da distribuição geográfica
da indústria no Brasil, classificando as firmas em três tipos: as que inovam e diferenciam
produtos, as especializadas em produtos padronizados, e as que não diferenciam produtos e
têm produtividade menor. A análise da concentração industrial dessas firmas está relacionada
com alguns indicadores socioeconômicos definidos pelos autores, tais como renda e
desigualdade, escolaridade, infra-estrutura, características do mercado de trabalho, etc. Um
dos objetivos do trabalho de Lemos et al. (2005) foi captar o efeito de contágio e a
continuidade espacial da indústria. Ou seja, a partir da análise de indicadores selecionados,
determinaram as regiões que possuem atrativos para a localização ou a expansão da atividade
industrial
15
.
Neste trabalho, também se utilizou a mesma classificação das firmas do trabalho de
Lemos et al. (2005), especificamente as firmas que inovam e diferenciam produtos, como
critério de seleção de algumas das atividades da IT, para, posteriormente, aplicarem-se as
metodologias do QL e do IC. Para identificar as que mais inovaram e diferenciaram produtos,
analisaram-se as tabelas de dados disponibilizadas pela Pesquisa Industrial de Inovação
Tecnológica
16
do IBGE para o ano de 2003. Observou-se qual das atividades agregadas (2
dígitos) da IT apresentaram maior percentual de empresas que implementaram inovações e
inovações de produto
17
. As oito atividades agregadas da IT que mais implementaram
15
Para maiores detalhes, ver Lemos et al. (2005 in De Negri; Salerno (orgs.)2005), Inovações, padrões
tecnológicos e desempenho das firmas industriais brasileiras. Capítulo 9.
16
A PINTEC (2003) tem por objetivo a construção de indicadores setoriais, nacionais e regionais, das atividades
de inovação tecnológica nas empresas industriais brasileiras, compatíveis com as recomendações internacionais
em termos conceituais e metodológicos.
17
"Produto tecnologicamente novo", de acordo com a PINTEC, é aquele cujas características fundamentais
(especificações técnicas, usos pretendidos, software ou outro componente imaterial incorporado) diferem
significativamente de todos os produtos previamente produzidos pela empresa. A inovação de produto também
inovações foram: Atividade 24 (Fabricação de produtos químicos), Atividade 25 (Fabricação
de artigos de borracha e material de plástico), Atividade 29 (Fabricação de máquinas e
equipamentos), Atividade 30 (Fabricação de máquinas para escritório e equipamentos de
informática), Atividade 31 (Fabricação de máquinas, aparelhos e materiais elétricos),
Atividade 32 (Fabricação de material eletrônico e de aparelhos e equipamentos de
comunicações), Atividade 33 (Fabricação de equipamentos de instrumentação médico-
hospitalares, instrumentos de precisão e ópticos, equipamentos para automação industrial,
cronômetros e relógios) e Atividade 34 (Fabricação e montagem de veículos automotores,
reboques e carrocerias). Por sua vez, as oito atividades agregadas da IT que mais
implementaram inovações de produtos foram: Atividade 17 (Fabricação de produtos têxteis),
Atividade 24 (Fabricação de produtos químicos), Atividade 29 (Fabricação de máquinas e
equipamentos), Atividade 30 (Fabricação de máquinas para escritório e equipamentos de
informática), Atividade 31 (Fabricação de máquinas, aparelhos e materiais elétricos),
Atividade 32 (Fabricação de material eletrônico e de aparelhos e equipamentos de
comunicações), Atividade 33 (Fabricação de equipamentos de instrumentação médico-
hospitalares, instrumentos de precisão e ópticos, equipamentos para automação industrial,
cronômetros e relógios) e Atividade 34 (Fabricação e montagem de veículos automotores,
reboques e carrocerias).
O passo seguinte foi relacionar as oito atividades da IT que mais inovaram com as oito
atividades que mais diferenciaram produtos. Desse procedimento resultaram sete atividades
comuns aos dois grupos: Atividade 24 (Fabricação de produtos químicos), Atividade 29
(Fabricação de máquinas e equipamentos), Atividade 30 (Fabricação de máquinas para
escritório e equipamentos de informática), Atividade 31 (Fabricação de máquinas, aparelhos e
materiais elétricos), Atividade 32 (Fabricação de material eletrônico e de aparelhos e
pode ser progressiva, através de um significativo aperfeiçoamento tecnológico de produto previamente existente,
cujo desempenho foi substancialmente aumentado ou aprimorado.
equipamentos de comunicações), Atividade 33 (Fabricação de equipamentos de
instrumentação médico-hospitalares, instrumentos de precisão e ópticos, equipamentos para
automação industrial, cronômetros e relógios) e Atividade 34 (Fabricação e montagem de
veículos automotores, reboques e carrocerias).
Conclui-se, então, que as metodologias de identificação de clusters — pelo cálculo do
QL e do IC — serão aplicadas para todas as desagregações das atividades 24, 29, 30, 31, 32,
33 e 34. Essas atividades totalizam 41 desagregações. O Quadro 1 nomeia essas atividades
eleitas como as mais inovadoras e suas desagregações.
Cabe destacar que, dentre essas atividades inovadoras, algumas se caracterizam por
serem de alta tecnologia e outras de média tecnologia, segundo a classificação da OCDE
(1996) citada em Albuquerque (2000). Esse trabalho classifica os setores industriais conforme
o seu nível tecnológico, utilizando como critério a intensidade de P&D, em três grupos: alta
tecnologia (aeroespacial, computadores, medicamentos, máquinas elétricas), média tecnologia
(química, material de transporte, maquinaria não elétrica, metais não-ferrosos), baixa
tecnologia (alimentos, bebida, tabaco, papel, vestuário, produtos de couro, refino de petróleo,
aço). Essa classificação não foi realizada porque julgou-se insuficiente a classificação
resumidamente citada em Albuquerque (2000). Entretanto o critério utilizado para a seleção
das atividades que mais inovaram e diferenciaram produtos em 2003, ao incluir as indústrias
de alta e média tecnologias, propicia uma gama maior de possibilidades na aplicação de testes
empíricos.
Quadro 1
Atividades mais inovadoras da indústria de transformação e suas desagregações
CÓDIGOS
ATIVIDADES INDUSTRIAIS MAIS INOVADORAS
24
Fabricação de produtos químicos
24.1 Fabricação de produtos químicos inorgânicos
24.2 Fabricação de produtos químicos orgânicos
24.3 Fabricação de resinas e elastômeros
24.4 Fabricação de fibras, fios, cabos e filamentos contínuos artificiais e sintéticos
24.5 Fabricação de produtos farmacêuticos
24.6 Fabricação de defensivos agrícolas
24.8 Fabricação de tintas, vernizes, esmaltes, lacas e produtos afins
24.9 Fabricação de produtos e preparados químicos diversos
29
Fabricação de máquinas e equipamentos
29.1 Fabricação de motores, bombas, compressores e equipamentos de transmissão
29.2 Fabricação de máquinas e equipamentos de uso geral
29.3 Fabricação de tratores e de máquinas e equipamentos para a agricultura, avicultura e
obtenção de produtos animais
29.4 Fabricação de máquinas-ferramenta
29.5 Fabricação de máquinas e equipamentos de usos na extração mineral e construção
29.6 Fabricação de outras máquinas e equipamentos de uso específico
29.7 Fabricação de armas, munições e equipamentos militares
29.8 Fabricação de eletrodomésticos
29.9 Manutenção e reparação de máquinas e equipamentos
30
Fabricação de máquinas para escritório e equipamentos de informática
30.1 Fabricação de máquinas para escritório
30.2 Fabricação de máquinas e equipamentos de sistemas eletrônicos para processamento de
dados
31
Fabricação de máquinas, aparelhos e materiais elétricos
31.1 Fabricação de geradores, transformadores e motores elétricos
31.2 Fabricação de equipamentos para distribuição e controle de energia elétrica
31.3 Fabricação de fios, cabos e condutores elétricos isolados
31.4 Fabricação de pilhas, baterias e acumuladores elétricos
31.5 Fabricação de lâmpadas e equipamentos de iluminação
31.6 Fabricação de material elétrico para veículos exceto baterias
31.8 Manutenção e reparação de máquinas, aparelhos e materiais elétricos
31.9 Fabricação de outros equipamentos e aparelhos elétricos
32
Fabricação de material eletrônico e de aparelhos e equipamentos de comunicações
32.1 Fabricação de material eletrônico básico
32.2 Fabricação de aparelhos e equipamentos de telefonia e radiotelefonia e de transmissores de
televisão e rádio
32.3 Fabricação de aparelhos receptores de rádio e televisão e de reprodução, gravação ou
amplificação de som e vídeo
32.9 Manutenção e reparação de aparelhos e equipamentos de telefonia e radiotelefonia e de
transmissores de televisão e rádio — exceto telefones
(continua)
33
Fabricação de equipamentos de instrumentação médico-hospitalares, instrumentos de precisão
e ópticos, equipamentos para automação industrial, cronômetros e relógios
33.1 Fabricação de aparelhos e instrumentos para usos médico-hospitalares, odontológicos e de
laboratórios e aparelhos ortopédicos
33.2 Fabricação de aparelhos e instrumentos de medida, teste e controle - exceto equipamentos
para controle de processos industriais
33.3 Fabricação de máquinas, aparelhos e equipamentos de sistemas eletrônicos dedicados à
automação industrial e controle do processo produtivo
33.4 Fabricação de aparelhos, instrumentos e materiais ópticos, fotográficos e cinematográficos
33.5
33.9
Fabricação de cronômetros e relógios
Manutenção e reparação de equipamentos médico-hospitalares, instrumentos de precisão e
ópticos e equipamentos para automação industrial
34
34.1
Fabricação e montagem de veículos automotores, reboques e carrocerias
Fabricação de automóveis, caminhonetes e utilitários
34.2 Fabricação de caminhões e ônibus
34.3 Fabricação de cabines, carrocerias e reboques
34.4 Fabricação de peças e acessórios para veículos automotores
2.2 Banco de dados e variáveis que compõem os índices QL e IC
A identificação dos municípios do Brasil que apresentam concentração de empregos
depende do cálculo do QL no seu formato tradicional, e do cálculo do QL, Hirchman-
Herfindahl (HHm) e Participação Relativa (PR), pela metodologia do IC. O cálculo desses
índices necessita as seguintes variáveis: emprego em cada atividade econômica inovadora da
indústria de transformação por município (
i
j
E
); total do emprego na indústria de
transformação no município (
j
E
); emprego em cada atividade econômica inovadora da
indústria de transformação no Brasil (
i
BR
E ); total do emprego na indústria de transformação
do Brasil (
BR
E ).
Os dados de emprego foram obtidos de fontes secundárias, as variáveis de emprego
foram tiradas do site do Ministério do Trabalho na base de dados da RAIS de 2003, ano mais
atualizado para o qual estavam disponíveis os dados. Os dados disponíveis referiam-se a
apenas 4.169 municípios do total de 5.501.
É importante frisar que o trabalho não se restringe à identificação de
clusters de
apenas uma atividade econômica, mas de cada uma das 41 desagregações. Sendo assim, os
parâmetros do índice de concentração tiveram que ser recalculados para cada setor analisado.
Isso significa que as variáveis
i
j
E
e
i
BR
E
foram adequadas para cada desagregação inovadora
da IT.
Primeiro, determinaram-se os municípios que apresentam concentração de empregos,
tanto pelo cálculo do QL quanto pelo cálculo do IC. Posteriormente, coube verificar a
quantidade de estabelecimentos nos municípios identificados como concentradores de
empregos em cada atividade. A quantidade de estabelecimentos
18
em cada desagregação
existente no município também é disponibilizada pela base dados da RAIS de 2003. Esse
procedimento foi muito importante, pois se decidiu excluir aqueles municípios que
apresentavam elevada concentração de empregos e apenas um ou poucos estabelecimentos.
Neste trabalho, utilizou-se o critério no qual cada cluster deve ter pelo menos cinco
estabelecimentos da atividade econômica.
Por fim, a verificação da proximidade entre os municípios foi a última etapa
desenvolvida para a identificação de aglomerações industriais. Esse procedimento possibilita
identificar aqueles clusters formados por mais de um município. O critério de vizinhança
adotado neste trabalho foi um raio de distância de 100 quilômetros. Em outras palavras, isso
significa que os municípios que localizam empresas de mesma atividade e estão próximos por
uma distância menor do que 100 quilômetros fazem parte do mesmo aglomerado industrial.
Para a verificação da proximidade entre os municípios, utilizou-se o Sistema de Informações
Sócio-Econômicas dos Municípios Brasileiros (Simbrasil),
19
disponível no site do IPEA. Com
base nos resultados desse filtro, cabe destacar que, se um município que apresenta poucos
estabelecimentos — menos que cinco — em uma atividade econômica se localiza a menos de
18
O número de estabelecimentos tirados da RAIS foi o das empresas que tem registro no Cadastro Nacional de
Pessoa Jurídica do Ministério da Fazenda (CNPJ).
19
O SIMBRASIL contém informações sobre as principais cadeias produtivas, segundo critérios locacionais, que
compreendem a territorialização por microrregiões e municípios e indicadores para avaliação preliminar do
potencial de competitividade nacional e internacional.
Foi desenvolvido pela Caixa Econômica Federal em
cooperação com o Instituto de Pesquisa Econômica Aplicada (IPEA) e a Fundação de Desenvolvimento da
UFPE (FADE).
100 quilômetros de outro município que possui empresas dessa mesma atividade (ou mesmo
poucas empresas dessa atividade) e juntos eles totalizam pelo menos cinco estabelecimentos,
faz parte do mesmo aglomerado industrial.
Em suma, o resultado da aplicação desses filtros descritos teve por objetivo identificar
os clusters das atividades inovadoras no Brasil, conforme as metodologias do QL e do IC. O
Quadro 2 ilustra as etapas de aplicação das metodologias do QL e do IC.
Quadro 2
Representação das etapas da aplicação das metodologias do QL e IC para identificação de
clusters inovadores
Metodologias de identificação
de aglomerações industriais
Metodologias de identificação de aglomerações industriais inovadoras
Quociente Locacional (QL)
Índice de Concentração (IC)
Primeiro filtro
:
QL > 1
(Municípios concentradores
de empregos)
Primeiro filtro
:
QL > 1 e PR > 0,5%
(Municípios concentradores
de empregos)
Segundo filtro
:
número de estabelecimentos
(mínimo cinco)
Segundo filtro
:
número de estabelecimentos
(mínimo cinco)
Terceiro filtro:
proximidade espacial ou
vizinhança dos municípios
(raio máximo de 100km)
Terceiro filtro
:
proximidade espacial ou
vizinhança dos municípios
(raio máximo de 100km)
Clusters inovadores no Brasil
Relação entre os clusters inovadores e as proxies representativas do conhecimento
2.3 Identificação de aglomerações de atividades econômicas
inovadoras pela metodologia do QL
A aplicação da metodologia de identificação de clusters pelo cálculo do QL implica
realizar quatro etapas após definir a atividade produtiva que será objeto de estudo. A
Atividade 24.1 será utilizada como exemplo da aplicação dessa metodologia. A primeira etapa
é calcular o QL dessa atividade para cada município brasileiro. O resultado representa uma
matriz com 4.169 linhas e três colunas, onde o número de linhas se refere à quantidade de
municípios para os quais havia dados sobre emprego na base de dados da RAIS de 2003.
Quanto às colunas, a primeira identifica os nomes dos municípios, a segunda a unidade da
Federação ao qual pertence cada município, e a terceira é o valor do QL calculado para cada
município.
Na segunda etapa, defini-se um valor mínimo para o QL. Esse procedimento funciona
como um filtro, pois ele capta apenas aqueles municípios mais concentradores de empregos.
Definiu-se, neste trabalho, como critério de seleção dos municípios, que eles deveriam
apresentar um QL de valor maior do que um (QL > 1). A seleção dos municípios que
apresentam QL > 1 foi realizada através do software SPSS.
O valor mínimo do QL pode ser definido aleatoriamente. Porém o procedimento
exigiu cautela para evitar a exclusão de municípios que detêm aglomeração industriais
significativas. Por exemplo, no caso específico da identificação de aglomerações industriais
para a atividade 24.1 (Fabricação de produtos químicos inorgânicos), se o critério
estabelecido para o valor do QL fosse maior do que dois (QL > 2) ele excluiria cinco
importantes municípios concentradores de empregos. Um desses casos excluídos por esse
filtro mais rígido seria o Município de Recife em Pernambuco. Porém, Recife possui 10
estabelecimentos que fabricam produtos químicos inorgânicos (atividade 24.1) e está a menos
de 100 quilômetros do Município de Jaboatão dos Guararapes, que possui cinco
estabelecimentos dessa atividade. Isso significa que os Municípios de Recife e Jaboatão dos
Guararapes formam um aglomerado industrial de fabricação de produtos químicos
inorgânicos com 15 estabelecimentos.
A terceira etapa consiste na verificação da quantidade de estabelecimentos de cada
município, dentre aqueles que passaram no primeiro filtro (QL > 1). Trata-se aqui de filtrar do
banco de dados aqueles municípios que possuem menos do que cinco estabelecimentos. Esse
procedimento é muito importante, visto que identifica e exclui aqueles municípios
concentradores de empregos, mas que possuem apenas um ou poucos estabelecimentos. A
presença de poucos estabelecimentos num município — menos do que cinco estabelecimentos
— não representa um aglomerado industrial.
Na seleção dos municípios por esse critério, na atividade 24.1, detectou-se que um
município pode apresentar elevada concentração de empregos, mas possuir apenas um
estabelecimento. É o caso de Barrouquinha, no Estado do Piauí, que apresenta um QL igual a
181,07 e apenas um estabelecimento dessa atividade. Esse é um exemplo claro de
sobrevalorização do peso de um determinado setor em um município pequeno e com estrutura
industrial diminuta. Por outro lado, o Município do Rio de Janeiro apresenta um QL igual a
2,55 e possui 44 estabelecimentos que fabricam produtos químicos inorgânicos
20
(atividade
24.1). Esse é um exemplo de subvalorização do peso de um determinado setor que ocorre nos
municípios grandes que têm estrutura produtiva bem diversificada. Casos como esses
mencionados evidenciam os problemas do uso da metodologia de identificação de clusters
pelo cálculo do QL no seu formato tradicional.
20
Observando os valores do QL dos demais municípios identificados como concentradores de emprego da
atividade 24.1, bem como de outras atividades, percebe-se que os municípios grandes apresentam QL de valor
baixo, enquanto os municípios pequenos apresentam um valor do QL extremamente elevado. No Apêndice A
podem ser observados os valores do QL para todos os municípios aprovados no primeiro filtro da metodologia
do IC, que será estudada a seguir. Na metodologia de cálculo do IC também é necessário calcular o QL de cada
município.
Finalmente, a última etapa da aplicação da metodologia do QL implica a verificação
da proximidade espacial entre os municípios. Ela foi realizada através do Simbrasil, que
disponibiliza a distância entre os municípios.
Vale frisar que a metodologia de identificação de clusters pelo cálculo do QL, no seu
formato tradicional, foi aplicada para cada uma das 41 desagregações apenas até a etapa do
primeiro filtro — seleção dos municípios com QL > 1. A verificação do número de
estabelecimentos e da proximidade espacial não foi realizada para todas as atividades, devido
ao grande número de municípios que passaram nesse filtro. Porém, realizou-se esses filtros
quando se aplicou a metodologia do IC.
O Quadro 3 representa as etapas da aplicação da metodologia de identificação de
clusters, pelo cálculo do QL, para a Atividade 24.1 - Fabricação de produtos químicos
inorgânicos.
Quadro 3
Representação das etapas de aplicação da metodologia do QL para identificação dos clusters
da Atividade Inovadora 24.1 - Fabricação de produtos químicos inorgânicos
Metodologias de identificação
de aglomerações industriais
Aplicação do cálculo do Quociente Locacional para a Atividade 24.1- Fabricação de
produtos químicos inorgânicos, para todos os municípios brasileiros
Resultado
:
213 municípios com
QL > 1
Primeiro filtro
:
QL > 1
(Filtro dos Municípios
concentradores de empregos)
Segundo filtro
:
número de estabelecimentos
(mínimo cinco)
Terceiro filtro:
proximidade espacial ou
vizinhança dos municípios
(raio máximo de 100km)
Resultado: clusters da atividade 24.1 - fabricação de produtos químicos
inorgânicos no Brasil
Procedimento não
aplicado devido ao
grande número
de municípios
Procedimento não
aplicado devido ao
grande número
de municípios
BR
i
BR
j
i
j
E
E
E
E
QL =
2.4 Identificação de aglomerações de atividades econômicas
inovadoras pela metodologia do IC
Nesta seção aplica-se a metodologia do Índice de Concentração. O IC é uma proposta
alternativa, desenvolvida no trabalho de Crocco et. al (2003a e 2003b), a fim de evitar os
problemas de sobrevalorização e subvalorização do peso de determinado setor na estrutura
industrial de regiões muito pequenas ou muito grandes, respectivamente. Esses problemas já
foram detectados nos resultados da pesquisa como referidos no texto acima.
A descrição e a análise da aplicação da metodologia do IC estão organizadas conforme
a ordem dos filtros seletivos apresentados no Quadro 2.
Inicialmente, realizou-se a definição da atividade produtiva a que se deseja aplicar o
cálculo do IC. A atividade 24.1 será utilizada como exemplo da simulação das etapas de
aplicação da metodologia. Na primeira etapa, calcula-se os índices QL, HHm (Hirschman
Herfindal) e PR (Participação Relativa) para cada município brasileiro. Esses procedimentos
resultam numa matriz com 4.169 linhas e cinco colunas. Na primeira coluna, estão os nomes
dos municípios brasileiros para os quais haviam dados disponíveis. A segunda coluna nomeia
as respectivas unidades da Federação ao qual pertence cada município. Na terceira, quarta e
quinta colunas apresentam-se, respectivamente, os valores dos índices QL, HHm e PR
calculados para cada município. O número de linhas refere-se à disponibilidade dos dados de
emprego na RAIS de 2003 para as atividades desagregadas da IT em âmbito municipal.
Na segunda etapa do cálculo do IC, aplica-se um filtro, para eliminar aqueles
municípios que não concentram tantos empregos da atividade em estudo. O critério de
filtragem utilizado neste trabalho foi: QL maior do que 1 (QL > 1) e PR maior do que 0,5%
(PR > 0.005). Em relação ao QL > 1, explicou-se no item 2.3. O valor de 0,5% para o PR foi
definido com base em testes, arbitrando outros valores maiores, cujos resultados excluíram
muitos municípios especializados. A quantidade de municípios que não apresentam tais
requisitos foi significativa. Ao compararem-se os resultados obtidos com os da metodologia
do QL, percebe-se uma diferença marcante na quantidade de municípios aprovados em cada
um desses filtros. A aplicação desse filtro rígido (QL >1 e PR > 0,5%) na Atividade 24.1
(Fabricação de produtos químicos inorgânicos) resultou que apenas 38 municípios foram
selecionados, e 213 pelo cálculo do QL. É importante salientar que os municípios que
passaram no primeiro filtro não concentram, necessariamente, empresas de mesma atividade
econômica. Esse problema também foi observado na identificação de aglomerações
industriais pelo cálculo do QL. A diferença significativa na quantidade de municípios
identificados como sendo concentradores de empregos, após a aplicação do primeiro filtro,
tem implicações nas etapas metodológicas seguintes.
A Tabela 1 apresenta a quantidade de municípios selecionados pela aplicação do
primeiro filtro nas metodologias de cálculo do QL e do IC, para todas as 41 desagregações das
atividades inovadoras da IT.
Essa segunda etapa de cálculo do IC envolve outro procedimento, que é a execução da
Análise de Componentes Principais (ACP) no software SPSS. Como resultado da execução da
ACP, o SPSS gera um output, em forma de tabela, que contêm os resultados estatísticos,
denominados Total Variance Explained (TVE), e outro denominado Component Matrix
(CM). A tabela TVE indica o número de componentes que são responsáveis pela maior parte
da variação dos dados, bem como o percentual de explicação de cada um deles. A CM revela
os autovetores
21
associados a cada índice que compõe o IC. Observando os quadros TVE e
CM, pode-se calcular os pesos dos índices que compõem o IC (QL, HHm e PR). A partir
desses pesos, obtém-se o cálculo do IC. Não se deve esquecer que o cálculo do IC para cada
atividade possui pesos específicos diferentes.
21
Os autovetores são valores associados ao QL, ao HHm e à PR quanto ao seu poder explicativo em cada
componente gerado na análise fatorial.
Tabela 1
Quantidade de municípios que passaram no primeiro filtro pela metodologia de identificação
de clusters pelo cálculo do QL (QL > 1) e pela metodologia de cálculo do IC (QL > 1 e PR >
0,5%)
NÚMERO DE MUNICÍPIOS
ATIVIDADES
Metodologia do QL
Primeiro filtro (QL > 1)
Metodologia do IC
Primeiro filtro
(QL > 1 e PR > 0,5%)
Grupo 24.1 213 38
Grupo 24.2 159 31
Grupo 24.3 55 29
Grupo 24.4 28 13
Grupo 24.5 133 32
Grupo 24.6 51 25
Grupo 24.8 132 38
Grupo 24.9 252 49
Grupo 29.1 88 29
Grupo 29.2 222 40
Grupo 29.3 260 32
Grupo 29.4 107 30
Grupo 29.5 66 30
Grupo 29.6 198 42
Grupo 29.7 13 10
Grupo 29.8 57 26
Grupo 29.9 153 34
Grupo 30.1 31 22
Grupo 30.2 53 30
Grupo 31.1 75 27
Grupo 31.2 76 34
Grupo 31.3 66 37
Grupo 31.4 62 21
Grupo 31.5 82 33
Grupo 31.6 42 28
Grupo 31.8 77 33
Grupo 31.9 133 36
Grupo 32.1 70 25
Grupo 32.2 48 19
Grupo 32.3 39 13
Grupo 32.9 27 22
Grupo 33.1 88 31
Grupo 33.2 37 28
Grupo 33.3 57 30
Grupo 33.4 72 27
Grupo 33.5 20 17
Grupo 33.9 33 24
Grupo 34.1 21 16
Grupo 34.2 7 7
Grupo 34.3 176 19
Grupo 34.4 132 41
Observando os resultados do output da atividade 24.1, conclui-se que uma
componente explica 68% da variação total dos dados e duas componentes explicam, juntas,
99%. Os indicadores que compõem o IC tiveram os seguintes pesos para a Atividade 24.1:
0,2144 para o QL; 0,3967 para o HHm e 0,3890 para o PR. A variável que tem menor poder
explicativo, no caso específico dessa atividade, é o QL. Finalmente, multiplicando-se o peso
de cada índice pelo respectivo valor do QL, da HHm e do PR de cada município selecionado
por ser concentrador de empregos, obtém-se o IC. Em suma, todos os municípios que
passaram pelo primeiro filtro apresentam um IC específico.
A característica do IC de captar o real peso de um setor ameniza os problemas de
sobrevalorização e subvalorização dos pesos de setores específicos sobre regiões pequenas e
de estrutura industrial diminuta e sobre regiões grandes com estrutura industrial bem
diversificada, respectivamente. Ou seja, o IC capta não apenas uma comparação entre a
economia em estudo, os municípios, com uma economia de referência, o Brasil (o peso do
QL), capta o real peso de cada setor na estrutura produtiva local (peso do HHm), como
também a participação relativa do setor em estudo no emprego total do setor no Brasil (peso
do PR). Por isso, cada município apresenta um IC próprio. Deve ficar claro que não se pode
comparar os IC entre setores, pois, para uma determinada atividade, o seu valor 3 pode ser
baixo, enquanto, para outro setor, esse valor pode ser elevado. Cada setor também possui um
IC médio, que pode ser usado como um filtro na identificação de clusters. Por exemplo, se o
critério de seleção for o IC médio do setor, exclui-se aqueles clusters com IC
menor do que ele. Neste trabalho não se utilizou esse filtro adicional
22
.
A terceira etapa para seleção dos municípios que possuem aglomerações de empresas
é a aplicação do critério número de estabelecimentos na atividade em análise. Relembrando,
22
A justificativa para o não uso do IC médio setorial refere-se ao fato de que o objetivo principal do trabalho é a
verificação da relação entre clusters inovadores e o conhecimento. Ou seja, se o objetivo é investigar se existe
conhecimento nas regiões onde se localizam os clusters inovadores, não é necessário ser um cluster bem
desenvolvido. Mesmo nas regiões onde estão se formando clusters inovadores pode haver conhecimento
especializado.
determinou-se que um cluster inovador deve ter pelo menos cinco estabelecimentos na
atividade. Assim, um município sozinho pode localizar um cluster de determinada atividade,
se tiver pelo menos cinco empresas nessa atividade, bem como dois ou mais municípios
podem formar um mesmo cluster, quando se localizam próximos e juntos totalizam pelo
menos cinco firmas.
A quarta etapa da metodologia consiste na pesquisa da proximidade espacial entre os
municípios, pois é possível que um cluster abranja mais de um. Relembrando, consideraram-
se municípios próximos aqueles distantes 100 quilômetros de outro. No caso dos clusters
formados por diversos municípios, o critério de seleção rege-se pela distância de 100
quilômetros de algum dos municípios que fazem parte da região.
A execução de todas as etapas acima descritas possibilita identificar os clusters de
cada uma das atividades desagregadas inovadoras da IT e os respectivos municípios que
compõem cada aglomerado. O Quadro 4 representa as etapas de aplicação da metodologia do
IC para a identificação de clusters da Atividade Inovadora 24.1.
Cabe, a seguir, analisar os resultados da aplicação da metodologia que identificou os
clusters inovadores nas 41 atividades da IT. O número de aglomerações determinadas
apresenta-se na Tabela 2 tão somente para dar uma visão qualitativa.
Quadro 4
Representação das etapas de aplicação da metodologia do IC para identificação do cluster
inovador da Atividade 24.1 - Fabricação de produtos químicos inorgânicos
Metodologias de identificação
de aglomerações industriais
Aplicação do cálculo do Índice de Concentração para a Atividade 24.1- Fabricação
de produtos químicos inorgânicos, para todos os municípios brasileiros
IC = θ
1
QL + θ
2
HHm + θ
3
PR
Resultado:
38 municípios com
QL > 1 e PR > 0,5%
Primeiro filtro
:
QL > 1 e PR > 0,5%
(Municípios concentradores
de empregos)
Segundo filtro
:
número de estabelecimentos
(mínimo cinco)
Terceiro filtro:
proximidade espacial ou
vizinhança dos municípios
(raio máximo de 100km)
Resultado:
38 municípios
Resultado:
14 clusters nessa
atividade
Cálculo dos pesos dos índices (QL,
HHm e PR) que compõem o IC
Resultado
:
IC = 0,214*QL +
0,396*HHm + 0,389*PR
Resultado: 13 clusters da Atividade 24.1 - Fabricação de produtos
químicos inorgânicos, no Brasil.
Tabela 2
Número de clusters identificados nas atividades inovadoras da indústria de transformação do
Brasil
CÓDIGO DA
ATIVIDADE
NÚMERO DE
CLUSTERS
CÓDIGO DA
ATIVIDADE
NÚMERO DE
CLUSTERS
CÓDIGO DA
ATIVIDADE
NÚMERO DE
CLUSTERS
24.1 13 29.7 2 32.2 6
24.2 8 29.8 7 32.3 5
24.3 5 29.9 13 32.9 2
24.4 1 30.1 7 33.1 10
24.5 6 30.2 11 33.2 3
24.6 5 31.1 8 33.3 5
24.8 12 31.2 13 33.4 9
24.9 11 31.3 5 33.5 5
29.1 6 31.4 5 33.9 5
29.2 8 31.5 9 34.1 3
29.3 9 31.6 4 34.2 3
29.4 5 31.8 6 34.3 12
29.5 5 31.9 8 34.4 7
29.6 9 32.1 8 Total 284
Está muito além dos objetivos deste trabalho realizar uma análise qualitativa dos
clusters em cada atividade. Certamente, essa análise poderia dar maior grau de certeza sobre
as aglomerações, a exemplo dos estudos de caso na literatura, bem como poderia dar mais
informações se eles já são desenvolvidos nas relações de cooperação ou se eles são clusters
potenciais. Porém essa tarefa não está nos objetivos propostos. A apresentação dos municípios
que localizam os clusters especializados em cada atividade serão demonstrados nas Figuras 1
a 6, bem como no Apêndice A. Em relação a análise dos clusters de cada atividade, optou-se
por destacar seus aspectos relevantes no que se refere aos filtros aplicados no processo de
identificação.
Vale alertar que, no Apêndice A estão as tabelas com os clusters de cada atividade, os
municípios que passaram no primeiro filtro da metodologia do IC, seus respectivos IC, bem
como os pesos setoriais dos indicadores QL, HHm e PR, o IC médio do setor e as tabelas
TVE e CM.
Na Atividade 24.1 identificaram-se 13 clusters que fabricam produtos químicos
inorgânicos no Brasil (Tabela 3). Cinco deles são compostos por apenas um município. É o
caso do cluster do Rio de Janeiro, Barcarena, Barreiras, Rio Grande e Anápolis. O Município
de Rio Grande não faz parte do cluster de Canoas, Porto Alegre e Sapucaia do Sul porque não
passou no critério da proximidade estabelecida (100 quilômetros de algum dos municípios
que compõem o aglomerado). Também é o caso do Município Barreiras no que se refere ao
cluster de Camaçari, Candeias e Simões Filho.
Tabela 3
Os clusters da Atividade 24.1 - Fabricação de produtos químicos inorgânicos com os
respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
IC
(2)
NE
(3)
UF
(1)
MUNICÍPIOS
IC
(2)
NE
(3)
PE
Jaboatão dos Guararapes
0,91 5 BA Camaçari 2,92 10
PE Recife 0,42 10 BA Candeias 7,07 13
MG Araxá 6,75 4 BA Simões Filho 0,80 6
MG Uberaba 4,51 22 BA Barreiras 6,63 5
SP Guara 22,54 4 SP
Cajati
22,05 2
SP Barueri 0,30 4 PR Araucária 2,47 4
SP Campinas 0,28 22 PR Paranaguá 20,20 45
SP Cubatão 9,85 24 PR Ponta Grossa 0,99 11
SP Jundiaí 0,51 8 RS Canoas 0,90 15
SP Osasco 0,84 8 RS Porto Alegre 0,45 20
SP Paulínia 5,64 13 RS Sapucaia do Sul 0,79 1
SP São Jose dos Campos 0,27 11 RS Rio Grande 2,18 6
SP Suzano 0,71 16 GO Anápolis 0,79 16
SP Estiva Gerbi 9,18 2 MG Sete Lagoas 0,61 1
RJ Rio de Janeiro 0,59 44 MG Contagem 0,26 8
PA Barcarena 11,33 5 MG Varginha 1,72 9
(1) Unidade da Federação. (2) Índice de concentração. (3) Número de estabelecimentos.
Na aplicação do critério de distância (100km), ao se estudar, caso a caso, os clusters
identificados, permitiu-se uma certa flexibilidade, não superior a 130km, em relação aos
critérios metodológicos estabelecidos. Esse procedimento foi aplicado para aqueles
municípios que sozinhos localizavam um aglomerado. Essa distância a mais não impede que
tal município usufrua os benefícios de infra-estrutura e mão-de-obra especializada da região
do aglomerado.
Observando-se os clusters identificados no Brasil, alguns deles abrigam casos
problemáticos de sobrevalorização do peso de determinado setor sobre municípios pequenos e
com estrutura industrial pouco diversificada, cujos ICs são extremamente elevados e possuem
apenas uma firma da atividade. É importante destacar que a ocorrência desse problema tem na
sua origem um viés no valor do QL. Esses municípios problemáticos foram considerados
localizadores de clusters porque fazem vizinhança com outros municípios. Esses casos são:
Taquari na Tabela A1, Cambira e Taquari na Tabela A5, Piquete na Tabela A7, Itaiópolis na
Tabela A8, Ibirama na Tabela A11, Sumidouro na Tabela A12, Hortolândia na Tabela A17,
Itatiaia na Tabela A18, Itapeva na Tabela A21, Sarzedo e Monte Santo de Minas na Tabela
A25, Santana de Parnaíba na Tabela A30, Ouro Fino, Ipero e Salto na Tabela A32, Rio das
Pedras e Rio Acima na Tabela A36.
Também foram detectados problemas de subvalorização do peso de determinado setor
sobre municípios grandes e com estrutura industrial bem diversificada. Esse é o caso
característico dos municípios com baixo IC e elevado número de estabelecimentos. A
distorção no IC tem sua origem no valor viesado do QL do município. Os municípios de
Campinas, Curitiba, Manaus, Porto Alegre, Recife, Ribeirão Preto, Rio de Janeiro e São Paulo
são exemplos dos casos de subvalorização nos clusters inovadores identificados no Brasil.
Na Figura 1 pode-se visualizar os clusters inovadores identificados no Brasil. Os
municípios especializados foram identificados com cores. As diferentes tonalidades não
representam maior ou menor grau de especialização. A localização espacial dos clusters
inovadores pode ser melhor visualizada nas Figuras 2 a 6, as quais mostram os aglomerados
por regiões do Brasil. O Estado de São Paulo concentra o maior número de aglomerações
industriais, bem como localiza maior número de municípios especializados. Ele localiza
clusters das 41 atividades inovadoras pesquisadas da indústria de transformação.
A Tabela 4 revela o ranking dos Estados brasileiros que localizam clusters de um
maior número de atividades, o ranking dos Estados com maior número de municípios
especializados, bem como o ranking dos municípios especializados no maior número de
atividades inovadoras. Particularmente, em São Paulo localizam-se aglomerados industriais de
todas essas atividades. Em seqüência, aparecem os Estados do Rio Grande do Sul que tem
clusters de 33 atividades, Minas Gerais com 31 atividades, Paraná com 28 atividades e Santa
Catarina com 23 atividades.
Tabela 4
Ranking dos Estados mais especializados, dos Estados com mais municípios
especializados e dos municípios especializados em mais atividades inovadoras
ESTADOS ESPECIALIZADOS
EM MAIS ATIVIDADES
ESTADOS COM MAIS
MUNICÍPIOS
ESPECIALIZADOS
MUNICÍPIOS ESPECIALIZADOS EM
MAIS ATIVIDADES
UF
(1) Número
UF
(1) Número Municípios
UF
(1) Número
São Paulo 41 São Paulo 119 São Paulo SP 29
Rio Grande do Sul 33 Minas Gerais 44 Campinas SP 25
Minas Gerais 31 Rio Grande do Sul 41 Porto Alegre RS 19
Paraná 28 Paraná 27 Guarulhos SP 18
Santa Catarina 23 Santa Catarina 23 Sorocaba SP 18
Rio de Janeiro 20 Rio de Janeiro 12 Caxias do Sul RS 17
Amazonas 15 Bahia 11 Curitiba PR 17
Bahia 14 Ceará 4 Rio de Janeiro RJ 17
Pernambuco 11 Espírito Santo 4 São Jose dos Campos SP 17
Goiás 7 Pernambuco 3 Diadema SP 16
Espírito Santo 4 Pará 2 Barueri SP 15
Ceará 3 Alagoas 2 Manaus AM 15
Distrito Federal 3 Amazonas 1 Contagem MG 13
Pará 2 Piauí 1 Osasco SP 13
Piauí 2 Mato Grosso do Sul 1 São Bernardo do Campo SP 13
Mato Grosso 2 Mato Grosso 1 Canoas RS 12
Alagoas 1 Goiás 1 Joinvile SC 12
Mato Grosso do Sul 1 Distrito Federal 1 Santo André SP 12
(1) Unidade da Federação.
Os Estados com maiores números de municípios especializados registraram-se em São
Paulo que tem 119, seguido de Minas Gerais com 44 municípios, Rio Grande do Sul com 41,
seguidos do Paraná com 27 e Santa Catarina com 23 (Tabela 4). Por sua vez, os municípios
especializados no maior número de atividades, isto é, aqueles que localizam aglomerações das
mais diversas atividades foram os seguintes: São Paulo, Campinas, Porto Alegre, Guarulhos,
Sorocaba, Caxias do Sul, Curitiba e Rio de Janeiro.
2.5 Considerações finais
A metodologia do IC foi criada para identificar clusters, buscando eliminar os problemas de
subvalorização e sobrevalorização dos pesos de determinado setor, quando se aplica a
metodologia do QL, pois ela gera distorções no caso dos municípios com atividades industriais
muito desenvolvidas e naqueles que possuem atividades industriais pouco diversificadas. A
aplicação das metodologias, como descrito no texto acima, especialmente a do cálculo do IC, foi
priorizada na pesquisa, para identificar os clusters inovadores no Brasil.
Porém, o IC não elimina totalmente os problemas de sobrevalorização do peso de
determinado setor sobre a estrutura produtiva de certos municípios pequenos e atividades
industriais pouco diversificadas, bem como ele não elimina totalmente os problemas de
subvalorização do peso de determinado setor sobre os municípios grandes que têm atividades
industriais diversificadas. Entretanto os resultados da pesquisa revelaram que os casos de sobre e
de subvalorização apontados são menos freqüentes, quando se aplica a metodologia do IC em
comparação ao QL. Observou-se também que a ocorrência desses problemas, na maioria dos casos,
tem na sua origem um viés no valor do QL. Portanto, a própria natureza do QL que compõe o IC
também, sobre e subvaloriza-o nos municípios pequenos e grandes respectivamente. Por exemplo,
cita-se o caso do Município de São Paulo, que aparece praticamente em todos os clusters
inovadores, exibe sempre elevado NE e apresenta baixo IC.
Cabe destacar que se aplicou o critério da vizinhança pelo raio de distância de 100km para
identificação dos clusters formados por mais de um município. A tarefa exigiu a análise de caso a
caso dos clusters identificados, em cada atividade inovadora. Inclusive, para alguns, se admitiu um
raio de distância maior, mas não superior a 130km. Ou seja, adotou-se uma certa flexibilidade em
relação aos critérios metodológicos estabelecidos.
No essencial, os resultados da aplicação do IC e QL para as atividades inovadoras
identificam que um município em particular possui especialização em um setor específico, medida
pela concentração de empregos nele. Significa que este trabalho não se propõe fazer um estudo
qualitativo das relações entre as empresas do cluster, comumente é feito nos estudos de caso de
uma atividade específica. Importante relevar que tomou-se o emprego nas atividades pesquisadas
como a variável central para a identificação dos clusters inovadores no Brasil. Portanto, os clusters
identificados acima apresentaram significativa concentração de emprego nas atividades
inovadoras, em comparação com aquele dos demais municípios do Brasil.
O passo seguinte desta pesquisa, desenvolvido no Capítulo 3, busca confrontar os clusters
inovadores identificados com o conhecimento, representado por um conjunto de variáveis tomadas
em nível municipal, para examinar se existe uma inter-relação entre eles. Ou seja, se existe
presença e acumulação do conhecimento nos mesmos municípios que localizam os clusters
inovadores.
3 AS AGLOMERAÇÕES INOVADORAS E O ACÚMULO
ESPACIAL DO CONHECIMENTO: Análise de Componentes
Principais
O principal objetivo deste capítulo é verificar a relação entre os clusters inovadores e o
acúmulo de conhecimento, representado por um conjunto de variáveis selecionadas. Trata-se de um
segundo momento da pesquisa sobre os
clusters inovadores. A verificação dessa relação será feita
através da Análise Multivariada - Análise de Componentes Principais.
A literatura recente sobre os clusters, conforme pesquisou-se no capítulo dois, tem
destacado as vantagens da proximidade espacial entre firmas semelhantes, especialmente para
aquelas mais intensivas em tecnologia (conhecimento). Ocorre que a existência de conhecimentos
especializados na região onde se localizam os clusters gera capacitações produtivas e tecnológicas
na produção de determinada atividade econômica. Essas proposições teóricas motivaram o estudo,
neste trabalho, da relação entre o conhecimento e os clusters mais intensivos em tecnologia no
Brasil, tendo por recorte no tempo o ano 2003. Esse ano é o mais recente para o qual se encontrou
um conjunto mais amplo de variáveis sobre o conhecimento em nível municipal.
Os clusters de atividades econômicas inovadoras já foram identificados no Capítulo 2. O
conhecimento, por sua vez, será representado por diversas variáveis, selecionadas em nível
municipal, e que foram majoritariamente obtidas de fontes secundárias. O conjunto das variáveis
selecionadas tem o objetivo de revelar o conhecimento básico, superior e técnico das pessoas
residentes nos municípios que localizam os clusters, bem como a quantidade de profissionais
ligados às atividades produtivas específicas dos clusters inovadores e à pesquisa e
desenvolvimento. Além disso, tal conjunto de variáveis engloba as instituições de ensino capazes
de fomentar um processo de aprendizado nas pessoas residentes nesses municípios. Esse conjunto
de fatores determina um ambiente local propício para a formação de clusters inovadores, conforme
destacados na literatura e referidos no Capítulo 2.
Portanto, pretende-se investigar se existe uma correlação positiva entre os clusters
inovadores e o conhecimento acumulado nas regiões onde esses estão localizados, tomando-se
variáveis representativas existentes em nível municipal.
3.1 Metodologia e bases de dados
3.1.1 Bases de dados e variáveis
A escolha das variáveis para representar o conhecimento tomou por base os dados
disponíveis mais atualizados das fontes secundárias. Essa tarefa de seleção orientou-se também
pelas sugestões de indicadores discutidas em Lastres e Cassiolato (2004) e Lastres (2004).
As fontes dos dados utilizados foram as seguintes: Relação Anual de Informações Sociais
(RAIS), Ministério da Educação e Cultura (MEC) e Fundação Instituto Brasileiro de Geografia e
Estatística (IBGE). Os dados da RAIS para o ano de 2003 forneceram 29 profissões relacionadas
com as atividades produtivas dos clusters inovadores. Do site do MEC, especificamente do Banco
de Dados do Instituto Nacional de Estudos e Pesquisas Educacionais (INEP), extraiu-se
informações sobre os cursos oferecidos em universidades, faculdades, faculdades integradas,
institutos, centros universitários e centros de educação tecnológica, cuja presença regional é
importante para a qualificação da mão-de-obra local, bem como para o desenvolvimento dos
clusters. O site do IBGE, no link Cidades@, forneceu as informações sobre escolaridade (em nível
fundamental, médio e superior), escolas e docentes ao nível municipal.
Todas as variáveis selecionadas foram transformadas em indicadores, representados em
percentuais no banco de dados, para caracterizar o conhecimento, exceto o número de escolas de
ensino fundamental, médio, superior e alguns cursos. Por exemplo, para representar o grau de
escolaridade municipal calculou-se o percentual de matrículas no ensino médio sobre a população
residente de cada município na faixa de idade entre 15 e 17 anos. Pois, se as variáveis fossem
colocadas no banco de dados em valores absolutos, tal como são disponibilizados nas fontes, elas
causariam "viés da magnitude do município". Vale dizer, as grandes metrópoles apresentam uma
população residente muito maior do que as cidades do interior, e, conseqüentemente, o número de
matrículas e de profissionais empregados são muito mais elevados. Porém uma cidade pequena
pode ter uma maior parcela de sua população freqüentando escolas e/ou trabalhando numa
determinada atividade tecnológica, comparativamente àquela de uma grande cidade.
Conforme mencionado anteriormente, foi mantido o valor bruto de algumas variáveis que
são: escolas de ensino fundamental, escolas de ensino médio, escolas de ensino superior e número
de cursos de graduação e técnicos existentes em cada município. Não faria sentido colocar tais
variáveis em percentual, porque elas passariam uma idéia de densidade populacional por escolas.
Além do que as escolas e cursos de certo município podem ser freqüentados pela população
residente de municípios vizinhos.
Abaixo estão listadas as 49 variáveis que representam
proxies selecionadas do
conhecimento. Esse conjunto de variáveis foi dividido em quatro grupos de indicadores para
caracterizar diferentes dimensões do conhecimento.
● Indicador do capital humano: estoque de capital humano municipal dividido pela
população residente com idade entre 15 e 64 anos. A variável capital humano foi obtida do site do
IPEA, do banco IPEADATA. Os dados referem-se ao ano 2000, o mais atualizado disponível no
site. Segundo o IPEA, o indicador de capital humano representa o valor esperado presente dos
rendimentos anuais (descontados a 10% ao ano) associados à escolaridade e experiência (idade) da
população em idade ativa (15 a 65 anos). No banco de dados deste trabalho, calculou-se esse
indicador, dividindo-se o estoque de capital humano de cada município pelo seu pessoal residente
na faixa de idade entre 15 e 64 anos. Dessa forma, obteve-se o nível de capital humano municipal
por indivíduo em idade ativa. A variável população residente por faixa de idade está disponível no
site IBGE, no link Cidades@, para o ano 2001. Percebe-se que existe uma incompatibilidade entre
os anos aos quais se referem o nível de capital humano e as faixas de idade da população residente.
Trata-se de uma limitação dos indicadores fornecidos pelas fontes secundárias em nível municipal.
Entretanto o capital humano por indivíduo em idade ativa está sobrevalorizado no que se refere à
faixa de idade utilizada e subvalorizado no que se refere ao ano da variável população residente por
faixa de idade.
●Indicadores de escolaridade: relacionam o número de matrículas municipais nos
respectivos níveis de ensino fundamental, médio e superior com a população residente. Esse
indicador captura o nível de estudo da população de cada município. Essa dimensão é muito
importante, devido à natureza cumulativa do conhecimento.
Percentual de matrículas no ensino fundamental. O número de matrículas no ensino
fundamental por município foi obtido no site do IBGE, no link Cidades@, para o ano 2003. O
percentual de matrículas no ensino fundamental representa a proporção da população residente
entre 7 e 14 anos de idade que freqüentava a escola. Um valor do indicador maior do que 100%
representa que existem pessoas de outras faixas etárias e/ou pessoas de outras cidades matriculadas
nas escolas de ensino fundamental do município.
Cabe registrar ainda que a população residente municipal foi estimada para o ano 2003 com
base na taxa geométrica do crescimento populacional da unidade da Federação, fornecido pelo
IBGE.
Percentual de matrículas no ensino médio. O número de matrículas no ensino médio
municipal foi obtido no site do IBGE, no link Cidades@, para o ano 2003. O percentual de
matrículas no ensino médio representa a parte da população residente entre 15 e 17 anos de idade
que freqüentava a escola. Um valor do indicador maior do que 100% representa que existem
pessoas de outras faixas etárias e/ou pessoas de outras cidades matriculadas nas escolas de ensino
médio do município.
Percentual de matrículas no ensino superior. O número de matrículas no ensino superior
municipal foi obtido do site do IBGE, no link Cidades@, para o ano 2003. O percentual de
matrículas no ensino superior representa a parte da população residente entre 18 e 29 anos de idade
que está freqüentando o ensino superior.
● Indicadores de ocupação da mão-de-obra: representa informações sobre a população
ocupada municipal. Os indicadores visam medir a disponibilidade de profissionais para atender às
demandas de trabalho, de pesquisa e de assistência técnica às empresas locais e regionais.
Percentual de docentes no ensino fundamental. O número de docentes do ensino
fundamental foi obtido no link Cidades@, no site do IBGE, para o ano 2003. Ele representa a soma
de docentes ocupados no ensino fundamental de escolas públicas estadual, públicas federal,
públicas municipal e privadas localizadas em cada município. O indicador percentual de docentes
no ensino fundamental em cada município representa a parcela da População Economicamente
Ativa (PEA de 2003) ocupada no ensino fundamental. É importante destacar que o dado disponível
da PEA é para o ano 2000 no site do IPEA, link IPEADATA. O cálculo da PEA (2003) municipal
foi obtida pela multiplicação da PEA (2000) pelas taxas geométricas de crescimento populacional
da sua respectiva unidade da Federação para os anos 2000 a 2001, 2001 a 2002 e 2002 a 2003.
Cabe notar aqui que o cálculo da população ocupada municipal, em cada uma das profissões
abaixo, com base em dados do ano de 2003, foi feito em relação a PEA estimada para 2003.
Percentual de docentes no ensino médio. O número de docentes no ensino médio foi
obtido no link Cidades@, no site do IBGE, para o ano 2003. Ele representa a soma de docentes
ocupados no ensino médio de escolas públicas estadual, públicas federal, públicas municipal e
privadas localizadas em cada município. O indicador percentual de docentes no ensino médio em
cada município representa a parcela da População Economicamente Ativa (PEA de 2003) ocupada
como docente do ensino médio.
Percentual de docentes no ensino superior. O número de docentes no ensino superior foi
obtido no site do IBGE, no link Cidades@, para o ano 2003. Ele representa a soma de docentes
ocupados no ensino superior de escolas públicas estaduais, públicas federais, públicas municipais e
privadas localizadas em cada município. O indicador percentual de docentes no ensino superior
representa a parcela da População Economicamente Ativa ocupada como docente do ensino
superior.
Percentual de gerentes de pesquisa e desenvolvimento. O número de gerentes de
pesquisa e desenvolvimento foi obtido do banco de dados da RAIS para o ano de 2003 e
corresponde aos empregados em 31 de dezembro deste ano. Essa profissão inclui-se no grupo
Família Ocupacional, cujo código é 1426. O indicador percentual de gerentes de pesquisa e
desenvolvimento representa a parcela da PEA (2003) ocupada em cada município.
As demais variáveis desse grupo, listadas abaixo, também foram obtidas da base de dados
da RAIS para o ano de 2003, calculando-se o percentual que os ocupados de cada profissão
representam na PEA (2003) do seu município. Portanto, ao lado de cada variável, é colocado
apenas o código do grupo identificado pela RAIS a qual pertence cada variável.
Percentual de gerentes de tecnologia da informação. Família Ocupacional, código 1425.
Percentual de engenheiros mecatrônicos. Família Ocupacional, código 2021.
Percentual de pesquisadores de engenharia e tecnologia. Família Ocupacional, código
2032.
Percentual de engenheiros em computação. Família Ocupacional, código 2122.
Percentual de analistas de sistemas computacionais. Família Ocupacional, código 2124.
Percentual de engenheiros eletricistas, eletrônicos e afins. Família Ocupacional, código
2143.
Percentual de engenheiros mecânicos. Família Ocupacional, código 2144.
Percentual de engenheiros químicos. Família Ocupacional, código 2145.
Percentual de engenheiros metalurgistas e de materiais. Família Ocupacional, código
2146.
Percentual de economistas. Família Ocupacional, código 2512.
Percentual de técnicos de laboratório industrial. Família Ocupacional, código 3031.
Percentual de pesquisadores e profissionais policientíficos. Subgrupo Principal, código
20.
Percentual de pesquisadores. Subgrupo Ocupacional, código 203.
Percentual de matemáticos, estatísticos e afins. Subgrupo Ocupacional, código 211.
Percentual de profissionais da informática. Subgrupo Ocupacional, código 212.
Percentual de professores de nível superior na educação infantil e no ensino
fundamental. Subgrupo Ocupacional, código 231.
Percentual de professores e instrutores do ensino profissional. Subgrupo Ocupacional,
código 233.
Percentual de profissionais da comunicação e da informação. Subgrupo Ocupacional,
código 261.
Percentual de técnicos mecatrônicos e eletromecânicos. Subgrupo Ocupacional, código
300.
Percentual de técnicos em ciências físicas e químicas. Subgrupo Ocupacional, código
311.
Percentual de técnicos em eletrônica e fotônica. Subgrupo Ocupacional, código 313.
Percentual de técnicos em metalmecânica. Subgrupo Ocupacional, código 314.
Percentual de técnicos da bioquímica e biotecnologia. Subgrupo Ocupacional, código
325.
Percentual de técnicos de nível médio em operações industriais. Subgrupo Ocupacional,
código 391.
Percentual de técnicos de apoio em pesquisa e desenvolvimento. Subgrupo Ocupacional,
código 395.
Percentual de supervisores de montagens e instalações eletrônicas. Subgrupo
Ocupacional, código 730.
Percentual de montadores e instaladores de equipamentos eletrônicos em geral.
Subgrupo Ocupacional, código 731.
Percentual de operadores de robôs e equipamentos especiais. Subgrupo Ocupacional,
código 781.
● Indicadores sobre as instituições e cursos: constituem-se de dados sobre instituições e
cursos relacionados às atividades de conhecimento e que têm papel importante na formação de
profissionais para as áreas de alta e média tecnologias. Os indicadores visam avaliar a infra-
estrutura do conhecimento local e o suporte para a capacitação da mão-de-obra. Essa infra-estrutura
engloba as instituições de ensino e alguns cursos oferecidos por universidades, centros
tecnológicos, faculdades, etc., que se relacionam e/ou são importantes para as atividades produtivas
dos clusters mais intensivos em tecnologia. Nesse grupo de indicadores, tomou-se o número
absoluto de instituições e cursos existentes em cada município.
Número de escolas de ensino fundamental. A variável representa a soma do número das
escolas do ensino fundamental públicas estaduais, públicas federais, públicas municipais e privadas
localizadas em cada município. Ele está disponibilizado para o ano 2003 no site do IBGE, no link
Cidades@, mas a fonte é o MEC/INEP.
Número de escolas de ensino médio. A variável representa a soma do número das escolas
do ensino médio públicas estaduais, públicas federais, públicas municipais e privadas localizadas
em cada município. Ele está disponibilizado para o ano 2003 no site do IBGE, no link Cidades@,
mas a fonte é o MEC/INEP.
Número de escolas de ensino superior. A variável representa a soma do número das
escolas do ensino superior públicas estaduais, públicas federais, públicas municipais e privadas
localizadas em cada município. Ele está disponibilizado para o ano 2003 no site do IBGE, no link
Cidades@, mas a fonte é o MEC/INEP.
Número de cursos de ciência da computação. A variável indica a quantidade de cursos de
ciência da computação localizados em cada município, seja em uma universidade, seja faculdade,
faculdade integrada, centro de educação tecnológica, instituto ou centro universitário. Os dados
foram obtidos no site do MEC, no link INEP, para o ano 2002.
As demais variáveis nomeadas abaixo também foram obtidas no site do MEC, link INEP,
para o ano 2002.
Número de cursos de processamento da informação.
Número de cursos de química.
Número de cursos de uso do computador.
Número de cursos de eletricidade e energia.
Número de cursos de eletrônica e automação.
Número de cursos de engenharia e profissões de engenharia.
Número de cursos de engenharia mecânica e metalurgia.
Número de cursos de química e engenharia de processos.
Cursos de veículos a motor, construção naval e aeronáutica.
3.1.2 A Técnica da Análise Multivariada - Análise de Componentes Principais
A técnica da Análise de Componentes Principais foi utilizada para transformar um grande
número de informações (as 49 proxies selecionadas para representar o conhecimento) em uma
pequena quantidade de componentes pouco correlacionados, mas que levam em conta a maior parte
da variância dos dados originais.
Uma das vantagens da técnica ACP é transformar um grande número de variáveis num
número mais restrito de componentes responsáveis por grande parte da explicação total do conjunto
de dados. Os componentes são extraídos na ordem do mais explicativo para o menos explicativo,
sendo que o primeiro componente explica o máximo possível da variação do conjunto de dados
original. Os componentes principais são entendidos como combinações lineares das variáveis do
conjunto de dados original.
Em suma, os municípios que localizam cluster de alguma atividade econômica inovadora
serão função das variáveis selecionadas para representar a acumulação de conhecimento, conforme
a equação abaixo.
Y = f (Conhecimento)
Y = X
1
+ X
2
+ X
3
+ X
4
+ X
5
+ ... + X
p
onde:
Y = municípios que localizam clusters inovadores;
X = variáveis selecionadas para representar o conhecimento;
p = 49 (número de variáveis selecionadas para representar o conhecimento).
O resultado da ACP revela, dentre os atributos selecionados para representar o
conhecimento, aqueles que mais explicam os clusters inovadores. Não se pode falar numa relação
de causalidade, mas apenas na existência de uma relação positiva ou negativa.
3.2 Os clusters inovadores e o conhecimento
Este item do trabalho tem por objetivo mostrar os resultados da técnica ACP acima descrita.
Primeiro, organizou-se o banco de dados com as 49 variáveis representativas do conhecimento para
ser analisado no software SPSS. A construção do banco de dados resultou numa matriz com 994
linhas e 53 colunas. O número de linhas refere-se a quantidade de municípios que localizam
clusters. Vale frisar que se identificaram, no Capítulo 2, apenas 299 municípios brasileiros que
localizam clusters, mas muitos deles localizam clusters de diversas atividades inovadoras, cujas
repetições totalizam 994 municípios
23
. Por sua vez, o número de colunas diz respeito ao nome dos
municípios, unidade da Federação ao qual pertence cada município, código de vizinhança
24
,
número da atividade econômica inovadora
25
ao qual o município é especializado e as demais 49
colunas referem-se às proxies selecionadas para representar o conhecimento.
O segundo passo foi a execução da análise fatorial ou ACP. Esse procedimento gera um
output contendo as tabelas Total Variance Explained e a Component Matrix. A primeira informa
um percentual para cada componente que representa sua capacidade de explicação da variação do
conjunto de dados
26
. Por sua vez, a Matriz de Componentes (ou Component Matrix) gerada contém
os autovetores associados a cada proxy do conhecimento em cada componente. Os autovetores são
os índices que cada proxy do conhecimento recebe em cada componente. Os autovetores podem ser
positivos ou negativos. Quanto maior é o valor do índice de determinada variável, maior é o seu
poder explicativo na componente em análise.
23
O Município de Americana, por exemplo, participa de oito clusters de atividades distintas.
24
Cada cluster recebeu um número, assim, os municípios que fazem parte do mesmo aglomerado receberam números
iguais.
25
Código da atividade desagregada (3 dígitos).
26
O Apêndice B apresenta os outputs gerados na aplicação da análise fatorial para cada atividade econômica estudada.
Neste trabalho, aplicou-se a análise fatorial em três conjuntos do mesmo banco de dados.
Primeiro, aplicou-se a análise fatorial sobre o banco de dados completo (AF1). Posteriormente,
aplicou-se sobre o banco de dados reduzido, que inclui os 299 municípios sem as repetições dos
municípios especializados em mais de uma atividade (AF2). Por último, aplicou-se a análise
fatorial sobre as atividades industriais de alta tecnologia (AF3).
3.2.1 Análise do banco de dados completo (AF1)
Num primeiro momento, a análise fatorial foi aplicada sobre o banco de dados completo,
isto é, considerou-se todos os 994 municípios brasileiros que localizam clusters inovadores e as 49
proxies selecionadas para caracterizar o conhecimento.
Os resultados dessa primeira aplicação da análise fatorial, que será denominada de AF1,
podem ser visualizados na Tabela 5. O primeiro componente explica 25,04% da variação do
conjunto de dados (49 variáveis), e o segundo componente explica 16,57%. Juntos, esses
componentes explicam 41,61% da variação dos dados. Os seis primeiros componentes explicam,
juntos, 63,04%. E, reduzindo as 49 variáveis proxies do conhecimento a 12 componentes, eles
explicam 78,29% dos dados (Tabela A82).
O Quadro 5 apresenta a lista das variáveis, em ordem decrescente, que têm maior índice
explicativo (autovetor) em cada um dos seis primeiros componentes que são resultado da aplicação
da análise fatorial sobre o banco de dados completo (AF1).
Tabela 5
Síntese do percentual de explicação da variação do conjunto de dados, individual e acumulado,
pelos seis primeiros componentes na AF1
COMPONENTES
PERCENTUAL DE
EXPLICAÇÃO
PERCENTUAL
ACUMULADO
1 25,044 25,044
2 16,570 41,613
3 7,229 48,842
4 5,565 54,407
5 4,745 59,151
6 3,888 63,039
Conforme o Quadro 5, os cursos técnicos e de graduação ligados à informática,
engenharias, eletrônica, automação e energia foram os indicados com maior poder explicativo do
conjunto de dados como um todo. Esses indicadores apresentaram elevado autovetor no primeiro
componente. Na medida em que eles são representativos da dotação de conhecimento,
especificamente, dos municípios especializados em atividades inovadoras, pode-se dizer que os
indicadores correlacionam-se positivamente com os clusters inovadores. Nos demais componentes
os indicadores que apresentaram maior poder explicativo foram os relacionados as profissões de
pesquisa e desenvolvimento, de engenharias, eletrônica, eletricidade, matemática e estatística,
informática e ensino. Trata-se de um mercado de trabalho especializado que apresenta alto poder
explicativo das aglomerações inovadoras.
Quadro 5
Variáveis do conhecimento com maior autovetor em ordem decrescente em cada um dos seis
primeiros componente da AF1
Primeiro componente:
Número de escolas de ensino superior
Número de escolas de ensino médio
Número de cursos de processamento da informação
Número de cursos de ciência da computação
Número de cursos de eletricidade e energia
Número de cursos de engenharia mecânica e metalurgia
Número de cursos de engenharia e profissões de engenharia
Número de escolas de ensino fundamental
Número de cursos de eletrônica e automação
Segundo componente:
Percentual de técnicos em eletrônica e fotônica
Percentual de gerentes de pesquisa e desenvolvimento
Percentual de engenheiros eletricistas e eletrônicos
Percentual de pesquisadores de engenharia e tecnologia
Percentual de matemáticos e estatísticos
Terceiro componente:
Percentual de analistas de sistemas computacionais
Percentual de técnicos em metalmecânica
Percentual de profissionais da informática
Quarto componente:
Percentual de docentes no ensino superior
Percentual de matrículas no ensino superior
Indicador do capital humano
Quinto componente:
Percentual de engenheiros mecânicos
Percentual de técnicos em metalmecânica
Percentual de engenheiros químicos
Sexto componente:
Percentual de docentes no ensino fundamental
Percentual de matrículas no ensino fundamental
Percentual de professores de nível superior na educação infantil e no ensino fundamental
3.2.2 Análise do banco de dados resumido (AF2)
Num segundo momento, aplicou-se a análise fatorial sobre um conjunto do banco de dados
que inclui os 299 municípios especializados em alguma atividade inovadora sem as repetições. Não
se consideraram, nesse procedimento, os municípios que são especializados em mais de uma
atividade e que, por isso, podem aparecer inúmeras vezes no banco de dados, sendo reduzidos a
uma única freqüência. Ou seja, nesse banco de dados reduzido, considerou-se que cada município é
especializado em apenas uma atividade econômica inovadora, especificamente, naquela com maior
índice de concentração.
A razão para aplicar a análise fatorial sobre este banco reduzido é a possibilidade de que a
elevada freqüência de certos municípios poderia influenciar os resultados da análise fatorial. Pois
os valores das proxies do conhecimento são os mesmos nos municípios especializados em mais de
uma atividade inovadora. Por exemplo, o Município de Americana, localizado em São Paulo, faz
parte de oito clusters de atividades diferentes, mas o número de escolas, de docentes, de
profissionais e de todas as demais proxies é o mesmo nesses oito clusters.
Os resultados da aplicação da análise fatorial (AF2) sobre o banco de dados reduzido foram
semelhantes aos da AF1. Em comparação com a AF1, os seis primeiros componentes da AF2 têm
menor poder explicativo da variação do conjunto de dados (57,68%), e 13 componentes explicam
75,63% (Apêndice B, Tabela A84). A Tabela 6 apresenta o poder explicativo dos seis primeiros
componentes, bem como o percentual de explicação acumulado.
Abaixo, apresenta-se, no Quadro 6, a lista das variáveis, em ordem decrescente, que têm
maior índice explicativo (autovetor) em cada um dos seis primeiros componentes da AF2.
Tabela 6
Percentual de explicação da variação do conjunto de dados pelos seis primeiros componentes na
AF2
COMPONENTES
PERCENTUAL DE
EXPLICAÇÃO
PERCENTUAL
ACUMULADO
1 22,009 22,099
2 15,094 37,103
3 6,789 43,892
4 5,469 49,361
5 4,756 54,118
6 3,564 57,682
Quadro 6
Variáveis do conhecimento com maior autovetor em ordem decrescente em cada um dos seis
primeiros componentes da AF2
Primeiro componente:
Número de escolas de ensino médio
Número de escolas de ensino superior
Número de cursos de ciência da computação
Número de cursos de processamento da informação
Número de cursos de eletricidade e energia
Número de cursos de engenharia e profissões de engenharia
Número de escolas de ensino fundamental
Número de cursos de engenharia mecânica e metalurgia
Número de cursos de eletrônica e automação
Segundo componente:
Percentual de engenheiros eletricistas e eletrônicos
Percentual de matemáticos e estatísticos
Percentual de técnicos em eletrônica e fotônica
Percentual de pesquisadores de engenharia e tecnologia
Percentual de pesquisadores
Terceiro componente:
Percentual de engenheiros mecânicos
Percentual de técnicos em metalmecânica
Percentual de analistas de sistemas computacionais
Quarto componente:
Indicador do capital humano
Percentual de matrículas no ensino superior
Percentual de docentes no ensino superior
Quinto componente:
Percentual de engenheiros químicos
Percentual de operadores de robôs e equipamentos especiais
Percentual de técnicos em ciências físicas e químicas
Sexto componente:
Percentual de docentes no ensino fundamental
Percentual de matrículas no ensino fundamental
Percentual de professores de nível superior na educação infantil e no ensino fundamental
Analisando os Quadros 5 e 6, observa-se que o primeiro componente da AF1 e o da AF2
geram maiores autovetores para as mesmas proxies do conhecimento, existindo apenas uma
diferença na ordem dessas variáveis. Dessa maneira, pode-se afirmar que o número de escolas de
ensino superior, de ensino médio e de ensino fundamental e o número de cursos técnicos e de
graduação (especificamente os cursos de eletricidade e energia, de processamento da informação,
de engenharia mecânica e metalurgia, de ciência da computação, de engenharia e profissões de
engenharia e de eletrônica e automação) foram os indicadores que mais se correlacionaram com os
clusters inovadores. Esses indicadores representam o grupo que visa avaliar a infra-estrutura do
conhecimento local e o suporte para a capacitação da mão-de-obra em atividades relacionadas com
a especialização dos clusters inovadores.
Comparando-se os componentes dois a seis da AF1 e da AF2, conclui-se que os resultados
são similares em relação aos indicadores com maior poder explicativo. Dentre os indicadores de
ocupação da mão-de-obra, a pesquisa e desenvolvimento, engenharias, eletrônica, eletricidade,
matemática e estatística, informática e ensino têm alto poder explicativo em ambos resultados das
análises fatoriais, especificamente, nos componentes dois a seis. É importante destacar que essas
ocupações da mão-de-obra também caracterizam um mercado de trabalho especializado, que
constitui uma externalidade gerada nas aglomerações produtivas.
Além disso, as variáveis de escolaridade básica, ensino fundamental e médio e escolaridade
superior relacionam-se positivamente com os clusters inovadores.
3.2.3 Análise dos clusters de alta tecnologia (AF3)
Finalmente, a terceira aplicação da análise fatorial (AF3) foi destinada somente aos clusters
de alta tecnologia. Vale relembrar que, no Capítulo 2, selecionaram-se as atividades da indústria de
transformação que mais inovaram e diferenciaram produtos, as quais se denominaram inovadoras,
e identificaram-se os clusters no Brasil das desagregações dessas atividades. Porém, dentre essas
atividades selecionadas, algumas são de alta tecnologia, e as outras são de média tecnologia. No
procedimento de aplicação da AF3, selecionaram-se somente as atividades desagregadas da
indústria de alta tecnologia. O objetivo da aplicação da análise fatorial sobre esse grupo foi a
necessidade de verificar se ele poderia apresentar resultados semelhantes aos da AF1, que foi
aplicada sobre os clusters de média e alta tecnologias.
No Quadro 7, estão listadas as 15 atividades de alta tecnologia selecionadas, dentre as 41
desagregações que foram objeto de estudo do Capítulo 2.
Quadro 7
Atividades desagregadas da indústria de transformação de alta tecnologia
24.4 - Fabricação de fibras, fios, cabos e filamentos contínuos artificiais e sintéticos
24.5 - Fabricação de produtos farmacêuticos
29.1 - Fabricação de motores, bombas, compressores e equipamentos de transmissão
29.3 -
Fabricação de tratores e de máquinas e equipamentos para a agricultura, avicultura e obtenção de
produtos animais
30.1 - Fabricação de máquinas para escritório
30.2 - Fabricação de máquinas e equipamentos de sistemas eletrônicos para processamento de dados
31.1 - Fabricação de geradores, transformadores e motores elétricos
31.2 - Fabricação de equipamentos para distribuição e controle de energia elétrica
32.1 - Fabricação de material eletrônico básico
32.2 -
Fabricação de aparelhos e equipamentos de telefonia e radiotelefonia e de transmissores de televisão e
rádio
32.3 - Fabricação de aparelhos receptores de rádio e televisão e de reprodução, gravação ou amplificação de s
som e vídeo
33.1 - Fabricação de aparelhos e instrumentos para usos médico-hospitalares, odontológicos e de
laboratórios e aparelhos ortopédicos
33.3 - Fabricação de máquinas, aparelhos e equipamentos de sistemas eletrônicos dedicados à automação
industrial e controle do processo produtivo
34.1 - Fabricação de automóveis, caminhonetas e utilitários
34.2 - Fabricação de caminhões e ônibus
A Tabela 7 sintetiza os resultados da AF3, no que se refere à explicação de cada um dos seis
primeiros componentes.
Tabela 7
Percentual de explicação da variação do conjunto de dados pelos seis primeiros componentes na
AF3
COMPONENTES
PERCENTUAL DE
EXPLICAÇÃO
PERCENTUAL ACUMULADO
1 24,101 24,101
2 20,127 44,227
3 8,306 52,533
4 5,735 58,268
5 4,699 62,967
6 3,722 66,689
A ACP aplicada sobre os indicadores do conhecimento dos municípios especializados em
indústrias de alta tecnologia (AF3) gerou resultados com maior poder explicativo do conjunto de
dados. Os seis primeiros componentes explicam 66,69%, em comparação com a AF1 (63,04%) e a
AF2 (57,68%). Além disso, reduzindo o conjunto das 49 variáveis utilizadas como proxies para o
conhecimento a 12 componentes, na AF3, eles explicam 81,29% da variação do conjunto de dados.
Ou seja, as proxies representativas do conhecimento apresentam alto poder de explicação dos
clusters de alta tecnologia. Significa dizer que existe uma relação positiva entre os clusters de alta
tecnologia e o acúmulo de conhecimento espacial. Em que pese ter o primeiro componente da AF1
maior poder explicativo (25,04%) do que o primeiro componente da AF3 (24,10%), os 12
componentes da AF1 explicam 78,29% do conjunto de dados, que é 3% menor do que o poder
explicativo dos 12 componentes principais da AF3 (81,29%) (Tabela A86).
Os resultados da AF3 deram maior poder explicativo para alguns indicadores que não
tiveram valor significativo nas análises fatoriais aplicadas sobre os clusters de média e alta
tecnologias. Esses indicadores mais relacionados aos clusters de alta tecnologia são: percentual de
engenheiros metalurgistas e de materiais, percentual de profissionais da comunicação e da
informação, percentual de professores e instrutores do ensino profissional, percentual de
montadores e instaladores de equipamentos eletrônicos, percentual de supervisores de montagens e
instalações eletrônicas, percentual de técnicos de apoio em P&D e percentual de técnicos de
laboratório industrial.
É importante destacar que, no primeiro componente da AF3, os indicadores de ocupações
da mão-de-obra no ensino superior, os professores e instrutores do ensino profissional, professores
de nível superior na educação infantil e no ensino fundamental, engenheiros metalurgistas,
profissionais da comunicação e da informação, gerentes de tecnologia da informação e analistas de
sistemas computacionais tiveram alto poder explicativo. Significa dizer que o mercado de trabalho
especializado no ensino e nas demais ocupações referidas acima têm alta correlação com os
clusters de alta tecnologia.
Quadro 8
Variáveis do conhecimento com maior autovetor em ordem decrescente em cada um dos seis
primeiros componentes da AF3
Primeiro componente:
Percentual de docentes no ensino superior
Percentual de engenheiros metalurgistas e de materiais
Percentual de profissionais da comunicação e da informação
Percentual de professores e instrutores do ensino profissional
Percentual de gerentes de tecnologia da informação
Percentual de professores de nível superior na educação infantil e no ensino fundamental
Número de escolas do ensino fundamental
Percentual de analistas de sistemas computacionais
Número de escolas do ensino superior
Segundo componente:
Número de cursos de engenharia e profissões de engenharia
Percentual de montadores e instaladores de equipamentos eletrônicos
Percentual de gerentes de pesquisa e desenvolvimento
Número de cursos de química e engenharia de processos
Número de cursos de engenharia mecânica e metalurgia
Terceiro componente:
Percentual de supervisores de montagens e instalações eletrônicas
Percentual de engenheiros mecânicos
Número de cursos de processamento da informação
Quarto componente:
Número de cursos de veículos a motor, construção naval e aeronáutica
Indicador do capital humano
Percentual de engenheiros químicos
Quinto componente:
Percentual de técnicos em ciências físicas e químicas
Percentual de pesquisadores de engenharia e tecnologia
Percentual de técnicos de apoio em P&D
Sexto componente:
Percentual de docentes no ensino fundamental
Percentual de técnicos em laboratório industrial
Percentual de matrículas no ensino superior
Os cursos técnicos e de graduação localizados nas regiões especializadas também
correlacionam-se positivamente com os clusters de alta tecnologia.
3.3 Considerações finais
Os resultados da aplicação da análise fatorial exclusivamente sobre os clusters de alta
tecnologia (AF3) deram maior poder explicativo para algumas proxies do conhecimento que não
haviam sido destacadas, pelo seu baixo poder explicativo, nos resultados das análises fatoriais
aplicadas sobre o banco de dados completo (AF1), clusters de alta e média tecnologia, e sobre o
banco de dados resumido (AF2), sem as repetições dos municípios que participam de mais de um
cluster. Essas proxies, que antes não haviam sido destacadas, se referem ao percentual de
pesquisadores e profissionais policientíficos, de montadores e instaladores de equipamentos
eletrônicos em geral, de profissionais da comunicação e da informação, de professores de nível
superior na educação infantil e no ensino fundamental, de técnicos de apoio em P&D e dos
matemáticos e estatísticos.
Outro aspecto importante a destacar é a correlação positiva entre os municípios
especializados em atividades inovadoras (média e alta tecnologias) e os indicadores representativos
do conhecimento. Nestas aplicações da ACP, o primeiro componente classifica os indicadores
representativos das instituições e cursos locais como os mais correlacionados com os clusters
inovadores. O segundo componente classifica determinadas ocupações do mercado de trabalho
como as de maior poder explicativo. Nos clusters de alta tecnologia, o mercado de trabalho
especializado, as instituições e os cursos locais também revelaram-se correlacionados
positivamente com eles. Esse conjunto de recursos de uso comum no ambiente local e a ampla
oferta de trabalhadores qualificados e técnicos especializados contribuem para reduzir custos e
incertezas associados às atividades inovadoras, conforme referido no Capítulo 1.
Pondera-se ainda que a ACP aplicada aos clusters de alta tecnologia identificou 12
componentes principais que explicam 81,29% da variação do conjunto de dados. Por sua vez, nos
clusters de média e alta tecnologias, 12 componentes explicam 78,29% da variação do conjunto de
dados.
O ponto em comum dos resultados das análises fatoriais sobre as três variações do banco de
dados é o alto poder explicativo do número de escolas de ensino superior e do ensino fundamental,
bem como dos cursos de graduação e técnicos. Essas variáveis apareceram sempre no primeiro ou
no segundo componente das três análises fatoriais. As variáveis número das matrículas no ensino
fundamental, médio e superior, também se destacaram pelo seu elevado poder explicativo dos
clusters inovadores.
Portanto, a partir dos resultados apresentados, pode-se concluir que existe uma relação
positiva entre o conhecimento e os clusters inovadores. Essa relação é ainda mais forte no caso
específico dos clusters de alta tecnologia. Além disso, é possível afirmar que, nos municípios onde
se localizam clusters de media e alta tecnologias, há uma população residente com bons níveis de
escolaridade, cursos direcionados às atividades mais tecnológicas, bem como a presença de
profissionais qualificados nas atividades relacionadas aos clusters inovadores.
Este trabalho empírico não permite afirmar se são os clusters inovadores que atraem o
conhecimento e as instituições ligadas ao conhecimento (universidades, escolas de ensino básico,
escolas técnicas) para o local onde estão produzindo, ou se os clusters inovadores direcionam-se
para os municípios que já possuem conhecimento especializado. A situação intermediária é aquela
em que a presença de clusters nos municípios desenvolve essas localidades, melhorando os
indicadores de escolaridade e potencializando o poder de atração de instituições que fomentam o
aprendizado técnico e especializado nas atividades ao qual operam tais clusters.
CONCLUSÃO
O objetivo geral do trabalho foi a aplicação de alguma metodologia existente na literatura
que pudesse identificar os clusters inovadores no Brasil, bem como verificar a correlação entre o
acúmulo espacial de conhecimento, este medido por uma série de indicadores, e aqueles clusters
identificados. Esses objetivos foram cumpridos, primeiramente, aplicando-se a metodologia do
Índice de Concentração, através do qual se identificou diversos aglomerados de atividades
inovadoras no Brasil. Posteriormente, aplicou-se o método estatístico de Análise de Componentes
Principais sobre os municípios especializados e os indicadores representativos do conhecimento, e
concluiu-se que existe uma correlação positiva entre eles.
A realização desse objetivo geral deriva do desenvolvimento de quatro objetivos específicos
que orientaram cada capítulo do trabalho. O primeiro deles se propôs a fazer uma pesquisa teórica
sobre as aglomerações de empresas inovadoras. A literatura recente sobre a economia regional tem
destacado a importância do conhecimento na formação das aglomerações produtivas,
principalmente daquelas intensivas em P&D. A dotação de conhecimento especializados em certas
regiões, que gera spillovers de conhecimento, tem sido apontada como a razão da formação dos
clusters. A revisão da teoria sobre as aglomerações produtivas inovadoras, objeto do Capítulo 1,
permitiu sustentar a realização do trabalho empírico realizado nos Capítulo 2 e 3.
O segundo objetivo específico do trabalho foi a discussão metodológica sobre a utilização
das medidas de especialização existentes na literatura da economia regional, o Quociente
Locacional e o Índice de Concentração. Essas metodologias são calculadas com os dados de
emprego da indústria numa região ou município e também da macroeconomia que os engloba.
Devido aos problemas de sobrevalorização e subvalorização apresentados pelo Quociente
Locacional, no seu formato tradicional, os clusters no Brasil foram identificados pelo cálculo do
Índice de Concentração. A aplicação dessa metodologia possibilitou a identificação de diversos
aglomerados industriais no Brasil (terceiro objetivo específico) de 41 atividades de alta e média
tecnologias. Cabe destacar que esses segmentos inovadores foram selecionados com base nas
tabelas disponibilizadas pela PINTEC 2003, as quais apresentam o número absoluto de empresas
que mais inovaram e mais diferenciaram produtos em cada atividade da indústria de transformação.
Finalmente, o último objetivo específico foi a aplicação da Análise de Componentes
Principais para estabelecer a correlação entre as variáveis selecionadas para representar o
conhecimento e as aglomerações inovadoras. Pode-se afirmar, com base nos resultados da
aplicação da técnica da análise fatorial, que existe uma correlação positiva entre os municípios
brasileiros especializados em atividades de média e alta tecnologias e os indicadores
representativos do conhecimento. Essa proposição relevante foi levantada por vários autores na
literatura sobre clusters, porém ainda não havia sido comprovada empiricamente no caso brasileiro.
Essa lacuna da pesquisa sobre clusters no Brasil foi a principal motivação deste trabalho que exigiu
uma abordagem envolvendo um levantamento muito grande de variáveis representativas do que
seja o conhecimento e que tenha potencial de gerar externalidades regionais, locais e municipais.
A correlação revelou-se mais significativa nos clusters de alta tecnologia. Isso fica
demonstrado nos seguintes resultados: relacionando as variáveis do conhecimento com os 994
municípios especializados (banco de dados completo) gerou 12 componentes principais, que
explicam 78,29% da variação do conjunto de dados; relacionando as variáveis do conhecimento
com os 299 municípios especializados (banco de dados reduzido), gerou 13 componentes
principais que explicam 75,63% da variação do conjunto de dados; e, relacionando as variáveis do
conhecimento com os municípios especializados em atividades de alta tecnologia, gerou 12
componentes principais que explicam 81,29% da variação do conjunto de dados.
As aplicações da ACP sobre o banco de dados completo (AF1) e sobre o banco de dados
resumido (AF2) revelaram que o número de cursos técnicos e de graduação ligados à informática,
engenharias, eletrônica e energia são os indicadores com maior poder explicativo dos clusters de
média e alta tecnologias, visto que apresentaram maior autovetor no primeiro componente. O
segundo componente revelou como o indicador mais importante o mercado de trabalho
especializado nas atividades de pesquisa, eletrônica, engenharia, matemática e estatística. Por sua
vez, a terceira aplicação da ACP sobre os clusters de alta tecnologia revelou a importância dos
mesmos indicadores, porém em ordem inversa. Ou seja, no primeiro componente, os indicadores
do mercado de trabalho especializado apresentaram maior autovetor, enquanto, no segundo
componente o número de cursos técnicos e de graduação apresentou maior poder explicativo.
É importante destacar ainda que o conjunto dos indicadores representativos do
conhecimento também caracterizou o mercado de trabalho especializado em cada município.
Notavelmente, esse trabalho especializado representa uma externalidade propiciada pela
aglomeração de empresas de mesma atividade econômica. Essa é uma das economias externas
referidas por Marshall que também foram reveladas nessa pesquisa.
REFERÊNCIAS
ALBUQUERQUE, E.M. Análise da performance produtiva e tecnológica dos clusters industriais
na economia brasileira. In: Arranjos e sistemas produtivos locais e as novas políticas de
desenvolvimento industrial e tecnológico. (Nota técnica n
o
28 — versão preliminar). Rio de Janeiro:
IE/UFRJ, 2000.
ALBUQUERQUE, Eduardo et al. (2002) A Distribuição Espacial da Produção Científica e
Tecnológica Brasileira: uma descrição de estatísticas de produção local de patentes e artigos
científicos. Revista Brasileira de Inovação, v. 1, n. 2, jul./dez. 2002. Disponível em:
http://www.finep.gov.br/revista_brasileira_inovacao/segunda_edicao/a_distribuicao_espacial.pdf.
Acesso em: jan. 2005.
BARRO, R.; SALA-I-MARTIN, X. Economic Growth, MIT Press, 1995. 654p
BÊRNI, Duílio de Ávila (org.) Técnicas de pesquisa em economia: transformando curiosidade em
conhecimento. São Paulo: Saraiva, 2002.
BRAGA, Luciano Moraes; BERNI, Duílio de Ávila. Redes de Empresas: contextos e conceitos.
Análise, Porto Alegre, v. 14, n.1. p. 71-86.
BRITTO, Jorge; ALBUQUERQUE, Eduardo da M. (2001). Estrutura e dinamismo de clusters
industriais na economia brasileira: uma análise comparativa explanatória. Disponível em:
http://www.nuca.ie.ufrj.Br/infosucro/biblioteca/economiabrasileira/Britto_estrutura.doc.
BRITTO, Jorge (2000). Características estruturais dos clusters industriais na economia brasileira.
Instituto de Economia da Universidade Federal do Rio de Janeiro. (Nota técnica n
o
42 versão
preliminar). Rio de Janeiro: IE/UFRJ, 2000.
BRITTO, Jorge (2004). Cooperação e aprendizado em arranjos produtivos locais: em busca de um
referencial analítico. Universidade Federal Fluminense. Nota Técnica 04. Maio de 2004.
Disponível em:
http://www.redesist.ie.ufrj.Br/nts/oe1/nt%2004%20-%20jorge%20britto.pdf
CASTILHOS, Clarisse Chiappini. Investimentos Diretos do exterior, Sistemas Locais de Produção
e Políticas Públicas. Indicadores Econômicos FEE, Porto Alegre, v. 31, n. 2, 2003. p. 109-130.
CASTILHOS, C. C. (Coord.) Programa de Apoio aos Sistemas Locais de Produção: a construção
de uma política pública no RS. Porto Alegre: FEE; SEDAI, 2002. 186p.
CLEMENTE, Ademir; HIGACHI, Hermes Y. Economia e Desenvolvimento Regional. São Paulo:
Atlas, 2000. 260p.
CROCCO et al. (2003a) Metodologia de Identificação de Arranjos Produtivos Locais Potenciais:
uma nota técnica. Texto para Discussão n
o
191. Abril de 2003. Disponível em:
http://www.cedeplar.ufmg.br/pesquisas/td/TD%20191.pdf. Acesso em: jan. 2005.
CROCCO et al. (2003b) Metodologia de Identificação de Arranjos Produtivos Locais Potenciais.
Texto para Discussão n
o
212. Julho de 2003. Disponível em:
http://www.cedeplar.ufmg.br/pesquisas/td/TD%20212.pdf. Acesso em: jan. 2005.
FUJITA, M.; KRUGMAN, P.; VENABLES, A. Economia Espacial: urbanização, prosperidade
econômica e desenvolvimento humano no mundo. São Paulo: Futura, 2002. 391p.
GALINARI et al. (2003) O efeito das economias de aglomeração sobre os salários industriais:
uma aplicação ao caso brasileiro. Disponível em:
http://www.anpec.org.br/encontro2003/artigos/E64.pdf. Acesso em: abr. 2005.
Instituto Brasileiro de Geografia e Estatística (IBGE). Endereço eletrônico:
http://www.ibge.gov.br
KATZ, Jorge. Cambios estructurales y productividad en la industria latinoamericana, 1970-1996.
Revista de la CEPAL, Santiago de Chile, n.71, ago. 2000. p.65-84.
LASTRES, H. M. M. (2004). Indicadores do Conhecimento: desafios para países latino-
americanos. Disponível em: http://www.ie.ufrj.br/redesist.
LASTRES, H. M. M.; CASSIOLATO, J. E. (2003) Novas Políticas na Era do Conhecimento: o
foco em arranjos produtivos e inovativos locais. Disponível em:
www.sinal.redesist.ie.ufrj.br/nts/ar1/LasCasParcerias.pdf. Acesso em: abr/2005.
LASTRES, H. M. M.; CASSIOLATO, J. E. (coord.) Glossário de Arranjos e Sistemas Produtivos
e Inovativos Locais. Redesist, 2004 (nov). Disponível em: www.redesist.ie.ufrj.br. Acesso em: jan.
2005.
LASTRES, H. M. M.; CASSIOLATO, J.E. (orgs.) (2004). Indicadores do Conhecimento e de
Arranjos Produtivos Locais. Disponível em: http://www.ie.ufrj.br/redesist.
LEMOS, M. B. et al. (2003). Arranjos Produtivos Locais industriais sob ambientes periféricos: os
condicionantes territoriais das externalidades restringidas e negativas. Disponível em:
http://www.anpec.org.br/encontro2003/artigos/E31.pdf. Acesso em: jan. 2005.
LEMOS, M. B. et al. (2005). In: De Negri; Salerno (orgs.). Inovações, padrões tecnológicos e
desempenho das firmas industriais brasileiras, cap. 9.
MALONEY, W. F. (2002) Missed Opportunities: innovation and resource-based growth in Latin
America. World Bank Policy Research Working paper 2935, December 2002. Disponível em:
http://papers.ssrn.com/sol3/papers.cfm?abstract_id=636297. Acesso em: jan/2005.
MATOS, Jéferson Daniel de (2003). Utilização de semivariogramas como redutor de
dimensionalidade no reconhecimento de padrões em imagens digitais hiperespectrais. Dissertação
de Mestrado. Universidade Federal do Rio Grande do Sul. Março de 2003.
Ministério da Educação e Cultura (MEC). Endereço eletrônico: http://www.mec.gov.br
NASSIF, André Luiz. A articulação das Políticas Industrial e Comercial nas Economias em
Desenvolvimento Contemporâneas: uma discussão analítica. Revista de Economia Política, São
Paulo, v. 20, n. 2, 2000. p. 3-22.
NASSIF, André Luiz. Uma contribuição ap debate sobre a nova política industrial brasileira. Rio
de Janeiro: BNDES, 2003. Textos para Discussão, n.101, 68p.
OCDE (Organisation for Econoic Co-operation and development) (1995). The measurement of
scientific and technological activities. Manual on the measurement of human resourses devoted to
S&t - "Canberra Manual". Paris, 1995.
PAIVA, Carlos A. Como Identificar e Mobilizar o Potencial de Desenvolvimento Endógeno de
uma Região? Porto Alegre: FEE, 2004. 140p.
PINDYCK, R.S., RUBINFELD, D.L. Microeconomia. São Paulo: Makron Books, 1999.
Pesquisa Industrial de Inovação Tecnológica (PINTEC) (2003). Disponível em:
http://www.ibge.gov.br
Relação Anual de Informações Sociais (RAIS). Endereço eletrônico: http://www.rais.gov.br
SANTOS, F. et al. (2002) Arranjos e Sistemas Produtivos Locais em "Espaços Industriais"
Periféricos: estudo comparativo de dois casos brasileiros. Texto para discussão n.182. Novembro
de 2002. Disponível em: http://www.cedeplar.ufmg.br/pesquisas. Acesso em: jan. 2005.
SOUZA, Nali de Jesus de. Desenvolvimento Econômico. 3
a
Edição. São Paulo: Atlas, 1997. 415p.
STALLINGS, Bárbara; PERES, Wilson. Crescimento, Emprego e Equidade: o impacto das
reformas econômicas na América Latina e Caribe. Rio de Janeiro: Campus, 2002.
SUZIGAN, Wilson. (2000) Aglomerações industriais como foco de políticas. (Texto da Aula
Magna do XXVIII Encontro Nacional de Economia da ANPEC). Campinas: ANPEC, 2000.
Disponível em: http://www.eco.unicamp.br/neit/download/artigos/ Acesso em: abr. 2005.
SUZIGAN, et al. (2003). Coeficientes de Gini Locacionais - GL: aplicação à indústria de calçados
do estado de São Paulo. Disponível em: http://www.
face.ufmg.Br/novaeconomia/sumários/v13n2/Suzigan.pdf. Acesso em: abr. 2005.
SUZIGAN, et al.(2004) Inovação e conhecimento: indicadores regionalizados aplicados a São
Paulo. Disponível em: http://www.anpec.org.br/encontro2004/artigos/A04A116.pdf. Acesso em:
abr. 2005.
TAVARES, Maria da Conceição. América Latina frente a los condicionantes actuales de la
economia internacional: una perspectiva brasileira. Rio de Janeiro: Universidade Federal do Rio de
Janeiro, Instituto de Economia Industrial, 1986. Texto para Discussão, n. 99. 12p.
TORRE, André. (2003) Desenvolvimento Local e relações de proximidade: conceitos e questões.
Instituto Nacional de Agronomia - Paris-Grignon. Disponível em:
http://www.desenvolvimentolocal.ucdb.Br/RevistaInteracoes/N7_André_Torre.pdf. Acesso em:
abr. 2005.
TOYOSHIMA, Silvia et al. (2003) Aplicação das Técnicas de Redes Neurais Artificiais e de
Análise Multivariada Discriminante ao estudo de Aglomerações Industriais — o caso do Rio
Grande do Sul e de São Paulo. Disponível em:
http://www.anpec.org.br/encontro2003/artigos/E39.pdf. Acesso em: jan. 2005.
VARGAS, Marco Antônio (2004). Indicadores de aprendizado e capacitação produtiva e
inovativa em Arranjos Produtivos Locais. Universidade Federal Rural do Rio de Janeiro. Nota
Técnica 09. Maio de 2004. Disponível em:
http://redesist.ie.ufrj.Br/nts/oe1/nt%2009%20_%20vargas.pdf.
VENABLES, Anthony J. (2002) Trade, Location, and Development: an overview of theory.
London School of Economics and CEPR. Disponível em: http://econ.lse.ac.uk/staff/ajv/lac3.pdf.
Acesso em: jan. 2005.
APÊNDICE A - AGLOMERAÇÕES INDUSTRIAIS INOVADORAS
Tabela A1
Os clusters da Atividade 24.2 - Fabricação de produtos químicos orgânicos
com os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
BA
Camaçari
24 11,31
PA
Paragominas
8 1,24
BA
Candeias
3 6,06 SP
Campinas
9 0,40
BA
Simões Filho
4 0,66 SP
Cubatao
2 0,70
BA
Itamaraju
3 9,13 SP
Itupeva
5 3,28
BA
Teixeira de Freitas
2 8,36 SP
Mauá
9 1,98
MG
Rio Pardo de Minas
7 29,68
SP
Mogi das Cruzes
3 1,31
MG
São João do Paraíso
14 23,70
SP
Mogi Mirim
4 1,09
MG
Taiobeiras
48 34,46
SP
Paulínia
5 7,45
MG Santa Bárba
ra
9 51,78
SP
Santo André
6 1,37
RJ
Duque de Caxias
12 0,90 SP
São Caetano do Sul
3 0,94
RJ
São Gonçalo
2 1,18 SP
Sorocaba
6 0,31
RS Estâ
ncia Velha
5 1,70 SP
Suzano
4 3,64
RS
Portão
4 1,50 SP
Tremembé
3 16,01
RS
Taquari
1 9,36 SP
Várzea Paulista
2 4,46
RS
Triunfo
3 23,56
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A2
Os clusters da atividade 24.3 - Fabricação de produtos químicos de resinas e
elastômeros com os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
AM
Manaus
5 0,47 SP
Guarulhos
7 1,54
BA
Camaçari
11 9,49 SP Hortolân
dia
2 2,45
BA
Salvador
4 0,49 SP
Itaquaquecetuba
3 0,82
RJ
Duque de Caxias
10 4,75 SP
Itatiba
2 1,05
RS
Novo Hamburgo
5 0,45 SP Ma
uá
10 3,08
RS
Triunfo
12 70,24 SP
Mogi das Cruzes
1 3,83
SP
Araçariguama
1 3,88 SP
Paulínia
3 1,28
SP
Atibaia
1 2,98 SP
Rio Claro
1 2,72
SP
Campinas
5 1,33 SP
Santo André
7 3,69
SP
Cubatão
5 1,33 SP
São Bernardo Campo
8 0,63
SP
Diadema
13 0,36 SP
São Paulo
59 0,37
(Continua)
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A3
Os clusters da Atividade 24.4 - Fabricação de fibras, fios, cabos e filamentos
contínuos artificiais e sintéticos com os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
SP Jacareí 1 6,82
SP Jundiaí 1 1,39
SP Paulínia 3 10,25
SP Santo André 4 13,99
SP São Jose dos Campos 4 1,56
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A4
Os clusters da Atividade 24.5 - Fabricação de produtos farmacêuticos com os
respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
PE Recife 35 0,36 (Continuação)
MG Juiz de Fora
20 0,39 SP
Itapecerica da Serra
4 5,01
RJ
Duque de Caxias
13 0,41 SP Itapira 6 1,41
RJ Petrópolis 4 0,52 SP Jaguariúna
6 0,88
RJ Rio de Janeiro 168 0,87 SP São Bernardo do Campo
11 0,36
RJ
São Gonçalo
13 2,19 SP
São Jose dos Campos
10 0,46
MG
São Sebastião do Paraíso
6 3,51 SP São Paulo
379 0,67
SP
Ribeirão Preto
30 0,66 SP Sorocaba
11 0,33
SP Barueri 22 0,99 SP Suzano 2 0,58
SP Campinas
39 0,98 SP
Taboão da Serra
5 1,37
SP Cotia 14 0,98 RS
Caxias do Sul
16 0,31
SP
Embu Guaçu
1 2,38 RS Porto Alegre
64 0,32
SP Guarulhos
21 0,62 GO Anápolis 33 4,22
SP Hortolândia
13 3,12 GO
Aparecida de Goiânia
7 0,69
(Continua) GO Goiânia 45 0,56
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A5
Os clusters da Atividade 24.6 - Fabricação de defensivos agrícolas com os
respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
SP
Cajamar
1 10,42 SP
Ribeirão Preto
12 1,20
SP
Campinas
5 0,40 PR
Arapongas
1 6,75
SP
Itapetininga
2 1,85 PR
Cambira
1 66,07
SP
Jacareí
2 2,52 PR
Londrina
12 2,93
SP
Mairinque
6 12,18 PR
Curitiba
6 0,22
SP
Paulínia
6 8,66 SC
Massaranduba
3 9,84
SP
Salto de Pirapora
1 13,05 RS
Cachoeirinha
2 3,94
SP
São Paulo
25 0,59 RS
Portão
1 5,17
SP
São Vicente
1 11,64 RS
Taquara
1 5,81
SP
Sorocaba
3 1,40 RS
Taquari
1 40,80
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A6
Os clusters da atividade 24.8 - Fabricação de tintas, vernizes, esmaltes, lacas e
produtos afins com os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
PI Teresina 9 0,59 RJ
Duque de Caxias
34 0,63
PE Recife 15 0,53 RJ
Rio de Janeiro
47 0,37
SP Matão 9 1,06 RJ
São Gonçalo
6 0,88
SP Cajamar
3 2,54 BA
Salvador
7 0,51
SP Cotia 3 1,41 PR Ibiporã
7 3,31
SP Diadema
29 0,62 PR
Londrina
17 0,45
SP Guarulhos
80 1,44 PR
Quatro Barras
4 2,73
SP Indaiatuba
5 0,46 PR
São Jose dos Pinhais
19 0,32
SP Mauá 11 2,13 SC
Guaramirim
2 4,25
SP Osasco 6 0,44 SC
São Bento do Sul
9 0,84
SP Piracicaba
7 0,49 SC
Criciúma
13 1,63
SP Salto 6 1,55 SC
Siderópolis
5 8,09
SP Santo
André
10 0,53 RS
Cachoeirinha
12 0,78
SP
São Bernardo do Campo
27 1,87 RS
Gravataí
9 1,84
SP São Paulo
115 0,27 RS
Novo Hamburgo
18 0,72
SP
São Roque
2 2,36 RS
Porto Alegre
28 0,68
SP Sumaré
5 3,88 MS
Campo Grande
6 0,70
SP Suzano 6 0,67 GO
Aparecida de Goiânia
10 0,91
SP
Taboão da Serra
9 2,33
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A7
Os clusters da atividade 24.9 - Fabricação de produtos e preparados químicos
diversos com os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
AM Manaus
44 0,31 SP Diadema
95 0,80
BA Camaçari
22 0,42 SP
Guaratinguetá
10 5,21
BA
Conceição do Jacuípe
1 8,84 SP Guarulhos
86 0,29
MG
Cataguases
6 1,78 SP Itapetininga
1 2,44
MG Barbacena
23 0,26 SP Itapevi 7 3,34
MG
Santo Antonio do Monte
67 15,71
SP
Itaquaquecetuba
18 0,57
MG Contagem
3 2,37 SP Jacareí 11 0,91
RJ Belford Roxo
4 4,87 SP Jandira 19 2,06
RJ
Duque de Caxias
50 1,13 SP Limeira 12 0,73
RJ
Nova Iguaçu
16 0,90 SP Mauá 22 0,55
RJ Resende
2 3,48 SP Osasco 15 0,40
RJ
Rio de Janeiro
148 0,35 SP Paulínia 16 1,52
PR
Quatro Barras
6 4,87 SP Piquete 1 16,23
SC Curitibanos
5 3,92 SP Rio Claro
16 0,64
RS Campo Bom 10 1,15 SP
São Bernardo do Campo
53 0,41
RS Dois Irmãos 1 1,02 SP
São Jose dos Campos
24 0,74
RS Montenegro 6 1,44 SP São Paulo
534 0,42
SP Americana 10 0,31 SP Sorocaba
19 0,27
SP Barueri 34 0,47 SP Sumaré
15 3,70
SP Cajamar
9 0,88 SP Suzano
13 0,87
SP
Campinas
49 0,35 SP
Taboão da Serra
29 0,70
SP Cotia 34 1,63 SP Valinhos
15 0,74
SP Cubatão 6 1,08 SP
Ribeirão Preto
22 0,80
(continua)
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A8
Os clusters da atividade 29.1 - Fabricação de motores, bombas, compressores e
equipamentos de transmissão com os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
SP Araraquara 5 0,59 (Continuação)
SP Barueri 10 0,77 SP São Jose dos Camp
os
10 0,55
SP Cajamar 4 1,76 SP
São Paulo
272
0,42
SP Campinas 19 0,24 SP
Suzano
3 0,95
SP Guarulhos 28 0,47 SP Taubaté
3 2,57
SP Itapira 2 1,09 SP
Várzea Paulista
3 2,36
SP Jacareí 4 0,76 RJ
Rio de Janeiro
43 0,30
SP Jundiaí 7 0,38 PR L
oanda
17 12,69
SP Mogi das Cruzes
5 0,52 PR
Maringá
13 0,28
SP Monte Alto 6 5,34 SC
Itaiopolis
1 16,65
SP
Monte Azul Paulista
3 19,65
SC
Joinvile
18 3,72
SP Piracicaba 31 1,15 RS
Cachoeirinha
8 0,85
SP
Santana de Parnaíba
6 2,17 RS
Santa Rosa
5 1,64
SP São Carlos 5 9,46 RS
São Leopoldo
12 0,94
SP
São Joaquim da Barra
1 3,27
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A9
Os clusters da atividade 29.2 - Fabricação de máquinas e equipamentos de
uso geral com os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
SP Araraquara
30 2,09 MG
Belo Horizonte
112 0,29
SP Araras 19 1,08 MG
Betim
24 0,25
SP Campinas
120 0,57 MG
Contagem
70 0,45
SP Cotia 29 1,14 MG
Vespasiano
5 3,23
SP Diadema 89 0,71 ES
Aracruz
8 4,25
SP Guarulhos 90 0,36 ES
Serra
8 0,68
SP Itatiba 25 0,71 RJ Rio
de Janeiro
201 0,43
SP Jacareí 22 1,04 PR
Araucária
17 1,20
SP Jundiaí 48 0,28 PR
Colombo
16 1,15
SP Limeira 55 0,35 PR
Curitiba
159 0,39
SP Mauá 35 0,51 PR
Londrina
37 0,36
SP Piracicaba 90 1,02 SC
Blumenau
48 0,24
SP Santa Bárbara Doeste
48 0,50 SC
Joinvile
116 0,27
SP Santo André
84 0,38 RS
Canoas
86 1,72
SP
São Bernardo do Campo
93 0,51 RS
Caxias do Sul
183 0,74
SP São Caetano
do Sul
58 0,41 RS
Erechim
33 0,80
SP
São Jose dos Campos
38 0,30 RS
Guaíba
17 3,37
SP São Paulo 1125 0,41 RS
Novo Hamburgo
77 0,30
SP Sertãozinho
60 2,04 RS
Porto Alegre
178 0,33
SP Sorocaba 51 0,47
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A10
Os clusters da atividade 29.3 - Fabricação de tratores e de máquinas e equipamentos
para a agricultura, avicultura e obtenção de produtos animais com os respectivos
ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
SP Amparo 2 1,68 SC Araranguá 9
5,42
SP
Espírito Santo do Pinhal
30 6,91 SC Jaraguá do Sul 7
0,29
SP Itapira 35 4,77 RS Cachoeira do Sul
15
8,51
SP Itu 2 1,11 RS Canoas 4
4,35
SP Limeira 34 0,90 RS Carazinho 21
12,34
SP
Mogi das Cruzes
7 2,16 RS Gravataí 4
0,79
SP Piracicaba 16 0,51 RS Horizontina 7
31,74
SP Jaboticabal 5 2,00 RS Ibiruba 11
23,66
SP Matão 29 14,36
RS Ijui 14
6,36
SP Pindorama
3 15,83
RS Marau 3
2,13
SP Ribeirão Preto
14 1,06 RS Não Me Toque
14
29,77
SP Sertãozinho
8 0,65 RS Panambi 23
9,91
SP Pompéia 12 21,94
RS Passo Fundo 25
9,73
PR Curitiba 16 0,86 RS Santa Rosa 20
14,94
PR São Jose dos Pin
hais
8 0,51 RS
Santo Antonio da Patrulha
16
3,09
PR Cascavel 15 2,22
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A11
Os clusters da atividade 29.4 - Fabricação de máquinas-ferramenta com
os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
MG
Betim 11 0,62 SP
São Paulo
216 0,34
SP Americana
4 2,81 SP
Sorocaba
26 1,59
SP
Bragança Paulista
29 1,26 SP
Vinhedo
4 1,33
SP
Campo Limpo Paulista
3 3,76 PR
Ponta Grossa
2 3,49
SP Diadema 37 1,33 PR São Jose dos Pinhais
8 0,68
SP Indaiatuba 5 0,73 SC
Balneário Camboriu
1 5,65
SP Jundiaí 12 0,59 SC
Ibirama
1 8,10
SP Limeira 29 2,00 SC
Joinvile
37 0,41
SP Piracicaba 9 0,28 SC
Rio do Sul
7 4,24
SP Salto 3 2,27 SC
Rio Negrinho
6 0,92
SP San
ta Bárbara Doeste
5 8,09 RS
Caxias do Sul
52 0,36
SP Santo André
21 0,31 RS
Gravataí
9 1,15
SP São Bernardo do Campo
23 1,34 RS
São Leopoldo
7 6,96
SP São Carlos 7 0,38 RS
São Sebastião do Cai
1 2,76
SP
São Jose dos Campos
14 0,53
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A12
Os clusters da atividade 29.5 - Fabricação de máquinas e equipamentos de usos na
extração mineral e construção com os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
MG
Betim
2 0,71 SP Barueri
3 0,35
MG
Contagem
5 1,62 SP
Indaiatuba
2 0,41
MG
Itabirito
1 6,91 SP
Itu
3 0,91
MG
Lagoa Santa
2 5,78 SP Limeira
4 0,92
MG
Santa Luzia
1 2,29 SP
Osasco
3 1,10
RJ
Belford Roxo
3 7,77 SP
Piracicaba
5 11,77
RJ
Macaé
11 20,42 SP Rio Cl
aro
2 0,42
RJ
Rio de Janeiro
26 0,58 SP
Sorocaba
7 1,76
RJ
Sumidouro
1 70,32 SP
Suzano
1 3,25
RS
Cachoeirinha
3 3,37 SP
Taubaté
3 1,41
RS
Caxias do Sul
3 0,37 PR
Colombo
8 1,04
RS
Eldorado do Sul
1 7,67
RS
Porto Alegre
7 0,47
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A13
Os clusters da atividade 29.6 - Fabricação de outras máquinas e equipamentos de
uso específico com os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
SP Araraquara
7 0,68 BA
Dias D Ávila
10 6,17
SP Bauru 26 0,55 MG
Ouro Branco
3 2,71
SP Franca 51 0,22 MG Ve
spasiano
3 2,29
SP Sertãozinho
41 0,59 PR
Curitiba
87 0,60
SP Ourinhos
6 2,32 PR
Pinhais
28 1,08
SP
Americana
34 0,44 SC
Blumenau
62 0,26
SP Campinas
54 0,71 SC
Brusque
17 0,37
SP Cotia 14 0,95 SC
Jaraguá do Sul
42 0,43
SP Diadema
56 0,57 SC
Joinvile
53 0,27
SP Guarulhos
101 0,40 SC
Pomerode
4 1,60
SP Indaiatuba
17 0,44 SC
Chapecó
35 0,61
SP Itaquaquecetuba
16 0,47 RS
Bento Gonçalves
18 0,45
SP Itu 16 0,46 RS
Cachoeirinha
29 1,80
SP Limeira 38 0,66 RS
Canoas
42 0,57
SP Mauá 17 0,47 RS
Caxias do Sul
160 0,47
SP Osasco 25 0,31 RS
Guaporé
6 2,02
SP Piracicaba
59 1,78 RS
Novo Hamburgo
159 1,02
SP
Santo André
57 0,50 RS
Porto Alegre
98 0,53
SP
São Bernardo do Campo
68 0,31 RS
São Leopoldo
34 0,49
SP São Paulo
809 0,46 RS Pelotas
8 0,81
SP Sorocaba
43 0,81
SP
Taboão da Serra
16 0,64
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A14
Os clusters da atividade 29.7 - Fabricação de armas, munições e equipamentos
militares com os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
SP Jacareí 1 17,70 RS
Montenegro
1 16,87
SP Lorena 2 8,67 RS
Porto Alegre
4 6,84
SP
Ribeirão Pires
2 41,32 RS
São Leopoldo
3 15,54
SP
São Jose dos Campos
5 1,77 RS
Veranopolis
3 20,38
MG Itajubá 2 37,1
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A15
Os clusters da atividade 29.8 - Fabricação de eletrodomésticos com
os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
SP Campinas
10 1,22 AM
Manaus
6 0,49
SP Catanduva
14 2,80 BA
Camaçari
6 1,87
SP Guarulhos
13 0,33 MG
Uberaba
6 3,00
SP Hortolândia
1 2,33 PR
Curitiba
12 1,31
SP Itu 6 1,46 SC Brusque
3 0,59
SP
Mogi das Cruzes
3 0,58 SC
Joinvile
4 2,80
SP Rio Claro
1 2,31 SC
Timbó
2 1,90
SP São Carlos
10 2,16 RS Caxias d
o Sul
21 0,59
SP
São Jose do Rio Preto
13 0,42 RS
Vacaria
1 5,60
SP São Paulo
120 0,73 RS
Venâncio Aires
10 6,25
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A16
Os clusters da atividade 29.9 - Manutenção e reparação de máquinas e
equipamentos com os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
SP Americana 13 1,19 PE
Recife
6 0,74
SP
Araçariguama
1 8,21 BA
Salvador
17 1,52
SP
Bom Jesus dos Perdões
1 7,06 MG Belo Horizont
e
41 0,85
SP Campinas 13 0,42 ES
Vitória
10 28,31
SP Cotia 6 1,73 RJ
Macaé
11 17,54
SP Jacareí 2 1,31 RJ Ri
o de Janeiro
58 0,53
SP Jundiaí 16 0,35 PR
Curitiba
41 0,36
SP Rio das Pedras
5 4,90 PR
Londrina
9 1,72
SP
Santana de Parnaíba
21 1,24 PR
Pinhais
8 2,14
SP Santo André
24 1,56 PR
Ponta Grossa
7 0,98
SP Santos 13 5,48 SC
Jaraguá do Sul
7 0,38
SP
São Jose dos Campos
18 0,31 SC
Joinvile
23 0,32
SP São Paulo 191 0,48 SC
Otacílio Costa
11 11,30
RS Porto Alegre 32 0,68 GO
Goiânia
13 0,41
RS Sapucaia do Sul
7 1,48 DF
Brasília
22 1,51
MT Cuiabá 5 1,27
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A17
Os clusters da atividade 30.1 - Fabricação de máquinas para escritório com os
respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
AM
Manaus
18 1,29
SP
Campinas
5 0,41
BA Salvador
4 1,81
SP
Hortolândia
1 64,70
BA
Simões Filho
1 10,16
SP Itatiba
1 1,43
MG
Belo Horizonte
6 0,72
SP
Mairiporã
1 5,27
PR C
uritiba
16 2,22
SP
São Jose dos Campos
3 0,85
RS
Porto Alegre
7 1,29
SP
São Paulo
67 0,37
GO
Goiânia
5 0,44
SP
Sorocaba
1 0,59
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A18
Os clusters da atividade 30.2 - Fabricação de máquinas e equipamentos
de sistemas eletrônicos para processamento de dados com os
respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
AM
Manaus
37 1,89 SP Barueri 24 1,60
BA Ilhéus
63 13,27
SP Campinas
21 0,28
BA
Salvador
1328
0,54 SP Diadema
6 0,29
MG
Belo Horizonte
7 0,31 SP Hortolândia
7 4,48
MG
Contagem
7 0,50 SP Piedade 3 15,29
MG Itajubá
7 1,81 SP
São Bernardo do Campo
11 0,21
MG
Santa Rita do Sapucaí
7 7,74 SP
São Caetano do Sul
5 0,37
RJ Itatiaia
1 17,09
SP São Paulo
246 0,71
RJ
Resende
1 3,69 SP Sorocaba
10 1,79
RJ
Rio de Janeiro
53 0,29 SP Taubaté 2 3,74
PR
Campo Mourão
1 4,20 RS
Eldorado do Sul
2 11,76
PR
Maringá
6 0,41 RS Gravataí 2 2,07
PR
Curitiba
31 0,81 RS
Porto Alegre
45 1,16
SC
Florianópolis
13 1,56 RS
São Leopoldo
4 0,49
DF Brasília
14 0,64
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A19
Os clusters da atividade 31.1 - Fabricação de geradores, transformadores e
motores elétricos com os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
SP
Birigui
6 0,68 AM
Manaus
11 0,31
SP
Garça
7 9,86 MG
Contagem
16 1,52
SP
Matão
6 2,04 MG
Santa Luzia
2 1,75
SP
Campinas
14 1,07 MG
Itajubá
1 4,74
SP
Guarulhos
9 1,09 MG
Santa Rita do Sapucaí
7 2,77
SP
Indaiatuba
3 0,67 SC
Blumenau
6 1,14
SP
Itu
6 0,94 SC
Jaraguá do Sul
10 15,94
SP
Jaguariúna
2 1,02 RS
Cachoeirinha
6 2,51
SP
Jundiaí
12 1,06 RS
Canoas
5 1,77
SP
Mogi Mirim
5 2,85 RS Caxias do Sul
28 1,38
SP
Osasco
6 2,90 RS
Gravataí
8 1,60
SP
São Paulo
153 0,43 MT
Cuiaba
8 0,95
SP
Taboão da Serra
1 0,74
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A20
Os clusters da atividade 31.2 - Fabricação de equipamentos para distribuição
e controle de energia elétrica com os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
SP
Americana
2 0,77 CE
Fortaleza
7 0,54
SP Barueri 8 0,76 CE
Maracanau
4 0,48
SP Cajamar
2 0,78 PE
Recife
7 0,38
SP
Campinas
15 0,62 MG
Contagem
20 1,30
SP
Embu Guaçu
2 5,14 MG
Montes Claros
5 1,18
SP Guararema
3 7,02 ES
Serra
6 0,47
SP Guarulhos
21 0,50 RJ
Rio de Janeiro
39 0,49
SP Limeira 8 0,48 SC
Blumenau
8 0,28
SP Port
o Ferreira
9 8,60 SC
Chapecó
4 0,57
SP
São Bernardo do Campo
12 0,42 SC
Itajaí
1 0,79
SP São Paulo
182 0,68 SC
Jaraguá do Sul
5 0,70
SP Sumaré
1 0,66 RS
Canoas
8 1,31
SP Tatuí 2 1,81 RS
Carlos Barbosa
1 1,95
SP
São Jose do Rio Preto
8 0,67 RS
Caxias do Sul
25 0,44
SP Bauru 6 0,54 RS
Porto Alegre
32 1,42
PR
Campo Largo
1 4,92 RS
Panambi
10 6,31
PR Curitiba 27 0,70
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A21
Os clusters da atividade 31.3 - Fabricação de fios, cabos e condutores elétricos isolados com os
respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
AM Manaus 9 1,47 (Continuação)
MG Guaxupe
7 19,58
SP Itu
1 0,61
MG Itajuba 2 1,81 SP Itupeva
2 1,43
MG Itapeva 1 39,62
SP
Lorena
3 9,38
MG
Três Corações
2 5,07 SP
Poa
6 6,25
SP Rio Claro 6 4,63 SP Santa Branca
4 65,51
SP
São João da Boa Vista
8 5,26 SP
Santo André
10 1,22
SP Americana
1 0,88 SP
São Paulo
113 0,39
SP Campinas
14 1,02 SP Soro
caba
10 1,35
SP Carapicuíba
2 2,76 SP
Ribeirão Preto
3 0,69
SP Cerquilho
3 5,55 SP
Olimpia
5 16,00
SP Diadema
12 0,51 PR
Curitiba
5 0,63
SP Embu 6 7,76 PR
Pinhais
5 1,01
SP
Embu Guaçu
2 5,71 PR
São Jose dos Pinhais
2 0,82
SP
Ferraz de Vasconcelos
4 8,65 RS
Canoas
5 0,56
SP Guarulhos
16 0,35 RS
Caxias do Sul
9 0,75
SP Itatiba 2 1,56 RS
Sapucaia do Sul
2 1,36
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A22
Os clusters da atividade 31.4 - Fabricação de pilhas, baterias e acumuladores
elétricos com os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
PE Ipojuca 2 3,83 PR
Apucarana
2 2,31
PE
Jaboatão dos Guararapes
7 8,25 PR
Cianorte
4 1,83
SP Bauru 5 23,64 PR Londrina
9 1,81
SP Guarulhos 8 0,45 PR
Rolandia
5 1,76
SP Itapetininga 1 6,25 PR
Marmeleiro
3 23,31
SP Rafard 1 12,66 PR Realez
a
3 16,82
SP
São Jose dos Campos
2 2,09 PR
Vitorino
2 57,08
SP Sorocaba 7 4,48
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A23
Os clusters da atividade 31.5 - Fabricação de lâmpadas e equipamentos de iluminação com os
respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
PE Recife
11 1,50 (Continuação)
MG
Belo Horizonte
20 0,24 SP
Guarulhos
21 0,27
MG
Contagem
5 0,39 SP
Indaiatuba
3 0,87
MG
Ouro Fino
2 13,10 SP Ipero 3 3,55
MG
Uberlândia
10 0,42 SP
Itapevi
2 1,99
RJ
Angra dos Reis
1 1,82 SP Itatiba
4 0,66
RJ
Itaguaí
1 8,16 SP
Jundiaí
2 0,22
RJ
Rio de Janeiro
22 1,34 SP
Mauá
4 3,86
SC
Blumenau
12 0,34 SP
Osasco
3 1,60
SC Indaial
5 1,69 SP
Pirassununga
6 1,61
RS
Bento Gonçalves
7 0,77 SP
Ribeirão Preto
7 0,51
RS
Caxias do Sul
22 0,55 SP Salto
4 1,54
PR Cambe
6 1,26 SP
São Paulo
233 0,79
PR
Maringá
9 0,51 SP
Sumaré
5 0,64
SP
Diadema
16 0,56 SP
Taboão da Serra
6 1,29
SP Embu
3 1,50 SP
São Jose do Rio Preto
12 1,44
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A24
Os clusters da atividade 31.6 - Fabricação de material elétrico para veículos exceto baterias com os
respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
BA
Camaçari
3 0,69 (Continuação)
BA
Feira de Santana
2 3,64 SP Diadema
3 1,23
MG
Florestal
2 51,16 SP Guarulhos
5 2,12
MG
Itabirito
1 25,84 SP Indaiatuba
2 0,51
MG
Mateus Leme
1 16,23 SP Itapevi 1 7,80
MG
Matozinhos
1 2,94 SP Itatiba 1 7,37
MG
Para de Minas
1 2,90 SP Itu 3 1,09
MG
Itajubá
1 6,33 SP Itupeva 1 2,73
MG
Paraisopolis
4 57,32 SP Limeira 3 0,45
MG
Pocos de Caldas
3 1,10 SP
Mogi das Cruzes
3 5,15
MG
Pouso Alegre
2 5,02 SP Pederneiras
32 17,37
SP
Araras
1 1,41 SP
São Bernardo do Campo
6 0,96
SP
Barueri
4 0,30 SP Tatuí 1 8,93
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A25
Os clusters da atividade 31.8 - Manutenção e reparação de máquinas,
aparelhos e materiais elétricos com os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
AM
Manaus
7 5,21 SP
Artur Nogueira
2 5,17
BA
Salvador
6 0,42 SP
Cosmópolis
1 10,95
MG
Betim
2 1,18 SP Jundiaí
2 0,78
MG
Contagem
7 0,95 SP
São Jose dos Campos
1 0,41
MG
Para de Minas
1 2,71 SP
São Paulo
42 0,26
MG
Santa Luzia
1 2,14 SP
Votorantim
1 3,16
MG
Sarzedo
1 72,12
SP
Bebedouro
2 3,01
RS
Canoas
1 0,54 SP Matão
1 2,42
RS
Caxias do Sul
7 0,28 SP
Ribeirão Preto
2 0,40
RS
Porto Alegre
10 0,90 MG
Monte Santo de Minas
1 167,57
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A26
Os clusters da atividade 31.9 - Fabricação de outros equipamentos e
aparelhos elétricos com os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
AM
Manaus
24 0,81
(Continuação)
PE Recife
19 0,28
SP
Vinhedo
5 0,83
SP
Americana
5 0,23
SP Tatuí 3 1,78
SP Araras
8 1,21
MG Santa Rita do Sapucaí
11 3,38
SP Barueri
11 0,81
SP
Garça
8 5,29
SP
Boituva
5 3,93
PR
Curitiba
76 0,26
SP
Bragança Paulista
6 5,56
PR São Jose dos
Pinhais
5 2,06
SP
Campinas
30 0,25
SC
Jaraguá do Sul
12 0,69
SP Cotia
11 0,56
SC
Joinvile
20 0,23
SP
Diadema
26 0,26
RS Can
oas
18 1,04
SP Itu 16 3,59
RS
Caxias do Sul
61 0,57
SP
Osasco
14 0,37
RS
Porto Alegre
66 0,45
SP
Pedreira
8 2,90
MG
Belo Horizonte
59 0,61
SP
Pirapora do Bom Jesus
2 25,71
MG Betim 12 0,91
SP
Santo André
11 0,22
MG
Contagem
19 0,83
SP
São Jose dos Campos
17 0,22
MG Uberaba
6 0,75
SP
São Paulo
563 0,60
RJ
Rio de Janeiro
73 0,25
SP
Sorocaba
8 0,32
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A27
Os clusters da atividade 32.1 - Fabricação de material eletrônico básico
com os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
MG
Contagem
6 0,68 (Continuação)
MG
Santa Rita do Sapucaí
52 9,76 SP
Suzano
4 0,44
SP Barueri
12 0,44 SP
Taboão da Serra
12 0,92
SP
Campinas
23 0,52 SP Garça
19 7,15
SP
Carapicuíba
5 3,05 PR
Almirante Tamandaré
6 6,21
SP
Diadema
16 0,43 PR
Colombo
4 1,21
SP Itu 2 1,03 PR Londri
na
14 0,42
SP
Jaguariúna
7 7,01 RS
Caxias do Sul
39 0,22
SP Jundiaí
7 1,00 RS
Gravataí
21 4,88
SP Mauá
3 0,86 RS
Porto Alegre
52 0,36
SP
Ribeirão Pires
3 1,26 AM
Manaus
62 3,58
SP
São Jose dos Campos
24 2,72 PE Recife
13 1,33
SP
São Paulo
366 0,45
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A28
Os clusters da atividade 32.2 - Fabricação de aparelhos e equipamentos
de telefonia e radiotelefonia e de transmissores de televisão e rádio
com os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
MG
Santa Rita do Sapucaí
25 8,72 (Continuação)
SP Barueri
14 0,45 SP
Taubaté
2 1,70
SP
Campinas
20 1,39 SP
Votorantim
2 16,38
SP Embu
1 1,22 RJ
Rio de Janeiro
62 0,34
SP Itu 2 0,80 PR Curitiba
29 1,36
SP
Jaguariúna
4 23,03
PR
Maringá
5 0,55
SP
São Caetano do Sul
7 0,67 SC
Florianópolis
3 3,33
SP
São Jose dos Campos
17 0,56 SC Sao Jo
se
8 11,74
SP
São Paulo
181 0,65 AM
Manaus
27 3,95
SP
Sorocaba
9 0,55
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A29
Os clusters da atividade 32.3 - Fabricação de aparelhos receptores de rádio e
televisão e de reprodução, gravação ou amplificação de som e vídeo
com os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
SP
Indaiatuba
1 0,68 SP
Presidente Prudente
5 1,98
SP
Itaquaquecetuba
3 1,93 SC
Rio do Sul
7 3,26
SP
Osasco
3 0,93 RS Ca
choeirinha
3 1,23
SP
Poá
1 1,38 RS
Nova Santa Rita
3 14,83
SP
São Paulo
101 0,33 AM
Manaus
42 11,50
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A30
Os clusters da atividade 32.9 - Manutenção e reparação de aparelhos e
equipamentos de telefonia e radiotelefonia e de transmissores de televisão
e rádio (exceto telefones) com os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
RJ Rio de Janeiro 15 0,68
SP Santana de Parnaíba 1 9,15
SP São Paulo 16 1,28
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A31
Os clusters da atividade 33.1 - Fabricação de aparelhos e instrumentos
para usos médico-hospitalares, odontológicos e de laboratórios e
aparelhos ortopédicos com os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
SP
Amparo
5 1,42 SP
Sorocaba
9 1,10
SP
Araraquara
10 0,70 SP
São Jose do Rio Preto
17 3,04
SP
Barueri
6 0,37 PR Curitiba
51 0,83
SP
Campinas
38 0,59 SC
Joinvile
6 0,67
SP
Diadema
14 0,35 PR
Londrina
24 0,57
SP
Guarulhos
13 0,23 RS
Cachoeirinha
4 1,06
SP
Jaú
6 1,19 RS
Canoas
11 1,04
SP
Mogi das Cruzes
7 0,75 RS
Porto Alegre
84 0,47
SP
Mogi Mirim
9 3,78 GO
Goiânia
22 0,22
SP
Osasco
6 0,31 PE
Recife
22 0,56
SP
Piracicaba
17 0,50 MG
Belo Horizonte
82 0,46
SP
Ribeirão Preto
66 5,07 MG
Nova Lima
6 13,82
SP
Rio Claro
16 2,27 MG
Juiz de Fora
13 4,52
SP
São Carlos
12 0,62 RJ
Rio de Janeiro
81 0,27
SP São Paulo
371 0,66
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A32
Os clusters da atividade 33.2 - Fabricação de aparelhos e instrumentos de
medida, teste e controle - exceto equipamentos para controle de processos
industriais com os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
MG
Ouro Fino
1 15,96
(Continuação)
MG
Santa Rita do Sapucaí
2 3,91 SP
Poá
2 2,11
SP Barueri
3 0,22 SP
Salto
1 7,32
SP
Bragança Paulista
1 1,07 SP
São Caetano do Sul
6 3,05
SP Diadema
7 1,73 SP
São Paulo
108 0,75
SP
Embu
1 3,27 SP
Suzano
1 1,55
SP
Guarulhos
8 1,50 PR
São Jose dos Pinhais
2 0,35
SP Ipero
1 8,98 SC
Blumenau
3 0,22
SP
Itaquaquecetuba
2 1,32 SC
Joinvile
4 0,33
SP Itu 2 0,74 RS
Cachoeira do Sul
2 9,26
SP Mairinque
1 3,36 RS
Gravataí
2 0,53
SP
Nova Odessa
2 2,04 RS
Porto Alegre
19 1,22
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A33
Os clusters da atividade 33.3 - Fabricação de máquinas, aparelhos e
equipamentos de sistemas eletrônicos dedicados à automação industrial
e controle do processo produtivo com os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
MG
Belo Horizonte
13 0,57 SC
Jaraguá do Sul
3 2,84
MG
Pedro Leopoldo
2 2,41 SC
Blumenau
3 0,46
SP
Barueri
9 1,07 SC
Florianópolis
2 2,05
SP
Campinas
17 0,25 RS
Campo Bom
5 0,47
SP
Cotia
7 0,49 RS
Canoas
11 0,65
SP
Diadema
7 0,43 RS
Caxias do Sul
10 0,25
SP
Embu
2 1,83 RS
Gravataí
6 2,09
SP
Itapecerica da Serra
2 5,51 RS
Guaíba
4 11,33
SP Osasco
1 0,93 RS
Porto Alegre
26 0,65
SP
São Paulo
130 0,72 RS
São Leopoldo
6 0,65
SP
Sorocaba
8 0,69
SP
São Carlos
8 1,17
SP Sertãozi
nho
6 14,51
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A34
Os clusters da atividade 33.4 - Fabricação de aparelhos, instrumentos e
materiais ópticos, fotográficos e cinematográficos com os respectivos
ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
PI
Teresina
6 0,54
SP
Campinas
23 3,73
CE Fortaleza
17 0,35
SP
Mauá
1 0,60
BA
Feira de Santana
5 1,00
SP
Morungaba
1 8,21
MG
Belo Horizonte
18 0,49
SP
Osasco
6 2,08
RJ Duque de Caxias
6 0,35
SP
Rio Claro
3 0,90
RJ
Petrópolis
6 8,58
SP
Santo André
3 0,55
RJ
Rio de Janeiro
44 0,86
SP
São Carlos
4 1,41
RS Porto Alegre
20 1,40
SP
São Paulo
121 0,56
RS
São Leopoldo
6 0,87
SP
Suzano
1 1,33
SP
Barretos
5 1,89
SP
Taubaté
5 1,49
SP São Jo
se do Rio Preto
6 0,81
AM
Manaus
20 1,37
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A35
Os clusters da atividade 33.5 - Fabricação de cronômetros e relógios
com os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
AM
Manaus
19 14,28
SP
Campinas
1 0,35
RJ
Rio de Janeiro
6 0,97 SP San
tana de Parnaíba
1 1,19
RJ
Teresópolis
1 4,26 SP
São Caetano do Sul
1 0,59
PR
Curitiba
5 0,41 SP
São Paulo
31 0,72
PR
Pinhais
1 1,23 MG
Belo Horizonte
7 0,82
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A36
Os clusters da atividade 33.9 - Manutenção e reparação de equipamentos
médico-hospitalares, instrumentos de precisão e ópticos e equipamentos
para automação industrial com os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
DF
Brasília
6 0,33 PR
Curitiba
15 0,33
SP
Americana
2 15,54 PR
Pinhais
1 2,33
SP
Araras
1 4,31 SC
Joinvile
1 0,37
SP
Barueri
1 0,38 CE
Eusébio
1 1,30
SP
Limeira
1 1,19 CE
Fortaleza
7 0,72
SP
Piracicaba
1 1,46 CE
Horizonte
1 3,39
SP
Rio das Pedras
1 25,04 MG Belo Horizont
e
12 2,42
SP
Sorocaba
4 0,27 MG
Contagem
3 0,81
SP
Taboão da Serra
3 0,67 MG
Rio Acima
1 262,64
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A37
Os clusters da atividade 34.1 - Fabricação de automóveis, caminhonetas e
utilitários com os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
MG Betim 7
6,84
SP Indaiatuba 1
1,55
SP São Bernardo do Campo 17
4,42
SP São Caetano do Sul 1
5,60
SP São Jose dos Campos 3
4,84
SP Sumaré 1
1,80
SP Taubaté 7
8,62
PR Curitiba 5
0,76
PR São Jose dos Pinhais 3
2,54
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A38
Os clusters da atividade 34.2 - Fabricação de caminhões e ônibus com os
respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
RJ Resende 6 13,05
SP Campinas 3 0,91
SP São Bernardo do Campo 4 9,83
RS Caxias do Sul 7 1,19
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A39
Os clusters da atividade 34.3 - Fabricação de cabines, carrocerias e reboques com os respectivos
ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
PE
Jaboatão dos Guararapes
7 0,58
PR
Quatro Barras
3 3,23
RJ
Duque de Caxias
10 2,17
PR
São Jose dos Pinhais
6 1,15
SP Botucatu 8 10,46
SC
Joinvile
13 2,25
SP Guarulhos 25 0,40
RS
Caxias do Sul
40 6,29
SP
São Jose do Rio Preto
10 1,84
RS Sapucaia do Sul
9 2,11
SP Votuporanga
10 11,50
GO
Anápolis
19 0,57
PR Cascavel 12 1,79
GO
Goiânia
40 0,24
PR Ibiporã 3 2,86
MG Betim
5 0,24
PR Sarandi 6 9,99
MG
Pouso Alegre
5 4,86
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A40
Os clusters da atividade 34.4 - Fabricação de peças e acessórios para
veículos automotores com os respectivos ICs e NE de cada município
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
UF
(1)
MUNICÍPIOS
NE
(2)
IC
(3)
AM
Manaus
22 0,38 (Continuação)
BA Camaçari
19 0,59 SP Piracicaba
18 0,46
MG
Betim
31 0,54 SP
Ribeirão Pires
16 1,13
MG
Contagem
23 0,59 SP
Santo André
31 0,44
MG
Extrem
a
8 2,47 SP
São Bernardo do Campo
62 0,77
MG
Itajubá
6 2,52 SP
São Caetano do Sul
29 0,59
MG
Lavras
4 3,55 SP
São Jose dos Campos
8 0,23
MG
Três Corações
2 2,31 SP São Paulo
578 0,43
SP
Aruja
4 1,44 SP Sorocaba
28 1,35
SP
Campinas
32 1,17 SP
Taboão da Serra
9 1,11
SP
Cruzeiro
3 4,90 SP Taubaté
14 0,65
SP
Diadema
52 0,65 SP Valinhos
9 2,03
SP
Guarulhos
88 0,62 SP Várzea Paulista
4 1,08
SP
Hortolândia
11 1,08 PR Curitiba 59 0,69
SP
Indaiatuba
32 1,15 PR
São Jose dos Pinhais
38 0,62
SP
Limeira
36 1,22 SC Brusque
7 0,38
SP
Mauá
24 1,25 RS Canoas
22 0,57
SP
Mogi Guacu
12 2,56 RS
Caxias do Sul
92 0,67
SP
Mogi Mirim
4 1,62 RS Gravataí
25 0,80
SP
Nova Odessa
3 1,15 RS
Porto Alegre
52 0,43
SP
Osasco
28 0,86 RS
São Marcos
22 2,99
(1) Unidade da Federação; (2) Índice de concentração; (3) Número de estabelecimentos.
Tabela A41
Atividade 24.1 - Municípios concentradores de emprego na fabricação de
produtos químicos inorgânicos pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1 FAC2-1
PA Barcarena 5 11,33
52,7413
0,0250
0,0255
0,4804
0,5637
PE
Jaboatão dos Guararapes
5 0,91
4,1919
0,0070
0,0092
-0,4010
-0,5332
PE Recife 10 0,42
1,9135
0,0045
0,0094
-0,4611
-0,5907
SE Laranjeiras 4 6,85
31,8933
0,0103
0,0107
-0,3285
0,1374
BA Barreiras 5 6,63
30,8794
0,0078
0,0081
-0,4745
0,1273
BA Camaçari 10 2,92
13,4570
0,0370
0,0399
1,3469
-0,4818
BA Candeias 13 7,07
32,9076
0,0138
0,0143
-0,1250
0,1418
BA Simões Filho
6 0,80
3,7069
0,0044
0,0061
-0,5645
-0,5274
MG Araxá 4 6,75
31,4422
0,0141
0,0146
-0,1041
0,1041
MG Contagem 8 0,26
1,1821
0,0011
0,0073
-0,6177
-0,5970
MG Divisa Alegre
1 30,92
144,2017
0,0060
0,0061
-0,8732
2,9169
MG Patos de Minas
5 1,92
8,9144
0,0053
0,0060
-0,5554
-0,3991
MG Poços de Caldas
5 2,14
9,9425
0,0120
0,0133
-0,1477
-0,4160
MG Sete Lagoas 1 0,61
2,8249
0,0039
0,0060
-0,5806
-0,5487
MG Uberaba 22 4,51
20,8795
0,0415
0,0436
1,5689
-0,3208
MG Varginha 9 1,72
7,9775
0,0071
0,0081
-0,4386
-0,4342
ES Viana 2 4,27
19,8737
0,0059
0,0062
-0,5586
-0,1317
RJ Arraial do Cabo
2 35,91
167,4309
0,0214
0,0216
-0,0303
3,3978
RJ Rio de Janeiro
44 0,59
2,5571
0,0386
0,0635
2,1070
-0,8852
SP Barueri 4 0,30
1,3892
0,0019
0,0066
-0,6181
-0,5876
SP Cajati 2 22,05
102,7826
0,0153
0,0155
-0,2231
1,8478
SP Campinas 14 0,28
1,2914
0,0024
0,0106
-0,4859
-0,6131
SP Cubatao 24 9,85
45,6202
0,0851
0,0870
4,0413
0,0382
SP Guará 4 22,54
105,1220
0,0071
0,0072
-0,7088
1,9524
SP Jundiaí 8 0,51
2,3556
0,0075
0,0131
-0,2661
-0,6010
SP Osasco 8 0,84
3,8613
0,0103
0,0139
-0,1645
-0,5686
SP Paulínia 13 5,64
26,1764
0,0325
0,0338
1,0042
-0,1346
SP
São Jose dos Campos
11 0,27
1,2358
0,0017
0,0091
-0,5479
-0,6060
SP Suzano 16 0,71
3,2968
0,0069
0,0099
-0,3787
-0,5596
SP Estiva Gerbi 2 9,18
42,8070
0,0063
0,0064
-0,5978
0,4291
PR Araucária 4 2,47
11,4761
0,0164
0,0180
0,1150
-0,4051
PR Paranaguá 45 20,20
94,0374
0,0535
0,0541
2,0410
1,4128
PR Ponta Grossa
11 0,99
4,5661
0,0080
0,0103
-0,3377
-0,5306
RS Canoas 15 0,90
4,1559
0,0077
0,0102
-0,3503
-0,5398
RS Porto Alegre 20 0,45
2,0702
0,0076
0,0148
-0,2132
-0,6177
RS Rio Grande 6 2,18
10,1332
0,0066
0,0074
-0,4778
-0,3772
RS Sapucaia do Sul
1 0,79
3,6829
0,0038
0,0052
-0,6082
-0,5230
GO Anápolis 16 0,79
3,6699
0,0058
0,0080
-0,4661
-0,5395
IC Médio e Pesos dos Índices (7) 5,31
21,44
39,67
38,90
-
-
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4) Quociente locacional; (5)
Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC médio foram excluídos os municípios com NE igual a um
e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component Total % of Variance Cumulative % 1
2
1 2,040
68,009
68,01
QL 0,371
0,928
2 0,931
31,050
99,06
0,986
-0,120
3 0,028
0,941
100,00
PR 0,965
-0,235
Tabela A42
Atividade 24.2 - Municípios concentradores de emprego na fabricação de
produtos químicos orgânicos pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1
FAC2-1
PA
Paragominas
8 1,24
5,9957
0,0043
0,0052
-0,5007
-0,5470
MA Sao Luis
2 0,94
4,5253
0,0050
0,0064
-0,4678
-0,5749
BA
Camacari
24 11,31
54,1564
0,1577
0,1607
4,7324
-0,1528
BA Candeias
3 6,06
29,3020
0,0123
0,0127
-0,2685
-0,1695
BA Itamaraju
3 9,13
44,1941
0,0050
0,0052
-0,5427
0,1059
BA
Simões Filho
4 0,66
3,1837
0,0036
0,0052
-0,5100
-0,5945
BA
Teixeira de Freitas
2 8,36
40,4199
0,0080
0,0082
-0,4332
0,0328
MG
Rio Pardo de Minas
7 29,68
143,6341
0,0057
0,0057
-0,6593
1,8050
MG
Santa Bárbara
9 51,78
250,5206
0,0221
0,0222
-0,2432
3,5875
MG
São João do Paraíso
14 23,70
114,6775
0,0143
0,0144
-0,3234
1,2858
MG
Taiobeiras
48 34,46
166,6773
0,0275
0,0277
0,0597
2,1383
RJ
Duque de Caxias
12 0,90
4,2848
0,0124
0,0162
-0,1724
-0,6042
RJ
São Gonçalo
2 1,18
5,6804
0,0110
0,0134
-0,2450
-0,5739
SP
Campinas
9 0,40
1,8690
0,0071
0,0154
-0,2726
-0,6396
SP Cubatão
2 0,70
3,3720
0,0045
0,0064
-0,4729
-0,5944
SP Itupeva
5 3,28
15,8054
0,0130
0,0139
-0,2173
-0,4032
SP Mauá
9 1,98
9,4783
0,0281
0,0315
0,3533
-0,5582
SP Mogi das Cruzes
3 1,31
6,3129
0,0123
0,0146
-0,2049
-0,5663
SP
Mogi Mirim
4 1,09
5,2400
0,0046
0,0057
-0,4870
-0,5611
SP Paulinia
5 7,45
35,8844
0,0450
0,0463
0,8602
-0,1494
SP
Santo André
6 1,37
6,5317
0,0269
0,0317
0,3402
-0,6081
SP
São Caetano do Sul
3 0,94
4,5182
0,0100
0,0129
-0,2700
-0,5919
SP
Sorocaba
6 0,31
1,4783
0,0031
0,0097
-0,4373
-0,6320
SP Suzano
4 3,64
17,4268
0,0494
0,0524
1,0679
-0,4807
SP
Tremembe
3 16,01
77,4760
0,0065
0,0066
-0,5391
0,6711
SP
Várzea Paulista
2 4,46
21,5232
0,0212
0,0223
0,0603
-0,3286
PR
Telemaco Borba
1 2,06
9,9185
0,0075
0,0084
-0,3964
-0,4888
RS
Estância Velha
5 1,70
8,1688
0,0101
0,0115
-0,2978
-0,5268
RS Portão 4 1,50
7,2524
0,0048
0,0055
-0,4897
-0,5265
RS Taquari
1 9,36
45,2669
0,0110
0,0113
-0,3367
0,1074
RS Triunfo
3 23,56
113,8130
0,0617
0,0623
1,3137
1,1385
IC Médio e Pesos dos Índices (7) 8,40
20,66
39,78
39,55
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4) Quociente locacional
(5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC médio foram excluídos os municípios com
NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Compo
nent
Total % of Variance
Cumulative %
1
2
1 2,049
68,300
68,300
QL 0,376
0,926
2 0,927
30,911
99,211
HHM 0,986
-0,129
3 0,024
0,789
100,000
PR 0,968
-0,229
Tabela A43
Atividade 24.3 - Municípios concentradores de emprego na fabricação de produtos
químicos de resinas e elastômeros pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1
AM Manaus 5 0,47
1,5761
0,0071
0,0195
-0,4888
CE Horizonte 1 0,88
2,9932
0,0034
0,0050
-0,6878
PE
Cabo de Santo Agostinho
2 8,30
28,2570
0,0397
0,0412
0,3757
AL Maceio 2 4,60
15,6623
0,0245
0,0262
-0,0838
AL
Marechal Deodoro
2 6,84
23,3384
0,0106
0,0111
-0,3687
BA Camacari 11 9,49
32,1999
0,0926
0,0955
1,6847
BA Salvador 4 0,49
1,6683
0,0021
0,0053
-0,7102
MG Pocos de Caldas 2 8,70
29,6555
0,0384
0,0398
0,3545
ES Viana 1 4,82
16,4551
0,0048
0,0051
-0,5624
RJ Duque de Caxias
10 4,75
16,0759
0,0568
0,0606
0,7144
SP Araçariguama 1 3,88
13,2485
0,0047
0,0050
-0,5908
SP Atibaia 1 2,98
10,1500
0,0075
0,0084
-0,5415
SP Campinas 5 1,33
4,4599
0,0284
0,0366
-0,0049
SP Cubatao 5 1,33
4,5407
0,0067
0,0087
-0,5920
SP Diadema 13 0,36
1,2305
0,0019
0,0104
-0,6599
SP Guarulhos 7 1,54
5,1105
0,0628
0,0781
0,9003
SP Hortolândia 2 2,45
8,3330
0,0108
0,0123
-0,4703
SP Itaquaquecetuba 3 0,82
2,8025
0,0041
0,0064
-0,6635
SP Itatiba 2 1,05
3,5678
0,0044
0,0061
-0,6573
SP Lorena 4 3,88
13,2491
0,0075
0,0082
-0,5193
SP Mauá 10 3,08
10,4349
0,0313
0,0346
0,0561
SP Mogi das Cruzes
1 3,83
13,0082
0,0277
0,0300
-0,0214
SP Paulinia 3 1,28
4,3712
0,0043
0,0056
-0,6576
SP Rio Claro 1 2,72
9,2284
0,0225
0,0253
-0,1694
SP Santo André 7 3,69
12,4580
0,0556
0,0605
0,6699
SP
São Bernardo do Campo
8 0,63
2,0880
0,0168
0,0322
-0,2207
SP São Paulo 59 0,37
1,1278
0,0105
0,0929
0,3708
RS
Novo Hamburgo
5 0,45
1,5198
0,0033
0,0096
-0,6497
RS Triunfo 12 70,24
239,7339
0,1306
0,1312
4,1935
IC Médio e Pesos dos Índices (7) 5,35
29,26
37,02
33,72
-
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4) Quociente locacional;
(5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC médio foram excluídos os municípios
com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues
Component
Component Total
% of Variance
Cumulative %
1
1 2,512
83,720
83,720
QL 0,857
2 0,395
13,161
96,881
HHM 0,964
3 0,094
3,119
100,000
PR 0,920
Tabela A44
Atividade 24.4 - Municípios concentradores de emprego na fabricação de fibras,
fios cabos e filamentos contínuos artificiais pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1
FAC2-1
PE
Recife
2 0,46
2,1819
0,0058
0,0107
-0,6350
-0,5441
BA
Camaçari
2 10,74
50,6009
0,1471
0,1501
0,9941
-0,1650
BA
Simões Filho
1 3,51
16,6097
0,0255
0,0272
-0,4349
-0,4014
MG
Alfenas
1 67,24
319,9768
0,0945
0,0948
0,0283
2,9783
SP
Botucatu
4 4,07
19,3116
0,0244
0,0257
-0,4534
-0,3689
SP
Jacareí
1 6,82
32,2967
0,0554
0,0572
-0,0935
-0,2594
SP
Jundiaí
1 1,39
6,4751
0,0304
0,0360
-0,3405
-0,5260
SP
Paulínia
3 10,25
48,5952
0,0614
0,0627
-0,0440
-0,0804
SP
Santo André
4 13,99
65,4574
0,3130
0,3179
2,9805
-0,2023
SP
São Jose dos Campos
4 1,56
7,2260
0,0460
0,0534
-0,1434
-0,5380
PR
São Jose dos Pinhais
3 0,77
3,6476
0,0097
0,0133
-0,5977
-0,5312
RS
Gravataí
4 1,54
7,2455
0,0181
0,0210
-0,5058
-0,5000
RS
Torres
1 31,49
149,9754
0,0128
0,0129
-0,7546
1,1385
IC Médio e Pesos dos Índices (7)
5,00
20,99
39,57
39,44
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4) Quociente
locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC médio foram
excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component Total % of Variance
Cumulative
%
1
2
1 2,077
69,241
69,241
QL 0,374
0,928
2 0,923
30,752
99,993
HHM 0,986
-0,168
3 0,000
0,007
100,000
PR 0,983
-0,184
Tabela A45
Atividade 24.5 - Municípios concentradores de emprego na fabricação de
produtos farmacêuticos pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1
FAC2-1
CE Aquiraz 3 4,52
22,2070
0,0120
0,0126
-0,2007
2,3855
PE Recife 35 0,36
1,7268
0,0036
0,0085
-0,4725
-0,7649
MG Juiz de Fora 20 0,39
1,8814
0,0028
0,0059
-0,5207
-0,7403
MG Montes Claros
3 1,17
5,7152
0,0077
0,0094
-0,3692
-0,1456
MG Pouso Alegre
5 1,80
8,8272
0,0095
0,0107
-0,3088
0,3335
MG
São Sebastião do Paraíso
6 3,51
17,2123
0,0106
0,0112
-0,2586
1,6191
RJ
Duque de Caxias
13 0,41
2,0143
0,0038
0,0076
-0,4781
-0,7193
RJ Petrópolis 4 0,52
2,5491
0,0032
0,0052
-0,5205
-0,6364
RJ Rio de Janeiro 168 0,87
3,9270
0,0726
0,0974
2,0235
-0,3636
RJ São Gonçalo 13 2,19
10,7063
0,0229
0,0252
0,1443
0,6366
SP Barueri 22 0,99
4,7899
0,0180
0,0228
0,0025
-0,2778
SP Campinas 39 0,98
4,6979
0,0304
0,0386
0,4459
-0,2802
SP Cotia 14 0,98
4,7741
0,0085
0,0107
-0,3399
-0,2894
SP Embu Guaçu
1 2,38
11,6751
0,0047
0,0051
-0,4669
0,7643
SP Guarulhos 21 0,62
2,9042
0,0291
0,0444
0,4897
-0,5641
SP Hortolândia 13 3,12
15,2877
0,0211
0,0225
0,0862
1,3366
SP
Itapecerica da Serra
4 5,01
24,6242
0,0094
0,0098
-0,2810
2,7525
SP Itapira 6 1,41
6,9290
0,0079
0,0092
-0,3655
0,0407
SP Jaguariuna 6 0,88
4,2899
0,0055
0,0072
-0,4445
-0,3666
SP Ribeirão Preto 30 0,66
3,2100
0,0063
0,0092
-0,4050
-0,5322
SP
São Bernardo do Campo
11 0,36
1,6840
0,0106
0,0260
-0,1128
-0,7742
SP
São Jose dos Campos
10 0,46
2,2120
0,0090
0,0163
-0,2655
-0,6866
SP São Paulo 379 0,67
2,6197
0,1334
0,2158
4,7215
-0,5504
SP Sorocaba 11 0,33
1,5996
0,0039
0,0105
-0,4396
-0,7857
SP Suzano 2 0,58
2,8448
0,0056
0,0086
-0,4296
-0,5892
SP Taboão da Serra
5 1,37
6,6856
0,0122
0,0143
-0,2158
0,0080
PR Toledo 2 1,01
4,9403
0,0074
0,0093
-0,3774
-0,2649
RS Caxias do Sul 16 0,31
1,4863
0,0049
0,0151
-0,3628
-0,8057
RS Porto Alegre 64 0,32
1,5486
0,0039
0,0111
-0,4335
-0,7941
GO Anapolis 33 4,22
20,5759
0,0428
0,0450
0,8141
2,1725
GO
Aparecida de Goiânia
7 0,69
3,3922
0,0040
0,0056
-0,4971
-0,5059
GO Goiânia 45 0,56
2,6705
0,0122
0,0194
-0,1617
-0,6123
IC Médio e Pesos dos Índices (7) 1,36
20,32
39,75
39,93
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4)
Quociente locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC
médio foram excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component
Total % of Variance Cumulative % 1
2
1 2,077
69,241
69,241
QL 0,374
0,928
2 0,923
30,752
99,993
HHM 0,986
-0,168
3 0,000
0,007
100,000
PR 0,983
-0,184
Tabela A46
Atividade 24.6 - Municípios concentradores de emprego na fabricação de
defensivos agrícolas pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1 FAC2-1
CE
Maracanau
2 3,30
15,2701
0,0491
0,0525
0,5383
-0,4001
BA
Camacari
2 3,48
16,1576
0,0450
0,0479
0,3953
-0,3944
MG Ubera
ba
3 3,41
15,8824
0,0311
0,0332
-0,0830
-0,4230
ES
Aracruz
1 2,11
9,8838
0,0051
0,0057
-0,9801
-0,5562
RJ
Belford Roxo
1 23,06
107,9958
0,0394
0,0397
0,2254
0,9313
SP Cajamar
1 10,42
48,5616
0,0844
0,0862
1,7228
0,1483
SP
Campinas
5 0,40
1,8413
0,0069
0,0151
-0,8191
-0,6738
SP
Itapetininga
2 1,85
8,6749
0,0058
0,0066
-0,9539
-0,5726
SP Jacareí
2 2,52
11,7343
0,0190
0,0208
-0,4951
-0,5049
SP
Mairinque
6 12,18
57,0104
0,0322
0,0328
-0,0410
0,1775
SP
Paulinia
6 8,66
40,4210
0,0508
0,0521
0,5836
-0,0303
SP
Ribeirão Preto
12 1,20
5,5928
0,0132
0,0160
-0,6796
-0,6052
SP
Salto de Pirapora
1 13,05
61,1748
0,0117
0,0119
-0,7345
0,2011
SP
São Paulo
25 0,59
2,2501
0,1030
0,1854
3,4159
-0,5338
SP
São Vicente
1 11,64
54,5375
0,0132
0,0135
-0,6844
0,1075
SP
Sorocaba
3 1,40
6,4013
0,0355
0,0421
0,1217
-0,5551
PR
Arapongas
1 6,75
31,4171
0,0641
0,0662
1,0332
-0,1378
PR
Cambira
1 66,07
309,8305
0,0118
0,0119
-0,5862
3,8144
PR
Curitiba
6 0,22
1,0156
0,0002
0,0135
-0,9757
-0,7006
PR
Londrina
12 2,93
13,5442
0,0503
0,0543
0,5871
-0,4233
SC
Massaranduba
3 9,84
46,1114
0,0144
0,0148
-0,6480
-0,0128
RS
Cachoeirinha
2 3,94
18,3667
0,0262
0,0277
-0,2535
-0,3954
RS
Portão
1 5,17
24,1616
0,0177
0,0184
-0,5472
-0,3262
RS
Taquara
1 5,81
27,1947
0,0137
0,0142
-0,6814
-0,2891
RS Ta
quari
1 40,80
191,1788
0,0473
0,0476
0,5395
2,1544
IC Médio e Pesos dos Índices (7)
4,31
21,32
39,24
39,44
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4) Quociente
locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC médio foram excluídos os
municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component
Total % of Variance Cumulative % 1
2
1 2,077
69,241
69,241
QL 0,374
0,928
2 0,923
30,752
99,993
HHM 0,986
-0,168
3 0,000
0,007
100,000
PR 0,983
-0,184
Tabela A47
Atividade 24.8 - Municípios concentradores de emprego na fabricação tintas,
vernizes, esmaltes, lacas e produtos afins pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1
FAC2-1
PI Teresina 9 0,59
2,5763
0,0038
0,0062
-0,5154
-0,5652
CE Maracanau 4 1,32
5,7443
0,0163
0,0197
0,0756
-0,0922
PE Recife 15 0,53
2,3077
0,0064
0,0113
-0,3417
-0,6148
BA Salvador 7 0,51
2,1974
0,0038
0,0070
-0,4972
-0,6251
RJ Duque de Ca
xias
34 0,63
2,7490
0,0066
0,0104
-0,3590
-0,5442
RJ Rio de Janeiro
47 0,37
1,5504
0,0137
0,0385
0,4053
-0,8027
RJ Sao Goncalo
6 0,88
3,8303
0,0067
0,0090
-0,3878
-0,3762
SP Cajamar 3 2,54
11,0979
0,0179
0,0197
0,0995
0,7195
SP Cotia 3 1,41
6,1475
0,0115
0,0138
-0,1714
-0,0271
SP Diadema 29 0,62
2,6707
0,0141
0,0225
0,0844
-0,5732
SP Guarulhos 80 1,44
6,0316
0,0769
0,0922
3,1310
-0,0925
SP Indaiatuba 5 0,46
2,0007
0,0030
0,0059
-0,5420
-0,6538
SP Matão 9 1,06
4,6496
0,0052
0,0067
-0,4760
-0,2495
SP Mauá 11 2,13
9,2339
0,0273
0,0306
0,5733
0,4334
SP Osasco 6 0,44
1,9250
0,0033
0,0069
-0,5110
-0,6676
SP Piracicaba 7 0,49
2,1391
0,0050
0,0095
-0,4153
-0,6384
SP Salto 6 1,55
6,7871
0,0083
0,0097
-0,3423
0,0721
SP Santo André
10 0,53
2,2804
0,0062
0,0111
-0,3525
-0,6187
SP
São Bernardo do Campo
27 1,87
7,8209
0,1052
0,1207
4,4427
0,1763
SP São Paulo 115 0,27
1,0468
0,0039
0,0862
1,1354
-1,0923
SP São Roque 2 2,36
10,3510
0,0049
0,0055
-0,5265
0,6117
SP Sumare 5 3,88
16,9153
0,0287
0,0305
0,5818
1,5948
SP Suzano 6 0,67
2,9116
0,0058
0,0088
-0,4141
-0,5169
SP Taboão da
Serra
9 2,33
10,1346
0,0196
0,0217
0,1860
0,5732
PR Ibiporã 7 3,31
14,4897
0,0056
0,0060
-0,5140
1,2348
PR Londrina 17 0,45
1,9519
0,0038
0,0078
-0,4803
-0,6650
PR Quatro Barras
4 2,73
11,9402
0,0051
0,0056
-0,5238
0,8510
PR
São Jose dos Pinhais
19 0,32
1,3738
0,0014
0,0050
-0,5994
-0,7507
SC Criciúma 13 1,63
7,1130
0,0141
0,0164
-0,0562
0,1180
SC Guaramirim
2 4,25
18,6246
0,0101
0,0106
-0,3145
1,8564
SC
São Bento do Sul
9 0,84
3,6591
0,0045
0,0061
-0,5039
-0,3995
SC Sideropolis 5 8,09
35,4628
0,0056
0,0058
-0,5828
4,3915
RS Cachoeirinha
12 0,78
3,3907
0,0036
0,0051
-0,5461
-0,4392
RS Gravataí 9 1,84
7,9756
0,0202
0,0231
0,2374
0,2456
RS
Novo Hamburgo
18 0,72
3,0957
0,0132
0,0195
-0,0021
-0,5013
RS Porto Alegre 28 0,68
2,9221
0,0137
0,0209
0,0406
-0,5306
MS
Campo Grande
6 0,70
3,0563
0,0037
0,0055
-0,5341
-0,4907
GO
Aparecida de Goiânia
10 0,91
3,9816
0,0049
0,0066
-0,4836
-0,3509
IC Médio e Pesos dos Índices (7) 1,48
22,80
38,74
38,47
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de
concentração; (4) Quociente locacional; (5) Hirschman Herfindal; (6) participação
relativa. (7) No cálculo do IC médio foram excluídos os municípios com NE igual a
um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained
Component Matrix
Initial Eigenvalues Component
Component
Total % of Variance Cumulative % 1
2
1 2,077
69,241
69,241
QL 0,374
0,928
2 0,923
30,752
99,993
HHM 0,986
-0,168
3 0,000
0,007
100,000
PR 0,983
-0,184
Tabela A48
Atividade 24.9 - Municípios concentradores de emprego na fabricação de
produtos e preparados químicos diversos pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1 FAC2-1
AM Manaus 44 0,31
1,2433
0,0030
0,0154
-0,2140
-0,6871
BA Camaçari 22 0,42
1,7274
0,0022
0,0051
-0,6019
-0,5521
BA
Conceição do Jacuipe
1 8,84
36,3392
0,0056
0,0058
-0,5335
1,7249
MG Barbacena 3 2,37
9,7521
0,0050
0,0055
-0,4447
0,0139
MG Cataguases 6 1,78
7,3144
0,0049
0,0057
-0,4278
-0,1448
MG Contagem 23 0,26
1,0731
0,0005
0,0067
-0,6622
-0,6469
MG Santo Antonio
do Monte
67 15,71
64,5222
0,0334
0,0339
2,0602
3,7631
MG
São João do Paraíso
3 11,60
47,6817
0,0059
0,0060
-0,5670
2,4532
RJ Belford Roxo 4 4,87
20,0205
0,0070
0,0074
-0,3046
0,6907
RJ Duque de Caxias
50 1,13
4,6066
0,0136
0,0174
0,5313
-0,2788
RJ Nova Iguaçu 16 0,90
3,6695
0,0045
0,0062
-0,4227
-0,3925
RJ Resende 2 3,48
14,2962
0,0082
0,0088
-0,1529
0,3316
RJ Rio de Janeiro 148 0,35
1,3744
0,0093
0,0341
0,7982
-0,7717
SP Americana 10 0,31
1,2681
0,0012
0,0059
-0,6375
-0,6088
SP Barueri 34 0,47
1,9291
0,0044
0,0092
-0,3233
-0,5408
SP Cajamar 9 0,88
3,6018
0,0046
0,0064
-0,4082
-0,3968
SP Campinas 49 0,35
1,4288
0,0035
0,0117
-0,2986
-0,6215
SP Cotia 34 1,63
6,6736
0,0127
0,0150
0,3863
-0,1360
SP Cubatao 6 1,08
4,4060
0,0065
0,0084
-0,2242
-0,3308
SP Diadema 95 0,80
3,2047
0,0186
0,0270
1,1763
-0,3806
SP Guaratinguetá 10 5,21
21,4060
0,0144
0,0151
0,4256
0,8391
SP Guarulhos 86 0,29
1,1576
0,0024
0,0177
-0,1805
-0,7321
SP Itapetininga 1 2,44
10,0284
0,0068
0,0076
-0,2571
0,0454
SP Itapevi 7 3,34
13,7263
0,0083
0,0090
-0,1355
0,2959
SP Itaquaquecetuba
18 0,57
2,3520
0,0031
0,0054
-0,5333
-0,4960
SP Jacareí 11 0,91
3,7173
0,0048
0,0066
-0,3900
-0,3877
SP Jandira 19 2,06
8,4467
0,0066
0,0074
-0,2725
-0,0597
SP Limeira 12 0,73
2,9918
0,0078
0,0117
-0,0275
-0,4338
SP Mauá 22 0,55
2,2244
0,0041
0,0074
-0,4063
-0,5080
SP Osasco 15 0,40
1,6437
0,0023
0,0059
-0,5652
-0,5636
SP Paulínia 16 1,52
6,2343
0,0068
0,0080
-0,2282
-0,2043
SP Piquete 1 16,23
66,7251
0,0070
0,0072
-0,5504
3,6818
(continua)
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1 FAC2-1
SP Ribeirão Preto 22 0,80
3,2461
0,0064
0,0093
-0,1926
-0,4168
SP Rio Claro 16 0,64
2,6217
0,0044
0,0072
-0,3899
-0,4725
SP São Bernardo do Campo
53 0,41
1,6254
0,0097
0,0251
0,5320
-0,6415
SP São Jose dos Campos 24 0,74
2,9788
0,0146
0,0220
0,7556
-0,4169
SP São Paulo 534 0,42
1,4816
0,0397
0,1220
5,6199
-1,1840
SP Sorocaba 19 0,27
1,0866
0,0006
0,0072
-0,6391
-0,6495
SP Sumaré 15 3,70
15,1279
0,0255
0,0273
1,5805
0,5200
SP Suzano 13 0,87
3,5624
0,0077
0,0107
-0,0651
-0,3873
SP Taboão da Serra 29 0,70
2,8834
0,0040
0,0062
-0,4502
-0,4522
SP Valinhos 15 0,74
3,0249
0,0037
0,0055
-0,4933
-0,4423
PR Irati 4 2,76
11,3441
0,0056
0,0062
-0,3898
0,1216
PR Quatro Barras 6 4,87
20,0028
0,0089
0,0094
-0,1128
0,7049
SC Curitibanos 5 3,92
16,1128
0,0076
0,0081
-0,2255
0,4439
RS Campo Bom 10 1,15
4,6969
0,0095
0,0120
0,0864
-0,2943
RS Dois Irmãos 1 1,02
4,1614
0,0051
0,0067
-0,3695
-0,3550
RS Montenegro 6 1,44
5,8951
0,0046
0,0056
-0,4452
-0,2402
GO Catalão 1 3,05
12,5200
0,0055
0,0060
-0,4099
0,1966
IC Médio e Pesos dos Índices (7) 2,14
24,31
38,83
36,86
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4) Quociente
locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC médio foram
excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component
Total % of Variance Cumulative % 1
2
1 2,077
69,241
69,241
QL 0,374
0,928
2 0,923
30,752
99,993
HHM 0,986
-0,168
3 0,000
0,007
100,000
PR 0,983
-0,184
Tabela A49
Atividade 29.1 - Municípios concentradores de emprego na fabricação de motores,
bombas, compressores e equipamentos de transmissão pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1 FAC2-1
RN Mossoró
1 2,97
13,76202
0,0127522
0,01375
-0,27395
-0,03513
RJ
Rio de Janeiro
43 0,30
1,32136
0,0079733
0,03278
-0,07557
-0,61119
SP
Araraquara
5 0,59
2,7322
0,0033184
0,00523
-0,47867
-0,49894
SP Barueri
10 0,77
3,51852
0,0119889
0,01675
-0,22134
-0,48218
SP
Cajamar
4 1,76
8,16215
0,0127138
0,01449
-0,25096
-0,27748
SP
Campinas
19 0,24
1,1063
0,0008732
0,00909
-0,46113
-0,57816
SP
Guarulhos
28 0,47
2,10457
0,0168821
0,03217
0,03731
-0,57032
SP Itapira 2 1,09
5,06395
0,0053843
0,00671
-0,43838
-0,40019
SP Jacareí 4 0,76
3,53396
0,0044866
0,00626
-0,45224
-0,46571
SP Jundiaí
7 0,38
1,72986
0,0040554
0,00961
-0,41264
-0,55025
SP
Mogi das Cruzes
5 0,52
2,41437
0,0032613
0,00557
-0,47458
-0,51331
SP
Monte Alto
6 5,34
24,80862
0,0165078
0,0172
-0,20902
0,43567
SP
Monte Azul Paulista
3 19,65
91,49598
0,0076948
0,00778
-0,61806
3,31684
SP
Piracicaba
31 1,15
5,27605
0,018935
0,02336
-0,0499
-0,41507
SP
Santana de Parnaíba
6 2,17
10,03999
0,0128316
0,01425
-0,25711
-0,19616
SP
São Carlos
5 9,46
43,51861
0,1424203
0,14577
3,03843
1,0694
SP
São Joaquim da Barra
1 3,27
15,20979
0,0105579
0,0113
-0,33771
0,03054
SP
São Jose dos Campos
10 0,55
2,51247
0,0111712
0,01856
-0,20795
-0,52959
SP
São Paulo
272 0,42
1,61972
0,0510485
0,13342
1,74109
-0,7693
SP Suzano
3 0,95
4,38046
0,0101715
0,01318
-0,29201
-0,43924
SP Taubaté
3 2,57
11,87321
0,0301105
0,03288
0,20244
-0,14273
SP
Várzea Paulista
3 2,36
10,94988
0,0102905
0,01132
-0,33003
-0,15291
PR Loanda
17 12,69
59,06201
0,011133
0,01132
-0,44341
1,91705
PR
Maringá
13 0,28
1,28551
0,0011308
0,00509
-0,50672
-0,56234
SC Itaiopolis
1 16,65
77,48599
0,0129634
0,01313
-0,44409
2,70714
SC Joinvile
18 3,72
16,72498
0,154323
0,16414
3,49525
-0,11154
RS Cachoeirinha
8 0,85
3,92774
0,0044158
0,00592
-0,4583
-0,44815
RS
Santa Rosa
5 1,64
7,5996
0,0046487
0,00535
-0,47158
-0,28893
RS
São Leopoldo
12 0,94
4,3278
0,008214
0,01068
-0,34919
-0,43785
IC Médio e Pesos dos Índices (7) 3,26
21,47
39,52
39,01
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4) Quociente
locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC médio foram
excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component
Total % of Variance Cumulative % 1
2
1 2,055
68,492
68,492
QL -0,327
0,945
2 0,942
31,400
99,892
HHM 0,986
0,160
3 0,003
0,108
100,000
PR 0,987
0,154
Tabela A50
Atividade 29.2 - Municípios concentradores de emprego na fabricação de
máquinas e equipamentos de uso geral pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1
FAC2-1
BA Camacari 2 0,40
1,7716
0,0023
0,0053
-0,6465
-0,5329
MG Belo Horizonte
112 0,29
1,2771
0,0030
0,0140
-0,3761
-0,6980
MG Betim 24 0,25
1,1313
0,0006
0,0054
-0,7387
-0,7083
MG Contagem 70 0,45
1,9981
0,0062
0,0124
-0,2302
-0,4711
MG Vespasiano 5 3,23
14,5080
0,0069
0,0074
-0,3579
2,4867
ES Aracruz 8 4,25
19,0899
0,0103
0,0109
-0,0811
3,5805
ES Serra 8 0,68
3,0277
0,0051
0,0076
-0,4233
-0,2145
RJ Rio de Janeiro 201 0,43
1,8390
0,0208
0,0456
1,4982
-0,5198
SP Araraquara 30 2,09
9,3583
0,0160
0,0179
0,4727
1,3520
SP Araras 19 1,08
4,8606
0,0057
0,0072
-0,4007
0,2246
SP Campinas 120 0,57
2,5258
0,0125
0,0208
0,3615
-0,3108
SP Cotia 29 1,14
5,1142
0,0092
0,0115
-0,0839
0,3067
SP Diadema 89 0,71
3,1172
0,0178
0,0263
0,8181
-0,1315
SP Guarulhos 90 0,36
1,5592
0,0085
0,0238
0,2056
-0,6179
SP Itatiba 25 0,71
3,1742
0,0037
0,0055
-0,5593
-0,1859
SP Jacareí 22 1,04
4,6570
0,0065
0,0083
-0,3296
0,1812
SP Jundiaí 48 0,28
1,2650
0,0015
0,0070
-0,6479
-0,6756
SP Limeira 55 0,35
1,5425
0,0021
0,0060
-0,6363
-0,5942
SP Mauá 35 0,51
2,2665
0,0042
0,0075
-0,4756
-0,4046
SP Piracicaba 90 1,02
4,5309
0,0156
0,0201
0,5221
0,2077
SP
Santa Bárbara Doeste
48 0,50
2,2152
0,0029
0,0052
-0,6133
-0,4206
SP Santo André 84 0,38
1,7061
0,0034
0,0083
-0,5003
-0,5521
SP
São Bernardo do Campo
93 0,51
2,2144
0,0187
0,0342
1,0777
-0,3835
SP
São Caetano do Sul
58 0,41
1,8469
0,0024
0,0053
-0,6395
-0,5135
SP
São Jose dos Campos
38 0,30
1,3214
0,0024
0,0098
-0,5241
-0,6680
SP São Paulo 1125 0,41
1,5353
0,0441
0,1265
4,9673
-0,8054
SP Sertãozinho 60 2,04
9,1169
0,0210
0,0236
0,9180
1,3317
SP Sorocaba 51 0,47
2,1001
0,0072
0,0138
-0,1321
-0,4415
PR Araucária 17 1,20
5,3766
0,0069
0,0084
-0,3035
0,3533
PR Colombo 16 1,15
5,1475
0,0048
0,0060
-0,4867
0,2863
PR Curitiba 159 0,39
1,7049
0,0094
0,0226
0,2231
-0,5633
PR Londrina 37 0,36
1,5979
0,0024
0,0064
-0,6098
-0,5798
SC Blumenau 48 0,24
1,0522
0,0003
0,0067
-0,7244
-0,7400
SC Joinvile 116 0,27
1,1818
0,0018
0,0116
-0,5116
-0,7224
RS Canoas 86 1,72
7,6663
0,0163
0,0187
0,5168
0,9568
RS Caxias do Sul 183 0,74
3,2371
0,0227
0,0328
1,2744
-0,0763
RS Erechim 33 0,80
3,5931
0,0047
0,0066
-0,4739
-0,0811
RS Guaíba 17 3,37
15,1513
0,0076
0,0082
-0,2998
2,6419
RS
Novo Hamburgo
77 0,30
1,3167
0,0020
0,0083
-0,5848
-0,6645
RS Porto Alegre 178 0,33
1,4418
0,0032
0,0103
-0,4643
-0,6319
IC Médio e Pesos dos Índices (7) 0,89
22,21
39,04
38,74
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4)
Quociente locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC
médio foram excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component
Total % of Variance Cumulative % 1
2
1 1,900
63,321
63,321
QL -0,191
0,980
2 1,021
34,034
97,355
HHM 0,951
0,242
3 0,079
2,645
100,000
PR 0,979
-0,044
Tabela A51
Atividade 29.3 - Municípios concentradores de emprego na fabricação de tratores
e de máquinas e equipamentos para a agricultura, avicultura e obtenção de
produtos animais pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1
FAC2-1
MG Guaranesia 1 7,31
27,7129
0,0068
0,0071
-0,8243
0,2092
SP Amparo 2 1,68
6,3661
0,0068
0,0080
-0,5602
-0,5492
SP
Espírito Santo do Pinhal
30 6,91
26,1815
0,0136
0,0142
-0,3721
0,0199
SP Itapira 35 4,77
18,0214
0,0226
0,0239
0,3047
-0,4496
SP Itu 2 1,11
4,1887
0,0075
0,0099
-0,4530
-0,6539
SP Jaboticabal 5 2,00
7,5591
0,0052
0,0060
-0,6848
-0,4718
SP Limeira 34 0,90
3,3799
0,0093
0,0132
-0,2809
-0,7366
SP Matao 29 14,36
54,2427
0,0764
0,0778
3,2859
-0,2307
SP
Mogi das Cruzes
7 2,16
8,1413
0,0165
0,0188
0,0643
-0,6894
SP Pindorama 3 15,83
60,0234
0,0050
0,0051
-1,2989
1,3771
SP Piracicaba 16 0,51
1,9228
0,0041
0,0085
-0,5737
-0,6930
SP Pompéia 12 21,94
83,0589
0,0473
0,0479
1,1174
1,3538
SP Ribeirão Preto
14 1,06
3,9913
0,0086
0,0115
-0,3663
-0,6883
SP Sertãozinho 8 0,65
2,4404
0,0037
0,0063
-0,6626
-0,6446
PR Cascavel 15 2,22
8,3892
0,0132
0,0150
-0,1622
-0,6100
PR Curitiba 16 0,86
3,1546
0,0286
0,0419
1,2434
-1,2393
PR
São Jose dos Pinhais
8 0,51
1,9202
0,0034
0,0070
-0,6443
-0,6694
SC Ararangua 9 5,42
20,5172
0,0128
0,0135
-0,3544
-0,1647
SC Jaraguá do Sul
7 0,29
1,1077
0,0005
0,0056
-0,7668
-0,6604
RS
Cachoeira do Sul
15 8,51
32,2510
0,0126
0,0130
-0,5063
0,2535
RS Canoas 4 4,35
16,3795
0,0376
0,0401
1,3038
-0,8140
RS Carazinho 21 12,34
46,7504
0,0201
0,0205
-0,1964
0,6151
RS Gravataí 4 0,79
2,9773
0,0057
0,0086
-0,5334
-0,6685
RS Horizontina 7 31,74
120,2050
0,0558
0,0563
1,2390
2,4893
RS Ibiruba 11 23,66
89,6994
0,0130
0,0131
-1,1238
2,2597
RS Ijui 14 6,36
24,1041
0,0081
0,0085
-0,7002
0,0565
RS Marau 3 2,13
8,0424
0,0071
0,0081
-0,5634
-0,4947
RS
Não Me Toque
14 29,77
112,8072
0,0333
0,0336
-0,0992
2,6712
RS Panambi 23 9,91
37,4518
0,0391
0,0402
1,1203
-0,0884
RS Passo Fundo
25 9,73
36,7587
0,0498
0,0512
1,8125
-0,3258
RS Santa Rosa 20 14,94
56,5301
0,0391
0,0398
0,8988
0,5836
RS
Santo Antonio da Patrulha
16 3,09
11,7173
0,0064
0,0070
-0,6629
-0,3468
IC Médio e Pesos dos Índices (7) 7,74
26,37
37,34
36,29
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4) Quociente
locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC médio foram
excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component
Total % of Variance Cumulative % 1
2
1 1,983
66,095
66,095
QL 0,025
1,000
2 1,003
33,417
99,512
HHM 0,996
0,025
3 0,015
0,488
100,000
PR 0,995
-0,051
Tabela A52
Atividade 29.4 - Municípios concentradores de emprego na fabricação de
máquinas-ferramenta pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1 FAC2-1
MG Betim 11 0,62
2,6644
0,0080
0,0128
-0,5158
-0,5020
RJ Vassouras 2 21,2
91,7298
0,0050
0,0051
-1,0319
4,4321
SP Americana 4 2,81
11,9925
0,0507
0,0553
1,2683
-0,0540
SP Bragança Paulista
29 1,26
5,4274
0,0059
0,0073
-0,6799
-0,3317
SP
Campo Limpo Paulista
3 3,76
16,2403
0,0142
0,0152
-0,3698
0,2530
SP Diadema 37 1,33
5,5963
0,0387
0,0472
0,8547
-0,4041
SP Indaiatuba 5 0,73
3,1122
0,0062
0,0092
-0,6280
-0,4667
SP Jundiaí 12 0,59
2,5251
0,0085
0,0140
-0,4804
-0,5137
SP Limeira 29 2,00
8,5664
0,0295
0,0334
0,3647
-0,2067
SP Piracicaba 9 0,28
1,2120
0,0009
0,0054
-0,8192
-0,5694
SP Salto 3 2,27
9,7691
0,0125
0,0140
-0,4121
-0,1031
SP
Santa Bárbara Doeste
5 8,09
34,7299
0,0798
0,0822
2,3918
1,1630
SP Santo André 21 0,31
1,3105
0,0015
0,0064
-0,7870
-0,5667
SP
São Bernardo do Campo
23 1,34
5,5416
0,0701
0,0855
2,3265
-0,4863
SP São Carlos 7 0,38
1,6480
0,0022
0,0055
-0,7891
-0,5427
SP
São Jose dos Campos
14 0,53
2,2629
0,0093
0,0167
-0,4076
-0,5373
SP São Paulo 216 0,34
1,2677
0,0221
0,1044
1,5953
-0,9325
SP Sorocaba 26 1,59
6,7265
0,0377
0,0442
0,7696
-0,3323
SP Vinhedo 4 1,33
5,7476
0,0065
0,0079
-0,6556
-0,3151
PR Ponta Grossa 2 3,49
14,9909
0,0316
0,0338
0,3978
0,1513
PR São Jose dos Pinhais 8 0,68
2,9134
0,0070
0,0107
-0,5815
-0,4818
SC
Balneário Camboriu
1 5,65
24,4165
0,0049
0,0051
-0,8084
0,7214
SC Ibirama 1 8,10
34,9844
0,0213
0,0219
-0,1374
1,2764
SC Joinvile 37 0,41
1,7343
0,0072
0,0170
-0,4491
-0,5734
SC Rio do Sul 7 4,24
18,2618
0,0204
0,0216
-0,1078
0,3536
SC Rio Negrinho 6 0,92
3,9498
0,0039
0,0052
-0,7628
-0,4098
RS Caxias do Sul 52 0,36
1,5209
0,0053
0,0154
-0,5244
-0,5835
RS Gravataí 9 1,15
4,9544
0,0114
0,0143
-0,4137
-0,3730
RS São Leopoldo 7 6,96
29,8812
0,0713
0,0738
2,0461
0,9087
RS
São Sebastião do Cai
1 2,76
11,9113
0,0074
0,0081
-0,6534
0,0263
IC Médio e Pesos dos Índices (7) 2,85
23,11
38,83
38,06
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4) Quociente locacional;
(5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC médio foram excluídos os municípios
com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component Total % of Variance
Cumulative % 1
2
1 1,983
66,095
66,095
QL 0,025
1,000
2 1,003
33,417
99,512
HHM 0,996
0,025
3 0,015
0,488
100,000
PR 0,995
-0,051
Tabela A53
Atividade 29.5 - Municípios concentradores de emprego na fabricação de máquinas
e equipamentos de usos na extração mineral e construção pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1
FAC2-1
RN Natal 2 0,98 4,7674 0,0107
0,0136 -0,3009
-0,3183
BA Simões Filho 4 1,81 8,8486 0,0128
0,0145 -0,2709
-0,2556
MG Betim 2 0,71 3,4089 0,0116
0,0164 -0,2594
-0,3424
MG Contagem 5 1,62 7,7867 0,0421
0,0483 0,4255 -0,3101
MG Itabirito 1 6,91 33,8830 0,0162
0,0167 -0,2308
0,1350
MG Lagoa Santa 2 5,78 28,3849 0,0067
0,0069 -0,4381
0,0598
MG Santa Luzia 1 2,29 11,2226 0,0095
0,0104 -0,3552
-0,2138
RJ Belford Roxo 3 7,77 38,0967 0,0136
0,0140 -0,2911
0,2042
RJ Macae 11 20,42
99,9918 0,0732
0,0740 0,9752 1,1077
RJ Rio de Janeiro 26 0,58 2,6630 0,0413
0,0661 0,6147 -0,4057
RJ Sumidouro 1 70,32
345,3368
0,0087
0,0087 -0,6585
5,0387
SP Barueri 3 0,35 1,7015 0,0033
0,0081 -0,4400
-0,3596
SP Birigui 2 0,34 1,6498 0,0021
0,0054 -0,4834
-0,3577
SP Indaiatuba 2 0,41 2,0011 0,0030
0,0059 -0,4684
-0,3529
SP Itu 3 0,91 4,4103 0,0080
0,0104 -0,3654
-0,3204
SP Limeira 4 0,92 4,4546 0,0135
0,0174 -0,2282
-0,3274
SP Matão 1 1,23 6,0264 0,0072
0,0087 -0,3947
-0,2933
SP Osasco 3 1,10 5,3538 0,0157
0,0193 -0,1835
-0,3155
SP Piracicaba 5 11,77
56,8269 0,2472
0,2516 4,8853 0,2250
SP Rio Claro 2 0,42 2,0278 0,0028
0,0056 -0,4740
-0,3522
SP Sorocaba 7 1,76 8,4412 0,0489
0,0555 0,5793 -0,3080
SP Suzano 1 3,25 15,7886 0,0445
0,0475 0,4362 -0,1843
SP Taubaté 3 1,41 6,8686 0,0163
0,0190 -0,1815
-0,2916
PR Colombo 8 1,04 5,0698 0,0047
0,0059 -0,4511
-0,3052
SC Jaraguá do Sul 3 0,23 1,1194 0,0006
0,0056 -0,4968
-0,3659
SC Lages 1 3,85 18,8210 0,0238
0,0251 -0,0411
-0,1113
RS Cachoeirinha 3 3,37 16,4728 0,0233
0,0249 -0,0471
-0,1478
RS Caxias do Sul 3 0,37 1,7604 0,0077
0,0178 -0,2849
-0,3684
RS Eldorado do Sul 1 7,67 37,6271 0,0140
0,0144 -0,2829
0,1964
RS Porto Alegre 7 0,47 2,2696 0,0091
0,0162 -0,2883
-0,3594
IC Médio e Pesos dos Índices (7)
3,09 20,36 39,89 39,75
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4)
Quociente locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC
médio foram excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component
Total % of Variance Cumulative % 1
2
1 1,983
66,095
66,095
QL 0,025
1,000
2 1,003
33,417
99,512
HHM 0,996
0,025
3 0,015
0,488
100,000
PR 0,995
-0,051
Tabela A54
Atividade 29.6 - Municípios concentradores de emprego na fabricação de outras
máquinas e equipamentos de uso específico pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1 FAC2-1
BA Dias D Ávila
10 6,17
29,39311
0,0101808
0,01054
-0,05925
5,02111
MG Ouro Branco
3 2,71
12,9038
0,0112221
0,01216
0,01426
1,72258
MG Vespasiano 3 2,29
10,90206
0,00508
0,00559
-0,41125
1,3013
SP Americana 34 0,44
2,05518
0,0048638
0,00947
-0,33994
-0,48345
SP Araraquara 7 0,68
3,22976
0,0042716
0,00619
-0,43919
-0,24177
SP Bauru 26 0,55
2,63106
0,0033697
0,00544
-0,4971
-0,36532
SP Campinas 54 0,71
3,32116
0,0190685
0,02728
0,70028
-0,19081
SP Cotia 14 0,95
4,51275
0,0078774
0,01012
-0,18766
0,02689
SP Diadema 56 0,57
2,63456
0,0137719
0,0222
0,34689
-0,3479
SP Franca 51 0,22
1,03898
0,0002118
0,00565
-0,63633
-0,70618
SP Guarulhos 101 0,40
1,81714
0,0124891
0,02777
0,41244
-0,53828
SP Indaiatuba 17 0,44
2,06932
0,0031612
0,00612
-0,4917
-0,48138
SP
Itaquaquecetuba
16 0,47
2,25072
0,0028749
0,00517
-0,52556
-0,44397
SP Itu 16 0,46
2,16206
0,0027337
0,00509
-0,53395
-0,46239
SP Limeira 38 0,66
3,09953
0,0081928
0,01209
-0,13026
-0,2602
SP Maua 17 0,47
2,23336
0,0040926
0,00741
-0,42065
-0,44638
SP Osasco 25 0,31
1,45986
0,0016572
0,00526
-0,57921
-0,61085
SP Ourinhos 6 2,32
11,05406
0,0075352
0,00828
-0,24011
1,33976
SP Piracicaba 59 1,78
8,37964
0,0326782
0,03711
1,53802
0,88269
SP Santo André
57 0,50
2,35766
0,0065925
0,01145
-0,21754
-0,41751
SP São Berna
rdo do Campo
68 0,31
1,40494
0,0062467
0,02167
-0,00617
-0,64362
SP São Paulo 809 0,46
1,79528
0,0655098
0,14788
5,48611
-0,56957
SP Sertãozinho 41 0,59
2,80237
0,0046651
0,00725
-0,39789
-0,32807
SP Sorocaba 43 0,81
3,77379
0,0182424
0,02482
0,6083
-0,09787
SP
Taboão da Serra
16 0,64
3,03641
0,0043606
0,0065
-0,42827
-0,28088
PR Curitiba 87 0,60
2,76793
0,0234772
0,03676
1,11039
-0,30211
PR Pinhais 28 1,08
5,11033
0,0056373
0,00701
-0,35796
0,14129
SC Blumenau 62 0,26
1,24175
0,0015346
0,00788
-0,52653
-0,66382
SC Brusque 17 0,37
1,73634
0,002357
0,00556
-0,54075
-0,5517
SC Chapecó 35 0,61
2,88348
0,0038246
0,00586
-0,46702
-0,31305
SC Jaraguá do Sul
42 0,43
2,01798
0,0051315
0,01017
-0,31228
-0,49133
(continua)
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1 FAC2-1
SC
Joinvile
53 0,27
1,27161
0,0026656
0,01248
-0,373
-0,66499
SC
Pomerode
4 1,60
7,60213
0,0073619
0,00848
-0,24573
0,64704
RS Bento Go
nçalves
18 0,45
2,14079
0,0029339
0,00551
-0,51556
-0,46664
RS
Cachoeirinha
29 1,80
8,56378
0,0114082
0,01292
0,03683
0,85275
RS
Canoas
42 0,57
2,71656
0,0041968
0,00664
-0,43276
-0,34647
RS
Caxias do Sul
160 0,47
2,16135
0,0117675
0,0219
0,24926
-0,45532
RS
Guapore
6 2,02
9,63667
0,0056236
0,00627
-0,37223
1,04953
RS
Novo Hamburgo
159 1,02
4,74462
0,0235609
0,02985
0,96168
0,11642
RS
Pelotas
8 0,81
3,84373
0,0050302
0,0068
-0,39086
-0,11569
RS
Porto Alegre
98 0,53
2,49778
0,0106903
0,01783
0,11005
-0,38215
RS
São Leopoldo
34 0,49
2,30843
0,0032296
0,0057
-0,4978
-0,4317
IC Médio e Pesos dos Índices (7)
0,94
20,96
39,50
39,54
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4) Quociente
locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC médio foram
excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component
Total % of Variance
Cumulative
%
1
2
1 1,983
66,095
66,095
QL 0,025
1,000
2 1,003
33,417
99,512
HHM 0,996
0,025
3 0,015
0,488
100,000
PR 0,995
-0,051
Tabela A55
Atividade 29.7 - Municípios concentradores de emprego na fabricação de
armas, munições e equipamentos militares pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1
FAC2-1
MG Itajuba 2 37,1
136,8321
0,1610489
0,16223
0,62616
1,37851
MG Juiz de Fora 2 2,81
10,3013
0,0291935
0,03233
-0,86296
-0,81338
SP Jacareí 1 17,7
65,15538
0,113592
0,11536
0,30809
-0,04386
SP Lorena 2 8,67
32,02228
0,01909
0,01971
-1,26712
-0,20916
SP Ribeirão Pires 2 41,32
152,3963
0,1727636
0,1739
0,72352
1,6776
SP
São Jose dos Campos
5 1,77
6,42369
0,0400599
0,04745
-0,57626
-0,9965
RS Montenegro 1 16,87
62,26543
0,0579785
0,05892
-0,75956
0,26224
RS Porto Alegre 4 6,84
24,82072
0,1700196
0,17716
1,79932
-1,42112
RS São Leopoldo
3 15,54
57,12366
0,1385304
0,141
0,86831
-0,40861
RS Veranopolis 3 20,38
75,25513
0,0585194
0,05931
-0,85948
0,57428
IC Médio e Pesos dos Índices (7)
16,8 27,03
36,72 36,25
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4) Quociente
locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC médio foram
excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component
Total % of Variance
Cumulative %
1
2
1 1,983
66,095
66,095
QL 0,025
1,000
2 1,003
33,417
99,512
HHM 0,996
0,025
3 0,015
0,488
100,000
PR 0,995
-0,051
Tabela A56
Atividade 29.8 - Municípios concentradores de emprego na fabricação de
eletrodomésticos de pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1 FAC2-1
AM Manaus
6 0,49
2,2978
0,0161
0,0285
-0,2464
-0,7516
CE
Maranguape
1 1,94
9,4498
0,0078
0,0087
-0,5728
-0,1916
SE Aracaju
2 1,41
6,8418
0,0088
0,0103
-0,5415
-0,3929
BA
Camacari
6 1,87
9,0396
0,0238
0,0268
-0,1515
-0,2192
MG Uberaba
6 3,00
14,5531
0,0283
0,0304
-0,0498
0,2086
MG Varginha
1 2,27
11,0812
0,0102
0,0112
-0,5112
-0,0649
SP
Araçatuba
3 4,02
19,5898
0,0186
0,0196
-0,3030
0,5945
SP
Campinas
10 1,22
5,8185
0,0396
0,0478
0,2954
-0,4669
SP
Catanduva
14 2,80
13,6300
0,0135
0,0146
-0,4297
0,1328
SP
Guarulhos
13 0,33
1,5657
0,0086
0,0239
-0,4013
-0,8138
SP
Hortolândia
1 2,33
11,3221
0,0152
0,0167
-0,3823
-0,0449
SP Itu 6 1,46
7,0925
0,0143
0,0167
-0,3950
-0,3724
SP
Mogi das Cruzes
3 0,58
2,8031
0,0042
0,0065
-0,6488
-0,7070
SP Rio Claro
1 2,31
11,1898
0,0279
0,0306
-0,0531
-0,0516
SP
São Carlos
10 2,16
10,4469
0,0316
0,0350
0,0466
-0,1081
SP
São Jose do Rio Preto
13 0,42
2,0223
0,0026
0,0051
-0,6862
-0,7680
SP São Paulo
120 0,73
2,8127
0,1493
0,2317
3,8043
-0,7319
PR Curitiba 12 1,31
6,1010
0,0677
0,0810
1,0496
-0,4396
PR Pato B
ranco
3 13,16
64,2161
0,0433
0,0440
0,3090
4,0462
SC Brusque
3 0,59
2,8644
0,0060
0,0092
-0,5944
-0,7025
SC Joinvile 4 2,80
13,2058
0,1198
0,1296
2,3097
0,1317
SC Timbó
2 1,90
9,2563
0,0127
0,0143
-0,4439
-0,2053
SC
Urussanga
2 2,44
11,9263
0,0050
0,0055
-0,6463
-0,0012
RS
Caxias do Sul
21 0,59
2,7770
0,0180
0,0281
-0,2220
-0,7117
RS Vacaria
1 5,60
27,3770
0,0096
0,0099
-0,5350
1,1924
RS
Venâncio Aires
10 6,25
30,4777
0,0307
0,0318
-0,0005
1,4389
IC Médio e Pesos dos Índices (7)
2,46
20,44
39,78
39,78
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4)
Quociente locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC
médio foram excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component
Total % of Variance Cumulative % 1
2
1 1,983
66,095
66,09
QL 0,025
1,000
2 1,003
33,417
99,51
HHM 0,996
0,025
3 0,015
0,488
100,00
PR 0,995
-0,051
Tabela A57
Atividade 29.9 - Municípios concentradores de emprego na manutenção e
reparação de máquinas e equipamentos pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1
FAC2-1
MA
Acailandia
1 9,47
32,4901
0,0156
0,0161
-0,3991
0,7824
PE Recife 6 0,74
2,5260
0,0075
0,0124
-0,2315
-0,4717
BA Mucuri
2 23,93
82,1216
0,0159
0,0161
-1,1405
2,8169
BA Salvador
17 1,52
5,1958
0,0134
0,0166
-0,0186
-0,3650
MG
Belo Horizonte
41 0,85
2,8609
0,0204
0,0313
0,6203
-0,6118
ES Vitoria 10 28,31
96,9679
0,1033
0,1044
3,1933
2,9881
RJ Macae
11 17,54
60,1322
0,0438
0,0445
0,6502
1,7739
RJ
Rio de Janeiro
58 0,53
1,7510
0,0186
0,0435
0,9817
-0,8591
SP
Americana
13 1,19
4,0394
0,0140
0,0186
0,0738
-0,4366
SP
Aracariguama
1 8,21
28,1521
0,0103
0,0107
-0,6136
0,6324
SP Batatais 1 14,48
49,6460
0,0371
0,0379
0,4660
1,3764
SP
Bom Jesus dos Perdoes
1 7,06
24,2457
0,0059
0,0061
-0,7899
0,4960
SP
Campinas
13 0,42
1,4296
0,0035
0,0117
-0,3173
-0,5474
SP Cotia 6 1,73
5,9185
0,0110
0,0133
-0,1833
-0,3094
SP Jacareí 2 1,31
4,4760
0,0062
0,0079
-0,4292
-0,3377
SP Jundiaí 16 0,35
1,2029
0,0011
0,0067
-0,5218
-0,5047
SP Rio das Pedras
5 4,90
16,7896
0,0096
0,0102
-0,4720
0,1673
SP
Santana de Parnaíba
21 1,24
4,2380
0,0046
0,0060
-0,5174
-0,3345
SP
Santo André
24 1,56
5,2896
0,0208
0,0257
0,4164
-0,4222
SP Santos 13 5,48
18,7900
0,0165
0,0174
-0,1372
0,2112
SP
São Jose dos Campos
18 0,31
1,0471
0,0003
0,0077
-0,5025
-0,5351
SP São Paulo
191 0,48
1,4617
0,0380
0,1204
3,7974
-1,8380
PR Curitiba 41 0,36
1,2224
0,0030
0,0162
-0,1852
-0,6299
PR Londrina
9 1,72
5,8578
0,0195
0,0235
0,3113
-0,3796
PR Pinhais 8 2,14
7,3101
0,0087
0,0100
-0,3547
-0,2277
PR
Ponta Grossa
7 0,98
3,3444
0,0053
0,0075
-0,4419
-0,3871
SC
Jaraguá do Sul
7 0,38
1,2881
0,0015
0,0065
-0,5224
-0,4950
SC Joinvile 23 0,32
1,0800
0,0008
0,0106
-0,4042
-0,5726
SC
Otacilio Costa
11 11,3
38,7944
0,0076
0,0078
-0,9188
1,0837
RS
Porto Alegre
32 0,68
2,3144
0,0094
0,0165
-0,0609
-0,5232
RS
Sapucaia do Sul
7 1,48
5,0710
0,0057
0,0072
-0,4704
-0,3059
MT Cuiaba
5 1,27
4,3567
0,0051
0,0066
-0,4914
-0,3334
GO Goiânia
13 0,41
1,3773
0,0027
0,0100
-0,3865
-0,5315
DF Brasília 22 1,51
5,1656
0,0137
0,0170
-0,0003
-0,3691
IC Médio e Pesos dos Índices (7)
4,23
29,12
38,52
32,36
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4)
Quociente locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC
médio foram excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component
Total % of Variance Cumulative % 1
2
1 1,983
66,095
66,09
QL 0,025
1,000
2 1,003
33,417
99,51
HHM 0,996
0,025
3 0,015
0,488
100,00
PR 0,995
-0,051
Tabela A58
Atividade 30.1 - Municípios concentradores de emprego na fabricação de
Máquinas para escritório pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1
AM Manaus
18 1,29
3,8235
0,0350
0,0474
-0,0961
PA
Ananindeua
2 4,32
13,1001
0,0174
0,0188
-0,2798
PE Recife 3 0,79
2,3770
0,0068
0,0117
-0,4653
BA Salvador
4 1,81
5,4794
0,0143
0,0175
-0,3653
BA Simõ
es Filho
1 10,16
30,7535
0,0487
0,0503
0,2130
MG
Belo Horizonte
6 0,72
2,1637
0,0127
0,0237
-0,3666
MG
Juiz de Fora
4 2,09
6,3060
0,0167
0,0198
-0,3329
MG
Santa Rita do Sapucaí
3 2,95
8,9470
0,0049
0,0055
-0,4574
MG Timoteo
1 5,62
17,0503
0,0150
0,0159
-0,2780
ES Vitória 3 21,28
64,5149
0,0684
0,0694
0,7009
SP
Campinas
5 0,41
1,2244
0,0018
0,0101
-0,5113
SP Ho
rtolândia
1 64,7
195,9592
0,2873
0,2888
4,2080
SP Itatiba 1 1,43
4,3364
0,0057
0,0075
-0,4788
SP Mairiporã
1 5,27
16,0068
0,0049
0,0052
-0,4029
SP
São Jose dos Campos
3 0,85
2,5479
0,0114
0,0188
-0,3979
SP São Paulo
67 0,37
1,0399
0,0033
0,0857
-0,0847
SP Sorocaba
1 0,59
1,7761
0,0051
0,0117
-0,4795
PR Curitiba 16 2,22
6,5726
0,0740
0,0873
0,3679
RS Erechim
2 12,53
37,9129
0,0673
0,0691
0,4800
RS
Porto Alegre
7 1,29
3,8640
0,0204
0,0276
-0,2878
GO Goiânia
5 0,44
1,3372
0,0025
0,0097
-0,5087
DF Brasília 3 3,17
9,5656
0,0282
0,0315
-0,1768
IC Médio e Pesos dos Índices (7) 3,79
33,04
33,99
32,97
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4)
Quociente locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC
médio foram excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component
Total % of Variance
Cumulative %
1
1 2,895
96,501
96,50
QL 0,978
2 0,08
2,705
99,21
HHM 0,992
3 0,02
0,794
100,00
PR 0,977
Tabela A59
Atividade 30.2 - Municípios concentradores de emprego na fabricação de
máquinas e equipamentos de sistemas eletrônicos para processamento de
dados pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1
FAC2-1
AM Manaus 37 1,89
8,7932
0,0966
0,1089
2,1266
-0,2521
CE Eusébio 1 1,23
5,9671
0,0054
0,0065
-0,5815
-0,4471
BA Ilhéus 63 13,27
64,3300
0,0350
0,0355
0,2866
2,0933
BA Salvador 1328 0,54
2,5796
0,0051
0,0083
-0,5702
-0,5954
MG Belo Horizonte
7 0,31
1,4532
0,0050
0,0159
-0,4828
-0,6520
MG Contagem 7 0,50
2,3647
0,0085
0,0147
-0,4386
-0,6046
MG Itajuba 7 1,81
8,7640
0,0092
0,0104
-0,4722
-0,3233
MG
Santa Rita do Sapucaí
7 7,74
37,5321
0,0225
0,0231
-0,0826
0,9281
RJ Itatiaia 1 17,09
82,9888
0,0195
0,0198
-0,1400
2,8824
RJ Resende 1 3,69
17,8876
0,0104
0,0110
-0,4397
0,0712
RJ Rio de Janeiro
53 0,29
1,3363
0,0083
0,0332
-0,2249
-0,6682
SP Barueri 24 1,60
7,6625
0,0317
0,0365
0,2048
-0,3534
SP Campinas 21 0,28
1,3301
0,0027
0,0109
-0,5784
-0,6566
SP Diadema 6 0,29
1,3859
0,0033
0,0117
-0,5607
-0,6539
SP Hortolândia 7 4,48
21,6262
0,0304
0,0319
0,1388
0,2499
SP Piedade 3 15,29
74,2414
0,0145
0,0147
-0,2877
2,5013
SP
São Bernardo do Campo
11 0,21
1,0034
0,0001
0,0155
-0,5693
-0,6806
SP São Caetano do Sul
5 0,37
1,7882
0,0022
0,0051
-0,6542
-0,6318
SP São Paulo 246 0,71
2,7511
0,1442
0,2266
4,2895
-0,5399
SP Sorocaba 10 1,79
8,4863
0,0492
0,0558
0,7216
-0,3034
SP Taubaté 2 3,74
17,9685
0,0470
0,0498
0,6202
0,1066
PR
Campo Mourão
1 4,20
20,3857
0,0057
0,0060
-0,5734
0,1747
PR Curitiba 31 0,81
3,7551
0,0366
0,0499
0,4395
-0,5258
PR Maringá 6 0,41
1,9745
0,0039
0,0078
-0,5954
-0,6234
SC Florianópolis 13 1,56
7,5410
0,0051
0,0058
-0,5948
-0,3793
RS
Eldorado do Sul
2 11,76
57,0443
0,0214
0,0218
-0,1030
1,7672
RS Gravataí 2 2,07
9,9578
0,0259
0,0288
0,0209
-0,2580
RS Porto Alegre 45 1,16
5,5157
0,0322
0,0394
0,2457
-0,4478
RS São Leopoldo
4 0,49
2,3436
0,0033
0,0058
-0,6280
-0,6065
DF Brasília 14 0,64
3,0930
0,0069
0,0102
-0,5170
-0,5717
IC Médio e Pesos dos Índices (7) 2,86
20,58
39,62
39,80
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4)
Quociente locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC
médio foram excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component Total
% of
Variance Cumulative %
1
2
1 1,997
66,58
66,58
QL -0,246
0,969
2 0,974
32,481
99,06
HHM 0,978
0,174
3 2,82E-02
0,94
100,00
PR 0,99
0,07
Tabela A60
Atividade 31.1 - Municípios concentradores de emprego na fabricação de
geradores, transformadores e motores elétricos pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1 FAC2-1
AM
Manaus
11 0,31
1,1137
0,0014
0,0138
-0,1791
-0,6594
PE
Abreu e Lima
1 4,92
18,0337
0,0056
0,0059
-0,6891
0,7509
MG Contagem
16 1,52
5,4854
0,0278
0,0340
0,2009
-0,4523
MG Itajubá
1 4,74
17,3565
0,0194
0,0206
-0,3621
0,5971
MG
Santa Luzia
2 1,75
6,4042
0,0050
0,0059
-0,3773
-0,1954
MG Santa Rita do Sapucaí
7 2,77
10,1455
0,0056
0,0063
-0,4689
0,1065
SP Birigui
6 0,68
2,4792
0,0048
0,0081
-0,2476
-0,5255
SP
Campinas
14 1,07
3,8708
0,0236
0,0318
0,1762
-0,5649
SP
Garça
7 9,86
36,1752
0,0106
0,0109
-1,0748
2,1940
SP
Guarulhos
9 1,09
3,8644
0,0438
0,0591
0,6930
-0,7385
SP
Indaiatuba
3 0,67
2,4388
0,0043
0,0072
-0,2620
-0,5234
SP Itu 6 0,94
3,4504
0,0058
0,0081
-0,2639
-0,4483
SP
Jaguariuna
2 1,02
3,7421
0,0046
0,0063
-0,3052
-0,4131
SP
Jundiaí
12 1,06
3,8411
0,0158
0,0213
-0,0217
-0,5009
SP
Matão
6 2,04
7,4549
0,0093
0,0107
-0,3081
-0,1414
SP
Mogi Mirim
5 2,85
10,4310
0,0102
0,0113
-0,3723
0,0961
SP
Osasco
6 2,90
10,5331
0,0344
0,0380
0,1741
-0,0726
SP
São Paulo
153 0,43
1,3958
0,0326
0,1150
1,2890
-1,2008
SP
Taboão da Serra
1 0,74
2,6980
0,0036
0,0058
-0,2918
-0,4940
PR
Mandaguari
1 13,60
49,8800
0,0175
0,0178
-1,2993
3,2630
SC
Blumenau
6 1,14
4,1067
0,0197
0,0261
0,0651
-0,5100
SC Jara
guá do Sul
10 15,94
57,7596
0,2861
0,2912
4,3342
2,0510
RS
Cachoeirinha
6 2,51
9,1804
0,0123
0,0139
-0,2879
-0,0222
RS
Canoas
5 1,77
6,4445
0,0133
0,0158
-0,1817
-0,2564
RS Caxias do Sul
28 1,38
4,9477
0,0400
0,0501
0,5230
-0,5987
RS
Gravataí
8 1,60
5,8408
0,0140
0,0169
-0,1450
-0,3125
MT
Cuiabá
8 0,95
3,4730
0,0037
0,0053
-0,3179
-0,4284
IC Médio e Pesos dos Índices (7)
2,56
27,24
37,26
35,50
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4) Quociente
locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC médio foram
excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component Total
% of
Variance Cumulative % 1
2
1 2,446
81,54
81,54
QL 0,784
0,621
2 0,522
17,41
98,95
HHM 0,972
-0,198
3 0,03
1,05
100,00
PR 0,942
-0,313
Tabela A61
Atividade 31.2 - Municípios concentradores de emprego na fabricação de
equipamentos para distribuição e controle de energia elétrica pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1
FAC2-1
CE Fortaleza 7 0,54
2,5669
0,0176
0,0289
0,0668
-0,5039
CE Maracanau 4 0,48
2,3115
0,0045
0,0080
-0,4920
-0,5152
PB Campina Grande
3 0,77
3,7489
0,0057
0,0077
-0,4741
-0,3750
PE Recife 7 0,38
1,8478
0,0042
0,0091
-0,4827
-0,5625
MG Contagem 20 1,3
6,2401
0,0325
0,0387
0,5046
-0,1403
MG Montes Claros
3 1,18
5,7699
0,0078
0,0094
-0,4101
-0,1808
ES Serra 6 0,47
2,2795
0,0032
0,0057
-0,5493
-0,5167
RJ Rio de Janeiro
39 0,49
2,2452
0,0309
0,0557
0,7104
-0,5592
SP Americana 2 0,77
3,7330
0,0126
0,0172
-0,1997
-0,3803
SP Barueri 8 0,76
3,6528
0,0126
0,0174
-0,1964
-0,3882
SP Bauru 6 0,54
2,6371
0,0034
0,0055
-0,5502
-0,4816
SP Cajamar 2 0,78
3,8108
0,0050
0,0068
-0,5012
-0,3687
SP Campinas 15 0,62
2,9678
0,0162
0,0244
-0,0258
-0,4599
SP
Embu Guaçu
2 5,14
25,1400
0,0106
0,0110
-0,3722
1,6712
SP Guararema 3 7,02
34,3770
0,0077
0,0080
-0,4945
2,5528
SP Guarulhos 21 0,50
2,3319
0,0204
0,0356
0,2165
-0,5339
SP Limeira 8 0,48
2,3153
0,0051
0,0090
-0,4641
-0,5157
SP Porto Ferreira 9 8,60
42,0143
0,0335
0,0343
0,3861
3,2857
SP São Bernard
o do Campo
12 0,42
1,9689
0,0150
0,0304
0,0324
-0,5699
SP
São Jose do Rio Preto
8 0,67
3,2710
0,0057
0,0082
-0,4653
-0,4215
SP São Paulo 182 0,68
2,6610
0,1368
0,2192
5,1510
-0,6142
SP Sumare 1 0,66
3,1971
0,0040
0,0058
-0,5350
-0,4275
SP Tatuí 2 1,81
8,8505
0,0099
0,0111
-0,3508
0,1144
PR
Campo Largo
1 4,92
23,9773
0,0342
0,0357
0,4598
1,5627
PR Curitiba 27 0,70
3,2890
0,0304
0,0437
0,5339
-0,4366
SC Blumenau 8 0,28
1,3303
0,0021
0,0084
-0,5335
-0,6152
SC Chapeco 4 0,57
2,7948
0,0036
0,0057
-0,5420
-0,4664
SC Itajaí 1 0,79
3,8616
0,0044
0,0059
-0,5259
-0,3635
SC Jaraguá do Sul
5 0,70
3,3505
0,0119
0,0169
-0,2189
-0,4178
RS Canoas 8 1,31
6,3694
0,0131
0,0156
-0,2166
-0,1242
RS Carlos Barbosa
1 1,95
9,5426
0,0070
0,0078
-0,4576
0,1808
RS Caxias do Sul
25 0,44
2,0790
0,0109
0,0211
-0,1785
-0,5496
RS Panambi 10 6,31
30,7708
0,0319
0,0330
0,3612
2,2116
RS Porto Alegre 32 1,42
6,7617
0,0411
0,0483
0,8133
-0,0907
IC Médio e Pesos dos Índices (7) 1,60
20,41
39,92
39,67
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4)
Quociente locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC
médio foram excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component Total % of Variance
Cumulative %
1
2
1 1,988
66,266
66,27
QL 0,09
0,996
2 1,004
33,467
99,73
HHM 0,998
0,02
3 0,01
0,268
100,00
PR 0,992
-0,109
Tabela A62
Atividade 31.3 - Municípios concentradores de emprego na fabricação de fios,
cabos e condutores elétricos isolados pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1
FAC2-1
AM Manaus 9 1,47
5,9531
0,0614
0,0738
2,8016
-0,3766
PE
Jaboatão dos Guararapes
3 3,41
14,2641
0,0290
0,0312
0,5815
-0,2197
MG Guaxupe 7 19,58
82,2971
0,0264
0,0267
0,3603
1,0557
MG Itajuba 2 1,81
7,5697
0,0078
0,0090
-0,7310
-0,3689
MG Itapeva 1 39,62
166,6716
0,0073
0,0074
-0,8303
2,6072
MG Sarzedo 1 17,81
74,8918
0,0051
0,0051
-0,9422
0,8898
MG Tres Coracoes
2 5,07
21,2889
0,0142
0,0149
-0,3596
-0,1019
ES Serra 3 0,73
3,0385
0,0051
0,0076
-0,8603
-0,4630
SP Americana 1 0,88
3,6453
0,0122
0,0168
-0,3788
-0,4514
SP Campinas 14 1,02
4,1811
0,0261
0,0344
0,5568
-0,4386
SP Carapicuiba 2 2,76
11,5871
0,0093
0,0102
-0,6470
-0,2904
SP Cerquilho 3 5,55
23,3069
0,0155
0,0162
-0,2779
-0,0624
SP Diadema 12 0,51
2,1144
0,0094
0,0178
-0,4562
-0,5007
SP Embu 6 7,76
32,5009
0,0416
0,0429
1,3226
0,1417
SP
Embu Guaçu
2 5,71
23,9883
0,0101
0,0105
-0,6137
-0,0558
SP
Ferraz de Vasconcelos
4 8,65
36,2327
0,0461
0,0474
1,5971
0,2175
SP Guarulhos 16 0,35
1,4084
0,0062
0,0215
-0,4808
-0,5485
SP Itatiba 2 1,56
6,5092
0,0095
0,0112
-0,6148
-0,3888
SP Itu 1 0,61
2,5530
0,0037
0,0060
-0,9529
-0,4733
SP Itupeva 2 1,43
5,9997
0,0044
0,0053
-0,9451
-0,4014
SP Lorena 3 9,38
39,3680
0,0236
0,0242
0,2093
0,2489
SP Olimpia 5 16,00
67,2435
0,0273
0,0277
0,4187
0,7753
SP Poá 6 6,25
26,2146
0,0219
0,0228
0,1173
-0,0002
SP Ribeirão Preto
3 0,69
2,8945
0,0054
0,0083
-0,8322
-0,4668
SP Rio Claro 6 4,63
19,3249
0,0502
0,0529
1,8820
-0,0992
SP Santa Branca
4 65,51
275,5205
0,0260
0,0261
0,2761
4,6650
SP Santo André
10 1,22
5,0585
0,0197
0,0246
0,0840
-0,4160
SP
São João da Boa Vista
8 5,26
22,0890
0,0150
0,0157
-0,3070
-0,0859
SP São Paulo 113 0,39
1,3943
0,0325
0,1149
2,7461
-0,8108
SP Sorocaba 10 1,35
5,5818
0,0301
0,0367
0,7600
-0,3998
PR Curitiba 5 0,63
2,5713
0,0209
0,0342
0,3599
-0,4982
PR Pinhais 5 1,01
4,2314
0,0044
0,0058
-0,9298
-0,4365
PR
São Jose dos Pinhais
2 0,82
3,4128
0,0088
0,0125
-0,6067
-0,4561
SC Caçador 1 1,08
4,5127
0,0061
0,0078
-0,8200
-0,4307
RS Canoas 5 0,56
2,3461
0,0033
0,0057
-0,9727
-0,4781
RS Caxias do Sul
9 0,75
3,0568
0,0208
0,0310
0,2818
-0,4752
RS Sapucaia do Sul
2 1,36
5,6863
0,0066
0,0080
-0,7962
-0,4066
IC Médio e Pesos dos Índices (7) 5,31
23,77
38,21
38,02
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4)
Quociente locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC
médio foram excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component Total
% of
Variance Cumulative %
1
2
1 1,988
66,266
66,27
QL 0,09
0,996
2 1,004
33,467
99,73
HHM 0,998
0,02
3 0,01
0,268
100,00
PR 0,992
-0,109
Tabela A63
Atividade 31.4 - Municípios concentradores de emprego na fabricação de pilhas,
baterias e acumuladores elétricos pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1
FAC2-1
PE Belo Jardim 4 72,61
352,8231
0,0929
0,0932
0,6896
2,9344
PE Ipojuca 2 3,83
18,5483
0,0145
0,0153
-0,4335
-0,5286
PE Jaboatão dos G
uararapes
7 8,25
39,8143
0,0848
0,0870
0,8115
-0,3954
MG
Governador Valadares
2 9,83
47,6391
0,0498
0,0509
0,1726
-0,2649
SP Bauru 5 23,64
114,0916
0,2337
0,2357
3,3964
0,2012
SP Guarulhos 8 0,45
2,0915
0,0167
0,0320
-0,2537
-0,7196
SP Itapetininga 1 6,25
30,3119
0,0222
0,0229
-0,3073
-0,4131
SP Rafard 1 12,66
61,5286
0,0162
0,0165
-0,4425
-0,0718
SP
São Jose dos Campos
2 2,09
9,8799
0,0656
0,0730
0,5393
-0,6940
SP Sorocaba 7 4,48
21,2588
0,1332
0,1398
1,7254
-0,6609
PR Apucarana 2 2,31
11,1485
0,0181
0,0199
-0,3558
-0,6130
PR Cianorte 4 1,83
8,8440
0,0087
0,0099
-0,5259
-0,6247
PR Londrina 9 1,81
8,6967
0,0309
0,0349
-0,1069
-0,6579
PR Marmeleiro 3 23,31
113,3581
0,0062
0,0063
-0,6624
0,4943
PR Realeza 3 16,82
81,8055
0,0051
0,0052
-0,6576
0,1592
PR Rolandia 5 1,76
8,5148
0,0093
0,0105
-0,5152
-0,6290
PR Umuarama
3 2,27
11,0199
0,0079
0,0087
-0,5448
-0,6002
PR Vitorino 2 57,08
277,6227
0,0056
0,0057
-0,8038
2,2473
SC Botuvera 1 13,61
66,1559
0,0065
0,0066
-0,6197
-0,0096
SC Sangão 2 4,74
23,0063
0,0071
0,0074
-0,5731
-0,4708
SC Treze Tílias 4 39,45
191,8243
0,0170
0,0171
-0,5327
1,3171
IC Médio e Pesos dos Índices (7) 14,72
20,56
39,81
39,62
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4)
Quociente locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC
médio foram excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component Total % of Variance
Cumulative %
1
2
1 1,988
66,266
66,266
QL 0,09
0,996
2 1,004
33,467
99,732
HHM 0,998
0,02
3 0,01
0,268
100,00
PR 0,992
-0,109
Tabela A64
Atividade 31.5 - Municípios concentradores de emprego na fabricação de lâmpadas
e equipamentos de iluminação pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1 FAC2-1
PE
Recife
11 1,50
7,2627
0,0308
0,0357
0,2596
-0,1362
MG
Belo Horizonte
20 0,24
1,1555
0,0017
0,0127
-0,3982
-0,6264
MG Contagem
5 0,39
1,9071
0,0056
0,0118
-0,3500
-0,5641
MG
Ouro Fino
2 13,10
64,7503
0,0135
0,0137
-0,1508
4,2928
MG
Uberlândia
10 0,42
2,0638
0,0035
0,0068
-0,4326
-0,5519
MG
Varginha
2 5,77
28,4060
0,0278
0,0288
0,1691
1,4956
RJ
Angra dos Reis
1 1,82
8,9725
0,0076
0,0086
-0,3478
-0,0154
RJ
Itaguaí
1 8,16
40,3182
0,0100
0,0103
-0,2620
2,4053
RJ
Rio de Janeiro
22 1,34
6,0923
0,1264
0,1512
2,8101
-0,1823
SP
Diadema
16 0,56
2,6809
0,0142
0,0226
-0,1168
-0,5006
SP
Embu
3 1,50
7,3895
0,0084
0,0098
-0,3258
-0,1372
SP
Guarulhos
21 0,27
1,3005
0,0046
0,0199
-0,2821
-0,6156
SP
Indaiatuba
3 0,87
4,2482
0,0096
0,0126
-0,2836
-0,3797
SP Ipero
3 3,55
17,5318
0,0055
0,0059
-0,3963
0,6443
SP
Itapevi
2 1,99
9,8405
0,0058
0,0064
-0,3957
0,0507
SP Itatiba
4 0,66
3,2551
0,0039
0,0056
-0,4379
-0,4590
SP
Jundiaí
2 0,22
1,0570
0,0003
0,0059
-0,4881
-0,6324
SP
Mauá
4 3,86
18,8423
0,0592
0,0625
0,9533
0,7740
SP Os
asco
3 1,60
7,7972
0,0245
0,0281
0,0924
-0,0979
SP
Pirassununga
6 1,61
7,9664
0,0048
0,0055
-0,4205
-0,0945
SP
Ribeirão Preto
7 0,51
2,5206
0,0044
0,0072
-0,4151
-0,5159
SP Salto
4 1,54
7,5905
0,0094
0,0108
-0,3005
-0,1212
SP
São Jose do Rio Preto
12 1,44
7,0490
0,0152
0,0177
-0,1479
-0,1603
SP
São Paulo
233 0,79
3,0591
0,1696
0,2520
4,4647
-0,4182
SP Sumare
5 0,64
3,1562
0,0039
0,0057
-0,4370
-0,4667
SP
Taboão da Serra
6 1,29
6,3291
0,0114
0,0136
-0,2454
-0,2178
PR
Cambe
6 1,26
6,2049
0,0047
0,0056
-0,4231
-0,2305
PR
Maringá
9 0,51
2,4866
0,0059
0,0099
-0,3663
-0,5182
PR
São Jose dos Pinhais
4 0,69
3,3592
0,0086
0,0123
-0,3012
-0,4492
SC
Blumenau
12 0,34
1,6510
0,0041
0,0105
-0,3856
-0,5848
SC
Indaial
5 1,69
8,2991
0,0113
0,0128
-0,2526
-0,0656
RS
Bento Gonçalves
7 0,77
3,7591
0,0071
0,0097
-0,3497
-0,4187
RS
Caxias do Sul
22 0,55
2,6483
0,0167
0,0268
-0,0368
-0,5025
IC Médio e Pesos dos Índices (7)
1,86
20,22
39,88
39,90
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4)
Quociente locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC
médio foram excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component
Total % of Variance
Cumulative % 1
2
1 1,988
66,266
66,27
QL 0,09
0,996
2 1,004
33,467
99,73
HHM 0,998
0,02
3 0,01
0,268
100,00
PR 0,992
-0,109
Tabela A65
Atividade 31.6 - Municípios concentradores de emprego na fabricação de
material elétrico para veículos exceto baterias pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1
FAC2-1
BA Camaçari 3 0,69
2,8501
0,0055
0,0085
-0,6389
-0,4492
BA Feira de Santana
2 3,64
15,0589
0,0310
0,0332
0,1519
-0,4147
MG Florestal 2 51,16
212,8009
0,0075
0,0075
-1,4976
3,3742
MG Itabirito 1 25,84
107,3356
0,0523
0,0528
0,4487
1,1151
MG Itajuba 1 6,33
26,2423
0,0299
0,0311
0,0511
-0,1977
MG Mateus Leme 1 16,23
67,4583
0,0205
0,0208
-0,4520
0,6283
MG Matozinhos 1 2,94
12,1961
0,0056
0,0061
-0,7162
-0,2675
MG Para de Minas
1 2,90
12,0494
0,0101
0,0110
-0,5576
-0,3061
MG Paraisopolis 4 57,32
238,0035
0,1361
0,1367
2,7099
2,8655
MG Poços de C
aldas
3 1,10
4,5407
0,0048
0,0061
-0,6982
-0,4048
MG Pouso Alegre
2 5,02
20,7939
0,0240
0,0252
-0,1238
-0,2526
SP Araras 1 1,41
5,8198
0,0072
0,0087
-0,6203
-0,4003
SP Barueri 4 0,30
1,2484
0,0012
0,0059
-0,7460
-0,4550
SP Diadema 3 1,23
5,0060
0,0338
0,0422
0,3897
-0,6491
SP Guarulhos 5 2,12
8,4275
0,1135
0,1288
3,1595
-1,2192
SP Indaiatuba 2 0,51
2,1246
0,0033
0,0063
-0,7085
-0,4462
SP Itapevi 1 7,80
32,3878
0,0205
0,0211
-0,3002
-0,0121
SP Itatiba 1 7,37
30,4887
0,0508
0,0525
0,7388
-0,2792
SP Itu 3 1,09
4,5183
0,0083
0,0106
-0,5630
-0,4367
SP Itupeva 1 2,73
11,3447
0,0091
0,0100
-0,5896
-0,3111
SP Limeira 3 0,45
1,8448
0,0033
0,0072
-0,6923
-0,4557
SP
Mogi das Cruzes
3 5,15
21,2670
0,0467
0,0490
0,6528
-0,4199
SP Pederneiras 32 17,37
72,2045
0,0216
0,0219
-0,4329
0,7060
SP
São Bernardo do Campo
6 0,96
3,8272
0,0436
0,0590
0,8426
-0,7793
SP Tatuí 1 8,93
37,0199
0,0453
0,0465
0,5205
-0,1168
PR Irati 3 15,54
64,5205
0,0345
0,0350
0,0331
0,4685
SC Brusque 2 2,53
10,4143
0,0301
0,0333
0,1580
-0,4975
RS Cachoeirinha
1 1,91
7,9121
0,0104
0,0119
-0,5195
-0,3868
IC Médio e Pesos dos Índices (7) 8,20
24,04
38,46
37,49
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4)
Quociente locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC
médio foram excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component Total % of Variance
Cumulative %
1 2
1 1,988 66,266 66,27 QL 0,09 0,996
2 1,004 33,467 99,73 HHM 0,998 0,02
3 0,01 0,268 100,00 PR 0,992 -0,109
Tabela A66
Atividade 31.8 - Municípios concentradores de emprego na fabricação Manutenção
e reparação de máquinas, aparelhos e materiais elétricos pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1 FAC2-1
AM Manaus 7 5,21
23,4629
0,2783
0,2907
5,4335
-0,6009
PA Belém 3 0,71
3,3385
0,0065
0,0093
-0,2939
-0,2854
PE Jaboatão dos Guararapes
1 0,68
3,1921
0,0048
0,0070
-0,3357
-0,2828
BA Salvador 6 0,42
1,9394
0,0030
0,0062
-0,3618
-0,2898
MG Betim 2 1,18
5,4846
0,0216
0,0264
0,0375
-0,2976
MG Contagem 7 0,95
4,3718
0,0209
0,0271
0,0394
-0,3060
MG Monte Santo de Minas
1 167,57
789,0537
0,0658
0,0659
0,4780
5,0185
MG Para de Minas 1 2,71
12,7192
0,0107
0,0116
-0,2309
-0,2254
MG Santa Luzia 1 2,14
10,0623
0,0084
0,0093
-0,2778
-0,2399
MG Sarzedo 1 72,12
339,6025
0,0232
0,0233
-0,1601
2,0007
ES Cachoeiro de Itapemirim
2 0,67
3,1567
0,0037
0,0054
-0,3629
-0,2807
RJ Cordeiro 1 31,87
150,0569
0,0146
0,0147
-0,2333
0,7126
RJ Nova Iguaçu 4 1,77
8,2718
0,0123
0,0140
-0,1884
-0,2595
SP Artur Nogueira 2 5,17
24,3363
0,0082
0,0085
-0,2957
-0,1408
SP Bebedouro 2 3,01
14,1624
0,0058
0,0062
-0,3393
-0,2069
SP Cosmópolis 1 10,95
51,4849
0,0198
0,0202
-0,0697
0,0268
SP Franca 1 0,34
1,5693
0,0031
0,0085
-0,3370
-0,2953
SP Jundiaí 2 0,78
3,6274
0,0146
0,0202
-0,0981
-0,3000
SP Matao 1 2,42
11,3471
0,0148
0,0163
-0,1391
-0,2422
SP Ribeirão Preto 2 0,40
1,8923
0,0026
0,0054
-0,3744
-0,2890
SP São Jose dos Campos 1 0,41
1,8892
0,0066
0,0140
-0,2452
-0,3011
SP São Paulo 42 0,26
1,0540
0,0045
0,0868
0,4735
-0,3969
SP Votorantim 1 3,16
14,8383
0,0101
0,0109
-0,2462
-0,2097
PR Maringá 2 0,42
1,9573
0,0038
0,0078
-0,3377
-0,2919
PR Telemaco Borba 1 8,58
40,3035
0,0333
0,0341
0,2212
-0,0725
SC Florianópolis 1 5,12
24,0308
0,0178
0,0186
-0,0909
-0,1591
SC Lages 1 1,24
5,8085
0,0064
0,0078
-0,3120
-0,2664
SC Videira 2 2,55
11,9840
0,0128
0,0140
-0,1849
-0,2342
RS Cachoeira do Sul 1 3,27
15,3710
0,0058
0,0062
-0,3396
-0,1986
RS Canoas 1 0,54
2,5365
0,0038
0,0062
-0,3542
-0,2860
RS Caxias do Sul 7 0,28
1,3006
0,0031
0,0132
-0,2901
-0,3029
RS Porto Alegre 10 0,90
4,1272
0,0223
0,0295
0,0779
-0,3111
MS Tres Lagoas 2 3,84
18,0443
0,0095
0,0101
-0,2623
-0,1865
IC Médio e Pesos dos Índices (7) 2,04
21,23
39,50
39,27
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4) Quociente locacional; (5)
Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC médio foram excluídos os municípios com NE
igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component
Total % of Variance
Cumulative % 1
2
1 1,988
66,266
66,27
QL 0,091
0,996
2 1,004
33,467
99,73
HHM 0,998
0,018
3 0,008
0,268
100,00
PR 0,992
-0,109
Tabela A67
Atividade 31.9 - Municípios concentradores de emprego na fabricação de
outros equipamentos e aparelhos elétricos pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1
FAC2-1
AM
Manaus
24 0,81
3,7569
0,0342
0,0466
0,9619
-0,3168
PE Recife 19 0,28
1,3177
0,0016
0,0065
-0,5579
-0,4530
BA
Candeias
2 6,94
33,3625
0,0140
0,0145
-0,0967
1,0446
MG
Belo Horizonte
59 0,61
2,8161
0,0199
0,0308
0,3262
-0,3740
MG Betim
12 0,91
4,2880
0,0158
0,0206
0,0509
-0,2995
MG
Contagem
19 0,83
3,9239
0,0182
0,0244
0,1744
-0,3162
MG
Santa Rita do Sapucaí
11 3,38
16,2495
0,0094
0,0100
-0,2919
0,2513
MG Uberaba 6 0,75
3,6074
0,0055
0,0075
-0,4375
-0,3378
RJ
Rio de Janeiro
73 0,25
1,1243
0,0031
0,0279
-0,1672
-0,4973
SP
Americana
5 0,23
1,0955
0,0004
0,0051
-0,6109
-0,4640
SP Araras
8 1,21
5,7824
0,0071
0,0086
-0,3761
-0,2347
SP Barueri
11 0,81
3,8326
0,0135
0,0182
-0,0492
-0,3231
SP Boituva
5 3,93
18,8604
0,0117
0,0123
-0,1951
0,3740
SP
Bragança Paulista
6 5,56
26,6429
0,0344
0,0358
0,7923
0,7574
SP
Campinas
30 0,25
1,1897
0,0016
0,0098
-0,5040
-0,4651
SP Cotia 11 0,56
2,6695
0,0037
0,0060
-0,5080
-0,3833
SP
Diadema
26 0,26
1,2470
0,0021
0,0105
-0,4782
-0,4622
SP Garça 8 5,29
25,4411
0,0074
0,0077
-0,3848
0,6725
SP Itu 16 3,59
17,1205
0,0379
0,0403
0,9593
0,3214
SP Orlândia
3 7,72
37,0962
0,0151
0,0155
-0,0526
1,2177
SP Osasco
14 0,37
1,7402
0,0027
0,0063
-0,5319
-0,4298
SP Pedreira
8 2,90
13,8838
0,0134
0,0145
-0,1129
0,1463
SP
Pirapora do Bom Jesus
2 25,71
123,6756
0,0128
0,0129
-0,1559
5,2001
SP
Santo André
11 0,22
1,0651
0,0003
0,0052
-0,6122
-0,4660
SP
São Jose dos Campos
17 0,22
1,0531
0,0004
0,0078
-0,5676
-0,4712
SP
São Paulo
563 0,60
2,3072
0,1077
0,1901
5,2587
-0,4285
SP
Sorocaba
8 0,32
1,5171
0,0034
0,0100
-0,4518
-0,4448
SP Tatuí 3 1,78
8,5219
0,0095
0,0107
-0,2793
-0,1055
SP
Vinhedo
5 0,83
3,9717
0,0041
0,0055
-0,5076
-0,3213
PR Curitiba
76 0,26
1,1960
0,0026
0,0159
-0,3764
-0,4730
PR
São Jose dos Pinhais
5 2,06
9,7746
0,0321
0,0358
0,7309
-0,0259
SC
Jaraguá do Sul
12 0,69
3,2557
0,0114
0,0164
-0,1352
-0,3526
SC Joinvile
20 0,23
1,1038
0,0010
0,0108
-0,5010
-0,4726
RS Canoas
18 1,04
4,9636
0,0097
0,0121
-0,2497
-0,2712
RS
Caxias do Sul
61 0,57
2,6726
0,0170
0,0271
0,1872
-0,3825
RS
Porto Alegre
66 0,45
2,1054
0,0079
0,0150
-0,2502
-0,4136
IC Médio e Pesos dos Índices (7) 2,29
20,78
39,61
39,61
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4)
Quociente locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC
médio foram excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component Total % of Variance
Cumulative %
1
2
1 1,988
66,266
66,27
QL 0,09
0,996
2 1,004
33,467
99,73
HHM 0,998
0,02
3 0,01
0,268
100,00
PR 0,992
-0,109
Tabela A68
Atividade 32.1 - Municípios concentradores de emprego na fabricação de
material eletrônico básico pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1 FAC2-1
AM Manaus 62 3,58
15,8755
0,1843
0,1967
3,8370
0,0826
PE Recife 13 1,33
6,0610
0,0249
0,0298
-0,0054
-0,4135
MG Contagem 6 0,68
3,0659
0,0128
0,0190
-0,2603
-0,6328
MG Santa Rita do Sapucaí
52 9,76
45,0455
0,0272
0,0278
-0,2504
2,6650
SP Barueri 12 0,44
2,0019
0,0048
0,0095
-0,4628
-0,7002
SP Campinas 23 0,52
2,3468
0,0111
0,0193
-0,2752
-0,6912
SP Carapicuiba 5 3,05
14,0552
0,0115
0,0124
-0,4234
0,2477
SP Diadema 16 0,43
1,9560
0,0081
0,0165
-0,3424
-0,7176
SP Garça 19 7,15
33,0255
0,0096
0,0099
-0,5964
1,7470
SP Itu 2 1,03
4,7060
0,0087
0,0111
-0,4128
-0,4880
SP Jaguariúna 7 7,01
32,2131
0,0522
0,0538
0,4438
1,6104
SP Jundiaí 7 1,00
4,5565
0,0198
0,0253
-0,1109
-0,5252
SP Mauá 3 0,86
3,9524
0,0098
0,0131
-0,3711
-0,5514
SP Ribeirão Pires 3 1,26
5,7878
0,0055
0,0066
-0,5114
-0,3947
SP
São Jose dos Campos
24 2,72
12,2590
0,0832
0,0906
1,3797
-0,0259
SP São Paulo 366 0,45
1,7036
0,0580
0,1403
1,6898
-0,9880
SP Suzano 4 0,44
2,0173
0,0031
0,0061
-0,5236
-0,6922
SP
Taboão da Serra
12 0,92
4,2153
0,0069
0,0090
-0,4559
-0,5232
PR
Almirante Tamandaré
6 6,21
28,6728
0,0121
0,0125
-0,5082
1,3997
PR Colombo 4 1,21
5,5795
0,0053
0,0065
-0,5126
-0,4110
PR Londrina 14 0,42
1,9216
0,0037
0,0077
-0,4965
-0,7030
RS Caxias do Sul
39 0,22
1,0026
0,0000
0,0102
-0,5094
-0,7835
RS Gravataí 21 4,88
22,3449
0,0618
0,0647
0,7512
0,8142
RS Porto Alegre 52 0,36
1,6216
0,0044
0,0116
-0,4415
-0,7351
RS Vera Cruz 2 6,21
28,6897
0,0070
0,0073
-0,6312
1,4097
IC Médio e Pesos dos Índices (7) 2,49
21,63
39,56
38,81
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4) Quociente locacional;
(5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC médio foram excluídos os municípios
com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component Total % of Variance
Cumulative %
1
2
1 1,997
66,58
66,58
QL -0,246
0,969
2 0,974
32,481
99,06
HHM 0,978
0,174
3 0,03
0,94
100,00
PR 0,99
0,07
Tabela A69
Atividade 32.2 - Municípios concentradores de emprego na fabricação de aparelhos
e equipamentos de telefonia e radiotelefonia e de transmissores de televisão e
rádio pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1 FAC2-1
AM Manaus 27 3,95
15,2890
0,1770
0,1894
2,7897
-0,6417
BA Ilhéus 4 3,04
12,1866
0,0062
0,0067
-0,6701
-0,0336
MG Santa Rita do Sapucaí 25 8,72
34,9372
0,0209
0,0215
-0,6080
0,8638
RJ Rio de Janeiro 62 0,34
1,2915
0,0072
0,0320
-0,2962
-0,5897
SP Barueri 14 0,45
1,7851
0,0037
0,0085
-0,5710
-0,4776
SP Campinas 20 1,39
5,4593
0,0366
0,0449
0,0758
-0,4697
SP Embu 1 1,22
4,8710
0,0051
0,0064
-0,6095
-0,3401
SP Itu 2 0,80
3,2109
0,0052
0,0076
-0,5806
-0,4143
SP Jaguariuna 4 23,03
92,0044
0,1521
0,1538
1,4159
2,7292
SP São Caetano do Sul 7 0,67
2,6752
0,0048
0,0076
-0,5789
-0,4370
SP São Jose dos Campos 17 0,56
2,2211
0,0090
0,0164
-0,4449
-0,4908
SP São Paulo 181 0,65
2,1835
0,0975
0,1799
2,0529
-1,1399
SP Sorocaba 9 0,55
2,1804
0,0078
0,0143
-0,4774
-0,4843
SP Taubaté 2 1,70
6,7764
0,0160
0,0188
-0,3994
-0,3096
SP Votorantim 2 16,38
65,5947
0,0472
0,0480
-0,3968
2,0468
PR Curitiba 29 1,36
5,2748
0,0568
0,0701
0,5258
-0,5787
PR Maringá 5 0,55
2,1753
0,0047
0,0086
-0,5649
-0,4618
SC Florianopolis 3 3,33
13,3389
0,0096
0,0103
-0,6128
0,0004
SC São Jose 8 11,74
46,9424
0,0550
0,0562
-0,0499
1,2284
IC Médio e Pesos dos Índices 4,23
24,91
38,75
36,34
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4) Quociente
locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC médio foram
excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component Total
% of
Variance Cumulative % 1
2
1 1,997
66,58
66,58
QL -0,246
0,969
2 0,974
32,481
99,06
HHM 0,978
0,174
3 0,03
0,94
100,00
PR 0,99
0,07
Tabela A70
Atividade 32.3 - Municípios concentradores de emprego na fabricação de aparelhos
receptores de rádio e televisão e de reprodução, gravação ou amplificação de som e
vídeo pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1 FAC2-1
AM
Manaus
42 11,50
52,4753
0,6378
0,6502
3,2936
0,3651
MG
Brazopolis
1 24,14
115,2634
0,0070
0,0071
-0,5650
2,4541
MG
Sete Lagoas
2 0,65
3,0901
0,0044
0,0066
-0,2823
-0,6611
SP Barr
a Bonita
2 14,25
67,9709
0,0219
0,0223
-0,3547
1,1323
SP
Indaiatuba
1 0,68
3,2198
0,0066
0,0095
-0,2678
-0,6589
SP
Itaquaquecetuba
3 1,93
9,1319
0,0187
0,0210
-0,2147
-0,5010
SP Osasco
3 0,93
4,3904
0,0122
0,0158
-0,2362
-0,6297
SP Poa
1 1,38
6,5929
0,0049
0,0057
-0,2925
-0,5635
SP
Presidente Prudente
5 1,98
9,3995
0,0135
0,0151
-0,2478
-0,4905
SP
São Paulo
101 0,33
1,3376
0,0278
0,1102
0,0901
-0,7517
SC
Rio do Sul
7 3,26
15,4936
0,0172
0,0183
-0,2434
-0,3231
RS
Cachoeirinha
3 1,23
5,8511
0,0073
0,0088
-0,2745
-0,5857
RS
Nova Santa Rita
3 14,83
70,7513
0,0145
0,0148
-0,4051
1,2136
IC Médio e Pesos dos Índices (7)
4,41
20,94
39,63
39,43
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4) Quociente
locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC médio foram
excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component Total % of Variance Cumulative %
1
2
1 2,145
71,507
71,51
QL 0,504
0,864
2 0,848
28,265
99,77
HHM 0,978
-0,198
3 0,01
0,229
100,00
PR 0,967
-0,249
Tabela A71
Atividade 32.9 - Municípios concentradores de emprego na manutenção e reparação
de aparelhos e equipamentos de telefonia e radiotelefonia e de transmissores de
televisão e rádio(exceto telefones) pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1
FAC2-1
RO Porto Velho 1 2,58
12,7709
0,0062
0,0067
-0,4504
-0,2797
RN Natal 1 0,48
2,3675
0,0039
0,0067
-0,4693
-0,3305
PB João Pessoa 3 0,64
3,1690
0,0046
0,0067
-0,4639
-0,3264
PE Recife 1 3,24
15,7594
0,0725
0,0774
0,4503
-0,2281
SE Aracaju 2 4,08
20,1066
0,0288
0,0303
-0,1454
-0,2319
MG Arcos 1 7,51
37,1599
0,0098
0,0101
-0,3994
-0,1608
MG Claudio 1 2,71
13,3841
0,0062
0,0067
-0,4501
-0,2767
MG Divinopolis 2 2,02
9,9123
0,0212
0,0236
-0,2425
-0,2848
ES Vitoria 2 1,27
6,2568
0,0057
0,0067
-0,4557
-0,3111
RJ Rio de Janeiro 15 0,68
3,1212
0,0526
0,0774
0,3025
-0,2964
SP Franca 1 0,38
1,8590
0,0047
0,0101
-0,4440
-0,3321
SP Santana de Parnaíba
1 9,15
45,0696
0,0626
0,0640
0,3039
-0,0936
SP São Paulo 16 1,28
4,9050
0,3217
0,4040
4,1879
-0,1304
PR
Fazenda Rio Grande
1 36,95
182,7620
0,0670
0,0673
0,3827
0,5691
PR Maringá 1 0,35
1,7003
0,0028
0,0067
-0,4776
-0,3341
SC Chapeco 2 1,69
8,2906
0,0148
0,0168
-0,3291
-0,2962
SC Joinvile 3 0,36
1,7154
0,0070
0,0168
-0,3872
-0,3307
RS Caxias do Sul 3 1,88
8,9719
0,0808
0,0909
0,5884
-0,2553
RS Novo Hamburgo
1 0,22
1,0703
0,0004
0,0067
-0,4948
-0,3380
RS Santa Rosa 1 1,94
9,5601
0,0060
0,0067
-0,4523
-0,2952
RS São Borja 1 22,00
108,9261
0,0133
0,0135
-0,3400
0,1854
MT
Santo Antonio do Leverger
1 198,55
983,3608
0,0101
0,0101
-0,2140
4,3775
IC Médio e Pesos dos Índices (7) 1,49
20,19
39,89
39,93
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4)
Quociente locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC
médio foram excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component
Total % of Variance Cumulative %
1
2
1 2,055
68,492
68,49
QL -0,327
0,945
2 0,942
31,4
99,89
HHM 0,986
0,16
3 0,003
0,108
100,00
PR 0,987
0,154
Tabela A72
Atividade 33.1 - Municípios concentradores de emprego na fabricação de aparelhos
e instrumentos para usos médico-hospitalares, odontológicos e de laboratórios e
aparelhos ortopédicos pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1 FAC2-1
PE
Recife
22
0,56
2,6362
0,0080
0,0130
-0,3846
-0,4219
BA Feira de Santa
na
4
2,79
13,3326
0,0272
0,0294
0,1620
0,4151
MG
Belo Horizonte
82
0,46
2,1422
0,0125
0,0235
-0,1514
-0,4821
MG
Juiz de Fora
13
4,52
21,5045
0,0644
0,0675
1,3653
1,0241
MG
Lagoa da Prata
1
3,12
15,0229
0,0050
0,0054
-0,6067
0,5763
MG
Nova Lima
6
13,82
66,5085
0,0164
0,0167
-0,4776
4,6498
RJ
Rio de Janeiro
81
0,27
1,2236
0,0056
0,0304
-0,1865
-0,5863
SP
Amparo
5
1,42
6,8115
0,0073
0,0086
-0,4791
-0,0799
SP
Araraquara
10
0,7
3,3637
0,0045
0,0064
-0,5457
-0,3524
SP
Barueri
6
0,37
1,7724
0,0037
0,0084
-0,5271
-0,4857
SP
Campinas
38
0,59
2,7737
0,0146
0,0228
-0,1236
-0,4266
SP
Diadema
14
0,35
1,6321
0,0053
0,0138
-0,4213
-0,5085
SP
Guarulhos
13
0,23
1,0910
0,0014
0,0167
-0,4547
-0,5665
SP Jau
6
1,19
5,6830
0,0098
0,0119
-0,3798
-0,1742
SP
Mogi das Cruzes
7
0,75
3,6013
0,0060
0,0083
-0,4928
-0,3361
SP
Mogi Mirim
9
3,78
18,1262
0,0186
0,0197
-0,1626
0,8071
SP
Osasco
6
0,31
1,4563
0,0016
0,0053
-0,6088
-0,5056
SP
Piracicaba
17
0,5
2,3854
0,0061
0,0106
-0,4532
-0,4386
SP
Ribeirão Preto
66
5,07
24,1396
0,0664
0,0692
1,4151
1,2319
SP
Rio Claro
16
2,27
10,8469
0,0270
0,0297
0,1725
0,2167
SP São Ca
rlos
12
0,62
2,9749
0,0066
0,0100
-0,4549
-0,3893
SP
São Jose do Rio Preto
17
3,04
14,4909
0,0339
0,0364
0,3815
0,4996
SP
São Paulo
371
0,66
2,5315
0,1262
0,2085
4,5931
-0,7605
SP Sorocaba
9
1,1
5,1819
0,0275
0,0341
0,2705
-0,2438
PR
Curitiba
51
0,83
3,8120
0,0373
0,0506
0,6952
-0,3807
PR
Londrina
24
0,57
2,7170
0,0069
0,0109
-0,4357
-0,4119
SC Joinvile 6
0,67
3,1409
0,0210
0,0308
0,1099
-0,4082
RS
Cachoeirinha
4
1,06
5,0652
0,0061
0,0076
-0,5063
-0,2179
RS
Canoas
11
1,04
4,9452
0,0097
0,0121
-0,3765
-0,2335
RS
Porto Alegre
84
0,47
2,2152
0,0087
0,0158
-0,3310
-0,4620
GO
Goiânia
22
0,22
1,0221
0,0002
0,0074
-0,6052
-0,5487
IC Médio e Pesos dos Índices (7)
1,72
20,76
39,77
39,48
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4) Quociente
locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC médio foram
excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component Total % of Variance
Cumulative % 1
2
1 2,107
70,236
70,24
QL 0,431
0,902
2 0,893
29,762
100,00
HHM 0,982
-0,191
3 0,00
0,00
100,00
PR 0,978
-0,206
Tabela A73
Atividade 33.2 - Municípios concentradores de emprego na fabricação de aparelhos
e instrumentos de medida, teste e controle - exceto equipamentos para controle
de processos industriais pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1 FAC2-1
MG
Contagem
2 2,02
9,7215
0,0541
0,0603
0,6930
-0,3249
MG
Montes Claros
2 4,70
22,9921
0,0360
0,0376
0,1779
0,0625
MG
Ouro Fino
1 15,96
78,4463
0,0164
0,0166
-0,3480
1,6748
MG
Santa Rita do Sapucaí
2 3,91
19,1689
0,0112
0,0118
-0,4666
-0,0520
RJ
Resende
1 6,87
33,6912
0,0201
0,0207
-0,2425
0,3722
SP
Araçatuba
1 1,20
5,9056
0,0049
0,0059
-0,6211
-0,4394
SP Barueri
3 0,22
1,0780
0,0004
0,0051
-0,6962
-0,5840
SP
Bragança Paulista
1 1,07
5,2141
0,0057
0,0070
-0,5982
-0,4597
SP
Diadema
7 1,73
8,2681
0,0612
0,0697
0,8989
-0,3679
SP Embu
1 3,27
16,0147
0,0198
0,0212
-0,2378
-0,1430
SP
Guarulhos
8 1,50
7,0098
0,0919
0,1071
1,7556
-0,4055
SP Ipero
1 8,98
44,0989
0,0144
0,0148
-0,3914
0,6745
SP Itapuí
3 34,77
170,8387
0,0431
0,0434
0,3188
4,3686
SP
Itaquaquecetuba
2 1,32
6,4265
0,0125
0,0148
-0,4138
-0,4242
SP Itu 2 0,74
3,6355
0,0062
0,0086
-0,5732
-0,5065
SP
Mairinque
1 3,36
16,4842
0,0089
0,0095
-0,5252
-0,1305
SP
Nova Odessa
2 2,04
9,9703
0,0132
0,0146
-0,4060
-0,3202
SP Poa
2 2,11
10,3656
0,0082
0,0090
-0,5404
-0,3090
SP Salto
1 7,32
35,8160
0,0497
0,0512
0,5248
0,4382
SP
São Caetano do Sul
6 3,05
14,8638
0,0395
0,0423
0,2807
-0,1746
SP
São Paulo
108 0,75
2,9203
0,1582
0,2406
4,1694
-0,5720
SP
Suzano
1 1,55
7,5451
0,0197
0,0227
-0,2217
-0,3910
PR
São Jose dos Pinhais
2 0,35
1,7004
0,0026
0,0062
-0,6520
-0,5645
SC
Blumenau
3 0,22
1,0778
0,0005
0,0068
-0,6761
-0,5853
SC
Joinvile
4 0,33
1,5845
0,0057
0,0156
-0,5051
-0,5727
RS Cacho
eira do Sul
2 9,26
45,4784
0,0180
0,0184
-0,3011
0,7152
RS
Gravataí
2 0,53
2,5792
0,0046
0,0075
-0,6089
-0,5380
RS
Porto Alegre
19 1,22
5,8604
0,0347
0,0418
0,2064
-0,4412
IC Médio e Pesos dos Índices (7)
3,86
20,33
39,85
39,81
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4) Quociente
locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC médio foram
excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component
Total % of Variance
Cumulative % 1
2
1 1,983
66,095
66,10
QL 0,03
1,00
2 1,003
33,417
99,51
HHM 0,996
0,03
3 0,01
0,488
100,00
PR 0,995
-0,05
Tabela A74
Atividade 33.3 - Municípios concentradores de emprego na fabricação de máquinas,
aparelhos e equipamentos de sistemas eletrônicos dedicados à automação industrial
e controle do processo produtivo pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1
FAC2-1
PA Almeirim 1 55,05
263,9617
0,0142
0,0143
-0,5299
5,0494
PE
Jaboatão dos Guararapes
2 1,37
6,5244
0,0121
0,0143
-0,2547
-0,2318
MG Belo Horizonte
13 0,57
2,6382
0,0179
0,0289
-0,0237
-0,3295
MG Itajuba 1 1,08
5,1762
0,0050
0,0061
-0,4283
-0,2501
MG
Pedro Leopoldo
2 2,41
11,5161
0,0049
0,0054
-0,4433
-0,1191
ES Aracruz 2 5,81
27,7888
0,0153
0,0159
-0,2216
0,2028
SP Barueri 9 1,07
5,0432
0,0193
0,0240
-0,0604
-0,2737
SP Bauru 1 0,92
4,3685
0,0070
0,0090
-0,3718
-0,2701
SP Campinas 17 0,25
1,1865
0,0015
0,0098
-0,4297
-0,3372
SP Cotia 7 0,49
2,3343
0,0030
0,0052
-0,4593
-0,3076
SP Diadema 7 0,43
2,0353
0,0087
0,0172
-0,2622
-0,3282
SP Embu 2 1,83
8,7484
0,0102
0,0116
-0,3089
-0,1830
SP
Itapecerica da Serra
2 5,51
26,3717
0,0101
0,0105
-0,3429
0,1799
SP Osasco 1 0,93
4,4078
0,0123
0,0159
-0,2327
-0,2773
SP São Carlos 8 1,17
5,5505
0,0152
0,0186
-0,1682
-0,2569
SP São Paulo 130 0,72
2,7369
0,1431
0,2255
3,6123
-0,5619
SP Sertãozinho 6 14,51
68,9012
0,1758
0,1783
3,4620
0,8620
SP Sorocaba 8 0,69
3,2387
0,0147
0,0213
-0,1440
-0,3079
SC Blumenau 3 0,46
2,1610
0,0074
0,0137
-0,3152
-0,3214
SC Criciúma 4 0,46
2,1968
0,0028
0,0051
-0,4640
-0,3102
SC Florianópolis 2 2,05
9,7924
0,0068
0,0076
-0,3951
-0,1570
SC Jaraguá do Sul
3 2,84
13,3566
0,0623
0,0673
0,9283
-0,1522
RS
Campo Bom
5 0,47
2,2572
0,0032
0,0058
-0,4507
-0,3098
RS Canoas 11 0,65
3,1008
0,0051
0,0076
-0,4085
-0,2945
RS Caxias do Sul
10 0,25
1,1579
0,0016
0,0117
-0,4082
-0,3404
RS Gravataí 6 2,09
9,9178
0,0258
0,0287
0,0663
-0,1787
RS Guaíba 4 11,33
54,2434
0,0287
0,0292
0,0568
0,7304
RS Porto Alegre 26 0,65
3,0348
0,0145
0,0217
-0,1426
-0,3126
RS São Leopoldo
6 0,65
3,0714
0,0051
0,0076
-0,4088
-0,2951
DF Brasília 1 0,39
1,8653
0,0029
0,0061
-0,4512
-0,3184
IC Médio e Pesos dos Índices (7) 2,14
20,85
39,74
39,41
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4)
Quociente locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC
médio foram excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component
Total % of Variance
Cumulative %
1
2
1 1,983
66,095
66,10
QL 0,03
1
2 1,003
33,417
99,51
HHM 0,996
0,03
3 0,01
0,488
100,00
PR 0,995
-0,05
Tabela A75
Atividade 33.4 - Municípios concentradores de emprego na fabricação
de aparelhos, instrumentos e materiais ópticos, fotográficos e cinematográficos
pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1 FAC2-1
AM Manaus
20 1,37
5,9115
0,0609
0,0732
1,1332
-0,3266
PI Teresina
6 0,54
2,3952
0,0034
0,0058
-0,5957
-0,5232
CE Fortaleza
17 0,35
1,5238
0,0059
0,0171
-0,3985
-0,6543
PB
João Pessoa
3 2,89
12,8859
0,0253
0,0274
-0,1106
0,5532
BA F
eira de Santana
5 1,00
4,4376
0,0076
0,0098
-0,5045
-0,3130
MG
Belo Horizonte
18 0,49
2,1353
0,0124
0,0234
-0,2232
-0,6041
MG
Montes Claros
2 1,22
5,4408
0,0073
0,0089
-0,5342
-0,2019
MG Uberlândia
1 0,50
2,2374
0,0041
0,0074
-0,5627
-0,5450
RJ
Duque de Caxias
6 0,35
1,5651
0,0021
0,0059
-0,6030
-0,6142
RJ Petrópolis
6 8,58
38,2480
0,0758
0,0778
1,0016
3,1593
RJ Rio de Janeiro
44 0,86
3,6069
0,0647
0,0895
1,4329
-0,6281
SP
Araçatuba
1 1,14
5,1173
0,0041
0,0051
-0,6284
-0,2265
SP Barretos
5 1,89
8,4753
0,0070
0,0079
-0,5918
0,1287
SP
Campinas
23 3,73
16,2863
0,1256
0,1338
2,7977
0,6403
SP Mauá 1 0,60
2,6836
0,0056
0,0089
-0,5245
-0,5009
SP
Morungaba
1 8,21
36,8249
0,0089
0,0091
-0,9194
3,1845
SP Osasco
6 2,08
9,2353
0,0297
0,0333
0,0832
0,1428
SP Rio Claro
3 0,90
3,9845
0,0082
0,0109
-0,4750
-0,3652
SP
Santo André
3 0,55
2,4298
0,0069
0,0118
-0,4625
-0,5371
SP
São Carlos
4 1,41
6,2473
0,0176
0,0209
-0,2274
-0,1474
SP
São Jose do Rio Preto
6 0,81
3,5888
0,0065
0,0090
-0,5205
-0,4028
SP São Paulo
121 0,56
2,0783
0,0888
0,1712
2,8843
-1,0549
SP Suzano
1 1,33
5,9189
0,0148
0,0178
-0,3070
-0,1745
SP Taubate
5 1,49
6,6322
0,0156
0,0184
-0,2967
-0,0988
SP Tupã 2 3,07
13,7531
0,0055
0,0059
-0,7108
0,7036
RS
Porto Alegre
20 1,40
6,1444
0,0367
0,0439
0,3711
-0,2210
RS São Leopoldo
6 0,87
3,8782
0,0071
0,0096
-0,5076
-0,3730
IC Médio e Pesos dos Índices (7)
1,78
22,28
39,57
38,15
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4)
Quociente locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC
médio foram excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component Total % of Variance
Cumulative %
1
2
1 1,983
66,095
66,10
QL 0,03
1,00
2 1,003
33,417
99,51
HHM 1,00
0,03
3 0,015
0,488
100,00
PR 1,00
-0,05
Tabela A76
Atividade 33.5 - Municípios concentradores de emprego na fabricação de
Cronômetros e relógios pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1
AM Manaus 19 14,28
46,8074
0,5675
0,5799
3,7709
PA Belém 1 0,65
2,1786
0,0033
0,0061
-0,3914
PE Recife 2 0,89
2,9648
0,0097
0,0146
-0,3317
SE Estância 1 8,59
28,9383
0,0106
0,0109
0,3633
BA Salvador 1 0,76
2,5312
0,0049
0,0081
-0,3725
MG Belo Horizonte
7 0,82
2,6987
0,0186
0,0295
-0,2771
RJ Rio de Janeiro
6 0,97
3,1154
0,0525
0,0773
-0,0546
RJ Teresópolis 1 4,26
14,3574
0,0083
0,0089
-0,0418
SP Campinas 1 0,35
1,1823
0,0015
0,0097
-0,4138
SP
Santana de Parnaíba
1 1,19
3,9916
0,0043
0,0057
-0,3409
SP
São Caetano do Sul
1 0,59
1,9911
0,0028
0,0057
-0,3987
SP São Paulo 31 0,72
2,1224
0,0925
0,1748
0,2721
PR Curitiba 5 0,41
1,3409
0,0045
0,0178
-0,3810
PR Pinhais 1 1,23
4,1311
0,0043
0,0057
-0,3370
SC Timbó 3 1,64
5,5205
0,0070
0,0085
-0,2852
RS Porto Alegre 4 0,51
1,7010
0,0050
0,0121
-0,3843
DF Brasília 2 0,59
1,9680
0,0032
0,0065
-0,3963
IC Médio e Pesos dos Índices (7) 2,26
29,65
35,68
34,67
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4) Quociente
locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC médio foram
excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component Total % of Variance
Cumulative %
1
2
1 1,983
66,095
66,10
QL 0,03
1
2 1,003
33,417
99,51
HHM 0,996
0,03
3 0,01
0,488
100,00
PR 0,995
-0,05
Tabela A77
Atividade 33.9 - Municípios concentradores de emprego na Manutenção e reparação
de equipamentos médico-hospitalares, instrumentos de precisão e ópticos e
equipamentos para automação industrial pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1 FAC2-1
CE Eusébio 1 1,30
6,4534
0,0060
0,0071
-0,4048
-0,2918
CE Fortaleza 7 0,72
3,4553
0,0276
0,0389
-0,0328
-0,3041
CE Horizonte 1 3,39
16,8129
0,0266
0,0283
-0,1136
-0,2534
BA Feira de Santana 2 0,48
2,4013
0,0031
0,0053
-0,4372
-0,3070
MG Belo Horizonte 12 2,42
11,6204
0,1163
0,1272
1,1998
-0,2735
MG Contagem 3 0,81
3,9856
0,0185
0,0247
-0,1944
-0,3016
MG Rio Acima 1 262,64
1312,4450
0,0230
0,0230
-0,1754
4,5617
RJ
Conceição de Macabu
1 58,70
293,3074
0,0053
0,0053
-0,4218
0,7743
SP Americana 2 15,54
76,2762
0,3470
0,3516
4,3697
-0,0321
SP Araras 1 4,31
21,4011
0,0303
0,0318
-0,0630
-0,2363
SP Barueri 1 0,38
1,8558
0,0041
0,0088
-0,4058
-0,3093
SP Limeira 1 1,19
5,8860
0,0191
0,0230
-0,2029
-0,2942
SP Piracicaba 1 1,46
7,1818
0,0274
0,0318
-0,0836
-0,2895
SP Rio das Pedras 1 25,04
124,8474
0,0754
0,0760
0,5585
0,1483
SP São Jose do Rio Preto
4 1,14
5,6262
0,0116
0,0141
-0,3163
-0,2951
SP Sorocaba 4 0,27
1,3432
0,0023
0,0088
-0,4185
-0,3115
SP Taboão da Serra 3 0,67
3,3004
0,0049
0,0071
-0,4121
-0,3037
PR Curitiba 15 0,33
1,5966
0,0079
0,0212
-0,2931
-0,3112
PR Pinhais 1 2,33
11,5940
0,0145
0,0159
-0,2837
-0,2728
SC Joinvile 1 0,37
1,8003
0,0079
0,0177
-0,3181
-0,3101
RS Nova Santa Rita 1 11,88
59,3216
0,0122
0,0124
-0,3248
-0,0953
MT
Campo Novo do Parecis
1 12,51
62,5038
0,0087
0,0088
-0,3735
-0,0834
MT Cuiabá 4 0,94
4,6732
0,0056
0,0071
-0,4077
-0,2985
DF Brasília 6 0,33
1,6109
0,0020
0,0053
-0,4448
-0,3101
IC Médio e Pesos dos Índices (7) 2,02
20,01
39,99
39,99
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4) Quociente
locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC médio foram
excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component Total % of Variance
Cumulative %
1
2
1 1,983
66,095
66,10
QL 0,03
1
2 1,003
33,417
99,51
HHM 0,996
0,03
3 0,01
0,488
100,00
PR 0,995
-0,05
Tabela A78
Atividade 34.1 - Municípios concentradores de emprego na fabricação de automóveis,
caminhonetas e utilitários pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1 FAC2-1
CE Horizonte 1 0,71
3,0971
0,0035
0,0052
-0,5830
-0,9460
BA Camaçari 4 2,28
9,8401
0,0262
0,0292
-0,3576
-0,4344
MG Betim 7 6,84
29,3496
0,1362
0,1410
0,9192
0,9272
MG Juiz de Fora 1 1,35
5,8147
0,0151
0,0183
-0,4504
-0,7480
RJ Porto Real 1 9,13
39,7174
0,0228
0,0234
-0,9137
2,1312
SP Indaiatuba 1 1,55
6,6792
0,0168
0,0198
-0,4417
-0,6785
SP
São Bernardo do Campo
17 4,42
18,3496
0,2676
0,2831
3,0666
-0,3903
SP
São Caetano do Sul
1 5,60
24,1595
0,0659
0,0688
-0,0221
0,6801
SP São Carlos 1 0,55
2,3932
0,0047
0,0080
-0,5431
-1,0119
SP
São Jose dos Campos
3 4,84
20,6011
0,1448
0,1522
1,2039
0,1523
SP Sumare 1 1,80
7,7786
0,0122
0,0140
-0,5336
-0,5702
SP Taubaté 7 8,62
37,2227
0,1003
0,1031
0,2586
1,7017
PR Curitiba 5 0,76
3,2001
0,0292
0,0425
-0,1322
-1,0259
PR
São Jose dos Pinhais
3 2,54
10,9484
0,0364
0,0401
-0,2245
-0,3687
RS Gravatai 1 2,07
8,9519
0,0230
0,0259
-0,3898
-0,5013
GO Catalão 2 6,23
27,1092
0,0125
0,0129
-0,8566
1,0827
IC Médio e Pesos dos Índices (7) 3,71
22,95
38,71
38,34
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4) Quociente
locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC médio foram
excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component Total
% of
Variance
Cumulative
% 1
2
1 2,223
74,097
74,10
QL 0,586
0,81
2 0,777
25,887
99,98
HHM 0,973
-0,232
3 0,00
0,02
100,00
PR 0,966
-0,258
Tabela A79
Atividade 34.2 - Municípios concentradores de emprego na fabricação de
caminhões e ônibus pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1 FAC2-1
MG Sete Lagoas 1 2,21
10,2542
0,0196
0,0218
-0,3882
-0,6035
RJ Resende 6 13,05
60,9765
0,0368
0,0374
-0,5653
1,3919
SP Campinas 3 0,91
4,1717
0,0261
0,0343
-0,3177
-0,8491
SP Pederneiras 1 12,29
57,4863
0,0172
0,0175
-0,6337
1,2645
SP
São Bernardo do Campo
4 9,83
43,6128
0,6574
0,6728
2,2277
0,3708
PR Curitiba 3 1,59
7,1274
0,0814
0,0947
-0,0827
-0,7633
RS Caxias do Sul
7 1,19
5,3880
0,0445
0,0546
-0,2401
-0,8114
IC Médio e Pesos dos Índices (7) 4,79
21,35
39,43
39,22
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4) Quociente
locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC médio foram
excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component Total
% of
Variance
Cumulative %
1
2
1 2,107
70,236
70,236
QL 0,431
0,902
2 0,893
29,762
99,998
HHM 0,982
-0,191
3 0,00
0,00
100,00
PR 0,978
-0,206
Tabela A80
Atividade 34.3 - Municípios concentradores de emprego na fabricação de cabines,
carrocerias e reboques pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1
FAC2-1
PE Jaboatão dos Guararap
es
7
0,58
2,5562
0,0034
0,0056
-0,4049
-0,7777
MG Betim 5
0,24
1,0721
0,0004
0,0052
-0,4186
-0,8699
MG Pouso Alegre
5
4,86
21,6257
0,0250
0,0262
-0,2515
0,4010
RJ
Duque de Caxias
10
2,17
9,5947
0,0324
0,0362
0,0276
-0,4060
SP Botucatu 8
10,46
46,5231
0,0607
0,0620
0,0877
1,9163
SP Guarulhos 25
0,4
1,7183
0,0110
0,0263
-0,1545
-0,8763
SP
São Jose do Rio Preto
10
1,84
8,1632
0,0180
0,0205
-0,2137
-0,4557
SP Votuporanga
10
11,5
51,1989
0,0430
0,0438
-0,2698
2,2713
PR Cascavel 12
1,79
7,9559
0,0124
0,0142
-0,3133
-0,4520
PR Ibipora 3
2,86
12,7716
0,0048
0,0053
-0,5068
-0,1153
PR Quatro Barras
3
3,23
14,4007
0,0063
0,0068
-0,4993
-0,0137
PR
São Jose dos Pinhais
6
1,15
5,0851
0,0149
0,0186
-0,2226
-0,6489
PR Sarandi 6
9,99
44,5438
0,0177
0,0181
-0,6328
1,9118
SC Joinvile 13
2,25
9,7223
0,0856
0,0954
0,9875
-0,5598
RS Caxias do Sul
40
6,29
27,1662
0,2651
0,2753
3,8699
0,0608
RS Erechim 4
5,86
26,0241
0,0456
0,0474
0,0580
0,6269
RS Sapucaia do Sul
9
2,11
9,3812
0,0118
0,0133
-0,3417
-0,3572
GO Anapolis 19
0,57
2,5090
0,0033
0,0055
-0,4061
-0,7805
GO Goiânia 40
0,24
1,0662
0,0005
0,0078
-0,3952
-0,8750
IC Médio e Pesos dos Índices (7) 3,60
22,39
39,00
38,61
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4) Quociente
locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC médio foram
excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component Total % of Variance
Cumulative %
1
2
1 2,107 70,236
70,236
QL 0,431
0,902
2
0,893
29,762
99,998
HHM 0,982
-0,191
3 0,00 0,00
100,00
PR 0,978
-0,206
Tabela A81
Atividade 34.4 - Municípios concentradores de emprego na fabricação de peças e
acessórios para veículos automotores pelo cálculo do IC
UF
(1)
MINICÍPIOS
NE
(2)
IC
(3)
QL
(4)
HHM
(5)
PR
(6)
FAC1-1
FAC2-1
AM Manaus 22 0,38
1,6710
0,0083
0,0207
-0,1819
-0,8913
BA Camaçari 19 0,59
2,6623
0,0049
0,0079
-0,6255
-0,6609
MG Betim 31 0,54
2,4639
0,0070
0,0118
-0,4390
-0,6981
MG Contagem 23 0,59
2,6801
0,0104
0,0166
-0,1708
-0,6357
MG Extrema 8 2,47
11,3100
0,0049
0,0054
-0,6303
1,2281
MG Itajuba 6 2,52
11,5119
0,0125
0,0137
-0,0886
1,3155
MG Lavras 4 3,55
16,2796
0,0081
0,0086
-0,3762
2,3277
MG Três Corações
2 2,31
10,5904
0,0067
0,0074
-0,5054
1,0818
SP Aruja 4 1,44
6,5704
0,0047
0,0055
-0,6677
0,1951
SP Campinas 32 1,17
5,2148
0,0346
0,0428
1,5664
0,0554
SP Cruzeiro 3 4,90
22,4205
0,0237
0,0248
0,7591
3,7558
SP Diadema 52 0,65
2,9001
0,0160
0,0244
0,2679
-0,5622
SP Guarulhos 88 0,62
2,7194
0,0263
0,0416
1,1346
-0,5647
SP Hortolândia 11 1,08
4,9461
0,0058
0,0073
-0,5840
-0,1534
SP Indaiatuba 32 1,15
5,2228
0,0125
0,0154
-0,0867
-0,0582
SP Limeira 36 1,22
5,5263
0,0177
0,0216
0,2954
0,0359
SP Maua 24 1,25
5,6704
0,0155
0,0188
0,1331
0,0562
SP Mogi Guacu
12 2,56
11,6994
0,0182
0,0200
0,3247
1,3896
SP Mogi Mirim
4 1,62
7,3857
0,0069
0,0080
-0,5004
0,3852
SP Nova Odessa
3 1,15
5,2678
0,0063
0,0077
-0,5515
-0,0807
SP Osasco 28 0,86
3,9163
0,0105
0,0141
-0,2168
-0,3566
SP Piracicaba 18 0,46
2,1048
0,0049
0,0093
-0,5983
-0,7878
SP Ribeirão Pires 16 1,13
5,1827
0,0048
0,0059
-0,6622
-0,1070
SP Santo André
31 0,44
1,9865
0,0048
0,0097
-0,5963
-0,8157
SP São Bernardo do Camp
o
62 0,77
3,3821
0,0368
0,0522
1,8667
-0,3573
SP
São Caetano do Sul
29 0,59
2,6780
0,0048
0,0076
-0,6390
-0,6579
SP
São Jose dos Campos
8 0,23
1,0203
0,0002
0,0075
-0,8657
-1,0636
SP São Paulo 578 0,43
1,6345
0,0523
0,1346
4,4632
-0,8953
SP Sorocaba 28 1,35
6,0767
0,0334
0,0400
1,4487
0,2414
SP
Taboão da Serra
9 1,11
5,0593
0,0087
0,0108
-0,3688
-0,1137
SP Taubate 14 0,65
2,9695
0,0055
0,0082
-0,5919
-0,5901
SP Valinhos 9 2,03
9,2568
0,0151
0,0169
0,0943
0,8390
SP Várzea Paulista
4 1,08
4,9490
0,0041
0,0051
-0,7138
-0,1617
PR Curitiba 59 0,69
3,0463
0,0272
0,0405
1,1528
-0,4806
PR
São Jose dos Pinhais
38 0,62
2,8232
0,0067
0,0103
-0,4883
-0,6179
SC Brusque 7 0,38
1,7158
0,0023
0,0055
-0,8089
-0,8836
RS Canoas 22 0,57
2,5990
0,0039
0,0064
-0,7086
-0,6789
RS Caxias do Sul
92 0,67
2,9636
0,0199
0,0300
0,5764
-0,5311
RS Gravataí 25 0,80
3,6312
0,0076
0,0105
-0,4353
-0,4336
RS Porto Alegre 52 0,43
1,9351
0,0067
0,0138
-0,4139
-0,8240
RS São Marcos
22 2,99
13,7142
0,0056
0,0060
-0,5675
1,7551
IC Médio e Pesos dos Índices (7) 1,22
21,79
38,89
39,32
(1) Unidade da federação; (2) Número de estabelecimentos; (3) Índice de concentração; (4) Quociente
locacional; (5) Hirschman Herfindal; (6) participação relativa. (7) No cálculo do IC médio foram
excluídos os municípios com NE igual a um e IC maior que dez.
Resultado da análise de componentes principais
Total Variance Explained Component Matrix
Initial Eigenvalues Component
Component Total % of Variance
Cumulative % 1
2
1 2,107
70,236
70,236
QL 0,431
0,902
2 0,893
29,762
99,998
HHM 0,982
-0,191
3 0,00
0,00
100,00
PR 0,978
-0,206
APÊNDICE B -
RESULTADOS DA ANÁLISE DE COMPONENTES
PRINCIPAIS
Tabela A82
Total Variance Explained (AF1)
Initial Eigenvalues Extraction Sums of Squared Loadings
Component
Total % of Variance Cumulative % Total % of Variance Cumulative %
1 12,271
25,044
25,044
12,271
25,044
25,044
2 8,119
16,570
41,613
8,119
16,570
41,613
3 3,542
7,229
48,842
3,542
7,229
48,842
4 2,727
5,565
54,407
2,727
5,565
54,407
5 2,325
4,745
59,151
2,325
4,745
59,151
6 1,905
3,888
63,039
1,905
3,888
63,039
7 1,574
3,213
66,252
1,574
3,213
66,252
8 1,448
2,954
69,206
1,448
2,954
69,206
9 1,201
2,451
71,657
1,201
2,451
71,657
10 1,139
2,325
73,982
1,139
2,325
73,982
11 1,105
2,255
76,237
1,105
2,255
76,237
12 1,009
2,060
78,296
1,009
2,060
78,296
13 0,968
1,975
80,271
14 0,945
1,928
82,199
15 0,867
1,770
83,969
16 0,803
1,638
85,607
17 0,780
1,593
87,199
18 0,695
1,419
88,619
19 0,662
1,352
89,971
20 0,601
1,226
91,197
21 0,564
1,151
92,347
22 0,486
0,993
93,340
23 0,416
0,848
94,188
24 0,395
0,806
94,994
25 0,310
0,632
95,625
26 0,259
0,528
96,153
27 0,247
0,505
96,658
28 0,205
0,418
97,076
29 0,182
0,372
97,449
30 0,180
0,367
97,815
31 0,142
0,289
98,104
32 0,134
0,273
98,378
33 0,129
0,263
98,641
34 0,121
0,247
98,888
35 0,105
0,215
99,103
36 0,097
0,198
99,301
37 0,062
0,127
99,428
38 0,054
0,109
99,537
39 0,048
0,098
99,635
40 0,041
0,085
99,720
41 0,035
0,072
99,792
42 0,029
0,060
99,851
43 0,019
0,038
99,889
44 0,017
0,034
99,923
45 0,014
0,028
99,952
46 0,011
0,023
99,975
47 0,006
0,013
99,987
48 0,004
0,009
99,996
49 0,002
0,004
100,000
Extraction Method: Principal Component Analysis.
Tabela A83
Component Matrix (AF1)
COMPONENTES
INDICADORES
1 2 3 4 5 6 7 8 9 10 11 12
Percentual de docentes no ensino fundamental -0,273
0,114
0,110
-0,250
0,004
0,709
0,009
0,168
0,187
0,100
0,080
-0,131
Percentual de matrículas no ensino Fundamental 0,019
0,251
0,245
-0,100
0,033
0,671
0,088
0,088
0,319
0,047
-0,133
-0,067
Percentual de professores de nível superior na educação infantil e no ensino fundamental
0,249
0,070
-0,047
0,366
0,057
0,463
-0,216
0,161
0,154
0,114
0,214
-0,169
Percentual de docentes no ensino médio -0,039
0,204
0,201
0,256
0,328
0,223
0,296
-0,546
-0,070
-0,061
0,136
-0,069
Percentual de engenheiros químicos -0,032
0,200
0,269
-0,396
0,366
0,219
-0,301
0,064
-0,460
0,307
0,007
0,019
Percentual de operadores de robôs e equipamentos especiais -0,031
0,087
0,164
-0,183
0,311
0,205
-0,102
0,174
-0,123
-0,343
0,197
0,347
Percentual de profissionais da comunicação e da informação 0,459
0,349
0,191
0,399
-0,095
0,151
-0,248
0,104
-0,069
-0,199
0,102
0,095
Percentual de matrículas no ensino médio 0,218
0,222
0,265
0,185
0,328
0,142
0,373
-0,547
0,122
-0,039
-0,051
0,037
Percentual de técnicos mecatrônicos e eletromecânicos 0,057
0,422
0,024
-0,038
0,112
0,131
-0,121
-0,107
0,029
-0,393
-0,417
0,093
Percentual de docentes no ensino superior 0,388
-0,087
-0,174
0,669
0,316
0,129
-0,097
0,171
-0,054
0,154
-0,120
0,002
Número de escolas do ensino fundamental
0,909
-0,261
0,022
-0,186
-0,054
0,102
0,087
-0,050
0,017
0,030
-0,008
0,056
Percentual de supervisores de montagens e instalações eletrônicas 0,061
0,596
-0,380
-0,191
0,074
0,099
0,279
0,150
0,017
-0,184
-0,071
0,040
Percentual de professores e instrutores do ensino profissional 0,060
0,019
0,024
0,099
0,006
0,097
0,052
-0,143
0,141
0,116
0,181
0,729
Percentual de técnicos em ciências físicas e químicas -0,052
0,529
0,034
-0,342
0,230
0,094
-0,208
-0,210
-0,466
0,188
-0,095
-0,053
Percentual de técnicos em eletronica e fotonica 0,284
0,832
0,159
0,079
-0,140
0,086
0,048
0,125
-0,184
-0,072
0,140
0,031
Número de cursos de química
0,877
-0,250
-0,021
0,037
-0,009
0,080
-0,046
-0,023
-0,032
0,024
-0,066
0,034
Número de cursos de uso do computador
0,748
-0,206
0,051
-0,246
-0,069
0,077
0,122
-0,036
-0,017
0,060
-0,025
-0,001
Número de cursos de química e engenharia de processos
0,802
-0,195
-0,030
0,095
0,048
0,070
-0,118
-0,011
-0,066
-0,008
-0,044
-0,037
Percentual de engenheiros mecatrônicos 0,077
0,229
0,137
0,036
-0,196
0,065
-0,129
-0,120
-0,130
-0,435
0,334
-0,417
Percentual de montadores e instaladores de equipamentos eletrõnicos em geral 0,088
0,583
-0,555
-0,045
0,077
0,063
0,419
0,203
-0,107
0,020
-0,046
0,005
Número de escolas do ensino superior
0,932
-0,240
0,011
-0,121
-0,040
0,060
0,036
-0,024
-0,001
-0,002
-0,034
-0,013
Número de cursos de engenharia e profissões de engenharia.
0,912
-0,232
0,024
-0,107
0,020
0,051
0,030
-0,013
0,010
0,015
-0,082
-0,015
Percentual de engenheiros eletricistas, eletrônicos e afins 0,273
0,802
-0,327
-0,035
-0,133
0,047
0,026
0,055
-0,057
0,048
0,076
0,109
Percentual de engenheiros em computação 0,044
0,208
0,043
0,182
0,041
0,046
0,647
0,360
-0,237
0,100
-0,114
-0,118
Percentual de técnicos da bioquímica e biotecnologia 0,057
0,140
0,061
0,085
0,005
0,042
0,015
-0,435
-0,160
0,215
-0,007
-0,048
Número de escolas do ensino médio
0,928
-0,250
0,017
-0,203
-0,060
0,040
0,075
-0,033
-0,001
-0,002
-0,014
0,012
Percentual de matemáticos, estatísticos e afins 0,173
0,676
-0,595
-0,128
-0,011
0,033
0,037
-0,042
-0,023
0,033
0,028
0,095
Número de cursos de processamento da informação
0,924
-0,254
0,009
-0,192
-0,061
0,024
0,048
-0,017
-0,021
-0,013
-0,048
-0,024
Número de cursos de eletricidade e energia
0,919
-0,211
-0,032
-0,055
0,043
0,010
0,008
0,038
0,027
-0,018
0,047
-0,034
Percentual de técnicos em metalmecânica 0,032
0,382
0,462
-0,296
0,492
0,008
-0,154
0,148
0,128
-0,099
-0,071
0,007
Percentual de matrículas no ensino superior 0,280
-0,048
-0,146
0,667
0,343
-0,001
-0,064
0,248
-0,099
0,078
-0,142
0,020
Número de cursos de ciência da computação
0,920
-0,244
0,005
-0,207
-0,059
-0,013
0,060
-0,004
-0,037
-0,017
-0,046
-0,018
Número de cursos de engenharia mecânica e metalurgia
0,917
-0,226
-0,021
-0,095
0,004
-0,025
-0,024
0,005
-0,013
-0,046
-0,027
-0,022
Número de cursos de eletrônica e automação
0,895
-0,189
-0,025
-0,065
0,049
-0,026
0,002
0,033
0,066
-0,025
0,086
-0,010
Percentual de profissionais da informática 0,296
0,598
0,454
0,211
-0,428
-0,038
0,071
0,057
-0,073
-0,008
0,075
0,051
(continua)
COMPONENTES
INDICADORES
1 2 3 4 5 6 7 8 9 10 11 12
Percentual de gerentes de tecnologia da informação 0,309
0,616
0,409
0,107
-0,439
-0,045
0,023
0,022
-0,037
0,084
-0,024
0,081
Percentual de analistas de sistemas computacionais 0,282
0,588
0,469
0,177
-0,466
-0,053
-0,012
0,030
-0,014
0,042
0,077
0,059
Percentual de pesquisadores e profissionais policientíficos 0,444
0,587
-0,510
0,027
0,088
-0,054
-0,204
-0,096
0,143
0,021
0,122
-0,087
Percentual de pesquisadores de engenharia e tecnologia 0,194
0,684
-0,565
-0,079
0,086
-0,080
-0,127
-0,106
0,158
0,051
0,091
-0,039
Percentual de técnicos de laboratório industrial -0,085
0,321
0,170
-0,123
-0,099
-0,095
-0,271
-0,015
0,357
0,330
-0,221
-0,030
Percentual de economistas 0,597
0,498
0,238
0,060
-0,056
-0,101
-0,023
-0,013
0,227
0,183
0,018
-0,032
Percentual de técnicos de nível médio em operações industriais 0,004
0,604
0,187
-0,154
0,192
-0,117
0,030
-0,011
0,193
-0,276
-0,202
-0,043
Percentual de pesquisadores 0,352
0,622
-0,546
-0,045
0,059
-0,117
-0,175
-0,122
0,123
0,011
0,074
-0,054
Indicador do capital humano 0,586
0,020
0,059
0,580
0,341
-0,118
-0,109
-0,082
-0,020
-0,033
0,057
-0,033
Percentual de técnicos de apoio em P&D 0,353
0,290
0,136
0,116
-0,013
-0,141
-0,205
0,053
-0,091
-0,193
-0,468
0,048
Percentual de gerentes de pesquisa e desenvolvimento 0,189
0,807
0,237
-0,090
-0,042
-0,160
0,025
-0,031
-0,097
0,181
-0,072
-0,076
Número de cursos de veícuos a motor, construção naval e aeronáutica 0,621
-0,130
0,087
-0,249
0,206
-0,285
0,090
0,146
0,019
-0,012
0,252
-0,011
Percentual de engenheiros metalurgistas e de materiais 0,005
0,301
0,382
0,046
0,319
-0,332
0,234
0,076
0,218
0,115
-0,022
-0,144
Percentual de engenheiros mecânicos 0,065
0,278
0,401
-0,168
0,549
-0,345
0,030
0,223
0,107
0,039
0,315
0,014
Extraction Method: Principal Component Analysis.
12 components extracted.
Tabela A84
Total Variance Explained (AF2)
Initial Eigenvalues Extraction Sums of Squared Loadings
Component
Total % of Variance
Cumulative %
Total % of Variance
Cumulative %
1 10,784
22,009
22,009
10,784
22,009
22,009
2 7,396
15,094
37,103
7,396
15,094
37,103
3 3,327
6,789
43,892
3,327
6,789
43,892
4 2,680
5,469
49,361
2,680
5,469
49,361
5 2,331
4,756
54,118
2,331
4,756
54,118
6 1,746
3,564
57,682
1,746
3,564
57,682
7 1,500
3,061
60,743
1,500
3,061
60,743
8 1,430
2,918
63,662
1,430
2,918
63,662
9 1,329
2,712
66,374
1,329
2,712
66,374
10 1,256
2,563
68,936
1,256
2,563
68,936
11 1,140
2,326
71,262
1,140
2,326
71,262
12 1,092
2,229
73,492
1,092
2,229
73,492
13 1,050
2,144
75,635
1,050
2,144
75,635
14 0,966
1,971
77,606
15 0,943
1,925
79,531
16 0,860
1,755
81,287
17 0,832
1,698
82,984
18 0,765
1,562
84,546
19 0,759
1,548
86,094
20 0,687
1,401
87,496
21 0,637
1,299
88,795
22 0,610
1,245
90,040
23 0,543
1,108
91,149
24 0,480
0,979
92,128
25 0,434
0,886
93,014
26 0,383
0,781
93,795
27 0,329
0,671
94,466
28 0,314
0,640
95,105
29 0,257
0,525
95,630
30 0,234
0,478
96,107
31 0,227
0,464
96,572
32 0,219
0,448
97,019
33 0,183
0,373
97,392
34 0,170
0,346
97,738
35 0,156
0,319
98,057
36 0,154
0,314
98,371
37 0,133
0,271
98,642
38 0,127
0,259
98,901
39 0,100
0,205
99,106
40 0,085
0,173
99,279
41 0,072
0,146
99,425
42 0,069
0,141
99,566
43 0,058
0,119
99,685
44 0,052
0,106
99,790
45 0,038
0,077
99,867
46 0,025
0,051
99,918
47 0,022
0,044
99,962
48 0,011
0,022
99,984
49 0,008
0,016
100,000
Extraction Method: Principal Component Analysis.
Tabela A85
Component Matrix (AF2)
COMPONENTES
INDICADORES
1 2 3 4 5 6 7 8 9 10 11 12 13
Percentual de docentes no ensino fundamental -0,224
0,049
0,192
-0,248
0,280
0,714
0,131
0,010
-0,056
0,067
0,009
-0,131
0,114
Percentual de matrículas no ensino Fundamental 0,010
0,124
0,190
-0,110
0,226
0,707
0,243
-0,036
-0,107
0,045
0,081
-0,010
-0,066
Percentual de professores de nível superior na educação infantil e no ensino fundamental
0,220
0,049
-0,035
0,226
0,006
0,537
-0,262
0,031
0,149
-0,139
0,178
0,041
0,285
Percentual de docentes no ensino superior 0,330
-0,060
-0,272
0,622
-0,046
0,244
-0,284
-0,152
0,069
0,161
-0,085
-0,138
-0,107
Percentual de matrículas no ensino superior 0,294
-0,042
-0,277
0,646
-0,053
0,163
-0,270
-0,190
0,061
0,159
-0,065
-0,150
-0,120
Percentual de técnicos de laboratório industrial -0,011
0,243
0,354
-0,094
-0,343
0,163
-0,394
0,123
-0,380
0,056
-0,169
0,049
-0,039
Percentual de professores e instrutores do ensino profissional 0,157
-0,038
-0,016
0,064
0,000
0,138
0,095
0,088
-0,018
0,054
-0,214
0,833
-0,039
Percentual de profissionais da comunicação e da informação 0,348
0,212
0,079
0,434
-0,022
0,093
-0,089
-0,197
0,203
-0,324
0,001
0,065
-0,075
Percentual de economistas 0,421
0,413
0,271
0,032
-0,242
0,091
-0,198
0,096
-0,400
0,013
-0,036
0,031
0,050
Percentual de técnicos mecatrônicos e eletromecânicos 0,109
0,315
0,052
0,064
0,254
0,084
0,187
0,058
-0,168
-0,124
0,342
0,001
-0,444
Percentual de analistas de sistemas computacionais 0,177
0,372
0,462
0,032
-0,633
0,080
0,165
0,064
0,177
-0,042
-0,160
-0,106
-0,135
Número de escolas do ensino superior
0,901
-0,251
0,006
-0,043
-0,001
0,075
0,012
0,008
0,017
0,009
0,002
0,000
-0,003
Número de escolas do ensino fundamental
0,871
-0,290
0,032
-0,183
0,039
0,072
0,102
0,037
0,004
0,053
-0,085
0,090
-0,026
Percentual de gerentes de tecnologia da informação 0,245
0,474
0,383
-0,035
-0,491
0,062
-0,083
0,078
-0,084
0,093
0,033
0,030
-0,084
Percentual de pesquisadores e profissionais policientíficos 0,399
0,681
-0,412
-0,013
0,045
0,060
-0,095
0,111
-0,050
-0,208
-0,036
-0,034
0,124
Percentual de profissionais da informática 0,200
0,364
0,381
0,098
-0,534
0,041
0,321
-0,014
0,315
-0,053
-0,096
-0,109
-0,129
Percentual de engenheiros eletricistas, eletrônicos e afins 0,282
0,817
-0,236
-0,147
-0,015
0,040
-0,036
-0,078
0,031
0,027
-0,132
0,007
-0,062
Percentual de técnicos em eletronica e fotonica 0,278
0,744
0,207
0,057
0,002
0,037
0,165
-0,140
0,322
-0,042
-0,050
0,005
-0,008
Número de cursos de química e engenharia de processos
0,708
-0,173
0,003
0,058
0,063
0,030
-0,107
0,094
0,093
0,019
0,112
0,097
-0,015
Percentual de engenheiros mecatrônicos 0,076
0,184
0,113
0,070
-0,107
0,018
0,228
0,133
0,249
-0,417
0,265
0,003
0,447
Percentual de engenheiros químicos 0,015
0,234
0,433
-0,068
0,458
0,017
-0,379
0,235
0,327
0,246
-0,019
-0,025
0,042
Número de cursos de química
0,810
-0,242
-0,029
0,046
0,006
0,017
-0,007
0,069
0,040
0,033
0,024
0,039
-0,117
Percentual de engenheiros em computação 0,067
0,187
0,042
0,102
-0,129
0,015
0,200
-0,458
0,086
0,571
0,306
0,121
0,228
Percentual de matemáticos, estatísticos e afins 0,205
0,745
-0,477
-0,205
0,033
0,015
-0,003
0,014
-0,004
0,021
-0,148
-0,032
-0,069
Número de cursos de eletricidade e energia
0,883
-0,214
-0,014
-0,034
0,024
0,012
-0,006
-0,032
0,026
-0,007
0,025
0,116
0,054
Número de cursos de engenharia e profissões de engenharia.
0,873
-0,229
0,031
-0,065
0,031
0,007
-0,028
0,000
-0,020
0,013
0,034
-0,154
-0,008
Percentual de pesquisadores de engenharia e tecnologia 0,247
0,744
-0,440
-0,152
0,065
0,001
-0,046
0,107
-0,073
-0,117
-0,082
-0,025
0,097
Percentual de pesquisadores 0,332
0,704
-0,438
-0,079
0,038
0,001
-0,058
0,125
-0,080
-0,175
-0,047
-0,044
0,069
Número de escolas do ensino médio
0,910
-0,277
0,038
-0,189
0,029
-0,003
0,087
0,024
-0,003
0,034
-0,048
0,018
0,002
Número de cursos de eletrônica e automação
0,837
-0,197
0,008
-0,060
0,008
-0,004
-0,011
-0,047
-0,010
-0,059
-0,011
0,179
0,082
Percentual de docentes no ensino médio 0,083
0,092
0,020
0,530
0,178
-0,011
0,403
0,330
-0,220
0,142
-0,146
-0,160
0,170
(continua)
COMPONENTES
INDICADORES
1 2 3 4 5 6 7 8 9 10 11 12 13
Percentual de operadores de robôs e equipamentos especiais -0,002
0,119
0,263
0,073
0,426
-0,012
0,052
-0,243
0,162
-0,184
-0,304
0,049
-0,227
Percentual de técnicos em metalmecânica 0,083
0,329
0,520
0,070
0,457
-0,018
-0,052
-0,048
-0,103
-0,066
-0,020
0,022
-0,108
Número de cursos de uso do computador
0,678
-0,221
0,080
-0,291
0,037
-0,020
0,102
0,005
-0,012
0,084
-0,093
-0,272
-0,010
Número de cursos de processamento da informação
0,892
-0,273
0,037
-0,184
0,010
-0,024
0,040
0,002
0,014
0,000
0,005
-0,092
-0,004
Percentual de montadores e instaladores de equipamentos eletrõnicos em geral 0,186
0,694
-0,435
-0,137
0,007
-0,024
0,099
-0,262
0,027
0,290
0,040
0,058
0,049
Percentual de matrículas no ensino médio 0,249
0,115
0,021
0,558
0,177
-0,027
0,425
0,278
-0,284
0,150
-0,110
-0,061
-0,009
Número de cursos de engenharia mecânica e metalurgia
0,866
-0,216
0,007
-0,075
0,039
-0,039
-0,009
-0,003
-0,013
-0,039
0,074
0,063
0,018
Número de cursos de ciência da computação
0,899
-0,257
0,030
-0,190
0,017
-0,044
0,039
-0,020
-0,001
0,028
-0,003
-0,088
0,005
Percentual de supervisores de montagens e instalações eletrônicas 0,163
0,700
-0,258
-0,146
0,099
-0,048
0,180
-0,186
0,017
0,112
-0,027
0,010
-0,120
Percentual de gerentes de pesquisa e desenvolvimento 0,202
0,702
0,296
-0,090
-0,142
-0,081
-0,179
0,174
-0,058
0,186
0,163
0,009
0,102
Percentual de técnicos em ciências físicas e químicas 0,039
0,480
0,173
-0,050
0,347
-0,152
-0,156
0,430
0,349
0,254
0,115
-0,050
-0,040
Percentual de técnicos da bioquímica e biotecnologia 0,053
0,052
-0,018
0,111
0,014
-0,152
0,075
0,373
0,235
0,200
-0,058
0,129
-0,019
Percentual de técnicos de apoio em P&D 0,281
0,234
0,092
0,106
-0,025
-0,159
-0,081
-0,032
-0,166
-0,069
0,598
0,031
-0,288
Percentual de técnicos de nível médio em operações industriais 0,132
0,545
0,232
0,073
0,206
-0,164
0,116
-0,097
-0,138
-0,175
0,149
0,081
0,012
Percentual de engenheiros mecânicos 0,113
0,354
0,579
0,087
0,326
-0,165
-0,135
-0,329
-0,051
-0,095
-0,210
-0,007
0,115
Indicador do capital humano 0,537
0,022
-0,092
0,660
0,008
-0,172
-0,042
0,059
-0,015
-0,072
0,024
0,035
0,078
Número de cursos de veícuos a motor, construção naval e aeronáutica 0,537
-0,122
0,108
-0,157
0,099
-0,199
-0,041
-0,185
-0,077
-0,006
-0,096
-0,197
0,103
Percentual de engenheiros metalurgistas e de materiais 0,060
0,260
0,401
0,138
0,082
-0,227
0,012
-0,234
-0,250
0,065
-0,027
0,025
0,353
Extraction Method: Principal Component Analysis.
13 components extracted.
Tabela A86
Total Variance Explained (AF3)
Initial Eigenvalues Extraction Sums of Squared Loadings
Component
Total % of Variance Cumulative % Total % of Variance
Cumulative %
1 11,809
24,101
24,101
11,809
24,101
24,101
2 9,862
20,127
44,227
9,862
20,127
44,227
3 4,070
8,306
52,533
4,070
8,306
52,533
4 2,810
5,735
58,268
2,810
5,735
58,268
5 2,302
4,699
62,967
2,302
4,699
62,967
6 1,824
3,722
66,689
1,824
3,722
66,689
7 1,509
3,079
69,769
1,509
3,079
69,769
8 1,318
2,689
72,458
1,318
2,689
72,458
9 1,162
2,372
74,830
1,162
2,372
74,830
10 1,108
2,261
77,090
1,108
2,261
77,090
11 1,047
2,138
79,228
1,047
2,138
79,228
12 1,011
2,064
81,292
1,011
2,064
81,292
13 0,971
1,982
83,274
14 0,904
1,845
85,119
15 0,888
1,813
86,932
16 0,830
1,693
88,625
17 0,726
1,482
90,107
18 0,615
1,255
91,362
19 0,580
1,184
92,545
20 0,526
1,073
93,618
21 0,481
0,981
94,600
22 0,377
0,769
95,369
23 0,351
0,717
96,085
24 0,282
0,576
96,662
25 0,240
0,489
97,151
26 0,194
0,397
97,547
27 0,168
0,343
97,890
28 0,151
0,307
98,197
29 0,134
0,274
98,470
30 0,127
0,260
98,730
31 0,108
0,220
98,950
32 0,091
0,187
99,137
33 0,081
0,164
99,301
34 0,070
0,143
99,445
35 0,059
0,119
99,564
36 0,039
0,079
99,643
37 0,035
0,072
99,715
38 0,030
0,062
99,777
39 0,025
0,051
99,828
40 0,019
0,039
99,867
41 0,016
0,033
99,900
42 0,012
0,025
99,925
43 0,011
0,023
99,948
44 0,010
0,021
99,969
45 0,007
0,015
99,984
46 0,004
0,009
99,993
47 0,002
0,004
99,997
48 0,001
0,003
99,999
49 0,000
0,001
100,000
Extraction Method: Principal Component Analysis.
Tabela A87
Component Matrix (AF3)
COMPONENTES
INDICADORES
1 2 3 4 5 6 7 8 9 10 11 12
Percentual de docentes no ensino fundamental -0,251
0,143
0,090
0,109
-0,133
0,691
-0,042
0,341
-0,158
0,129
-0,100
-0,054
Percentual de técnicos de laboratório industrial 0,079
0,274
0,318
0,127
-0,066
0,587
-0,057
0,370
0,211
0,123
0,007
-0,036
Percentual de matrículas no ensino superior 0,179
0,234
0,405
0,044
0,355
0,451
0,009
-0,342
0,139
-0,082
0,140
0,045
Percentual de matrículas no ensino Fundamental -0,113
0,171
0,249
0,263
0,278
0,411
0,049
-0,510
-0,222
-0,147
-0,093
-0,109
Percentual de técnicos mecatrônicos e eletromecânicos 0,766
-0,134
-0,027
-0,214
-0,055
0,186
0,070
0,062
0,018
-0,121
-0,103
-0,110
Percentual de pesquisadores 0,091
0,273
0,136
0,019
-0,046
0,180
-0,094
-0,522
0,190
-0,080
0,107
-0,076
Percentual de professores de nível superior na educação infantil e no ensino fundamental
0,929
-0,187
-0,043
-0,148
-0,066
0,172
0,027
0,006
0,043
-0,036
-0,047
0,028
Percentual de matemáticos, estatísticos e afins -0,024
0,463
-0,026
-0,113
0,063
0,159
-0,158
0,077
-0,462
-0,210
0,422
0,242
Número de cursos de química 0,045
0,045
0,064
0,083
-0,005
0,144
-0,068
-0,110
0,136
0,065
-0,289
0,852
Percentual de técnicos da bioquímica e biotecnologia 0,035
0,204
0,261
-0,330
0,152
0,140
-0,179
0,217
0,207
-0,295
-0,124
-0,243
Número de cursos de ciência da computação -0,015
0,153
0,071
0,170
0,018
0,139
0,811
0,068
-0,038
-0,003
0,031
-0,002
Número de cursos de eletricidade e energia -0,074
0,715
-0,196
-0,268
0,099
0,134
-0,164
-0,103
-0,155
-0,144
0,129
0,002
Percentual de operadores de robôs e equipamentos especiais 0,007
0,707
-0,524
0,060
0,064
0,130
0,372
0,042
-0,009
0,032
0,009
0,023
Percentual de docentes no ensino médio 0,014
0,763
-0,462
-0,063
0,057
0,129
0,179
0,053
-0,078
0,029
0,095
0,045
Percentual de engenheiros químicos 0,205
0,057
0,059
0,615
-0,004
0,127
-0,180
0,055
-0,075
0,326
-0,086
-0,072
Número de escolas do ensino fundamental
0,929
-0,174
-0,028
-0,052
0,023
0,105
0,003
0,028
0,007
-0,066
0,001
-0,064
Percentual de pesquisadores de engenharia e tecnologia 0,009
0,264
0,427
-0,266
0,517
0,100
-0,207
0,282
-0,182
0,072
0,107
0,084
Percentual de docentes no ensino superior
0,947
-0,176
-0,052
-0,175
-0,063
0,098
0,043
-0,001
0,016
-0,020
-0,021
0,014
Percentual de engenheiros metalurgistas e de materiais
0,947
-0,171
-0,048
-0,082
-0,057
0,085
0,029
-0,013
0,021
-0,015
0,022
0,006
Percentual de profissionais da comunicação e da informação
0,940
-0,183
-0,069
-0,166
-0,071
0,067
0,046
0,010
0,007
-0,037
0,004
-0,026
Percentual de economistas 0,884
-0,203
-0,053
0,078
-0,061
0,047
-0,056
-0,001
0,032
-0,081
0,037
-0,014
Percentual de professores e instrutores do ensino profissional
0,938
-0,168
-0,079
-0,179
-0,058
0,034
0,070
0,005
-0,008
-0,050
0,004
-0,006
Número de cursos de química e engenharia de processos 0,083
0,794
-0,543
-0,008
0,022
0,026
-0,022
-0,022
0,051
0,000
-0,031
-0,001
Percentual de analistas de sistemas computacionais
0,926
-0,166
-0,068
-0,019
0,042
0,011
0,009
-0,004
-0,012
0,099
0,031
0,037
Percentual de gerentes de pesquisa e desenvolvimento 0,144
0,890
-0,323
0,037
-0,074
-0,007
0,021
-0,003
0,007
0,023
-0,029
0,012
Percentual de técnicos em metalmecânica -0,046
-0,007
0,045
-0,114
-0,020
-0,008
-0,015
0,052
0,388
0,467
0,571
0,039
Número de cursos de engenharia e profissões de engenharia. 0,185
0,911
0,122
0,092
-0,166
-0,015
0,157
-0,051
-0,070
0,034
-0,018
-0,020
Percentual de matrículas no ensino médio 0,080
0,217
0,249
-0,032
-0,222
-0,020
-0,200
-0,126
-0,304
0,276
-0,134
-0,261
Número de cursos de engenharia mecânica e metalurgia 0,090
0,792
-0,502
0,001
0,090
-0,027
-0,150
-0,018
0,080
0,065
-0,098
-0,033
Percentual de gerentes de tecnologia da informação
0,935
-0,167
-0,078
-0,079
-0,006
-0,028
-0,006
-0,011
-0,021
0,007
0,044
0,032
Número de escolas do ensino superior
0,898
-0,148
-0,056
-0,044
0,073
-0,032
-0,019
-0,015
-0,005
0,142
-0,012
0,071
Percentual de pesquisadores e profissionais policientíficos 0,811
-0,162
-0,046
0,147
-0,022
-0,037
-0,093
-0,082
0,041
-0,001
0,166
0,003
Percentual de engenheiros mecânicos -0,094
0,364
0,151
-0,038
0,019
-0,041
-0,358
0,160
0,280
-0,315
-0,173
0,067
(continua)
COMPONENTES
INDICADORES
1 2 3 4 5 6 7 8 9 10 11 12
Número de cursos de veícuos a motor, construção naval e aeronáutica 0,307
-0,068
-0,111
0,773
0,236
-0,048
0,019
0,201
0,087
-0,196
0,025
-0,026
Número de escolas do ensino médio -0,052
0,624
0,164
-0,222
0,178
-0,051
-0,021
0,101
0,167
0,051
0,169
-0,022
Número de cursos de uso do computador 0,290
0,734
-0,466
0,115
0,074
-0,071
-0,195
-0,050
0,065
0,110
-0,100
-0,067
Percentual de técnicos em eletronica e fotonica 0,209
0,762
-0,500
-0,001
0,058
-0,081
-0,161
-0,040
0,074
0,038
-0,097
-0,045
Percentual de técnicos de nível médio em operações industriais 0,543
0,613
0,276
0,051
0,059
-0,090
-0,071
0,035
0,087
0,100
-0,093
-0,036
Percentual de engenheiros em computação 0,448
0,425
0,368
0,424
-0,231
-0,109
-0,171
0,019
-0,159
0,103
0,084
0,039
Percentual de técnicos de apoio em P&D -0,016
0,223
0,381
-0,068
0,491
-0,125
0,224
-0,088
0,307
-0,015
0,012
-0,058
Indicador do capital humano 0,187
-0,037
-0,098
0,704
0,293
-0,130
0,088
0,262
0,041
-0,239
0,020
-0,010
Percentual de montadores e instaladores de equipamentos eletrõnicos em geral 0,128
0,900
0,205
-0,132
0,010
-0,130
0,158
0,002
0,070
-0,042
-0,050
-0,036
Número de cursos de processamento da informação 0,221
0,636
0,541
-0,038
-0,340
-0,140
0,110
0,008
0,040
-0,048
-0,061
0,034
Percentual de engenheiros mecatrônicos 0,226
0,623
0,619
0,052
-0,308
-0,144
0,145
0,011
-0,013
0,004
-0,059
0,029
Percentual de supervisores de montagens e instalações eletrônicas 0,228
0,613
0,623
0,028
-0,322
-0,161
0,043
0,001
-0,012
0,005
-0,065
0,032
Percentual de profissionais da informática 0,605
-0,098
0,013
-0,297
0,377
-0,163
0,118
0,098
-0,244
0,147
-0,206
0,034
Percentual de engenheiros eletricistas, eletrônicos e afins 0,544
-0,012
0,169
0,535
0,361
-0,167
-0,147
-0,153
-0,035
0,076
0,091
-0,033
Percentual de técnicos em ciências físicas e químicas 0,045
0,147
0,306
-0,236
0,750
-0,199
0,068
0,055
-0,158
0,222
-0,169
0,009
Número de cursos de eletrônica e automação 0,337
0,350
0,185
0,027
-0,091
-0,287
-0,014
0,138
-0,185
-0,312
0,292
0,083
Extraction Method: Principal Component Analysis.
12 components extracted.
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
