Integração do modelo Random Forest e da análise espacial nos determinantes do IFDM nos municípios de Pernambuco (2013-2021).

Abstract

O estudo tem o objetivo de aplicar o modelo Random Forest em conjunto com técnicas de análise exploratória para entender e prever o IFDM dos municípios de Pernambuco em 2021. Para tanto utilizou-se dados oriundos do Atlas e no portal da Firjan nos anos de 2013 a 2021, considerando uma trajetória importante dentro da conjuntura econômica para prever o IFDM de 2021 e com isso testar para autocorrelação espacial. Na etapa de modelagem, empregou-se o algoritmo Random Forest, escolhido por sua capacidade de lidar com múltiplas variáveis, pela robustez e por ser um método de ensemble que reduz o sobreajuste ao combinar as predições de diversas árvores de decisão. Os resultados indicam que o Random Forest se mostrou adequado ao conjunto de dados, apresentando desempenho estatisticamente significativo. Ao testar o valor predito para autocorrelação espacial por meio do I de Moran, observou-se uma estatística positiva e significativa. A AEDE também evidenciou padrões espaciais relevantes. Além disso, a combinação entre o Random Forest e as análises espaciais contribuiu para suavizar resultados apresentados pelo Índice de Moran, reduzindo ruídos e controlando possíveis endogeneidades das variáveis. Como consequência, foi possível obter maior clareza na identificação de correlações espaciais, potenciais clusters e efeitos de transbordamento. Entre os achados, destaca-se a formação de um cluster de Baixo-Alto desenvolvimento em torno de Moreno, na Região Metropolitana do Recife, município que apresenta o menor IFDM de sua mesorregião. Por outro lado, Caruaru, uma das dez cidades com melhor IFDM do estado, e seus municípios vizinhos compõem um cluster de desenvolvimento positivo (Alto-Alto). O estudo também identificou outliers, como Afrânio, no Oeste Pernambucano, que apresenta baixo desenvolvimento mesmo estando cercado por municípios com indicadores mais elevados (Baixo-Alto), indicando a necessidade de análises adicionais para compreender esse comportamento. Por fim, os resultados demonstram-se especialmente relevantes para a formulação de políticas públicas, pois evidenciam a importância de prever variáveis de desenvolvimento e compreender o comportamento regional do crescimento econômico dos municípios. Isso permite direcionar esforços a clusters de subdesenvolvimento e às variáveis mais influentes identificadas pelo modelo, além de potencializar regiões com correlações espaciais positivas e ampliar os efeitos de transbordamento do desenvolvimento.