Ao longo do que se convencionou chamar de ciclo nacional-desenvolvimentista (1930-1980), o Brasil logrou um importante catching-up com relação aos países centrais. Contudo, diante da crise da dívida, a partir da virada da década de 1980 para a de 1990, o país adentrou em uma pronunciada e contínua trajetória de desindustrialização, com o setor manufatureiro – particularmente a indústria de transformação – gradualmente perdendo espaço no regime produtivo nacional, tanto em termos de peso sobre o PIB quanto em termos de composição da força de trabalho e da pauta de exportações (Morceiro, 2012; Nassif; Feijó; Araújo, 2013; Bresser-Pereira, 2014; Oreiro; Paula, 2021). O Gráfico 1 ilustra tal perda:

Gráfico 1
Participação do Setor Manufatureiro no PIB e na Pauta Exportadora do Brasil (%)
Fontes: IBGE; World Bank.

Entre 1988 e 2018, o peso do setor manufatureiro sobre o PIB e sobre a pauta exportadora caiu de 29,97% para 10,52% e de 53,66% para 32,35%, respectivamente. Além disso, a população economicamente ativa empregada no setor secundário, que se ampliou de 10,3% para 25,3% entre 1940 e 1980, declinou pelas décadas seguintes até atingir 11,47% em 2018 (Serra, 1982; IBGE, 2022; World Bank, 2022). Duas dimensões, que ressaltamos a seguir, são fundamentais à compreensão das particularidades da desindustrialização brasileira: a primeira se refere a três momentos-chave na política econômica nacional; a segunda tange ao caráter regional desse impacto, uma vez que as regiões Sudeste e Sul foram especialmente afetadas.

Quanto à primeira dimensão, antes dos governos petistas, dois eventos foram de particular importância para a acentuação desse fenômeno. O primeiro se deu no início dos anos 1990 nos governos dos presidentes Collor de Mello e Itamar Franco, com a redução drástica das tarifas de importação de uma média de 32,2% em 1990 para menos de 17,1% em 1993, fazendo a participação da indústria doméstica sobre o PIB cair de 30% em 1988 para 23,3% em 1992 (Castro, 2011; Cano, 2012; Bastos; Ferraz, 2021)⁶. Posteriormente, em concomitância ao Plano Real, o então governo Itamar também adotou uma política comercial que intensificou a abertura comercial iniciada por Collor. Em agosto de 1994, portanto, o governo reduziu ainda mais as tarifas de importação até um máximo de 20% para mais de 4.000 produtos (Paula, 2011).

O segundo evento, por sua vez, é pertinente aos primórdios do Plano Real e ao primeiro governo de Fernando Henrique Cardoso (1995-1998); quando a instauração do regime de câmbio semifixo, ao levar à apreciação excessiva da moeda doméstica (em decorrência da paridade), induziu a uma perda considerável da competitividade externa, o que, somado à liberalização comercial e à inundação de bens importados, intensificou o debilitamento da indústria nacional (Cano, 2012; Bresser-Pereira, 2014; Saad Filho; Morais, 2018; Araújo; Gentil, 2021). Durante esse período, o setor de serviços assume de vez a hegemonia inconteste no perfil da economia brasileira, com a indústria sendo severamente prejudicada (Diniz; Boschi, 2004; Bresser-Pereira, 2014).

Um terceiro momento chave, central a esse trabalho, começou a se manifestar ao longo do governo Lula, adquirindo tração e intensidade sobretudo a partir de seu segundo mandato, como mostra o Gráfico 1 já visto antes e o Gráfico 2 a seguir:

Gráfico 2
Emprego no Setor Manufatureiro como % do Emprego Total no Brasil
Fontes: Silva, 2019; IBGE, 2022.

De 2003 até 2016, o peso do setor manufatureiro no PIB caiu de 14,45% para 10,78%; a participação de bens industriais nas exportações caiu de 51,07% para 36,12%; e, por fim, a participação do emprego manufatureiro com relação ao emprego total declinou de 18,1% para 12,84%. Portanto, uma inconteste desindustrialização com rotundo lastro empírico (Nassif; Feijó; Araújo, 2013; Bresser-Pereira, 2014; Saad Filho; Morais, 2018; Silva, 2019).

Essa etapa do choque econômico da desindustrialização se dá no contexto de admissão da China na Organização Mundial do Comércio (OMC) em dezembro de 2001, com o consequente boom dos preços das commodities, perdurando quase toda a década, o que possibilitou ao governo petista não só maiores taxas de crescimento econômico, como também margem para promoção de políticas sociais e de geração de empregos (Bresser-Pereira, 2014; IPEA, 2017; Saad Filho; Morais, 2018; Santos; Moura, 2020).

Não obstante, tais resultados econômicos positivos escamotearam uma profunda alteração estrutural e regressão no regime produtivo brasileiro, com reprimarização da pauta exportadora e intensificação da desindustrialização causada pela incapacidade de competição com a China e pela crescente apreciação cambial, que levou o real a se valorizar de R$ 3,08 por US$ 1 em 2003 para R$ 1,67 por US$ 1 em 2011 (World Bank, 2022). Tal apreciação cambial, tendência que também afetou outros países da América do Sul, ampliou a perda de competitividade exportadora do setor manufatureiro doméstico e, de quebra, barateou bens de consumo estrangeiros que, junto ao aumento da renda no curso da década de 2000, retroalimentou as importações de bens de maior valor agregado, incluindo os chineses (Palma, 2014; Rodrigues; Moura, 2019; Gala, 2020).

No entanto, a desindustrialização não impactou de forma homogênea todas as regiões do país. Dada a concentração regional da base manufatureira nacional no eixo Sudeste-Sul, que representava 84,89% do total da indústria de transformação doméstica e 84% do emprego no setor em 1995, é natural que a desindustrialização tenha incidido com maior intensidade sobre essas regiões (Silva, 2019). Entre 1995 e 2015, parte substantiva da desindustrialização nacional foi puxada, portanto, pela região Sudeste seguida, em menor medida, pela Sul (Gráficos 3 e 4):

Gráfico 3
Participação da Indústria de Transformação no PIB nacional (%) por região
Fontes: Silva, 2019; IBGE, 2022.

Gráfico 4
Emprego na Indústria de Transformação como % do emprego naciona por região
Fontes: Silva, 2019; IBGE, 2022.

Desse modo, a desindustrialização no país envolveu, por um lado, um processo contínuo de enfraquecimento da indústria doméstica desde os anos 1990, aprofundando-se nos anos 2000 em diante; e, por outro, um impacto que incidiu, sobremaneira, nas regiões Sul e Sudeste, onde as unidades mais pujantes deste setor encontram-se estabelecidas. É sobre o elo entre o impacto regional da desindustrialização e seus possíveis efeitos na geografia do voto que nos debruçamos na próxima subseção.

Em 2002, Lula foi eleito presidente numa vitória esmagadora no segundo turno contra o candidato José Serra do Partido da Social Democracia Brasileira (PSDB) por 61,27% contra 38,73% dos votos⁷. Embora Lula tenha vencido em todos os estados da federação excetuando Alagoas, cumpre notar que tanto ele como o Partido dos Trabalhadores tiveram um desempenho excepcional em grandes municípios urbanos e industriais no eixo Sudeste-Sul (Soares; Terron, 2008; Terron; Soares, 2010). Até mesmo o estado de Santa Catarina, hoje associado ao forte conservadorismo e a uma profunda rejeição ao PT, deu a Lula 56,6% e 64,14% dos votos válidos para presidente no primeiro e segundo turnos, respectivamente⁸.

Contudo, a partir de 2006, e se acentuando em larga medida nos pleitos seguintes, a geografia do voto no país mudou, com a hegemonia de Lula em bases geográficas tradicionalmente coesas nos territórios metropolitanos mais industriais e populosos do Sul e do Sudeste se desfazendo. Os estados do Paraná, Santa Catarina e Rio Grande do Sul, onde Lula e o PT obtiveram altos percentuais de votos em 1994 e 1998, por exemplo, retraíram fortemente seu apoio eleitoral a partir de 2006. A base de apoio presidencial petista, assim, rumou às regiões Norte, Nordeste e aos grotões de maior pobreza no Brasil, interiorizando seu suporte nos pleitos executivos (Soares; Terron, 2008). Soma-se a isso um fator decisivo e inédito para a vitória eleitoral de Jair Bolsonaro em 2018: a votação expressiva que o candidato obteve nos estados do Sudeste, sobretudo no Rio de Janeiro e em Minas Gerais, onde o PT, pela primeira vez desde 2002, foi derrotado no segundo turno presidencial (Nicolau, 2020).

A mudança na geografia eleitoral brasileira em eleições presidenciais é fartamente documentada na literatura, sendo a preocupação mais presente, nos estudos empiricamente mais sólidos, a detecção das razões do sucesso do PT por estrato social e também onde esse partido passou a receber mais votos, vale dizer, na região Nordeste (Carreirão, 2007; Nicolau; Peixoto, 2007; Power; Hunter, 2007; Rennó, 2007; Singer, 2009; Bohn, 2011; Peixoto; Rennó, 2011; Zucco; Power, 2013; Amaral; Ribeiro, 2015; Samuels; Zucco, 2018).

Todavia, não encontramos, no mesmo conjunto de análises, os motivos pelos quais, nas regiões Sul e em partes da região Sudeste, as candidaturas de esquerda e de centro-esquerda foram perdendo hegemonia. Argumentamos que a perda de votos pelo PT nessas regiões tem, como uma de suas variáveis explicativas, choques econômicos locais advindos da desindustrialização que afetaram, sobremaneira, municípios do Sudeste e do Sul. De acordo com Margalit (2019), “choques econômicos” constituem mudanças relevantes em uma dada configuração produtiva no que tange aos impactos, sobretudo, sobre renda e emprego; e sua centralidade para a explicação do caso brasileiro está em linha com estudos que corroboram seu elo com alterações no comportamento político em localidades por eles afetadas (Campello; Urdinez, 2021; Ogeda; Ornellas; Soares, 2021).

Nesse sentido, a Figura 1 mostra tanto a mudança da geografia eleitoral no país quanto a distribuição, entre 2006 e 2018, da desindustrialização dos municípios brasileiros e o desempenho eleitoral do PT nessas localidades. É possível visualizar nos mapas de calor que, em 2006, embora muitos municípios tenham se desindustrializado, o desempenho do PT entre eles não foi tão intensamente negativo, a não ser em partes da região Centro-Oeste. Na região Norte, ao contrário, o desempenho foi positivo, não obstante a desindustrialização de muitos municípios. O mapa de 2010, contudo, sugere, com exceção de partes do Nordeste e do Norte de Minas Gerais, um desempenho mais fraco do partido entre os desindustrializados. Em 2014, assim como em 2006, apesar do número grande de municípios que se desindustrializaram, a performance do PT entre eles não foi adversa. Já o mapa de 2018, por último, sugere que esse foi o ano, entre os analisados neste artigo, em que a desindustrialização mais se generalizou quantitativamente entre os municípios e mais afetou a votação do partido.

Figura 1
Desempenho eleitoral do candidato presidenciável do Partido dos Trabalhadores (PT) em municípios com saldo industrial negativo (2006-2018)
Fonte: Elaboração dos autores a partir de dados do TSE e do IBGE.

Com relação às mudanças no perfil da força de trabalho, de fato, desde o início do longo percurso de desindustrialização brasileira a partir do final da década de 1980, elas se deram em concomitância tanto à consolidação da hegemonia do setor de serviços na economia (que salta de 40,6% do PIB em 1986 para 62,8% em 2020) quanto à tendência de precarização do mercado laboral nacional⁹. Precarização associada ao fato de que se antes, durante as décadas de 1970 e 1980, a geração de postos de trabalho, por faixa de remuneração, era um pouco mais balanceada (como ilustra o Gráfico 5), a partir dos anos 1990 e principalmente da década de 2000, os novos empregos criados eram majoritariamente no setor de serviços com baixa remuneração.

Gráfico 5
Saldo líquido médio decenal dos postos de trabalho gerados no Brasil (1 = 1000)
Fonte: IPEA apud Pochmann, 2012.

Ou seja, mesmo durante parte substantiva dos governos petistas (ao longo de todo o governo Lula até o ano de reeleição de Dilma), não obstante melhorias importantes no mercado de trabalho, tais como a queda do desemprego e a crescente formalização da mão de obra, o tecido trabalhista foi precarizado conforme os postos laborais gerados eram de baixa remuneração e concentrados no setor de serviços de baixa complexidade, ao passo que os postos de trabalho de maior remuneração decresceram. Ademais, entre 2006 e 2018, os postos de trabalho remunerando acima de 2 salários-mínimos se retraíram em mais de 6 milhões, sendo a perda de dinamismo do segmento industrial, que é onde estão concentrados os melhores empregos, e a consolidação do setor de serviços, com salários mais baixos, fatores essenciais para deflagrar tal tendência (O Globo, 2020).

Desse modo, a centralidade da hipótese da teoria do voto econômico para a relação entre desindustrialização e comportamento político diz respeito ao fato de ela encontrar-se associada a menores salários e perspectivas de remuneração, bem como ao deslocamento de trabalhadores para postos de trabalho mais precários. Assim, sugerimos que a redução da qualidade de vida e de emprego dos trabalhadores das regiões afetadas geraria um efeito incumbente, no que tange à punição aos partidos à frente da gestão econômica do governo nacional.

Por fim, com relação à dimensão sindical, ela se vincula a uma robusta literatura debruçada sobre a relação entre desindustrialização (industrialização) e perda (aumento) da densidade sindical; que, por sua vez, diminuiria (ampliaria) a barganha coletiva e os recursos de poder dos atores políticos mais à esquerda no espectro ideológico (Ingham, 1974; Cameron, 1978, 1984; Stephens; Wallerstein, 1991; Crouch, 1994).

A importância dos sindicatos se dá pelo fato de contribuírem decisivamente para moldar as visões políticas de seus filiados, e, assim, afetar diretamente suas posições com relação a uma série de tópicos, tais como legislação laboral, política salarial, liberalização comercial, desigualdade de renda etc. Ainda que, é claro, esse efeito varie substancialmente e de forma não linear entre diferentes setores econômicos e indústrias. Em via inversa, declínios sistemáticos e/ou longevos da densidade sindical contribuem para uma oposição pública relativamente mais fraca no que tange a medidas regressivas pertinentes aos tópicos mencionados (Kim; Margalit, 2017).

Tal relação é constatada por Ogeda, Ornellas e Soares (2021), que analisaram a relação entre as reduções tarifárias ocorridas no Brasil na década de 1990, a redução de empregos formais e manufatureiros e o consequente enfraquecimento dos sindicatos. De acordo com os autores, esse processo seria um fator explicativo da perda de votos, entre 1994 e 2018, dos partidos historicamente vinculados aos movimentos sindicais nas localidades impactadas pelo choque econômico advindo da abertura comercial. A desindustrialização, de acordo com McQuarrie (2017), também seria um dos fatores explicativos para a vitória eleitoral de Donald Trump nos Estados Unidos, sendo o resultado da revolta dos residentes de áreas do Cinturão da Ferrugem (Rust Belt) com o Partido Democrata. Segundo o autor, a desindustrialização que aplacou a região teve como resultado a desestruturação da economia local, a marginalização de sua comunidade e o desmantelamento da ordem social na região, no que diz respeito, também, aos sindicatos, que conectavam os trabalhadores industriais ao Partido Democrata. Com isso, de acordo com McQuarrie (2017), teria sido possível a desmobilização de parte do eleitorado e o engajamento para os Republicanos de eleitores brancos da classe trabalhadora, por meio de um discurso revanchista, haja vista sua perda de status e riqueza material.

No caso brasileiro, a consideração da dimensão sindical assume relevância potencial ainda maior em função dos fortes vínculos históricos do PT com os sindicatos. Afinal de contas, a gênese do partido se encontra ainda no final da ditadura militar com o surgimento do Novo Sindicalismo e a intensificação dos movimentos trabalhistas, sobretudo, no estado de São Paulo (Keck, 2010). Tais vínculos prosseguiram ao longo das décadas seguintes, particularmente com a Central Única dos Trabalhadores (CUT) e, no âmbito do governo, nos mais diversos escalões (Cardoso, 2014; Campos, 2019). Ademais, os achados de Meneguello e Bizarro Neto (2012) sobre o aprofundamento e consolidação da presença do PT em municípios paulistas de perfil mais industrializado ao longo das décadas de 1980 e 1990, passando a declinar a partir de 2002 (quando o partido chegou ao governo federal), jogam luz na direção do caminho argumentativo proposto neste artigo.

Embora, por razões de escopo, não tenhamos feito testes empíricos sobre o elo entre a desindustrialização e o enfraquecimento dos sindicatos no Brasil, no que tange aos dados sobre essa dimensão, três evidências tornam bastante intuitiva essa analogia: a) Redução da taxa de sindicalização entre trabalhadores formais: entre 2003 e 2013, a sindicalização nacional declinou de 29,7% para 21,9% no mesmo interregno; b) Declínio do setor industrial e da taxa de sindicalizados no setor industrial: além da queda da participação do setor industrial no total de postos de trabalho formais, ainda se deu uma redução concomitante dos filiados aos sindicatos, mesmo no bojo dos empregos formais remanescentes no setor; c) Redução da taxa de sindicalização regional: em todas as regiões do Brasil, a taxa de sindicalização caiu ao largo das últimas duas décadas, com maior veemência a partir de 2006. A região Sul, que detinha, no início do governo Lula, o maior percentual de trabalhadores formais associados aos sindicatos (33% em 2003), foi a que apresentou a maior queda na taxa de filiação: quase 10 pontos percentuais entre 2003 e 2013; cedendo a posição de região de maior sindicalização para o Nordeste de 2012 em diante. No Sudeste, caiu de 29,86% dos trabalhadores formais vinculados aos sindicatos em 2004 para apenas 12% em 2018 (Silva, 2019; IBGE, 2020)¹⁰.

Portanto, os dados mobilizados, intuitivamente, caminham na direção de nosso argumento, embora não tenhamos logrado testá-los neste artigo. Na próxima seção, “Estratégia Empírica”, focamos no mecanismo de transmissão do efeito incumbente como consequência dos impactos econômicos locais da desindustrialização. Passamos, enfim, à elucidação de nossa estratégia empírica e sua operacionalização.

O Diagrama Causal Acíclico (DAG, na sigla em inglês) exposto na Figura 2 permite a visualização de uma estrutura causal relativamente complexa do fenômeno. Trata-se de uma etapa importante com vistas à estratégia de identificação adotada. Na Figura 2, é possível verificar que existem quatro caminhos causais hipotéticos entre desindustrialização e desempenho eleitoral do PT: (1) T→ Y; (2) T→A→Y; (3) T→A→B→C→Y; (4) T→A→D→Y. O caminho (1) expressa o efeito total da desindustrialização sobre o desempenho do PT enquanto os caminhos (2), (3) e (4) dizem respeito aos mecanismos de transmissão que podem ser especulados como relevantes (3 e 4) e aquele cujo efeito indireto de mediação é estimado neste artigo (2). Além disso, no DAG, é possível verificar quatro variáveis de confusão¹¹ – “Nível de industrialização”, “PIB”, “População” e “Região” – que devem, necessariamente, ser controladas para fechar os backdoors¹² entre o tratamento e o resultado.

Figura 2
Diagrama Causal Acíclico com a estrutura causal proposta Fonte: Elaboração dos autores.

Nota: Círculos ligados por linhas em negrito indicam o ajuste mínimo que é necessário para estimar o efeito total; o retângulo com contornos em negrito representa a variável de mediação cujo efeito é estimado; retângulos com contornos cinzas apontam variáveis para as quais não há dados; números e linhas pontilhadas simbolizam os caminhos causais; letras mostram as arestas do triângulo de mediação.

Nos concentramos somente na estimação dos caminhos causais (1) e (2), pois não dispomos de dados sobre densidade sindical, oferta de candidaturas de esquerda e mudança ideológica para todos os municípios, o que compromete a operacionalização empírica completa para fins comparativos.

O Gráfico 6 mostra que, ao dividirmos os casos da nossa amostra entre desindustrializados (tratamento) e não desindustrializados (controle), é possível verificar que os municípios que estão no primeiro grupo apresentam menores médias de votação no PT do que aqueles que fazem parte do segundo grupo. A diferença de médias de aproximadamente 3 pontos percentuais, todavia, não pode ser tomada como efeito causal. Como explicita o DAG na Figura 2, para se ter interpretação causal, é necessário fechar os backdoors de modo a assegurar que essa medida não seja viesada pelos efeitos exercidos pelas variáveis de confusão (unconfoundedness). Para lidar com esse problema de identificação, estimamos coeficientes condicionados pelas variáveis de confusão, utilizando Matching com Propensity Score (PSM, na sigla em inglês).

Gráfico 6
Distribuição do desempenho eleitoral do PT entre grupos de tratamento e controle
Fonte: Elaboração dos autores.

Matching é um método não paramétrico de pré-processamento de dados empregado antes da análise paramétrica com o objetivo de, se não eliminar, pelo menos reduzir vieses oriundos de covariáveis observadas. Funciona por meio da imputação de retornos potenciais, do uso de unidades próximas do grupo de controle ou da ponderação de médias com subclassificação (Ho et al., 2011; Cunningham, 2021). Propensity Score, por sua vez, é uma forma de calcular a probabilidade de exposição a determinado tratamento a partir de um conjunto de covariáveis (Joffe; Rosenbaum, 1999). Essas duas técnicas, utilizadas juntas como PSM, apresentam consistência largamente demonstrada na literatura. Ao possibilitar o balanceamento entre os grupos de tratamento e controle, eles se tornam comparáveis, o que é essencial em estudos observacionais (Rosenbaum; Rubin, 1983; Austin, 2011; Gedolf et al., 2020).

Especificamente, neste artigo, utilizamos o método Generalized Full Matching (GFM), que é uma forma de subclassificação na qual todas as unidades (tratamento e controle) são atribuídas a uma subclasse e recebem ao menos um "match". O uso de GFM se deve a dois motivos principais. Em primeiro lugar, porque o pré-processamento realizado com GFM apresentou balanceamento mais preciso do que o matching por "vizinho próximo" (nearest neighbor). No Apêndice 1, é possível verificar a comparação do balanceamento realizado com os dois métodos. Em segundo lugar, porque o GFM é uma variante do "full matching" cuja virtude é a de utilizar um algoritmo que acelera drasticamente o processo de balanceamento. No nosso caso, o FM se mostrou muito custoso em termos computacionais. De fato, a capacidade do GFM de adaptar o uso de matching a amostras grandes, como argumentam Sävje et al. (2020), se mostrou satisfatória.

A partir do GFM, estamos interessados em estimar médias do tratamento entre os tratados (ATT), como formalizado na equação (2). No caso do nosso artigo, entendemos ser de maior interesse, para compreender a dinâmica do voto, considerar como subpopulação alvo somente o grupo que realmente recebeu o tratamento, de modo a poder compreender o potencial de votação, em média, que poderia ser adicionado (efeito marginal) caso os municípios não tivessem se desindustrializado (contrafactual).

Para estimar os ATTs, usamos g-computation. Esse método, a partir da especificação de um modelo, computa os valores preditos para cada unidade como retornos potenciais, calcula as médias para cada grupo (equação (1)) e faz o contraste entre elas, estimando o efeito de tratamento com erros robustos e clusterizados (Greifer, 2022a, 2022b). O modelo especificado é do formato da equação (3):

Nessa equação, Y é a porcentagem de votação do PT, o indicador de tratamento T igual a 1 caso o município i tenha se desindustrializado, e X representa um conjunto de covariáveis. A presença de X em interação com o tratamento é relevante, porque mostra que empregaremos nas estimações um método de robustez chamado de doubly robust method. Embora após o pré-processamento com GFM seja esperado que os vieses oriundos das covariáveis observadas sejam eliminados ou bastante minimizados, há sempre a possibilidade de que restem resíduos. Dessa forma, incluir no modelo que estima o ATT as mesmas covariáveis usadas para fazer o balanceamento é altamente recomendado pela literatura (Funk et al., 2011; Li et al., 2016).

Com a estratégia estipulada acima, podemos estimar o efeito total da desindustrialização sobre o desempenho eleitoral do PT relativo ao caminho causal (1). Todavia, estamos interessados, também, nos efeitos heterogêneos do tratamento de modo a poder identificar quando, sob quais condições, como e por que o efeito ocorre, de acordo com as hipóteses e os mecanismos de transmissão previamente estabelecidos e formalizados na Figura 2. Para isso, fizemos análises de moderação (quando e sob quais condições) e de mediação (como e por que). Como explica Blair (2022), análises de moderação testam a influência de uma terceira variável na relação entre duas variáveis de interesse, e podem reforçar, enfraquecer ou reverter a natureza da relação identificada no efeito total. No caso da análise de mediação, há, também, interesse em compreender o impacto de uma terceira variável. No entanto, nesse caso, o objetivo é testar cadeias causais hipotéticas por meio de efeitos indiretos que descrevam o processo através do qual o efeito total ocorre.

Testamos, como moderadores, os anos eleitorais (2006, 2010, 2014 e 2018) e as regiões do país. Foram criados bancos separados por ano e região, a partir dos quais foram realizados balanceamentos e análises com os dados desagregados, estimando os efeitos do tratamento (ATT) de acordo com a equação (3). Com relação aos anos, é esperado que o efeito total identificado varie entre os pleitos. No que tange às regiões do país, a expectativa é que o efeito negativo seja mais acentuado nas regiões Sul e Sudeste, contribuindo para explicar, em parte, a mudança da geografia do voto a partir do choque econômico provocado pela desindustrialização que, como vimos, afetou mais essas regiões.

A análise de mediação se concentra em estimar o caminho causal (2), que envolve a variável “Menos emprego industrial”. O coeficiente de interesse é o efeito médio de mediação causal (ACME, na sigla em inglês). Do ponto de vista operacional, as análises de mediação são realizadas por meio de "Modelagem por Equações Estruturais" (SEM – Structural Equation Modeling) (Jo et al., 2011). Os efeitos são estimados de acordo com as equações (4) e (5):

A equação (4) estima o efeito do tratamento $T_i$, condicionado às covariáveis observadas $X_i$, no mediador $M_i$; a equação (5) estima o efeito do mediador $M_i$ no resultado $Y_i$, condicionado ao tratamento $T_i$ e às covariáveis (b), e o efeito do tratamento $T_i$ no resultado $Y_i$, condicionado ao mediador $M_i$ e às covariáveis (c'). Importante notar que, na equação (5), há uma interação entre o mediador $M_i$ e o tratamento $T_i$. O objetivo é identificar o ACME específico para o grupo de tratamento, o que é importante levando em consideração que a estimativa do efeito total do tratamento no resultado é o ATT.

Nossa variável de tratamento é uma medida binária que classifica, com base no saldo industrial dos municípios, os casos da amostra onde houve desindustrialização (1) e aqueles em que não ocorreu desindustrialização (0). O saldo industrial dos municípios foi formulado para ser uma medida de economia política. A partir da variável “Peso da indústria no PIB”, que indica a participação da indústria no PIB municipal, o saldo industrial é calculado como a diferença do peso da indústria de um ano eleitoral para o outro. Por exemplo, o saldo para o ano de 2006 é o peso da indústria desse ano menos o de 2002. O objetivo é mensurar o quanto muda o nível industrial dos municípios de um ciclo eleitoral para o outro de modo a analisar se essas variações potencialmente diminuem o desempenho eleitoral do PT que, por sua vez, é mensurado com a porcentagem de votos que o partido obteve no primeiro turno das eleições presidenciais de 2002, 2006, 2010, 2014 e 2018. Como para calcular o saldo industrial são necessários dados do ano eleitoral anterior, as análises subsequentes foram realizadas considerando os anos de 2006, 2010, 2014 e 2018. Os dados acerca dos níveis industriais são do IBGE e os dados eleitorais foram coletados no site do Tribunal Superior Eleitoral (TSE).

Entre as covariáveis, os dados para o tamanho da população estimada e para o PIB dos municípios são do IBGE. No que se refere à religião, a medida utilizada é a porcentagem de população evangélica dos municípios. Para raça, usamos a porcentagem de população branca dos municípios. Com relação ao nível educacional, empregamos como medida a porcentagem da população dos municípios com ensino fundamental completo. Para essas três variáveis, os dados são dos Censos de 2000 e 2010. Nesses casos, como não há dados para todos os anos, utilizamos para 2006 os dados do Censo de 2000 e, para 2010, 2014 e 2018, os indicadores do Censo de 2010.

A razão para a escolha de tais covariáveis é poder controlar e evitar possíveis distorções nos testes estatísticos. A escolha da covariável “tamanho da população” permite, por exemplo, mitigar ou diluir potenciais efeitos da clivagem entre grandes metrópoles e pequenos municípios, em termos de comportamento político.

Com relação à covariável “religião”, essa se deve à ascensão do fenômeno do voto evangélico, em decorrência do aumento considerável, ao longo das últimas décadas, tanto da população autodeclarada vinculada a tal religião quanto dos representantes políticos nacionais associados ao pentecostalismo¹³. Também é válido frisar, nesse sentido, que a questão religiosa foi pauta fundamental no pleito presidencial de 2018, mobilizada, sobretudo, pelo candidato vencedor Jair Bolsonaro (fato que se repetiu no pleito de 2022), e também que, desde a eleição de 2014, o PT tem perdido apoio significativo dessa parcela do eleitorado (Nicolau, 2020).

A inclusão da covariável “raça” se atribui ao fato de o PT ter vínculo histórico com as pautas e as demandas do movimento negro e por expressar de forma mais veemente – vis-à-vis as demais forças políticas que lhe antagonizaram nos pleitos presidenciais – sua defesa de políticas afirmativas e outras políticas públicas voltadas à população autodeclarada preta (Rodrigues; Pereira, 2022). Nas eleições para presidente de 2006, 2010, 2014 e 2018, o/a candidato/a petista venceu nos dez municípios com maior proporção de população autodeclarada preta (TSE, 2023)¹⁴. Também é válido destacar que Zanotti, Rama e Tanscheit (2023) encontraram evidências quanto à relevância analítica e estatística da variável “raça” na predição do comportamento eleitoral no pleito de 2018 entre Haddad e Bolsonaro.

A covariável “nível educacional”, por sua vez, em linha com as anteriormente mobilizadas, foi inserida para controlar possíveis efeitos estatísticos, uma vez que, desde as eleições presidenciáveis de 2006, o PT tem perdido apoio/preferência entre os eleitores mais escolarizados, sobretudo os detentores de ensino superior (Singer, 2012; Nicolau, 2020).

No que tange à variável utilizada na análise de mediação para estimar o efeito indireto do tratamento, os dados do saldo de emprego industrial geral são do Cadastro Geral de Empregados e Desempregados (CAGED). Na Tabela 1, são apresentadas as estatísticas descritivas das variáveis utilizadas na pesquisa:

Tabela 1
Estatísticas descritivas

A Tabela 2 mostra os resultados das análises com os dados agregados e utiliza os anos eleitorais e as regiões como moderadores. O ATT com o efeito total no primeiro modelo confirma a hipótese estabelecida no caminho causal (1). O efeito causal estimado indica a diminuição média esperada de -1.704 na votação do PT no primeiro turno das eleições presidenciais, com significância estatística no nível de 0,1%, o que nos dá segurança da precisão do coeficiente. Nesse caso, considerando o contrafactual estimado ($Y_i^0$), a análise sugere que o PT poderia ter alcançado a média de 49,91% dos votos caso os municípios do grupo de tratamento não tivessem se desindustrializado, o que, em eleições competitivas, é uma diferença relevante. Importante, ainda, notar que o resultado apresentado é uma média. Portanto, em alguns municípios, o efeito estimado é ainda mais profundo.

Tabela 2
Resultados com dados agregados e segmentados por ano e região

+ p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001

Conforme o previsto, os efeitos são heterogêneos entre os anos eleitorais e as regiões do país. No que tange aos anos, em 2006, o contraste de médias é bastante pequeno e não é estatisticamente significativo. Em 2010, o efeito é significativo no nível de 1% e chega próximo de um ponto percentual negativo. No ano de 2014, o coeficiente é reduzido e não é estatisticamente significativo. Já em 2018, a estimativa de efeito de -1.201 ponto percentual é estatisticamente significativa no nível de 0,1%, mostrando que neste ano o impacto da desindustrialização alcança o ponto de maior intensidade. Esses resultados ano a ano evidenciam, portanto, que a influência da desindustrialização não tem crescimento contínuo no período analisado, mas apresenta flutuação entre os pleitos.

Com relação às regiões, os resultados mostram que, com efeito negativo de mais de três pontos percentuais e estatisticamente significativo no nível de 0,1%, a região Sul, de fato, é onde o PT teve o desempenho, em média, mais prejudicado pela desindustrialização. No Sudeste, o efeito negativo de -1.549 também é significativo no nível de 0,1%. Os resultados para essas duas regiões confirmam parcialmente nossa hipótese, dado que, apesar de ser negativo, o impacto médio estimado da desindustrialização na votação do PT no Sudeste é comparativamente menor do que nas regiões Norte e Centro Oeste, -2.754 e -2.053, respectivamente. Apenas no Nordeste o PT parece estar imune ao efeito negativo da desindustrialização. Essas estimativas trazem insights importantes sobre a dinâmica regional da economia política do voto, que serão mais bem explorados nas considerações finais.

Tendo demonstrado que a desindustrialização exerce efeito direto negativo no desempenho do PT e que essa influência é heterogênea quanto aos anos eleitorais (quando) e quanto às regiões do país (onde), a Tabela 3 traz resultados que evidenciam a relevância da perda do emprego e o consequente efeito incumbente para a compreensão do processo através do qual a desindustrialização afeta negativamente o voto (como e por quê).

Tabela 3
Efeitos de mediação da perda de emprego

+ p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001

O efeito médio de mediação causal estimado da perda de emprego é negativo e estatisticamente significativo, sugerindo que, de fato, essa variável intermedeia a relação entre desindustrialização e desempenho eleitoral do PT, como preconizado no efeito causal (2) proposto. Esse resultado fornece suporte à hipótese segundo a qual entre os municípios de tratamento há uma espécie de punição ao partido incumbente devido aos correlatos socioeconômicos da desindustrialização. O efeito de mediação e a proporção mediada relativamente pequenos encontram-se dentro do esperado, dado que o mediador é bastante específico.

Na literatura acerca do uso de matching para inferência causal, há intenso debate sobre a forma mais eficiente de cálculo de erros-padrão e intervalos de confiança. Abadie e Imbens (2008), em trabalho constantemente citado, apontam falhas no uso de bootstrap. Todavia, posteriormente, Austin e Small (2014) e Abadie e Spiess (2022) sugerem que, para matching sem substituição (replacement) – o que é o caso deste artigo –, o uso de bootstrap clusterizado (cluster bootstrap) é consistente. Para testar a robustez das estimativas apresentadas na Tabela 2, além do doubly robust method já empregado, utilizamos esse método para estimar os erros-padrão e os intervalos de confiança do tipo BCa. No caso das análises de mediação, estimamos os erros-padrão e os intervalos de confiança BCa a partir da opção ofertada diretamente pelo pacote mediation para o software R (Tingley et al., 2014). Os resultados aparecem nas Tabelas 4 e 5:

Tabela 4
Resultados com bootstrap para dados agregados e segmentados por ano e região

Tabela 5
Efeitos de mediação da perda de emprego industrial com bootstrap

+ p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001

Os coeficientes não variam substancialmente quando estimados com bootstrap. As variáveis de interesse para explicar a queda no apoio eleitoral ao PT em eleições presidenciais, no agregado, por eleição, por regiões e o saldo do emprego industrial como mediação mantêm o sinal e a significância. Assim, podemos dizer que nossas hipóteses centrais e aquela derivada do mecanismo de transmissão testado (efeito incumbente) possuem lastro nas evidências disponíveis. Vale dizer, a desindustrialização tem, de fato, efeito na queda da votação desse partido por município, sendo tal efeito mais forte na região Sul, mas também substancial nas regiões Norte, Centro-Oeste e Sudeste. Tal efeito encontra-se mediado pela perda de emprego como efeito incumbente.