Relaciones Espaciales entre las Transferencias de la Cuota Parte del ICMS y la Actividad Económica Municipal en Goiás

Érika Martins Lima Cherubino; João Ítalo Bolqui Dutra

DOI: 10.22167/2675-6528-202602880

Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.

Resumen

Se realizó una investigación cuantitativa aplicada a la administración tributaria estatal con el objetivo de analizar espacialmente los valores per cápita de la cuota municipal del Impuesto sobre la Circulación de Mercancías y Servicios (ICMS) y verificar su relación con el Producto Interno Bruto (PIB) per cápita de los municipios goianos en el período de 2014 a 2023. Para ello, se emplearon técnicas de Análisis Exploratorio de Datos Espaciales, incluyendo mapas coropléticos, Índice de Moran Global y Local (LISA), estadística Getis-Ord Gi* y clústeres espaciales SKATER. Los resultados demostraron que el territorio goiano se organizó de forma heterogénea y no aleatoria, caracterizado por desigualdades regionales persistentes que se reprodujeron en el tiempo y mantuvieron una configuración territorial relativamente estable. Se observó que la geografía fiscal del estado fue influenciada por la geografía económica en el período analizado, pero esta relación no se mostró siempre lineal en el espacio, siendo marcada por especificidades territoriales, fiscales y regionales. Se concluyó que el estudio proporciona elementos relevantes para la comprensión de la dinámica regional de la recaudación y para la actuación estratégica de la administración tributaria estatal, especialmente en el perfeccionamiento de políticas regionales de recaudación, incentivos y fiscalización.

Palabras clave: Análisis Espacial; Recaudación Tributaria; Estado de Goiás; Producto Interno Bruto.

1. Introducción

Los impuestos representan el núcleo de la recaudación de las entidades federativas en Brasil. En el ámbito de los estados, el Impuesto sobre la Circulación de Mercancías y Servicios (ICMS) es el tributo de competencia estatal que incide sobre la circulación de mercancías y la prestación de servicios de transporte interestatal, intermunicipal y de comunicación. Una parte de la recaudación del ICMS se reparte con los municipios, constituyendo una de sus principales fuentes de ingresos, según lo destacado por Gremaud et al. (2024).

Desde el punto de vista económico, el ICMS se clasifica como un impuesto de tipo valor agregado, cuya alícuota incide sobre el valor agregado al bien en cada etapa de la cadena productiva. Esto significa que el valor a recaudar depende directamente de la base de cálculo sobre la cual incide. En este contexto, la volumetría de la recaudación tributaria está influenciada por el nivel de actividad e ingresos de la economía, con el crecimiento económico impulsando el aumento de la recaudación y la desaceleración resultando en el efecto inverso (Gremaud et al., 2024).

El análisis espacial emerge como una herramienta fundamental para comprender fenómenos complejos, dada la interrelación entre elementos geográficamente próximos, conforme a la primera ley de la Geografía formalizada por Tobler (1970). Este enfoque permite asociar datos recopilados a variables geográficas, contribuyendo a la organización y al entendimiento de diversos aspectos socioespaciales (Cardoso et al., 2020). Estudios anteriores ya aplicaron la autocorrección espacial a transferencias fiscales y al desempeño económico municipal, como el ICMS Ecológico en Minas Gerais (Sgarbi et al., 2018) y el desempeño económico de municipios catarinenses (Begnini et al., 2024).

Sin embargo, no se identificaron estudios que relacionen espacialmente la cuota del ICMS y el Producto Interno Bruto (PIB) per cápita en los municipios de Goiás, lo que confiere un carácter inédito a esta investigación en este recorte territorial. La comprensión de la dinámica regional de la recaudación y la actuación estratégica de la administración tributaria estatal son cruciales para el perfeccionamiento de políticas regionales de recaudación, incentivos y fiscalización, justificando la relevancia de este estudio.

Ante lo expuesto, el presente estudio tiene como objetivo analizar espacialmente los valores per cápita de la cuota municipal del ICMS y verificar su relación con el Producto Interno Bruto (PIB) per cápita de los municipios goianos en el período de 2014 a 2023. La motivación para la realización de este estudio es proporcionar elementos relevantes para la comprensión de la dinámica regional de la recaudación y para la actuación estratégica de la administración tributaria estatal, especialmente en el perfeccionamiento de políticas regionales de recaudación, incentivos y fiscalización.

2. Material y Métodos

El presente estudio se caracterizó como una investigación cuantitativa, aplicada a la administración tributaria estatal, con un enfoque exploratorio y analítico. El objetivo fue analizar espacialmente los valores per cápita de la cuota parte municipal del Impuesto sobre la Circulación de Mercancías y Servicios (ICMS) y verificar su relación con el Producto Interno Bruto (PIB) per cápita de los municipios goianos. La investigación abarcó el período de 2014 a 2023, centrándose en la identificación de patrones y relaciones espaciales.

La unidad de análisis comprendió los 246 municipios del estado de Goiás, ubicado en la región Centro-Oeste de Brasil. Los datos referentes a los traspasos de la cuota parte municipal del ICMS fueron extraídos del Portal de Datos Abiertos de Goiás. Adicionalmente, los datos del Producto Interno Bruto (PIB) de los municipios, para el mismo período, fueron obtenidos junto al Instituto Brasileño de Geografía y Estadística (IBGE, 2024).

El período de tiempo de análisis se definió de 2014 a 2023. Después de la recopilación, los datos pasaron por etapas de limpieza, estandarización y organización, incluyendo el tratamiento de valores inválidos o ausentes, la normalización de nombres y la consolidación tabular anual. Para los análisis espaciales, se obtuvieron datos de georreferenciación de los perímetros municipales de Goiás en formato GeoJSON.

Para mitigar efectos de escala y permitir análisis comparativos, se realizó la normalización de los datos por población, convirtiendo los valores brutos de ICMS y PIB a valores per cápita. La población residente de cada municipio se utilizó para ambos cálculos (Vianna y Costa, 2025). Una etapa adicional implicó la aplicación de logaritmo natural a los valores per cápita del ICMS y del PIB, debido a las asimetrías observadas en sus distribuciones (Wooldridge, 2007).

El análisis de los datos se inició con técnicas de Análisis Exploratorio de Datos (AED), aplicando medidas de resumen como media, mediana y moda para describir las dispersiones y formas de distribución de los valores (Fávero y Belfiore, 2024). A continuación, para investigar patrones y relaciones espaciales, se empleó el Análisis Exploratorio de Datos Espaciales (AEDE), que integra información de localización como parte constitutiva del fenómeno (Anselin, 2023), con el objetivo de identificar patrones de asociaciones y agrupaciones de valores similares (Hao, 2019).

Un concepto fundamental en el AEDE es la autocorrelación espacial, que mide la asociación entre la similitud de atributos y la similitud geográfica, caracterizada por una relación de vecindad (Druck et al., 2004). Para cuantificar esta autocorrelación global, se utilizó la Estadística I de Moran. Este índice se basa en el cálculo del producto de las desviaciones de los valores con respecto a la media global, considerando una matriz de pesos espaciales. La significancia estadística se determinó mediante pruebas de pseudo-significancia, utilizando permutaciones.

Para identificar agrupaciones espaciales en diferentes localizaciones, se aplicó el Índice de Moran Local (LISA), que permite la visualización de patrones de autocorrelación a nivel municipal. Adicionalmente, para medir la intensidad local de concentración de valores altos (hotspots) y bajos (coldspots), se empleó la estadística Getis-Ord Gi* (Anselin, 2023). Esta técnica calculó puntuaciones z para cada conjunto de datos, posibilitando la identificación de aglomeraciones de elementos.

La regionalización espacial de los municipios, agrupándolos por similitud y contigüidad, se realizó mediante el algoritmo “Spatial ‘K’luster Analysis by Tree Edge Removal” (SKATER). Esta técnica es adecuada para formar clústeres espacialmente contiguos e internamente homogéneos (Assunção et al., 2006). El proceso implicó la obtención de un Árbol de Expansión Mínima (AEM) y la evaluación de puntos de poda mediante el cálculo de la Suma de Desviaciones Cuadráticas (SDC) para los subárboles (Anselin, 2023).

Los análisis se implementaron en lenguaje Python, utilizando bibliotecas como Pandas para manipulación de datos, PySAL y ESDA para análisis espacial, GeoPandas para datos espaciales y Folium para generación de mapas interactivos.

3. Resultados y Discusión

El análisis inicial de la dinámica de las variables de estudio reveló características importantes en la distribución de los valores per cápita de las transferencias del Impuesto sobre la Circulación de Mercancías y Servicios (ICMS) y del Producto Interno Bruto (PIB) en los municipios goianos. Se observó una marcada heterogeneidad distributiva, con arreglos que indicaron asimetrías positivas. Esto significa que la mayoría de los municipios se concentró en rangos intermedios de valores, mientras que pocos presentaron valores relativamente elevados. La asimetría fue más pronunciada para el PIB per cápita, lo que sugiere una influencia más significativa de municipios con alta actividad económica sobre la media general del estado.

A pesar de la aplicación de la transformación logarítmica para mitigar los efectos de escala, la asimetría en la distribución de los valores monetarios permaneció visible a lo largo de todo el período de 2014 a 2023. Este patrón persistente, incluso con el crecimiento nominal de los valores per cápita de recaudación y PIB, indica que la heterogeneidad entre los municipios no se disolvió, sino que se reprodujo a lo largo de la década. Tal constatación apunta a la existencia de disparidades fiscales y económicas que son persistentes y estructurales en el territorio goiano, reflejando una organización espacial no aleatoria.

Al examinar los municipios con mayores y menores valores de ICMS per cápita y PIB per cápita en 2023, se observó que Perolândia, Davinópolis, Chapadão do Céu, Paraúna, Barro Alto y Turvelândia figuraron entre los seis mayores en ambas variables. Estos municipios se caracterizan por economías fuertemente basadas en la agropecuaria y la industria, según lo señalado por Vianna y Costa (2025). Una distinción notable fue el municipio de Alto Horizonte, que, a pesar de no estar entre los diez mayores en PIB per cápita, registró el mayor valor de transferencia de ICMS per cápita en Goiás, indicando especificidades en la relación entre actividad económica y recaudación tributaria en ciertos contextos locales.

Los coeficientes de Gini calculados para las variables de estudio, en el período de 2014 a 2023, indicaron desigualdades moderadas en sus distribuciones. En términos comparativos, la desigualdad en la distribución del ICMS per cápita se mostró más elevada y persistente que la observada para el PIB per cápita. Mientras que el coeficiente de Gini para el ICMS per cápita se mantuvo predominantemente en el rango de 0,35 a 0,37, el PIB per cápita presentó mayor oscilación, variando entre 0,29 y 0,33 a lo largo de la serie temporal. Esta diferencia sugiere que, aunque ambas variables demuestran desigualdad, la distribución de la cuota parte del ICMS está más rígidamente estructurada en términos de disparidad.

La transición al análisis exploratorio de datos espaciales permitió la visualización de patrones territoriales. Mediante mapas coropléticos, se observó que tanto las transferencias de ICMS per cápita como el PIB per cápita presentaron áreas de mayor intensidad relativa en las regiones sur, suroeste y en partes del sureste del estado. Adicionalmente, se identificaron manchas oscuras puntuales en el norte y centro-norte. En contraste, las regiones central y centro-este, especialmente en el entorno del Distrito Federal, exhibieron menor intensidad para ambas variables, delineando una geografía fiscal y económica heterogénea.

Una comparación visual de los mapas reveló una convergencia parcial en los patrones observados para las dos variables, sugiriendo una coincidencia territorial entre niveles más altos de actividad económica y mayores transferencias de ICMS per cápita. Sin embargo, el PIB per cápita demostró una configuración espacial menos fragmentada, presentando mayor continuidad y cohesión regional en comparación con el ICMS per cápita. Las disparidades territoriales fueron recurrentes a lo largo del período, reforzando la hipótesis de que los diferenciales de transferencias de ICMS y PIB per cápita son persistentes y estructurales, no meramente coyunturales.

La existencia de autocorrelación espacial positiva y estadísticamente significativa fue confirmada por los resultados del Índice de Moran Global para ambas variables en todos los años analizados. Para las transferencias de ICMS per cápita, los valores del Moran Global variaron de 0,299683 en 2014 a 0,361403 en 2018, mientras que para el PIB per cápita, los valores oscilaron entre 0,361337 en 2020 y 0,412044 en 2023. En todos los casos, el p-valor fue de 0,001, rechazando fuertemente la hipótesis nula de aleatoriedad espacial. Esto indica que municipios con altos valores de ICMS per cápita tienden a estar próximos a otros con altos valores, y lo mismo se aplica a municipios con bajos valores, evidenciando una organización espacial no aleatoria.

El análisis del Índice de Moran Global también reveló que el PIB per cápita presentó valores sistemáticamente más elevados y estables a lo largo de la serie histórica en comparación con el ICMS per cápita. Esta constatación sugiere que la autocorrelación espacial del PIB es más intensa y robusta, indicando una mayor estabilidad en los patrones de agrupación económica en relación con los patrones de recaudación tributaria. La persistencia de estos patrones a lo largo del tiempo refuerza la idea de que las estructuras económicas regionales son más consolidadas y menos susceptibles a fluctuaciones de corto plazo que las fiscales.

Los mapas Moran Local/LISA detallaron la geografía de la autocorrelación espacial, identificando núcleos territoriales locales bien definidos y recurrentes. Para las transferencias de ICMS per cápita, se observaron dos agrupaciones “alto-alto” persistentes: una más extensa en la región suroeste y otra de menores proporciones en la región sureste del estado. Las agrupaciones “bajo-bajo” recurrentes se localizaron en la porción centro-este, con fuerte asociación al entorno del Distrito Federal. Estos patrones indican la formación de clústeres de alta y baja recaudación que se mantuvieron estables a lo largo del período analizado.

Para el PIB per cápita, los mapas Moran Local/LISA exhibieron una configuración más continua, extensa y estable, especialmente en los grandes agrupamientos “alto-alto” de las regiones sur y suroeste, y en los agrupamientos “bajo-bajo” de la región noreste. Esta mayor estabilidad y extensión de los clusters de PIB per cápita son coherentes con los valores más elevados del Moran Global observados para esta variable. La presencia de tales agrupamientos sugiere que la actividad económica se organiza en bloques territoriales más cohesionados y menos fragmentados que la recaudación de ICMS.

La aplicación de la estadística Getis-Ord Gi* para identificar “hotspots” (altas concentraciones) y “coldspots” (bajas concentraciones) complementó el análisis. Para las transferencias de ICMS per cápita, el principal “hotspot” se localizó en la porción suroeste-sur del estado, manteniéndose visible en todos los años. Un “hotspot” menor, pero persistente, se observó en el sureste. Los “coldspots” se organizaron principalmente en la región centro-este, con fuerte asociación visual al entorno del Distrito Federal, y en manchas menores en partes del norte, noreste y áreas centrales, cuya visibilidad varió entre los años.

Los mapas Getis-Ord Gi* del PIB per cápita revelaron un “punto caliente” más extenso y estable en la porción suroeste-sur del estado, visible en todos los años del análisis, y otro “punto caliente” igualmente persistente en el sureste. Los “puntos fríos” se concentraron principalmente en las regiones norte y noreste del estado, exhibiendo una fuerte continuidad espacial a lo largo de casi toda la serie. Además de estos, se observaron manchas frías en áreas centrales en varios años. En términos comparativos, el PIB per cápita presentó regiones de “puntos calientes” y “puntos fríos” más extensas, continuas y espacialmente robustas que las del ICMS per cápita, reforzando la idea de una mayor cohesión económica.

El contexto económico regional corrobora los patrones espaciales observados. El suroeste goiano, con municipios como Jataí y Rio Verde, se destacó como una región de extensos agrupamientos “alto-alto” y “hotspots” para ICMS y PIB. Romanatto et al. (2011) y la Secretaría de Estado de Gestión y Planificación de Goiás (2012) resaltan que Rio Verde, uno de los mayores productores de granos, desarrolló un “agricluster” con expansión industrial y crecimiento del sector de servicios, impactando positivamente la recaudación de ICMS y el PIB. Jataí, por su parte, es un exponente de la agropecuaria nacional con grandes industrias procesadoras.

La región sureste del estado, con énfasis en Catalão, también presentó agrupaciones de valores altos y “hotspots”, impulsada por indicadores de crecimiento industrial significativos en las últimas décadas. La atracción de empresas de gran tamaño en las áreas de minería y ensamblaje de vehículos y maquinaria agrícola fue influenciada por la ubicación estratégica y las riquezas minerales del municipio (Romanatto et al., 2011). Estos factores económicos explican la formación y persistencia de los clusters de alta recaudación y actividad económica en estas regiones.

Por otro lado, los “coldspots” y los agrupamientos “bajo-bajo” se localizaron predominantemente en las regiones central, centro-este, norte y noreste del estado. Estas áreas se caracterizan por un menor dinamismo económico y menor densidad industrial, con un destaque negativo para el entorno del Distrito Federal, donde las ciudades presentan bajo desarrollo de las actividades industrial y agrícola (Romanatto et al., 2011). La persistencia de estos patrones espaciales a lo largo del tiempo sugiere que los aglomerados observados están fuertemente influenciados por procesos económicos y territoriales estructurales.

La agrupación de los municipios utilizando la técnica SKATER añadió una dimensión complementaria al análisis, regionalizando el estado de Goiás en conjuntos contiguos de municipios con características internamente más homogéneas de ICMS y PIB. Para las transferencias de ICMS per cápita en 2023, la regionalización espacial estuvo marcada por agrupaciones relativamente amplias en el suroeste, noreste y noroeste, además del entorno del Distrito Federal y de partes del sur y sureste. La presencia de regiones menores y más fragmentadas en el área central del estado sugiere que, en esa porción del territorio, los valores del ICMS per cápita variaron de forma más abrupta entre municipios vecinos, dificultando la formación de grandes bloques homogéneos.

Para el PIB per cápita, los mapas SKATER de 2014 y 2023 revelaron una configuración espacial más continua y regionalmente consolidada, con grandes bloques contiguos bien definidos en las regiones norte, sudeste y sudoeste del estado. El comportamiento de los “clusters” SKATER a lo largo del período de análisis sugiere una persistencia espacial y mayor robustez territorial del PIB per cápita, con macrorregiones relativamente homogéneas y menos fragmentación que la observada en el ICMS per cápita. Esta diferencia en la robustez de los clusters refuerza la idea de que la geografía económica posee una estructura más estable y cohesionada que la geografía fiscal.

En síntesis, los resultados de la investigación demostraron que el territorio goiano se organizó de forma heterogénea y no aleatoria, caracterizado por desigualdades regionales persistentes que se reprodujeron en el tiempo y mantuvieron una configuración territorial relativamente estable. La geografía fiscal del estado fue influenciada por la geografía económica en el período analizado, pero esta relación no se mostró siempre lineal en el espacio, siendo marcada por especificidades territoriales, fiscales y regionales. El ICMS per cápita presentó mayor fragmentación y menor estabilidad en sus patrones espaciales, mientras que el PIB per cápita exhibió un patrón más continuo, robusto y estable, con agrupaciones territoriales más extensas y mayor intensidad en las autocorrela ciones global y local.

4. Conclusión

El presente estudio buscó analizar espacialmente los valores per cápita de la cuota municipal del Impuesto sobre la Circulación de Mercancías y Servicios (ICMS) y verificar su relación con el Producto Interno Bruto (PIB) per cápita de los municipios goianos entre 2014 y 2023. Se verificó que el territorio goiano se organizó de forma heterogénea y no aleatoria, caracterizado por desigualdades regionales persistentes que se reprodujeron en el tiempo, manteniendo una configuración territorial relativamente estable. Se observó que la geografía fiscal del estado fue influenciada por la geografía económica en el período analizado, aunque esta relación no se mostró siempre lineal en el espacio, siendo marcada por especificidades territoriales y fiscales. Se identificó que el ICMS per cápita presentó mayor fragmentación y menor estabilidad en sus patrones espaciales, mientras que el PIB per cápita exhibió un patrón más continuo, robusto y estable, con agrupamientos territoriales más extensos y mayor intensidad en las autocorrela ciones global y local, con “hotspots” en el sudoeste-sur y sureste, y “coldspots” en las regiones central, centro-este, norte y noreste.

La principal contribución de este estudio reside en proporcionar elementos relevantes para la comprensión de la dinámica regional de la recaudación y para la actuación estratégica de la administración tributaria estatal. Los hallazgos indican la necesidad de mejorar las políticas regionales de recaudación, incentivos y fiscalización, considerando la lógica regionalizada de la distribución tributaria y las evidencias espaciales de las desigualdades. La persistencia de regiones con perfiles fiscales distintos sugiere que la recaudación y su distribución territorial deben ser comprendidas a la luz de un enfoque que valore las especificidades locales, permitiendo intervenciones más acordes con la realidad de los municipios goianos.

Referencias Bibliográficas

Anselin, L. 2023. An Introduction to Spatial Data Science with GeoDa – Volume 1: Exploring Spatial Data. Center for Spatial Data Science – University of Chicago, Illinois, Estados Unidos. Disponível em: <https://lanselin.github.io/introbook_vol1>. Acesso em: 15 jan. 2026.

Assunção, R. M.; Neves, M.C.; Câmara, G.; Freitas, C. da C. 2006. Efficient regionalization techniques for socio-economic geographical units using minimum spanning trees. International Journal of Geographical Information Science, 20(7): 797–811. Disponível em: < http://www.dpi.inpe.br/gilberto/papers/assuncao_neves_camara_ijgis.pdf>. Acessado em 10 jan. 2026.

Begnini, S.; Carvalho, C.E.; Rossetto, C.R. 2024. Autocorrelação espacial: desempenho econômico dos municípios catarinenses entre 2012-2020. Interações 25(3): e2533910.

Cardoso, P.V.; Silva, V.; Bastos, I.B.; Costa, E.C.P. 2020. A importância da análise espacial para tomada de decisão: um olhar sobre a pandemia de COVID-19. Revista Tamoios, 16(1): 125-137. Disponível em: <https://www.e-publicacoes.uerj.br/tamoios/article/view/50440>. Acesso em: 30 set. 2025.

Druck, S.; Carvalho, M.S.; Câmara, G.; Monteiro, A.V.M. 2004. Análise Espacial de Dados Geográficos. Empresa Brasileira de Pesquisa Agropecuária [EMBRAPA], Brasília, DF, Brasil. Disponível em: <http://www.dpi.inpe.br/gilberto/livro/analise/>. Acesso em: 30 set. 2025.

Fávero, L.P.; Belfiore, P. 2024. Manual de Análise de Dados. 2ed. LTC, Rio de Janeiro, RJ, Brasil.

Gremaud, A.P.; Vasconcellos, M.A.S.; Jr., R.T.; Naruhikos, S. 2024. Economia Brasileira Contemporânea. 9ed., Atlas, Rio de Janeiro, RJ, Brasil. Disponível em: <https://app.minhabiblioteca.com.br/reader/books/9786559776450/>. Acesso em: 06 out. 2025.

Hao, P. 2019. Spatial analysis. In: Orum, A. (ed.). Wiley Blackwell Encyclopedia of Urban and Regional Studies. Wiley-Blackwell, Hong Kong. Disponível em: <https://www.researchgate.net/publication/332425310_Spatial_Analysis>. Acesso em: 13 out. 2025.

Instituto Brasileiro de Geografia e Estatística [IBGE]. 2024. Nota técnica 02/2024 – PIB dos municípios. Disponível em: < https://biblioteca.ibge.gov.br/visualizacao/livros/liv102094.pdf>. Acesso em: 17 out. 2025.

Romanatto, E.; Arriel, M.F.; Silva, G.J.C.D. 2011. Aglomeração, caracterização e dinâmica econômica setorial dos municípios do Estado de Goiás em 2008: Avaliação empírica e proposição de política. Goiânia, Goiás, Brasil. Disponível em: <https://www.ipea.gov.br/code2011/chamada2011/pdf/area7/area7-artigo46.pdf>. Acesso em: 15 fev. 2026.

Secretaria de Estado de Gestão e Planejamento de Goiás. 2012. Perfil e potencialidades dos municípios goianos. Disponível em: <https://goias.gov.br/imb/wp-content/uploads/sites/29/2024/02/repositorio_2012_017_outras_publicacoes_perfil_e_potencialidades_dos_municipios_goianos.pdf>. Acesso em: 15 fev. 2026.

Sgarbi, L.A.; Gonçalves, R.M.L.; Abrantes, L.A.; Brunozi Jr., A.C. 2018. Análise espacial do ICMS Ecológico e suas relações com o desenvolvimento socioeconômico dos municípios mineiros. Reuna 23(4): 15-41.

Tobler, W.R. 1970. A computer movie simulating urban growth in the Detroit region. Economic Geography, 46(2): 234-240. Disponível em: <https://www.jstor.org/stable/143141>. Acesso em: 13 out. 2025.

Vianna, P.J.B.; Costa, R. C. 2025. Produto interno bruto dos municípios goianos – 2023. Disponível em: <https://goias.gov.br/imb/wp-content/uploads/sites/29/2025/11/boletim_046_2025_PIB_regional_consolidado_2023.pdf>. Acesso em: 21 jan. 2026.

Wooldridge, Jeffrey M., 2007. Introdução à Econometria: Uma Abordagem Moderna. 4ed. Thomson Learning. São Paulo, SP, Brasil.

Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haz clic aquí y accede a la plataforma MBX Academy