Is Productivity Advantage of Cities Really Down To Mean and Variance?

O essencial

Imagine que você está comparando duas cidades: uma muito movimentada e densa (como o centro de Madri) e outra mais tranquila e esparsa (uma cidadezinha do interior).

Os economistas sabem há tempos que as empresas nas cidades grandes tendem a ser mais produtivas (produzem mais com os mesmos recursos). Mas por que isso acontece? Existem duas teorias principais, e este artigo tenta descobrir qual delas é a verdadeira:

1. A Teoria do "Efeito Turma" (Economias de Aglomeração): A cidade grande é um lugar mágico. O fato de estar ali, perto de outros, de estradas boas e de ideias fluindo, faz todas as empresas ficarem melhores. É como se a cidade desse um "boost" de energia para todos.
2. A Teoria da "Seleção Natural" (Competição): A cidade grande é uma selva. Lá, a competição é tão feroz que as empresas fracas morrem rápido, restando apenas as "super-heróis". A cidade não torna as empresas melhores; ela apenas elimina as ruins, deixando apenas as melhores.

O Grande Mistério e o "Teste de Sabor"

Para separar essas duas ideias, os economistas usam uma fórmula matemática complexa (criada por Combes e colegas em 2012). Essa fórmula faz uma suposição ousada: ela diz que, se você pegar a "receita" de produtividade de todas as empresas (a distribuição), a das cidades grandes e a das cidades pequenas são idênticas, exceto por três coisas:

• A média (o "sabor" geral).
• A variação (o quanto os sabores variam).
• O "corte" na ponta esquerda (a eliminação das piores empresas).

Se essa suposição estiver errada, toda a matemática usada para decidir políticas públicas pode estar errada. Mas ninguém tinha testado isso diretamente antes, porque medir a produtividade é como tentar adivinhar o peso de uma pessoa olhando através de uma neblina: os dados são "barulhentos" e cheios de erros.

O Que os Autores Fizeram (A Analogia da Peneira)

Vladislav Morozov e Andrea Sy pegaram dados reais de milhares de empresas espanholas (de 2000 a 2019). Eles usaram uma técnica estatística avançada (como uma peneira superpoderosa) para remover o "barulho" e ver a verdade nua e crua.

Eles fizeram o seguinte teste:

1. Pegaram as empresas das cidades grandes e das pequenas.
2. Ajustaram os dados para que a "média" e a "variação" fossem iguais em ambos os grupos.
3. Olharam para o resto da distribuição: As formas das curvas eram iguais?

A Descoberta Surpreendente

O resultado foi claro e surpreendente: Sim, as curvas eram idênticas.

Não havia nenhuma diferença escondida na forma como as empresas se distribuíam. A única diferença real estava na média e na variação.

Isso significa que:

• A Teoria da "Seleção Natural" (eliminar as ruins) NÃO é a principal culpada. Não há evidência de que as cidades grandes estejam "cortando" a cauda das empresas ruins de forma diferente das cidades pequenas.
• A Teoria do "Efeito Turma" (Aglomeração) é a vencedora. As empresas nas cidades grandes são melhores porque o ambiente as torna melhores. É como se a cidade fosse um fertilizante que faz todas as plantas crescerem mais, e não apenas um filtro que tira as plantas mortas.

Por Que Isso Importa para o Mundo Real?

Imagine que você é um prefeito ou um político querendo ajudar uma cidade pequena a crescer.

• O que NÃO funciona (segundo este estudo): Tentar criar uma competição brutal, reduzir barreiras para que empresas fracas falham e saiam, esperando que só as fortes fiquem. O estudo diz que isso não é o segredo das cidades grandes.
• O que FUNCIONA: Focar em aglomeração. Melhorar a infraestrutura, criar redes de conhecimento, facilitar o transporte e fazer com que as pessoas e empresas se conectem. Se você criar um ambiente onde as empresas possam "se beneficiar umas das outras", a produtividade sobe naturalmente.

Resumo em Uma Frase

Este estudo diz que as cidades grandes não são mais produtivas porque são cruéis e eliminam os fracos; elas são mais produtivas porque são ambientes ricos que tornam todos os participantes mais fortes. Portanto, para desenvolver regiões, devemos focar em construir ambientes melhores, e não apenas em criar competição feroz.

Resumo técnico

1. O Problema de Pesquisa

O artigo aborda um debate central na economia urbana: por que as empresas em áreas mais densas são sistematicamente mais produtivas? Existem duas explicações principais concorrentes:

1. Economias de Aglomeração: A densidade aumenta a produtividade de todas as empresas (deslocamento da distribuição de produtividade).
2. Seleção de Empresas: A competição mais intensa em áreas densas elimina empresas menos produtivas, deixando apenas as mais eficientes (truncamento da cauda esquerda da distribuição).

O método padrão para separar esses dois canais, proposto por Combes et al. (2012), baseia-se em uma suposição crítica: as distribuições de Produtividade Total dos Fatores (TFP) entre áreas densas e menos densas são idênticas, exceto por deslocamentos na média, na variância e por um truncamento da cauda esquerda (devido à seleção).

O Desafio: Esta suposição de igualdade distributiva nunca foi testada empiricamente de forma direta. Além disso, a TFP não é observada diretamente, mas estimada com ruído. Comparações ingênuas de distribuições baseadas em estimativas ruidosas podem confundir o ruído de estimação com heterogeneidade real, levando a inferências inválidas.

2. Metodologia e Dados

Os autores utilizam dados administrativos de nível de empresa da Espanha (conjunto de dados CBI do Banco de Espanha) cobrindo o período de 2000 a 2019.

Estrutura de Dados:

• As empresas são classificadas em áreas de alta densidade (AMD) e baixa densidade (BMD) com base na medida de densidade experiencial de de la Roca and Puga (2017).
• A TFP ($\theta_i$) é estimada usando uma função de produção Cobb-Douglas e o método de Ackerberg et al. (2015).
• Filtro de Amostra: Para garantir inferência estatística válida e controlar o ruído de estimação, o estudo restringe a amostra apenas a empresas observadas por pelo menos 15 períodos. Isso alinha a amostra com o quadro teórico de longo prazo onde os efeitos de seleção se manifestam e reduz o viés de estimação.

Abordagem Econométrica:
O objetivo é testar a hipótese nula ($H_0$) de que as distribuições de TFP, após padronização por média e variância, são idênticas entre áreas densas e não densas, sem necessidade de truncamento de cauda.

• Desafio 1 (Ruído): As estimativas de TFP ($\hat{\theta}_i$) são ruidosas.
• Desafio 2 (Parâmetros Estimados): A média e a variância também são estimadas, introduzindo incerteza.

Solução Proposta:
Os autores desenvolvem um teste não paramétrico de duas amostras (Kolmogorov-Smirnov - KS) adaptado com as seguintes correções:

1. Correção de Viés (Debiasing): Uso do Half-panel Jackknife (HPJ) para corrigir o viés introduzido pelo ruído nas estimativas de TFP (baseado em Jochmans and Weidner, 2024).
2. Bootstrap: Uso de bootstrap ao nível da empresa para contabilizar toda a variabilidade de amostragem, incluindo a incerteza na estimação dos parâmetros de localização e escala.

3. Principais Contribuições

1. Validação Empírica da Suposição de Combes et al. (2012): O artigo fornece a primeira validação direta da suposição de que as distribuições de TFP diferem apenas por parâmetros de localização, escala e truncamento.
2. Metodologia Robusta para Dados Ruidosos: Propõe um teste de goodness-of-fit (ajuste) não paramétrico que lida corretamente com estimativas latentes ruidosas, uma metodologia aplicável a outros contextos (ex: distribuição de habilidades de trabalhadores).
3. Reavaliação do Papel da Seleção: Demonstra que o parâmetro de truncamento de cauda ($\xi$) não é necessário para alinhar as distribuições, sugerindo que a seleção de empresas pode não ser o motor principal das diferenças de produtividade urbana.

4. Resultados

A análise foi realizada setor a setor (Manufatura, Construção, Comércio, Transportes, Hospitalidade, TIC, Imobiliário, Serviços Profissionais, Serviços Administrativos e Artes).

• Validação da Hipótese: Para todos os setores, os autores não rejeitam a hipótese nula. Os valores-p do teste KS corrigido para viés são todos altos (o menor valor-p é 0,499 no setor de Serviços Profissionais).
• Suficiência de Média e Variância: As distribuições de TFP padronizadas (com média e variância iguais) são estatisticamente indistinguíveis entre áreas densas e não densas.
• Ausência de Truncamento: Não há evidência de que a cauda esquerda das distribuições seja truncada em áreas densas. Isso implica que a "seleção" (eliminação de empresas ineficientes) não explica a vantagem de produtividade das cidades.
• Visualização: As funções de distribuição acumulada (CDFs) corrigidas para viés, mostradas no artigo, são extremamente similares após o ajuste de média e variância.

5. Significado e Implicações de Política

Os resultados têm implicações profundas para a teoria econômica e o desenho de políticas públicas:

• Foco em Aglomeração: Como as diferenças de produtividade são explicadas inteiramente por deslocamentos na média e variância (e não por seleção), a vantagem das cidades é atribuída quase exclusivamente a economias de aglomeração.
• Reorientação de Políticas:
  • Políticas que visam melhorar a aglomeração (ex: infraestrutura local, espessura do mercado de trabalho, spillovers de conhecimento) são provavelmente mais eficazes para reduzir lacunas de produtividade.
  • Políticas focadas em aumentar a competição ou reduzir barreiras de entrada para forçar a seleção de empresas (truncamento de cauda) podem ser menos eficazes, dado que a seleção não parece ser o mecanismo dominante nos dados.
• Validação de Modelos: O estudo valida o uso de modelos baseados na decomposição de Combes et al. (2012) para análises de políticas baseadas em locais (place-based interventions).

Em resumo, o artigo conclui que a produtividade superior das cidades não é um resultado de "sobrevivência do mais apto" (seleção), mas sim de um ambiente que torna todas as empresas, em média, mais produtivas e com maior variância de desempenho (aglomeração).