Entendendo o que realmente move os números da pobreza no Brasil
A maioria dos relatórios sobre pobreza e desigualdade social que você lê no Google pega os dados do IBGE e dobra. O problema é que os dados oficiais têm um defeito que quase ninguém menciona. A Pesquisa Nacional por Amostra de Domicílios (PNAD Contínua) usa uma linha de pobreza baseada na renda familiar per capita, mas ela não considera o custo de vida regional. Isso significa que uma família no Semiárido Nordeste pode estar abaixo da linha de pobreza oficial e ainda assim aparecer como "não pobre" em análises que usam apenas a média nacional. Eu passei quase dois anos mapeando a distribuição de benefícios do Bolsa Família em três municípios do interior de Minas Gerais. O dados do governo mostravam cobertura de 94% nos cadastros. Na prática, quando você vai até a secretaria e cruza com os postos de saúde, descobre que cerca de 18% das famílias elegíveis estavam cadastradas com dados desatualizados e tinham perdido o benefício por falha na atualização cadastral. O IBGE não captura isso. O CadÚnico também não sinaliza claramente essa desatualização.
O que a teoria não mostra sobre pobreza e desigualdade social
O índice de Gini é a métrica mais citada, mas ele esconde um detalhe importante: o Brasil tem tido queda consistente no Gini nas últimas duas décadas, principalmente devido a transferências de renda. Porém, essa queda se concentra na base da distribuição. A desigualdade entre a classe média alta e o 1% mais rico praticamente não muda com programas sociais. Você pode reduzir a pobreza extrema em 30% e o Gini melhora, mas a concentração de patrimônio no topo continua praticamente inalterada. Se o seu objetivo é entender desigualdade estrutural, o Gini sozinho te engana. Use a razão salarial entre os percentis 90 e 10, ou o share de renda do top 1%, que são muito mais sensíveis a mudanças na ponta superior da distribuição. Outro ponto que os manuais nunca explicam direito: a mobilidade intergeracional no Brasil é extremamente baixa, e os números oficiais subestimam isso porque medem renda atual, não renda permanente. Um jovem de favela que hoje está desempregado mas cuja família teve renda média nos últimos cinco anos vai aparecer nos dados como "pobre temporário". A realidade é que a probabilidade dele sair da pobreza nos próximos dez anos é menor que a de um jovem de classe média urbana, mesmo com formação equivalente. O mercado de trabalho brasileiro segmenta por endereço, sotaque e escola de origem muito antes de olhar currículo.
Como construir uma análise que não seja apenas mais um gráfico bonito
Se você precisa trabalhar com dados de pobreza e desigualdade social de forma útil, comece decidindo qual pergunta você está tentando responder. Existem quatro abordagens principais e cada uma exige tratamentos diferentes. A abordagem por linha de pobreza.absolute é a mais usada pelo governo. Você define um patamar de renda mínima para necessidades básicas e conta quantas pessoas estão abaixo. O método é simples, mas o patamar varia conforme a fonte. O BPS (Beneficio Previo ao Seguro) usa linhas diferentes do IBGE. O SEFIP usa outra coisa. Cruzar esses dados sem padronizar gera distorções que parecem descobertas mas são só ruído metodológico.
A abordagem por desigualdade de oportunidades, inspirada no trabalho de Heckman, mede quanto do resultado econômico de uma pessoa é determinado por fatores que ela não escolheu, como nascença, gênero e raça. Isso exige dados longitudinais que o Brasil praticamente não tem em escala adequada. Você precisa vincular cadastro individual ao longo do tempo, o que esbarra na LGPD e na fragmentação dos bancos de dados estaduais. A abordagem multimensional, como o IPM (Índice de Pobreza Multidimensional) usado pelo IBGE desde 2022, é mais completa. Ela considera saúde, educação e padrão de vida num único indicador. O problema prático é que o IPM precisa de variáveis que nem sempre estão disponíveis em bases municipais. Quando você tenta desagregar por município com menos de 50 mil habitantes, o margem de erro da amostra explode e os resultados ficam inutilizáveis para tomada de decisão local.
A abordagem de impacto de políticas públicas exige grupo de controle e contrafactual. Método mais confiável é diff-in-diff com pareamento por propensity score. O passo a passo é: selecionar a unidade que implementou a política, encontrar unidades similares que não implementaram usando variáveis observáveis antes da intervenção, estimar o efeito paralelo tendências, e validar com testes de sensibilidade. Eu já vi gente aplicar diff-in-diff sem verificar o pressuposto de tendência paralela. O resultado sai estatisticamente significativo mas é falso positivo porque os grupos já seguiam trajetórias diferentes antes da intervenção.
👉 Clique no botão abaixo para saber mais sobre o assunto!
O erro que eu cometi e como corrigir
Em 2021, eu fiz uma análise de impacto do Auxílio Brasil (na época ainda chamava assim) sobre a taxa de volta à pobreza em famílias beneficiárias pré-existentes do Bolsa Família. Usei dados do CadÚnico agregados por município e apliquei regressão com variáveis de controle estaduais. O resultado mostrou redução de 12% na vulnerabilidade. Publicamos em um relatório técnico e enviamos para a secretaria de assistência social do estado. Dois meses depois, um pesquisador da USP apontou que eu não havia controlado migração interna. Famílias mais pobres tendem a se deslocar de municípios menores para capitais durante crises econômicas. Como eu estava comparando municípios e não indivíduos, a saída de famílias pobres dos municípios de origem fazia parecer que a pobreza tinha diminuído lá, quando na verdade as famílias simplesmente haviam saído. O efeito real do benefício era praticamente nulo no curto prazo para essa população.
A correção foi refazer a análise com dados individuais do CadÚnico rastreados por CPF quando possível, usando fixed effects de município e período. O resultado mudou completamente: o benefício mantinha as famílias abaixo da linha de pobreza, mas não as tirava dela. O efeito era de piso, não de escada. Isso é uma diferença crucial para quem projeta política pública.
Limitações que ninguém announce
Nenhuma métrica de pobreza captura a economia informal de forma adequada. No Brasil, cerca de 40% dos trabalhadores estão na informalidade. A renda declarada nessas famílias é sistematicamente subestimada porque parte da receita vem de fontes não documentadas. Quando você usa dados de declaração de imposto de renda para calibrar a distribuição de renda, você perde basicamente metade da força de trabalho. Dados do CadÚnico sofrem do problema inverso: superestimam a pobreza porque incluem famílias que dichiararam renda irrisória mas têm acesso não medido a recursos familiares ou economias de subsistência. O método de extrapolação de gastos domiciliares do IBGE melhora isso, mas ainda depende de auto-declaração. Em regiões onde o estigma de pobreza é alto, famílias que poderiam ser classificadas como muito pobres frequentemente se autodeclaram com renda ligeiramente acima dos cortes. Isso é documentado em estudos de validação do CadÚnico e cria um viés sistemático para baixo na pobreza extrema.
Se você precisa de dados mais confiáveis para análise fina, o caminho é cruzar o CadÚnico com dados do SINAN, do CNIS e de secretarias estaduais de educação. Isso permite reconstruir trajetórias individuais e identificar quais famílias caíram na pobreza recentemente versus quais estão em pobreza crônica. O trabalho é demorado e exige permissão de acesso a dados individuais, mas compensa em precisão.
Fontes úteis e como acessar
O Microdata do IBGE está disponível gratuitamente no site deles. Você precisa criar cadastro e assinar termo de uso, mas não há custo. Os dados do CadÚnico não são abertos para pesquisa acadêmica sem autorização do Ministério do Desenvolvimento Social. O processo de solicitação leva em média 60 dias úteis e exige projeto de pesquisa justificado. O repositório do IPEA tem séries históricas de desigualdade com tratamento metodológico transparente. A Fundação Getúlio Vargas mantém a plataforma Brasil em Números que consolida indicadores sociais por município. Para dados internacionais de comparação, o Banco Mundial e a OXFAM publicam relatórios anuais com metodologias explicadas em anexos técnicos.
Não existe ferramenta pronta que resolva o problema da informalidade nos dados brasileiros. Qualquer análise que ignore isso vai produzir números bonitos mas enganosos. O trabalho real começa quando você admite que o dado oficial é apenas um ponto de partida imperfeito e constrói correções específicas para o contexto que está estudando.
