8.4 Parameter Estimation with Relativistic Correlations
8.4.2 Initial conditions from Inflation
Para fins de estruturar um modelo que permita estimar uma função demanda de transporte aéreo regional aplicável ao mercado brasileiro, um procedimento econométrico é estruturado a partir do seguinte fluxograma de atividades, conforme Figura 19:
Figura 19 – Fluxograma de estruturação do modelo de estimativa da demanda
Fonte: O Autor
Na etapa 1 inicialmente para a montagem de um modelo que explique a demanda por um produto ou serviço, a literatura econômica aponta as variáveis clássicas da teoria microeconômica, preço, renda dos consumidores, preços de produtos relacionados, gostos e expectativas (MANKIW, 2001). No caso da demanda por transporte aéreo, a literatura consultada sugere como variáveis influentes: a tarifa média, o yield médio, a renda dos usuários, o PIB da região atendida, empregos, distâncias, nível de oferta e preços de serviços concorrentes, como transporte rodoviário ou a opção por outros aeroportos próximos.
1. Busca de variáveis na literatura 2. Identificação da disponibilidade de dados socioeconômicos e operacionais 3. Escolha das variáveis para inclusão no modelo 4. Montagem da base de dados para testes 5. Testes e estruturação dos modelos econométricos 6. Definição do Modelo Final com variáveis significativas 7. Testes para validação do modelo 8. Estimativa dos potenciais de demandas dos mercados
Na terceira fase, é feita a demarcação das bacias de captação de cada aeroporto da amostra dentro de critério de tempo de viagem rodoviária até o aeroporto a no máximo duas horas. Os aeroportos da amostra, o número de municípios de suas áreas de influência e suas populações e movimentação em 2015 estão listados na Tabela 15 a seguir apresentada. Vê-se ainda que, essa amostra de aeroportos atende a um mercado que corresponde a cerca de 11,50% da demanda aérea anual no Brasil em 2015, segundo dados da ANAC, bem como sua área total de captação atinge a cerca de 10,5% da população brasileira:
Tabela 15 – Aeroportos da amostra
Fonte: O Autor Aeroporto Passageiros / ano Número de municípios População na bacia de captação Campina Grande - PB 111.986 54 970.156 Petrolina – PE 444.742 14 953.545 Montes Claros – MG 370.192 23 727.611 Barreiras – BA 121.045 11 388.660 Juazeiro do Norte – CE 434.554 33 953.915 Paulo Afonso – BA 20.693 18 487.464 Marabá – PA 366.451 15 599.047 Imperatriz – MA 309.851 17 605.868 Juiz de Fora – MG 131.107 25 735.428 Ipatinga – MG 133.263 21 749.982 Vitória da Conquista – BA 296.314 26 745.095 Santa Maria – RS 43.534 27 530.995 Uberaba – MG 121.233 13 541.769 Sinop – MT 268.214 11 356.496 Corumbá - MS 32.489 2 130.516 Pelotas - RS 45.272 11 505.790 Passo Fundo - RS 156.852 54 644.168 Araçatuba - SP 95.627 34 735.955 Governador Valadares - MG 87.064 33 504.696 Joinville - SC 505.584 14 1.096.246 Rondonópolis – MT 96.318 7 280.281 Rio Verde – GO 22.447 17 509.522 Caxias do Sul – RS 170.892 22 901.383 Caldas Novas – MG 148.447 18 392.784 Criciúma- SC 71.809 34 704.849 Marília – SP 64.394 28 797.980 Ji-Paraná – RO 36.793 10 299.141 Cacoal – RO 55.705 12 287.492 Bonito - MS 24.551 7 130.004 Araguaina - TO 87.945 25 336.047 Cascavel – PR 248.602 48 983.643 Bauru – SP 138.452 30 978.373 Chapecó - SC 433.379 81 839.190 TOTAIS 5.695.811 818 20.404.091
Nesta fase também é feita a escolha das variáveis para teste do modelo. Como critério deu-se prioridade aos dados que estejam disponíveis para todos os 818 municípios que compõem o conjunto das bacias de captação dos aeroportos regionais do Brasil da amostra com referência ao ano de 2015.
A quarta fase da metodologia é busca pelos dados para montagem e teste dos modelos. Com relação a demandas, tarifas aéreas, yield médio e nível de oferta, o caminho da busca foram os dados da ANAC. Os dados sócio-econômicos de população, PIB municipal e renda média estão disponíveis no IBGE Cidades. Como relação a empregos e salários médios, os dados estão disponíveis no CAGED do Ministério do Trabalho e Emprego – MTE. Em resumo de forma geral a obtenção de dados não é em si um problema. A maior dificuldade é manusear grandes massas de dados em um grande número de municípios servidos de forma direta ou indireta por um conjunto de aeroportos em operação.
A depender da significância dos resultados obtidos com base na teoria microeconômica, outras variáveis devem ser testadas na etapa 5. Desta forma são então testadas no modelo variáveis macroeconômicas como PIB regional, PIB percapita, população e variáveis espaciais que testem valores de impedância como proximidade entre usuários e aeroportos e avaliem o impacto do nível de isolamento de mercados de transporte aéreo como a distância ao aeroporto alternativo mais próximo.
Como o modelo objetiva avaliar o potencial de mercado em áreas atualmente não atendidas em relação ao porte e estrutura do mercado com operações regulares e não avaliar as flutuações naturais da demanda em face da dinâmica econômica nacional ou regional, o modelo aqui proposto parte de uma analíse em corte transversal com dados da ANAC do ano de 2015. Como destacam Stock e Watson (2004), dados em corte transversal permitem estabelecer relações entre variáveis, estudando diferenças econômicas em um período de tempo único.
Como se trata de um estudo para aplicação a mercados regionais de transporte aéreo, a amostra foi estabelecida a partir de dados de passageiros movimentados em aeroportos regionais no Brasil com demandas entre 20.000 e 600.000 passageiros embarcando e desembarcando por ano. Nessa amostra foram excluídos aeroportos regionais com demandas maiores para minimizar a possibilidade de ocorrência de heterocedasticidade entre os dados. Esta limitação também atende ao PDAR, que estabelece como aeroporto regional, aquele aeroporto com movimentação inferior a 600.000 embarques/desembarques por ano, exceto os localizados na região norte, que podem chegar a 800.000 movimentos anuais. Como pressuposto para inclusão na base de dados, considera-se ainda, a possibilidade de acesso ao
aeroporto sem restrições por via rodoviária dentro de uma bacia de captação de viagens de até duas horas de duração (conforme obtido da literatura). Dessa forma, não foram incluídos os aeroportos da região amazônica, onde o acesso muitas vezes por meio rodoviário é fortemente restrito. Também não foram incluídos aeroportos com demandas estritamente turísticas como Foz do Iguaçu, Porto Seguro, Ilhéus e Fernando de Noronha. Nesse expectro de demanda, operavam no Brasil em 2015 (ano base do estudo) 33 aeroportos regionais.
Na etapa 6 da estruturação do modelo econométrico, várias tentativas devem ser realizadas em busca da formulação mais adequada. Após as verificaçãoes das variáveis significativas para formulação do modelo passa-se à etapa 7, quando serão verificados os pressupostos do modelo de normalidade dos erros, de não multicolinearidade, de homocedasticidade e de erros não autocorrelacionados.
A etapa 7 representa a aplicação do modelo decorrente da demanda de mercado de transporte aéreo regional no Brasil, a áreas não atendidas nos estados de Pernambuco, Paraíba, Rio Grande do Norte e Ceará e assim demonstrar o potencial de demanda existente e as áreas cobertas por essa demanda. Como os parâmetros obtidos na regressão apresentam margem de erro de 5% em intervalo de confiança de 95%, as demandas apresentadas se referirão às médias previstas e aos seus valores inferiores e superiores possíveis.
5 RESULTADOS E DISCUSSÕES
Com base na teoria econômica e na literatura consultada, as variáveis principais para a estimativa de demanda de um produto, são: seu preço, a renda dos consumidores e preços de produtos relacionados. Dessa forma, as variáveis iniciais para a montagem do modelo de demanda para o caso em estudo buscam: i) para caracterizar a capacidade de consumo do mercado, utilizou-se o PIB da região atendidada; ii) para caracterizar o preço do produto, foi utilizado o yield médio de cada mercado com base em dados da ANAC; e iii) para caracterizar os produtos relacionados foi utilizado o preço médio das tarifas rodoviárias para os mesmos destinos indicados pela ANAC.
Esse primeiro modelo foi gerado utilizando o software IBM SPSS Statistics considerando o modelo stepwize, no qual o próprio programa faz as exclusões das variáveis não significativas, com a opção do modelo passando na origem, para evitar estimativas de demandas negativas para pequenos mercados.
Dessas variáveis testadas, apenas o PIB com poder de explicação de 58% (ver Tabela 16) e significância ao nível de erro de 5% e grau de confiança de 95% foi aceito em um modelo de regressão pelo método dos mínimos quadrados ordinários. Este resultado explica a grande influência isolada do PIB na explicação da demanda de transporte aéreo com base nos dados estudados no Brasil. Estudos da ABEAR (2015) já destacavam o PIB como variável crítica como proxy da renda dos consumidores para estimativas de demanda de transporte aéreo no Brasil. No entanto, esses mesmos estudos destacavam a relevância da tarifa na estimativa da demanda, o que não se confirmou significativa no presente estudo, conforme descrito e justificado a seguir.
Tabela 16 – Coeficientes de determinação do modelo 1 em stepwise R quadradob R quadrado ajustado Erro padrão da estimativa Durbin-Watson 0,583 0,570 146335 1,587 Fonte: O Autor
As variáveis que representam os preços do transporte aéreo e do transporte rodoviário como seus concorrentes foram excluídas do modelo por apresentarem significância de erros superiores aos 5% no Teste t. (ver Tabela 17). Esse aumento da variância talvez se deva a essas variáveis representarem dados muito agregados, que não capturam as variações relativas dos preços entre regiões e as estratégias de preços das empresas operadoras. Pode-se concluir que
nesse nível de agregação necessário para fazer estimativas de demandas de mercado de transporte aéreo com base em dados regionais, análises macroeconômicas sejam mais próprias do que análises microeconômicas.
Tabela 17 – Variáveis excluídas do modelo 1
Modelo Beta
In T Sig.
Correlação parcial
Estatísticas de colinearidade Tolerância VIF Tolerância
mínima 1 yield_medio -,068c -,569
,573 -,100 ,560 1,784 ,560
tarifarod_km ,050c ,330 ,744 ,058 ,355 2,818 ,355 Fonte: O Autor
a. Variável Dependente: Demanda_anual b. Regressão linear pela origem
c. Preditores no Modelo: PIB
Com o objetivo de aumentar o poder de explicação do modelo, inicialmente apenas com a variável PIB regional e trazer à discussão fatores que expliquem espacialmente os mercados aéreos regionais foram buscadas novas variáveis explicativas. Para inserir a impedância com relação à distribuição da população em torno do aeroporto foi testada uma variável representativa do inverso da distância média. Para testar o nível de isolamento da região de captação do aeroporto em relação ao aeroporto alternativo mais próximo foi testada uma variável relativa à distância média a esse aeroporto.
No entanto, apesar da literatura destacar que o mercado de um aeroporto se torna mais atrativo quanto menor a distância média de acesso de seus usuários (melhor acessibilidade), bem como, o nível de isolamento de uma região, tornar o transporte aéreo uma alternativa mais atrativa, essas variáveis testadas nessas condições não se mostraram significativas a 5%, conforme demonstrado na Tabela 18.
Tabela 18 - Variáveis excluídas no modelo 2.
Modelo Beta In t Sig. Correlação
parcial
1 Distância_alternativa ,219c 1,912 ,065 ,320
Inv_distância ,142c ,944 ,352 ,165
Fonte: O Autor
Como nova tentativa de incluir essas variáveis foi feita uma composição entre elas, incluindo ainda a população, para demonstrar de forma conjunta que a demanda cresce quanto menor a distância da população residente em relação ao aeroporto e quanto maior a distância dela em relação ao aeroporto alternativo. A parte da composição da variável que considera a distância ao aeroporto alternativo representa um vertor momento de transporte e a segunda parte
que considera a distância ao aeroporto, representa impedância ao movimento. Para tal foi proposta da seguinte variável básica:
Xi = Pop x Dist. Alter. / Dist ao aeroportoα
Sendo α = coeficiente a calibrar com base nos dados.
Por tentativa de melhor correlação em primeira ordem com a variável dependente demanda anual, o expoente α do coeficiente de impedância foi definido por aproximações sucessivas como igual a 0,15. A definição final dessa nova variável é a seguinte:
Xi = Pop. x (Dalt. / D. 0,15)
Sendo,
Pop. = população de todo o mercado situado a até 2h de viagem rodoviária ao aeroporto.
Dalt = distância média ao aeroporto alternativo mais próximo, em quilômetros. D. = Distância média ao aeroporto regional, em quilômetros
Com a inclusão da variável espacial acima definida, o modelo 1 (apenas com a variável PIB regional) foi comparado com o modelo 2 com a inclusão da nova variável, observando-se o crescimento do coeficiente de determinação R2 de 0,583 para 0,790 e do R2 ajustado de 0,570 para 0,776. Comprovando nesse aspecto a vantagem da inclusão dessa variável para fazer melhores estimativas de demandas. A sumarização do modelo apresentada na Tabela 19 demonstra esses resultados.
Tabela 19 - Sumarização do modelo 3
Mod R R2b R2 ajustado Erro padrão Estatísticas de mudança Durbin- Watson Mud. de R2 Mud. F gl1 gl2 Sig. Mud F 1 ,764a ,583 ,570 146335, ,583 44,810 1 32 ,000 2 ,889c ,790 ,776 105652, ,206 30,389 1 31 ,000 2,199 Fonte: O Autor a. Preditores: PIB
b. Para regressão pela origem (o modelo de não intercepto) R quadrado mede a proporção da variabilidade na variável dependente em relação à origem explicada pela regressão.
c. Preditores: PIB, pop_dist_distalt d. Variável Dependente: Demanda_anual e. Regressão linear pela origem
Na Tabela 20 são apresentadas as análises de variância (ANOVA) dos dois modelos, com o PIB apenas e com o PIB acrescentado da variárel espacial. Pode-se perceber que os dois modelos têm significância no seu conjunto abaixo de 1% para estimar a variável dependente
demanda anual. No entanto, como demonstra a Tabela 20, o modelo 2 tem um maior poder de explicação, dessa forma continua-se com sua análise para validação
Tabela 20 – Análise de Variância (ANOVA) dos modelos 1 e 2. Modelo Soma dos Quadrados gl Quadrado Médio F Sig. 1 Regressão 959572645909 1 959572645909 44,810 ,000c Resíduo 685253819223 32 21414181850 Total 1644826465133d 33 2 Regressão 1298789135807 2 649394567903 58,176 ,000e Resíduo 346037329325 31 11162494494 Total 1644826465133d 33 Fonte: O Autor a. Variável Dependente: Demanda_anual
b. Regressão linear pela origem c. Preditores: PIB
d. Esta soma total de quadrados não é corrigida para a constante porque a constante é zero para regressão pela origem.
e. Preditores: PIB, pop_dist_distalt
A Tabela 21 apresenta os resultados dos coeficientes β da função de regressão resultante para os modelos 1 e 2. Os coeficientes β padronizados do modelo 2 demonstram que o PIB tem importância menor (0,225) na explicação da variável dependente do que a variável que expressa a impedância da função (0,7075). Observa-se que a significância da variável PIB no modelo 2, apesar de significativa no modelo 1, passou a 0,088, superando a margem de erro admissível de 5%. Dessa forma, entende-se que a relação Demanda x PIB pode apresentar variabilidade diferenciada entre regiões.
Tabela 21 – Coeficientes e teste t de significância das variáveis da função de regressão Modelo Coeficientes não padronizados Coefic. padron. t Sig. 95,0% Intervalo de Confiança para B
B Erro Padrão Beta Limite
inferior Limite superior 1 PIB 1,232E-05 ,000002 ,764 6,694 ,00000015 ,00000857 ,00001607 2 PIB 3,631E-06 ,000002 ,225 1,761 ,088049359 -,00000057 ,00000784 pop_dist_d. alt ,001 ,000261 ,705 5,513 ,000004938 ,00090542 ,00196879 Fonte: O Autor
Insistindo em modelo com o PIB, pelo destaque dado na literatura, passa-se a formulação de um modelo 3 no qual se inclui uma variável que expressa as diferenças entre regiões do País. Essa variável foi assumida como dicotômica para diferenciar as regiões mais e menos desenvolvidas do Brasil. A variável denominada “região” assume os seguintes valores:
A inclusão da variável “região” no modelo 3, elevou o coeficiente de determinação R2 de 0,790 para 0,836, com aumento também no R2 ajustado de 0,776 para 0,819. Esssa elevações nesses valores demonstrando nesse critério a vantagem da inclusão da variável para aumentar o poder de explicação do modelo.
Tabela 22 - Sumarização conjunta dos modelos 1, 2 e 3
Mod. R R2b
R2
ajustado Erro padrão
Estatísticas de mudança Durbin- Watson Mudança de R2 Mudança F gl1 gl2 Sig. Mudança F 1 ,764a ,583 ,570 146335,853 ,583 44,810 1 32 ,000 2 ,889c ,790 ,776 105652,707 ,206 30,389 1 31 ,000 3 ,914d ,836 ,819 94911,030 ,046 8,414 1 30 ,007 2,039 Fonte: O Autor a. Preditores: PIB
b. Para regressão pela origem (o modelo de não intercepto) R quadrado mede a proporção da
variabilidade na variável dependente em relação à origem explicada pela regressão. Isto NÃO PODE ser comparado a R Quadrado para modelos que incluem um intercepto.
c. Preditores: PIB, pop_dist_distalt
d. Preditores: PIB, pop_dist_distalt, Região e. Variável Dependente: Demanda_2015 f. Regressão linear pela origem
Na tabela 23 a seguir, apresentam-se os coeficientes beta da regressão com significância dentre da margem de erro de 5%, inclusive da variável PIB que no modelo 2 havia extrapolado. Os betas padronizados demonstram que a variável espacial (0,674) apresenta maior peso na determinação da demanda do que a variável PIB (0,570).
Tabela 23 – Coeficientes do modelo 3 e seus níveis de significância.
Modelo Coeficientes não padronizados Coefic. padron. t Sig. 95,0% Intervalo de Confiança para B B Erro Padrão Beta Limite inferior Limite superior 3 PIB 9,19E-06 ,000 ,570 3,449 ,00169 ,000004 ,000015 pop_dist_distalt ,001375 ,000 ,674 5,848 ,00000 ,000895 ,001856 Região -128243 44211 -,387 -2,901 ,00691 -218535 -37952 Fonte: O Autor
Com base na função de regressão obtida pelos parâmetros estimados no modelo 3 chega-se a Equação 7.
= 0,00000919 . + 0,001375 . . ! ",#$% − 128.243 . * +,ã (7) Essa equação e seus respectivos parâmetros são então testados para verificar o atendimento aos pressupostos de não autocorrelação dos erros, de não ocorrência de
multicolinearidade entre variáveis independentes e de homocedasticidade ou variância constante.
Para verificação se há autocorrelação dos termos de erro foi aplicada a estatística do teste d de Durbin-Watson. Esse teste é baseado na suposição de que os erros no modelo de regressão são gerados por um processo autoregressivo de primeira ordem, de acordo com ei
= rei-1+ai em que:
eié o termo do erro do modelo na i-ésima observação,
ai ~ N(0, s2 )
r(IrI<1)é o parâmetro de autocorrelação.
Testamos a presença de autocorrelação por meio das hipóteses
Sendo ei o resíduo associado à i-ésima observação, temos que a estatística do teste de Durbin-Watson é dada por:
em que 0≤dw ≤ 4. A distribuição de dw depende da matriz X. Entretanto, podemos tomar a decisão comparando o valor de dw com os valores críticos dL e dU da Tabela de Durbin- Watson. Assim,
• se 0≤dw < dL então rejeitamos H0 (dependência);
• se dL≤dw≤dU então o teste é inconclusivo;
• se dU < dw < 4-dU então não rejeitamos H0 (independência);
• se 4-dU≤dw≤4-dL então o teste é inconclusivo;
• se 4-dL < dw≤4 então rejeitamos H0 (dependência).
Para uma amostra com 33 aeroportos e três variáveis independentes para grau de confiança de 95% e erro de 5%, a estatística de Durbin-Watson apresenta dl = 1,244 e du =
1,650. Neste caso não se pode rejeitar a hipótese nula de ausência de autocorreação positiva ou negativa, pois dw = 2,039 (Ver Tabela XXiii) está contido no intervalo:
• dU= 1,650 e 4-du ou 4 – 1,650= 2,350. Como dU < dw=2,039 < 4-dU então não rejeitamos H0 (independência), comprovando assim que não há autocorrelação.
Para testar possível multicolinearidade inicialmente verificaram-se as correlações entre as variáveis independentes. Na Tabela 24 está demonstrada uma correlação média entre as variáveis PIB e Pop. (Dalt/Dist^0,15) da ordem de 0,765, muito próxima do limite aceitável de 0,80 e entre PIB e “região” de 0,801, ligeiramente acima do limite. Por essa razão avança-se na utilização de outros indicativos de possível colinearidade.
Tabela 24 – Correlação entre variáveis Demanda_2015 PIB
pop_dist_distal
t Região
Produto Cruzado Padrão Demanda_2015 1,000 ,764 ,877 ,493
PIB ,764 1,000 ,765 ,801
pop_dist_distalt ,877 ,765 1,000 ,603
Região ,493 ,801 ,603 1,000
a. Os coeficientes foram calculados através da origem. Fonte: O Autor
A verificação de possível multicolinearidade pelo fator de inflação das variâncias foi realizada a partir de análises dos dados de VIF da Tabela 25.
Tabela 25 - Estatísticas de Fator de Inflação da Variância
Modelo Estatísticas de colinearidade
Tolerância VIF
3 PIB ,200 4,989
pop_dist_distalt ,412 2,427
Região ,307 3,255
Fonte: O Autor
O VIF mede o quanto a variância do coeficiente β é inflacionada por sua colinearidade.
Verificação de possível multicolinearidade pelo fator de inflação das variâncias. Utilizando a VIF = 4,989 fornecido na regressão (Tabela 25), observa-se que aponta para uma correlação entre o PIB e a Pop. X Dalt x Dist^-0,15 acima do limite de 0,80, que segundo esse
critério aponta uma possibilidade de multicolineraridade entre variáveis independentes. Mesmo que um coeficiente de correlação da ordem de 0,80 aponte uma associação entre variáveis, o objetivo do modelo desta dissertação é fazer uma estimativa de demanda e não uma análise dos pesos ou influência relativa dos fatores. Geralmente, o VIF é indicativo de problemas de multicolinearidade se VIF>10, situação não atingida no caso em estudo.
Realizando-se o diagnóstico da multicolinearidade usando autovalores e índice condicional chega-se aos dados da Tabela 26.
Tabela 26 – Diagnóstico de colinearidade por Índice de Condição
Modelo Dimensão Autovalor
Índice de condição Proporções de variância PIB pop_dist_distal t Região 1 1 1,000 1,000 1,00 2 1 1,765 1,000 ,12 ,12 2 ,235 2,738 ,88 ,88 3 1 2,469 1,000 ,03 ,05 ,04 2 ,402 2,478 ,01 ,60 ,31 3 ,129 4,383 ,96 ,35 ,65
a. Variável Dependente: Demanda_2015 b. Regressão linear pela origem
Modelo Dimensão Autovalor Índice de condição Proporções de variância PIB pop_dist_distal t 1 1 1,000 1,000 1,00 2 1 1,793 1,000 ,10 ,10 2 ,207 2,940 ,90 ,90 3 3
a. Variável Dependente: Demanda_anual b. Regressão linear pela origem
Fonte: O Autor
Usando-se a estatística do autovalor e do índice condicional (IC) pode-se também afirmar que a multicolineradidade será baixa e aceitável.
K = Máximo autovalor / Mínimo Autovalor e IC = k ½ Autovalor máximo 1,793; Autovalor mínimo= 0,207, então: K = 2,469 / 0,129 = 19,139
IC = raiz (K) = raiz (19,139) = 4,38
Para testar se o modelo é homocedástico foram aplicados o Teste de Park e o Teste de White.
Para realizar o Teste de Park é preciso calcular os desvios entre os valores de entrada e os valores estimados e os seus quadrados. Na Tabela 27 a seguir estão apresentados esses cálculos auxiliares.
Tabela 27 – Estrutura de dados para a regressão auxiliar Aeroporto Demanda(Y) Demanda
estimada (Ӯ) desvio desvio
2 Campina Grande – PB 111.986 214.382 102.396 10484981542 Petrolina – PE 444.742 376.223 - 68.519 4694785030 Montes Claros – MG 370.192 353.674 - 16.518 272828637,9 Barreiras – BA 121.045 275.271 154.226 23785758192 Juazeiro do Norte – CE 434.554 340.759 - 93.795 8797464589 Paulo Afonso – BA 20.693 156.386 135.693 18412685955 Marabá – PA 366.451 184.771 - 181.680 33007752418 Imperatriz – MA 309.851 191.395 - 118.456 14031825159 Juiz de Fora – MG 131.107 86.846 - 44.261 1959021069 Ipatinga – MG 133.263 156.185 22.922 525400320,5 Vitória da Conquista – BA 296.314 245.458 - 50.856 2586373670