Fonte de dados e especificações do modelo

Os dados utilizados neste trabalho foram extraídos do Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (INEP, 2022). Quanto ao número de observações, o estudo abrangeu 5.556 (99,75%), dado que para a construção da variável e para o modelo espacial, os municípios devem apresentar informações para todas as variáveis. A variável dependente do modelo que será representada pelo Índice de Qualidade da Educação no Ensino Médio (IQE) nos municípios, estimada pela FCP. As variáveis utilizadas para a construção do índice foram: taxa de distorção idade-série no ensino médio; taxa de abandono no Ensino Médio; taxa de reprovação no Ensino Médio e a média da nota do ENEM.

Quanto às variáveis independentes, as quais podem afetar a qualidade da educação municipal do Ensino Médio, elas foram divididas em dois grupos, variáveis de interesse e variáveis de controle. As variáveis de interesse, remetem ao conhecimento docente no Ensino Médio, o qual pode contribuir para o avanço da qualidade da educação nos municípios; e as variáveis de controle, que têm a função de ajustar o modelo, são relacionadas ao desenvolvimento econômico e ao tamanho da turma.

Entre as variáveis de interesse, foram incluídas no modelo a proxy de adequação da formação docente no ensino médio (AFDEM), representada por um índice que mede a adequação da formação docente, quanto mais próximo de 1, mais adequada é a formação do docente para a área que leciona e quanto mais próximo de 0, menos adequada é a formação do professor para a área lecionada.

Esse índice foi construído a partir dos cinco grupos de indicadores de adequação da formação docente do INEP. Os grupos apresentam desde maior adequação da formação docente até a menor adequação da formação docente. Dessa forma, para a construção do indicador único de adequação da formação docente, foi atribuído diferentes pesos para cada nível de adequação da formação docente, quanto maior a adequação, maior o peso, conforme apresentado no Quadro 1.

Além disso, foi considerada outra proxy para a variável de interesse, a taxa de docentes no Ensino Médio com pós-graduação (DOC_POS), que representa uma maior qualificação para o docente. Quanto às variáveis de controle, foram selecionadas duas proxys. O Índice de Desenvolvimento Humano Municipal (IDHM), com a proposta de apresentar a influência do nível de desenvolvimento econômico municipal e a média de alunos por turma no ensino médio (ALU_TUR), turmas muito numerosas tendem a exercer influência negativa sobre a qualidade da educação.

Pode ser verificado abaixo a relação de causa e efeito das variáveis independentes em relação à qualidade da educação no ensino médio. Foram apresentadas no Quadro 2 as variáveis gerais, as proxys e suas respectivas descrições, sinais esperados e referências.

Foram apresentados os fatores que influenciam a qualidade de educação, em que inclui as variáveis de interesse e as variáveis de controle. Porém, na avaliação de como o conhecimento docente pode influenciar a qualidade da educação local, os mesmos também podem sofrer influência da região, pois o Brasil apresenta uma heterogeneidade regional que tende a refletir na educação. Nesse sentido, também deve ser levado em conta o efeito advindo da região para a qualidade educacional. Para isso, será utilizada a abordagem de econometria espacial, que será mais bem especificada a seguir.

Econometria Espacial

A análise inicial foi realizada por meio da técnica da Análise Exploratória de Dados Espaciais (AEDE). Segundo ^{Anselin (1999)}, a AEDE consiste na técnica de descrever e visualizar distribuições espaciais, identificar localidades atípicas (outliers espaciais), descobrir padrões de associação espacial (clusters espaciais) e sugerir diferentes regimes espaciais e outras formas de instabilidade. Para isso, é necessário considerar um tipo de ponderação espacial, representado por uma matriz de pesos espaciais.

As matrizes de pesos espaciais mais utilizadas pela literatura são as matrizes Rainha, Torre e k vizinhos mais próximos. Neste trabalho, foram testadas essas matrizes e foi utilizada aquela que apresentar a maior autocorrelação espacial. Segundo ^{Almeida (2012)}, para testar se os dados estão autocorrelacionados no espaço pode ser utilizado o método estatístico I de Moran, que é um coeficiente de autocorrelação espacial, o qual utiliza a medida de autocovariância na forma de produto cruzado. A investigação em nível local pode ser realizada utilizando-se os indicadores de associação espacial (LISA).

Para a identificação dos efeitos espaciais, é necessário a utilização de uma das matrizes de pesos espaciais. Segundo ^{Almeida (2012)}, a convenção de contiguidade rainha considera, além das fronteiras com extensão diferente de 0, também os vértices (nós), na visualização de um mapa, como contíguos. Enquanto a convenção de contiguidade torre considera apenas as fronteiras físicas com extensão diferente de 0 entre as regiões. Dessa forma, a matriz de pesos espaciais rainha pode apresentar até 8 vizinhos e a matriz de pesos espaciais torre pode apresentar até 4 vizinhos. Formalmente:

Outro critério de proximidade utilizado na definição de pesos espaciais é a distância geográfica, a ideia central é que duas regiões próximas geograficamente têm maior interação espacial. A matriz de k vizinhos mais próximos é um tipo de convenção que utiliza como critério medidas em quilômetros ou milhas. Formalmente,

em que d_ij é distância de corte para a região i, especificamente, a fim de que esta região i tenha k vizinhos. Assim, d_i (k) é a menor distância para a região i a fim de que ela possua exatamente k vizinhos, sendo o número de k vizinhos pré-definido. Dessa forma, as matrizes de pesos espaciais testadas neste trabalho foram a de convenção Rainha, Torre e de k vizinhos, considerando diferentes número de vizinhos.

Na estatística espacial, existem alguns modelos que são denominados de modelos globais, dentre os quais se destaca o modelo de defasagem espacial (SAR). O modelo de defasagem espacial (SAR) mostra que a variável dependente (y) é influenciada pela variável dependente das regiões vizinhas (Wy). ^{Almeida (2012)} pontua a necessidade de uma análise local para não estimar respostas médias, e sim capturar respostas para cada região. Do mesmo modo, esse método de análise pode ajudar na formulação de políticas públicas conforme a necessidade de cada região, além de possibilitar a análise visual a partir do mapeamento das diferentes respostas das relações (^{ALMEIDA, 2012}).

Muitos métodos foram criados para analisar o comportamento das variáveis espacialmente. Porém, o método desenvolvido por ^{Fotheringham et al. (2003)}, o Geographically Weighted Regression (GWR) ou Regressão Ponderada Geograficamente (RPG), permite encontrar parâmetros para cada unidade espacial, ou uma versão local da análise de regressão linear. ^{Fotheringham et al. (2003)} estabeleceram a extensão na qual parâmetros estimados podem variar de um local para outro. E os resultados encontrados pelos autores mostram que as relações podem variar de maneira significativa através do espaço, de modo que a análise global esconde importantes relações geográficas. Desta maneira, as variações regionais podem ser suficientemente complexas para invalidar o valor médio fornecido pela regressão linear global.

De acordo com ^{Fotheringham et al. (2003)}, o método GWR é uma técnica que estende a regressão linear permitindo variações locais nas taxas de variação. Desta maneira, ao contrário da regressão linear tradicional que parte de uma análise global, os coeficientes estimados são específicos para cada local i. Deste modo, o GWR estima regressões lineares para cada região, usando sub amostras dos dados ponderadas pela distância. Ao atribuir pesos às observações individuais a partir de um ponto focal, ressalta-se o conceito de que a importância relativa decresce à medida que se aumenta a distância deste ponto. Dessa maneira, cria-se uma “janela móvel” sobre o conjunto de observações distribuídas através do espaço, de maneira que a influência das observações é diminuída quanto mais se distancia do centro da janela (^{ALMEIDA, 2012}).

Formalmente a equação do modelo pode ser representada por:

em que (u_i, v_i) representa as coordenadas do ponto i no espaço e β_k (u_i, v_i) é o coeficiente local no ponto i. A ponderação é feita pela função Kernel espacial. Em termos gerais, o Kernel é uma função real, contínua e simétrica, cuja integral soma um, semelhante a uma função densidade de probabilidade (^{ANSELIN; LOZANO-GRACIA, 2009}). De forma prática, o Kernel usa a distância (d_ij) entre dois pontos geométricos representando duas regiões, e um parâmetro da largura da banda (b), para determinar um peso entre essas duas regiões, que é inversamente relacionado à distância geográfica (w_ij).

Portanto, a especificação do Kernel Espacial, necessária para a obtenção dos pesos que compõem a diagonal da matriz de ponderação espacial local para cada ponto de regressão i, depende dos elementos, a saber, uma função matemática na qual foram colocadas as informações sobre as distâncias entre dois pontos geográficos (d_ij) e um parâmetro de largura da banda (b).

O Kernel espacial fixo apresenta uma largura de banda constante que pode redundar em certas subamostras, localizadas em regiões densas em dados, ao levar em conta muitas observações para calibrar o modelo, assim pode os coeficientes sofrerem de vieses. Inversamente, o problema do Kernel fixo em regiões onde os dados são escassos é de ineficiência, o Kernel é menor do que precisava ser para calibrar apropriadamente os coeficientes locais, sendo usadas poucas observações e, por consequência, poucas informações (FOTHERINGHAM; BRUNDSON; CHARLTON et al., 2002).

Para contornar os problemas do Kernel fixo, é preciso definir a função de ponderação espacial que gere um Kernel adaptativo no sentido em que ele se expanda em áreas em que as observações sejam escassas e encolha em áreas em que as observações são abundantes, ou seja, regiões com alta densidade de dados. A largura da banda (b) é definida de tal forma que haja o mesmo número de observações em torno de cada ponto de regressão

Para a escolha adequada do Kernel, deve ser estimado o modelo utilizando tanto o Kernel fixo quanto o Kernel adaptativo e verificar o resultado do Critério de Informação de Akaike (AIC), dando prioridade para aquele que apresentar o menor valor de AIC. (^{ALMEIDA, 2012}).

No que tange a validade do modelo, foi avaliado o Critério de Informação de Akaike (AIC) e o teste de razão de verossimilhança (LIK) (^{FOTHERINGHAM et al., 2003}). Quanto à qualidade do modelo de RPG, foi realizado o teste F (^{LEUNG et al. 2000}). Para testar a variabilidade geográfica das variáveis foram verificados o teste F individual (^{FOTHERINGHAM et al., 2003}) e o valor da diferença de critério (^{SASS et al., 2016}). Para a diferença de critério, se apresentar um valor maior que 2, não existe variabilidade geográfica, um valor entre -2 e 2, indica fraca variabilidade geográfica e menor que -2, evidencia forte variabilidade geográfica (^{NAKAYA, 2016}; ^{SASS et al., 2016}).

Autocorrelação espacial da qualidade da educação

Na Tabela 2 é possível observar o resultado da autocorrelação espacial da qualidade da educação, por meio do IQE para o ano de 2021. Foram testadas as matrizes de convenção rainha, torre e três matrizes de pesos espaciais K vizinhos (K5, K7 e K10). Como o valor do I de Moran ficou acima do valor esperado e foi significativo para todas as matrizes de pesos espaciais no período analisado, pode-se inferir que existe autocorrelação espacial positiva da qualidade da educação entre os municípios, a um nível de significância de 1%.

As matrizes de convenção rainha e torre apresentaram o maior índice, com igual valor, porém, devido a maior conectividade entre os municípios que a matriz rainha tende a apresentar devido a possibilidade de considerar mais vizinhos que a matriz torre, a matriz rainha foi utilizada para a análise (^{ALMEIDA, 2012}).

O sinal positivo da estatística I de Moran indica que municípios com alto nível de qualidade da educação estão cercados por municípios com alto nível de qualidade da educação. Por outro lado, as localidades com baixo nível de qualidade da educação estão rodeadas por municípios com baixo nível de qualidade da educação. Esse resultado mostra a heterogeneidade educacional que ocorre no país, o que é reforçado pelos resultados encontrados por ^{Gomes (2017)}, que inferiu autocorrelação espacial na qualidade da educação no ensino fundamental. Adicionalmente, ^{Soares, Alves e Fonseca (2021)}, evidenciaram que determinados grupos sociais tendem a apresentar trajetórias educacionais regulares, enquanto outros grupos são mais propensos a apresentar trajetórias educacionais irregulares.

O mapa de cluster LISA de qualidade da educação que pode ser observado na Figura 2, permite verificar onde foram formados os agrupamentos espaciais estatisticamente significativos a 5%, divididos em quatro categorias de associação espacial. As localidades destacadas em vermelho representam os clusters espaciais alto-alto (AA), enquanto as unidades em azul no mapa exibem os regimes espaciais baixo-baixo (BB). Em relação às associações atípicas, em rosa e azul claro estão os clusters alto-baixo (AB) e as unidades municipais baixo-alto (BA), respectivamente.

Fonte: Elaboração própria a partir dos resultados da pesquisa.

Figura 2 Mapa de Cluster do Índice de Qualidade da Educação (IQE) no ensino médio para os municípios, Brasil, 2021 

Conforme apresentado no mapa de cluster, referente ao IQE dos municípios analisados, 41% (2278) dos municípios foram estatisticamente significativos a 5%. Os maiores agrupamentos com alta qualidade da educação ficaram situados nas regiões Sul e Sudeste e os cluster com os menores indicadores de qualidade da educação podem ser observados nas regiões Norte e Nordeste (^{GOMES, 2017}). A maior concentração dos clusters do tipo AA foi observada nos estados de São Paulo e Paraná. Ambos os estados apresentaram mais de 70% dos municípios na aglomeração espacial AA, sendo que São Paulo concentrou mais de 85% dos municípios.

Por outro lado, a maior concentração de municípios na aglomeração do tipo BB, ficaram situadas nos estados do Pará, Amapá e Bahia, todos superando 80% dos municípios classificados no cluster de baixa qualidade da educação, com destaque para o Pará e o Amapá, que apresentaram todos os municípios na aglomeração com baixa qualidade da educação.

Resultado que pode ser corroborado com o estudo de ^{Soares, Alves e Fonseca (2021)}, que apresentou a maior concentração de alunos com trajetória educacional regular na região Sudeste e o maior percentual de alunos com trajetória educacional com grandes irregularidades na região Norte, seguida da região Nordeste. Dado a evidente heterogeneidade espacial observada na qualidade da educação nacional, se faz pertinente investigar os efeitos divergentes para cada variável, em especial o conhecimento docente.

Efeito local do conhecimento docente sobre a qualidade educacional

A Tabela 3 apresenta as especificações do modelo de Regressão Ponderada Geograficamente, sem o componente espacial (RPG) e com o componente espacial (SAR), estimados com o Kernel fixo e Kernel adaptativo para regressões globais e locais. Conforme o critério de informação de Akaike (AIC) e razão de verossimilhança (LIK), os testes apresentaram ganhos em regressões SAR em relação à RPG sem o componente espacial, nas regressões locais em relação às globais, e ainda, sugere que o modelo mais adequado é estimado com o Kernel fixo. Adicionalmente, o teste F significativo, indica que o modelo local foi bem especificado a um nível de significância de 5%.

A Tabela 4 apresenta as estatísticas dos coeficientes locais para o modelo SAR estimado pela RPG. Foi possível observar que os parâmetros estimados do quartil inferior e superior apresentam alta dispersão em relação à mediana. Isso indica que a influência pode divergir entre os municípios. Devido a essa heterogeneidade entre as variáveis, deve ser testada a variabilidade geográfica do modelo. Foram apresentados dois testes para avaliar a variabilidade geográfica, o teste F e a diferença de critérios.

Pela diferença de critérios, como as variáveis de adequação da formação docente no ensino médio (AFDEM), taxa de docentes do ensino médio com pós-graduação (DOC_POS), o Índice de Desenvolvimento Humano Municipal (IDHM), a média de alunos por turma (ALU_TUR) e Índice de Qualidade da Educação da região (W_IQE) apresentaram valor negativo e menor que -2, pode ser inferido que essas variáveis apresentam forte variabilidade geográfica (^{SASS et al., 2016}). No que concerne ao teste F, pode ser observado que todas as variáveis apresentaram significância estatística de pelo menos 5% (com exceção do IDHM, com significância de 1%), reforçando que existe variabilidade geográfica para todas as variáveis.

Os resultados do modelo local foram apresentados por meio de mapas temáticos, que apresentaram os municípios com diferentes níveis de impacto local esperado, impacto não esperado e não significativo. Inicialmente, foram avaliadas as variáveis de conhecimento, posteriormente, as variáveis de controle e, por fim, a variável espacial (região). Quanto às variáveis de conhecimento, por meio da Figura 3, podem ser analisados os impactos do coeficiente local da adequação da formação docente no ensino médio (AFDEM) e da taxa dos docentes com pós-graduação sobre o Índice de Qualidade da Educação (IQE) no ensino médio.

Os municípios que apresentaram o sinal do coeficiente não esperado estão na cor verde, os municípios que não foram estatisticamente significativos a 5% ou não foram incluídos no modelo estão na cor branca, quanto aos municípios com os coeficientes esperados e significativos, estão em escala de cinza e foram classificados como baixo, médio e alto impacto, sendo que, quanto mais forte a tonalidade, maior é o impacto local do coeficiente.

Fonte: Elaboração própria a partir dos resultados da pesquisa.

Figura 3 Impacto local da adequação da formação docente no ensino médio (AFDEM) e da taxa dos docentes com pós-graduação (DOC_POS) sobre o Índice de Qualidade da Educação (IQE) no ensino médio para os municípios, Brasil, 2021 

Foi verificado que a adequação da formação docente no Ensino Médio apresentou impacto esperado e significativo, principalmente, nos estados do Mato Grosso do Sul, Bahia, Alagoas e Sergipe, com destaque para Sergipe, que apresentou 100% dos municípios com impacto local. Dessa forma, a formação docente adequada contribui para a melhora da qualidade da educação nessas regiões. Vale destacar que, as mesorregiões do Norte Mato-Grossense, o Sudoeste e Pantanais do Mato Grosso do Sul, Jequitinhonha em Minas Gerais e Sul da Bahia apresentaram a maior proporção de municípios com alto e médio impacto da adequação da formação docente sobre a qualidade da educação.

Em um contexto global, foi evidenciado pela literatura (^{GARCIA; RIOS-NETO; RIBEIRO, 2021}; ^{OGBUANYA; SHODIPE, 2022}) que a adequação docente contribui para a melhora da qualidade da educação. ^{Garcia; Rios-Neto e Ribeiro (2021)} mostraram que a formação docente foi o fator escolar mais importante para o desempenho escolar. A formação adequada do docente reflete influência positiva, não apenas no Ensino Médio, mas também na educação inicial (^{OGBUANYA; SHODIPE, 2022}).

Os resultados encontrados oferecem subsídios para a formulação de políticas públicas regionais que permitam melhorar a melhora da qualidade da educação, por meio de medidas que procuram aperfeiçoar a adequação da formação docente, especialmente nos estados de Mato Grosso e Mato Grosso do Sul.

No que concerne aos professores com pós-graduação, é possível observar que os estados do Amapá, Pará, Maranhão e Rio Grande do Sul apresentaram mais da metade dos municípios com impacto local esperado e significativo dos docentes com pós-graduação sobre a qualidade da educação, com destaque para os estados do Amapá e Maranhão que apresentaram impacto local em mais de 60% dos municípios. O Sul do Amazonas, a mesorregião Sul do Amapá e a Zona da Mata de Minas Gerais evidenciaram as maiores proporções de municípios com alto impacto dos docentes com pós-graduação sobre a qualidade da educação.

A qualificação docente, em consonância com a adequação docente, também contribui para o avanço da qualidade educacional. ^{Mejía e Galvis (2012)} verificaram esse efeito positivo da formação docente sobre o desempenho dos alunos. Os autores também destacam que esse efeito é maior na disciplina de Matemática do que na disciplina de linguagem, o que mostra a importância ainda maior para o contexto dos municípios brasileiros.

Esses resultados, podem auxiliar na estruturação de políticas educacionais, voltadas para os professores que não possuem pós-graduação, no intuito de incentivar a especialização. E, a partir disso, contribuir para aumentar os indicadores de qualidade da educação (^{MARKOWITZ; SADOWSKI; HAMRE, 2022}), especialmente nas regiões mencionadas.

Portanto, esses resultados mostram a importância do conhecimento docente para a qualidade da formação dos alunos. A qualidade educacional promove uma sociedade com melhores profissionais e, com isso, melhores padrões de bem-estar social, e o conhecimento docente é um fator fundamental para fornecer boa qualidade da educação (SANDERS; RIVERS, 1996; SANDERS; WRIGHT; HORN, 1997)

No que tange às variáveis de controle, a Figura 4 apresenta os resultados dos impactos dos coeficientes locais do Índice de Desenvolvimento Humano Municipal (IDHM) e da média de alunos por turma (ALUNO_TURMA) sobre o Índice de Qualidade da Educação no Ensino Médio (IQE).

Fonte: Elaboração própria a partir dos resultados da pesquisa.

Figura 4 Impacto local do Índice de Desenvolvimento Humano Municipal (IDHM) e da média de alunos por turma (ALU_TUR) sobre o Índice de Qualidade da Educação (IQE) no ensino médio para os municípios, Brasil, 2021 

Os resultados para o IDHM, que mede o desenvolvimento econômico, evidenciaram que a maior parte do território nacional apresentou impacto local estatisticamente significativo. Contudo, existem regiões específicas que o indicador não apresentou significância, sendo localizadas, principalmente, nos estados de Minas Gerais, Espírito Santo, Amazonas, Pará, Piauí, Bahia, Minas Gerais e Espírito Santo, onde não apresentaram impacto local.

Para a avaliação de políticas de desenvolvimento econômico em prol da qualidade da educação, podem ser destacadas as regiões com alto impacto local. Nesse sentido, pode ser citado o estado do Mato Grosso, Pará, além da mesorregião do Triângulo Mineiro. Dessa forma, além do conhecimento, também deve ser considerado pela administração pública, questões de desenvolvimento econômico.

Outro fator de controle que tende a influenciar a qualidade na educação é a média de alunos por turma (SANDERS; WRIGHT; HORN, 1997). Os estados que apresentaram a maior proporção de municípios com impacto local esperado e significativo foram Rio Grande do Norte, Santa Catarina e Rio Grande do Sul, todos com mais de 65% dos municípios com impacto local da média de alunos por turma sobre a qualidade da educação. Ou seja, quanto maior a média de alunos por turma, menor é a qualidade da educação. No que tange ao alto impacto de alunos por turma sobre a qualidade da educação, os estados com maior destaque são Mato Grosso, Pará e Amazonas.

A partir disso, podem ser realizadas políticas de infraestrutura em educação, como a construção de escolas, a fim de reduzir a média de alunos por turma nessas localidades. ^{Bernardo, Almeida e Nascimento (2020)}, sugerem que para aumentar a qualidade educacional sejam realizados investimentos de infraestrutura escolar e de aspectos sociais.

Dessa forma, os investimentos sociais podem ser direcionados, especialmente para os estados do Mato Grosso e do Pará, além da mesorregião do Triângulo Mineiro. Enquanto investimentos de infraestrutura escolar podem ser direcionados para o Nordeste e Sudeste de Mato Grosso, para o Sudeste Paraense e para o Leste de Amazonas.

Por fim, no que se refere ao impacto regional, a Figura 5 mostra os coeficientes, nos quais apresentam os impactos locais sobre o Índice de Qualidade da Educação (IQE) nos municípios vizinhos (Região) sobre o Índice de Qualidade da Educação (IQE) do município.

Fonte: Elaboração própria a partir dos resultados da pesquisa.

Figura 5 Impacto local da região (W_IQE) sobre o Índice de Qualidade da Educação (IQE) no ensino médio para os municípios, Brasil, 2021 

A Figura 5 sugere que o IQE da região apresentou impacto esperado e significativo em todas as regiões do país, com mais de 80% dos municípios com impacto local da região (exceto a região Norte), com destaque para as regiões mais ricas, Sul e Sudeste, que apresentaram mais de 99% dos municípios com impacto local. Entre os estados, se destacaram Ceará, Rio Grande do Norte, Sergipe, Espírito Santo e Rio de Janeiro, que apresentaram 100% dos municípios com alto impacto do IQE da região sobre o IQE do município.

Nesse aspecto, pode ser observado que a qualidade educacional em municípios próximos, contribui para a melhora da qualidade da educação no município nessas regiões. Nesse aspecto, políticas educacionais regionais em diversos âmbitos, além de contribuir para a melhora da qualidade de educação em cada município, tende a beneficiar municípios próximos, em especial, nos municípios das regiões apresentadas.

Em virtude da abrangência do estudo (municipal), o tralho apresenta limitação no que consiste em identificar fatores específicos de unidades da federação ou dos próprios municípios, tanto pelo contexto da maior qualidade da educação, quanto em lugares com menor qualidade educacional. A análise deste estudo apresentou foco no impacto que o conhecimento docente exerce sobre a qualidade educacional, porém, há outros aspectos que também podem influenciar o desempenho educacional no município.