Impactos do Programa Bolsa Família sobre a segurança e insegurança alimentar no Brasil: uma aplicação de métodos de inteligência artificial

Abstract

Este trabalho analisa os impactos do Programa Bolsa Família sobre a segurança e a insegurança alimentar no Brasil, utilizando microdados da Pesquisa de Orçamentos Familiares 2017–2018. O objetivo é estimar o efeito médio do programa e investigar a heterogeneidade dos impactos entre diferentes grupos socioeconômicos. A metodologia combina o método tradicional de Propensity Score Matching com técnicas de aprendizado de máquina aplicadas à inferência causal, especificamente o Causal Forest e o X-Learner. Os resultados indicam elevada consistência entre os métodos, evidenciando efeito negativo do programa sobre a probabilidade de segurança alimentar e efeitos positivos sobre as categorias de insegurança alimentar, especialmente moderada e grave, o que reflete a natureza focalizada da política. As análises de heterogeneidade mostram que os impactos são mais intensos entre mulheres, indivíduos negros e indígenas, domicílios com menor nível de instrução e residentes em regiões mais vulneráveis. Embora os métodos de inteligência artificial não alterem as conclusões centrais obtidas pelo PSM, eles ampliam a compreensão dos efeitos ao identificar heterogeneidade de forma flexível e estatisticamente validada. Conclui-se que, embora o Bolsa Família atue como importante política para o alívio imediato das privações alimentares, uma vez que permite que os beneficiários tenham acesso a uma maior quantidade de alimentos, porém não tem sido suficiente para melhorar a qualidade dessa alimentação, de modo a tirá-los da situação de insuficiência alimentar em que se encontram (leve, moderada ou grave) e colocá-los numa situação de segurança alimentar. Desse modo, destaca-se a relevância de políticas complementares e o potencial das técnicas de aprendizado de máquina na avaliação de políticas públicas. Palavras-chave: Segurança Alimentar; Insegurança Alimentar; Bolsa Família; Inteligência ArtificialThis study analyzes the impacts of the Bolsa Família Program on food security and insecurity in Brazil, using microdata from the 2017–2018 Household Budget Survey. The objective is to estimate the average effect of the program and investigate the heterogeneity of impacts among different socioeconomic groups. The methodology combines the traditional Propensity Score Matching method with machine learning techniques applied to causal inference, specifically Causal Forest and X-Learner. The results indicate high consistency between the methods, highlighting a negative effect of the program on the probability of food security and positive effects on food insecurity categories, especially moderate and severe, reflecting the targeted nature of the policy. Heterogeneity analyses show that the impacts are more intense among women, Black and Indigenous individuals, households with lower levels of education, and residents in more vulnerable regions. Although the artificial intelligence methods do not alter the central conclusions obtained by PSM, they broaden the understanding of the effects by identifying heterogeneity in a flexible and statistically validated way. It is concluded that, although Bolsa Família acts as an important policy for the immediate relief of food deprivation, since it allows beneficiaries to access a greater quantity of food, it has not been sufficient to improve the quality of that food, so as to lift them out of the situation of food insecurity in which they find themselves (mild, moderate or severe) and place them in a situation of food security. Therefore, the relevance of complementary policies and the potential of machine learning techniques in the evaluation of public policies are highlighted. Keywords: Food Security; Food Insecurity; Bolsa Família (Family Allowance Program); Artificial Intelligence