RESUMO
O Brasil é um dos maiores produtores e exportadores de alimentos do mundo e um grande responsável por isso é o aumento da produtividade agrícola no país. Assim, a análise da produtividade agrícola se torna fator essencial para o crescimento do setor em longo prazo, com uma produção mais eficiente e a custos menores. O objetivo dessa pesquisa é determinar os efeitos de transbordamento da produtividade agrícola entre as microrregiões brasileiras, analisando a dinâmica espacial da agricultura no país, com a metodologia da Análise Exploratória de Dados Espaciais (AEDE). Seus resultados indicaram a presença de autocorrelação espacial positiva entre as variáveis, o que significa que microrregiões com alta ou baixa produtividade agrícola estão agrupadas em áreas específicas do mapa, rodeadas por microrregiões com características semelhantes para essa variável, tornando possível identificar efeitos de transbordamento da produtividade agrícola de grãos entre as microrregiões vizinhas. Pode-se concluir que a variável produtividade agrícola dos grãos se distribui de maneira heterogênea entre as microrregiões do país, ou seja, a produtividade agrícola está cada vez mais autocorrelacionada espacialmente ao longo do tempo.
Palavras-chave: produtividade agrícola; autocorrelação espacial; análise exploratória de dados espaciais.
SPILLOVER EFFECT OF BRAZILIAN AGRICULTURAL PRODUCTIVITY ABSTRACT
Brazil is one of the greatest producers and exporters of food in the world and a responsible for this is the increase of agricultural productivity. Thus, the agricultural productivity analysis becomes an essential factor for the long-term growth of the sector, with efficient production and lower costs. The objective of this research is to determine the spillover effects of agricultural productivity among the Brazilian microregions, analyzing the spatial dynamics of agriculture in the country, using the Exploratory Analysis of Spatial Data (AEDE) methodology. Their results indicated the presence of positive spatial autocorrelation between the variables, which means that microregions with high or low agricultural productivity are grouped in specific areas of the map, surrounded by microregions with similar characteristics for this variable, making it possible to identify productivity spillover effects between neighboring microregions. It can be concluded that grains agricultural productivity variable has a heterogeneous distribution among country microregions, in other words, agricultural productivity is increasingly autocorrelated spatially over time.
Keywords: agricultural productivity; spatial autocorrelation; exploratory analysis of spatial data.
1 INTRODUÇÃO
O Brasil é um dos dez primeiros países com maior PIB do mundo e sua produção agrícola é responsável por grande parte desse valor (CARVALHO; LAURETO; PENA, 2015). Em 2017 o agronegócio brasileiro representava quase um quarto do PIB e quase metade das
exportações do país (CNA, 2017). Ainda segundo Carvalho, Laureto e Pena (2015), em se tratando de área para plantio agrícola, o Brasil fica atrás somente da China, da Austrália e dos Estados Unidos.
Grande produtor de alimentos, em 2010 o Brasil ultrapassou o Canadá, se tornando o terceiro maior produtor e exportador agrícola mundial, atrás somente dos Estados Unidos e da União Europeia, potências agrícolas mundiais, sendo que o Brasil ainda possui como um diferencial sua enorme capacidade de crescimento a médio prazo, diferentemente desses dois países, de acordo com o Instituto Brasileiro de Geografia e Estatística (IBGE, 2015).
A agricultura do Brasil tem se desenvolvido ao longo dos anos, passando por várias etapas até se tornar uma referência mundial, status que se encontra hoje.
Nos últimos vinte e cinco anos, a área plantada e a quantidade produzida não cresceram na mesma proporção. A área plantada cresceu 173% enquanto que a quantidade produzida cresceu mais de 354% e esse aumento da quantidade produzida se deve, principalmente, ao aumento da produtividade
O status que o Brasil alcançou nos últimos anos, se tornando uma superpotência mundial na produção agropecuária, reflete em sua economia, na demanda de empregos, na produção de alimentos, na produção de energia, na geração de renda, nas suas exportações, no PIB, além de tecnologias e estudos profissionalizantes na área. A agricultura passou a ocupar papel de destaque, devido a mecanização e automação nos processos, investimentos em pesquisas e novas tecnologias.
Além da grande disponibilidade de terras para o cultivo, o Brasil possui outras condições favoráveis, que sugerem uma vocação natural ao agronegócio, favorecendo a competitividade da produção agrícola nacional, como a abundância de água, a tecnologia de ponta, o clima favorável, a matéria orgânica nos solos e as temperaturas ideais para cultivo. Esses recursos naturais propiciam o cultivo agrícola em até três safras no ano, e além disso o Brasil não é acometido por fenômenos naturais de clima extremo que poderiam prejudicar a agricultura, como furacões ou nevascas.
As vantagens geográficas e recursos naturais, citadas no parágrafo anterior, não asseguram a liderança mundial agrícola, necessitando ainda da criação de vantagens competitivas em todos os setores envolvidos na produtividade agrícola do país (MEDEIROS; BENDER FILHO; CORONEL, 2017).
Outro fator importante que favorece a competitividade do setor no país são os programas de incentivos governamentais com grande disponibilidade de recursos financeiros e linhas de
crédito rural com taxas de juros facilitadas, além da taxa de câmbio que favorece as exportações e a competitividade do país no exterior.
É o país mais extenso da América do Sul e o quinto com maior possiblidade de expansão de sua capacidade agrícola, sem prejudicar o meio ambiente. Ao mesmo tempo, alguns desafios ou barreiras ao agronegócio precisam ser vencidas, como problemas de infraestrutura e logística, complexa legislação tributária, recursos financeiros ineficazes, má gestão, mão-de- obra desqualificada, desigualdades. O potencial híbrido do país também poderia ser melhor aproveitado, com a construção de portos que minimizariam o custo com transportes, melhorando a logística de escoamento dos grãos. Outro ponto de melhoria que asseguraria vantagem competitiva ao país seriam melhores estratégias de administração pública ou do setor. Sobre as variáveis agrícolas definidas para na pesquisa, todas são de grande relevância na produção agrícola brasileira e participam de maneira significativa no comércio interacional. São elas a produtividade agrícola da soja, do milho, do trigo, do arroz do café e do cacau.
A produtividade agrícola no país está aumentando com o passar do tempo, e isso é consequência das novas terras e novas práticas de cultivo, resultado também de investimentos em pesquisas e em novas tecnologias. Gasques et al. (2012), afirmam que os investimentos em pesquisa influenciam diretamente a produtividade agrícola, propiciando a expansão do mercado. Assim, a análise da produtividade agrícola se torna fator essencial para o crescimento do setor e do país em longo prazo, possibilitando uma produção mais eficiente a custos menores. O objetivo dessa pesquisa é determinar os efeitos do transbordamento da produtividade agrícola entre as microrregiões brasileiras, analisando a dinâmica espacial da agricultura do país, utilizando-se, para isso, a análise exploratória de dados espaciais (AEDE). A produtividade agrícola analisada será dos grãos de maior produção no país, cujo excedente é destinado às exportações.
A AEDE tem por objetivo descrever e visualizar a distribuição espacial, definir os padrões de associação espacial (clusters espaciais), verificar regimes espaciais e instabilidades espaciais (não-estacionariedade), identificar observações atípicas (outliers espaciais), sendo capaz de auxiliar no processo de especificação do modelo (ANSELIN, 1999). O objetivo desta etapa é conhecer melhor os dados em estudo, realizando uma análise exploratória antes da análise confirmatória, deixando os dados falarem por si próprios.
Essa pesquisa pretende contribuir para a compreensão dos efeitos espaciais da produtividade agrícola brasileira, avaliando a interação agrícola entre as microrregiões, caracterizando, desta maneira, clusters espaciais, identificando áreas que possam ser objeto de políticas públicas que visam o aumento da produtividade da microrregião, contribuindo para o
desenvolvimento da região e do país como um todo. Assim, a utilização de dados regionais e análise de informações acerca da produtividade são fundamentais para a formulação de políticas públicas adequadas ao setor rural.
Pioneira na análise da produtividade agrícola das principais culturas de grãos nas microrregiões do país, utilizando a metodologia da econometria espacial, espera-se que essa pesquisa possa trazer novos olhares e novas perspectivas para a área agrícola.
2 ANÁLISE EXPLORATÓRIA DOS DADOS ESPACIAIS (AEDE)
A econometria espacial é um ramo da econometria que surgiu no início da década de setenta, na Europa, e tem por objetivo fornecer métodos quantitativos para especificar, estimar, testar e prever modelos teóricos que sofrem influência dos efeitos espaciais, utilizando dados em corte transversal ou em painel (ALMEIDA, 2012). Um conceito mais clássico de econometria espacial, segundo Anselin (1999), é que esta diz respeito a uma área da econometria que trabalha com as complicações causadas pela interação espacial (autocorrelação espacial) e pela estrutura espacial (heterogeneidade espacial), em modelos de regressão para dados na forma de seção cruzada e painel de dados. De acordo com Elhorst (2014, tradução nossa), a econometria espacial é um subcampo da econometria que trata dos efeitos da interação entre as unidades geográficas.
A dependência espacial pode ser considerada como o valor de uma variável na região i (𝑦𝑖) que depende do valor dessa mesma variável nas regiões próximas j (𝑦𝑗), conforme Equação (1):
𝑦𝑖 = 𝑓(𝑦𝑗, 𝑋) (1)
Onde: i, j = 1,..., n; i ≠ j.
Esse processo ocorre de maneira simultânea: uma variável 𝑦1 influencia a variável 𝑦2 e também é influenciada por ela, ocorrendo, dessa maneira, a simultaneidade espacial.
A matriz de ponderação espacial ou de pesos espaciais (W) é fundamental para iniciar a análise; ela expressa a estrutura espacial dos dados e deve ser especificada buscando reduzir a quantidade de parâmetros a serem estimados (critério da parcimônia), chegando a um único parâmetro que consiga fornecer o grau de interação espacial. É uma matriz quadrada n por n, contendo os pesos espaciais de cada unidade sobre outra, em que os pesos espaciais 𝑊𝑖𝑗 correspondem ao grau de conexão entre as regiões em estudo, definindo a influência da região
Quando as variáveis apresentam autocorrelação espacial positiva, há a indicação da similaridade entre o atributo e a sua localização espacial. Fotheringham, Brunsdon e Charlton (2002) explicam que altos valores de um atributo tendem a se agrupar em uma região da área em estudo e baixos valores desse mesmo atributo tendem a se agrupar em outra região, assim esse atributo possui autocorrelação espacial positiva. Essa ideia é o que pode se chamar de contágio ou efeito de transbordamento, em que altos (ou baixos) valores de y tendem a estar rodeados de altos (ou baixos) valores de y em regiões vizinhas Wy. No caso da autocorrelação espacial negativa, há uma dissimilaridade entre esses valores e sua localização.
Esses indicadores globais de autocorrelação espacial citados anteriormente fornecem um único valor de medida da associação espacial para todo o conjunto de dados, caracterizando assim toda a região em estudo. Dessa maneira, torna-se necessário utilizar os Indicadores Locais de Associação Espacial ou Local Indicator of Spatial Association (LISA) Equação (2), caracterizando especificamente cada objeto em estudo:
𝐼𝑖 = 𝑍𝑖∑ 𝑊𝑖𝑗𝑍𝑗 𝑗
𝑗=1
(2) Onde: y é uma variável padronizada, observada na região i, 𝑍𝑖.
Essas informações podem ser mapeadas utilizando-se o LISA map (ANSELIN, 1995). Esse mapa de significância é um mapa de clusters, que possui as informações do Diagrama de Dispersão de Moran e das medidas de associação local 𝐼𝑖, com quatro categorias de associação espacial bem definidas, desde que estatisticamente significativas: Alto-Alto, Baixo-Baixo, Alto-Baixo e não significante.
3 METODOLOGIA
O banco de dados utilizado para a modelagem deste estudo foi obtido da pesquisa de Produção Agrícola Municipal (PAM) do Instituto Brasileiro de Geografia e Estatística (IBGE), no Sistema IBGE de Recuperação Automática (Sidra); e corresponde à quantidade produzida (toneladas) e a área plantada (hectares) das principais culturas agrícolas brasileiras de grãos: soja, milho, trigo, arroz, café e cacau, das 558 microrregiões brasileiras. Compreende os anos 1992, 1997, 2002, 2007, 2012 e 2017, totalizando 20.088 observações, com coleta anual. O mapa (shapefile) das microrregiões brasileiras também foi obtido no site do IBGE.
A manipulação dos mapas das microrregiões do Brasil, os shapefiles, foi realizada com a utilização do software QGis. As estatísticas espaciais I de Moran, LISA e LISA map foram realizadas com a utilização do software GeoDa.
A AEDE permitiu um conhecimento preliminar da natureza e da relação dos processos espaciais. O primeiro passo foi estimar o Modelo Clássico de Regressão Linear por Mínimos Quadrados Ordinários da variável produtividade agrícola dos grãos selecionados para a pesquisa, sem nenhuma defasagem espacial. Após, analisou-se os resíduos dessa regressão, pela estatística I de Moran, rejeitando a hipótese nula de aleatoriedade espacial, confirmando a existência de autocorreção espacial. Confirmada a existência de autocorrelação espacial, escolheu-se a matriz de ponderação espacial W, definindo a matriz que melhor se ajustou ao padrão espacial apresentado pelos dados. A matriz selecionada foi a que apresentou o maior valor da estatística I de Moran, captando o máximo possível da dependência espacial presente nos dados.
Prosseguiu-se a análise dos dados, seguindo as etapas da AEDE, descritas a seguir: - Testou-se a hipótese de distribuição aleatória dos dados, que indica que a variável observada em determinada região não depende dessa mesma variável presente na região vizinha. Moran (1948) propôs o primeiro coeficiente de autocorrelação espacial, o I de Moran, descrito na Equação (3):
𝐼 = 𝑛 𝑆𝑜
∑ ∑ 𝑊𝑖 𝑗 𝑖𝑗𝑍𝑖𝑍𝑗
∑𝑛𝑖=1𝑍𝑖2 (3)
Onde: n é o número de regiões; Z são os valores da variável de interesse padronizada; 𝑊𝑍 são os valores médios da variável de interesse padronizada nos vizinhos, definidos segundo uma matriz de ponderação espacial W, ou de maneira geral, o termo z defasado espacialmente; 𝑊𝑖𝑗 é um elemento da matriz de ponderação espacial, referente à região i e a região j; 𝑆𝑜 corresponde a ∑ ∑𝑊𝑖𝑗, indicando que todos os elementos da matriz de pesos especiais W devem ser somados.
- Gerou-se o indicador LISA que definiu o índice local de associação espacial, caracterizando assim cada objeto em estudo, e realizando uma decomposição do indicador global de autocorrelação espacial, para cada uma das observações. O coeficiente 𝐼𝑖 de Moran local pode ser expresso conforme Equação (4) abaixo:
𝐼𝑖 = 𝑍𝑖∑ 𝑊𝑖𝑗𝑍𝑗 𝑗
𝑗=1
(4) Onde: y é uma variável padronizada, observada na região i, 𝑍𝑖.
- Mapeou-se as informações geradas no item anterior no mapa de significância LISA
A AEDE, que teve a metodologia descrita anteriormente, foi utilizada para verificar a existência de efeitos de transbordamento da produtividade agrícola brasileira. Essa análise da dinâmica espacial da agricultura brasileira possibilitou identificar o padrão agrícola do país, proporcionando, em longo prazo, uma produção mais eficiente e a custos menores.
4 RESULTADOS E DISCUSSÃO
A distribuição espacial utilizada na pesquisa, baseada na Análise Exploratória de Dados Espaciais (AEDE), possibilitou a visualização e descrição da distribuição geográfica espacial da produtividade agrícola de grãos das microrregiões brasileiras, cuja finalidade é apurar padrões espaciais nos dados em estudo.
A autocorrelação espacial global univariada foi calculada para a variável produtividade agrícola dos grãos selecionados para a pesquisa: soja, milho, trigo, arroz, café e cacau, nos anos de 1992, 1997, 2002, 2007, 2012 e 2017.
O valor esperado para a estatística I de Moran é -0.00179. Se o seu valor calculado for maior que o seu valor esperado, há uma indicação de autocorrelação espacial positiva, indicando similaridade entre a variável e sua localização; caso seu valor calculado seja menor que o valor esperado, a autocorrelação espacial será considerada negativa, indicando dissimilaridade entre o atributo e sua localização. Segundo Almeida, (2012), esse valor tende a zero quanto maior for o número de observações. Com base em seu valor esperado, são analisadas suas estatísticas calculadas (Tabela 1) variável a variável, em todos os períodos.
Conforme pode ser observado na Tabela 1, para todas as variáveis selecionadas nos seis períodos analisados anteriormente, o I de Moran calculado é maior do que o seu valor esperado, rejeitando a hipótese nula de aleatoriedade nos dados, indicando a presença de autocorrelação global espacial. A presença da autocorrelação espacial positiva se confirmou pelos seus coeficientes, todos positivos, o que sugere uma similaridade entre a variável em análise e a sua localização espacial.
Essa autocorrelação espacial positiva indica a formação de clusters de alta e baixa produtividade entre as microrregiões do país. Microrregiões com altos valores da produtividade agrícola da variável em questão se agrupam em uma região da área em estudo, ficando rodeadas de microrregiões com valores também acima da média para essa variável, assim como microrregiões com baixos valores da produtividade agrícola da variável analisada se agrupam em outra região do mapa, ficando rodeadas por microrregiões com baixos valores em suas regiões vizinhas, conceituando assim o efeito de transbordamento.
Tabela 1 – Valor esperado e calculado do Índice I de Moran*
Variável Ano I de Moran
Esperado I de Moran Calculado Matriz Soja 1992 -0.00179533213644 0.76226 queen (1) 1997 -0.00179533213644 0.72974 queen (1) 2002 -0.00179533213644 0.764594 rook (1) 2007 -0.00179533213644 0.763058 queen (1) 2012 -0.00179533213644 0.745286 queen (1) 2017 -0.00179533213644 0.691017 queen (1) Milho 1992 -0.00179533213644 0.970035 k (2) 1997 -0.00179533213644 0.967742 k (2) 2002 -0.00179533213644 0.935018 k (1) 2007 -0.00179533213644 0.942818 k (1) 2012 -0.00179533213644 0.911382 k (1) 2017 -0.00179533213644 0.942763 k (2) Trigo 1992 -0.00179533213644 0.811892 k (4) 1997 -0.00179533213644 0.874079 k (3) 2002 -0.00179533213644 0.852504 k (3) 2007 -0.00179533213644 0.834032 k (5) 2012 -0.00179533213644 0.80177 k (4) 2017 -0.00179533213644 0.796221 k (3) Arroz 1992 -0.00179533213644 0.809247 k (3) 1997 -0.00179533213644 0.752341 k (5) 2002 -0.00179533213644 0.739656 k (3) 2007 -0.00179533213644 0.754401 k (2) 2012 -0.00179533213644 0.766171 k (4) 2017 -0.00179533213644 0.707435 k (5) Café 1992 -0.00179533213644 0.63979 k (4) 1997 -0.00179533213644 0.646793 k (3) 2002 -0.00179533213644 0.639713 k (2) 2007 -0.00179533213644 0.617718 k (3) 2012 -0.00179533213644 0.661213 rook (1) 2017 -0.00179533213644 0.68412 k (1) Cacau 1992 -0.00179533213644 0.841412 k (3) 1997 -0.00179533213644 0.719253 k (4) 2002 -0.00179533213644 0.843812 k (3) 2007 -0.00179533213644 0.896313 k (4) 2012 -0.00179533213644 0.890055 k (2) 2017 -0.00179533213644 0.900594 k (4)
Fonte: Organização do autor (2018).
Sobre a matriz de pesos espaciais selecionadas Tabela 1, todas chegaram ao mesmo resultado em relação à significância da autocorrelação espacial e ao sinal encontrado, concluindo, assim, que os resultados encontrados são robustos em relação à escolha da matriz. O alto valor da estatística I de Moran indicou que a produtividade agrícola dos grãos em análise está convergindo com o passar dos anos. Isso significa que no longo prazo, as diferenças microrregionais existentes na produtividade agrícola dos grãos analisados tendem a diminuir, com microrregiões com baixa produtividade agrícola tendendo a aumentar sua produtividade, de forma a acompanhar a produtividade das microrregiões que produzem mais.
A autocorrelação da produtividade agrícola dos grãos é bem forte em todos os períodos em estudo, e seus motivos serão analisados a seguir.
Em 1987, até o ano de 1994, compreendendo o primeiro período em análise (1992), ocorreu a aceleração inflacionária no país, um período de excessiva flutuação cambial, tendendo à valorização dessa taxa, o que acabou por prejudicar a cultura agrícola no país, ocorrendo uma redução da receita (em reais), pois grande parte da produção agrícola é exportada ou concorrente de produtos exportados. Foi também nesse período, de 1990 a 1994, que foi constituído o regime de câmbio com flutuação suja, no qual o mercado era responsável por definir a taxa de câmbio nominal, com o Banco Central influindo na oferta e demanda de divisas, o que suscitou uma desvalorização cambial real no período de 1991 e 1992, ano em análise, e logo após, em 1993, seguiu-se de uma valorização cambial, equilibrando as desvalorizações dos anos citados anteriormente (1991 e 1992).
A partir do ano de 1987, foram tomadas medidas de redução dos gastos pelo governo, devido às crises fiscais, reduzindo assim os subsídios, como o crédito rural e a política de garantia de preços mínimos, diminuindo também os recursos para pesquisa e extensão. Essa redução se estendeu até o ano de 1996, voltando a aumentar somente em 1997, ano selecionado para análise.
Foi no início da década de 90, período que engloba o ano de 1992 analisado, que teve início uma grande eficiência produtiva no país, com menor participação do estado e com a criação de financiamentos privados, como a Célula do Produtor Rural, o Certificado do Depósito Agrícola (CDA), entre outros, além de um programa de renegociação de dívidas do governo federal (BACHA; DANELON; FILHO, 2006). Foi também nesse período, no ano de 1992, que ocorreu o impeachment do Presidente Fernando Collor de Mello, fato que contribuiu para o aumento da instabilidade econômica no país. Foi somente na segunda metade da década de 90 que o volume de crédito do governo foi ampliado, sendo oferecido a taxas de juros reais positivas.
Apesar dessa redução de subsídios citada anteriormente, o setor agropecuário ampliou- se, com menor uso de área de plantio e baixa utilização de mão-de-obra, em consequência do aumento da produtividade da terra e da mão-de-obra, e uso de novas tecnologias.
Em 1994 foi instaurado o Plano Real e, juntamente com ele, o sistema de taxa de câmbio com flutuação flexível, mas somente no período de 1995 a 1998, que inclui o ano de 1997 em análise, foi instaurado o sistema de minibandas cambiais, originando uma grande valorização cambial no país, apenando as exportações agropecuárias e também beneficiando a aquisição de insumos e equipamentos a preços menores. No período de 1992 a 1997, a estabilidade econômica se perdurou, mas os anos seguintes, de 1998 e 1999, foram de instabilidade, relacionada à Crise Asiática, com a desvalorização das Moedas Asiáticas, ocorrida em 1997, além da Crise da Rússia, ocorrida no ano seguinte, de 1998.