O presente trabalho se configura interdisciplinar, pois além do enfoque introdutório em aspectos das ciências sociais, reconhecemos ser indispensável os conhecimentos das ciências naturais para sua execução do todo. Deste modo, constitui-se de uma racionalidade ambiental útil na análise da coerência entre princípios ambientalistas e sua eficácia através da sociedade, dos programas governamentais, do setor privado e de instituições envolvidas (LEFF, 2000).
O segundo capítulo consiste em uma pesquisa científica na área social e aplicada a um contexto real. O sujeito objeto de estudo foi a carcinicultura brasileira. A metodologia adotada é qualitativa, sem reduzir fenômenos a números, e para isso utilizamos de lógica dedutiva (GENSLER, 2010), costumeiramente recorrida na pesquisa científica das ciências humanas. Por essa razão, não buscamos dados com fins de replicação ou generalização, tendo em vista também que a carcinicultura brasileira possui um processo histórico singular.
A pesquisa possui objetivo exploratório e descritivo de modo a permitir o aumento de conhecimento, levantar hipóteses e descrever fatos e fenômenos. Para isso, adotamos procedimentos bibliográfico e documental através do levantamento de dados em bibliografia acadêmica especializada e documentos de alta relevância.
Adotamos um ponto de vista de temporalidade considerando o processo histórico da carcinicultura brasileira, no qual completará em breve 50 anos, em um contexto de aumento da complexidade social e avanço tecnológico. Para esta análise, incluímos uma perspectiva antropológica através das noções estabelecidas por Julian Steward e Leslie White à Ecologia Cultural, uma escola da antropologia materialista que considera o meio de subsistência ponto- chave com outros aspectos de sua cultura, como a sua organização social e suas tecnologias (ORTNER, 2011).
Ainda sobre o segundo capítulo, adotamos a perspectiva desenvolvimentista abordada pelo Amartya Sen no livro Desenvolvimento como Liberdade (2010), no qual observou não apenas o acúmulo de riqueza econômica. Sen considera a liberdade em diversos elementos sociais como o meio e o fim do desenvolvimento, ou seja, a possibilidade das pessoas terem uma vida plena, desimpedida e com desejos realizados. Para tanto, foram utilizadas as cinco liberdades instrumentais da sua perspectiva desenvolvimentista: liberdades políticas, facilidades econômicas, oportunidades sociais, garantia de transparência e segurança protetora.
Por fim, a análise do desenvolvimento da carcinicultura brasileira ocorreu através do levantamento de artigos científicos que descreveram indivíduos e comunidades que possuem um modo de vida influenciado por essa atividade econômica (ver tabela 2). Os dados foram compilados e analisados com fim de ilustração das cinco liberdades instrumentais do Sen (2010).
Tabela 2: Artigos científicos publicados que caracterizaram aspectos sociais de indivíduos e comunidades envolvidos a carcinicultura.
Título do artigo Público-alvo Local de
estudo Periódico Referência
Quando os conflitos socioambientais caracterizam um território? Comunidade próxima a empreendimentos de carcinicultura. Aracati/Ceará. Gaia Scientia (PINTO et al., 2014) A Carcinicultura no Rio Grande do Norte: Perspectivas e desafios Grande produtor de camarão. Litoral Sul do Rio Grande do Norte. Desenvolve: Revista de Gestão do Unilasalle (SANTOS; ARAÚJO; ALMEIDA, 2015) Análise social da carcinicultura marinha no estado do Piauí: estudo de caso no município Luís Correia Funcionários de um empreendimen-to de carcinicultura e a comunidade próxima. Luís Correia/Piauí. Arquivo de Ciências do Mar (TORRES; SANTOS- FILHO; CUNHA, 2016) Aspectos sociais e am-bientais da carcinicultura no litoral sul do Rio Grande do Norte, Brasil Micro e pequenos produtores de camarão. Litoral Sul do Rio Grande do Norte. Campo- Terri-tório: revista de geografia agrária (COSTA et al., 2017) Caracterização produtiva e de regularização ambiental da Micro e pequenos produtores de camarão. Região do Vale do Paraíba, Paraíba. Revista Ibero- Americana (TROMBETA; TROMBETA, 2017)
carcinicultura na região do vale do Paraíba de Ciências Ambientais Libertar para desenvolver: os grandes empreendimen-tos e o “des-envolvimen- to” na comunidade tradicio-nal do Cumbe, Ceará, Brasil
Comunidade próxima a empreendimentos de carcinicultura. Aracati/Ceará. Desenvolvi- mento e Meio Ambiente (SANTOS; SILVA; ROZENDO, 2018)
O terceiro capítulo consiste em uma pesquisa científica na área das ciências naturais. Os cultivos de camarão do Rio Grande do Norte são os sujeitos objetos de estudo e foram analisados a partir dos seus níveis de densidade de estocagem, do tipo de povoamento (direto ou indireto) e do tamanho da sua área. A metodologia adotada é quantitativa, analisando fenômenos através de números. A lógica indutiva foi utilizada para permitir inferências sobre as amostras desses fenômenos (GENSLER, 2010), semelhante a pesquisa científica das ciências biológicas e agrárias. Buscou-se fins de sistematização, replicação, extrapolação e generalização dos resultados das amostras identificando e explicando os fatores que determinam ou contribuem para a ocorrência de fenômenos.
O procedimento adotado foi experimental de modo a formular uma problematização, elaborar hipóteses e predições, classificar suas variáveis, definir os testes estatísticos, realizar a adequação amostral, determinar o método de amostragem, obter os dados e constituir seu banco, definir as margens de erro e confiança pelo n amostral obtido, realizar a análise estatística descritiva e inferencial, produzir gráficos e tabelas e informar o estado da corroboração das hipóteses/predições.
A. Método de amostragem
Foram obtidos dados de 116 cultivos de cinco fazendas localizadas nos municípios potiguares de Ceará-Mirim, Extremoz, Nísia Floresta e Senador Georgino Avelino em ciclos de produção ocorrente entre os anos de 2016 e 2019. Esses dados foram coletados dos registros das fazendas durante reuniões da Cooperativa dos Produtores de Camarão Marinho do Estado do Rio Grande do Norte (COOPERCAM) e o seu fornecimento ocorreu em quantidades
distintas, ou seja, alguns produtores colaboraram com o provimento de informações em quantidades maiores que outros.
Para fins de organização do banco de dados, foram registrados os municípios onde estão localizados os cultivos, os nomes das fazendas fornecedoras e o período dos cultivos. Porém, os nomes das fazendas fornecedoras não foram divulgados no artigo científico.
Com relação aos dados utilizados nas análises, registramos a densidade de estocagem (camarão/m²), o tamanho da área dos viveiros (m²), a duração da fase de engorda dos cultivos (dias), o tipo de povoamento (direto ou indireto), o peso médio individual dos camarões na despesca (g), o peso da produção total na despesca (kg) e a quantidade total de ração fornecida (kg).
Para se estimar a sobrevivência dos cultivos, utilizamos o cálculo: 𝑝𝑒𝑠𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑎 𝑑𝑒𝑠𝑝𝑒𝑠𝑐𝑎
𝑝𝑒𝑠𝑜 𝑚é𝑑𝑖𝑜 𝑖𝑛𝑑𝑖𝑣𝑖𝑑𝑢𝑎𝑙 𝑑𝑜𝑠 𝑐𝑎𝑚𝑎𝑟õ𝑒𝑠 𝑛𝑎 𝑑𝑒𝑠𝑝𝑒𝑠𝑐𝑎 ⁄
𝑑𝑒𝑛𝑠𝑖𝑑𝑎𝑑𝑒 𝑑𝑒 𝑒𝑠𝑡𝑜𝑐𝑎𝑔𝑒𝑚 𝑥 𝑡𝑎𝑚𝑎𝑛ℎ𝑜 𝑑𝑒 á𝑟𝑒𝑎 𝑥 100
Para estimação da produtividade, adotamos a equação: 𝑝𝑒𝑠𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑎 𝑑𝑒𝑠𝑝𝑒𝑠𝑐𝑎
𝑡𝑎𝑚𝑎𝑛ℎ𝑜 𝑑𝑎 á𝑟𝑒𝑎
Sobre a Taxa de Conversão Alimentar, o cálculo utilizado foi: 𝑢𝑠𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑟𝑎çã𝑜
𝑝𝑒𝑠𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑎 𝑑𝑒𝑠𝑝𝑒𝑠𝑐𝑎
Para estimar a potencial emissão de CO2 ocorrida na conversão da área de manguezal
no respectivo cultivo, utilizamos a média de 1371 Mg CO2e/ha dos cultivos do Ceará
(KAUFFMAN et al., 2018) para o cálculo:
𝑡𝑎𝑚𝑎𝑛ℎ𝑜 𝑑𝑎 á𝑟𝑒𝑎
10.000 𝑥 1371
B. Análise de fatores e seleção de variáveis
A grande quantidade de variáveis pode inibir a identificação de estruturas e fenômenos existentes nos dados coletados. Por essa razão, realizamos uma Análise Fatorial com objetivo de reduzir sua quantidade e identificar dimensões de variabilidade em comum, denominadas de fatores, através da ocorrência de correlações. A Análise Fatorial considera que a existência de fatores explicam as altas correlações entre variáveis e justificam seus agrupamentos, ou seja,
que a dependência existente entre variáveis diminui o número de dimensões estudadas (CORRAR et al., 2009). A modalidade de Análise Fatorial que adotamos foi a Exploratória por não exigir conhecimento prévio sobre a relação de dependência entre as variáveis.
Os testes estatísticos dessa Dissertação foram realizados utilizando os softwares IBM SPSS Statistics (versão 25) e o Past (versão 3.26). Para os dados sem distribuição normal, os testes paramétricos foram realizados sob o método bootstrap (1000 bootstraps samples) no qual realiza a reamostragem das próprias amostras permitindo definir o intervalo de confiança e analisar os dados (FILHO, 2010).
Todas as 10 variáveis (Área, Densidade, Duração, Peso Médio, Produção Total, Produtividade, Quantidade de Pós-Larvas, Ração Total, Sobrevivência e Taxa de Conversão Alimentar) tiveram sua parametricidade analisada e atendem aos pressupostos. Para verificação da distribuição normal foi utilizado o teste Komolgorov-Smirnov, para a homocedasticidade foi aplicado o teste de Levene e para a esfericidade utilizamos o teste de Bartlett (X²(45) = 975,440; p<0,001) e teste de KMO, Kaiser-Meyer-Olkin, com p = 0,501 (DANCEY; REIDY, 2006; CORRAR et al., 2009). Além disso, todas as variáveis possuem valores de comunalidades acima de 0,5 (ver tabela 3).
Tabela 3: Comunalidades extraídas pelo método PCA – Análise de Componentes Principais (comando de saída do SPSS). Comunalidades Inicial Extração Densidade 1,000 ,570 Área 1,000 ,602 Duração 1,000 ,847 Quantidade de PL 1,000 ,976 Peso Médio 1,000 ,585 Produção Total 1,000 ,936 Sobrevivência 1,000 ,856 Produtividade 1,000 ,917 TCA 1,000 ,663 Ração Total 1,000 ,867
O método de extração da Análise Fatorial Exploratória foi a Análise de Componentes Principais (PCA) no qual leva em consideração a variância total nos dados, resulta em fatores não correlacionados entre si e determina quais fatores contém o maior grau de explicação da variância possível. Por fim, para aumentar o poder de explicação dessa Análise Fatorial, foi realizada uma rotação dos fatores que permitiu os obter com maior potencial de interpretabilidade. Adotamos a rotação do tipo Varimax que permite que cada variável seja
facilmente identificada em um único fator e desconsideramos valores positivos abaixo de 0,500 (ver tabela 4) (CORRAR et al., 2009).
Tabela 4: Os três fatores através da rotação Varimax (Comando de saída do SPSS).
Matriz de Componente Rotativa
Fator 1 2 3 Densidade ,735 Área ,733 Duração ,901 Quantidade de PL ,983 Peso Médio ,760 Produção Total ,798 Sobrevivência ,875 Produtividade ,917 TCA -,490 ,638 Ração Total ,732
O critério inicialmente utilizado para seleção dos fatores foi o teste de Kayser que contabiliza apenas os fatores com autovalor acima de 1,0 no Gráfico de Escarpa (ver gráfico 1), ou seja, três fatores.
Gráfico 1: Gráfico de Escarpa (comando de saída do SPSS).
Porém, as variáveis que constituem o primeiro fator explicam apenas 4,5% da variância (ver tabela 5) e, por esta razão, esse fator foi desconsiderado. (CORRAR et al., 2009).
Tabela 5: Extração da Variância total explicada de cada componente (Comando de saída do SPSS)
Variância total explicada
Componente Autovalores
Total % de variância % cumulativa
Densidade 3,704 37,043 37,043 Área 2,359 23,587 60,630 Duração 1,758 17,578 78,208 Quantidade de PL ,972 9,721 87,929 Peso Médio ,744 7,440 95,369 Produção Total ,227 2,270 97,639 Sobrevivência ,118 1,183 98,822 Produtividade ,068 ,682 99,504 TCA ,036 ,356 99,860 Ração Total ,014 ,140 100,000
Devido as diferentes unidades de medidas e grandezas das variáveis desse estudo, todos os dados foram padronizados adotando-se a distribuição Z para realização desta Análise Fatorial. Para isso, cada réplica do n amostral teve seu escore obtido da fórmula abaixo, onde x é o valor da réplica, 𝑥̅ é a média da amostra e DP é o desvio padrão amostral.
𝑍 = 𝑥 − 𝑥̅ 𝐷𝑃
Por fim, observamos dois fatores, sendo o primeiro constituído pelas variáveis Duração, Peso Médio, Taxa de Conversão Alimentar e Ração Total, no qual nos propusemos chama-lo de “Indicadores de Biomassa”. O segundo fator, que denominamos de “Indicadores de estocagem” é composto pelas variáveis Densidade, Área e Quantidade de Pós-Larvas. Sendo assim, os Indicadores de Biomassa serão comparados em relação aos Indicadores de estocagem.
C. Análise de Conglomerados
Os dados acerca da densidade de estocagem e do tamanho de área foram registrados em unidades de medida que, na estatística, são descritos como variáveis quantitativas ou do tipo escalar, uma vez que correspondem a valores em uma escala progressiva. Contudo, para algumas hipóteses, elas foram transformadas em variáveis qualitativas ou nominais, ou seja, variáveis que caracterizam um aspecto (ver tabelas 7 e 8). Neste caso, foram criados dois grupos para cada variável: um grupo com maior densidade e outro com menor densidade, um grupo com maior tamanho de área e menor tamanho de área.
Analysis, que considera um alto grau de homogeneidade interna sobre os dados de um mesmo
grupo e alta heterogeneidade externa entre os dados de grupos distintos. O método utilizado foi de centroides e a medida de distância que adotamos foi a Distância Euclidiana Quadrada, mais recomendada para esse método (CORRAR et al., 2009).
Realizamos um teste T independente comparando os grupos de maior e menor densidade de estocagem para certificação de que são estatisticamente diferentes (t (114) = -14,95; p < 0,001). O grupo com maior densidade é composto de 10,2±1,53 camarões/m² (n = 42) e o grupo de menor densidade representa 6,1±1,26 camarões/m² (n = 74). Também nos certificamos sobre a diferença estatística dos cultivos classificados com maior e menor tamanho de área através do teste T independente (t (114) = -42,650; p < 0,001). O grupo com menor tamanho de área tem cultivos de tamanho equivalente a 2,614±0,36 hectares (n = 50) e o maior possui cultivos com tamanho de 4,931±0,12 hectares (n = 66).
D. Definição das hipóteses, classificação das variáveis e determinação dos testes estatísticos
Para as comparações sob as densidades de estocagem dos camarões:
Tabela 6: Conceituação das hipóteses, classificação das variáveis, caracterização da unidade de medida e teste estatístico a ser aplicado de acordo com as hipóteses e predições acerca da densidade de estocagem.
Hipóteses Variáveis Classificação das variáveis
Unidade de medida
Teste estatístico
H1 Os cultivos com maiores e menores densidades possuem
tamanhos de área diferentes. Predição: O tamanho da área é menor em cultivos com
maiores densidades. Densidade de estocagem Previsora, Nominal Menor e maior
(camarão/m²) indepen-Teste T dente
Área Resposta,
Escalar Hectare (ha) H2 Os cultivos com maiores e
menores densidades possuem duração diferentes. Predição: Cultivos com maiores densidades têm duração menor. Densidade de estocagem Previsora, Nominal Menor e maior
(camarão/m²) indepen-Teste T dente
Duração Resposta,
Escalar Dias
H3 Cultivos com maiores e menores densidades possuem
camarões despescados com peso médio distintos. Predição: O peso médio é
maior em cultivos com menores densidades. Densidade de estocagem Previsora, Nominal Menor e maior (camarão/m²) Teste T indepen- dente Peso médio individual Resposta, Escalar Gramas (g)
Tabela 7: Conceituação das hipóteses, classificação das variáveis, caracterização da unidade de medida e teste estatístico a ser aplicado de acordo com as hipóteses e predições acerca do tamanho da área dos cultivos.
Hipóteses Variáveis Classificação das variáveis
Unidade de medida
Teste estatístico
H1 Cultivos com maior e menor tamanho de área possuem duração diferente.
Predição: Cultivos com maiores áreas têm duração
menor.
Área Previsora,
Nominal
Menor e maior
(hectare) indepen-Teste T dente
Duração Resposta,
Escalar Dias
H2 O peso médio individual dos camarões despescados
difere entre cultivos com maior e menor tamanho de
área. Área Previsora, Nominal Menor e maior (hectare) Teste T indepen- dente
Peso Médio Resposta,
Escalar Gramas (g)
Para as comparações sob os tipos de povoamento adotados pelos cultivos:
Tabela 8: Conceituação das hipóteses, classificação das variáveis, caracterização da unidade de medida e teste estatístico a ser aplicado de acordo com as hipóteses e predições acerca do tipo de povoamento.
Hipóteses Variáveis Classificação das variáveis Unidade de medida Teste estatístico H1 A densidade de estocagem difere entre os
dois povoamentos. Predição: A densidade de
estocagem é maior no povoamento indireto.
Povoamento Previsora,
Nominal Direto/Indireto Teste T indepen- dente Densidade de estocagem Resposta, Escalar Camarão/m²
H2 O tamanho de área difere entre os dois povoamentos.
Povoamento Previsora,
Nominal Direto/Indireto indepen-Teste T dente
Área Resposta,
Escalar Hectare (ha) H3 A duração da fase de
engorda difere entre os dois povoamentos. Predição: A duração é
menor em cultivos de povoamento indireto.
Povoamento Previsora,
Nominal Direto/Indireto Teste T indepen- dente
Duração Resposta,
Escalar Dias
H4 O peso médio individual do camarão despescado
difere entre os dois povoamentos.
Povoamento Previsora,
Nominal Direto/Indireto indepen-Teste T dente
Peso Médio Resposta,
Escalar Gramas (g)
H5 A Taxa de Conversão Alimentar difere entre os
dois povoamentos.
Povoamento Previsora,
Nominal Direto/Indireto indepen-Teste T dente
TCA Resposta,
Escalar -
H6 A quantidade de ração total difere entre os dois
povoamentos. Predição: A quantidade de
Povoamento Previsora,
Nominal Direto/Indireto indepen-Teste T dente Ração Total Resposta,
Escalar
Quilograma (kg)
ração total é maior onde há povoamento indireto.
E. Verificação do tamanho amostral e o poder dos testes estatísticos
Para confirmar se o n amostral é adequado às análises estatísticas, realizamos cálculos através do software G*POWER 3.1.9.2 na opção de análise post-hoc considerando os valores do intervalo de confiança para erro do tipo I (α), o tamanho de efeito (d de Cohen) e o tamanho amostral (n) para o obter o poder do teste estatístico (1-β) sob instrução do G*POWER 3.1 Manual (2017).
O erro do tipo I implica o risco de rejeição da hipótese nula quando ela é verdadeira (por exemplo, afirmar que há diferenças para uma variável resposta entre dois grupos quando não existem), como padrão, foi adotado o valor de 0,05 para α. Já o tamanho de efeito consiste na magnitude da diferença entre condições ou o poder de um relacionamento. Foram considerados valores de tamanhos de efeito medianos, de acordo com a sugestão do software que é baseada na equação d de Cohen. Essa fórmula calcula a diferença das médias entre dois grupos pela média total dos desvios padrões. Ou seja, se ao comparar suas curvas existir uma grande área sobreposta entre os dois grupos, o tamanho de efeito é pequeno e vice-versa (DANCEY; REIDY, 2006; LINDENAU; GUIMARÃES, 2012).
O poder do teste estatístico (1-β) demonstra o quanto esse teste é capaz de controlar um erro do tipo II, sendo esse erro a possibilidade de não rejeitar a hipótese nula quando ela é falsa. Em outras palavras, quando consideramos um intervalo de confiança pro erro do tipo II e o subtraímos, obtemos o valor da habilidade do teste em detectar um efeito significativo, quando realmente existente. O tamanho amostral foi definido considerando as dificuldades em obter os dados e o esforço para manter o valor do poder do teste próximo a 0,8, tendo em vista esse valor ser considerado satisfatório na literatura (DANCEY; REIDY, 2006).
Para as hipóteses de comparações sob a densidade de estocagem, foi adotado o teste T independente unicaudal devido as predições apontarem uma direção esperada à corroboração. Consideramos n amostral de 116 dados distribuídos entre 2 grupos (maior = 42; menor = 74), um tamanho de efeito mediano (0.5), α=0,05 e poder de 0.82 (ver figura 1).
Figura 1: Layout de saída do G*POWER para o teste T independente unicaudal da variável previsora densidade de estocagem.
Para as hipóteses de comparações sob o tamanho da área, foi adotado o teste T independente unicaudal para as que possuem predições. Consideramos n amostral de 116 dados distribuídos entre 2 grupos (maior = 66; menor = 50), um tamanho de efeito mediano (0.5), α=0,05 e poder de 0.84 (ver figura 2).
Figura 2: Layout de saída do G*POWER para o teste T independente unicaudal da variável previsora tamanho da área.
Ainda sobre as hipóteses de comparações sob o tamanho da área, porém voltado à que não possui predições, adotamos o teste T independente bicaudal. Consideramos n amostral de 116 dados distribuídos entre 2 grupos (maior = 66; menor = 50), um tamanho de efeito mediano (0.5), α=0,05 e poder de 0.75 (ver figura 3).
Figura 3:Layout de saída do G*POWER para o teste T independente bicaudal da variável previsora tamanho da área.
Para as hipóteses de comparações sob os dois tipos de povoamento, adotamos o teste T independente unicaudal para as que possuem predições. Consideramos n amostral de 116 dados distribuídos entre 2 grupos (indireto = 73; direto = 43), um tamanho de efeito mediano (0.5), α=0,05 e poder de 0.84 (ver figura 4).
Figura 4: Layout de saída do G*POWER para o teste T independente unicaudal da variável previsora povoamento.
Por fim, para as hipóteses de comparações sob os tipos de povoamento que não possuem predições, adotamos o teste T independente bicaudal. Consideramos n amostral de 116 dados distribuídos entre 2 grupos (indireto = 73; menor = 43), um tamanho de efeito mediano (0.5), α=0,05 e poder de 0.75 (ver figura 5).
Figura 5: Layout de saída do G*POWER para o teste T independente bicaudal da variável previsora povoamento.
Portanto, como observado, a acuidade no tratamento dos dados coletados nos permite afirmar que as análises estatísticas desta Dissertação estão rigorosamente de acordo com as normas estabelecidas pela literatura especializada e atendem aos pressupostos necessários a sua execução.