A RELEVÂNCIA DA PRODUÇÃO DE MELÃO NA ECONOMIA DO NORDESTE THE RELEVANCE OF MELAN PRODUCTION IN THE NORTHEAST ECONOMY

A RELEVÂNCIA DA PRODUÇÃO DE MELÃO NA ECONOMIA DO NORDESTE THE RELEVANCE OF MELAN PRODUCTION IN THE NORTHEAST ECONOMY

Denis Fernandes Alves

Economista pela Universidade Regional do Cariri (URCA). Mestrando em Economia pela Universidade Federal do Rio Grande do Norte (UFRN).

E-mail: denis_fernandes@outlook.com

Matheus Oliveira de Alencar

Economista pela Universidade Regional do Cariri (URCA). Mestrando em Economia Rural pela Universidade Federal do Ceará (UFC).

E-mail: matheusoliveira29@gmail.com

Wellington Ribeiro Justo

Doutor em Economia pela Universidade Federal de Pernambuco (PIMES-UFPE). Professor do Departamento de Economia da Universidade Regional do Cariri (URCA), e do

PPGECON-UFPE. E-mail: justowr@yahoo.com.br

Francisco do O’ de Lima Júnior

Doutor em Desenvolvimento Econômico pelo Instituto de Economia da Universidade Estadual de Campinas. Professor Adjunto do Departamento de Economia da Universidade

Regional do Cariri (URCA) e Pesquisador líder do GETEDRU. E-mail:

limajunior_economia@yahoo.com.br

Resumo

O artigo tem como objetivo analisar o impacto das variações na quantidade produzida e na área plantada do melão nos estados do Ceará e Rio Grande do Norte sobre o PIB agrícola do Nordeste. Nesse sentido, utilizou-se o modelo econométrico de séries temporais, empregando o método Vetorial Auto Regressivo (VAR), o teste de Granger, e a função impulso resposta, para o período de 1988 a 2016. Os resultados confirmaram a hipótese levantada, de que a área plantada e, principalmente, a quantidade produzida de melão, nos estados do Ceará e Rio Grande do Norte, apresentam efeitos positivos sobre o PIB agrícola do Nordeste. Na análise da função de resposta ao impulso, apenas a quantidade produzida de melão nos dois estados apresentava efeitos sobre o PIB agrícola da região. Assim, pode-se concluir a grande relevância econômica da produção de melão desses estados sobre a região Nordeste, dada a geração de riquezas para a região, que é ampliada pela inserção da produção de melão nos mercados nacionais e internacionais.

Palavras-chave: Produção de melão; VAR; Mercado externo; Rio Grande do Norte; Ceará. Abstract

The objective of this paper is to analyze the impact of variations in the quantity produced and the planted area of the melon in the states of Ceará and Rio Grande do Norte on the agricultural PIB of the Northeast. In this sense, the time-series econometric model was used, using the Vector Regressive Self-Regression (VAR) method, the Granger test, and the impulse response function for the period from 1988 to 2016. The results confirmed the hypothesis raised, that the planted area and mainly the quantity of melon produced in the states of Ceará and Rio Grande do Norte have positive effects on the agricultural PIB of the Northeast. In the analysis of the impulse response function, only the quantity of melon produced in both states had effects on the agricultural PIB of region. Thus, one can conclude the great economic

relevance of the melon production of these states in the Northeast, given the potential and effective generation of wealth for the region, which is amplified by the good insertion in national and international markets.

Key words: Production of melons; VAR; External market; Large Northern River; Ceará. Área 1 – Economia Agrícola e Agronegócios.

1. Introdução

A pauta de exportação de produtos primários foi, e ainda continua sendo, de grande relevância econômica para o equilíbrio da balança comercial brasileira. No que se refere, mais especificamente, a competitividade e comercialização do melão, a combinação dos fatores como o clima, investimento em tecnologias, extensão territorial cultivável e qualidade dos produtos, alcança um nível de produção que abastecesse tanto ao mercado interno, como também o externo. De acordo com Viana et al. (2004) estes destacam que a comercialização no mercado internacional que representa aumento de competitividade reflete não só as condições de produção, como também, de políticas cambiais, a eficiência dos canais de especialização e dos sistemas de financiamento, acordos internacionais, entre outros.

O cultivo do melão para comercialização só teve início em meados da década de 1960, até então, o abastecimento provinha principalmente do Chile e da Espanha. No início, a produção se concentrou na região Sul e Sudeste, sobretudo nos principais estados como São Paulo e Rio Grande do Sul, ainda na mesma década a produção de melão teve início na região Nordeste, a prática de cultivo da mesma só foi introduzida no Ceará e no Rio Grande do Norte na década de 1980, com produção destinada ao mercado local (CELIN et al., 2014).

O Brasil, no decênio de 2000 a 2010, não possuía acesso ao mercado japonês, pois devido as normas reguladoras bastante rigorosas, a exigência do país em comprovação real da ausência de pragas criava uma barreira não tarifária e, por sua vez, acabava dificultando a exportação brasileira para este país. A introdução das frutas brasileiras no mercado japonês revela o tamanho da expansão e o incentivo nessa indústria agrícola. Mas para isto, as Normas Técnicas Específicas (NTE) para a Produção Integrada de Melão que foram aprovadas pelo Ministério da Agricultura, Pecuária e Abastecimento (MAPA), em 2003, serviram segundo Andrigueto (2004) e Braga Sobrinho (2008) para detalhar as técnicas do sistema de produção, enfatizando o manejo do solo e da irrigação, a colheita e a pós-colheita.

Atualmente, segundo o Instituto Brasileiro de Geografia e Estatística (IBGE), o Nordeste é responsável por 95,7% de toda a produção de melão no país, em 2016. Com importância econômica e social para o semiárido, o cultivo do melão tem se destacado frente ao agronegócio brasileiro. A combinação de altas temperaturas, alta luminosidade e a baixa umidade características do clima nordestino tem ajudado de forma significante a sua produção na região. A produção de meloeiros nos estados do Ceará e Rio Grande do Norte contribuíram de forma significante na geração de emprego e renda, juntos correspondem a 79,4% de toda a produção do Nordeste e 76,0% da produção nacional de melão (IBGE, 2018).

Além de possuir condições ambientais que favorecem o seu cultivo, o clima do Nordeste mantém a qualidade da produção. As temperaturas entre 25ºC e 32ºC são tidas como ideias para a produção, embora consiga crescer em temperaturas de no mínimo 18º, é com o clima do semiárido que a mesma mantém sua qualidade, já que a alta umidade do solo, faz com que o melão perca seu teor de açúcar (COSTA, 2008).

Dito o exposto, o presente artigo tem como objetivo analisar o impacto das variações na quantidade produzida e na área plantada do melão nos estados do Ceará e Rio Grande do Norte sobre o PIB agrícola do Nordeste, por meio da utilização do método de Vetores Autorregressivos (VAR) para o período de 1998 a 2016. A hipótese norteadora do estudo, é a

de que a produção de melão nos estados do Ceará e Rio Grande do Norte apresenta efeitos positivos sobre o PIB agrícola do Nordeste.

Discutir as contribuições econômicas e sociais da produção de culturas agrícolas no Nordeste, neste caso a produção de melão nos anos de 1988 a 2016, é de fundamental importância para que se possa conhecer as potencialidades e evolução da atividade na região. Nesse sentido, estudos como este contribuem para promoção do desenvolvimento regional, buscando inserir políticas de incentivos e investimentos na produção em setores que demonstram capacidade de mover a economia, gerando empregos e riqueza na região.

O presente estudo está estruturado em cinco seções, além desta introdução. A segunda seção propõe discutir e caracterizar territorialmente o setor meloeiro na região Nordeste, enquanto que, a terceira seção, propõe abordar algumas considerações sobre a produção no Ceará e no Rio Grande do Norte. Na quarta seção, são demonstrados os procedimentos metodológicos adotados. A quinta seção traz a análise os resultados encontrados e, por fim, na última seção, são expostas as conclusões do estudo.

2. Caracterização territorial do setor meloeiro: principais polos produtores

A produção de frutas brasileiras no ano de 2017 é de aproximadamente 44 milhões de toneladas (IBGE, 2018). Esse volume mantém o país como terceiro maior produtor de frutas do mundo, atrás apenas da China e da Índia, respectivamente. O Brasil tem se consolidado, deste modo, como uma grande potência mundial na especialização de produção de commodities agrícolas, tais como algodão, cana-de-açúcar, café, soja, frutas tropicais, entre outros (FORMIGA JÚNIOR; CÂNDIDO; AMARAL, 2014).

Há um crescente desenvolvimento das técnicas e avanços tecnológicos na indústria química (fertilizantes, agrotóxicos, sementes geneticamente modificadas, etc.), irrigação e maquinaria que, por sua vez, proporcionaram crescimento da produção agrícola. Além disso, segundo Nascimento, Justo e Alves (2017) nos últimos anos, o Brasil foi fortemente beneficiado pelas altas taxas de crescimento da economia chinesa, que elevaram substancialmente os preços das commodities, favorecendo diretamente o setor agrícola nacional.

De acordo com Navarro e Pedroso (2001), apesar de já ter havido significativa redução das diferenças regionais no país, principalmente devido à difusão dos meios de comunicação e do avanço tecnológico no meio rural, ainda há enormes disparidades regionais no Brasil, exigindo, portanto, maiores iniciativas, sejam elas de cunho público ou privado. Segundo os autores, há diversas questões regionais que poderiam gerar um padrão interdependente entre cada região brasileira, unindo suas especificidades para o desenvolvimento agrário do país.

Nesse sentido, há regiões que apresentam climas favoráveis a produção. No caso do Nordeste, levando em consideração o seu clima semiárido, percebe-se o grande aumento de investimentos em sistemas de irrigação e de divisão de terras com o objetivo de aumentar e diversificar a produção agrícola em cada estado. A introdução dessas novas tecnologias tem possibilitado significativos avanços nesse setor produtivo, tornando possível produzir diversas frutas durante todo o ano, com destaque para o cultivo de melão, manga e uva. Nesse sentido, apesar das inúmeras dificuldades apresentadas na região, percebe-se um grande potencial no Nordeste para aumentar a produção frutícola, principalmente os estados do Ceará e Rio Grande do Norte, devido às logísticas que vêm se instaurando, transformando-se em vantagem competitiva tanto nacionalmente, quanto no cenário internacional (CARVALHO; MIRANDA, 2009).

No Nordeste, as condições climáticas proporcionam situações favoráveis para a produção do melão, tais como as altas temperaturas, associadas à grande luminosidade e baixa umidade, fazendo com que, atualmente, o melão seja uma das culturas de maior expressão

social e econômica para a região. Os primeiros indícios de produção em alta escala que se tem registrado na região, datam do início da década de 1980, na microrregião do Vale do Açu em Rio Grande do Norte e na mesorregião do Jaguaribe no estado do Ceará, assumindo rapidamente papel de destaque, principalmente no âmbito das exportações, tendo como principal destino a Europa (MIGUEL et al., 2008). Ademais, a atividade fomenta o desenvolvimento de novas tecnologias e equipamentos de irrigação, a formação e a capacitação de mão de obra, a instalação de empresas aduaneiras, brokers, entre outros (ARAÚJO; CAMPOS, 2011).

De acordo com Mota et al. (2010), a cultura do melão no semiárido nordestino vem ao longo dos anos demandando melhorias nas práticas de manejo relacionadas à sua produção. Para manter uma alta produtividade e competitividade, é necessário que haja avanços relacionados a melhorias na qualidade do solo e da água, bem como inserção tecnológica no pós-colheita do fruto, sobretudo no manejo do solo, pois com a colheita a terra pode ficar batida, prejudicando as futuras plantações.

A produção do setor meloeiro do Brasil, a qual mais de 90% tem sido realizada na região Nordeste, possui forte direcionamento para o mercado externo, e o seu aumento encontra demanda relativa no mercado internacional. Em 2010, o Brasil chegou a exportar quase 180 toneladas de melão, sendo esse o maior volume de exportação de frutas frescas, segundo dados da Pesquisa Agrícola Municipal (PAM), feita pelo IBGE. De acordo com Martinelli e Camargo (2000, p. 20), as empresas de frutas frescas se dividem em dois tipos: empresas de menor porte econômico, que atuam parcialmente na cadeia comercial, dependendo de contratos de fornecimentos e de meios logísticos para sua realização, e as que controlam os pontos chaves da cadeia comercial. Essas “internalizaram em suas atividades a infraestrutura dos meios de transportes, logística e dos canais de distribuição”. O papel da logística na fruticultura pode ser considerado mais importante do que em outras atividades, em razão de envolver um produto de grau de perecibilidade muito alto (ARAÚJO; CAMPOS, 2011).

O principal entrave na comercialização não só do melão, mas também das frutas frescas brasileiras é sem dúvidas o fator de transporte. As questões de logísticas, por vezes, levantam barreiras comerciais devido há alguns fatores, como: distância dos países importadores; padrões de classificação de frutas; gestão integrada e rastreabilidade da cadeia de suprimentos de frutas; exigências comerciais e fitossanitárias e outras barreiras não tarifárias; baixa eficiência na gestão da infraestrutura logística do país; embalagens produzidas no Brasil; e modais de transporte no Brasil. Conforme estudo de Araújo e Campos (2011) a fruticultura, por tratar da produção de bens altamente perecíveis, demanda um conjunto de fatores logísticos adequados, pois contribui de forma decisiva para a obtenção de níveis de produtividade e competitividade compatíveis com o mercado internacional.

Devido à alta representatividade e compreendendo ao terceiro maior produtor e exportador de melão, pode-se deduzir que o melão brasileiro atende as normas internacionais que se referem aos padrões de qualidade para a exportação do melão, como a FFV-23, da Comissão Econômica das Nações Unidas para a Europa (UN/ECE), que estabelece que para suportar as condições de transporte, o produto precisa ter índice de refração da polpa correspondente a pelo menos 9º Bx, para que chegue com qualidade a seu destino final.

Segundo Buainain et al. (2007), o melhoramento genético do melão é um fator decisivo para a inserção dessa fruta no mercado externo. Dadas as exigências dos consumidores internacionais, tais como, variedades com polpas mais espessa, aspecto mais uniforme e sabor mais agradável, o que só pode ser alcançado por meio do melhoramento genético. Nesse sentido, os avanços tecnológicos na indústria química têm grande relevância comercial para as commodities de maneira geral.

No ano de 2016, a produção agregada de melão nos estados do Ceará e Rio Grande do Norte, representou quase 80% da produção nordestina e 76% da produção nacional. A continuação da queda no volume de produção do melão no estado do Ceará, observada a partir de 2014, foi compensada por um aumento na produção do Rio Grande do Norte nesse mesmo período, como pode ser visualizado na Gráfico 01, que demonstra a quantidade produzida do melão no Ceará e no Rio Grande do Norte de 1988 a 2016 (IBGE, 2018).

Gráfico 01: Evolução da Produção de Melão nos estados de Ceará e Rio Grande do Norte, e no restante do Nordeste, 1988-2016.

Fonte: Elaborado pelos autores a partir de dados do IBGE.

Vale destacar o efeito da seca no Ceará nos últimos anos que, por sua vez, provocaram queda da produção e, numa situação antagônica, um aumento na produção e exportação do melão no Rio Grande do Norte. Isso devido à estiagem prolongada que deixou o baixo nível de água na principal bacia irrigadora do Ceará (açude Castanhão que desagua na Bacia do Jaguaribe), acaba por gerar o êxodo dos produtores cearenses de melão para as terras potiguares, aumentando assim produção concorrente no Rio Grande do Norte, conforme demonstrado no Gráfico 01. Estes produtores se instalaram nas proximidades de Mossoró onde a oferta de água é uma das maiores do estado.

Muitos dos países importadores do melão produzido no Rio Grande do Norte se localizam na Europa e, atualmente, novos acordos internacionais foram firmados com Turquia, Cingapura, Hong Kong, Emirados Árabes Unidos e Arábia Saudita. Os produtores também iniciaram contato com os Estados Unidos. Aumentando assim a participação das exportações brasileiras no cenário internacional.

Além do mais, é importante destacar que, ao longo do período analisado, a produção de melão, tanto do Ceará1 _{como do Rio Grande do Norte, apresentaram nitidamente tendência} crescente. De acordo com Buainain et al. (2007), as principais regiões produtoras desses dois estados, caracterizam-se pela presença de grandes e médias empresas que lideram o negócio,

1 _{Muito embora a grave seca que assola o estado do Ceará nos últimos anos, ainda assim continua com grande}

participação na produção, comercialização e competitividade do melão não só no Nordeste como nas demais regiões brasileiras.

além do grande número de pequenos produtores, que escoam sua produção por meio das grandes empresas vizinhas.

De acordo com Santos e Santos (2015), o crescimento das exportações do melão, é explicado basicamente pelo “efeito competitividade”, onde os ganhos de competitividade são adquiridos por meio de condições internas favoráveis, como: incentivos governamentais para o desenvolvimento da agricultura irrigada, especialmente para a fruticultura irrigada; diminuição, a partir de 2001, da carga tributária sobre a produção; o aumento dos investimentos tecnológicos para a atividade; além do maior acompanhamento técnico e capacitação dos produtores.

Figura 01: Principais microrregiões produtoras de melão dos estados do Ceará e Rio Grande do Norte, em 2014.

Fonte: OLIVEIRA et al. (2017, p. 46).

Nos seus aspectos regionais, a produção de melão está concentrada entre os vales dos rios Jaguaribe (Ceará) e Açu (Rio Grande do Norte), formando o principal polo agrícola do agronegócio brasileiro do melão, pode-se observar que a região leste cearense conjunta com o oeste potiguar forma o polo Jaguaribe-Açu, conforme a Figura 01. Destaca-se que a produção é correspondente em duas das trinta e três microrregiões do Ceará e seis das dezenove microrregiões no Rio Grande do Norte. Esse polo é responsável, segundo Oliveira et al. (2017) por cerca de 3

4 da área colhida, o que, por sua vez, corresponde a mais de 80% da produção e a quase totalidade das exportações brasileiras de melão.

A reorganização da estrutura produtiva e comercial do polo cearense e potiguar foi um fator fundamental para que o Brasil não só abastecesse o mercado interno, como também aumentasse a participação no mercado internacional do melão.

Para analisar a relevância econômica da produção de melão nos estados do Ceará e Rio Grande do Norte, no período de 1988 a 2016, partiu-se da hipótese de que a produção de melão nesses estados, apresentam efeitos positivos sobre o PIB agrícola do Nordeste. Nesse sentido, inicialmente é feito uma análise descritiva dos dados, em seguida executou-se os testes de raiz unitária: Dickey-Fuller Aumentado e Phillips-Perron, seguidos pelo Teste de Causalidade de Granger. Também estimou-se o modelo Vetorial Autorregressivo (VAR) e, logo após, fora feita a Decomposição da Variância. Outros testes foram executados tais como o teste de Cointegração de Johansen, teste de Wald, teste de Jarque-Bera e o teste de Multiplicador de Lagrange para o VAR.

3.1 Teste de Raiz Unitária: Dickey-Fuller aumentado e Phillips-Perron

Estudos com tratamento de variáveis de séries de tempo, deve-se inicialmente analisar a estacionariedade da série. Segundo Gujarati e Porter (2011) um processo estocástico será chamado de estacionário se sua média e variância forem constantes ao longo do tempo e o valor da covariância entre os dois períodos de tempo depender apenas da distância, do intervalo ou da defasagem entre os dois períodos.

Nesse sentido, para que o processo estocástico seja estacionário, é necessário satisfazer as seguintes propriedades:

Média: 𝐸(𝑌 ) = 𝜇 (1)

Variância: 𝑉𝑎𝑟 (𝑌 ) = 𝐸(𝑌 −𝜇)2_{= 𝜎 (2)}

Covariância: 𝛾 = 𝐸[(𝑌 − 𝜇)(𝑌 − 𝜇)] ₍₃₎

em que 𝛾 , a covariância (ou autovariância) na defasagem k, é a covariância entre os valores de 𝛾 e 𝛾 . O procedimento utilizado neste trabalho será o Dickey-Fuller aumentado e o Phillips-Perron.

3.1.1 O teste de Dickey-Fuller aumentado (DFA)

Nas primeiras versões do DF admitisse que o termo de erro 𝑢 era não correlacionado, mas para casos em que os 𝑢 são correlacionados, Dickey e Fuller desenvolveram outro teste, conhecido como o teste de Dickey-Fuller aumentado. Segundo Gujarati e Porter (2011), Silva e Machado (2009) e Souza et al. (2017) o teste DFA consiste em estimar a seguinte regressão:

∆𝑌 = 𝛼 + 𝛾𝑌 + 𝛽∆𝑌 𝜀 (4)

Onde: 𝛾 = − 1 − ∑ 𝛼 𝑒 𝛽 = ∑ 𝛼

(5)

sendo que a α é o intercepto; γ é a ordem do modelo auto-regressivo que descreve o comportamento da série temporal; Y representa a variável dependente; Δ representa o operador de diferença (em cada série de preços); e ε e denota a estrutura do erro ou série de ruído branco2_{, a qual se assume ser idêntica e independentemente distribuída.}

Segundo Silva e Machado (2009) a hipótese nula do teste de Dickey-Fuller aumentado é a existência de uma raiz unitária. Essa hipótese 𝐻 : γ = 0, deve ser rejeitada caso o | τ |

2 _{Segundo Gujarati e Porter (2011) a série ruído branco é uma série com o erro estocástico com média zero,}

calculado > | τ |crítico de Dickey-Fuller. Desta forma, entende-se que a série é estacionária. Caso o | τ | calculado < | τ |crítico, não se rejeita 𝐻 : 𝛼 = 0 e a série não é estacionária. No caso de a hipótese nula não ser rejeitada, deve ser realizado um novo teste, até que a hipótese nula seja rejeitada.

3.1.2 Teste Phillips-Perron (PP)

O teste Phillips-Perron propõe, segundo Souza et al. (2017) um método alternativo e não paramétrico de controlar a correlação serial ao testar para uma raiz unitária. O método PP estima a equação não aumentada do teste DF, e modifica a relação de modo a que um coeficiente α de correlação de série não afeta a distribuição assintótica da estatística de teste. 3.2 Teste de Causalidade de Granger

De acordo com Gujarati e Porter (2011) devido às defasagens envolvidas, os modelos autorregressivos e/ou de defasagens distribuídas levantam a questão da causalidade em variáveis econômicas. Nesse sentido, para Justo e Lima (2007) uma questão importante no VAR é se uma variável ajuda ou não na previsão da outra. O teste de causalidade de Granger (1969) é realizado analisando se as defasagens de uma variável entram como regressores na equação da outra variável e, em caso afirmativo, se são ou não significativas.

Deste modo, no caso mais específico do modelo Auto Regressivo faz-se o teste de causalidade de bloco. Esse teste permite analisar os efeitos indiretos entre as variáveis que compõem o VAR indicando quais variáveis deverão ser incorporadas ao modelo.

A exemplo disso, em um modelo com três variáveis yt, zt e wt, deve-se testar se as defasagens de wt causam yt e zt. Em essência a causalidade de bloco limita todas as defasagens de wt a serem nulas nas equações de yt e zt. Nesse caso, o teste de Razão de Verossimilhança (LR) ajustado é mais adequado (JUSTO; LIMA, 2007).

3.4 Modelo Vetorial Auto-Regressivo (VAR)

A proposta do modelo de Vetor Auto-Regressivo (VAR) foi elaborada como alternativa aos modelos estruturais multe equacionais. É bastante utilizado em estudos sobre séries de tempo na macroeconômica, sobretudo nos dados financeiros como por exemplo a bolsa de valores, dentre outros. E também, muito utilizado em estudos de economia agrícola, podendo-se citar, nesse caso, Barros (1994), Barros e Bittencourt (1997), Alves e Bacchi (2004), Mayorga et al. (2007), Silva e Machado (2009), Melo et al. (2016) e Souza et al. (2017).

Segundo Alves e Bacchi (2004) o uso da metodologia VAR permite a obtenção de elasticidades de impulso para k períodos à frente. Essas elasticidades de impulso possibilitam a avaliação do comportamento das variáveis em resposta a choques (inovações) individuais em quaisquer dos componentes do sistema, podendo-se assim analisar, através de simulação, efeitos de eventos que tenham alguma probabilidade de ocorrer. A metodologia VAR possibilita a decomposição histórica da variância dos erros de previsão, k períodos à frente, em percentagens a serem atribuídas a cada variável componente do sistema, analisando a importância de cada choque (em cada variável do modelo) ocorrido no passado na explicação dos desvios dos valores observados das variáveis em relação à sua previsão realizada no início do período considerado. Entretanto também apresenta limitações, pelo fato de ter uma estrutura recursiva para as relações contemporânea entre as variáveis (ALVES; BACCHI, 2004)

Segundo Justo e Lima (2007) o modelo VAR foi desenvolvido considerando todas as variáveis simetricamente. Dessa forma, não se faz hipóteses ex ante de quais variáveis são endógenas e quais são exógenas. Em geral para a construção de um VAR seguem-se os seguintes passos: escolha das variáveis (devem ser endógenas3_{); testar a causalidade; testar o} comprimento da defasagem e a determinação da ordem de entrada das variáveis.

Por definição, o modelo VAR é um sistema de equações em que cada uma das variáveis que compõem o sistema é função dos valores das demais variáveis no presente, dos seus valores e dos valores das demais variáveis defasadas no tempo, mais o erro (ruído branco). É possível então, demonstrar que a estimação de um vetor auto regressivo nestes moldes será igual a uma estimação por mínimos quadrados ordinários de cada equação individualmente.

Na forma padrão um VAR mais simples com duas variáveis y e z e uma defasagem pode ser representado da seguinte forma:

𝑦 = 𝑏 − 𝑏 𝑧 + 𝛾 𝑦 + 𝛾 𝑧 + 𝜀 (6)

𝑧 = 𝑏 − 𝑏 𝑦 + 𝛾 𝑦 + 𝛾 𝑧 + 𝜀 (7)

admitindo que yt e zt são estacionários; 𝜀 e 𝜀 são erros “ruído branco” com desvios padrão 𝜎 e 𝜎 , respectivamente, as sequências {𝜀 } e {𝜀 } são erros não correlacionados “ruído branco”.

Deste modo, as equações (6) e (7) formam um VAR de primeira ordem, no seu formato mais simples, já que o número de defasagem é igual a um. Segundo Justo e Lima (2007) o número de defasagens é determinado de forma que assegure que os erros sejam “ruído branco”, dessa maneira o sistema permite que yt e zt afetem-se mutuamente e que 𝜀 e 𝜀 representam choques em yt e zt. Portanto, o sistema é denominado primitivo, pois yt tem efeito contemporâneo em zt e, zt tem efeito contemporâneo sobre zt.

Para ser estável, o VAR tem que ser estacionário. Esta estabilidade está relacionada com ao fato de que os eventuais efeitos de choques desaparecem ao longo do tempo, ou seja, o sistema volta ao seu equilíbrio (SOUZA et al., 2017).

Pode-se obter o VAR padrão ou sistema reduzido através da forma matricial:

𝑦

𝑧

=

𝑎

𝑎

+

𝑎

𝑎

𝑌

𝑌

+

𝑎

𝑎

𝑍

𝑍

+

𝑒

𝑒

Vale destacar que um problema na estimação do VAR estrutural é que não se podem determinar todos os parâmetros a não ser que se faça restrições aos coeficientes dos elementos da matriz B. A ordem de entrada das variáveis no VAR é importante, pois determinará os parâmetros que serão excluídos.

3.5 Função Impulso Resposta

Segundo Bueno (2011) é impossível identificar todos os parâmetros contidos na forma estrutural, pois o modelo VAR não permite fazer esta identificação, é necessário então impor restrições adicionais. A resposta ao impulso age de maneira tal que mostra como um choque

3_{As variáveis nestes modelos, geralmente, são tratadas como endógenas, de forma que cada uma das variáveis é}

explicada pelo seu valor defasado (excedido) e explicadas também, pelos valores defasados das outras variáveis que compõem o modelo (SOUZA et al., 2017).

em qualquer uma das variáveis é capaz de se filtrar através do modelo, comisso, afeta todas as demais variáveis endógenas. Com esse procedimento, a variável endógena afetará as demais variáveis, e na medida com que isso ocorra, o choque se filtrará por meio do modelo, o que fará com que afete todas as variáveis (JUSTO; LIMA, 2007; FARIAS, 2008; SOUZA et al., 2017).

Portanto, como afirma Mayorga et al. (2007), “uma função resposta de impulso esboça o comportamento das séries incluídas no modelo VAR em respostas a choques ou mudanças provocadas por variáveis residuais”. Segundo Enders (2010), é a suposição de impor uma restrição no sistema primitivo. Geralmente, são usados argumentos econômicos para definir qual será igual a zero.

3.6 Decomposição da Variância

A Decomposição da Variância é mais uma opção para análise dos resultados do modelo. É, segundo Bueno (2011, p. 219) “uma forma de dizer que porcentagem da variância do erro de previsão decorre de cada variável endógena ao longo do horizonte da previsão”. Porém, segundo Enders (2010) e Souza et al. (2017), apesar de um VAR irrestrito ser susceptível de ser parametrizado, a compreensão das propriedades dos erros de previsão é extremamente útil para a descoberta de interrelações fortes entre as variáveis do sistema.

Deste modo, a decomposição da variância dos erros de previsão nos diz a proporção dos movimentos em uma sequência devido aos seus "próprios" choques contra choques na outra variável (ENDERS, 2010, p. 314; SOUZA et al. (2017).

3.7 Área de Estudo e Fonte de Dados

Optou-se por estudar a região nordeste, mais especificamente os dois maiores produtores e exportadores de melão da região e do país: Ceará e Rio Grande do Norte. Os dados foram obtidos a partir da Pesquisa Agrícola Municipal – PAM, disponibilizada pelo Instituto de Geografia e Estatística – IBGE, para o período de 1988 e 2016.

4. Resultados e Discussão

A seguir serão apresentados e analisados os resultados obtidos no estudo proposto. As análises foram divididas em subseções para melhor compreensão do estudo.

4.1. Análise Preliminar das Séries

Inicialmente, é muito importante observar o comportamento das variáveis empregadas no modelo. No Figura 02, é possível visualizar às variações no PIB agrícola do Nordeste, bem como, na quantidade produzida e área plantada do melão nos estados do Ceará e Rio Grande do Norte nos anos analisados, de 1988 a 2016. Os valores do PIB agrícola foram deflacionados pelo IGP-DI para dezembro de 2016 e estão expressos em mil reais por unidade. Já a quantidade produzida e a área plantada, são expressas, respectivamente, em toneladas e hectares.

Figura 02: Comportamento das variáveis no Ceará e Rio Grande do Norte de 1988 a 2016.

Fonte: Elaboração própria com base nos dados do IBGE.

Nota-se, a partir da análise gráfica, que todas as séries demonstraram tendência de crescimento no período em estudo. Em relação ao PIB agrícola do Nordeste, pode-se perceber um crescimento percentual de, aproximadamente, 24% no período analisado. Já no que se refere à quantidade produzida de melão nos estados do Ceará e Rio Grande do Norte, inicialmente na magnitude de 7.023 toneladas, fecha a série, no ano 2016, no valor de 453.326 toneladas produzidas, uma impressionante evolução de, aproximadamente, 6.355%. Quanto a área plantada do melão nesses dois estados, passou de 675 hectares em 1988 para 16.425 toneladas em 2016, ou seja, um aumento de cerca de 2.333% na área plantada dessa cultura.

Observa-se também que, no período 1988-1994, o PIB agrícola apresenta grandes oscilações, as quais podem ser claramente associadas à instabilidade econômica, característica desse período. De modo geral, não há indicativos da presença de sazonalidade em nenhumas das séries. Pode-se perceber também que, a trajetória de evolução das séries gráfica, dá indícios de comportamento estacionário, o que será confirmado ou não, a partir dos testes a seguir.

4.2. Teste de Raiz Unitária: Dickey-Fuller Aumentado e Phillips-Perron

Fez-se necessário analisar a estacionariedade das séries utilizadas no estudo: PIB agrícola do Nordeste; produção agregada de melão dos estados do Ceará e Rio Grande do Norte; e total da área plantada de melão no Ceará e Rio Grande do Norte. Para isso, foram empregados os testes de raiz unitária de Dickey-fuller aumentado (ADF) e Phillips-Perron. Na Tabela 01, estão expostos ambos os testes, realizados sob os níveis de 1%, 5% e 10% de significância. 0 5 00 0 1 00 00 1 50 00 2 00 00 Á re a P la nt ad a 0 1 00 00 0 2 00 00 0 3 00 00 0 4 00 00 0 5 00 00 0 Q ua nt id ad e P ro d uz id a 5 .0 e+ 06 1 .0 e+ 07 1 .5 e+ 07 2 .0 e+ 07 2 .5 e+ 07 3 .0 e+ 07 P IB A g rí co la 1990 1995 2000 2005 2010 2015 Ano

PIB Agrícola Quantidade Produzida

Tabela 01: Testes de raiz unitária Dickey-Fuller aumentado (ADF) e Phillips-Perron (PP) para as séries do PIB Agrícola do Nordeste, Quantidade Produzida e Área Plantada do Melão nos estados do Ceará e Rio Grande do Norte

Em nível

Dickey-Fuller Aumentado (ADF) Phillips-Perron (PP)

Com constante e

tendência

Com

constante constante e Sem

tendência

Com constante e

tendência

Com

constante constante e Sem

tendência PIB Agrícola -5,072* -2,499 0,444 -3,904** -2,479 -0,142 Produção de Melão -4,129** -0,543 0,866 -3,260*** -0,484 1,244 Área plant. de Melão -4,636* -1,263 0,866 -4,726* -1,117 1,338

Fonte: Elaboração própria com base nos resultados.

Nota: *, ** e *** indicam, respectivamente, 1%, 5%, 10% de significância.

Os resultados dos testes de raiz unitária de Dickey-Fuller e Phillips Perron, apresentados na Tabela 01, apontam que as séries analisadas não são estacionárias em algumas especificações dos testes (com constante e sem constante), quando analisadas em nível. Observa-se que ambos os testes apresentaram não rejeição da hipótese nula da presença de raiz unitária, quando realizados com constante e sem constante. Já quando analisadas com constante e com tendência, em ambos os testes, rejeita-se a hipótese nula da presença de raiz unitária, ou seja, as séries apresentam, com constante e tendência, estacionariedade em nível. 4.3. Teste de Causalidade de Granger

Após a verificação da condição de estacionariedade das séries, realizou-se o teste de causalidade de Granger, apresentado na Tabela 02. O teste de causalidade de Granger mostra se uma variável (x) provoca outra (y), no sentido de Granger, e, desta maneira, saber se os valores das variáveis em estudo são úteis para prever os valores de (y).

De acordo com as informações da Tabela 024_{, rejeita-se a hipótese nula de que a} quantidade produzida de melão nos estados do Ceará e Rio Grande do Norte, no sentido de Granger, afeta o PIB agrícola do Nordeste. Esse resultado era esperado, dada a representatividade da atividade na produção agrícola desses dois estados, que são destaque na produção de melão no Nordeste, da qual, grande parte é destinada à exportação. O inverso não foi observado, uma vez que, não se rejeita a hipótese nula de que o PIB agrícola do Nordeste não causa a quantidade produzida de melão nos estados do Ceará e Rio Grande do Norte, no sentido de Granger.

4 _{Os termos PIBNe, QPMelão e APMelão, empregados na Tabela 02, referem-se, respectivamente, ao PIB}

agrícola do Nordeste, a quantidade produzida e a área plantada do melão nos estados do Rio Grande do Norte e Ceará.

Tabela 02: Resultados do teste de causalidade de Granger para o PIB Agrícola do Nordeste, a Quantidade Produzida e a Área Plantada do Melão nos estados do Ceará e Rio Grande do Norte

Hipóteses nulas: Nº. Observações F-Statistic Prob.

QPMelão não Granger Causa PIBNe

28 13,0880 0,0013

PIBNe não Granger Causa QPMelão 0,62160 0,4379

APMelão não Granger Causa PIBNe

28 11,8125 0,0021

PIBNe não Granger Causa APMelão 0,98787 0,3298

APMelão não Granger Causa QPMelão

28 0,39554 0,5351

QPMelão não Granger Causa APMelão 2,49077 0,1271

Fonte: Elaboração própria com base nos resultados.

Ainda segundo as informações da Tabela 02, rejeita-se a hipótese nula de que a área plantada do melão nos estados do Ceará e Rio Grande do Norte, no sentido de Granger, afeta o PIB agrícola do Nordeste. Esse resultado também era esperado e, em conjunto com o resultado anterior, contribui para a confirmação da hipótese levantada neste estudo, de que, dado o destaque da atividade, em termos de produção e exportação, nos estados nordestinos do Ceará e Rio Grande do Norte, o nível da produção e da área plantada do melão nesses dois estados influencia o PIB agrícola do Nordeste5_{. Quanto a hipótese nula de que o PIB agrícola} do Nordeste não causa a área plantada do melão nos estados do Ceará e Rio Grande do Norte, não há rejeição da hipótese de acordo com o teste de causalidade de Granger.

No que diz respeito à causalidade entre a quantidade produzida e área plantada do melão nos estados do Ceará e Rio Grande do Norte, ainda conforma a Tabela 02, os valores indicados mostram que não se rejeita a hipótese nula de que a área plantada do melão nos estados do Ceará e Rio Grande do Norte não causa, no sentido de Granger, a quantidade produzida de melão nos dois estados, o que faz sentido, uma vez que a área plantada do ano anterior, não se relaciona com a quantidade produzida do ano seguinte. Também não se rejeita a hipótese nula de que a quantidade produzida de melão nos estados do Ceará e Rio Grande do Norte não causa a área plantada do melão.

4.4. Modelo Vetorial Autorregressivo (VAR)

Verificada a condição de estacionariedade, avaliou-se a defasagem ótima, para a estimação do VAR, por meio dos testes critério de informação de Akaike (AIC), critério de informação de Schwarz (SC), critério de informação de Hannan-Quinn (HQ), critério do erro de predição final (FPE) e estatística de teste LR (LR). Pode-se verificar, na Tabela 03, que todos os critérios apontaram que o modelo VAR deve ser estimado com uma defasagem6_.

5 _{Nos estudos de Mayorga et al. (2007) e Santos e Souza (2017) é possível verificar o destaque da atividade nos}

estados do Ceará e Rio Grande do Norte, no que se refere a produção e exportação.

Tabela 03: Teste para definição de defasagens ótimas para o VAR.

Nº de lags AIC SC HQ FPE LR

0 75.07386 75.22013 75.11443 8.07e+28 -

1 _73.20610* 73.79116* 73.36837* 1.26e+28* 54.34303* 2 _73.45996 74.48382 73.74394 1.68e+28 8.390458 3 _73.91550 75.37815 74.32118 2.92e+28 3.966935 4 73.93372 75.83517 74.46110 3.62e+28 8.421363

Fonte: Elaboração própria com base nos resultados.

Realizados os testes para a verificação da condição de estacionariedade das séries, o teste de causalidade de Granger e o teste para definição de defasagens ótimas, estimou-se o VAR e se obteve a função de impulso-resposta. Por meio da função de impulso-resposta, é possível analisar a resposta de uma variável qualquer do sistema, dado um choque em qualquer outra variável endógena. Dessa forma, a partir de choques inesperados em uma variável, pode-se verificar qual é o nível da do impacto sob as demais variáveis do modelo. Os gráficos com as funções de resposta ao impulso (choques exógenos) nas variáveis, são expostos na Figura 03.

A primeira linha de gráficos da Figura 03 mostra os efeitos da alteração no PIB agrícola do Nordeste, após choques exógenos no próprio PIB, bem como na quantidade produzida e área plantada do melão nos estados do Ceará e Rio Grande do Norte. Choques no PIB agrícola faz com que seu valor aumente, se dissipando o efeito no terceiro período. Tal efeito pode ser associado a retornos de investimento em atividades agrícolas em decorrência de um PIB mais elevado. O efeito no PIB agrícola do Nordeste dados de choques exógenos na quantidade produzida de melão nos estados do Ceará e Rio Grande do Norte, faz com que o PIB aumente e se mantenha constante a partir do segundo período. Isto já era esperado e, juntamente com o resultado obtido pelo teste de causalidade de Granger, confirma a principal hipótese deste estudo, acerca da relevância da produção de melão sobre a economia nordestina. Não se verificou efeito no PIB agrícola, por choques exógenos na área plantada do melão, nos estados do Ceará e Rio Grande do Norte. Os efeitos por choques no PIB e na quantidade produzida se estabilizam após três e dois períodos, respectivamente.

Na segunda linha de gráficos, na Figura 03, tem-se o efeito na quantidade produzida de melão nos estados do Ceará e Rio Grande do Norte em decorrência de choques exógenos nas variáveis do modelo. Observa-se que os efeitos são praticamente nulos nesta variável dados choques exógenos no PIB agrícola do Nordeste e na área plantada do melão nos estados do Ceará e Rio Grande do Norte, ou seja, praticamente não influenciam a quantidade produzida de melão nesses dois estados. Já os efeitos na quantidade produzida, em virtude de choques exógenos nela mesma, são positivos e levemente decrescentes ao longo dos dez períodos, o que pode ser explicado por uma possível ampliação da atividade por meio investimentos provenientes da produção de períodos anteriores.

-2,000,000 0 2,000,000 4,000,000 6,000,000 1 2 3 4 5 6 7 8 9 10

Response of PIB_NORDESTE to PIB_NORDESTE

-2,000,000 0 2,000,000 4,000,000 6,000,000 1 2 3 4 5 6 7 8 9 10

Response of PIB_NORDESTE to QP_CE_RN

-2,000,000 0 2,000,000 4,000,000 6,000,000 1 2 3 4 5 6 7 8 9 10

Response of PIB_NORDESTE to AP_CE_RN

-100,000 -50,000 0 50,000 100,000 150,000 1 2 3 4 5 6 7 8 9 10

Response of QP_CE_RN to PIB_NORDESTE

-100,000 -50,000 0 50,000 100,000 150,000 1 2 3 4 5 6 7 8 9 10

Response of QP_CE_RN to QP_CE_RN

-100,000 -50,000 0 50,000 100,000 150,000 1 2 3 4 5 6 7 8 9 10

Response of QP_CE_RN to AP_CE_RN

-2,000 -1,000 0 1,000 2,000 3,000 4,000 1 2 3 4 5 6 7 8 9 10

Response of AP_CE_RN to PIB_NORDESTE

-2,000 -1,000 0 1,000 2,000 3,000 4,000 1 2 3 4 5 6 7 8 9 10

Response of AP_CE_RN to QP_CE_RN

-2,000 -1,000 0 1,000 2,000 3,000 4,000 1 2 3 4 5 6 7 8 9 10

Response of AP_CE_RN to AP_CE_RN

Response to Cholesky One S.D. Innov ations ± 2 S.E.

Figura 03: Gráficos de resposta ao impulso sobre as séries do PIB Agrícola do Nordeste, Quantidade Produzida e Área Plantada do Melão nos estados do Ceará e Rio Grande do Norte

Fonte: Elaboração própria com base nos resultados.

Por fim, na última linha de gráficos, na Figura 03, verificam-se os efeitos de choques exógenos nas variáveis do modelo, sobre a área plantada do melão, nos estados do Ceará e Rio Grande do Norte. Os efeitos de choques exógenos no PIB agrícola do Nordeste são praticamente nulos, o que já era esperado dado o resultado do teste de Granger. Quanto aos efeitos na área plantada em decorrência de choques exógenos na quantidade produzida, assim como a resposta da quantidade produzida sobre ela mesma, são positivos e diminuem lentamente ao longo dos dez períodos, e que também pode ser associado à possível ampliação da atividade com recursos provenientes de uma maior produção passada. Já os efeitos de choques da própria área plantada do melão em virtude de choques exógenos nela mesma, são ligeiramente positivos, e se dissipando após o segundo período.

Estimada a Função de Resposta ao Impulso das séries empregadas no modelo, é necessário que alguns pressupostos sejam atendidos, para que os resultados possam ser confiáveis. Um desses pressupostos, é a condição de estabilidade do VAR, a qual é possível de se verificar com suporte no gráfico de estabilidade do modelo estimado, como pode-se observar na Figura 04.

-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5

Inverse Roots of AR Characteristic Polynomial

Figura 04: Teste de estabilidade do modelo

Fonte: Elaboração própria com base nos resultados.

Segundo Melo et al. (2016), a validação das condições de estabilidade do modelo, depende do módulo de cada autovalor da matriz companheira. Dessa forma, examina-se se todos os autovalores estão dentro do círculo unitário, ou seja, se, em módulo, são menores do que um. Assim sendo, como pode ser visto na Figura 04, todos os autovalores estão dentro do círculo unitário, confirmando a estabilidade do modelo e, deste modo, que a Função de Resposta ao Impulso tem interpretação conhecida.

Após a confirmação da condição de estabilidade do VAR, a fim de averiguar se há autocorrelação nos resíduos do modelo, realizou-se o teste de multiplicador de Lagrange (teste LM), exposto na Tabela 04.

Tabela 04: Resultados do teste de multiplicador de Lagrange para o VAR

Lag LM-Stat Df Prob.

1 4,906373 9 0,8424

Fonte: Elaboração própria com base nos resultados.

Como pode-se observar, na Tabela 04, não se rejeita a hipótese nula de que não há autocorrelação nos resíduos na primeira defasagem, ou seja, os resíduos do modelo não são autocorrelacionados, atestando a validade do modelo.

A Tabela 05 traz o resultado do teste Jarque-Bera de normalidade dos resíduos do modelo, sob a hipótese de que os resíduos seguem uma distribuição normal. Como se observa, em todas as séries, se aceita a hipótese nula da normalidade dos resíduos.

Tabela 05: Resultados do teste Jarque-Bera de normalidade

Série Jarque-Bera Df Prob.

PIBNe 0,512366 2 0,7740

QPMelão 1,085624 2 0,5811

APMelão 1,102533 2 0,5762

Junção 2,700524 6 0,8454

Após do teste de normalidade dos resíduos, realizou-se também o teste de Wald, demonstrado na Tabela 06. Esse teste é realizado sob a hipótese nula de que todos os coeficientes das variáveis do modelo, defasadas, são simultaneamente nulos.

Tabela 06: Resultados do teste de Wald

Série Lag F Df Prob.

PIBNe _{1 12,004 3 0,0001}

QPMelão _{1 73,3762 3 0,0000}

APMelão _{1 58,4583 3 0,0000}

Junção _{1 32,3164 9 0,0000}

Fonte: Elaboração própria com base nos resultados.

A partir das informações contidas na Tabela 06, ao nível de 1% de significância, rejeita-se a hipótese nula, ou seja, todos os coeficientes das variáveis do modelo, defasadas, são simultaneamente diferentes de zero.

4.5. Decomposição da Variância

Na Figura 05, são expostos os gráficos de decomposição da variância dos erros de previsão sobre as séries utilizadas no modelo, que, segundo Zivot e Wang (2005) nos indica qual a proporção da variância do erro de previsão é explicada por um choque estrutural nas variáveis inseridas na regressão.

-40 0 40 80 120 1 2 3 4 5 6 7 8 9 10

Percent PIB_NORDESTE variance due to PIB_NORDESTE

-40 0 40 80 120 1 2 3 4 5 6 7 8 9 10

Percent PIB_NORDESTE variance due to QP_CE_RN

-40 0 40 80 120 1 2 3 4 5 6 7 8 9 10

Percent PIB_NORDESTE variance due to AP_CE_RN

-40 0 40 80 120 160 1 2 3 4 5 6 7 8 9 10

Percent QP_CE_RN variance due to PIB_NORDESTE

-40 0 40 80 120 160 1 2 3 4 5 6 7 8 9 10

Percent QP_CE_RN variance due to QP_CE_RN

-40 0 40 80 120 160 1 2 3 4 5 6 7 8 9 10

Percent QP_CE_RN variance due to AP_CE_RN

-40 0 40 80 120 160 1 2 3 4 5 6 7 8 9 10

Percent AP_C E_RN variance due to PIB_N ORDESTE

-40 0 40 80 120 160 1 2 3 4 5 6 7 8 9 10

Percent AP_CE_RN variance due to QP_CE_RN

-40 0 40 80 120 160 1 2 3 4 5 6 7 8 9 10

Percent AP_CE_RN variance due to AP_CE_R N Variance Decomposition ± 2 S.E.

Figura 05: Gráficos de decomposição da variância dos erros de previsão sobre as séries do PIB Agrícola do Nordeste, Quantidade Produzida e Área Plantada do Melão nos estados do

Ceará e Rio Grande do Norte

Melo et al. (2016) afirmam que, uso do método de vetores autorregressivos (VAR) permite observar o poder explicativo de cada variável sobre as demais, a partir da decomposição da variância do erro de previsão. Além disso, o modelo VAR é sensível à ordenação das variáveis, e, por esse motivo, a ordem utilizada foi determinada em função do resultado do teste de causalidade de Granger.

Como pode ser visto na Figura 05, com relação à decomposição da variância dos erros do PIB agrícola do Nordeste, observa-se que, após quatro períodos, a mesma é explicada em cerca de 70% pelo seu próprio valor, quase 30% pela quantidade produzida de melão nos estados do Ceará e Rio grande do Norte, e menos de 0,5% pela área plantada do de melão nesses mesmos estados. Quanto à decomposição da variância dos erros da quantidade produzida de melão nos estados do Ceará e Rio grande do Norte, esta é explicada em cerca de 98% pelo seu próprio valor, enquanto o PIB agrícola do Nordeste e a área plantada do melão nos dois estados, conjuntamente, explicam menos de 2% da variância do erro de previsão da quantidade produzida. Já em relação à decomposição da variância dos erros da área plantada do melão no Ceará e Rio grande do Norte, após o quarto período, cerca de 94% é explicada pela quantidade produzida de melão nesses estados, 4%, aproximadamente, pelo seu próprio valor, e, menos de 2% pelo valor do PIB agrícola nordestino.

5. Conclusão

Este artigo analisou o impacto das variações na quantidade produzida e na área plantada do melão nos estados do Ceará e Rio Grande do Norte sobre o PIB agrícola do Nordeste, por meio da utilização do VAR para o período de 1998 a 2016. Os resultados confirmaram a hipótese levantada, de que a área plantada e, principalmente, a quantidade produzida de melão, nesses dois estados, apresentam efeitos positivos sobre o PIB agrícola do Nordeste.

Apesar do resultado do teste de causalidade de Granger apontar que tanto a quantidade produzida quanto área plantada possuem influência na determinação do PIB agrícola do Nordeste, na análise da função de resposta ao impulso, apenas a quantidade produzida de melão nos dois estados apresentava efeitos sobre o PIB agrícola do Nordeste, enquanto que o efeito da área plantada era nulo.

A análise da decomposição da variância sugere que o maior percentual da variação no PIB agropecuário do Nordeste é explicado por ele mesmo e em cerca de 30% pela quantidade produzida de melão no Ceará e Rio Grande do Norte.

Sendo assim, pode-se concluir a importância econômica que produção de melão possui sobre a região Nordeste, dada a efetiva geração de riquezas para a região, que é ampliada pela boa inserção da produção nos mercados nacionais e internacionais.

Os resultados obtidos neste estudo poderão servir de justificativa para a continuação e ampliação de políticas de incentivo a atividade, bem como a outras atividades que também possuam potencial de contribuir para a geração de riquezas e, consequentemente, para o desenvolvimento da região.

Referências

ALVES, L. R. A.; BACCHI, M. R. P. Oferta de exportação de açúcar do Brasil. Revista de Economia e Sociologia Rural, v. 42, n. 1, p. 9-33, 2004.

ANDRIGUETO, J. R.; KOSOSKI, A. R. Desenvolvimento e conquistas da produção integrada de frutas no Brasil. In: SIMPÓSIO NACIONAL DO MORANGO, 2., 2004, Pelotas. Anais eletrônicos... Pelotas: Embrapa Clima Temperado, 2004.

ARAÚJO, V. F. S.; CAMPOS, D. F. A cadeia logística do melão produzido no Agropolo Fruticultor Mossoró/Açu. Revista Econômica do Nordeste, Fortaleza, v. 42, n. 3, p. 505-529, 2011.

BARROS, G.S. de C. Formação de preços no setor de frango de corte no Brasil. Relatório de Pesquisa. Escola Superior de Agricultura Luiz de Queiroz/USP. 1994.

BARROS, G.S. de C.; BITTENCOURT, M.V.L. Formação de preços sob oligopsônio: o mercado de frango em São Paulo. Revista Brasileira de Economia, Rio de Janeiro, v. 51, n. 2, p. 181-199, 1997.

BRAGA SOBRINHO, R. et al. Produção Integrada de melão. Fortaleza: Embrapa Agroindústria Tropical, 2008.

BUAINAIN, A. M. et al. Agricultura familiar e inovação no Brasil: características, desafios e obstáculos. Campinas, SP, Editora Unicamp, 2007, 238p.

BUENO, R. L. S. (2011), Econometria de Séries Temporais, 2. ed. Cengage Learning. CARVALHO, J. M.; MIRANDA, D. L. As exportações brasileiras de frutas: um panorama atual. Universidade de Brasília, Brasília – DF, 2009.

CELIN, E. F. et al. Agronegócio brasileiro do melão na última década. 2014. In:

CONGRESSO BRASILEIRO DE OLERICULTURA, 53., Palmas. Anais eletrônicos... Palmas: Horticultura Brasileira, 2014.

COSTA, N. D. (Ed.) A cultura do melão no semiárido. 2. ed. Brasilia, DF: Embrapa Informação Tecnológica, 2008.

ENDERS, W. Applied Econometric Times Series. 3. ed. John Wiley and Sons, 2010. FARIAS, H. P. Função resposta a impulso e decomposição da variância do erro de previsão aplicados às principais bolsas de valores. 2008. Dissertação (Mestrado em Estatística e

Experimentação agropecuária) - Programa de Pós-Graduação em Estatística e Experimentação Agropecuária, Universidade Federal de Lavras, Minas Gerais, 2008.

FORMIGA JÚNIOR, I. M.; CÂNDIDO, G. A.; AMARAL, V. S. Sustentabilidade do cultivo de melão no assentamento São Romão em Mossoró/RN: determinação dos pontos críticos. Revista de Economia Agrária, v. 9, n. 19, p. 57-87, 2014.

GUJARATI, D. N.; PORTER, D. C. Econometria básica. 5. ed. Porto Alegre: AMGH, 2011. IBGE. Produção agrícola municipal: culturas temporárias e permanentes. 2018. Disponível em: <https://sidra.ibge.gov.br/pesquisa/pam/tabelas>. Acesso em 18 de set. 2017.

JUSTO, W. R.; LIMA, R. C. Relações de curto e longo prazo entre as economias dos estados: Bahia, Pernambuco e Ceará: 1970-2000. Economia e Desenvolvimento, n. 19, 2007.

MAYORGA, R. O. et al. Análise de transmissão de preços do mercado atacadista de melão do Brasil. Revista de Economia e Sociologia Rural, v. 45, n. 3, p. 675-704, 2007.

MELO, A. F. et al. Cointegração e Transmissão de Preços na Avicultura em Pernambuco: Milho, Soja e Preço da Carne de Frango. Informe Gepec, v. 20, n. 1, 2016.

MIGUEL, A. A. et al. Comportamento produtivo e características pós-colheita de híbridos comerciais de melão amarelo, cultivados nas condições do litoral do Ceará. Ciência e Agrotecnologia, v. 32, n. 3, p.756-761, 2008.

MOTA, J. C. A. et al. Armazenagem de água e produtividade de meloeiro irrigado por gotejamento, com a superfície do solo coberta e desnuda. Revista Brasileira de Ciência do Solo, v. 34, n. 5, p.1721-1731, 2010.

NASCIMENTO, E. F.; JUSTO, W. R.; ALVES, D. F. Impactos das culturas agropecuárias da região centro-oeste: uma abordagem espacial. In: CONGRESSO DA SOCIEDADE

BRASILEIRA DE ECONOMIA ADMINISTRAÇÃO E SOCIOLOGIA RURAL, 55., 2017, Santa Maria/RS. Anais da 55º Congresso da Sociedade Brasileira de Economia

Administração e Sociologia Rural - SOBER, Santa Maria: SOBER, 2017.

NAVARRO, Z.; PEDROSO, M. T. M. Agricultura familiar: é preciso mudar para avançar. Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA), Brasília – DF, 2011.

OLIVEIRA, F. I. C. et al. Sistema de produção de melão no polo agrícola Jaguaribe-Açu. In: FIRGUEIREDO, M. C. B.; GONDIM, R. S.; ARAGÃO, F. A. S. (Org.). Produção de melão e mudanças climáticas: sistemas conservacionistas de cultivo para redução das pegadas de carbono e hídrica. 1. ed. Brasília, DF: Embrapa, 2017. p. 45-76

SANTOS, J. R. P.; SANTOS, J. M. Estudo da Competitividade das Exportações de Melão nos Estados de Ceará e Rio Grande do Norte (1997 - 2014). In: CONGRESSO DA SOCIEDADE BRASILEIRA DE ECONOMIA, ADMINISTRAÇÃO E SOCIOLOGIA RURAL (SOBER), 53., 2015. Anais eletrônicos: Agropecuária, Meio Ambiente e Desenvolvimento. 2015. SANTOS, J. L. S.; SOUZA, E. P. Competitividade das exportações brasileiras de melão. Revista de Política Agrícola, v. 26, n. 3, p. 31-43, 2017.

SOUZA, S. F. et al. Mecanismo de transmissão de preços: uma análise sobre as exportações brasileiras de melão. Economia Aplicada, v. 21, n. 1, p. 95, 2017.

SILVA, F. M.; MACHADO, T. A. Transmissão de preços da soja entre o Brasil e os estados unidos no período de 1997 a 2007. Economia e Desenvolvimento, n. 21, 2009.

VIANA, S. S. V. et al. Competitividade do agronegócio cearense no mercado internacional: o caso da amêndoa da castanha de caju e melão. Revista Economia e Desenvolvimento, v. 3, n. 1, 2004.

MARTINELLI, O.; CAMARGO, J. M. Cadeias produtivas globais: as atividades de produção e comercialização de frutas frescas de origem tropical. São Paulo: UNESP, 2000.