Braz. J. of Develop., Curitiba, v. 5, n. 10, p. 20677-206701, sep. 2019 ISSN 2525-8761
Avaliação do efeito espacial na produção do milho no sertão sergipano
Spatial Effect Assessment on Maize Production in the Sergipe’s
Backwoods
DOI:10.34117/bjdv5n10-250
Recebimento dos originais: 12/09/2019 Aceitação para publicação: 20/10/2019
Damaris Santos da Silva
Graduada em Ciências Econômicas pela Universidade Federal de Sergipe Instituição: Universidade Federal de Sergipe
Endereço: Av. Marechal Rondon, s/n, Jd. Rosa Elze, São Cristóvão – SE, Brasil E-mail: [email protected]
Fábio Rodrigues de Moura Doutor em Economia pela ESALQ/USP
Instituição: Professor do Departamento de Economia da Universidade Federal de Sergipe Endereço: Av. Marechal Rondon, s/n, Jd. Rosa Elze, São Cristóvão – SE, Brasil
E-mail: [email protected] Marcos Aurélio Santos da Silva
Doutor em Computação pela Universidade Toulouse 1 Capitole, França Instituição: pesquisador da Embrapa Tabuleiros Costeiros Endereço: Av. Beira Mar, 3250 - Jardins, Aracaju – SE, Brasil
E-mail: [email protected] Ana Alexandrina Gama da Silva
Doutora em Irrigação e Drenagem pela Universidade Estadual Paulista Instituição: pesquisadora da Embrapa Tabuleiros Costeiros Endereço: Av. Beira Mar, 3250 - Jardins, Aracaju – SE, Brasil
E-mail: [email protected]
RESUMO
O presente estudo verifica a formação de processos de influência espacial no Território Rural do Sertão Ocidental (TRSO) sergipano gerados pela produção do milho, por meio de uma análise econométrica espacial para dados em painel entre 1999 e 2015. A estratégia de pesquisa consiste na investigação de transbordamentos espaciais mediante a estimação do efeito de fatores de influência (precipitação pluviométrica, crédito agrícola de custeio e investimento, tipo solo) sobre a produtividade do grão, incluindo-se o efeito do Zoneamento Agrícola de Risco Climático (ZARC), uma política agrícola executada pela Embrapa. Os resultados apontam o SAR como modelo espacial de melhor ajuste, revelando que a produtividade do milho é impactada positivamente pela precipitação pluviométrica, pelo crédito agrícola de custeio e pela política agrícola ZARC; no entanto, tal política exerceu um efeito superior na produtividade do milho no TRSO em comparação aos municípios vizinhos.
Palavras-chave: Território Rural do Sertão Ocidental Sergipano; Milho; Econometria Espacial; Zoneamento Agrícola de Risco Climático.
Braz. J. of Develop., Curitiba, v. 5, n. 10, p. 20677-206701, sep. 2019 ISSN 2525-8761
ABSTRACT
This study evaluates the spatial influences on corn production in the Rural Territory of Sergipe's Western Backwoods (RTWB), using a spatial econometric analysis for panel data between 1999 and 2015. The research strategy consists of investigating the spatial spillovers in the area by estimating the effect of influence factors (rainfall, rural credit, soil type) on corn yield, including the effect of the ZARC (Agricultural Zoning of Climate Risk), an agricultural policy executed by Embrapa. The results indicate the SAR as the best fit for the spatial model, revealing that corn productivity is positively impacted by rainfall, rural credit, and the ZARC; however, the ZARC policy has a large effect on corn productivity in the TRSO compared to neighboring municipalities.
Keywords: Rural Territory of Sergipe's Western Backwoods; Corn; Spatial Econometrics; Agricultural Zoning of Climate Risk.
1. INTRODUÇÃO
O Programa Nacional de Desenvolvimento Sustentável dos Territórios Rurais (PRONAT) e o Programa Territórios da Cidadania (PTC), do Governo Federal, criaram uma nova unidade de gestão espacial, os Territórios Rurais. O PRONAT/PTC visa o desenvolvimento regional sustentável a partir da participação popular nas decisões e planejamentos locais e integrando as diversas políticas do Governo Federal às iniciativas nas escalas estaduais e municipais. Cada Território Rural une municípios semelhantes nos âmbitos econômico, social e ambiental, a fim de simplificar ações para o desenvolvimento dessas regiões, intervindo em campos econômicos (infraestrutura, acesso ao crédito rural, assistência técnica) e social (saúde e educação) com a finalidade de elevar seu IDH, reduzir o êxodo rural e desigualdades regionais (BRASIL, 2009).
O Território Rural Sertão Ocidental (TRSO) de Sergipe, inicialmente composto por 11 municípios, atualmente é formado por 19 municípios, a saber: Lagarto, Poço Verde, Riachão do Dantas, Simão Dias, Tobias Barreto, Carira, Frei Paulo, Nossa Senhora Aparecida, Pedra Mole, Pinhão, Ribeirópolis, São Miguel do Aleixo, Areia Branca, Campo do Brito, Itabaiana, Macambira, Malhador, Moita Bonita e São Domingos. Esses municípios compreendem regiões do Agreste e Centro-Sul sergipanos, abrangendo uma área de 6.683,80 km². A principal atividade econômica na região é a produção de milho, que atende aos mercados agroindustriais da região Nordeste, principalmente Bahia e Sergipe.
Até a década passada, o milho em Sergipe atuava como cultura de subsistência, consorciado a outras culturas, com baixa tecnificação. No entanto, se observa um processo de modernização, expansão e concentração da produção no oeste sergipano, conferindo-lhe aspectos de monocultivo, ganhando corpo como uma atividade para o agronegócio (SANTOS,
Braz. J. of Develop., Curitiba, v. 5, n. 10, p. 20677-206701, sep. 2019 ISSN 2525-8761 2012), em especial para os municípios de Simão Dias, Carira e Frei Paulo, historicamente os maiores produtores do estado (IBGE, 2018a).
Com o desenvolvimento de tecnologia agrícola, como o híbrido para o milho, e o reconhecimento do agreste e sertão como áreas promissoras à sua produção, a Embrapa passou a realizar testes acerca da adaptabilidade de cultivares em municípios do Sertão Ocidental, contribuindo para a construção de uma praxe, a produção do grão no TRSO (CARVALHO et al., 2005a; 2005b),incorporando dessa forma um novo perfil ao sistema de produção do milho, intensificando a mecanização, o uso de insumos químicos e biotecnológicos (BARROS et al., 2012).
Para a safra 2018/2019, o Observatório Agrícola da Conab (CONAB, 2018) avalia que Sergipe deve alcançar a maior produtividade para o milho em todo o Nordeste, ocupando cerca de 160 mil hectares em área plantada, destacando-se entre as microrregiões.
O avanço da cultura no estado, especialmente no sertão ocidental de Sergipe, revela que o espaço agrícola sergipano tem sido remodelado devido às novas áreas ocupadas com o milho (ARAÚJO et al., 2016; IBGE, 2018a; SANTOS, 2012), em que parte da área cultivada com culturas tradicionais como fava, mandioca e feijão foram carreadas ao grão (CUENCA; DOMPIERI; SANTOS, 2016).A cultura do milho tem tomado nova dinâmica social, econômica e espacial, tendendo a concentrar-se no oeste do estado.
Logo, faz-se necessário compreender o comportamento da produção do milho no TRSO e seus reflexos no espaço, a fim de identificaras externalidades geradas a partir dessa importante cultura do meio agrícola. No entanto, ainda se acham hiatos entre a análise de atividades produtivas e sua geoespacialização. Os efeitos da produção de determinado bem não respeitam fronteiras preestabelecidas, mas repercute em sua vizinhança, promovendo a formação de dependência espacial. Desta forma, o uso da análise econométrica espacial é particularmente importante, visto que o método inclui os processos espaciais, como a autocorrelação e a heterogeneidade espaciais, à modelagem econométrica (ALMEIDA, 2012). O presente trabalho busca verificar a formação de processos de influência espacial no Território Rural Sertão Ocidental sergipano gerados pela produção do milho, e seu transbordamento espacial nos municípios vizinhos. A estratégia empírica consiste no uso da análise econométrica espacial para dados em painel entre 1999 e 2015, assumindo como variável resposta a produtividade do milho e como covariáveis fatores como clima, crédito rural, solo e tecnologia.
Braz. J. of Develop., Curitiba, v. 5, n. 10, p. 20677-206701, sep. 2019 ISSN 2525-8761 O aspecto tecnológico será interpretado a partir da análise do efeito de uma política pública agrícola, o Zoneamento Agrícola de Risco Climático (ZARC), avaliando se essa política atua de forma diferenciada no TRSO.
2. HIPÓTESE DE PESQUISA
Como alude a 1ª Lei da Geografia (TOBLER, 1970), todas as informações se relacionam, mas aquelas mais próximas se relacionam mais que as distantes. Anexa à teoria marshalliana dos Distritos Industriais são discutidas as vantagens da aglomeração, cujo aglomerado de empresas que desempenham funções semelhantes e que se localizam geograficamente próximas se beneficiam das economias externas, existindo aí duas externalidades: uma pecuniária e outra tecnológica. Como visto em Krugman (1998), as pecuniárias dizem respeito à presença de fornecedores e mão de obra eficientes, já a tecnológica recaí sobre o transbordamento de informações e conhecimento interfirmas dada a sua contiguidade, de forma que a proximidade territorial favorece a propagação desses fatores. Trazendo o contexto dos aglomerados de sistemas produtivos locais e entendendo a produção do milho como uma economia de aglomeração (atividade atrativa e dinâmica), levanta-se, por hipótese, que a difusão da informação acerca de sistemas de produção adequados e calendário de plantio, por meio do Zoneamento Agrícola de Risco Climático (ZARC), tenha promovido a formação de transbordamentos espaciais para a produção de milho considerando o conjunto de municípios tomado e que este tenha induzido a um novo padrão de acumulação na produção de milho.
Com primeira publicação no D.O.U. no ano de 2004 para Sergipe, o ZARC começou a ser difundido no estado, criando um processo de conscientização tecnológica referente à cultura do milho. Em razão da incerteza dos agentes acerca da política pública e da tecnologia associada à mesma, a Embrapa Tabuleiros Costeiros passou a realizar cursos e palestras a produtores de milho no TRSO a fim de capacitar, orientar e conscientizá-los sobre os sistemas de produções adequados para cada microrregião, escolhas de cultivares ou híbridos, época de plantio com menor risco climático. Em 2008, todos os municípios do estado de Sergipe estavam zoneados para a cultura do milho, o que retratou o amadurecimento da política pública entre os agentes que agora passavam a demandar ativamente o zoneamento para o seu município.
Considerando-se o elo construído pela proximidade geográfica, como descreve a 1ª Lei da Geografia, na produção de milho, sendo essa uma atividade comum ao aglomerado de
Braz. J. of Develop., Curitiba, v. 5, n. 10, p. 20677-206701, sep. 2019 ISSN 2525-8761 municípios referidos no trabalho, em analogia à teoria marshalliana dos Distritos Industriais, supõe-se a produção de externalidade tecnológica, como visto em Krugman (1998), por efeito de um transbordamento de informação, propagação do conhecimento e mudança de comportamento entre os produtores de milho por influência do ZARC. Esse comportamento está fortemente associado ao uso das cultivares indicadas, assim como dos seus respectivos sistemas de produção.
3. EVIDÊNCIA EMPÍRICA
Empregando dados espacializados para a área plantada do milho em Sergipe entre 2003 e 2012, Galina et al. (2014) mostraram que o cultivo do grão se aglomera no Sertão Ocidental e Alto Sertão sergipanos. De semelhante maneira, Nogueira Junior, Amorim e Dompieri (2016) destacam a expansão da sua plantada, área colhida, produção e produtividade nos municípios do Agreste sergipano. Esses estudos refletem uma mudança na conjuntura agrícola sergipana e uma transformação da planta espacial agrícola do TRSO, que tem sofrido alterações, dado o caráter dinâmico inerente ao espaço, no qual o TRSO tem recebido e emitido influências por transbordamento espacial da produção do milho.
Aderindo aos métodos para análise de autocorrelação e econometria espaciais, Seffrin, Araújo e Bazzi (2018) investigaram a produtividade do milho por meio da Análise Exploratória de Dados Espaciais (AEDE) para os anos-safra 2011/2012, 2012/2013 e 2013/2014 no estado do Paraná, constatando a presença de autocorrelação espacial para todos os anos por meio do índice global de Moran e padrões locais de associação espacial (LISA), cujo modelo de regressão espacial autoregressivo (SAR) apresentou-se adequado a todos os anos. No estudo, os regressores temperatura média, precipitação e altitude revelaram correlação espacial significativa com a produtividade do milho em todos os anos e envolvendo todos os critérios.
4. METODOLOGIA DE PESQUISA
4.1 ÁREA DE ESTUDO: TERRITÓRIO RURAL SERTÃO OCIDENTAL
O Território Rural Sertão Ocidental (TRSO) foi homologado na Secretaria de Desenvolvimento Territorial do Ministério do Desenvolvimento Agrário em setembro de 2003 e contava com 11 municípios, todos com destaque na produção de grãos (MDA, 2016). Em 2004 se foi publicada primeira portaria do ZARC para o milho pelo MAPA para o TRSO. Ou seja, as duas políticas públicas, TRSO e ZARC, são aplicadas aos municípios da região no
Braz. J. of Develop., Curitiba, v. 5, n. 10, p. 20677-206701, sep. 2019 ISSN 2525-8761 mesmo momento histórico. Em 2008, com a criação do PTC e a incorporação do TRSO ao programa, mais 8 municípios foram incluídos.
Lopes, Delgado e Grisa (2013) destacam que o PRONAT impactou positivamente na capacidade de concertação dos atores sociais, principalmente aqueles ligados a produção do milho. Ainda segundo os autores, o aumento no número de municípios a partir de 2008 dificultou a negociação entre os municípios em função das suas diferenças socioeconômicas. No entanto, o PTC atraiu novos atores ao TRSO, como a Embrapa que desenvolveu pesquisas na região na área de conservação do solo.
É importante destacar que desde 2004 o MAPA, em parceria com a Embrapa, Banco do Nordeste, prefeituras locais e produtores de milho, atuou com diversas iniciativas (reuniões, dias de campo, palestras, unidades demonstrativas) tanto para difundir sistemas de produção de milho mais eficientes, como para comunicar aos produtores sobre a nova política pública de suporte ao financiamento agrícola, o ZARC. Apesar de serem executadas concomitantemente, as ações do ZARC não estavam inseridas no contexto de concertação dos municípios no Colegiado de Desenvolvimento Territorial (CODETER) do TRSO.
Segundo dados publicados pelo Censo 2010 (IBGE, 2019), o Território Rural Sertão Ocidental sergipano conta com uma população de 455.467 habitantes, sendo 42,4% residentes do meio rural e 57,6% residentes do meio urbano. Os maiores contingentes populacionais se encontram nos municípios de Lagarto, Itabaiana, Tobias Barreto, Simão Dias, Poço Verde e Carira, em que exceto esses, as demais municipalidades não superam os 20 mil habitantes.
Dentre as atividades agrícolas desenvolvidas no TRSO, estão entre as principais, além da cultura do milho, o feijão e a mandioca, tomando destaque os municípios de Carira, Frei Paulo, Lagarto, Poço Verde e Simão Dias, visto que os tais assumem os maiores volumes em área plantada e geram os maiores valores da produção entre todos os municípios do TRSO. O município de Lagarto ganha evidência dada a diversidade da sua pauta agrícola, estendendo a produção a culturas como amendoim, banana, fumo, laranja e maracujá (IBGE, 2018a). No entanto, é a produção do milho que assume o maior peso sobre a produção agrícola do TRSO. Para além do TRSO foram incluídos ao estudo municípios adjacentes (até o 2º vizinho), a fim de que se avalie a presença de transbordamentos espaciais e o comportamento da variável ZARC sobre o TRSO e municípios contíguos a ele (Figura 1).
Braz. J. of Develop., Curitiba, v. 5, n. 10, p. 20677-206701, sep. 2019 ISSN 2525-8761 Figura 1: Localização dos municípios do TRSO e da área total de estudo, que inclui os municípios vizinhos
(2ª ordem) ao TRSO
Fonte: IBGE/Bases Cartográficas (2018c). Elaborado pelos autores.
Os dados do censo agropecuário de 2017 apontam que os municípios do TRSO conglomeram mais de 41% dos estabelecimentos agropecuários sergipanos, totalizando 462.797 hectares (IBGE, 2018b). Sua aptidão à agricultura se reflete na absorção percentual do capital fixo agrícola em relação ao estado de Sergipe: cerca de 40% dos tratores, 58% das semeadeiras/plantadeiras, 50% das colheitadeiras e 50% das adubadeiras e/ou distribuidoras de calcário são absorvidas pelo TRSO. O território contribui ainda com quase 76% da área plantada e mais de 77% da produção do milho em Sergipe (IBGE, 2018b).
4.2 ECONOMETRIA ESPACIAL
Fenômenos espaciais implicam em eventos de influência, ou seja, é possível que um processo de heterogeneidade espacial construa atributos de dependência espacial, e por seu turno, processos de dependência espacial promovem heterogeneidade espacial. Tais efeitos comprometem a construção de modelos econométricos espaciais adequados, de forma que a
Braz. J. of Develop., Curitiba, v. 5, n. 10, p. 20677-206701, sep. 2019 ISSN 2525-8761 Análise Exploratória de Dados Espaciais (AEDE) presta assistência à especificação desses modelos, sendo este tipo de análise um pré-requisito à modelagem econométrica espacial (ALMEIDA, 2012).
A econometria espacial é um desdobramento da econometria clássica ou tradicional, visto que a incorporação do espaço às análises econométricas pode gerar resultados que apresentam dependência e heterogeneidade espaciais, ferindo os pressupostos do Modelo Clássico de Regressão Linear, tornando-o inconsistente (ALMEIDA, 2012; LESAGE, 1999). Logo, sua função é medir efeitos espaciais por meio de dados geoespaciais, cujas observações se conectem a objetos espaciais como regiões, áreas, zonas, etc. (ALMEIDA, 2012). Ou seja, o método pressupõe que os objetos espaciais, como municípios, recebem influência dos objetos vizinhos, de forma que esses não são autônomos, mas se inter-relacionam, sendo influenciados por fatores internos e externos ao objeto espacial em questão.
Para a estimação dos efeitos das covariáveis sobre a produtividade do milho, considerando-se o conjunto de municípios definido, optou-se por utilizar um design em painel, considerando-se o período de 1999 a 2015 para os 70 municípios da amostra. Um painel de dados espaciais considera em sua amostra regiões observadas em vários períodos no tempo. Sua estrutura permite acomodar a heterogeneidade espacial não observável que incide sobre os parâmetros, em especial sobre o intercepto, que pode variar entre as regiões em função de variáveis não observadas omitidas, de forma que a heterogeneidade também pode ser manifestada no erro espacial (ALMEIDA, 2012).
Por incluir a dimensão temporal e o corte transversal, a estrutura em painel eleva a eficiência do estimador, ampliando os graus de liberdade, fornecendo maior informação sobre o fenômeno. Sua maior variação nas variáveis e redução da colinearidade traz robustez ao modelo, reduzindo influências adversas sobre os estimadores em função de variáveis relevantes omitidas, mas constantes no tempo (ALMEIDA, 2012).
No entanto, existem limitações. Os dados em painel aumentam os riscos de amostras incompletas, podendo incluir erros pela escolha incorreta dos dados (MARQUES, 2000).
Um painel de dados pode, em geral, ser modelado sob o pressuposto dos efeitos fixo ou aleatório, para, respectivamente: 1º) a heterogeneidade não observável que afeta o intercepto; 2º) a heterogeneidade não observável que afeta o erro (ALMEIDA, 2012).
Para o presente estudo, o modelo definido será estimado em pooling, via efeitos fixos e via efeitos aleatórios. Será estimado também o modelo em painel com efeitos aleatórios sem a especificação espacial, a fim de que se observe o peso do espaço sobre as variáveis.
Braz. J. of Develop., Curitiba, v. 5, n. 10, p. 20677-206701, sep. 2019 ISSN 2525-8761 4.2.1 Modelo Espacial de Efeitos Fixos (EF)
O modelo para efeito fixo espacial com dependência espacial para dados empilhados é definido como:
yit = αi + q Wyit + Xitþ + WXitv + £it (1a) £it = h W£it + st, (1b)
Onde i é um índice das observações (municípios), com i=1,...,N e t é um índice da dimensão espacial, com t=1,...,T.αi é um vetor de interceptos não observados específico às unidades e constante no tempo para efeito fixo; W1yté a defasagem espacial para a variável dependente; W1Xi é a variável explicativa exógena espacialmente defasada; W£it é o termo de erro espacialmente defasado; W é a matriz de ponderação espacial; q e h são parâmetros espaciais escalares e v um vetor de coeficientes espaciais (ALMEIDA, 2012).
4.2.2 Modelo Espacial de Efeitos Aleatórios
Este modelo considera efeitos não observados e constantes no tempo específico à região, cujos elementos não observados são absorvidos pelo erro aleatório. O modelo para efeito aleatório espacial com dependência espacial para dados empilhados é definido como:
yit = q Wyit + Xitþ + WXit v + £it (2a) £it = h W£t + sit + αi, (2b)
Onde α é um componente do erro aleatório que varia entre as regiões mas permanece constante no tempo;Wyité a defasagem espacial para a variável dependente; WXit é a variável explicativa exógena espacialmente defasada; W£it é o termo de erro espacialmente defasado; W é a matriz de ponderação espacial; q e h são parâmetros espaciais escalares e v um vetor de coeficientes espaciais (ALMEIDA, 2012).
4.2.3 Modelo de Dependência Espacial com Transbordamento Global
Para modelos econométricos espaciais de alcance global, a dependência espacial leva ao transbordamento da variável dependente sobre as demais áreas consideradas em estudo por influência do multiplicador espacial (CHASCO, 2003), ou seja, choques sobre a variável dependente repercutem às demais áreas por meio do seu multiplicador espacial.
São exemplos de modelos espaciais globais:
Braz. J. of Develop., Curitiba, v. 5, n. 10, p. 20677-206701, sep. 2019 ISSN 2525-8761 Para esse modelo, a variável dependente de (y) regiões vizinhas interagem, de forma que um alto (baixo) valor da variável dependente na região j (yj) reflete num aumento (diminuição) da variável dependente na região i (yi). O modelo é expresso por:
y = qWy + Xþ + s (3a) s~N(0, o2In) (3b)
Onde y é um vetor nx1 de variáveis dependentes; ρ é o coeficiente de defasagem autorregressivo que mede a influência média da variável dependente dos vizinhos Wy sobre a variável depende de interesse y; Wy é o vetor nx1 representando a variável dependente defasada pela matriz de peso espacial; X é matriz de variáveis explicativas exógenas e ε o termo de erro(ALMEIDA, 2012).
SEM – Spatial Error Models
Aqui busca-se captar parte da dependência espacial presentes no erro aleatório entre regiões vizinhas, isto é, a interação entre o termo de erro da unidade geográfica i e o termo de erro da sua vizinhança (ALMEIDA, 2012). O modelo SEM pode ser apresentado como:
y = Xþ + hW£ + s (4a) s~N(0, o2In) (4b)
Onde λ é o parâmetro espacial autorregressivo, cuja defasagem Wξ revela os choques sobre a variável dependente provenientes do erro das regiões mais conectadas ou menos conectadas a matriz W, no qual o parâmetro λ mede a dependência espacial no erro, que tende a se dissipar a medida que se distancia do epicentro (λ<1). Ou seja, a influência espacial do modelo provém de variáveis que foram omitidas, refletindo numa maior significância no parâmetro autorregressivo λ.
SAC – Spatial Mixed Regressive Auto-Regressive Complete
Neste modelo o processo de dependência espacial apresenta-se sobre a variável resposta, como também sobre o erro.
y = qW1y + Xþ + hW2£ + s (5a) s~N(0, o2In) (5b)
A variável dependente e o termo de erro de unidades geográficas vizinhas comunicam- se, de forma que as restrições sobre os parâmetros autorregressivos evitam instabilidades, isto é, |ρ|<1 e |λ|<1 (ALMEIDA, 2012).
Braz. J. of Develop., Curitiba, v. 5, n. 10, p. 20677-206701, sep. 2019 ISSN 2525-8761 De forma sintética, os coeficientes de defasagem espacial assumirão as características apresentadas no quadro 1 para seu respectivo modelo:
Quadro 1: Característica assumida pelo coeficiente de defasagem espacial
Modelo Coeficiente de defasagem
ρ: var. dependente λ: erro
SAR ρ≠0 λ=0
SEM ρ=0 λ≠0
SAC ρ≠0 λ≠0
Fonte: Elaborado pelos autores.
4.3 VARIÁVEIS DE ESTUDO
Para aferir a presença de transbordamentos espaciais gerados pela produção do milho na área considerada em análise, o presente trabalho propõe como covariáveis que afetam a produtividade do milho as variáveis precipitação pluviométrica, crédito rural (investimento e custeio), tecnologia (ZARC), solo, a região TRSO, e uma interação entre a tecnologia (ZARC) e o TRSO.
4.3.1 Precipitação Pluviométrica
Sentelhas e Monteiro (2009) destacam que a atividade agrícola possui elevado grau de dependência aos fatores climáticos, estreitamente ligados à produção vegetal e às demais atividades do campo, cuja safra pode ser ampliada ou frustrada. Hoongenboom (2000) alega que o clima impacta significativamente o crescimento e desenvolvimento das culturas, em que as variáveis agrometeorológicas são fundamentais à construção de modelos de simulação de cultivos, cujos resultados apoiam a tomada de decisão na gestão da atividade agrícola.
Para o milho, Bergamaschi e Matzenauer (2009) alegaram que o estresse hídrico pode reduzir em grande medida o rendimento do grão, sendo esta uma das culturas que carrega maior sensibilidade ao déficit hídrico e à variabilidade pluviométrica.
Visto que a produção de milho em Sergipe opera sob regime de sequeiro, o déficit hídrico torna-se fator de íntima influência sobre a produtividade do grão. Desta forma, para o trabalho em questão, foi selecionada a variável climática precipitação pluviométrica, traduzida à forma cotidiana como chuva, que apesar de não participar dos processos metabólicos da planta, influi sobre o crescimento e desenvolvimento da cultura (HOOGENBOOM, 2000).
Braz. J. of Develop., Curitiba, v. 5, n. 10, p. 20677-206701, sep. 2019 ISSN 2525-8761 Para o estudo, considerou-se apenas a quadra chuvosa da região, ou seja, o período entre março e junho. Os dados são provenientes do Instituto Nacional de Meteorologia (INMET), Agência Nacional de Águas (ANA) e Departamento de Águas e Energia Elétrica (DAEE).
A variável climática foi calculada pelo método de Thiessen (1911) a fim de que o dado fosse encontrado a nível municipal, considerando o volume da precipitação para a quadra chuvosa (março-junho).
4.3.2 Tecnologia: zoneamento agrícola de risco climático
Nascido como Zoneamento Agroclimático em 1995 a partir de estudos desenvolvidos pela Embrapa Arroz e Feijão, que mensuravam o balanço hídrico voltado à rizicultura, o Zoneamento Agrícola de Risco Climático tomou forma como importante propulsor de políticas públicas ao meio agro (STEINMETZ; SILVA, 2017).
Operacionalizado oficialmente a partir da safra de 1996, o Zoneamento Agrícola de Risco Climático atua como política agrícola para gestão e minimização de riscos da atividade agropecuária, articulado pela Secretaria da Comissão Especial de Recursos - Programa de Garantia da Atividade Agropecuária (CER/PROAGRO) (CUNHA; ASSAD, 2001). Instrumento sob encargo do MAPA, o ZARC segue uma metodologia com informações das propriedades pedológicas, climatológicas e fenológicas da cultura zoneada, somadas a metodologias estatísticas, a fim de que se mensure o risco de frustração da safra em função de fenômenos climáticos adversos (MITIDIERI; MEDEIROS, 2008).
A partir de diagnósticos térmicos e hídricos, compreendendo intervalos decenais, são apontados no zoneamento o período de plantio e os municípios aptos ao cultivo. Para o cálculo do balanço hídrico considera-se a precipitação pluviométrica e temperatura, evapotranspiração potencial, coeficiente de cultura, reserva útil de água no solo, ciclo e fase fenológica da cultura. Admite-se no cálculo do balanço hídrico o Índice de Satisfação de Necessidade de Água – ISNA, razão entre a evapotranspiração real e evapotranspiração máxima - ETr/ETm (DOU, 2018).
Dado que o sistema de sequeiro está sujeito à variabilidade temporal e espacial da chuva, uma estratégia para maximizar o rendimento e minimizar o risco da produção é o uso de instrumentos de políticas agrícolas que auxiliam e fornecem informações aos agentes, a fim de garantir a viabilidade da produção, minorando possíveis rebatimentos de efeitos climáticos negativos sobre a produtividade da cultura.
Braz. J. of Develop., Curitiba, v. 5, n. 10, p. 20677-206701, sep. 2019 ISSN 2525-8761 Desta forma, para captar a participação e influência de políticas públicas para a produção agrícola, o Zoneamento Agrícola de Risco Climático (ZARC) foi tomado como a variável tecnologia, visto que suas informações são produto de modelagens para dados climáticos, fenológicos e edáficos, isto é, para clima, planta e solo. O método desenvolvido pela Embrapa e adotado pelo MAPA cria uma relação entre esses fatores e o meio socioeconômico, apontando culturas economicamente viáveis para fins de financiamento da produção, contribuindo para a organização do território e uso do solo, mensurando o risco de frustração da safra (WOLLMANN; GALVANI, 2013), indicando o que, onde e quando plantar (ASSAD et al., 2008b). Logo, os municípios selecionados para a presente pesquisa foram classificados como não zoneados e zoneados, recebendo o valor binário 0 ou 1, respectivamente. As informações sobre o zoneamento foram catalogadas nas Portarias do Diário Oficial da União (DOU) acerca do ZARC.
4.3.3 Crédito de investimento e custeio
Tais instrumentos de gestão orientados à climatologia, modelagem e análise espacial passaram a servir de subsídio a programas de financiamento da produção agrícola, permitindo economizar recursos financeiros, expandir a produtividade e o rendimento dos produtores (ASSAD et al., 2008b), de forma que as informações acerca da minimização do risco agrícola tornaram-se aspecto conexo à disponibilidade de crédito do setor financeiro ao financiamento dos projetos agrícolas.
Avaliando o efeito do crédito rural sobre variáveis econômicas para o agronegócio mediante ajustes de modelos de Função de Transferência, Gasques, Bacchi e Bastos (2017) concluíram que o aumento em 1% do crédito rural impacta em 0,40% o Valor Bruto da Produção (VBP); 0,19% o PIB do agronegócio; 0,18% o PIB da agropecuária e em 0,12% a Produtividade Total dos Fatores (PTF).
Os dados de crédito rural foram coletados no Anuário Estatístico do Crédito Rural e na Matriz de Dados do Crédito Rural, disponibilizados pelo Banco Central do Brasil (BCB). Foram selecionadas as finalidades de crédito de Investimento Agrícola e Custeio Agrícola, com valores deflacionados pelo Índice de Preço Agropecuário (IPA). Com base no número de contratos de custeio e investimento firmados em cada município, foram calculados o crédito real médio (por contrato) de custeio e investimento agrícola.
Braz. J. of Develop., Curitiba, v. 5, n. 10, p. 20677-206701, sep. 2019 ISSN 2525-8761 4.3.4 Solo
Para Lepsch (1987), o solo é fator fundamental ao desenvolvimento da planta, cedendo a esta estrutura física mediante um conjunto de propriedades e processos, permitindo a absorção de água e nutrientes à planta, cuja fertilidade do solo exerce influência direta sobre o rendimento, visto que as propriedades físicas de um solo bem estruturado retém e fornece nutrientes as culturas (RAIJ, 1983). Logo, foram selecionados os tipos de solo predominantes dos municípios que compõem a área em estudo, na qual a variável foi interpretada como uma dummy, sendo entendida como um fator qualitativo. Os dados para o solo foram publicados pelo Centro Nacional de Pesquisa de Solos e seguem classificação apresentada no Quadro 2.
Quadro 2: Classificação dos tipos de solo predominantes na área em estudo
Tipo Descrição
CX CambissoloHáplico
ES EspodossoloFerrocárbico
LA Latossolo Amarelo
PVA Argissolo Vermelho-Amarelo
RL NeossoloLitólico
RQ Neossolo Quartzarênico
SN Planossolo Nátrico
SX Planossolo Háplico
TC Luvissolo Crômico
Fonte: Embrapa Solos. Elaborado pelos autores. 4.3.5 O TRSO
Os municípios do TRSO constituem um grupo, e foram transformados em uma variável de controle, a fim de que se afira a existência de uma influência específica do grupo de municípios do TRSO sobre a produtividade, ceteris paribus.
O conjunto de covariáveis se encerra numa interação entre a tecnologia ZARC e o TRSO, com a finalidade de observar se a política do ZARC exerce maior impacto sobre o TRSO que sobre os vizinhos. O Quadro 3 descreve as variáveis, seus sinais esperados e respectivas fontes
Braz. J. of Develop., Curitiba, v. 5, n. 10, p. 20677-206701, sep. 2019 ISSN 2525-8761 Quadro 3: Variáveis adotadas na estimação do modelo econométrico espacial
Variável Descrição Sinal esperado Fonte
PM Produtividade do Milho PAM
QPreci Precipitação pluviométrica na quadra
chuvosa (março – junho) +
INMET, ANA,
DAEE CInvest agropecuário, deflacionado pelo IPA Crédito médio para investimento + BACEN
CCust Crédito médio para custeio agropecuário,
deflacionado pelo IPA + BACEN
ZARC Zoneamento Agrícola de Risco Climático. Se município zoneado – 1, se não – 0 + DOU Solo Tipo de solo predominante da área investigada (variável dummy) Indefinido Embrapa Solos
Grupo Municípios que compõem o TRSO + IBGE
ZARC_Grupo Interação entre a tecnologia e o TRSO + DOU/IBGE
Fonte: Elaborado pelos autores.
4.3.6 Elasticidades e transformação dos dados
Visto que existem valores zero de crédito rural para alguns municípios da amostra, não é possível aplicar o logaritmo para se encontrar a elasticidade-crédito da produtividade do milho. As elasticidades-resposta das covariáveis foram encontradas mediante transformação por seno hiperbólico inverso, que tem como suporte a reta real (incluindo zero). A transformação foi aplicada para todas as variáveis, exceto as dummies ZARC, Solo, Grupo, e a interação entre ZARC e Grupo.
5. RESULTADOS E DISCUSSÕES
5.1 ANÁLISE EXPLORATÓRIA
A produtividade média apresentou grande volatilidade em sua trajetória. Até 2007, o TRSO permanece com a sua produção abaixo das duas toneladas médias por hectare plantado; quanto aos municípios adjacentes a ele, estes não superam uma tonelada até 2005. Nota-se que, embora ambos apresentem uma produtividade modesta, via de regra o TRSO sempre manifesta uma margem que ultrapassa os vizinhos. A partir de 2008, o nível produtivo do TRSO ganha uma nova escala, passando de aproximadamente uma tonelada por hectare em 2007 a mais de duas toneladas e meia em 2008. Sua produtividade mais que dobra, atingindo seu pico em 2014 e 2017, produzindo cerca de quatro toneladas por hectare em média. Visto que a produção foi afetada pela estiagem em 2012 e 2016, tal fenômeno repercutiu sobre a produtividade, quebrando sua trajetória nesses anos (Figura 2).
Braz. J. of Develop., Curitiba, v. 5, n. 10, p. 20677-206701, sep. 2019 ISSN 2525-8761 Figura 2: Distribuição média da produtividade do milho (kg/ha) para o TRSO e municípios vizinhos entre 1974
e 2017
Fonte: IBGE (2018a). Elaborado pelos autores.
A produtividade espacializada, tomando como intervalo de análise o decênio 2008- 2017, aponta que entre 2008 e 2011 os municípios mais produtivos eram envolvidos pela margem oeste do TRSO, permanecendo espacialmente reunidos no centro da área geral investigada. A partir da estiagem verificada no ano de 2012 esse padrão se dissolve, verificando-se redução e dispersão dos municípios mais produtivos. Entre 2013 e 2015, os municípios considerados retomam sua aptidão produtiva, identificando-se uma difusão da produtividade sobre os demais municípios do TRSO, como também para municípios do Território Sul sergipano. Em 2016 a estiagem volta a interromper o ciclo produtivo, sendo retomado em 2017, apresentando a maior dimensão espacial para a produtividade em todo o intervalo temporal tomado, envolvendo em grande medida todo o Leste sergipano (Figura 3).
Braz. J. of Develop., Curitiba, v. 5, n. 10, p. 20677-206701, sep. 2019 ISSN 2525-8761 Figura 3: Espacialização da produtividade do milho para a área geral em estudo entre 2008 e 2017.
Fonte: IBGE (2018a). Elaborado pelos autores.
O índice de Moran calculado permite identificar processos de autocorrelação espacial. Anselin e Bera (1998) definem a autocorrelação espacial como uma interdependência entre valores e locais similares, onde a concentração de valores altos ou baixos manifestam autocorrelação positiva. De forma inversa, valores discrepantes indicam autocorrelação negativa. Isso significa dizer que na presença de autocorrelação positiva, a ocorrência de um fenômeno num local emitirá influência sobre semelhante fenômeno em local adjacente. No sentido inverso, para a autocorrelação negativa, a ocorrência de um fenômeno num local inibirá semelhante fenômeno em local adjacente, de sorte que tal análise precede a estatística econométrica espacial.
A estatística I de Moran é um coeficiente derivado da medida de autocovariância em produto cruzado. Se o valor encontrado superar o valor esperado de I tem-se autocorrelação espacial positiva, mas se o valor encontrado for inferior ao valor esperado de I tem-se autocorrelação espacial negativa (ALMEIDA, 2012).
O índice de Moran calculado para a produtividade englobando a série temporal estabelecida (1999-2015) mostrou-se positivo e significativo, indicando a existência de
Braz. J. of Develop., Curitiba, v. 5, n. 10, p. 20677-206701, sep. 2019 ISSN 2525-8761 autocorrelação espacial positiva, confirmando a presença de uma interação espacial na área de estudo definida, interação essa construída pela produtividade do milho, isto é, municípios com alta (baixa) produtividade são vizinhos de municípios com alta (baixa) produtividade.
Tabela 1: Valores para os índices I de Moran e seu p-valor calculado para produtividade e para cada ano da série temporal. Ano Produtividade I p-valor 1999 0,5105569 0,0000 2000 0,5127041 0,0000 2001 0,4398901 0,0000 2002 0,5339836 0,0000 2003 0,4399676 0,0000 2004 0,1496988 0,0075 2005 0,1466064 0,0114 2006 0,3191666 0,0000 2007 0,3956557 0,0000 2008 0,5154232 0,0000 2009 0,6046794 0,0000 2010 0,6398359 0,0000 2011 0,4714834 0,0000 2012 0,2394801 0,0001 2013 0,4669373 0,0000 2014 0,5630975 0,0000 2015 0,4518034 0,0000 Fonte: Elaborado pelos autores.
Buscando captar tais efeitos em estudo que considera para além do TRSO, seus municípios vizinhos para período entre 1999 e 2015, constatou-se forte dependência espacial estatisticamente demonstrada pelo índice I de Moran (Tabela 1), e heterogeneidade espacial local detectada através do índice LISA para a variável rendimento, cujos municípios de Nossa Senhora Aparecida, Carira, Frei Paulo, Pinhão, Simão Dias e Poço Verde ganharam destaque, visto que tais municípios foram classificados, em grande medida, pelos índices de Moran e LISA como positivamente autocorrelacionados com valor para além do índice médio, como visto na figura 4.
Braz. J. of Develop., Curitiba, v. 5, n. 10, p. 20677-206701, sep. 2019 ISSN 2525-8761 Figura 4. Agregados espaciais locais identificados pelo indicador LISA.
Fonte: Elaborado pelos autores.
Vista a formação de uma interação espacial na área de estudo da produção de milho, marcada pela presença de dependência e heterogeneidade espaciais, demonstradas pelos índices de autocorrelação global e local, torna-se importante investigar os fatores responsáveis por gerar externalidades (efeito de transbordamento espacial) na produtividade da cultura, considerando-se a cadeia de municípios definida.
5.2 ECONOMETRIA ESPACIAL
Para a análise econométrica, a regressão espacial estimada assume a seguinte estrutura:
PMit = þO+ þ1QPreciit + þ2CInvestit + þ3CCustit +þ4ZARCit + þ5ESi + þ6LAi+ þ7PVAi + þ8RLi
+ þ9RQi + þ1OSNi + þ11SXi + þ12TCi + þ13Grupoi + þ14ZARC_Grupoit + þ15WQPreciit +
Braz. J. of Develop., Curitiba, v. 5, n. 10, p. 20677-206701, sep. 2019 ISSN 2525-8761 O modelo de regressão em painel também foi estimado sem a especificação espacial. Como o tipo de solo e o grupo TRSO são variáveis que assumem valores constantes no tempo, foi estimado o modelo de efeitos aleatórios (EA). Já para os modelos que assumem a especificação espacial, foram estimados o modelo em pooling, os efeitos fixos espaciais (EFE) e os efeitos aleatórios espaciais (EAE). A matriz de pesos espaciais adotada foi a Rainha (contiguidade). Os resultados são apresentados na Tabela 2.
Tabela 2: Resultados para regressão com dados em painel: modelo com efeitos aleatórios (EA), “pooling” espacial, efeitos fixos espaciais (EFE) e efeitos aleatórios espaciais (EAE)
Variáveis EA Pooling EFE EAE
Intercepto 4.022*** 3.0879*** -0.190 1.471* (1.018) (0.738) (0.904) (0.738) QPreci 0.534*** (0.153) 0.212* (0.0940) 0.894*** (0.213) 0.379** (0.125) CInves 0.00465 0.0228* 0.00892 0.0153 (0.00780) (0.010) (0.010) (0.010) CCust 0.0297* 0.0502*** 0.0215 0.0375** (0.0168) (0.011) (0.014) (0.012) ZARC 0.343*** 0.178* 0.0623 0.114 (0.108) (0.084) (0.083) (0.080) ES -0.901*** (0.298) -0.752** (0.236) -0.917** (0.350) LA -1.214*** (0.291) -0.752*** (0.236) -1.485*** (0.320) PVA -0.592** (0.266) -0.556*** (0.156) -0.667** (0.234) RL -0.503* (0.272) -0.617*** (0.162) -0.671** (0.242) RQ -1.023*** (0.271) -1.322*** (0.206) -1.299*** (0.315) SN -0.616** (0.273) -0.716*** (0.194) -0.676* (0.295) SX -0.612* (0.328) -0.849*** (0.212) -0.874** (0.317) TC -1.135*** (0.256) -1.682*** (0.292) -1.668*** (0.439) Grupo 0.00404 -0.0188 -0.0426 (0.128) (0.141) (0.166) ZARC_Grupo 0.217 0.314* 0.304* 0.293* (0.182) (0.151) (0.138) (0.143) WQPreci 0.290* -0.219 0.222 (0.118) (0.282) (0.148) WCCInvest 0.0288 0.0290 0.0296 (0.023) (0.020) (0.021) WCCust 0.00489 0.0687 0.0343
Braz. J. of Develop., Curitiba, v. 5, n. 10, p. 20677-206701, sep. 2019 ISSN 2525-8761 (0.033) (0.035) (0.0329) ρ 0.0903 0.259 0.212 NA (0.152) (0.125) λ 0.0135 -0.237 -0.175 NA (0.179) (0.150) LogLik -1307.119 -2511.114 -1292.059 Akaike (AIC) 2650.238 5184.228 2620.117 Schwarz (BIC) 2738.214 5580.12 2708.093
Obs: Erro padrão entre parênteses. *** p<0.001, ** p<0.01, * p<0.05, p<0.1. Fonte: Elaborado pelos autores.
Os critérios de informação que medem a qualidade do ajuste para o modelo estimado apontaram os efeitos aleatórios espaciais como de melhor ajuste, indicando a existência de efeitos não observados e constantes no tempo específico à região estudada que foram absorvidos pelo erro aleatório. Os efeitos observados constantes no tempo, como o efeito do grupo TRSO e dos solos, não são estimados pelo método de efeitos fixos espacial.
Por sua vez, os valores assumidos pelos coeficientes de defasagem espacial para o modelo de efeitos aleatórios sugeriram o modelo SAR como o mais adequado. O coeficiente de defasagem espacial ρ assumiu estimativa significativa de 10% e diferente de zero (ρ = 0,21297), apontando a existência de uma interação espacial entre os municípios a partir da produtividade do milho.
Com relação ao efeito estimado das covariáveis, a precipitação pluviométrica mostrou influência positiva e significativa na produtividade do milho. Segundo as estimativas obtidas, um aumento exógeno de 10% na precipitação gera um acréscimo de quase 3,8% na produtividade média. O crédito para custeio também foi significativo, porém com baixa magnitude: estima-se que um acréscimo de 10% nessa linha de crédito gera um incremento de 0,37% na produtividade média do milho. Apesar de a estimativa do crédito de investimento ser também positiva pontualmente, sua medida não alcançou significância estatística.
O ZARC também se mostrou positivo, revelando exercer forte influência sobre a produtividade, de mais de 11%, podendo-se inferir que as informações fornecidas no zoneamento acerca das janelas de plantio e as cultivares adequadas a determinado solo contribuem no rendimento da cultura do milho. No entanto, sua estimativa não foi estatisticamente significativa.
Todos os solos alcançaram significância estatística, no entanto, todos eles são menos produtivos que o solo base (CX). Por exemplo, o solo PVA (Argissolo Vermelho-Amarelo) apresenta uma produtividade 66% menor que o solo base CX (Cambissolo).
Braz. J. of Develop., Curitiba, v. 5, n. 10, p. 20677-206701, sep. 2019 ISSN 2525-8761 O efeito da variável de interação entre Zarc e o grupo TRSO se mostrou positivo e significativo a 5%, revelando que o ZARC gera um efeito maior sobre a produtividade do milho no TRSO que nos vizinhos (um diferencial sobre a produtividade de aproximadamente 30%), de sorte que essa política atua de forma diferenciada no TRSO, contribuindo para que sua produtividade seja mais eficiente que a produtividade dos municípios circunvizinhos ao TRSO. A variável precipitação espacialmente defasada apontou para um transbordamento espacial positivo, ou seja, a precipitação em determinado município influencia positivamente a produtividade do município vizinho. No entanto, sua estimativa não alcançou significância estatística. Ademais, apesar de não atingir significância estatística, o crédito de investimento e de custeio espacialmente defasado apresentou efeito marginal pontualmente positivo indicando possível transbordamento ao município vizinho.
6. CONSDIERAÇÕES FINAIS
Os resultados do presente estudo apontam que a cultura do milho no TRSO ganha nova escala produtiva a partir de 2008: os dados de produtividade avaliados espacialmente confirmam que o território absorve em grande medida os municípios mais produtivos, considerando-se toda a área estudada, cujo índice de Moran calculado confirmou a presença de uma interação espacial construída por essa variável. Já a análise econométrica espacial revelou transbordamentos da produtividade do milho.
O ZARC, variável de política agrícola que atua como proxy para tecnologia, além de mostrar um efeito relevante sobre a produtividade do milho, exercer influência superior no TRSO, indicando que tal política contribui para incrementos na produtividade do milho no território ainda maiores aos municípios vizinhos, corroborando a hipótese da existência de um fenômeno diferenciado para a produção do milho no TRSO por influência do ZARC.
Assumindo-se que o produtor de milho em um determinado município observa a produção da cultura no município vizinho, levando-o a buscar informações adicionais sobre o processo produtivo, pode-se argumentar a respeito da existência de uma influência indireta do ZARC por intermédio da variável resposta. Esse comportamento está fortemente associado ao uso das cultivares indicadas, assim como dos seus respectivos sistemas de produção, além de que a política agrícola de zoneamento amplia a abrangência do financiamento rural para a cultura do milho no TRSO.
Braz. J. of Develop., Curitiba, v. 5, n. 10, p. 20677-206701, sep. 2019 ISSN 2525-8761 REFERÊNCIAS
ALMEIDA, E. S. Econometria Espacial Aplicada. 1. ed. Campinas: Editora Alínea, 2012. ANSELIN, L.; BERA, A. Spatial dependence in linear regression models with an
introduction to spatial econometrics. In: ULAH A.; GILES D. E. (Eds.). Handbook of
Applied Economic Statistics.Marcel Dekker: New York, p.237-89, 1998.
ARAÚJO, H. M. et al. O agronegócio do milho e a modernização agrícola nasub-bacia do rio Salgado. REGNE, v. 2, n. Especial, p. 585-594, 2016.
ASSAD, et al. Zoneamento agrícola de riscos climáticos do Brasil: base teórica, pesquisa e desenvolvimento. Informe Agropecuário, v.29, n.246, p.47-60, 2008b.
BARROS, I. de et al. Efeito de sistemas de plantio de milho nas perdas de solo e água no agreste sergipano. In: XIX Reunião Brasileira de Manejo e Conservação do Solo e da Água, 07, 2012, Lages. Anais... Lages: XIX RBMCSA, 2012. p. 1-4.
BERGAMASCHI, H; MATZENAUER, R. Milho. In: MONTEIRO, J. E. B. de A. (Org.).
Agrometeorologia dos Cultivos: o fator meteorológico na produção agrícola. Brasília:
INPE, 2009, p. 239-260.
BRASIL. Territórios da Cidadania: integração de políticas públicas para reduzir desigualdades, 2009.
CARVALHO, H. W. L. et al. Recomendação de Cultivares de Milho para o Nordeste
Brasileiro: Ensaios Realizados no Ano Agrícola de 2003-2004. Aracaju: Embrapa, 2005a.
CARVALHO, H. W. L. et al. Recomendação de Variedades de Milho para o Nordeste
Brasileiro. Aracaju: Embrapa, 2005b.
CHASCO, C. Econometria espacial aplicada a lapredicción-extrapolación
de datosmicroterritoriables. Madri: Consejería de Economía e Innovación
Tecnológica, 2003.
CONAB. Companhia Nacional de Abastecimento. Observatório agrícola: acompanhamento da safra brasileira de grãos safra 2018/2019, v. 6, n.3, 2018.
CUENCA, M. A. G.; DOMPIERI, M. H. G.; SANTOS, F. R. dos. Expansão da Produção
do Milho e Substituição de Cultivos na Região do Sertão Ocidental, no Estado de Sergipe. Aracaju: Embrapa, 2016.
CUNHA, G. R. da; ASSAD, E. D. Uma visão geral do número especial da RBA sobre zoneamento agrícola no Brasil. Revista Brasileira de Agrometeorologia, v. 9, n. 3, p. 377- 385, 2001.
DOU. Diário Oficial da União. Ministério da Agricultura, Pecuária e Abastecimento Secretaria de Política Agrícola. Portaria n. 129, 11 de Julho de 2018.
GALINA, M. H.; CARVALHO. S. S.; NUNES, V. V.; NOGUEIRA JUNIOR, L. R. Análise Espaço-Temporal do cultivo de milho em Sergipe, com Auxílio de NDVI/EVI - Sensor MODIS, no Período de 2003-2012. In: SIMPÓSIO REGIONAL DE
GEOPROCESSAMENTO E SENSORIAMENTO REMOTO, 11, 2014, Aracaju. Anais... Aracaju: GEONORDESTE, 2014. p. 103-107.
Braz. J. of Develop., Curitiba, v. 5, n. 10, p. 20677-206701, sep. 2019 ISSN 2525-8761 GASQUES, J. G.; BACCHI, M.; BASTOS, E. Impactos do crédito rural sobre variáveis do agronegócio. Revista de PolíticaAgrícola, ano XXVI, n.4, p. 132-140, 2017.
HOOGENBOOM, G. Contribution of agrometeorology to the simulation of crop production and its applications.Agriculturaland Forest Meteorology, 103, p. 137-157, 2000.
IBGE. Produção Agrícola Municipal. Sistema IBGE de recuperação automática, SIDRA. Disponível em: <https://sidra.ibge.gov.br/pesquisa/pam/tabelas>. Acesso em: 22 de jan. 2018a.
IBGE. Censo Agropecuário 2017. Sistema IBGE de recuperação automática, SIDRA. Disponível em: <https://sidra.ibge.gov.br/pesquisa/censo-agropecuario/censo-agropecuario- 2017>. Acesso em: 22 de dez. 2018b.
IBGE. Bases Cartográficas. Disponível em: <http://mapas.ibge.gov.br/bases-e- referenciais/bases-cartograficas.html>. Acessoem: 22 de dez. 2018c.
IBGE. Censo Demográfico 2010. Disponível em <https://sidra.ibge.gov.br/pesquisa/censo- demografico/demografico-2010/inicial>. Acessoem 13 de jan.de 2019.
KRUGMAN, P. Development, Geography, and Economic Theory.4. ed. Massachusetts: MIT Press, 1998.
LESAGE, J. P. SpatialEconometrics. Documento online disponível em
<https://www.spatial- econometrics.com/html/wbook.pdf >. Acesso em: 15 de jun. 2018. LEPSCH, I.F. Influência dos fatores edáficos na produção. In: CASTRO, P.R.C.;
FERREIRA, S.O.; YAMADA, T. (Coord.) Ecofisiologia da produção. Piracicaba: Associação Brasileira para Pesquisa da Potassa e do Fosfato, 1987. p.83-98.
LOPES, E. S.; DELGADO, N.; GRISA, C. Desenvolvimento territorial, políticas públicas e enfrentamento da pobreza no Território Sertão Ocidental (SE). In: LEITE, S. P.
(Ed.) .Políticas de Desenvolvimento Territorial e Enfrentamento da Pobreza Rural no
Brasil: Estudos de Casos. 1. ed. Brasília, DF: IICA, 2013. p. 139–170.
MARQUES, L. D. Modelos dinâmicos com Dados em Painel: revisão de literatura. CEMPRE, Faculdade de Economia do Porto, Porto, Portugal.
MDA. A. Sistema de Informações Territoriais. Disponível em: <sit.mda.gov.br>. Acesso em: 1 fev. 2016.
MITIDIERI, F. J.; MEDEIROS, J. X. de. Zoneamento Agrícola de Risco Climático
Ferramenta de auxílio ao seguro rural. Revista de Política Agrícola, ano XVII, n. 4, p. 33-46, 2008.
NOGUEIRA JUNIOR, L. R.; AMORIM, J. R. A. de; DOMPIERI, M. H. G.
Terraceamento:
Conservação do Solo e da Água no Polo de Produção de Milho, em Sergipe. Aracaju:
Embrapa, 2016.
RAIJ, B.V. Avaliação da fertilidade do solo.2.ed. Piracicaba: Instituto da Potassa & Fosfato: Instituto Internacional da Potassa, 1983. p 142.
Braz. J. of Develop., Curitiba, v. 5, n. 10, p. 20677-206701, sep. 2019 ISSN 2525-8761 SANTOS, C. dos. Níveis tecnológicos dos agroecossistemas do milho no Estado de
Sergipe. 2012. Dissertação (Mestrado em Desenvolvimento e Meio Ambiente) –
Universidade Federal de Sergipe, São Cristóvão.
SEFFRIN, R.; ARAÚJO, E. C. de; BAZZI, C. L. Regression models for prediction of corn yield in the state of Paraná (Brazil) from 2012 to 2014. Acta Scientiarum.Agronomy, v. 40, 2018.
SENTELHAS, P. C.; MONTEIRO, J. E. B. de A. Agrometeorologia dos Cultivos: Informações para uma Agricultura Sustentável. In: MONTEIRO, J. E. B. de A. (Org.).
Agrometeorologia dos Cultivos: o fator meteorológico na produção agrícola. Brasília:
INPE, 2009.
STEINMETZ, S.; SILVA, S. C. da.Início dos Estudos sobre Zoneamento Agrícola de
Risco Climático (ZARC) no Brasil.Santo Antônio de Goiás: Embrapa Arroz e Feijão, 2017.
THIESSEN, A. H. Precipitationaverages for largeareas. Monthly Weather Review, v. 39, n.7, p. 1082-1089, 1911.
TOBLER, W. R. A Computer MovieSimulatingUrbanGrowth in the Detroit
Region.EconomicGeography, v. 46, Supplement:
Proceedings.
InternationalGeographicalUnion.CommissiononQuantitativeMethods, p. 234-240, 1970. WOLLMANN, C. A.; GALVANI, E. Zoneamento agroclimático: linhas de pesquisa e caracterização teórica-conceitual. Revista Sociedade e Natureza, v. 25, n. 1, p. 179-189, 2013.
