ANÁLISE ESPACIAL DAS AGROINDÚSTRIAS PROCESSADORAS DE GRÃOS NO BRASIL: UM ESTUDO A NÍVEL MUNICIPAL PARA O ANO 2010
SPACE ANALYSIS OF GRAIN PROCESSING AGROINDÚSTRAS IN BRAZIL: A
STUDY AT MUNICIPAL LEVEL FOR THE YEAR 2010 Grupo 10: Desenvolvimento Rural, Territorial e Regional Resumo
Em função da grande importância do agronegócio para o atual contexto sócio-econômico brasileiro, este trabalho teve como objetivo principal verificar os padrões geográficos das indústrias do agronegócio relacionadas à produção de grãos, sendo feita a análise por meio do número de estabelecimentos (modelo 1) e de empregos (modelo 2) dispostos em todos os municípios brasileiros, a fim de apurar se ocorre um fenômeno de concentração/aglomeração agroindustrial em torno de cidades com maior concentração populacional. Como base metodológica utilizou-se a Análise Exploratória de Dados Espaciais (AEDE). Os resultados demonstraram a existência de autocorrelação espacial positiva entre os municípios nos dois modelos e através dos mapas de clusters verificou-se a presença de clusters com padrão (BB), no modelo 1, que prevalece nas regiões Norte, Nordeste e Sudeste, porém, nas regiões Sul e Centro-Oeste apresentam maior ocorrência do padrão (AA). No modelo 2, o padrão (BB) prevalece nas regiões do Brasil, com exceção da região Centro-Oeste do país, composto essencialmente pelo padrão (BA), e em algumas microrregiões da metade sul gaúcha no qual apresenta alguns municípios com padrão (AA) e (BA). Conclui-se que as agroindústrias de grãos e consequentemente os empregos do setor costumam se concentrar em padrões (AA) e (BB), o que implica em uma associação espacial positiva e a formação de clusters.
Palavras-Chave: Agroindústrias; Grãos; Análise Exploratória de Dados Espaciais; Abstract
Due to the great importance of agribusiness to the current Brazilian socio-economic context, this study aimed to verify the geographic patterns of agribusiness industries related to the production of grains, with the analysis by the number of jobs (model 1) and establishments (model 2) arranged in all the municipalities in order to determine whether there is a concentration/ agroindustrial cluster around cities with higher population density. As a methodological base was used Exploratory Spatial Data Analysis (AEDE). The results showed the existence of positive spatial autocorrelation between the municipalities in the two models and through the clusters the presence of the pattern (BB) in model 1, which prevails in the North, Northeast and Southeast, In the South and Center-West regions present a higher occurrence of the pattern (AA). In the model 2, the pattern (BB) prevails in the regions of Brazil, with the exception of the Central-Western region of the country, composed mainly of the pattern (BA), and in some microregions of the southern half of the state of Rio Grande do Sul and (BA). It can be concluded that grain agribusinesses and, consequently, sector jobs tend to concentrate on standards (AA) and (BB), which implies in a positive spatial association and the formation of clusters.
1 INTRODUÇÃO
O agronegócio pode ser interpretado como um conjunto de atividades derivadas e dependentes da produção agropecuária, que representa uma cadeia produtiva que envolve desde a fabricação de insumos até o seu consumo final (GASQUES et. al, 2004). De acordo com Canuto (2004), o agronegócio tem sido apresentado como modelo de modernização, onde seu desenvolvimento pode ser expresso pela aplicação de tecnologia no campo, pelos ganhos de produtividade e incrementos de receita econômica.
Tido como um dos principais e mais dinâmicos setores de atividade econômica no Brasil, no ano de 2015, o agronegócio foi responsável por 21,46% do Produto Interno Bruto (PIB) brasileiro. Ainda no mesmo ano, o PIB do agronegócio no Brasil apresentou um crescimento acumulado de 0,39%, o que atingiu, em valor, R$ 1,26 bilhões, sendo que a agricultura correspondeu a 68,4% do PIB do agronegócio e, logo, a pecuária foi responsável por 31,6% (CONFEDERAÇÃO DA AGRICULTURA E PECUÁRIA NO BRASIL, 2016).
O setor é fundamental na economia brasileira também pela promoção de divisas. No ano de 2015, as exportações da cadeia agropecuária representaram 46,2% do total das exportações, gerando um saldo de US$ 75,15 bilhões para a Balança Comercial (BRASIL, 2016). De acordo com Vieira Filho, Gasques e Sousa (2011), o agronegócio brasileiro tem grande potencial de crescimento, com produção, tecnologia disponível e uma disponibilidade de recursos naturais que favorece ganhos de competitividade.
Em função da grande importância do agronegócio para o atual contexto sócio-econômico brasileiro, este trabalho tem como objetivo principal verificar os padrões geográficos das indústrias do agronegócio relacionadas à produção de grãos. A análise é feita por meio do número de empregos e de estabelecimentos dispostos em todos os municípios brasileiros, a fim de apurar se ocorre um fenômeno de concentração/aglomeração agroindustrial em torno de cidades com maior concentração populacional.
A base teórica deste estudo é fundamentada por Porter (1999), que define cluster como “um agrupamento geograficamente concentrado de empresas inter-relacionadas e instituições correlatas numa determinada área vinculada por elementos comuns e complementares” (PORTER, p. 211, 1999). Ainda segundo o autor, um processo de aglomeração deriva de três fatores principais: i) a intensidade na qual se dá a competição local; ii) o ambiente local com características favoráveis à constituição de novas empresas; e iii) a eficácia dos mecanismos formais e informais que regem a associação das empresas locais especializadas (PORTER, 1999).
Entre os trabalhos que identificam a presença de clusters espaciais, podem-se elencar: Haddad (1999); Ostroski e Medeiros (2004); Campos, Martins e Mayorga (2005); Vital, Moraes Filho e Ferraz Filho (2005); Perobelli et al. (2007); Souza e Perobelli (2007); Rocha e Parré (2009); Vidigal et al. (2011) e Diniz et al. (2012).
O estudo de Haddad (1999) tem como foco principal conceituar e analisar a formação de clusters voltados ao agronegócio em diversas regiões do Brasil1. A referida pesquisa procurou identificar as áreas geográficas relevantes para cada um dos clusters selecionados, por meio de dados de indicadores de desempenho setorial, infra-estrutura física de apoio e serviços de suporte empresarial, além de avaliar aspectos inerentes ao desenvolvimento social local e aos impactos ambientais.
Por meio de uma análise bibliográfica acerca das definições e características de agriclusters, Ostroski e Medeiros (2004) verificam se existem, por meio de entrevistas com
1
Foram analisadas as seguintes regiões: sul da Bahia (cacau), oeste de Santa Catarina (suínos); região sudoeste de Goiás (grãos) e o polo Petrolina Juazeiro, fronteira entre Pernambuco e Bahia, (frutas).
representantes da cadeia no município de Toledo-PR, fatores que caracterizem o município como cluster agroindustrial sunícula. Seguindo a mesma linha, Campos, Martins e Mayorga (2005) avaliam as características dos arranjos produtivos de caprinos e ovinos nos municípios de Quixadá e Quixeramobim (CE). Os autores partem da identificação do perfil de pequenos, médios e grandes produtores a fim de analisar aspectos relacionados à produção, mercados e emprego no local.
Ao partir das definições de arranjos produtivos locais, Vital, Moraes Filho e Ferraz Filho (2005) estudam a expansão da vitivinicultura no Nordeste brasileiro. Para cumprir esse intuito, os autores procuram identificar as principais características das bases teóricas sobre este tipo de arranjo a fim de relacionar a expansão das atividades produtivas à ação organizada da cooperativa das empresas produtoras de vinho. Perobelli et al. (2007) analisam os padrões de autocorrelação espacial e os efeitos que exercem influência sobre a produtividade agrícola da terra nos períodos de 1991, 1997 e 2003 a nível microrregional por meio da Análise Exploratória de Dados Espaciais (AEDE). Os resultados apontaram que as microrregiões que apresentam alta produtividade agrícola são vizinhas de outras microrregiões com as mesmas características e o mesmo ocorre com regiões de baixa produtividade.
Ainda por meio da AEDE, Souza e Perobelli (2007) buscaram analisar a distribuição espacial da produção de café para as microrregiões brasileiras no período de 1991 a 2003. A estrutura espacial de produção do café demonstrou-se espacialmente concentrada, com a presença de quocientes locacionais elevados de produção nos estados de Minas Gerais, Espírito Santo e em microrregiões do estado de Rondônia. Rocha e Parré (2009) verificam a presença de clusters na agropecuária gaúcha no ano de 2004 baseados no método de AEDE. Foi observado que existem regiões atípicas e agrupamentos de municípios localizados nas regiões Nordeste e Noroeste do estado, onde predominam pequenas propriedades e um elevado valor bruto de produção.
Vidigal et al. (2011) analisam a distribuição espacial da produtividade da cana-de-açúcar nos municípios de Minas Gerais, no período de 1990 a 2007 por meio das técnicas de AEDE. Evidenciou-se uma autocorrelação espacial positiva e a presença de um cluster alto-alto nos municípios que apresentaram os maiores índices de produtividade localizados no Triângulo mineiro e na região central do estado. Por fim, o estudo de Diniz et al. (2012) verifica a distribuição espacial da produção de laranja por meio da AEDE a fim de identificar a autocorrelação espacial entre os municípios paulistas no período de 2002 a 2010. Os autores concluíram que existem clusters nas regiões produtoras de laranja, onde os municípios com alta produtividade média são vizinhos de outros municípios com o mesmo padrão produtivo.
Por meio dos trabalhos supracitados é possível verificar uma predominância, nos trabalhos mais recentes, na utilização de técnicas de Análise Exploratória de Dados Espaciais a fim de identificar a presença de clusters de produtividade em culturas específicas. Fazem-se necessárias análises que contemplem todo o território brasileiro e que abarquem a produção e as principais características dos segmentos mais dinâmicos e relevantes em um ponto do tempo do cenário atual.
Ao diagnosticar a importância do agronegócio no Brasil, este trabalho dedica-se a verificar o padrão de aglomeração espacial das agroindústrias e se esse padrão apresenta uma correlação significativa com o escopo populacional dos municípios brasileiros. Para atender a este propósito, o artigo está dividido em cinco seções, sendo a primeira esta introdução e a segunda tratando do referencial teórico acerca da definição e relevância de clusters industriais. A terceira parte do trabalho engloba a metodologia empregada a fim de se analisar os resultados que são expressos na quarta seção. Finalmente, na quinta e última parte discutem-se as considerações finais desta pesquisa.
2 REFERENCIAL TEÓRICO
A definição de cluster surgiu com Porter, em 1990, em sua obra intitulada “Vantagem competitiva das Nações” para destacar a importância da proximidade geográfica e dos fatores locais que garantem as aglomerações (PORTER, 1999). Embora a discussão seja recente, este conceito não é novo, uma vez que no século XIX, Marshall (1892) já tratava, de forma pioneira, da caracterização de distritos industriais, dados como uma “concentração de indústrias especializadas em determinadas localidades”. A ênfase dada pelo autor era que a concentração seria uma alternativa para a antítese competição/cooperação, aumentando a eficiência e, consequentemente, a capacidade competitiva das empresas.
De acordo com Schimtz (1995), os clusters podem ser interpretados como uma concentração geográfica e espacial de empresas, donde os ganhos competitivos associados à interação entre empresas promove a chamada eficiência coletiva, que pode ser definida como vantagens competitivas derivadas de economias externas locais e ação conjunta. O autor sugere que a ação conjunta dos atores gera uma convergência de fatores que oferece às empresas vantagens distintas, inviáveis caso operassem de maneira isolada, tais como a redução dos custos em assistência técnica e o aprimoramento das relações interpessoais entre os empresários.
Perry (2005) associa os clusters a concentração de uma atividade em uma localidade específica. Para o autor, as firmas têm um grau de interdependência devido à proximidade, uma vez que as empresas estão agrupadas, entretanto, existem várias formas para o uso do termo cluster, em especial duas formas: i) compreende os clusters como uma condição de localização particular ou “agrupamento geográfico industrial distinto que possui a capacidade de obter vantagem sobre agrupamentos de atividade econômica alternativos” (PERRY, p. 12, 2005); e ii) os clusters são identificados como economias de alto desempenho, com alta competitividade.
Outra forma de interpretar os clusters provém da definição de Zaccarelli et al. (2008), que são considerados como um sistema supraempresarial, que pode ser considerado como “uma abstração”, com características próprias, que não existem nas empresas de forma isolada. Essas entidades supraempresariais formam um sistema composto por estratégias e vantagens competitivas próprias, que podem configurar diversos tipos de relações interfirmas, de modo que “o processo de integração e a dinâmica das relações entre as organizações implicam efeitos sistêmicos de amplificação da capacidade competitiva do sistema e de seus componentes (...)” (ZACCARELLI et al., p. 44, 2008).
De modo geral, as definições de Marshall (1892), Porter (1990), Schmitz (1995), e Zaccarelli (2008) têm muitos pontos em comum, como o fato das empresas estarem concentradas em uma determinada localidade, o que estimula acréscimos de competitividade, além de retratarem a disseminação e o acesso de informações (CARELLI, 2011). O ponto principal é que os clusters reforçam a competitividade por meio da combinação intra-firmas, inovação e adoção de ideias, além das externalidades locais, tais como mão-de-obra qualificada, disposição de insumos especializados e o acesso as informações (NOGALES, 2010).
Quanto aos clusters voltados ao agronegócio, verifica-se que as análises mais recentes na economia brasileira remontam a esta temática. Voltada para a análise específica dos sistemas e cadeias agroindustriais de um determinado produto, surgiu no Brasil a expressão do “agricluster”, onde a aplicação deste conceito objetiva fortalecer a competitividade nos
locais que têm no agronegócio parcela expressiva de sua estrutura produtiva (OSTROSKI; MEDEIROS, 2003).
De acordo com Wedeckin (2002), o conceito de agricluster provém da aglutinação da metodologia do agribusiness e do próprio conceito de cluster, com a finalidade de reportar-se às aglomerações produtivas locais que possuem como elemento central um sistema agroindustrial. Essa análise também diz respeito aos agentes e elos que são relacionados ou se organizam em torno desse sistema, como os clientes, fornecedores de insumos, prestadores de serviço, mão-de-obra, entre outros.
Os agriclusters valorizam e exploram as atividades em determinadas localidades a fim de promover o crescimento econômico através dos ganhos de produtividades gerados pela especialização e concentração produtiva (OSTROSKI; MEDEIROS, 2004). Destarte, um agricluster, especializado em uma atividade endêmica, pode promover o desenvolvimento econômico de um local em virtude do surgimento de clima de competição, dado pela melhoria contínua e a busca pela inovação, e cooperação em torno de uma agenda comum (WEDECKIN, 2002).
Assim sendo, verifica-se que a característica mais marcante dos clusters é a forte aglomeração/concentração de empresas em uma mesma região e, deste modo, esse fenômeno e suas principais características constitui-se com fundamental relevância para a promoção do desenvolvimento. A identificação geográfica de possíveis aglomerados locais ou agriclusters potenciais tem importância renovada, dada a atuação do setor agroindustrial na atual matriz produtiva brasileira.
3 METODOLOGIA
O artigo utiliza como base metodológica para analisar os padrões geográficos das indústrias do agronegócio a Análise Exploratória de Dados Espaciais (AEDE) que está expressa nesta seção. Ao final, são apresentadas a descrição das variáveis e a fonte de dados. 3.1 Análise Exploratória de Dados Espaciais
Segundo Perobelli et al. (2007) a Análise Exploratória de Dados Espaciais (AEDE) está baseada nos aspectos espaciais da base de dados, tratando de forma direta das questões como dependência espacial (e.g associação espacial) e heterogeneidade espacial. A AEDE torna-se fundamental ao estudo da econometria espacial, uma vez que, segundo Almeida (2004), lida com as complicações causadas pela interação espacial (autocorrelação espacial) e pela estrutura espacial (heterogeneidade espacial) em modelos de regressão para dados na forma de cross-section e painel de dados.
Com a AEDE é possível analisar medidas de autocorrelação espacial global e local, investigando a influência dos efeitos espaciais por intermédio de métodos quantitativos (ROCHA e PARRÉ, 2009).
3.1.1 Autocorrelação Espacial Global
A presença de autocorrelação espacial é medida usualmente através de estatísticas globais, de acordo com Anselin (1992) o índice global Moran’s I é a estatística mais difundida e mede a correlação a partir do produto dos desvios em relação à média. Esta estatística fornece a indicação formal do grau de associação linear (espacial) entre os vetores de no tempo t e a média ponderada dos valores da vizinhança, ou lags espaciais ( ).
Segundo Anselin (1992):
(1) onde: n é o número de observações; é o elemento na matriz peso espacial correspondente a unidades espaciais i e j; e são observações para os respectivos locais; representa a média de y.
O índice varia entre -1 a 1, sendo que taxas próximas de zero indicam inexistência de autocorrelação espacial significativa; se o valor for positivo (negativo), a autocorrelação será positiva (negativa).
Porém, de acordo com Perobelli et al. (2007), a estatística Moran’s I é uma medida global, não sendo possível observar a estrutura de correlação espacial em nível regional, com isso é indispensável a utilização de indicador de autocorrelação espacial local.
3.1.2 Autocorrelação Espacial Local
Segundo Perobelli et al. (2007) a estatística global Moran’s I pode esconder padrões locais de autocorrelação espacial, sendo possível ocorrer três situações distintas, são elas: i) envolve a indicação de um I de Moran global insignificante, porém, pode haver indicações de autocorrelação espacial local insignificante, positiva ou negativa; ii) implica uma indicação positiva do I de Moran global, que oculta autocorrelação espacial local negativa e insignificante; e iii) denota que a evidência de uma autocorrelação espacial global negativa e pode acomodar indícios de autocorrelação espacial local positiva para certos grupos dos dados.
Desta forma, é importante avaliar o padrão local da autocorrelação espacial a fim de se obter um maior detalhamento. Conforme Parobelli et al. (2007) para observar a existência de clusters espaciais locais de valores altos ou baixos e quais as regiões que mais contribuem para a existência de autocorrelação espacial, devem-se implementar as medidas de autocorrelação espacial local, tais como: diagrama de dispersão de Moran (Moran Scatterplot) e LISA (Indicadores Locais de Associação Espacial).
3.1.2.1 Diagramas de Dispersão de Moran
Segundo Anselin (1995), tem-se que o diagrama de Moran identifica a tendência geral de associação por meio da correlação linear entre , que são os valores da variável de interesse defasados espacialmente, e z, que são os valores observados em cada unidade espacial.
O digrama de dispersão de Moran é divido em quatro quadrantes, os quais correspondem a quatro padrões de associação local espacial entre as regiões e seus vizinhos (ANSELIN, 1995). Segundo Perobelli et al. (2007), tem-se que: o primeiro quadrante (localizado na parte superior direita) é classificado como alto-alto (AA) (high-high - HH), ou seja, mostra as regiões que apresentam altos valores para a variável em análise (e.g valores acima da média) cercadas por regiões que também apresentam valores acima da média para a variável em análise. O segundo quadrante, baixo-alto (BA) (low-high – LH), (localizado na
parte superior esquerda) mostra as regiões com valores baixos cercados por vizinhos que apresentam valores altos.
Ainda segundo os autores, o terceiro quadrante, classificado como baixo-baixo (BB) (low-low – LL), (localizado no canto inferior esquerdo) é constituído pelas regiões com valores baixos para as variáveis em análise cercados por vizinhos que também apresentam baixos valores, classificado como baixo-baixo. O quarto quadrante, alto-baixo (AB) (high-low – HL), (localizado no canto inferior direito) é formado pelas regiões com altos valores para as variáveis em análise cercados por regiões com baixos valores.
Segundo Souza e Perobelli (2007), as regiões que apresentam padrões AA e BB possuem autocorrelação espacial positiva e formam clusters de valores similares. Já as que apresentam padrões BA e AB, apresentam autocorrelação espacial negativa, ou seja, formam clusters com valores diferentes.
3.1.2.2 Indicadores locais de associação espacial (LISA)
O Indicador Local de Autocorrelação Espacial Local - LISA - (Indicator for Spatial Autocorrelation) é utilizado para mostrar que ocorrem agrupamentos em função de uma vizinhança preestabelecida. Porém, o indicador local precisa atender dois objetivos específicos; i) permitir a identificação de padrões de associação espacial significativos; ii) a soma dos indicadores de LISA para todas as observações deve ser proporcional ao índice global de associação espacial (ANSELIN; 1995).
Segundo Le Gallo e Ertur (2003), a estatística LISA, baseada no I de Moran local pode ser especificada da seguinte forma:
(2) Onde: , é a observação de uma variável de interesse na região i para o ano t; é a média das observações entre as regiões no ano t para a qual o somatório em relação a j é tal que somente os valores vizinhos de j são incluídos.
Segundo Perobelli et al. (2007) a estatística pode ser interpretada da seguinte forma: valores positivos de significam que existem clusters espaciais com valores similares (alto ou baixo); enquanto, valores negativos indicam que existem clusters espaciais com valores diferentes entre as regiões e seus vizinhos.
3.1.3 Determinação da matriz de pesos espaciais (W)
Segundo Perobelli et al. (2007), a matriz de pesos é a forma de expressar a estrutura espacial dos dados e é o ponto inicial para qualquer teste estatístico ou modelo. No trabalho a matriz de peso espacial W está baseada na ideia dos k vizinhos mais próximos. A escolha da matriz de pesos é muito importante em uma análise AEDE, pois todos os passos subsequentes (ou resultados) são dependentes desta seleção.
Conforme Perobelli et al. (2007), a forma da matriz de pesos espaciais é a seguinte:
Onde: é a distância, medida pelo grande círculo, entre os centros das regiões i e j; (k), valor crítico que define o valor de corte, ou seja a distância máxima para considerar regiões vizinhas à região i.
Segundo Le Gallo e Ertur (2003), a escolha de um número fixo de vizinhos mais próximos ao invés do uso de uma matriz simples de continuidade é melhor, em função de evitar alguns problemas metodológicos que podem ocorrer quando há variações no número de vizinhos. No trabalho foram testados k = 5, k = 10 e k = 15, sendo que os melhores resultados foram encontrados para k = 5.
3.2 Descrição das variáveis e fonte de dados
O Instituto Brasileiro de Geografia e Estatística (IBGE) classifica a agroindústria em trinta e um setores, donde, entre esses setores o trabalho utilizou apenas os que estão classificados através das agroindústrias de grãos, sendo: beneficiamento de arroz e fabricação de produtos do arroz; moagem de trigo e fabricação de derivados; fabricação de farinha de milho e derivados, exceto óleos de milho; e fabricação de amidos e féculas de vegetais e de óleos de milho.
Após utilizar os setores classificados como grãos foram feitos dois modelos, ou seja, emprego (emp) e estabelecimentos (estab), versus, as seguintes variáveis: Valor Adicionado Bruto, a preços correntes, da Indústria (Vab_ind); Valor Adicionado Bruto, a preços correntes, da Agropecuária (Vab_agr); renda per capita (renda_percapita); população total (pop_total); população rural (pop_rural) e área destinada a grãos (área_grãos).
Seguem abaixo a representação dos modelos, referentes a distribuição de empregos (Equação 6) e estabelecimentos (Equação 7):
Emp = + 1 vab_agr+ 2 vab_ind + 3 renda_percapita + 4 pop_total + 5 pop_rural + 6
área_grãos (equação 6)
Estab = + 1 vab_agr + 2vab_ind + 3 renda_percapita + 4 pop_total + 5 pop_rural +
6 área_grãos (equação 7)
A base de dados foi gerada através do SIDRA (Sistema IBGE de Recuperação Automática), vinculado ao IBGE, do qual foram extraídas informações referentes ao setor agrícola como emprego e estabelecimento, VAB_ind e VAB_agr. Ainda no IBGE foram extraídos os dados das variáveis renda per capita; população total e rural; e por fim a área destinada a grãos através da Produção Agrícola Municipal (PAM).
Para realizar a metodologia foi utilizado o software Geoda, para o ano de 2010, tendo como base os municípios do Brasil.
4. ANÁLISE DOS RESULTADOS
4.1 Análise Exploratória de Dados Espaciais (AEDE) 4.1.1 I de Moran Global
O primeiro passo da análise é verificar a presença de autocorrelação espacial entre os agentes através do índice I de Moran. Com o índice, é possível observar a associação espacial
global, no qual o valor positivo para a estatística I de Moran aponta autocorrelação espacial positiva, ou seja, os agentes interagem entre si. No presente trabalho, isso se relaciona de forma que os municípios que apresentam maior concentração de agroindústrias e/ou número de empregos nestes estabelecimentos são vizinhos de outros municípios com as mesmas características.
As Tabelas 1 e 2 apresentam o coeficiente de I de Moran para o número de empregos e estabelecimentos de grãos nos municípios do Brasil, respectivamente. Os resultados mostraram que o I de Moran é positivo, o que indica uma autocorrelação espacial global positiva no período, entretanto, os dois casos apresentaram um coeficiente baixo e estatisticamente significativo. Nos dois casos, foram calculados os valores para várias ordens de matrizes de peso, sendo que aquela com cinco vizinhos foi a que forneceu o maior I de Moran.
Ano I de Moran Probabilidade
2010 0.0080 0.003
Tabela 1: Coeficiente de I de Moran para empregos de agroindústrias de grãos nos municípios do Brasil - 2010.
Fonte: Elaborada pelos autores.
Ano I de Moran Probabilidade
2010 0.0104 0.000
Tabela 2: Coeficiente de I de Moran para estabelecimentos de agroindústrias de grãos nos municípios do Brasil - 2010.
Fonte: Elaborada pelos autores.
De modo complementar à análise do I de Moran tem-se o diagrama de dispersão de Moran, onde, segundo Vidigal et al. (2009) o diagrama revela os padrões locais de associação espacial, alocando as observações em quadrantes conforme a distribuição de estabelecimentos e do número de empregos entre os municípios. Perobelli et al. (2007) afirmam que o diagrama revela padrões locais de associação espacial, já que o I de Moran indica apenas uma tendência geral de agrupamento dos dados.
A vantagem do diagrama de dispersão de Moran é poder classificar as microrregiões de acordo com quatro diferentes regimes espaciais. Como visto na metodologia, eles podem ser: baixo–alto (BA) indica que o município apresenta baixa (variável) são vizinhas de outras com alta (variável); o regime alto–alto (AA) denota que município com alta (variável) são vizinhas de outras com alta (variável); o regime alto–baixo (AB) informa que o município com alta (variável) possuem vizinhos com baixa (variável); e, finalmente, o regime baixo– baixo (BB) implica que o município com baixa (variável) são vizinhas de outras com baixa (variável) também.
A Figura 1 apresenta os diagramas de dispersão de Moran, para as variáveis de estabelecimento e emprego, sendo que o eixo horizontal corresponde a variável em análise, e, o eixo vertical, a defasagem espacial (lag) da variável de interesse para o mesmo período. É possível observar, por meio da Figura 12, que há uma associação espacial positiva com as variáveis utilizadas.
Figura 1: Diagrama de Dispersão, de Moran Fonte: Elaboração dos autores
4.1.2 I de Moran Local
O próximo passo da análise consiste em examinar o cálculo do índice I de Moran Local, que captura padrões locais de associação linear, fazendo uma decomposição do indicador global de autocorrelação na contribuição local de cada observação em quatro categorias, cada qual correspondendo individualmente a um quadrante no diagrama de dispersão de Moran (ALMEIDA, 2004). A maneira mais evidente de especificação da estatística se dá por meio do mapa de clusters, que combina informações do mapa de dispersão de Moran e do mapa de significância das medidas de associação local.
Os indicadores locais de associação espacial (LISA) para o número de empregos e de estabelecimentos agroindustriais nos municípios brasileiros para o ano de 2010 estão presentes nos mapas de clusters (Figura 2) e (Figura 3), sendo possível verificar uma mudança na formação de clusters comparando as duas variáveis, sendo que houve notável presença do padrão BB.
Na Figura 2, o padrão (BB) prevalece nas regiões Norte, Nordeste e Sudeste, porém, é possível observar que nas regiões Sul e Centro-Oeste prevalece o padrão (AA) e em alguns municípios (BA). Como destaque desse modelo tem-se o aparecimento do padrão (AA) na região sul, principalmente no estado do Rio Grande do Sul. Na Figura 3, o padrão (BB)
2
Primeiro quadrante, localizado na parte superior direita, alto-alto (AA). Segundo quadrante, localizado na parte superior esquerda, baixo-alto (BA). Terceiro quadrante, localizado no canto inferior esquerdo, baixo-baixo (BB). Quarto quadrante, localizado no canto inferior direito, alto-baixo (AB).
prevalece nas regiões do Brasil, com exceção da região Centro-Oeste do país, composto essencialmente pelo padrão (BA), e em algumas microrregiões da metade sul do Rio Grande do Sul no qual apresenta alguns municípios com padrão (AA) e (BA).
Figura 2: Mapa de cluster para estabelecimentos processadores de grãos Fonte: Elaborada pelos autores
Figura 3: Mapa de cluster para empregos em estabelecimentos processadores de grãos Fonte: Elaborada pelos autores
Por fim é apresentado o mapa de clusters bivariado (Figura 4) no qual são exibidas as regiões onde foram formados os agrupamentos espaciais estatisticamente significativos da relação entre estabelecimentos agroindustriais processadores de grãos e área territorial dos municípios. Com a Figura 4, observa-se que na região Norte predominam grandes áreas agrícolas, sem estabelecimentos agroindustriais processadores de grãos (azul claro), que provavelmente consistem em áreas de produção pecuária, com algumas áreas de predominância agrícola.
Na região Centro-Oeste, grandes áreas agrícolas, sem estabelecimentos agroindustriais processadores de grãos (azul claro) dividem-se com regiões que apresentam grandes áreas agrícolas que possuem estabelecimentos agroindustriais processadores de grãos (agroindústrias em áreas de agricultura empresarial ou latifúndios).
Figura 4: LISA bivariado entre Estabelecimentos Agroindustriais processadores de Grãos e Área territorial dos municípios
Fonte: Elaborada pelos autores
*Azul claro (regiões com grandes áreas agrícolas, sem estabelecimentos agroindustriais processadores de grãos); azul escuro (regiões com pequenas áreas agrícolas, sem estabelecimentos agroindustriais processadores de grãos); vermelho claro (regiões com pequenas áreas agrícolas, com estabelecimentos agroindustriais processadores de grãos); vermelho escuro (regiões com grandes áreas agrícolas, com estabelecimentos agroindustriais processadores de grãos).
Já as regiões Sul, Sudeste e Nordeste apresentam similaridades quanto a predominância de pequenas áreas agrícolas, sem estabelecimentos agroindustriais
processadores de grãos e com estabelecimentos agroindustriais processadores de grãos, justificadas como agroindústrias localizadas em áreas de agricultura familiar.
5 CONSIDERAÇÕES FINAIS
O objetivo deste trabalho foi verificar os padrões geográficos das indústrias do agronegócio relacionadas à produção de grãos, sendo feito a análise por meio do número de empregos e de estabelecimentos dispostos nos municípios brasileiros, a fim de apurar se ocorre um fenômeno de concentração/aglomeração agroindustrial em torno de cidades com maior concentração populacional.
Para cumprir este propósito, foi utilizada como base metodológica a AEDE sendo que a aplicação da análise exploratória permitiu verificar a presença de correlação espacial positiva entre os municípios do país, no ano de 2010, no qual o resultado do teste de I de Moran Global apresentou baixo valor, porém foi positivo e estatisticamente significativo, indicando que existem indícios de dependência espacial positiva em relação as variáveis em estudo.
Por meio do I de Moran Local, através do indicador LISA, foram identificados os seguintes padrões locais de clusters no qual no modelo 1 (estabelecimento), onde o padrão (BB) prevalece nas regiões Norte, Nordeste e Sudeste, sendo possível observar que nas regiões Sul e Centro-Oeste prevalece o padrão (AA) e em alguns municípios (BA). Como destaque desse modelo tem-se o aparecimento do padrão (AA) na região Sul, principalmente no estado do Rio Grande do Sul. Já no modelo 2 (estabelecimento) o padrão (BB) também prevalece em todas as regiões do Brasil, com exceção da região Centro-Oeste do país, composto essencialmente pelo padrão (BA), e em algumas microrregiões da fronteira gaúcha no qual apresenta alguns municípios com padrão (AA) e (BA).
Com isso, conclui-se que as agroindústrias de grãos e consequentemente os empregos do setor costumam se concentrar em padrões (AA) e (BB), o que implica em uma associação espacial positiva e a formação de clusters neste tipo de atividade, que é relevante no cenário brasileiro. Enquanto ao Lisa Bivariado, foi possível observar que os estabelecimentos agroindustriais processadores de grãos estão alocados principalmente no Cnetro-Oeste com algumas áreas no Norte e Nordeste. Dessa forma, para trabalhos futuros seria interessante analisar setores mais desagregados, pertinentes a culturas específicas, além de incluir na análise, variáveis sócio econômicas que retratem de forma mais fidedigna a realidade dos municípios brasileiros.
REFERÊNCIAS
ALMEIDA, E. S. Curso de Econometria Espacial Aplicada. Piracicaba, 2004.
ANSELIN, L. SpaceStat Tutorial: A Workbook for Using SpaceStat in the Analysis of Spatial Data. Available at http://www.spacestat.com.docs/spacestat_tutorial.pdf, 1992.
ANSELIN, L. Local indicators of spatial association – LISA. Geographical Analysis, v. 27, n. 2, p. 93-115, 1995.
BRASIL. Ministério da Agricultura, Pecuária e Abastecimento. Balança Comercial do Agronegócio. Disponível em: <http://www.agricultura.gov.br/internacional/indicadores-e-estatisticas/balanca-comercial>. Acesso em 12 mai. 2016.
CAMPOS, K. C.; MARTINS. C.; MAYORGA, M. I. O. A caprino-ovinocultura em arranjo produtivo nos municípios de Quixadá e Quixeramobim. In: SOBER - Sociedade Brasileira de Economia e Sociologia Rural. Anais do XLIII Congresso Brasileiro de Economia e Sociologia Rural. Ribeirão Preto: SOBER, 2005.
CÂMARA, G.; MONTEIRO, A. G.; FUCKS, S. D.; CARVALHO, M. S. (2000) Análise Espacial e Geoprocessamento. In: Análise Espacial de Dados Geográficos, eds. FUCKS, S. D.; CARVALHO, M. S.; CÂMARA, G. Disponível em: < http://www.dpi.inpe.br/gilberto/livro/analise/ >. Acesso em: 20 maio. 2016.
CANUTO, A. Agronegócio: a modernização conservadora que gera exclusão pela produtividade. Revista Nera, v. 7, n. 5, p. 1-12, 2004.
CARELLI, T de J. Clusters comerciais e governança supraempresarial - um estudo em concentrações de lojas na cidade de São Paulo/SP. 211. 75 f. Dissertação (Mestrado em Administração) Universidade Paulista, São Paulo.
CONFEDERAÇÃO DA AGRICULTURA E PECUÁRIA DO BRASIL. PIB do Agronegócio - Dados de 1995 a 2015. Disponível em: <http://cepea.esalq.usp.br/pib/>. Acesso em: 03 mai. 2016.
DINIZ, S. S.; CAMARA, M. R. G. da; MASSAMBANI, M. O.; ANHENESI, J. A. R.; SESSO FILHO, H. A. Análise Espacial da Produtividade da Laranja dos Municípios do Estado de São Paulo: 2002-2010. In: SOBER - Sociedade Brasileira de Economia e Sociologia Rural. Anais do L Congresso Brasileiro de Economia e Sociologia Rural. Vitória: SOBER, 2012.
FLORAX, R. J. G. M.; FOLMER, H.; REY, S. J. Specification searches in spatial econometrics: The relevance of Hendry’s methodology. Regional Science and Urban Economics, v. 33, n. 5, p. 557-79, 2003.
GASQUES, J. S.; BASTOS, E.T.; BACCHI, M. P. R.; CONCEIÇÃO, J.C.P.R. Produtividade e Fontes de Crescimento da Agricultura Brasileira. Revista de Política Agrícola, v. 13, p. 73-90, 2004.
GLASS, A. J.; KENJEGALIEVA, K.; SICKLES, R. The economic case for the spatial error model with an application to state vehicle usage in the US. Rice University manuscript: working paper, 2012.
HADDAD, P. R. A concepção de desenvolvimento regional. In: HADDAD, P. R. et al. (Org.). A competitividade do agronegócio e o desenvolvimento regional no Brasil: estudos de clusters. Brasília: CNPq: Embrapa, 1999.
INSTITUO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Fonte de dados. Disponível em: <http://www.ibge.gov.br/home>. Acesso em: 20 abr. 2016.
LE GALLO, J and ERTHUR, C. Exploratory spatial data analysis of the distribution of regional per capita. GDP in Europe, 1980-1995.Papers in Regional Science v 82(2) p 175- 201. 2003.
LINS, J. G. M. G.; LOURES, A. R.; LOMBARDI FILHO, S. C.; SILDA, M. V. B. Análise espacial da evolução do índice de desenvolvimento humano nos municípios da região nordeste. In: X Encontro de Economia Baiana, Anais, 2014.
MARSHALL, A. Princípios de Economia. São Paulo: Abril Cultural, 1982.
NOGALES, E. G. Agro based clusters in developing countries: staying competitive in globalised economy Agricultural management, marketing and finance. Occasional Paper nº 25, Food and Agriculture Organization (FAO), 2010.
OSTROSKI, D. A.; MEDEIROS, N. H. Cluster agroindustrial: fortalecimento e competitividade para a cadeia suinícola do município de Toledo. In: SOBER – Sociedade Brasileira de Economia e Sociologia Rural. Anais do XLII Congresso Brasileiro de Economia e Sociologia Rural. Cuiabá: SOBER, 2004.
PERRY, M. Business clusters: an international perspective. New York: Routledge, 2005. PEROBELLI, F. S.; ALMEIDA, E. S. de; ALVIM, M. I. da S.; FERREIRA, P G. C. Produtividade do setor agrícola brasileiro (1991-2003): uma análise espacial. Nova economia, v. 17, n.1, p.65-91, 2007.
PORTER, M. E. Competição: Estratégias competitivas essenciais. Rio de Janeiro: Editora Campus, 1999.
PRADO, F. A.; BERVEGLIERI, A.; TACHIBANA, V. M.;IMAI, N. N. Aplicação e análise de modelos de regressão clássica e espacial para os distritos da cidade de São Paulo. In: III Simpósio Brasileiro de Ciências Geodésicas e Tecnologias da Geo informação, Recife. Anais, 2010.
ROCHA, C. B.; PARRÉ, J. L. Estudo da distribuição espacial do setor agropecuário do Rio Grande do Sul. Análise Econômica, Porto Alegre, v. 27, n. 52, p. 139-160, 2009.
SCHMITZ, H. Collective efficiency: growth path for samll-scale industry. Journal of development studies, v. 34, n. 4, p. 529-566, 1995.
SOUZA, R. M.; PEROBELLI, F. S. Diagnóstico espacial da concentração produtiva do café no Brasil, no período de 1991 a 2003. Revista de Economia e Agronegócio, vol. 5, n. 3, p 353-378, 2007.
VIEIRA FILHO, J. E. R.; GASQUES, J. G.; SOUSA, A. G. de. Agricultura e crescimento: Cenários e Projeções. Texto para Discussão n° 1642, Instituto de Pesquisa Econômica Aplicada (IPEA), 2011.
VITAL, T. W.; MORAES FILHO, R. A.; FERRAZ FILHO, Z. E. Vitivinicultura no Nordeste do Brasil: um arranjo produtivo em expansão. In: SOBER – Sociedade Brasileira de Economia e Sociologia Rural. Anais do XLIII Congresso Brasileiro de Economia e Sociologia Rural. Ribeirão Preto: SOBER, 2005.
VIDIGAL, V. G.; GOMES, M. F. M.; ROCHA-VIDIGAL, C. B.; SILVEIRA, G. F. Análise espacial da produtividade da cana-de-açúcar em Minas Gerais, 1990 a 2007. Revista de Economia e Administração, v.10, n.2, p. 241-261, 2011.
ZACCARELLI, S. B.; TELLES, R.; SIQUEIRA, J.P.L.; BOAVENTURA, J. M. G.; DONAIRE, D. Clusters e redes de negócios: uma nova visão para a gestão dos negócios. São Paulo: Atlas, 2008.
WEDECKIN, I. Os Agriclusters e a Construção da Competitividade Local. In: WEDECKIN, I. A construção da competitividade das localizações. São Paulo: ABAG, p.43-55, 2002.
