XLV CONGRESSO DA SOBER
"Conhecimentos para Agricultura do Futuro"
UM ESTUDO EXPLORATÓRIO SOBRE OS EFEITOS ESPACIAIS
NA PRODUTIVIDADE DA CANA-DE-AÇÚCAR NO PARANÁ
MARIA ANDRADE PINHEIRO (1) ; JOSÉ LUIZ PARRÉ (2) .
1.UNIVERSIDADE ESTADUAL DE MARINGÁ/ FACULDADE DO
NORTE PIONEIRO, MARINGÁ, PR, BRASIL; 2.UNIVERSIDADE
ESTADUAL DE MARINGÁ, MARINGÁ, PR, BRASIL.
[email protected]
APRESENTAÇÃO ORAL
COMERCIALIZAÇÃO, MERCADOS E PREÇOS AGRÍCOLAS
Um estudo exploratório sobre os efeitos espaciais na produtividade da
cana-de-açúcar no Paraná
Grupo de Pesquisa: Comercialização, Mercados e Preços Agrícolas
Resumo
O presente trabalho tem por objetivo estudar o processo de distribuição espacial da
produção de cana-de-açúcar utilizando técnicas da econometria espacial no Estado do
Paraná entre os anos de 1990 a 2005. Para tanto utiliza-se dados da produtividade da cana.
Os resultados encontrados indicam que existe autocorrelação espacial positiva entre as
microrregiões do estado e que o Norte do Paraná é o principal região produtora de cana,
por causa de fatores edafoclimáticos e a proximidade com São Paulo, principal produtor e
processador de cana.
Palavras-chaves: econometria espacial, autocorrelação espacial, cana-de-açúcar
Abstract
The main propose of this paper is study the process of space distribution of the sugar cane
production being used techniques of spatial econometric in the Parana’s State between
1990 and 2005. For in such a way it is used given of the productivity of the sugar cane.
The results showed that exist positive space dependence enter the microregions of the state
and that the Parana’s North is the main producer of sugar cane, because of climate, ground,
1
Londrina, 22 a 25 de julho de 2007,
Sociedade Brasileira de Economia, Administração e Sociologia Rural
XLV CONGRESSO DA SOBER
"Conhecimentos para Agricultura do Futuro"
temperature factors and the proximity with São Paulo, main producer and processor of
sugar cane.
Key Words: spatial econometric, space dependence, sugar cane
1. Introdução
O Paraná até a década de 70 não se despontava como um produtor de cana-deaçúcar e derivados no mercado nacional. Segundo Shikida (2005), o Estado produzia
açúcar para o abastecimento do Estado e em muitas vezes nem conseguia suprir. O capital
utilizado era bem inferior ao empregado nas outras regiões de maior destaque.
Em 1980, com o Proálcool (Programa Nacional do Álcool) a agroindústria
canavieira experimentou uma fase de investimentos. Segundo Marchall (2005), o programa
e os investimentos objetivavam o desenvolvimento do álcool combustível, possível
substituto do petróleo em parte da matriz de transporte nacional. Na década de 90, o estado
deixou de ser intervencionista no setor, devido a recuperação do mercado internacional de
açúcar e petróleo e também, pelo fato do estado brasileiro estar em forte crise fiscal. A
partir desse fato, os donos de usinas se viram obrigados a realizarem investimentos e ações
para a sobrevivência no mercado.
A agroindústria do Paraná apresentou uma importante evolução e a produção de
cana do estado tem acompanhado o desenvolvimento da industria sucroalcooleira,
mediante investimentos na área plantada e na quantidade produzida, além da elevação da
produtividade e da melhoria da qualidade da matéria prima.
Os resultados dos investimentos realizados no setor ficam evidentes quando se
analisa o comportamento e a crescente participação do Estado na área plantada e na
quantidade produzida em relação ao total nacional. Em 1990, o Paraná ocupava a 5º
posição com 4,5% da quantidade produzida de cana do país ficando atrás de São Paulo
(52,5%), Alagoas (10%), Pernambuco (8,7%) e Minas Gerais (6,7%). No ano de 2005, o
Estado passa a ocupar a segunda posição com 7,02% da quantidade produzida ficando atrás
apenas de São Paulo (52,5%).
Considerando a área plantada o Paraná em 1990 ocupava a sétima posição com
3,68% de toda a área plantada no país, ficando atrás de São Paulo (41,9%), Alagoas (13%),
Pernambuco (11%), Minas Gerais (7%), Rio de Janeiro (4,8%) e Paraíba (3,7%). No ano
de 2005, o Estado passa a ocupar a terceira posição atrás apenas de São Paulo (53%) e
Alagoas (7%).
Considerando a evolução da produção de cana-de-açúcar do Paraná este trabalho
pretende estudar o processo de distribuição espacial da produtividade média da cana nas
microrregiões do Estado no período de 1990 a 2005 utilizando técnicas de econometria
espacial. Especificamente, pretende-se verificar, mediante a produtividade média o
comportamento espacial da cana-de-açúcar.
Este trabalho está dividido em quatro seções, incluindo a introdução. A próxima
seção apresenta a metodologia utilizada, a terceira descreve sobre os resultados e na última
são apresentadas as considerações finais do trabalho.
2
Londrina, 22 a 25 de julho de 2007,
Sociedade Brasileira de Economia, Administração e Sociologia Rural
XLV CONGRESSO DA SOBER
"Conhecimentos para Agricultura do Futuro"
2. Metodologia
O estudo da econometria espacial cada vez mais vem conquistando espaço na
literatura econômica. Segundo Figueiredo (2002), este fato tem ocorrido por causa da
constatação de que na maioria dos casos de dados de corte seccional, existem
autocorrelação espacial, e também porque, existem efeitos de interdependência nas
diferentes regiões, principalmente, quanto mais próxima uma região for da outra.
A econometria espacial considera dois efeitos espaciais na sua estimação, o
primeiro é a dependência espacial ou autocorrelação espacial e o segundo a
heterogeneidade espacial. Segundo Anselin (1988), esses dois efeitos costumam ser
ignorados na literatura econométrica tradicional, muito provavelmente, pela ênfase dada os
fenômenos dinâmicos e os dados de série de tempo.
A dependência espacial, segundo Almeida (2004), é dada pela interação dos
agentes nos espaço, ou seja, o valor de uma variável de interesse numa certa região i
depende do valor dessa variável nas regiões vizinhas j. A inserção da localização no estudo
é importante, pois quando este não é inserido os resultados proporcionados pela
econometria convencional podem se tornar inválidos. A inserção de técnicas espaciais
incorpora na modelagem o padrão da interação sócio-econômica entre os agentes do
sistema, bem como as características da estrutura desse sistema no espaço.
A heterogeneidade espacial manifesta-se quando ocorre a instabilidade estrutural no
espaço. Dessa forma, há diferentes respostas dependendo da localidade ou da escala
espacial. A heterogeneidade espacial ocorre na situação em que os coeficientes ou os
padrões do erro variam sistematicamente através das áreas geográficas.
Conforme destacado por Almeida (2004), nos processos espaciais existe um
imbricamento entre os dois efeitos, pois a heterogeneidade espacial gera dependência
espacial e, por sua vez, a dependência espacial pode levar a heterogeneidade.
2.1 Análise Explanatória dos Dados Espaciais
A análise explanatória de dados espaciais (AEDE), segundo Almeida, Perobelli e
Ferreira (2005), está baseada nos aspectos espaciais contidos na base dos dados, assim,
considera a dependência espacial e a heterogeneidade espacial. O objetivo deste método é
descrever a distribuição espacial, os padrões de associação espacial (cluster espaciais),
verificar a presença de diferentes regimes espaciais ou outras formas de instabilidade
espacial (não estacionariedade) e identificar outliers.
É importante ressaltar, segundo Almeida (2004), que essa análise é mais apropriada
na investigação de variáveis espacialmente densas ou intensivas, ou seja, variáveis que são
divididas por algum indicador de intensidade (variáveis per capita, ou por área, ou ainda,
as divididas pela quantidade de capital ou trabalho).
O autor destaca que essa análise é mais apropriada para investigar variáveis
espacialmente densas ou intensivas, isto é, variáveis que são divididas por algum indicador
de intensidade (variáveis per capita, ou por área, ou variáveis divididas pela quantidade de
trabalho ou de capital). A relevância é que essas variáveis estariam levando em conta as
externalidades relevantes na consideração do fenômeno estudado (efeitos de aglomeração,
de vizinhança e/ou congestão).
3
Londrina, 22 a 25 de julho de 2007,
Sociedade Brasileira de Economia, Administração e Sociologia Rural
XLV CONGRESSO DA SOBER
"Conhecimentos para Agricultura do Futuro"
A partir da AEDE é possível extrair medidas de autocorrelação espacial global e
local, investigando a influência dos efeitos espaciais por intermédio de métodos
quantitativos.
2.1.1 Autocorrelação espacial global
O estudo da AEDE tem como primeiro passo verificar a aleatoriedade dos dados
espaciais, significando que os valores do atributo numa região não dependem dos valores
desse atributo nas regiões vizinhas.
Segundo Almeida (2004) na literatura existe um conjunto de estatísticas que
investigam a presença da autocorrelação espacial, isto é, se existe a coincidência da
similaridade de valores de uma variável com a similaridade da localização dessa variável.
Uma estatística utilizada para o cálculo da autocorrelação espacial é a estatística I
de Moran. Conforme Perobelli et. al (2005), através dela, obtêm-se a indicação formal do
grau de associação linear entre os vetores de valores observados no tempo t (zt) e a média
ponderada dos valores da vizinhança, ou defasagens espaciais (Wzt). Os valores de I
maiores (ou menores) do que o valor esperado E(I) = -1/(n-1) significa que há
autocorrelação positiva (ou negativa).
De acordo com Almeida, Perobelli e Ferreira (2005), a autocorrelação espacial
positiva revela que existe uma similaridade entre os valores da variável estudada e da
localização espacial dessa. A autocorrelação espacial negativa revela, por sua vez, que
existe uma dissimilaridade entre os valores da variável considerada e a sua localização
espacial.
A estatística I de Moran pode ser expressa como:
 z t'Wz t



n
It = 



'
z t z t  , t= 1,...,n
 S o 
(1)
em que, zt é o vetor de n observações para o ano t na forma de desvio em relação à média.
W é a matriz de pesos espaciais: os elementos wii na diagonal são iguais a zero, enquanto
que os elementos wij indicam a forma como a região i está espacialmente ligada com a
região j. O termo So é um escalar igual a soma de todos os elementos de W.
A normalização das linhas da matriz de pesos espaciais, ou seja, quando os
elementos de cada linha somam 1, altera a expressão (7) para a seguinte forma:
 z t' Wz t

It = 

'
z t z t  , t = 1,...,n

(2)
Deve-se destacar que a estatística I de Moran é uma medida global, portanto não é
possível observar a estrutura de correlação espacial em nível regional.
A indicação de padrões globais de associação espacial pode estar em conformidade
com padrões locais, embora não seja necessariamente o caso que prevalece. De acordo
com Almeida (2004) existem dois casos distintos, o primeiro ocorre quando a indicação de
ausência de autocorrelação global oculta padrões de associação local e o outro ocorre
4
Londrina, 22 a 25 de julho de 2007,
Sociedade Brasileira de Economia, Administração e Sociologia Rural
XLV CONGRESSO DA SOBER
"Conhecimentos para Agricultura do Futuro"
quando uma forte indicação de autocorrelação global camufla padrões de associação local
(cluster ou outliers espaciais). Esta estatística não tem a capacidade de identificar a
presença de autocorrelação local que sejam estatisticamente significantes, desta forma,
utilizam-se estatística de autocorrelação espacial local.
2.1.1.1 Digramas de Dispersão de Moran
O diagrama de dispersão de Moran, segundo Almeida et. al (2006), é uma das
formas de interpretar a estatística I de Moran. Através da representação do coeficiente de
regressão é possível visualizar a correlação linear entre z e Wz1 no gráfico que considera
duas variáveis. No caso específico da estatística I de Moran tem-se o gráfico de Wz e z.
Portanto, o coeficiente I de Moran é dado pela inclinação da curva de regressão de Wz
contra z e esta apresentará o grau de ajustamento.
Isto significa que o digrama de dispersão de Moran, segundo Monasterio e Ávila
(2004), apresenta o valor padronizado de uma variável para cada uma das unidades nas
abscissas e, no eixo das ordenadas, a média do valor padronizado da mesma variável para
os vizinhos desta unidade.
Este diagrama, de acordo com Almeida (2004), é divido em quatro quadrantes.
Estes quadrantes correspondem a quatro padrões de associação local espacial entre as
regiões e seus vizinhos.
Figura 1 – Mapa de dispersão de Moran2
AB
AA
BB
BA
Fonte: elaborado pelos autores.
O primeiro quadrante (localizado na parte superior direita) mostra as regiões que
apresentam altos valores para a variável em análise cercada por regiões que também
apresentam valores acima da média para a variável em análise. Este quadrante é
classificado como alto-alto (AA).
O segundo quadrante (localizado na parte superior esquerda) mostra as regiões
com valores baixos cercados por vizinhos que apresentam valores altos. Este quadrante é
geralmente classificado como baixo-alto (BA).
1
2
O Wz é o termo z defasado espacialmente.
O eixo y refere-se ao valor espacialmente defasado da variável e o eixo x ao valor assumido pela variável.
5
Londrina, 22 a 25 de julho de 2007,
Sociedade Brasileira de Economia, Administração e Sociologia Rural
XLV CONGRESSO DA SOBER
"Conhecimentos para Agricultura do Futuro"
O terceiro quadrante (localizado no canto inferior esquerdo) é constituído pelas
regiões com valores baixos para as variáveis em análise cercados por regiões com baixos
valores. Este quadrante é classificado como baixo-baixo (BB).
O quarto quadrante (localizado no canto inferior direito) é formado pelas regiões
com altos valores para as variáveis em análise cercados por regiões de baixos valores. Este
quadrante é classificado como alto-baixo (AB).
As regiões que estão localizadas nos quadrantes AA e BB apresentam
autocorrelação espacial positiva, ou seja, estas regiões apresentam auto (baixo) valores de
uma variável rodeados por alto (baixo) valores. Por outro lado, os quadrantes BA e AB
apresentam autocorrelação espacial negativa, ou seja, estas regiões apresentam alto (baixo)
valores rodeados por baixo (alto) valores.
Um problema apresentado pelo diagrama de dispersão é o fato dele exibir grupos
de autocorrelação espacial tanto estatisticamente significativos quanto não. Entretanto,
como destaca Almeida (2004), não há sentido levar em conta na análise de grupos os que
não sejam estatisticamente significantes.
2.1.2 Autocorrelação Espacial Local
O I de Moran global, segundo Perobelli et. al (2005) pode esconder padrões locais
de autocorrelação espacial, sendo possível ocorrer três situações distintas. A primeira
envolve a indicação de um I de Moran global insignificante, podendo ocorrer indicações de
autocorrelação espacial insignificante. A segunda implica um I de Moran global, que
oculta autocorrelação espacial local negativa e insignificante. A terceira indica que a
evidência de uma autocorrelação espacial global negativa pode acomodar indícios de
autocorrelação espacial local positiva para certos grupos de dados. Por isso é importante
avaliar o padrão local de autocorrelação espacial a fim de obter um maior detalhamento.
Anselin em 1995 sugere um novo indicador que tem a capacidade de observar os
padrões locais de associação linear que é estatisticamente significante. De acordo com
Almeida (2005), o indicador de I de Moran local faz a decomposição do indicador global
de autocorrelação na contribuição local de cada observação em quatro categorias, cada
uma individualmente correspondendo a um quadrante no diagrama de dispersão de Moran.
A estatística I de Moran local pode ser obtida pela seguinte fórmula:
( yi
Ii =
− y )∑ wij ( y j − y )
∑ (y
j
− y) / n
2
i
(3)
i
Sob o pressuposto da aleatoriedade, o valor esperado da estatística I de Moran local
é dado por: E (Ii) = -wi/(n-1), em que wi é a soma dos elementos da linha.
Conforme Perobelli et. al (2005) para se observar a existência de clusters espaciais locais
(valores altos e baixos e verificar quais as regiões que mais contribuem para a existência de
autocorrelação espacial) deve-se implementar as medidas de autocorrelação espacial local
mediante a estatística LISA (Local Indicator of Spatial Association). A combinação das
informações do I de Moran e do mapa de significância das medidas de associação local
gera o mapa de clusters.
6
Londrina, 22 a 25 de julho de 2007,
Sociedade Brasileira de Economia, Administração e Sociologia Rural
XLV CONGRESSO DA SOBER
"Conhecimentos para Agricultura do Futuro"
2.2 Descrição das variáveis e fonte dos dados
O cálculo da produtividade média foi realizado mediante os dados referente a área
plantada e a quantidade produzida de cana-de-açúcar para as 39 microrregiões do Estado
do Paraná, no período de 1990 a 2005, obtidos na Pesquisa Agrícola Municipal (PAM) do
IBGE. Segundo Almeida et al. (2006), a produtividade média tem caráter parcial e é obtida
pela divisão da quantidade produzida pela área plantada. A variável produtividade dessa
maneira torna-se uma variável de intensidade, isto porque, as variáveis absolutas ou
extensivas podem levar a equívocos na interpretação dos resultados, pois costumam estar
relacionadas ao tamanho da população ou a área das regiões em estudo.
3. Resultados
A distribuição da produtividade média da cana-de-açúcar no período de 1990 a
2005 não está distribuída de forma homogênea entre as microrregiões no estado do Paraná.
O Mapa 1, apresenta os dados da produtividade média considerando as regiões outliers
(box map). Uma observação é determinada como outilier quando não segue o mesmo
padrão de dependência espacial como a maioria das outras observações. Os outiliers
podem exercer uma influência espúria sobre a medida global de autocorrelação espacial.
Segundo Almeida (2004) existem outiliers de duas naturezas: outilier global e
outilier espacial. O global pode ser definido como uma observação que foge muito das
outras restantes tanto para cima como para baixo. O espacial é definido como o que
apresenta uma associação espacial extrema e são definidos em termos das observações
vizinhas.
Como pode ser observado, mediante os mapas, nenhuma microrregião do estado se
apresenta como outilier nem superior e nem inferior. Mas é possível verificar que existe
uma concentração de valores de produtividade maior no norte do estado e de valores de
produtividade menor no centro-leste.
Mapa 1 – Produtividade média da cana no Paraná
1995
1990
7
Londrina, 22 a 25 de julho de 2007,
Sociedade Brasileira de Economia, Administração e Sociologia Rural
XLV CONGRESSO DA SOBER
"Conhecimentos para Agricultura do Futuro"
2000
2005
Outlier baixo
> 25%
25% - 50%
50% - 75%
< 75%
Outlier alto
Fonte: elaborado pelos autores.
Além da visualização dos mapas, para haver uma maior confirmação dos dados é
necessário um acompanhamento com testes sobre a hipótese de aleatoriedade espacial, ou
seja, verificar a tendência geral de agrupamento dos dados.
O diagrama de dispersão de Moran fornece várias informações sobre o grau de
dependência espacial do fenômeno estudado. Conforme, Almeida (2004) os valores que
excedem o I de Moran calculado indicam que existe autocorrelação espacial positiva e os
valores abaixo do valor esperado indicam uma autocorrelação negativa.
O I de Moran esperado é -0,026, em que os valores acima desse valor indicam
autocorrelação espacial positiva e os valores abaixo indicam autocorrelação espacial
negativa.
A Tabela 1 indica os valores do I de Moran para a produtividade da cana nos anos
de 1990, 1995, 2000 e 2005. Como pode ser verificado, existe uma autocorrelação espacial
global positiva entre as regiões, pois em todos os anos o valor calculado foi superior ao
valor esperado. Isto significa que as microrregiões com alta (baixa) produtividade média
da cana são rodeadas por microrregiões que possuem alta (baixa) produtividade.
Tabela 1 – Coeficiente de I de Moran para a produtividade média da cana no Paraná
Ano
I
Probabilidade
1990
0,7638
0,001
1995
0,8099
0,001
2000
0,5830
0,001
2005
0,7074
0,001
Fonte: elaboração dos autores.
Nota: a pseudo-significância empírica é baseada em 999 permutações aleatórias.
8
Londrina, 22 a 25 de julho de 2007,
Sociedade Brasileira de Economia, Administração e Sociologia Rural
XLV CONGRESSO DA SOBER
"Conhecimentos para Agricultura do Futuro"
O estudo do I de Moran é importante, mas é necessário a utilização de outras
ferramentas, para não induzir a erros e confirmar os resultados encontrados. O diagrama de
dispersão de Moran tem essa finalidade e divide as observações em quadrantes conforme a
distribuição da produtividade entre as microrregiões.
A Figura 2 apresenta o diagrama para os anos 1990, 1995, 2000 e 2005. Os valores
apresentados na tabela 1 e a dispersão das microrregiões no gráfico enfatizam a existência
de autocorrelação espacial positiva para a produtividade da cana. Em todos os gráficos, os
pontos que representam as microrregiões se concentram no primeiro e no terceiro
quadrante.
Figura 2 – Diagrama de Dispersão de Moran para a produtividade média da cana no Paraná
9
Londrina, 22 a 25 de julho de 2007,
Sociedade Brasileira de Economia, Administração e Sociologia Rural
XLV CONGRESSO DA SOBER
"Conhecimentos para Agricultura do Futuro"
Fonte: elaboração dos autores.
Deve-se considerar que o coeficiente de autocorrelação espacial global pode ocultar
padrões locais de autocorrelação espacial, este pode não mostrar a incerteza estatística dos
valores da microrregião em certo agrupamento. Desta forma, faz-se necessário o cálculo do
índice I de Moran local, que se dá mediante o mapa de clusters.
O Mapa 2 apresenta os clusters formados que são estatisticamente significantes
para o I de Moran local considerando a produtividade média da cana. Como pode ser
verificado existe um padrão na distribuição da produtividade da cana no estado.
Praticamente, em todos os anos estudados, ocorre a formação de dois grandes clusters,
sendo um do tipo AA (alto-alto) e outro do tipo BB (baixo-baixo).
Mapa 2 – Clusters da produtividade média da cana no Paraná
10
Londrina, 22 a 25 de julho de 2007,
Sociedade Brasileira de Economia, Administração e Sociologia Rural
XLV CONGRESSO DA SOBER
"Conhecimentos para Agricultura do Futuro"
Não significante
Alto-Alto
Baixo-Baixo
Baixo-Alto
Alto-Baixo
Fonte: elaborado pelos autores.
A região Norte do estado forma em todos os anos um grande cluster do tipo AA.
Com algumas variações podem-se encontrar as microrregiões de Paranavaí, Umuarama,
Cianorte, Campo Mourão, Astorga, Porecatu, Floraí, Maringá, Apucarana, Londrina,
Faxinal, Assai, Cornélio Procópio, Jacarezinho.
A hegemonia do norte do Estado na plantação de cana se deve, segundo Shikida e
Alves (2001) pelas condições favoráveis para o desenvolvimento das lavouras, pois a
região possui boas condições edafoclimáticas e tem proximidade com o eixo canavieiro de
São Paulo.
O grande cluster BB segue, com algumas exceções, a mesma distribuição ao longo
de todos os anos estudados. É composto pelas microrregiões de Ponta Grossa,
Prudentópolis, Irati, União da Vitória, São Mateus do Sul, Cerro Azul, Lapa, Curitiba,
Paranaguá e Rio Negro.
A tabela 2 apresenta o I de Moran bivariado, ou seja, o índice comparado entre duas
variáveis. A produtividade foi comparada com a área plantada e a quantidade produzida de
cana em cada um dos períodos.
Tabela 2 - Coeficiente de I de Moran bivariado para a produtividade média da cana no
Paraná
Ano
Área Plantada
Quantidade produzida
I
Probabilidade
I
Probabilidade
1990
0,4426
0,001
0,4347
0,001
1995
0,4720
0,001
0,4811
0,001
2000
0,3450
0,001
0,3518
0,001
2005
0,3687
0,001
0,4811
0,001
Fonte: elaborado pelos autores.
11
Londrina, 22 a 25 de julho de 2007,
Sociedade Brasileira de Economia, Administração e Sociologia Rural
XLV CONGRESSO DA SOBER
"Conhecimentos para Agricultura do Futuro"
A partir desses resultados verifica-se que há autocorrelação espacial positiva entre a
produtividade e a área plantada e a produtividade e a quantidade produzida. Isto significa
que as microrregiões com alta (baixa) produtividade são rodeadas por microrregiões com
alta (baixa) área plantada e/ou quantidade produzida.
Como dito anteriormente na análise do I de Moran univariado, é importante a
apresentação de outras ferramentas para comprovar a distribuição da autocorrelação
positiva entre as microrregiões. Desta forma, a figura 2 apresenta o diagrama de I de
Moran bivariado considerando os anos de 1990, 1995, 2000 e 2005 e a área plantada e a
quantidade produzida.
Como pode ser visto na Figura 3 a maior parte dos pontos que indicam a existência
de autocorrelação espacial positiva, sendo que a maior parte das microrregiões se situam
no primeiro quadrante. Considerando o valor do I de Moran, pode-se verificar que no
decorrer do período a quantidade produzida obteve coeficiente mais elevado que a área
plantada. Fato este que leva a interpretação de certa eficiência na produção de cana no
Estado.
Figura 3 – Diagrama de Dispersão de Moran para a produtividade média da cana no Paraná
Área Plantada
Quantidade
12
Londrina, 22 a 25 de julho de 2007,
Sociedade Brasileira de Economia, Administração e Sociologia Rural
XLV CONGRESSO DA SOBER
"Conhecimentos para Agricultura do Futuro"
Fonte: elaborado pelos autores.
O I de Moran global, como descrito anteriormente, pode camuflar padrões de
associação local. De acordo com Almeida (2004), da mesma maneira que é possível
alcançar um coeficiente de autocorrelação espacial global bivariado, pode-se obter uma
13
Londrina, 22 a 25 de julho de 2007,
Sociedade Brasileira de Economia, Administração e Sociologia Rural
XLV CONGRESSO DA SOBER
"Conhecimentos para Agricultura do Futuro"
medida de autocorrelação espacial local bivariada. Esta estatística apresenta o grau de
associação linear (positiva ou negativa) entre o valor de uma variável em uma determinada
região e a média de uma outra variável nas locações vizinhas.
O mapa 3 apresenta os clusters formados pela produtividade associada a área
plantada e a quantidade produzida. A visualização dos mapas evidencia que as
microrregiões com baixa produtividade são microrregiões rodeadas por microrregiões com
baixa área plantada e/ou quantidade produzida. De uma maneira geral, com algumas
alterações, em todos os anos estudados o cluster do tipo baixo-baixo é composto pelas
microrregiões de Ponta Grossa, Prudentópolis, Irati, São Mateus do Sul, Lapa, Curitiba,
Paranaguá, Rio Negro, União da Vitória e Cerro Azul.
O comportamento apresentado entre a produtividade e a área plantada é semelhante
ao da produtividade com a quantidade produzida. O Norte do Estado forma dois grandes
clusters um do tipo AA (microrregiões com alta produtividade cercadas por microrregiões
com alta área plantada e/ou quantidade produzida) e BA (microrregiões com alta
produtividade cercadas por microrregiões de baixa área plantada e/ou quantidade
produzida).
De uma maneira geral, o cluster do tipo AA é formado por Paranavaí, Umuarama,
Cianorte, Astorga, Porecatu, Maringá, Faxinal, Ivaiporã, Cornélio Procópio e Jacarezinho.
O cluster do tipo BA de uma maneira geral por Floraí, Apucarana, Londrina e Assai.
Estes resultados demonstram que há uma eficiência na produtividade da cana no
Norte do Paraná. Este fato, pode ser atribuído a fatores edafoclimáticos e também a
proximidade com o Estado de São Paulo que é o maior produtor de cana e processador de
álcool, açúcar e demais derivados. Segundo Wrege et al. (2005), o relevo exerce influência
sobre a temperatura e sobre os riscos de geada. As áreas de menores altitudes como as do
Norte do Paraná apresentam menores ocorrências de geadas, tornando a região apta para o
plantio da cana.
Mapa 3 – Clusters bivariado da produtividade média da cana no Paraná
Área Plantada
Quantidade
14
Londrina, 22 a 25 de julho de 2007,
Sociedade Brasileira de Economia, Administração e Sociologia Rural
XLV CONGRESSO DA SOBER
"Conhecimentos para Agricultura do Futuro"
Não significante
Alto-Alto
Baixo-Baixo
Baixo-Alto
Alto-Baixo
Fonte: elaborado pelos autores.
Considerações finais
15
Londrina, 22 a 25 de julho de 2007,
Sociedade Brasileira de Economia, Administração e Sociologia Rural
XLV CONGRESSO DA SOBER
"Conhecimentos para Agricultura do Futuro"
Este trabalho objetivou estudar a produtividade média da cana-de-açúcar do Estado
do Paraná no período de 1990 a 2005 utilizando técnicas de econometria espacial. As
unidades de observação espaciais foram as microrregiões do estado e as variáveis
utilizadas foram a quantidade produzida de cana e a área plantada.
Os resultados encontrados demonstraram que há autocorrelação espacial positiva
entre as microrregiões do Estado e que a região Norte do Paraná forma cluster do tipo
Alto-Alto. O bom desempenho do Norte paranaense na produção desse produto se deve a
proximidade com o Estado de São Paulo que é o principal produtor e processador de cana
e derivados e também em decorrência da qualidade do clima, solo e temperatura que
propicia uma boa condição para o plantio e o cultivo da cana.
Referências Bibliográficas
ALMEIDA, E. S. Curso de Econometria Espacial Aplicada. Piracicaba, 2004.
ALMEIDA, E. S., PACHECO, G. O., PATROCÍNIO, A. P. B., DIAS, S. M. Produtividade
do café em Minas Gerais: uma análise espacial. In: Congresso Brasileiro de Economia e
Sociologia Rural, Fortaleza, 2006. Anais... Fortaleza: Sociedade Brasileira de Economia e
Sociologia Rural (SOBER), 2006. CD-ROM.
ALMEIDA, E. S., PEROBELLI, F. S., FERREIRA, P. G. C. Existe convergência
espacial da produtividade agrícola no Brasil? Mimeo., CMEA/FEA/UFJF, Juiz de Fora,
2005.
ANSELIN, L. Spatial Econometrics: methods and models. Boston: Kluwer Academic,
1988.
FIGUEIREDO, A. M. R. Resposta da produção agrícola aos preços na região CentroOeste: uma análise de econometria espacial para o período 1975/1995-1996. Viçosa,
2002, 184p. Tese (Doutorado em Economia) – Universidade Federal de Viçosa.
IBGE – INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA – PAM –
Pesquisa Agrícola Municipal. Disponível em <http://www.ibge.gov.br>. Acessado: 20
mar. 2006.
MARCHALL, C. R., RISSARDI JUNIOR, D. J., STADUTO, J. A. R; SHIKIDA, P. F. A.
As políticas setoriais na agroindústria canavieira paranaense: em enfoque
neocorporativista. In: Congresso Brasileiro de Economia e Sociologia Rural, Ribeirão
Preto, 2005. Anais... Ribeirão Preto: Sociedade Brasileira de Economia e Sociologia Rural
(SOBER), 2005. CD-ROM.
PEROBELLI, F. S, ALMEIDA, E. S, ALVIM, M. I. S., FERREIRA, P. G. C. A. Análise
espacial da produtividade do setor agrícola brasileiro: 1991-2003. In: Congresso Brasileiro
16
Londrina, 22 a 25 de julho de 2007,
Sociedade Brasileira de Economia, Administração e Sociologia Rural
XLV CONGRESSO DA SOBER
"Conhecimentos para Agricultura do Futuro"
de Economia e Sociologia Rural, Ribeirão Preto, 2005. Anais... Ribeirão Preto: Sociedade
Brasileira de Economia e Sociologia Rural (SOBER), 2005. CD-ROM.
PEROBELLI, F. S, ALMEIDA, E. S, SOUZA, M. C., SOUZA, R. M. Produção de soja
na região Sul do Brasil (1991-2003): uma análise espacial. Mimeo., NUPE/FEA/UFJF,
Juiz de Fora, 2005.
SHIKIDA, P. F. A. Evolução da agroindústria canavieira no Paraná. Revista FAE
Business. Curitiba: 2005, v. jun, n. 11, p. 46 a 47.
SHIKIDA, P. F. A. ; ALVES, L. R. A. . Panorama estrutural, dinâmica de crescimento e
estratégias tecnológicas da agroindústria canavieira paranaense. Nova Economia, Belo
Horizonte: 2001, v. 11, n. 2, p. 123-149.
WREGE, M. S., CARAMORI, P. H., GONÇALVES, A. C. A., BERTONHA, A.,
FERREIRA, R. C., CAVIGLIONE, J. H., FARIA, R. T., FREITAS, P. S. L.,
GONÇALVES, S. L. Regiões potenciais para cultivo da cana-de-açúcar no Paraná, com
base na análise no risco de geadas. Revista Brasileira de Agrometeorologia, Santa Maria:
2005, v. 13, n. 1, p. 113-122.
Anexo 1 – Mapa das microrregiões do Paraná
Fonte: IBGE.
Anexo 2 – Microrregiões paranaenses
Código de unidade geográfica
Microrregião
17
Londrina, 22 a 25 de julho de 2007,
Sociedade Brasileira de Economia, Administração e Sociologia Rural
XLV CONGRESSO DA SOBER
"Conhecimentos para Agricultura do Futuro"
41 001
41 002
41 003
41 004
41 005
41 006
41 007
41 008
41 009
41 010
41 011
41 012
41 013
41 014
41 015
41 016
41 017
41 018
41 019
41 020
41 021
41 022
41 023
41 024
41 025
41 026
41 027
41 028
41 029
41 030
41 031
41 032
41 033
41 034
41 035
41 036
41 037
41 038
41 039
Paranavaí
Umuarama
Cianorte
Goioerê
Campo Mourão
Astorga
Porecatú
Floraí
Maringá
Apucarana
Londrina
Faxinal
Ivaiporã
Assai
Cornélio Procópio
Jacarezinho
Ibaití
Wesceslau Braz
Telêmaco Borba
Jaguariaíva
Ponta Grossa
Toledo
Cascavel
Foz do Iguaçu
Capanema
Francisco Beltrão
Pato Branco
Pitanga
Guarapuava
Palmas
Prudentópolis
Irati
União da Vitória
São Mateus do Sul
Cerro Azul
Lapa
Curitiba
Paranaguá
Rio Negro
Fonte: IBGE.
18
Londrina, 22 a 25 de julho de 2007,
Sociedade Brasileira de Economia, Administração e Sociologia Rural