Identificação das principais culturas agrícolas nos municípios da região do Médio e Alto
Uruguai – RS
Enio Júnior Seidel1, Silvana Gonçalves de Almeida2, Adriano Mendonça Souza3
1 Introdução
Nesse contexto temos a região do Médio Alto Uruguai, localizada no extremo
noroeste do Rio Grande do Sul, onde, segundo Poerschke (2007), é possível observar
que os municípios são definidos como os de menor investimento e utilização de
recursos para modernização.
O objetivo desta pesquisa é identificar culturas mais relevantes para os
municípios localizados na região em estudo. Pois, a região é carente de investimentos,
por isso, conhecer as características agrícolas dessa região é importante para a
elaboração de políticas e sistemas de auxilio aos agricultores.
2 Metodologia
Foram analisadas 24 variáveis referentes à questão agrícola, no ano base de
2004, em 34 municípios localizados na parte noroeste do estado do Rio Grande do Sul.
Os dados foram coletados do site da Fundação de Economia e Estatística (FEE).
Para o tratamento estatístico utilizou-se, primeiramente, a análise Fatorial,
seguida da estatística descritiva para observar o comportamento das variáveis em
estudo, para tal utilizou-se o software Statistica 7.0.
As culturas consideradas nesse estudo são: Erva-mate, Feijão, Fumo, Laranja,
Mandioca, Milho, Soja e Tangerina. Cada cultura é definida como uma variável, e cada
cultura possui três outras variáveis definidas como: Área colhida (%); Rendimento
médio (Kg/ha); e Valor da produção (R$ mil).
3 Análise Fatorial
Aqui se tem o objetivo de descrever a variabilidade original das variáveis, em
termos de um número menor k de fatores comuns e que estão relacionados com as
variáveis originais através de um modelo linear (MINGOTI, 2005).
Os fatores poderiam ser estimados por:
1
Mestrando em Eng. de Produção/PPGEP, UFSM, [email protected]
2
Graduanda em Matemática, UFSM, [email protected]
3
Professor do PPGEP, UFSM, [email protected]
F j = ω j1 z1 + ω j 2 z 2 + ... + ω ji z i
onde: F j são os fatores comuns não relacionados, ω ji são os coeficientes dos escores
fatoriais e z i é o vetor de observações padronizadas.
Para determinar o número k de fatores a serem considerados nessa análise, é
utilizado o critério da raiz latente, no qual se consideram os fatores cujos autovalores
são maiores ou iguais a 1 (HAIR et al, 2005). Por fim faz-se a extração das
componentes principais, que são combinações lineares de variáveis construídas de
maneira a captar o máximo de variância, em que a primeira componente explica a maior
variação existente, o segundo a segunda maior variação e assim por diante (SANTOS,
2004). Nesta pesquisa se fará uso das componentes principais na forma do círculo
unitário realizando a comparação com o plano fatorial dos casos, de modo a identificar,
visualmente, quais variáveis estão relacionadas com os casos em estudo, e
consequentemente quais variáveis são mais importantes para cada município (caso).
4 Resultados e discussão
Primeiramente aplicou-se o teste de esfericidade de Bartlett, para verificar a
existência de correlações significativas entre as variáveis (HAIR et al, 2005). O teste
gerou um valor de 767,48, significativo (p=0,0001), mostrando que a análise Fatorial
pode ser aplicada.
Segundo Corrar et al (2007), é possível extrair um certo número de fatores
comuns de um número de variáveis, de modo a retratar de uma forma mais simples uma
estrutura existente mas não observável. Observa-se na Tabela 1 os fatores selecionados,
assim como autovalores e variância explicada, obtendo-se uma redução de 21 variáveis
para 6 fatores.
TABELA 1 - Autovalores e percentual de variância explicada de cada fator.
Autovalor
Fator
1
2
3
4
5
6
8,598491
3,225106
2,471801
1,997893
1,653766
1,413749
Variância
explicada %
35,82704
13,43794
10,29917
8,32455
6,89069
5,89062
Autovalores
acumulados
8,59849
11,82360
14,29540
16,29329
17,94706
19,36081
Variância
acumulada %
35,82704
49,26499
59,56416
67,88871
74,77940
80,67002
As Figuras 1 e 2 mostram os círculos unitários (estrutura das variáveis) e os
planos fatoriais (estrutura dos casos) para os três primeiros componentes principais
encontrados (cada fator gera uma componente principal). Optou-se por utilizar os três
primeiros componentes, pois são os que possuem cargas fatoriais significativas, tendo
como serem rotulados.
Na Figura 1 estão os fatores 1 e 2, relacionando as variáveis com os
municípios, numa variação explicada de 49,26%. Observa-se que as variáveis mais
influentes no fator 1 são Laranja (Kg/ha), Soja (%), Tangerina (%) e Tangerina (R$
mil). O fator 2 possui a variável Milho (R$ mil) como a de maior peso. Porém, para
analisar o relacionamento entre variáveis e os municípios consideramos todas as
variáveis.
1,0
8
6
La ra nj a-2 00 4 (%)p
Ta ng eri na-20 04 (% )p
La ra nj a -2 004 (R$ m i l )p
So j a -20 0 4 (k g / ha )p
Fe i j ã o-20 04 (k g / h a)p
0,0
NVX
ENV
4
Fac tor 2: 13,44%
Factor 2 : 13,44%
0,5
Fe i j ã o-20 04 (% )p
La ra nj a -2 004 (k g / h a)p
Tan ge ri n a-2Fu
00m4o-2
(R$0 04
m i l(%
)p )p
M aa-20
ndi oc
00h4a)p
(% )p
MFei
a ndi
04a-2
(kmM
g/
j ãooc
-20 0 4 (R$
i li)p
l ho -2 00 4 (%)p
Soj a-2 0 04 (% )p
Fu m o -2 00 4 (R$ m i l )p
Erv a m a te-20 04 (k g/ haM)pi lSo
j a-20
m )p
i l )p
ho-20
0404(k (R$
g/ ha
Ta ng e ri n a-2 00 4 (k g / h a)p
LIS
2
GRL
CON
RIN
SPM
TRS
CGR
VIA NVT PINL
SAF
TRP
SJM
AMS
PLA
PIV
0
ALP
VID
IRA
CAR
-2
TAS
PAL ROB
LAB
JAB
CRS
NON
DIM
FRW
BVM
M an di o c a -20 04 (R$ m i l )p
-0,5
ERS
Fum o-2 004 (k g/ ha
Erv
)p a m at e-20 04 (R$ m i l )p
-4
Erv a m a te -20 04 (% )p
SEB
M i l h o-2 0 04 (R$ m i l )p
-6
-1,0
-1,0
-0,5
0,0
0,5
1,0
Factor 1 : 35,83%
-8
-10
Active
-8
-6
-4
-2
0
2
4
6
8
Ac tiv e
Fac tor 1: 35,83%
FIGURA 1 - Planos fatoriais 1x2 com a distribuição das nuvens de variáveis e casos
(municípios).
Na Figura 2 estão os fatores 1 e 3, numa variação explicada de 46,13%. É
possível verificar que a variável mais influente no fator 3 é Milho (%). Porém,
consideram-se todas as variáveis para a análise.
1,0
6
5
M i l h o-2 00 4 (%)p
NVT
4
Erv a m a te-20 04 (k g/ ha )p
Fe i j ã o-2 00 4 (% )p
Ta ng eri n a -20 04 (k g/ ha )p
M a nd i oc a-20 04 (R$ m i l )p
M an di o c a -20 0 4 (k g / ha )p
o-20 404(R$
(R$mmi l )p
i l )p
FeFum
i j ã o-200
0,0
So j a -20 04 (% )p
Erv a m ate -2 00 4 (R$ m i l )p
Fum o-20 04 (k g/ ha )p
M i l ho -20 04 (R$ m i l )p
Fe i j ã o-2 00 4 (k g / h a)p
Tan g eri n a-20 04 (% )p
La ra nj a -20
04 nj
(ka-2
g / h00
a)p
L ara
4 (R$ m i l )p
Ta n ge ri n a-2 00 4 (R$ m i l )p
M i l h o-20 04 (k g / h a )p
So j a-20 04 (R$ m i l )p
-0,5
CGR
ROB
A MS
2
Erv a m a te-20 04 (% )p
Fu m o -20 0 4 (%)p
La ra nj a-2 00 4 (%)p
P INL LA B
3
M a nd i oc a-20 04 (% )p
Factor 3: 10,30%
Factor 3 : 10,30%
0,5
PAL
1
TA S
LIS V IA
S EB
P IV
A LP
CA R
VID
IRA
0
CRS
NV X
E NV GRL
TRS
-1
DIM
B VM
CON
FRW
P LA
-2
JA B
S JM
SA F E RS
S PM
TRP
RIN
-3
NON
So j a -2 00 4 (k g/ ha )p
-4
-5
-6
-1,0
-1,0
-0,5
0,0
Factor 1 : 35,83%
0,5
1,0
Active
-7
-10
-8
-6
-4
-2
0
Factor 1: 35,83%
2
4
6
8
Active
FIGURA 2 - Planos fatoriais 1x3 com a distribuição das nuvens de variáveis e casos
(municípios).
Fazendo uma análise global, considerando os três fatores simultaneamente, é
possível verificar que os municípios de Alpestre, Ametista do Sul, Caiçara, Frederico
Westphalen, Irai, Liberato Salzano, Palmitinho, Pinheirinho do Vale, Planalto, Rodeio
Bonito, Seberi, Taquaruçu do Sul, Vicente Dutra e Vista Alegre têm relação com as
culturas de Feijão, Fumo, Laranja, Mandioca, Milho e Tangerina. Esse resultado pode
ser relacionado a questões como características geográficas dos municípios, tipos de
propriedades agrícolas, pois estes municípios têm propriedades agrícolas menores, na
maioria, de agricultura familiar, sem grandes tecnologias ou maquinário de grande
porte.
Já os municípios de Boa Vista das Missões, Cerro Grande, Constantina, Cristal
do Sul, Dois Irmãos das Missões, Engenho Velho, Erval Seco, Gramado dos Loureiros,
Jaboticaba, Lajeado do Bugre, Nonoai, Novo Tiradentes, Novo Xingú, Pinhal, Rio dos
Índios, Sagrada Família, São José das Missões, São Pedro das Missões, Três Palmeiras
e Trindade do Sul têm relação com as culturas da Erva mate, Milho e Soja. Esses
municípios possuem propriedades agrícolas relativamente maiores se comparadas com
os municípios anteriores, esse fato comprova a maior ênfase nas culturas do Milho e
Soja, através da agricultura mecanizada. Isso é verificado por Schneider & Fialho
(2000) apud Poerschke (2007), que apontam que os municípios das Missões e Alto
Uruguai têm se destacado pela expansão da cultura da soja. Além disso, podemos
relacionar a utilização da cultura da erva mate com o número elevado de indústrias
ervateiras nesses municípios.
4 Conclusão
Observa-se que, considerando a questão agrícola, existem dois grupos de
municípios na região em estudo. Um grupo de municípios com domínio das culturas do
Feijão, Fumo, Laranja, Mandioca, Milho e Tangerina. E outro, caracterizado pela
referência às culturas da Erva mate, Milho e Soja. Sugere-se no primeiro o incentivo por
meio de disseminação de conhecimento sobre os cultivares de modo a aumentar a
produtividade, visto que o aumento de área plantada é uma restrição, pois a grande
maioria são de pequenos produtores, e isto foge ao orçamento familiar. Sugere-se
também em nível municipal, a criação de patrulha agrícola, onde município, a custos
razoáveis, poderá trazer melhorias com maquinários para o plantio e colheita, sendo
estes equipamentos prioritários para esta função, tendo em vista que o setor agrícola
compreende um calendário especifico.
A cultura mecanizada com propósitos de atender a demanda nacional e as
exportações deve contar com a participação de órgãos de fomento de pesquisa e de
financiamentos, pois são grandes extensões e com grandes custos. Vale lembrar que a
parceria entre municípios, estado e governo federal é uma ótima solução.
Para estudos futuros sugere-se a inclusão de outras culturas, e ampliar a
análise para todo o estado, além de considerar outras variáveis como, por exemplo, nível
de inovação tecnológica utilizada, maquinário, etc.
Referências
CORRAR, L. J. et al. Análise multivariada: para os cursos de
administração, ciências contábeis e economia. FIPECAFI. São Paulo: Atlas, 2007.
FUNDAÇÃO DE ECONOMIA E ESTATÍSTICA – FEE. Disponível em:
http://www.fee.rs.gov.br/feedados/consulta/sel_modulo_pesquisa.asp. Acesso em: 22
ago. 2007.
HAIR, J. F.; et al. Análise multivariada de dados. Trad. Adonai S.
Sant’Anna e Anselmo C. Neto. 5 ed. Porto Alegre: Bookman, 2005.
MINGOTI, S. A. Análise de dados através de métodos de estatística
multivariada: uma abordagem aplicada. Belo Horizonte: Editora UFMG, 2005.
POERSCHKE, R. P. Análise multivariada de dados socioeconômicos: um
retrato da modernização agrícola no rio grande do sul. 125 f. Monografia
(Especialização) – Programa de Pós-Graduação em Estatística e Modelagem
Quantitativa da Universidade Federal de Santa Maria, Santa Maria, RS, 2007.
SANTOS, J. H. S. et al. Distinção de grupos ecológicos de espécies florestais
por meio de técnicas multivariadas. Revista Árvore, v.28, n.3, p.387-396, Viçosa,
2004.