DEGRADAÇÃO AMBIENTAL NO ESTADO DE MINAS GERAIS: INDICADORES
E ÍNDICES.
Elaine Aparecida Fernandes
Nina Rosa da Silveira Cunha
Rubicleis Gomes da Silva
RESUMO
Historicamente as atividades agrícolas sempre possuíram grande relevância para a
economia e dentro deste contexto, o meio ambiente ficou relegado a um segundo plano.
Nesta ótica, grandes impactos ocorreram em termos de degradação ambiental: quais os
efeitos que os municípios sofreram e quais características comuns entre eles?. De forma
geral, este artigo busca quantificar o nível de degradação ambiental dos municípios
mineiros. Especificamente, pretende-se, por meio de análise estatística multivariada,
determinar indicadores econômicos, populacionais e biológicos que impactam na
degradação, em seguida, quantificar a degradação ambiental dos municípios mineiros, e,
por fim, agrupá-los de acordo com suas características similares. Os resultados apontam
que Minas Gerais possui um ID médio de 86%, devendo-se destacar que mais de 40% dos
municípios mineiros obtiveram valores do ID iguais a 1. Os outros 60% apresentaram
valores para o índice acima de 0,70, ou seja, com 70% do território degradado. As exceções
ocorrem nos municípios de Senador Amaral e Bom Repouso que obtiveram ID,s mínimos
de 0,04 e 0,10, respectivamente
1. INTRODUÇÃO
O território mineiro por apresentar características peculiares em termos
fisiográficos, locacionais e infraestruturais e à disponibilidade de recursos naturais e de
matérias-primas, torna-o com vocação natural à concentração produtiva. Na pecuária, o
rebanho bovino responde por 10% do total do rebanho brasileiro e 1% do mundial; na
agricultura, a cultura do café continua expressiva e bastante significativa; e, o minério de
ferro, nas indústrias extrativas mineral, é o responsável não só pelo abastecimento interno,
mas igualmente no comércio internacional (FUNDAÇÃO JOÃO PINHEIRO, 2000).
É fato que o Estado de Minas Gerais por séculos apresenta atividades produtivas,
sendo que historicamente as atividades agrícolas possuíram e continuam a apresentar
grande relevância para economia. Dentro deste cenário, é óbvio que o meio ambiente sofreu
grandes impactos, em termos de degradação ambiental, tornando-se necessário a
mensuração de quais os impactos que os municípios sofreram e quais características
comuns entre eles.
De forma geral, este trabalho busca quantificar o nível de degradação ambiental dos
municípios mineiros. Especificamente, pretende-se determinar indicadores econômicos,
populacionais e biológicos que impactam na degradação, em seguida, quantificar a
degradação ambiental dos municípios mineiros, e, por fim, agrupá-los de acordo com suas
características similares.
Poucos estudos no Brasil quantificaram o nível de degradação ambiental de uma
região ou estado, dentre eles pode-se citar LEMOS (2000) que determinou o nível de
degradação ambiental dos municípios do Nordeste e SILVA e RIBEIRO (2004) que
1
determinou o nível de degradação dos municípios acreanos e elaborou uma análise de
cluster.
Quantificar o nível de degradação ambiental, bem como, determinar os impactos
que variáveis econômicas, biológicas e populacionais exercem sobre o nível de degradação
ambiental para o Estado de Minas Gerais constitui-se a inovação presente nesta pesquisa.
Este artigo está estruturado da seguinte forma: metodologia, onde são expostas
algumas considerações sobre análise fatorial e de cluster; os resultados com uma breve
discussão e, por fim, as conclusões.
2. METODOLOGIA
Admitindo ser a degradação ambiental um fator de destaque na atualidade devido a
seus efeitos negativos sobre o planeta, a aferição da magnitude desse processo no Estado de
Minas Gerais foi feita com o uso da análise fatorial, aplicada a um conjunto de variáveis
relacionadas a esse problema. Essa medida possibilitou a descrição do processo de
degradação em Minas Gerais, permitindo a construção de índices parciais e totais de
degradação, além de, por meio de uma análise de clusters, agrupar as informações em
classes distintas e mais ou menos homogêneas com respeito à importância desse processo.
O Índice de Degradação (ID) é utilizado como medida da proporção de degradação
da área de determinado município. Este índice tem como referência o trabalho de LEMOS
(2000) e constitui-se, segundo este autor, numa evolução, do ponto de vista metodológico,
do Índice de Desertificação por ele desenvolvido. Segundo o autor, o Índice de
Desertificação não captava o percentual de devastação a que cada um dos municípios de
seu campo de estudo (Região Nordeste) estava sendo submetido, o que se torna possível a
partir da construção do ID. Neste sentido, a construção do ID foi feita em duas etapas. Na
primeira, desenvolveu-se, por meio de procedimento de análise multivariada, o Índice
Parcial de Degradação (IPD). O software utilizado foi o SPSS 10.0, procedimento Data
Reduction – Factor. Com base no IPD foram estimados, utilizando-se análise de regressão,
os pesos atribuídos a cada uma das variáveis que entraram na composição do ID. O
software utilizado foi o EViews 4.0, método dos mínimos quadrados ordinários (MQO).
2.1 Análise fatorial
O estudo do processo de degradação ambiental, que possibilitou a construção dos
índices parciais e totais de degradação, nos diversos municípios de Minas Gerais foi feito
com base na análise fatorial por componentes principais. Essa técnica não tem sido
freqüentemente adotada como instrumental de análise em trabalhos sobre a degradação
ambiental. A referência básica do presente estudo está em LEMOS (2000) e SILVA (2004).
Segundo KIM e MUELLER (1978), a análise fatorial pode ser entendida com um
conjunto de técnicas estatísticas cujo objetivo é representar um grupo de variáveis em
termos de um menor número de variáveis hipotéticas. O método consiste na tentativa de
determinar as relações quantitativas entre as variáveis, de modo a associar, àquelas com
padrão semelhante, o efeito de um fator causal subjacente e específico.
2.1.1. Estimação do Índice Parcial de Degradação (IPD)
Para estimar o IPD associado a cada um dos municípios de Minas Gerais,
empregou-se o método de análise fatorial utilizando-se a técnica de Componentes
Principais. O referido método é apresentado a seguir em sua forma matricial.
Genericamente, um modelo de análise fatorial é apresentado da seguinte forma:
2
X = µ + αf + ε
(1)
t
em que X = (X1, X2,..., Xp) é um vetor transposto de variáveis aleatórias observáveis; f =
(f1, f2, ... , fr)t é um vetor transposto (r < p) de variáveis não observáveis ou fatores; α é uma
matriz (p x r) de coeficientes fixos denominados cargas fatoriais; ε = (ε 1,ε 2 ,...,ε p ) t é um
vetor transposto de erros aleatórios.
A análise fatorial possui propriedades importantes que devem ser destacadas. A
primeira delas é que E (ε ) = E (f ) = 0 e a segunda, refere-se aos fatores, eles devem ser
ortogonais. Em geral, a estrutura inicial das estimativas das cargas fatoriais não é definitiva.
Para confirmar ou rejeitar esta estrutura, o método proporciona a possibilidade de se fazer
sua rotação, sendo utilizado neste trabalho o método Varimax de rotação ortogonal dos
fatores (1).
Por definição, o escore fatorial irá situar cada observação no espaço dos fatores
comuns. Para a construção do IPD, estimaram-se os escores associados aos fatores obtidos
após a rotação ortogonal da estrutura fatorial inicial (LEMOS, 2000). Deste modo, para
cada fator fi o i-ésimo escore fatorial que pode ser extraído é definido por Fi e pode ser
expresso por:
n
Fi = ∑ b j X ij , com j = 1, 2, ... , p
(2)
i =1
em que bj são os coeficientes de regressão e Xij são as p variáveis observáveis.
Como a variável Fi é não observável, tem-se que estimá-la através das técnicas de
análise fatorial por meio da matriz X de variáveis observáveis. Neste sentido, utilizando-se
a forma matricial, pode-se reescrever a equação (2) da seguinte forma:
F (n x q) = X(n x p).B(p x q)
(3)
Como nas equações (2) e (3) os escores fatoriais serão afetados tanto pela
magnitude quanto pelas unidades em que as variáveis Xi são medidas, substitui-se a
variável Xi pela variável normalizada Zij, podendo-se reescrever a equação (3) como segue:
(3.a)
Z ij = [(X i − µ xi ) σ xi ]
em que µxi é a média de Xi e σxi é o seu desvio padrão.
A partir desta transformação, a equação (3) é modificada podendo ser rescrita da
seguinte maneira:
F(nxq) = Z(nxp).β(pxq)
(4)
Na equação (4), o vetor β substitui o vetor dos coeficientes de regressão B, pois as
variáveis estão normalizadas em ambos os lados da equação. Ao se multiplicar os dois
lados da equação (4) por (1/n)Zt, tem-se:
(1/n)Z t F = (1/n)Z t Zβ
(5)
t
em que n é o número de observações e Z é a matriz transposta de Z.
O primeiro membro da equação (5), (1/n)ZtF, é a matriz de correlação entre os
termos de Xi e a partir de agora será representada por R. Já a matriz 1/n)Z t Zβ representa a
correlação existente entre os escores fatoriais e os próprios fatores e será identificada por Λ.
Assim, pode-se reescrever a equação (5) da seguinte forma:
Λ = R.β
(6)
(1)
Maiores detalhes sobre o assunto podem ser encontrados em DILLON e GOLDSTEIN (1984); JOHNSON e WICHERN
(1988) e BASILEVSKY (1994).
3
Supondo que a matriz R é não-singular, ou seja, que R≠ 0, pode-se multiplicar
ambos os lados de (6) pela inversa de R, dada por (R -1), obtendo-se a seguinte equação:
β = R -1. Λ
(7)
Tendo-se estimado o vetor β, pode-se substituí-lo na equação (4), obtendo-se os
escores fatoriais associados a cada observação.
2.1.2. Construção do IPD
A propriedade de ortogonalidade dos escores fatoriais estimados foi utilizada para a
elaboração do IPD. Entretanto, deve-se observar que a ortogonalidade associada à matriz de
fatores não implica necessariamente na ortogonalidade dos escores fatoriais, devendo-se
testar se os escores fatoriais são ortogonais por meio da matriz de variância e covariância
entre estes escores (LEMOS, 2000).
O IPD foi estimado pela seguinte equação:
1
 n
2
IPD i =  ∑ Fij2  , com j = 1, 2, ..., p
(8)
 i=1 
em que IPDi é o índice parcial de degradação associado ao i-ésimo município de Minas
Gerais; Fij são os escores fatoriais estimados segundo o procedimento de decomposição em
componentes principais.
Espera-se que os escores associados aos municípios tenham distribuição simétrica
em torno da média zero, assim, metade deles terá sinais negativos e a outra metade terá
sinais positivos, sendo que os municípios que apresentarem os menores índices de
degradação parcial terão escores fatoriais negativos. Para evitar que altos escores fatoriais
negativos elevem a magnitude dos índices associados a estes municípios, torna-se
necessária à transformação mostrada abaixo, tendo por objetivo inseri-los todos no primeiro
quadrante (LEMOS, 2000):
(F − Fmin )
(9)
Fij =
(Fmax − Fmin )
em que Fmin e Fmax são os valores máximo e mínimo observados para os escores fatoriais
associados aos municípios mineiros.
Através deste procedimento, todos os escores fatoriais estarão contidos no intervalo
fechado entre zero e um. Na Figura 1 mostra-se como se calcula geometricamente o Índice
Parcial de Degradação.
F1
Ra
F1a
Rb
F1b
0
F2a
F2b
F2
Figura 1: Construção Geométrica do Índice Parcial de Degradação (IPD).
4
Observa-se, por meio da Figura 1 que associado ao município A estão os escores
fatoriais F1a e F2a. Segundo LEMOS (2000), a resultante associada a estes escores fatoriais
ortogonais é dada pelo vetor Ra, assim definido:
Ra = (F1a2 + F2a2 )1/2
(10)
Procedimento semelhante seria utilizado para o município B. O tamanho da
resultante Ra ou Rb, respectivamente, determinará a magnitude do IPD associado aos
municípios A e B. Deve-se ressaltar que o IPD, definido desta forma, é de utilidade para
fazer o rank dos municípios de Minas Gerais quanto ao nível de degradação (LEMOS,
2000). Não serve porém, para estimar o percentual de degradação que é observado em cada
um dos municípios, o que é feito utilizando-se o ID cuja formulação será apresentada a
seguir.
2.1.3. Construção do ID
Na construção do IDi associado ao i-ésimo município de Minas Gerais, utilizou-se a
seguinte equação:
p
 n

ID i =  ∑ Pj X i  , com ∑ Pj = 1
(11)
j =1
 i=1

em que os pesos Pj são estimados por regressão múltipla, onde a variável dependente é o
IPDi e as variáveis explicativas são os indicadores utilizados para a construção do ID.
2.1.4 - Construção dos Indicadores de Degradação
O termo degradação ambiental, na presente análise, sugere danos causados ao meio
ambiente por atividades econômicas, aspectos populacionais e fatores biológicos. Nesse
sentido, a degradação pode ser considerada um processo caracterizado por desmatamentos
para atender a demanda da população para novas áreas onde possam fixar-se, a derrubada
da floresta e a queima da vegetação tendo por objetivo aumentar as áreas limpas para
atender atividades econômicas como agricultura e pecuária. Diante do exposto, para
construir o ID levou-se em consideração quatro indicadores, sendo um biológico, dois
econômicos e um demográfico.
O indicador biológico refere-se à cobertura vegetal existente em cada município de
Minas Gerais. Esta cobertura é avaliada pelo somatório das áreas com matas e florestas
nativas e plantadas, áreas com lavouras perenes e áreas com lavouras temporárias, sendo
dividido pela área rural total do município (LEMOS, 2000).
Os dois indicadores econômicos foram definidos pela produtividade das lavouras e
animal. O primeiro foi obtido pela relação entre o valor da produção vegetal agregada do
município e a soma das áreas com lavouras perenes e temporárias. O segundo foi obtido
pela divisão do valor da produção animal do município pela área total com pastagens
naturais e cultivadas (LEMOS, 2000).
O indicador demográfico refere-se à capacidade das áreas com lavouras (perenes e
temporárias) e de pastagens (naturais e plantadas) suportarem um maior contingente de
trabalhadores nas atividades agropecuárias. Quanto mais degradadas estiverem as áreas,
menores serão as capacidades dessas áreas em suportar uma maior quantidade de
trabalhadores por unidade. Portanto, esta variável se define pela relação entre a mão de obra
total utilizada na zona rural do município dividida pelo somatório das áreas com lavouras e
pastagens do município (LEMOS, 2000).
5
A construção de um Índice de Degradação envolve um conhecimento à priori de
quais seriam os níveis ideais de preservação associados aos indicadores que são utilizados
para a sua construção (LEMOS, 2000). Esta seria uma tarefa extremamente difícil, até
porque variaria de acordo com quem estivesse fazendo a análise e dependeria de um forte
nível de subjetividade.
A fim de contornar essa situação, foi adotado o critério de hierarquização
considerando os 10% municípios melhores posicionados em cada um dos indicadores
utilizados para aferir a degradação. Como em 1995 haviam 756 municípios no Estado,
foram considerados 76 municípios. Com base nesses municípios, estimou-se uma média
aritmética de cada indicador, tomando-se estes valores como referência de preservação.
Logo, quanto mais distante estiver o valor encontrado de um município qualquer para um
determinado indicador em relação à média estimada daquele indicador nos 76 municípios
melhores posicionados, mais degradado estará o município no que se refere a este indicador
específico (LEMOS, 2000).
Levando em consideração o fato supracitado, definem-se os seguintes indicadores:
- COBVi = cobertura vegetal do município, que representa o somatório das áreas com
matas e florestas nativas e cultivadas, mais as áreas com lavouras perenes e temporárias
dividida pela área total do i-ésimo município do Estado do Minas Gerais;
- COBVREF = média da cobertura vegetal dos 76 municípios melhores posicionados em
relação a este indicador;
- VAVEi = valor da produção vegetal do i-ésimo município do Estado de Minas Gerais
dividida pela soma das áreas com lavouras perenes e temporárias;
- VAVEREF = média deste indicador nos 76 municípios melhores posicionados em relação
a ele;
- VANIi = valor da produção animal do i-ésimo município do Estado de Minas Gerais
dividida pela área total com pastagens naturais e cultivadas;
- VANIREF = média deste indicador nos 76 municípios melhores posicionados em relação a
ele;
- MORUi = total da mão de obra empregada no meio rural do município i-ésimo dividida
pelo somatório das áreas com lavouras e pastagens;
- MORUREF = média deste indicador nos 76 municípios melhores posicionados em relação
a ele.
Com base nos indicadores acima, desenham-se aqueles que entram na construção do
IPD e do ID, cujas definições são as seguintes (LEMOS, 2000):
- DECOBV (Xi1) = 0, quando COBV ≥ COBVREF;
- DECOBV (Xi1) = [1 – (COBV/ COBVREF)]*100, nos demais casos;
- DEVAVE (Xi2) = 0, quando VAVE ≥ VAVEREF;
- DEVAVE (Xi2) = [1 – (VAVE/ VAVEREF)]*100, nos demais casos;
- DEVANI (Xi3) = 0, quando VANI ≥ VANIREF;
- DEVANI (Xi3) = [1 – (VANI/ VANIREF]*100, nos demais casos;
- DEMORU (Xi4) = 0, quando MORU ≥ MORUREF;
- DEMORU (Xi4) = [1 – (MORU/ MORUREF)]*100, nos demais casos.
Observa-se que, tanto o IPD como o ID são índices relativos de degradação, que
têm como referência os resultados observados nos 76 municípios melhores posicionados
em cada indicador que entra na sua composição.
6
Denominando a variável dependente IPD de Y e os indicadores de degradação
DECOBV, DEVAVE, DEVANI e DEMORU de X1, X2, X3 e X4, respectivamente, as
condições de estabilidade do modelo são dadas por:
∂Y
∂Y
∂Y
∂Y
> 0,
> 0,
>0 e
>0
(12)
∂X 1
∂X 2
∂X 3
∂X 4
Os dados utilizados foram obtidos no Censo Agropecuário de 1995/1996.
2.2. Método de Agrupamento
2.2.1. Análise de Cluster
Visando classificar os diversos municípios em termos de fatores de degradação
revelados pela análise fatorial, será empregada a técnica de análise de agrupamentos ou de
clusters. De acordo com FERNAU e SAMSON (1990), a análise de agrupamento compõese de um conjunto de técnicas estatísticas através das quais se busca reunir os vários
indivíduos em grupos, tipos ou classes, tomando como informações para a classificação, as
medidas de um conjunto de variáveis, características ou atributos de cada indivíduo. Os
elementos de um mesmo grupo devem ser o mais semelhante possível entre si, enquanto a
diferença entre os grupos deve ser a maior possível. A distância entre pontos é usualmente
determinada pela distância euclidiana ou pelo coeficiente de correlação, podendo variar de
0 (variáveis idênticas) a + ∞ (variáveis sem relação) (GONG e RICHMAN, 1995).
A análise de agrupamento envolve algumas decisões subjetivas como qual a técnica
que se constitui a mais conveniente, conforme as circunstâncias, quais as distâncias a serem
consideradas, qual o número ótimo de agrupamentos, entre outras (FERNAU e SAMSON,
1990; POLLAK e CORBETT, 1993). Entretanto, como o número de observações nesse
trabalho é bastante elevado, optou-se pelo método de classificação não-hierárquico,
utilizando o procedimento das k – médias para o agrupamento dos clusters, admitindo ser o
mais adequado em análise de agrupamento quando se tem um grande número de elementos
(SOARES, et all, 1997).
Optou-se por classificar os municípios em cinco clusters em que para cada cluster:
φ( j) = {δ i ( j) : 1 < i < nj}
j = 1,2,3,4,5
onde
φ( j) = cluster do agrupamento j;
δ i ( j) = coordenada i do cluster j.
Deste modo, a média das coordenadas dos elementos do cluster φ( j) , será
denominado por δ( j) e a soma dos quadrados dos resíduos dentro do j-ésimo grupo será
dada pela seguinte expressão:
SQR J = ∑ d 2
1 < i < nj
2
em que, d representa o quadrado da Distância Euclidiana do elemento i do cluster
médio j. Observa-se que quanto menor for este valor, mais homogêneo são os elementos
dentro de cada cluster e melhor será o agrupamento.
3. RESULTADOS E DISCUSSÃO
Considerando que o interesse da pesquisa recai sobre a aferição da degradação
ambiental no município de Minas Gerais, a análise fatorial foi conduzida agregando-se as
observações feitas para os quatros indicadores.
7
Para verificar se os dados suportam uma análise fatorial, foram utilizados alguns
testes estatísticos. Um deles foi o teste de esfericidade de Bartlett, cujo objetivo é constatar
a presença de correlações entre as variáveis. Após a realização do teste, que atingiu valor
igual a 665,469, verificou-se a sua significância a 1% de probabilidade. Este resultado
permite rejeitar a hipótese nula de que a matriz de correlação é uma matriz identidade, ou
seja, de que as variáveis não são correlacionadas.
Outra forma alternativa de quantificar o grau de intercorrelações entre as variáveis e
a adequação da análise fatorial ao conjunto de dados é a medida de adequação da amostra.
Essa medida pode assumir valores entre 0 e 1, atingindo a unidade quando cada variável é
perfeitamente predita pelas demais. Na tentativa de medir a adequadabilidade da amostra, o
presente estudo utiliza o teste de Kaiser-Meyer-Olkin (KMO). O valor obtido para o KMO
foi de 0,72. Conforme a classificação fornecida por HAIR et all (1995), valores acima de
0,5 indicam que a amostra é adequada para a realização da análise fatorial.
Uma novidade utilizada no presente trabalho é o cálculo da matriz de correlação
reduzida (estimada). Através da comparação da matriz de correlação estimada e observada
pode-se inferir sobre o grau de ajustamento do modelo. O método de análise fatorial
começa com a matriz de correlação observada, que diminuída da estimada, dá origem aos
resíduos. Se os resíduos são grandes, o modelo com r fatores, não reproduz bem a matriz de
correlação original, ou seja, o modelo não se ajusta bem aos dados. A Tabela 1 mostra os
valores obtidos para os resíduos. De maneira geral, os valores dos resíduos foram menores
que 0,052, indicando que a análise fatorial é adequada para o estudo.
Tabela 1 - Matriz dos resíduos
DEVAVE
DEVAVE
DEVANI
DECOBV
DEMORU
-0,0202
-0,0202
0,106
-6.802E-02
-6.724E-02
DEVANI
-0,0202
DECOBV
-0,0202
-6.802E-02
DEMORU
0,106
-6.724E-02
-0,0225
-0,0225
Fonte: Dados da pesquisa.
Pelos testes realizados conclui-se que os dados utilizados são adequados ao
procedimento da análise fatorial, possibilitando a continuidade do estudo pretendido.
O emprego do método de componentes principais gerou 2 fatores com raízes
características maiores que 1 (Tabela 2).
Tabela 2 - Fatores obtidos pelo método dos componentes principais
Fator
Raiz característica
1
2
Fonte: Dados da pesquisa
1,572
1,460
Variância
Explicada pelo fator (%)
55,918
19,893
Variância acumulada (%)
39,309
75,812
Constata-se que a contribuição dos fatores 1 e 2 para a explicação da variância total
dos indicadores utilizados é de 55,92% e 19,89% respectivamente, de modo que a
2
Valor considerado pelos autores.
8
contribuição acumulada dos mesmos equivale a 75,81%. Esses valores mostram que a
utilização de 2 fatores é suficiente para a análise.
Os fatores foram submetidos a uma rotação ortogonal, utilizando-se o método
Varimax. Segundo KIM e MUELLER (1978), esta rotação possibilita melhor interpretação
dos dados, de modo que a contribuição de cada fator para a variância é alterada, sem
contudo, modificar a contribuição conjunta dos mesmos. A principal vantagem da rotação é
permitir que os novos fatores se relacionem claramente com determinados grupos de
variáveis, facilitando a interpretação da solução encontrada.
A Tabela 3 determina quais fatores relacionam-se com quais variáveis, ao exibir as
cargas fatoriais, as comunalidades e o percentual da variância total dos indicadores.
Tabela 3 - Cargas fatoriais e comunalidades, após a rotação ortogonal pelo método
Varimax.
Variável
DEVAVE
DEVANI
DECOBV
DEMORU
% da variância
Fonte: Dados da pesquisa.
Carga fatorial
F1
8.393E-02
0,435
0,781
0,876
39,309
F2
0,916
0,717
0,313
9.748E-02
36,503
Comunalidades
0,845
0,704
0,707
0,776
A contribuição dos fatores F1 e F2 para a explicação da variância total dos
indicadores utilizados é de 39,31% e 36,50%, respectivamente, após a rotação, mantendo a
variação total de 75,812. Para fins de interpretação, as cargas fatoriais acima de 0,7, em
negrito (valor utilizado por SOUZA e LIMA, 2003; SANTOS e BACHA, 2002), buscam
evidenciar os indicadores mais fortemente associados a determinado fator.
Pode-se constatar, que o Fator 1 encontra-se mais fortemente correlacionado com as
variáveis de Degradação da Cobertura Vegetal (DECOBV) e Degradação da Mão-de-Obra
Rural (DEMORU), enquanto o Fator 2 mais correlacionado com as variáveis Degradação
da Produção Vegetal (DEVAVE) e Degradação da Atividade Animal (DEVANI). Deste
modo, o Fator 1, doravante denominado de Aspectos Físicos, sintetiza as variáveis que
captam a intensidade da cobertura vegetal e a magnitude do contingente de mão-de-obra
empregada no meio rural, para um dado município, isto é, os aspectos biológicos e
demográficos intervenientes na degradação ambiental. Já o Fator 2, denominado de
Aspectos Econômicos, associa-se com os valores da produção vegetal e animal, em relação
à especificidade da cobertura vegetal do município. Observando-se os valores encontrados,
sugere-se que, se houver um aumento na exploração das atividades econômicas e físicas,
maiores serão os valores dos indicadores analisados e maiores os impactos dos mesmos na
degradação ambiental do Estado.
Após a obtenção dos fatores e coeficientes (cargas fatoriais) necessários na
estimação dos escores fatoriais, calculou-se o IPD, como explicitado na equação (8), para
cada município, e, sintetizando, para cada Microrregião de Minas Gerais. Uma vez
estimado o IPD (Tabela 1A no Apêndice) e após encontrar os pesos associados a cada um
dos indicadores (Tabela 4), obtidos por meio de uma análise de regressão linear, em que o
IPD foi a variável dependente e DEVANI, DEVAVE, DEMORU e DECOBV foram as
variáveis independentes, pode-se, então, estimar o ID (Tabela 1 A, Apêndice).
9
Tabela 4 - Pesos e elasticidades associadas ao IPD
Variáveis
Pesos
Elasticidades
DEVAVE
0,0047
0,3441
DEVANI
0,0052
0,4665
DEMORU
0,0008
0,0423
DECOBV
0,0019
0,0583
Fonte: Resultados da pesquisa.
Observa-se que o IPD e, conseqüentemente o ID, foram mais influenciados pelas
duas variáveis econômicas, conforme impactos dados pelas elasticidades. De outra forma,
pode-se dizer que uma variação de 1% na variável DEVAVE ocasiona uma variação de
aproximadamente 34% no IPD. Por outro lado, uma variação de 1% em DEVANI ocasiona
uma variação de 46,65% no IPD, uma vez que estas são as elasticidades mais significativas.
A Tabela 5 ilustra os resultados encontrados para as estatísticas descritivas dos
indicadores e dos índices de degradação ambiental.
Tabela 5 - Estatísticas descritivas dos indicadores e índices de degradação ambiental.
Estado
INDICADORES
ÍNDICE
DEVAVE
DEVANI
DECOBV
DEMORU
IPD %
ID %
Mínimo
0,000
0,000
0,000
0,000
0,225
0,047
Máximo
100,000
100,000
95,586
96,581
1,000
1,000
80,373
48,698
65,599
0,818
0,858
24,313
21,510
24,318
0,161
0,200
Média
65,429
Desvio
padrão
21,030
Fonte: Resultados da pesquisa.
O Estado de Minas Gerais possui um ID médio de quase 86%, isto é, a maior parte
de seu território enfrenta problemas relacionados à degradação ambiental (Tabela 5). Em
adição, ressalta-se que mais de 40% dos municípios mineiros obtiveram valores do ID
iguais a 1, significando que a degradação ambiental chegou a 100%. Os demais 60%
apresentaram o índice acima de 0,70, ou seja, 70% do território degradado. As exceções
ficam por conta dos municípios de Senador Amaral e Bom Repouso, com ID,s mínimos de
0,04 e 0,10 respectivamente.
Diante do elevado número de municípios, optou-se por apresentar os indicadores
utilizados, o IPD e o ID para cada Microrregião de Minas Gerais (Tabela 1 A, Apêndice),
tendo-se uma visão mais específica do comportamento dos referidos indicadores de
degradação, bem como de seus índices. Os resultados revelam com maior precisão os altos
índices e indicadores de degradação no Estado. Os maiores índices, com valores iguais a 1,
encontram-se nas microrregiões de Curvelo, Almenara, Pedra Azul, Conceição do Mato
Dentro, Unaí, Januária, Montes Claros, Nanuque e Peçanha. Todas as demais microrregiões
apresentam ID,s extremamente elevados, com valores superiores a 0,50. Tal resultado pode
ser justificado pelo fato de Minas Gerais ser um dos primeiros Estados brasileiros a ser
colonizado, com grande influência da cafeicultura, bovinocultura e também da mineração
10
que foi um marco em termos econômicos, mas que deixou seqüelas importantes no meio
ambiente.
Adotando-se uma visão sistêmica, procedeu-se a uma análise de clusters,
verificando a similaridade das características de degradação entre os municípios, as
microrregiões e as macrorregiões de Minas Gerais, bem como os indicadores e índices
médios de cada cluster. Para tanto, foram construídas as Tabelas 6 e 7. O número de cluster
foi definido com base no conhecimento dos autores a respeito dos municípios, de forma a
agrupar aqueles que apresentassem alto grau de homogeneidade intragrupo e um alto grau
de heterogeneidade intergrupo, assim especificado: cluster 1 (0,89-1,00), cluster 2 (0,660,88), cluster 3 (0,65-0,43), cluster 4 (0,18-0,42) e cluster 5 (0,04-0,17). A formação dos 5
clusters teve como variáveis de agrupamento os indicadores de degradação ambiental. De
forma mais ampla, Apêndice B, apresenta todos os municípios pertencentes a cada cluster.
Tabela 6 – Clusters ambientais de Minas Gerais: macrorregiões, microrregiões e unicípios.
Clurters
Macrorregiões
01 – Campo das
Vertentes
02 – Central
03 – Jequitinhonha
04 – Metropolitana de
BH
05 – Noroeste
06 – Norte
07 – Oeste
08 – Sul/Sudoeste
09 – Triângulo
Mineiro
10 – Vale do Mucuri
11 – Vale do Rio
Doce
12 – Zona da Mata
Total
Cluster 1
Cluster 2
0.89 < id <
0.66 < id < 0.88
1.00
Micr. Mun. Micr.
Mun.
N. N.
%
N. N.
%
Cluster 3
0.43 < id <
0.65
Micr. Mun.
N. N.
%
Cluster 4
Cluster 5
0.18 < id <
0.04 < id <
0.42
0.17
Micr. Mun. Micr. Mun.
N. N. % N. N.
%
3
16
45.714
3
13 37.142 3
4 11.428 1
2
3
21
70.00
3
9
*
-
-
*
-
4
25
58.139
4
8 18.604 2
3
6.976
3
6
24
24.00
8
41 41.00
6
23 23.00
4
2
7
5
5
11
21
23
23
78.571
40.384
53.488
15.972
2
7
4
9
3
25
18
67
*
3
2
8
3 5.769
2 4.651
43 29.861
7
39
60.937
7
22 34.375 2
2
2
15
83.333
1
1
7
47
57.317
5
49
total
Mun.
N.
5.714 *
-
-
35
*
13.95
1
6
3
-
-
30
1
2.325
43
11 11.00 1
1
1.00
100
*
2
*
5
*
3 5.769 *
*
9 6.25 2
2
1.388
14
52
43
144
1
1
-
-
64
1
2 11.111 *
-
*
-
-
18
7
21 25.609 2
9 10.975 2
6
7.317 1
1
1.219
82
37.984
7
2
1.550
56 314 41.534
62
35 27.131 7 31 24.031 4 12 9.302 1
26
12
34.788 36
16.137 22 50 6.613 6
3
2
30.00
21.428
48.076
41.860
46.527
5.555
3.125
1.562 *
-
7
129
756
0.925
100
11
Tabela 7 - Clusters ambientais dos municípios de Minas Gerais (Valores médios).
Número do Cluster
ID
DEVAVE
DEVANI
DECOBV
DEMORU
1
0.968
76.866
94.275
65.332
82.839
2
0.779
65.324
79.814
44.451
65.731
3
0.549
50.993
60.665
31.736
41.779
4
0.325
35.400
50.762
14.121
23.883
5
0.117
Fonte: Resultados da pesquisa.
22.421
32.729
4.677
0.460
O cluster 1 envolve 314 municípios, 56 microrregiões e todas as macrorregiões,
sendo que as regionais Noroeste, Central e Vale do Mucuri contemplam mais de 75% de
seus municípios. A principal característica deste agrupamento é a elevada média do ID (a
mais alta de todos os agrupamentos), que ficou em torno de 96,8%, e dos indicadores
DEVANI e DEMORU, associados aos aspectos econômicos e físicos (Fatores 1 e 2).
O segundo cluster, com 263 municípios e 62 microrregiões, envolveu todas as
macrorregiões, destacando-se a Norte com 48% de seus municípios, a Sul/Sudoeste com
46,52% e a Metropolitana de BH com 41%. O alto ID desse agrupamento reflete a má
conservação ambiental dos municípios pertencentes a esse cluster. O indicador DEVANI
foi o que mais contribuiu para o elevado índice de degradação (78,81%), seguido do
DEMORU (65,73%).
O cluster 3, por sua vez, possui 122 municípios, 36 microrregiões e 10
macrorregiões, sendo que a Sul/Sudeste se destaca congregando 29,86% de seus
municípios, a Zona da Mata com 24,03% e a Metropolitana de BH com 23%. É interessante
notar que as médias para os indicadores e para o ID não atingiram valores demasiadamente
elevados, quando comparados com os agrupamentos 1 e 2. O índice de degradação
ambiental ficou em torno de 60%, um valor menor em relação aos anteriores, mas ainda
bastante elevado. Os indicadores DEVANI e DEVAVE (aspectos econômicos) foram os
que mais contribuíram, respectivamente, com 60,66% e 50,99%, para a degradação
ambiental.
O cluster 4, com 50 municípios em 22 microrregiões e 7 macrorregiões, tem
13,95% de seus municípios na Macrorregião de Jequitinhonha, 11% na Metropolitana de
BH, e, 9,3% na Zona da Mata. Seus índices e indicadores de degradação ambiental são
relativamente pequenos, sugerindo maior conservação do meio ambiente por parte dos
municípios. Não obstante, foram os aspectos econômicos/Fator 2 (DEVANI - 50,76% e o
DEVAVE - 35,40%) que mais influenciaram na degradação.
O cluster 5, com apenas 7 municípios em 6 microrregiões, foi o que mais se
destacou em melhores resultados: Turmalina na Macrorregião do Jequitinhonha; Albertina
e Camanducaia na Sul/Sudoeste; Alto Jequitibá e Caparaó na Zona da Mata; Ibirité na
Metropolitana de BH e, Santa Bárbara do Leste na Vale do Rio Doce. O ID médio desse
grupo ficou em torno de 11,7%, um índice relativamente pequeno quando comparado com
os demais clusters. Em adição, os indicadores de degradação ambiental também tiveram
comportamento positivo desejado, sugerindo baixa degradação das atividades vegetal,
animal, produtiva e da mão-de-obra, e conseqüentemente, baixa degradação ambiental.
Tomando como ponto focal as macrorregiões, constata-se que a do Vale do Mucuri
localizando-se no cluster 1, tem a quase totalidade de seus municípios (83,33%) com
12
elevadíssimo nível de degradação, enquanto que os 16,16% restantes distribuem-se entre os
níveis médio e grande de degradação (clusters 2 e 3). Nenhum município desta
Macrorregião classificou-se nos clusters 4 e 5.
A Macrorregião Noroeste se destaca com altíssimo índice de degradação, com
78,57% de seus municípios no cluster 1, enquanto que 21,42% alojam-se no cluster 2.
Nenhum município desta Macrorregião se agrupou nos demais clusters com menores
índices de degradação, ou seja, nos 3, 4 e 5.
Outra Macrorregião com elevado nível de degradação é a Central, com 70% de seus
municípios no cluster 1 e 30% no cluster 2.
Em seguida, apresenta-se o Triângulo Mineiro com 60,93% de seus municípios
concentrados no cluster 1, e os demais entre os clusters 2 (34,37%) e 3 (3,12%).
Ao analisar verticalmente a Tabela 6, constata-se que a maioria dos municípios de
Minas Gerais (76,32%) agrupa-se nos no clusters 1 e 2, indicando que o nível de
degradação entre eles gira em torno de 66 a 100%. Com 16,13% de seus municípios no
cluster 3, a degradação atinge o nível de 43 a 65%. Apenas 7,5% encontram-se em
melhores condições de preservação, situados nos clusters 4 e 5, com níveis de degradação
que variam de 4 a 42%.
Verifica-se também que das 12 macrorregiões, 16,66% não apresentam municípios
alocados nos clusters 3, 4 e 5; 16,66% nos clusters 4 e 5; e, 25% no 5. Esta análise
evidencia que estas macrorregiões apresentam degradação numa extensão que varia de 42 a
100%.
Com base nas análises supracitadas, pode-se constatar a alta degradação ambiental
dos municípios mineiros. O cluster 1 os possui maiores valores tanto para o índice quanto
para os indicadores de degradação, seguido pelo cluster 2. Esta situação é extremamente
preocupante já que 76,32% dos municípios estão agregados nestes dois clusters.
4. CONCLUSÃO
O presente estudo teve como objetivo elaborar um Índice de Degradação (ID) capaz
de aferir e analisar o atual estágio de degradação ambiental dos 756 municípios do Estado
de Minas Gerais, agrupando-os em clusters, permitindo verificar a similaridade de suas
características.
Os resultados apontam que Minas Gerais possui um ID médio de 86%, devendo-se
destacar que mais de 40% dos municípios mineiros obtiveram valores do ID iguais a 1. Os
outros 60% apresentaram valores para o índice acima de 0,70, ou seja, com 70% do
território degradado. As exceções ocorrem nos municípios de Senador Amaral e Bom
Repouso que obtiveram ID,s mínimos de 0,04 e 0,10, respectivamente
Em relação as macrorregiões, observa-se que o Vale do Mucuri, Noroeste e Central
são as responsáveis pela concentração de maior percentual dos seus municípios no cluster 1
(em média 77,3%). Já as macrorregiões de Jequitinhonha, Metropolitana de BH e Zona da
Mata concentram maior parte dos municípios mineiros (10,45%) no cluster 4; e,
Jequitinhonha, Zona da Mata e Sul/Sudoeste com cerca de 1,75% no cluster 5.
O cluster 1, principalmente, possui médias elevadas para os indicadores e para o
índice de degradação ambiental. Contrariamente, o cluster 5 apresenta uma melhor situação
relativa em termos de degradação, com índices em torno de 4% a 10%. Deste modo, a
análise de cluster mostrou que, apenas poucas regiões mineiras, apresentam bom estado de
conservação ambiental, deixando claro a necessidade de medidas e políticas efetivas que
contribuam para o seu melhoramento.
13
É perfeitamente válida a utilização de outros indicadores, de modo a agregar mais
informações e conhecimento sobre um tema bastante atual e instigante como o da
degradação ambiental. Há de se assinalar que, a análise de apenas quatro indicadores e a
proposição das condições estabilidade (12), constituem limitações que devem ser levadas
em conta.
Por fim, cabe destacar, que o processo intensivo de desenvolvimento do Estado de
Minas Gerais, desde os seus primórdios, alavancado por fatores econômicos, foi o
responsável e o que mais contribuiu para a ocorrência de danos ambientais irreparáveis e
irreversíveis ao Estado.
REFERÊNCIA BIBLIOGRÁFICA
BASILEVSKY, A Statististical Factor Analysis and Related Methods: Theory and
Applications, New York, 1994.
DILLON, W.; GOLDSTEIN, M. Multivariate Analysis: Methods and Applications, New
York, 1984.
FERNANDES, T.A.G.; LIMA, J.E. Uso de Análise Multivariada para Identificação de
Sistemas de Produção. Brasília: Revista Pesquisa Agropecuária Brasileira, 26(10):
1823-1836, out. 1991.
FERNAU, M.E.; SAMSON, P.J. Use of cluster analysis to define periods of similar
meteorology and precipitation hemistry in Eastern North America. Part I: Transport
patterns. Journal of Applied Meteorology, Michigan, v.29, p.735-761, 1990.
FUNDAÇÃO JOÃO PINHEIRO. Perfil de Minas Gerais, 2000. 4.ed. Belo Horizonte,
2000.
GONG, X.; RICHMAN, M.B. On the application to growing season precipitation data in
North America East of the rockies. Journal of Climate, Oklahoma, v.8, p.897-931,
1995.
IBGE - Instituto Brasileiro de Geografia e Estatística. Censo Agropecuário. n.3, Rio de
Janeiro: IBGE,1995.
JOHNSON, A; WICHERN, D. Applied Multivariate Statistical Analysis, New Jersey,
1988.
LEMOS, J.J.S. Desertification of Drylands in Northeast of Brazil, Riverside, Califórnia.
Economic Department da University of California, 1995.
LEMOS, J.J.S. Indicadores de Degradação no Nordeste Sub-úmido e Semi-árido. Revista
SOBER, 2000, p.1-10.
POLLAK, L.M.; CORBETT, J.D. Using GIS datasets to classify maize-growing regions in
Mexico and Central America. Agronomy Journal, v.85, p.1133-1139, 1993.
HAIR, J.F.; ANDERSON, R.E.;TATHAM, R.L.; BLACK, W.C. Multivariate Data
Analysis: With Readings. Prentice Hall, New Jersey, 1995.
14
KIN, J.; MUELLER, C.W. Introduction to Factor Analysis: What It is and How to Do It.
Sage Publications, London, 1978.
SOUZA, P.M.; LIMA, J.E. Intensidade e Dinâmica da Modernização Agrícola no Brasil e
nas Unidades da Federação. Revista Brasileira de Economia, p. 795-824, 2003.
SANTOS, A.B.; BACHA, C.J.C. Evolução Diferenciada da Lavoura de Soja e de seu
Processamento Industrial no Brasil – Período de 1970 a 1999. Economia Aplicada,
v.6,n. 1, p. 123-153, 2002.
SILVA, R.G.; RIBEIRO, C.G. (2004). Análise da Degradação Ambiental na Amazônia
Ocidental: um Estudo de Caso dos Municípios do Acre. Revista de Economia Rural. n.
42, v. I (prelo).
SOARES, A.C.L.G.; GOSSON, A.M.P.M.; MADEIRA, M.A.L.H.; TEIXEIRA, V.D.S.
Índice de Desenvolvimento Municipal: Hierarquização dos Municípios do Ceará no
ano de 1997. Paraná Desenvolvimento, n.97, p 71-89. 1999.
APÊNDICE A
Tabela 1 A. Indicadores e ID das microrregiões do Estado de Minas Gerais.
Microrregião
Barbacena
Lavras
São João Del Rei
Bom Despacho
Curvelo
Três Marias
Almenara
Araçuaí
Capelinha
Diamantina
Pedra Azul
Belo Horizonte
Conceição do Mato Dentro
Conselheiro Lafaiete
Itabira
Itaguara
Ouro Preto
Pará de Minas
Sete Lagoas
Paracatu
Unaí
Bocaiúva
Grão Mogol
Janaúba
Januária
Montes Claros
DEVAVE DEVANI DECOBV DEMORU IPD %
61,47
82,38
47,99
50,65
0,85
68,87
74,85
54,21
73,01
0,90
73,32
89,49
59,34
66,83
0,99
67,46
90,27
56,58
85,24
1,00
76,06
96,25
55,48
89,59
1,07
66,13
96,33
56,51
92,77
1,03
74,56
98,05
76,83
86,59
1,09
85,63
93,78
48,75
55,60
1,04
52,16
83,82
14,63
22,57
0,74
67,38
92,37
44,72
55,31
0,94
82,07
98,04
52,65
78,64
1,09
56,42
85,31
38,07
40,58
0,82
80,31
96,65
50,14
76,40
1,07
73,04
85,69
44,67
39,95
0,90
38,55
89,83
25,45
56,54
0,78
63,90
83,58
55,08
40,52
0,86
55,78
91,38
6,91
49,95
0,84
38,22
81,52
55,03
69,25
0,78
55,33
88,60
52,67
79,77
0,92
67,31
92,26
52,41
93,55
1,02
82,57
94,07
60,90
93,30
1,11
80,52
96,95
35,09
80,96
1,07
60,92
96,58
24,13
65,62
0,93
80,18
95,61
41,90
62,29
1,03
80,35
97,69
48,31
74,10
1,07
80,87
97,08
45,30
69,72
1,06
ID %
0,84
0,87
0,95
0,94
1,00
0,98
1,00
0,96
0,74
0,91
1,00
0,80
1,00
0,89
0,77
0,85
0,84
0,77
0,90
0,99
1,00
0,99
0,91
0,98
1,00
1,00
15
Pirapora
Salinas
Campo Belo
Divinópolis
Formiga
Oliveira
Piuí
Alfenas
Andrelândia
Itajubá
Passos
Poços de Caldas
Pouso Alegre
Santa Rita do Sapucaí
São Lourenço
São Sebastião do Paraíso
Varginha
Araxá
Frutal
Ituiutaba
Patos de Minas
Patrocínio
Uberaba
Uberlândia
Nanuque
Teófilo Otoni
Aimorés
Caratinga
Governador Valadares
Guanhães
Ipatinga
Mantena
Peçanha
Cataguases
Juiz de Fora
Manhuaçu
Muriaé
Ponte Nova
Ubá
Viçosa
65,99
75,77
63,57
56,58
61,09
58,50
69,70
48,42
80,28
61,62
63,58
46,50
32,67
56,44
50,48
59,41
51,92
68,68
76,01
80,17
54,69
56,01
78,40
66,72
81,13
81,53
77,80
63,13
76,86
78,74
42,24
80,58
80,95
71,13
75,60
57,16
63,17
71,13
68,31
71,82
95,92
95,15
77,29
86,38
87,10
79,79
91,71
35,96
94,15
78,24
76,79
39,93
57,03
55,32
70,43
38,78
30,84
76,63
77,39
77,96
80,56
69,38
75,35
63,89
98,25
94,56
91,38
67,69
97,05
95,05
92,74
88,26
95,08
90,65
93,51
35,32
67,36
74,70
85,13
74,46
37,62
32,98
55,88
55,47
58,41
58,85
75,79
34,09
61,61
48,58
53,30
38,42
50,51
41,74
52,35
28,93
29,50
47,94
55,78
48,23
69,09
53,58
43,03
39,59
82,52
52,72
62,70
30,74
79,60
39,70
19,32
62,51
55,07
65,35
61,06
19,26
45,75
41,08
53,06
34,18
89,56
53,57
72,55
73,12
77,27
69,11
86,80
63,02
82,88
56,80
75,61
49,35
38,04
57,70
63,08
58,00
64,39
90,56
89,96
89,62
82,33
88,92
92,57
83,42
89,46
68,86
75,02
40,41
82,86
69,64
50,60
66,45
71,77
72,15
78,74
24,46
47,26
50,00
45,80
29,33
1,01
0,98
0,88
0,90
0,93
0,87
1,03
0,56
1,08
0,84
0,89
0,55
0,56
0,70
0,77
0,62
0,55
0,93
0,98
0,99
0,89
0,84
0,97
0,84
1,13
1,05
1,04
0,75
1,09
1,03
0,79
1,02
1,06
1,00
1,04
0,52
0,77
0,85
0,89
0,81
0,94
0,94
0,88
0,89
0,90
0,87
0,99
0,56
0,99
0,84
0,88
0,55
0,56
0,70
0,76
0,62
0,55
0,91
0,91
0,92
0,87
0,82
0,94
0,82
1,00
0,99
0,98
0,74
0,99
0,98
0,78
0,96
1,00
0,94
0,98
0,52
0,77
0,84
0,89
0,81
APÊNDICE B
Clusters dos municípios mineiros.
Cluster 1: Abadia dos Dourados, Acaiaca, Açucena, Água Boa, Águas Formosas, Águas
Vermelhas, Aimorés, Aiuruoca, Além Paraíba, Almenara, Alpercata, Alvarenga, Alvorada
de Minas, Andrelândia, Antônio Prado de Minas, Araçaí, Araçuaí, Arantina, Arapuá,
Araújos, Araxá, Argirita, Arinos, Ataléia, Augusto de Lima, Bambuí, Bandeira, Barra
Longa, Belmiro Braga, Belo Horizonte, Bertópolis, Bias Fortes, Bicas, Biquinhas, Bocaina
de Minas, Bom Jardim de Minas, Bom Sucesso, Bonfinópolis de Minas, Braúnas,
Buenópolis, Buritis, Buritizeiro, Cachoeira da Prata, Caetanópolis, Camacho, Campanário,
16
Campina Verde, Campo Florido, Capetinga, Capitão Andrade, Capitão Enéas, Capitólio,
Caranaíba, Carlos Chagas, Carmésia, Carmo da Mata, Carneirinho, Carrancas, Carvalhos,
Cascalho Rico, Cataguases, Cedro do Abaeté, Central de Minas, Chácara, Chiador,
Comendador Gomes, Comercinho, Conceição da Barra de Minas, Conceição de Ipanema,
Conceição do Mato Dentro, Congonhas do Norte, Conselheiro Pena, Consolação,
Cordisburgo, Corinto, Coromandel, Coronel Murta, Coronel Pacheco, Córrego Danta,
Couto de Magalhães de Minas, Cruzeiro da Fortaleza, Cruzília, Delfinópolis, Descoberto,
Diamantina, Divino das Laranjeiras, Divisópolis, Dom Joaquim, Dores de Guanhães, Dores
do Indaiá, Doresópolis, Douradoquara, Engenheiro Caldas, Engenheiro Navarro, Estrela
Dalva, Estrela do Indaiá, Ewbank da Câmara, Felisburgo, Fernandes Tourinho, Formiga,
Formoso, Fortuna de Minas, Francisco Dumont, Francisco Sá, Frei Gaspar, Frei Inocêncio,
Fronteira dos Vales, Frutal, Galiléia, Gouvêa, Governador Valadares, Grupiara, Guarani,
Guarará, Guarda-Mor, Guimarânia, Gurinhatã, Iapu, Ibertioga, Ibiá, Igaratinga, Iguatama,
Ingaí, Inimutaba, Ipanema, Ipiaçu, Iraí de Minas, Itacarambi, Itambacuri, Itanhomi,
Itaobim, Itapagipe, Itapecerica, Itinga, Itueta, Ituiutaba, Itumirim, Iturama, Itutinga, Jacinto,
Jampruca, Janaúba, Japaraíba, Jeceaba, Jequitinhonha, Joaíma, Joaquim Felício, Jordânia,
Juiz de Fora, Juramento, Lagamar, Lagoa dos Patos, Lagoa Formosa, Leopoldina,
Liberdade, Lima Duarte, Limeira do Oeste, Luminárias, Luz, Machacalis, Madre de Deus
de Minas, Malacacheta, Manga, Mar de Espanha, Marilac, Maripá de Minas, Mata Verde,
Materlândia, Mathias Lobato, Matias Barbosa, Matias Cardoso, Matozinhos, Matutina,
Medeiros, Medina, Mendes Pimentel, Minduri, Moeda, Moema, Monjolos, Montalvânia,
Monte Alegre de Minas, Morada Nova de Minas, Morro da Garça, Nacip Raydan,
Nanuque, Nova Módica, Nova Serrana, Olaria, Oliveira Fortes, Ouro Verde de Minas,
Paineiras, Pains, Paiva, Palma, Palmópolis, Paracatu, Paraisópolis, Passa Vinte, Passabém,
Patos de Minas, Patrocínio do Muriaé, Pavão, Pedra Azul, Pedra do Indaiá, Pedras de Maria
da Cruz, Pedro Leopoldo, Pedro Teixeira, Pequeri, Perdigão, Pescador, Piau, Piedade do
Rio Grande, Piranguçu, Pirapetinga, Pitangui, Piuí, Pocrane, Pompeu, Pote, Prados, Prata,
Pratápolis, Pratinha, Presidente Juscelino, Presidente Olegário, Prudente de Morais,
Recreio, Resende Costa, Resplendor, Riachinho, Rio Casca, Rio do Prado, Rio Doce, Rio
Novo, Rio Preto, Rio Vermelho, Ritápolis, Rochedo de Minas, Rubelita, Rubim,
Sacramento, Salinas, Salto da Divisa, Santa Efigênia de Minas, Santa Fé de Minas, Santa
Maria do Salto, Santa Maria do Suaçuí, Santa Rita de Ibitipoca, Santa Rita de Jacutinga,
Santa Rosa da Serra, Santa Vitória, Santana de Cataguases, Santana do Garambéu, Santana
do Jacaré, Santana do Riacho, Santo Antônio do Aventureiro, Santo Antônio do Jacinto,
Santo Antônio do Monte, Santo Antônio do Rio Abaixo, Santo Hipólito, Santos Dumont,
São Francisco de Sales, São Geraldo da Piedade, São Gonçalo do Abaeté, São Gonçalo do
Pará, São João Batista do Glória, São João da Ponte, São João do Manteninha, São João
Nepomuceno, São José da Safira, São José do Divino, São José do Jacuri, São Pedro do
Suaçuí, São Roque de Minas, São Sebastião do Oeste, São Sebastião do Rio Preto, São
Sebastião do Rio Verde, São Thomé das Letras, São Tiago, São Vicente de Minas, Senador
Cortes, Senhora do Porto, Seritinga, Serra Azul de Minas, Serra da Saudade, Serra do
Salitre, Serra dos Aimorés, Serranos, Sete Lagoas, Silveirânia, Simão Pereira, Sobrália,
Tabuleiro, Tapira, Tapiraí, Taquaraçu de Minas, Tarumirim, Teófilo Otoni, Tiradentes,
Tiros, Tumiritinga, Tupaciguara, Uberaba, Uberlândia, Umburatiba, Unaí, Urucuia,
Vargem Bonita, Várzea da Palma, Vazante, Veríssimo, Virgolândia e Volta Grande.
17
Cluster 2: Alfenas, Alvinópolis, Andradas, Aracitaba, Araponga, Arcos, Areado, Bandeira
do Sul, Belo Oriente, Boa Esperança, Bom Jesus do Galho, Bonfim, Botelhos, Brumadinho,
Bueno Brandão, Cajuri, Campestre, Campo do Meio, Campos Gerais, Canaã, Capela Nova,
Caputira, Carangola, Caratinga, Carvalhópolis, Catas Altas da Noruega, Chapada do Norte,
Cipotânea, Conceição das Pedras, Conceição do Rio Verde, Conceição dos Ouros,
Coqueiral, Coronel Xavier Chaves, Córrego do Bom Jesus, Córrego Novo, Cristina, Delfim
Moreira, Dionísio, Divinópolis, Dom Viçoso, Dona Euzébia, Durandé, Eugenópolis,
Felício dos Santos, Fervedouro, Fronteira, Guaraciaba, Guaranésia, Guidoval, Ibitiúra de
Minas, Ilicínea, Inhapim, Ipuiúna, Itabirito, Itaipé, Itamarandiba, Itamarati de Minas,
Itamogi, Itanhandu, Itapeva, Itatiaiuçu, Itaverava, Jaguaraçu, João Monlevade, Juruaia,
Ladainha, Lajinha, Lambari, Lontra, Machado, Mariana, Marliéria, Marmelópolis, Matipó,
Monte Belo, Montezuma, Muzambinho, Nepomuceno, Nova Lima, Nova Resende,
Olímpio Noronha, Onça de Pitangui, Ouro Fino, Paula Cândido, Pedralva, Piedade de
Ponte Nova, Piedade dos Gerais, Pirapora, Piraúba, Poços de Caldas, Ponte Nova, Pouso
Alegre, Presidente Bernardes, Queluzita, Ribeirão das Neves, Rio Acima, Rio Espera, Rio
Manso, Rio Piracicaba, Romaria, Sabará, Santa Rita do Sapucaí, Santana do Paraíso, São
Domingos do Prata, São Gonçalo do Rio Abaixo, São José da Lapa, São José da Varginha,
São José do Mantimento, São Miguel do Anta, Sapucaí-Mirim, Senador Firmino, Senhora
de Oliveira, Senhora dos Remédios, Simonésia, Teixeiras, Tocantins, Toledo, Três Pontas,
Ubaporanga, Varginha, Viçosa e Visconde do Rio Branco.
Cluster 3: Abaeté, Abre Campo, Água Comprida, Aguanil, Alagoa, Alfredo Vasconcelos,
Alpinópolis, Alterosa, Alto Rio Doce, Amparo do Serra, Antônio Carlos, Araguari,
Arceburgo, Astolfo Dutra, Baependi, Baldim, Barão de Monte Alto, Barroso, Belo Vale,
Betim, Bocaiúva, Bom Despacho, Bom Jesus da Penha, Bom Jesus do Amparo, Borda da
Mata, Botumirim, Brás Pires, Brasília de Minas, Brasópolis, Cachoeira de Minas,
Cachoeira de Pajeú, Cachoeira Dourada, Caldas, Cambuí, Cambuquira, Campanha, Campo
Belo, Campos Altos, Cana Verde, Canápolis, Candeias, Capim Branco, Capinópolis, Caraí,
Careaçu, Carmo da Cachoeira, Carmo de Minas, Carmo do Cajuru, Carmo do Paranaíba,
Carmo do Rio Claro, Carmópolis de Minas, Casa Grande, Cássia, Catuji, Caxambu,
Centralina, Chalé, Claraval, Claro dos Poções, Cláudio, Coluna, Conceição da Aparecida,
Conceição das Alagoas, Conceição do Pará, Congonhal, Congonhas, Conquista,
Conselheiro Lafaiete, Contagem, Coração de Jesus, Cordislândia, Coroaci, Cristais,
Cristália, Cristiano Otoni, Crucilândia, Curvelo, Datas, Desterro de Entre Rios, Desterro do
Melo, Diogo de Vasconcelos, Divinésia, Divinolândia de Minas, Divisa Nova, Dom Cavati,
Dom Silvério, Dores de Campos, Dores do Turvo, Elói Mendes, Entre Folhas, Entre Rios
de Minas, Esmeraldas, Espinosa, Espírito Santo do Dourado, Estrela do Sul, Extrema,
Fama, Faria Lemos, Felixlândia, Ferros, Florestal, Fortaleza de Minas, Francisco Badaró,
Funilândia, Gonçalves, Gonzaga, Guanhães, Guapé, Guiricema, Heliodora, Ibiaí, Ibiraci,
Ibituruna, Icaraí de Minas, Ijaci, Inconfidentes, Indianópolis, Inhaúma, Itabira, Itabirinha de
Mantena, Itacambira, Itaguara, Itajubá, Itambé do Mato Dentro, Itamonte, Itaú de Minas,
Itaúna, Jaboticatubas, Jacuí, Jacutinga, Jaíba, Januária, Jequeri, Jequitaí, Jequitibá,
Jesuânia, Joanésia, João Pinheiro, Juatuba, Lagoa da Prata, Lagoa Dourada, Lagoa Grande,
Lagoa Santa, Lamim, Laranjal, Lassance, Lavras, Leandro Ferreira, Mamonas, Mantena,
Maravilhas, Martinho Campos, Mato Verde, Mercês, Mesquita, Mirabela, Miradouro,
Mirai, Monsenhor Paulo, Monte Azul, Monte Carmelo, Monte Santo de Minas, Monte
Sião, Montes Claros, Morro do Pilar, Muriaé, Mutum, Natércia, Nazareno, Nova Ponte,
18
Nova União, Oliveira, Padre Paraíso, Papagaios, Pará de Minas, Paraopeba, Passa Quatro,
Passa Tempo, Passos, Patrocínio, Paulistas, Peçanha, Pedra do Anta, Pedra Dourada,
Pedrinópolis, Pequi, Perdizes, Perdões, Pimenta, Piracema, Pirajuba, Piranga, Piranguinho,
Planura, Poço Fundo, Porteirinha, Pouso Alto, Presidente Kubitschek, Quartel Geral, Raul
Soares, Ressaquinha, Riacho dos Machados, Ribeirão Vermelho, Rio Paranaíba, Rio
Pomba, Rodeiro, Sabinópolis, Santa Bárbara do Tugúrio, Santa Cruz do Escalvado, Santa
Juliana, Santa Luzia, Santa Maria de Itabira, Santa Rita de Caldas, Santa Rita do Itueto,
Santana de Pirapama, Santana do Deserto, Santana do Manhuaçu, Santana dos Montes,
Santo Antônio do Amparo, Santo Antônio do Grama, Santo Antônio do Itambé, São Bento
Abade, São Brás do Suaçuí, São Francisco, São Francisco de Paula, São Francisco do
Glória, São Geraldo, São Gonçalo do Rio Preto, São Gonçalo do Sapucaí, São Gotardo, São
João da Mata, São João del Rei, São João do Oriente, São João Evangelista, São José do
Alegre, São Lourenço, São Pedro da União, São Pedro dos Ferros, São Romão, São
Sebastião da Bela Vista, São Sebastião do Maranhão, São Sebastião do Paraíso, São Tomás
de Aquino, Sardoá, Senador José Bento, Serrania, Serro, Silvianópolis, Soledade de Minas,
Taiobeiras, Tombos, Três Corações, Três Marias, Turvolândia, Ubá, Ubaí, Varzelândia,
Vespasiano, Vieiras, Virgem da Lapa, Virgínia, Virginópolis e Wenceslau Braz.
Cluster 4: Albertina, Alto Jequitibá, Camanducaia, Caparão, Ibirité, Santa Bárbara do
Leste, Turmalina
Cluster 5: Antônio Dias, Araporã, Barão de Cocais, Barbacena, Bela Vista de Minas,
Berilo, Bom Repouso, Cabo Verde, Caeté, Caiana, Capelinha, Carandaí, Carbonita,
Coimbra, Coronel Fabriciano, Divino, Ervália, Espera Feliz, Estiva, Grão Mogol, Guaxupé,
Igarapé, Ipaba, Ipatinga, Manhuaçu, Manhumirim, Maria da Fé, Mateus Leme, Minas
Novas, Munhoz, Nova Era, Novo Cruzeiro, Ouro Branco, Ouro Preto, Paraguaçu, Porto
Firme, Raposos, Rio Pardo de Minas, Santa Bárbara, Santa Margarida, Santa Rita de
Minas, Santana da Vargem, São João do Manhuaçu, São João do Paraíso, São José do
Goiabal, Senador Amaral, Senador Modestino Gonçalves, Sericita, Timóteo e Urucânia.
19