Embed Size (px)
Citation preview
UNIVERSIDADE FEDERAL DO CEARÁ
CENTRO DE CIÊNCIAS AGRÁRIAS
DEPARTAMENTO DE ECONOMIA AGRÍCOLA
PROGRAMA DE PÓS-GRADUAÇÃO EM ECONOMIA RURAL
WINNIE MOREIRA ALBUQUERQUE
ANÁLISE DE CONVERGÊNCIA ESPACIAL DE PRODUTIVIDADE AGRÍCOLA
APLICADA À REGIÃO NORDESTE DO BRASIL E AOS MUNICÍPIOS DO
ESTADO DO CEARÁ
FORTALEZA
2020
2
WINNIE MOREIRA ALBUQUERQUE
ANÁLISE DE CONVERGÊNCIA ESPACIAL DE PRODUTIVIDADE AGRÍCOLA
APLICADA À REGIÃO NORDESTE DO BRASIL E AOS MUNICÍPIOS DO ESTADO
DO CEARÁ
Dissertação de Mestrado submetida ao
Programa de Pós-Graduação em Economia
Rural da Universidade Federal do Ceará, como
requisito parcial para obtenção do título de
mestre em Economia Rural. Área de
concentração: Políticas Públicas e
Desenvolvimento Rural.
Orientador: Prof. Dr. Robério Telmo Campos
Co-orientador: Prof. Dr. Vitor Hugo Miro
Couto Silva
FORTALEZA
2020
3
Dados Internacionais de Catalogação na Publicação Universidade Federal do Ceará
Biblioteca Universitária Gerada automaticamente pelo módulo Catalog, mediante os dados fornecidos pelo(a) autor(a)
A314a Albuquerque, Winnie Moreira. Análise de convergência espacial de produtividade agrícola aplicada à região Nordeste do Brasil e aos
municípios do Estado do Ceará / Winnie Moreira Albuquerque. – 2020. 70 f. : il. color.
Dissertação (mestrado) – Universidade Federal do Ceará, Centro de Ciências Agrárias, Programa de Pós-Graduação em Economia Rural, Fortaleza, 2020.
Orientação: Prof. Dr. Robério Telmo Campos. Coorientação: Prof. Dr. Vitor Hugo Miro Couto Silva.
1. Produtividade agrícola. 2. B-convergência espacial. 3. Nordeste. 4. Ceará. I. Título.
CDD 338.1
4
WINNIE MOREIRA ALBUQUERQUE
ANÁLISE DE CONVERGÊNCIA ESPACIAL DE PRODUTIVIDADE AGRÍCOLA
APLICADA À REGIÃO NORDESTE DO BRASIL E AOS MUNICÍPIOS DO ESTADO
DO CEARÁ
Dissertação de Mestrado submetida ao
Programa de Pós-Graduação em Economia
Rural do Departamento de Economia Agrícola
da Universidade Federal do Ceará, como
requisito parcial para obtenção do título de
mestre em Economia Rural. Área de
concentração: Políticas Públicas e
Desenvolvimento Rural.
Aprovada em:_____/____/2020.
BANCA EXAMINADORA
________________________________________
Prof. Dr. Robério Telmo Campos (Orientador)
Universidade Federal do Ceará (UFC)
_________________________________________
Prof. Dr. Vitor Hugo Miro Couto Silva
Universidade Federal do Ceará (UFC)
_________________________________________
Prof. Dr. Wescley de Freitas Barbosa
Universidade Federal do Ceará (UFC)
_________________________________________
Prof. Dr. Alexsandre Lira Cavalcante
Instituto de Pesquisa e Estratégia Econômica do Ceará (IPECE)
5
AGRADECIMENTOS
A Deus, pelas infinitas graças alcançadas, força e determinação para seguir
acreditando na realização dos meus sonhos.
Aos meus pais, Clodoaldo e Lioneuda, e irmãos Rafael e Suiane, por servirem de
base para a construção do meu caráter e da pessoa que sou hoje. Especialmente, à minha mãe,
que mesmo à distância, sempre me incentivou a ser uma mulher independente e acreditar nos
meus objetivos.
Ao meu noivo Yuri, com quem nos últimos cinco anos tenho compartilhado todas
as minhas lutas e conquistas. Por acreditar e enaltecer sempre o meu potencial. E por acreditar
que podemos crescer cada vez mais juntos.
À professora Dra. Kilvia Cardoso, por ainda na graduação me desafiar a sair da
“zona de conforto” ao estudar econometria espacial, que além de se tornar uma paixão, me
incentiva a aprender cada vez mais.
Ao Prof. Dr. Robério pelos conselhos, orientações e por acreditar no meu
trabalho.
Ao Prof. Dr. Vitor Hugo Miro, por me estender a mão ao entrar no mestrado,
mesmo me conhecendo pouco, acreditou na minha área de estudo e aceitou co-orientar.
Aos membros da Banca, Dr. Wescley de Freitas e Dr. Alexsandre Lira por me
honrarem com a presença e pelas contribuições geradas.
A todos os professores e funcionários que fazem parte do Programa de Pós-
Graduação em Economia Rural.
A todos os colegas de curso com quem compartilhei momentos de alegria e de
ansiedade. Agradeço, especialmente, à Thyena Karen, que se tornou uma irmã, nós dividimos
além do lar, momentos de alegria e crises de riso até momentos de angústia e ansiedade.
Obrigada por tudo.
Por fim, agradeço à Coordenação de Aperfeiçoamento de Pessoal de Nível
Superior (CAPES), pelo apoio financeiro concedido durante todo o curso.
6
RESUMO
A presente pesquisa propõe uma análise da produtividade agrícola para as microrregiões
geográficas do Nordeste brasileiro e os municípios do Estado do Ceará referente ao período
de 1996 a 2017, tido como o de mais baixa produtividade agrícola da região. Para a obtenção
das respostas em face das perguntas aqui apresentadas, são aplicados os métodos de análise
espacial e econometria espacial. Por exemplo, por intermédio da aplicação dos métodos de
econometria espacial, testa-se a hipótese de convergência para produtividade agrícola dos
municípios cearenses. De particular relevância para a teoria do crescimento e
desenvolvimento econômico, a hipótese de convergência caracteriza um processo segundo o
qual, inicialmente, valores de certa variável são desiguais entre países, estados ou regiões,
mas essa desigualdade se reduz ao longo do tempo. Tal análise identifica, por sua vez, se há
evidências para a existência de β-convergência absoluta e condicional da produtividade
agrícola, controlando-se explicitamente para efeitos espaciais por subperíodos. Para tanto,
conduziu-se preliminarmente uma análise exploratória de dados espaciais, que detectou a
presença de autocorrelação espacial para a produtividade agrícola total. Em etapa posterior,
modelos econométricos espaciais foram aplicados para a análise da convergência. Os
resultados empíricos indicaram a presença de β-convergência absoluta e de β-convergência
condicional para o Nordeste e o Ceará.
Palavras-chave: Produtividade agrícola. β-convergência espacial. Nordeste. Ceará.
7
ABSTRACT
This research proposes an analysis of agricultural productivity for the geographical
microregions of Northeastern Brazil and the municipalities of the State of Ceará for the period
from 1996 to 2017, considered to be the lowest agricultural productivity in the region. To
obtain the answers to the questions presented here, the methods of spatial analysis and spatial
econometrics are applied. For example, through the application of spatial econometrics
methods, the hypothesis of convergence for agricultural productivity in the municipalities of
Ceará is tested. Of particular relevance to the theory of growth and economic development,
the convergence hypothesis characterizes a process according to which, initially, values of a
certain variable are unequal between countries, states or regions, but this inequality is reduced
over time. Such analysis identifies, in turn, if there is evidence for the existence of absolute
and conditional convergence of agricultural productivity, explicitly controlling for spatial
effects by subperiods. To this end, an exploratory analysis of spatial data was preliminarily
conducted, which detected the presence of spatial autocorrelation for total agricultural
productivity. In a later step, spatial econometric models were applied for the analysis of
convergence. The empirical results indicated the presence of absolute β-convergence and
conditional β-convergence for the Northeast and Ceará.
Keywords: Agricultural productivity. Spatial β-convergence. Northeast. Ceará.
8
LISTA DE FIGURAS
Figura 1 Gráfico da produtividade agrícola média dos estados nordestinos (1996-
2017) ............................................................................................................. 32
Figura 2 Gráfico de Produtividade Agrícola Média do Ceará (1996 a
2017) ............................................................................................................. 34
Figura 3 BiLISAs para a taxa de crescimento da produtividade total agrícola e a
produtividade agrícola total inicial das microrregiões do Nordeste por
subperíodos ................................................................................................... 46
Figura 4 BiLISAs para a taxa de crescimento da produtividade total agrícola e as
variáveis explicativas do modelo nas microrregiões do Nordeste, período
1996-2017 ..................................................................................................... 48
Figura 5 BiLISAs para a taxa de crescimento da produtividade total agrícola e a
produtividade agrícola total inicial dos municípios do Ceará por períodos.. 54
Figura 6 BiLISAs para a taxa de crescimento da produtividade total agrícola e as
variáveis explicativas do modelo nos municípios do Ceará, período 1996-
2017 .............................................................................................................. 56
9
LISTA DE TABELAS
Tabela 1 Valor Adicionado Bruto (VAB) da agropecuária (Mil Reais), por
Unidade Geográfica, 2017 .................................................................... 17
Tabela 2 Produção por item agrícola e unidade geográfica, 2018 ...................... 20
Tabela 3 Número e Área dos Estabelecimentos Agropecuários, Brasil e Ceará 24
Tabela 4 Ranking dos 10 municípios cearenses com maior produtividade
agrícola total ......................................................................................... 24
Tabela 5 Estatística descritiva da produtividade agrícola média das
microrregiões por estado, 2017 ............................................................ 32
Tabela 6 Estatística Descritiva da Produtividade Agrícola dos municípios
cearenses ............................................................................................... 34
Tabela 7 Variáveis utilizadas no modelo de convergência condicional ............. 35
Tabela 8 Índice de Moran da produtividade agrícola total das microrregiões
por subperíodos, Nordeste .................................................................... 45
Tabela 9 Resultados do teste dos multiplicadores de Lagrange para cada
subperíodo, Nordeste ............................................................................ 49
Tabela 10 Resultados econométricos dos modelos SEM e SAR para
convergência absoluta em cada subperíodo, Nordeste ......................... 50
Tabela 11 Taxas de Convergências Absolutas para os subperíodos
estatisticamente significativos, Nordeste ............................................. 51
Tabela 12 Resultados econométricos do modelo SEM para Convergência
Condicional em cada subperíodo, Nordeste ......................................... 52
Tabela 13 Taxas de Convergências Condicionais para os subperíodos
estatisticamente significativos, Nordeste ............................................. 53
Tabela 14 Índice de Moran da produtividade agrícola total cearense por
subperíodos, Ceará ............................................................................... 53
Tabela 15 Resultados do teste dos Multiplicadores de Lagrange para cada
subperíodo, Ceará ................................................................................. 57
Tabela 16 Resultados econométricos dos modelos SEM e SAR para
10
convergência absoluta em cada subperíodo, Ceará .............................. 58
Tabela 17 Taxas de Convergências Absolutas para os subperíodos
estatisticamente significativos, Ceará .................................................. 59
Tabela 18 Resultados econométricos dos modelos SEM e SARMA para
Convergência Condicional em cada subperíodo, Ceará ....................... 60
Tabela 19 Taxa de Convergência Condicional para os subperíodos
estatisticamente significativos, Ceará .................................................. 61
11
SUMÁRIO
1 INTRODUÇÃO ................................................................................................. 13
1.1 Objetivos ............................................................................................................ 15
1.1.1 Objetivo Geral .................................................................................................... 15
1.1.2 Objetivos Específicos ......................................................................................... 15
1.2 Organização da Dissertação ............................................................................. 15
2 REFERENCIAL TEÓRICO ........................................................................... 16
2.1 A Economia Nordestina ................................................................................... 16
2.2 A Economia e a Agricultura Cearense ............................................................ 21
2.3 Fatores importantes para a análise de produtividade agrícola ..................... 25
2.4 Análises Espaciais e de Convergência da Agropecuária ................................ 27
3 METODOLOGIA ............................................................................................. 31
3.1 Base de Dados .................................................................................................... 31
3.2 Especificação do Modelo Espacial .................................................................... 35
3.2.1 Matrizes de Ponderação Espacial ...................................................................... 35
3.2.2 Índice de Moran .................................................................................................. 36
3.2.3 Autocorrelação Espacial Local .......................................................................... 37
3.3 Convergência Espacial....................................................................................... 39
3.3.1 Convergência Absoluta ....................................................................................... 39
3.3.2 Convergência Condicional ................................................................................. 40
3.3.3 Dados em Painel ................................................................................................. 41
3.4 Modelos Espaciais .............................................................................................. 42
3.4.1 Modelo Autorregressivo Espacial (SAR) ........................................................... 42
3.4.2 Modelo de Erros Espaciais (SEM) ..................................................................... 43
3.4.3 Modelo Autorregressivo Espacial e Média Móvel (SARMA) ............................ 43
3.5 Teste dos Multiplicadores de Lagrange ........................................................... 44
4 RESULTADOS E DISCUSSÕES .................................................................... 45
4.1 Nordeste ............................................................................................................. 45
4.1.1 Análise do Índice de Moran ............................................................................... 45
4.1.2 Análise de Autocorrelação Espacial .................................................................. 45
4.1.3 Análise dos Testes e Diagnósticos ...................................................................... 49
4.1.4 Análise das Convergências ................................................................................. 50
12
4.1.4.1 Convergência Absoluta ........................................................................................ 50
4.1.4.2 Convergência Condicional .................................................................................. 51
4.2 Ceará .................................................................................................................. 53
4.2.1 Análise do Índice de Moran ............................................................................... 53
4.2.2 Análise de Autocorrelação Espacial .................................................................. 54
4.2.3 Análise dos Testes e Diagnósticos ...................................................................... 57
4.2.4 Análise das Convergências ................................................................................. 58
4.2.4.1 Convergência Absoluta ........................................................................................ 58
4.2.4.2 Convergência Condicional .................................................................................. 60
5 CONCLUSÕES ................................................................................................. 62
REFERÊNCIAS ................................................................................................ 65
ANEXO A - ESTADOS DO NORDESTE BRASILEIRO ............................ 68
13
1 INTRODUÇÃO
A agricultura é um dos pilares da economia brasileira, desde a colonização
portuguesa até os dias atuais. Em décadas mais recentes, o setor passou por um processo de
intensa modernização, com a mecanização de processos, o aprimoramento das práticas
agrícolas e a diversificação da produção. Políticas públicas, investimentos públicos e privados
e novas tecnologias permitiram a expansão de áreas agrícolas, da produção e da
produtividade, que tornou possível ao Brasil, não apenas melhorar o abastecimento para a
população e o agronegócio, mas se firmar como um dos grandes exportadores de produtos
agrícolas do mundo. Deste modo, analisar o comportamento da agricultura é de suma
importância para o País e suas regiões.
Em virtude da grande dimensão territorial, dos diferentes aspectos climáticos,
culturais e socioeconômicos dos estados da região Nordeste do Brasil, torna-se eficaz a
análise do progresso do seu setor agrícola como um todo e por microrregiões geográficas,
como meio de contribuir positivamente para a literatura ainda escassa. Segundo o Instituto
Brasileiro de Geografia e Estatística (IBGE), essa região é uma das cinco maiores do Brasil,
possui 1.554.291,744 km² de área territorial total sendo composta por nove estados. Em
função de suas diferentes características físicas, ela se fragmenta em 188 microrregiões
(Anexo A), assim distribuídas: Alagoas (13), Bahia (32), Ceará (33), Maranhão (21), Paraíba
(23), Piauí (15), Pernambuco (19), Rio Grande do Norte (19) e Sergipe (13).
De acordo com os dados das Contas Regionais do IBGE, o Nordeste foi uma das
regiões que mais cresceu em termos de PIB (+3,3% a.a.), no período que compreende os anos
de 2002 a 2015. Segundo Leão (2019), entre os estados nordestinos, no período antes aludido,
os que mais despontaram em termos de crescimento médio do PIB foram Piauí (+4,8% a.a.),
impulsionado pelo crescimento da indústria, Maranhão (+4,5% a.a.), dominado pelos setores
da Agropecuária e da Indústria, acompanhado pelo desenvolvimento do cultivo de soja,
Paraíba (+4,1% a.a.), em razão da forte indústria extrativa e Ceará (+3,5% a.a.), motivado
pelo subsetor de produção de eletricidade e de gás.
O referido autor destaca a Bahia como o estado da Região que mais contribuiu
para o PIB nacional em 2015 e relata que o avanço se deu, principalmente, pelo desempenho
da agropecuária, construção e atividades financeiras, de seguros e serviços relacionados,
seguido pelo Ceará que apresentou crescimento na participação no PIB brasileiro, passando de
1,9% em 2002 para 2,2% em 2015.
14
A análise específica para o Estado do Ceará torna-se relevante, tendo em vista que
o Estado é o que apresenta menor produtividade agrícola quando comparado aos outros da
mesma região, sofre por adversidades climáticas, representadas pelas constantes secas, e
carece de políticas estratégicas para o crescimento acelerado objetivando reduzir as
desigualdades de desempenho do setor agrícola, comparativamente a de outros estados
brasileiros.
De acordo com o IBGE, o Estado do Ceará possui uma área total de 148.886,3
km², equivalente a 9,58% da área da região Nordeste. Dos seus 184 municípios, 175 estão
inseridos na área delimitada como de clima semiárido, o que corresponde a aproximadamente
93% do território cearense.
O semiárido cearense é caracterizado principalmente pelas irregularidades
espacial e temporal das chuvas, resultando em escassez pluviométrica e deficiência hídrica, o
que o torna grande parte do seu território vulnerável aos fenômenos da seca em determinados
períodos do ano. Essa vulnerabilidade é ainda agravada por características como elevadas
temperaturas ao longo do ano, a presença de solos rasos, rochas cristalinas e altas taxas de
evaporação e evapotranspiração que afetam diretamente a produtividade da agricultura.
Em decorrência de alguns anos de estiagem, a participação do setor agropecuário
apresentou uma queda de participação, passando de 5,14% em 2013, para 4,70% em 2016 no
total do Valor Adicionado (VA) do Ceará. Dentre as atividades que compõem o referido setor,
destaca-se a “agricultura, inclusive o apoio à agricultura e a pós-colheita” como sendo a mais
importante, com participação em 2016 de 2,52% do VA total da economia cearense
(CAVALCANTE et al., 2017).
Por sua vez, Cavalcante et al. (2017), ao analisar a evolução do estoque de
empregos formais por setores da economia cearense entre 2013 e 2017, apontaram que
“agropecuária, extração vegetal, caça e pesca” foi um dos ramos de atividades que registraram
as maiores perdas, cerca de -2.590 vínculos empregatícios, o que representa uma queda de
10,0% no estoque de empregos formais cearenses entre os dois anos analisados.
Efetuando-se a comparação da área média dos estabelecimentos agropecuários
cearenses, com base nos censos agropecuários de 1996 e 2017, percebe-se que a área média
está cada vez menor, apresentando queda de 33% no período, podendo influenciar
diretamente na diminuição da produção agrícola total.
Considerando estes aspectos, e com o intuito de contribuir para melhor entender a
estrutura espacial e a trajetória do setor agrícola das microrregiões nordestinas e dos
municípios cearenses, a presente pesquisa se propõe a analisar a estrutura espacial da
15
produtividade da agricultura no período 1996 a 2017, mensurada por meio da razão entre
quantidade produzida (em toneladas) e área plantada (em hectares). Uma forma interessante
para avaliar o desempenho agrícola é analisar a trajetória de produtividade desse setor ao
longo do tempo, o padrão espacial entre regiões e municípios, e por meio dessa mensuração
indagar se a sua evolução apresenta algum tipo de convergência.
Nesse sentido, o estudo aqui proposto também testará a hipótese de convergência
da produtividade agrícola no Nordeste e no Ceará. Com base nos resultados, pode-se fornecer
informações que subsidiem a formulações de políticas públicas mais efetivas orientadas para
o setor, considerando os mecanismos que possam dinamizar a agricultura e que se constituam
em estratégias sustentáveis para aperfeiçoá-la.
1.1 Objetivos
1.1.1 Objetivo Geral
Verificar a estrutura espacial e a trajetória do setor agrícola das microrregiões
nordestinas e dos municípios cearenses, por meio da produtividade agrícola no período 1996 a
2017.
1.1.2 Objetivos Específicos
Identificar o padrão espacial e verificar se há dependência espacial na
agricultura entre as microrregiões nordestinas e os municípios do Ceará;
Identificar se a produtividade agrícola apresenta algum tipo de convergência
espacial absoluta entre as microrregiões nordestinas e os municípios do Ceará;
Identificar se a produtividade agrícola apresenta algum tipo de convergência
espacial condicional entre as microrregiões nordestinas e os municípios do Ceará.
1.2 Organização da Dissertação
O trabalho é constituído por essa introdução e mais cinco seções. Na seção 2,
apresenta-se uma breve discussão sobre a economia nordestina e a cearense, discute-se sobre
os fatores importantes para a análise de produtividade agrícola e uma breve revisão da
literatura com foco nos principais trabalhos que tratam de análises espaciais e de convergência
agropecuária. Na seção 3, expõe-se a metodologia utilizada e detalhes a respeito da base de
dados e variáveis empregadas na análise empírica. Na seção 4, são apresentados os resultados
obtidos e, por fim, na parte 5, são feitas as conclusões do trabalho.
16
2 REFERENCIAL TEÓRICO
2.1 A Economia Nordestina
O Nordeste brasileiro é composto por nove estados: Alagoas (AL), Bahia (BA),
Ceará (CE), Maranhão (MA), Paraíba (PB), Pernambuco (PE), Piauí (PI), Rio Grande do
Norte (RN) e Sergipe (SE), e seu território compreende 1.793 municípios, 42 mesorregiões e
188 microrregiões em uma área de 1.554,3 mil km², correspondentes a 18,3% do território
brasileiro, segundo o IBGE. Sua heterogeneidade deriva da imersão de diversas culturas que
ao longo dos anos foram se difundindo.
Araújo (1997) destaca como possível agregar o território nordestino em
subconjuntos socioeconômicos derivados do processo de ocupação humana e econômica: do
Rio Grande do Norte até Alagoas, onde a economia açucareira e a pecuária geravam
poderosas oligarquias; do Ceará que era destaque pelo complexo gado-algodão-agricultura de
subsistência; do Sergipe à Bahia em que a cana, o cacau e as zonas de combinações agrícolas
eram destaques; e do Piauí ao Maranhão que até o final dos anos 1950 era visto como área
aberta à expansão da fronteira agrícola regional (SUDENE, 1967).
Historicamente, rotulado como “problemático”, mudanças importantes nas
últimas décadas modificaram a realidade da região nordestina. A atual e crescente
complexidade da realidade econômica regional permite desvendar uma das mais marcantes
características do Nordeste atual: a grande diversidade e a crescente heterogeneidade de suas
estruturas econômicas (ARAÚJO, 1997).
O autor dá destaque e atribui como principais fatores as modificações nas últimas
décadas da região, como o surgimento do complexo petroquímico de Camaçari (BA), o polo
têxtil de Fortaleza (CE), o complexo mineiro-metalúrgico de Carajás (que apesar de se
localizar no estado do Pará possui grande influência sobre áreas do Maranhão), o polo
agroindustrial de Petrolina-Juazeiro (BA), as áreas de moderna agricultura e grãos do cerrado
baiano até o sul de Maranhão e Piauí, o moderno polo de fruticultura com agricultura irrigada
no Vale do Açu (RN) e os diversos polos turísticos que se estendem pelo litoral nordestino.
A partir do início do século XIX, com a crise do algodão, proveniente da
proliferação do bicudo e das alterações de demanda exterior do produto, a vida da população
do semiárido nordestino tornou-se ainda mais difícil, no qual o algodão era
representativamente a maior fonte de renda dos pequenos produtores. Diante disso, os
produtores se obrigaram a levar ao mercado o escasso excedente da agricultura de sequeiro,
em sua maioria, produtora de milho, feijão e mandioca. Araújo (1997) acrescenta que a
17
estratégia brasileira das últimas décadas foi concentrar a expansão da agropecuária em áreas
novas (especialmente no Centro-Oeste) e que no Nordeste se assistiu também o grande
dinamismo agropecuário e agroindustrial do oeste baiano, do sul do Maranhão e do Piauí.
Os novos polos agrícolas como o oeste baiano, sul do Maranhão e do Piauí,
destinados principalmente à produção de soja para atender à demanda externa, têm
estabelecidos importantes relações extras regionais, tal qual a produção agroindustrial
associada à irrigação no Vale do São Francisco (BA e PE) e no Vale do Açu (RN).
Lima (2012), ao utilizar os dados do Instituto Brasileiro de Geografia e Estatística
(IBGE) e do Banco do Nordeste do Brasil (BNB), relata que em 2009 o Produto Interno Bruto
(PIB) do Nordeste representava 14,4% do PIB do Brasil, concentrando-se em Bahia (29,4%),
Pernambuco (16,8%) e Ceará (14,1%), sendo responsáveis, juntos, por 60,3% do total. Já o
Valor Adicionado Bruto (VAB) da Agropecuária ou PIB do setor agropecuário, no mesmo
período e região representava 21,1% de toda a produção agropecuária nacional, com destaque
para a Bahia (28,2%) e Maranhão (18%), cujos resultados devem-se à consolidação da área do
Cerrado como a grande fronteira agrícola da Região.
Os dados mais recentes do IBGE mostram que em 2017 o VAB do Nordeste
representou 18,29% da produção agropecuária nacional. A Tabela 1 mostra o Valor
Adicionado Bruto da Agropecuária nordestina, em 2017, por estado. Percebe-se que, assim
como em 2009, a Bahia se destaca com o maior VAB da região, seguida por Alagoas.
Tabela 1 – Valor Adicionado Bruto (VAB) da agropecuária (Mil Reais), por Unidade
Geográfica, 2017
Unidade Geográfica VAB Agropecuária
(R$ mil) (%)
Nordeste 55.427.281 100
Maranhão 7.508.658 13,55
Piauí 3.791.625 6,84
Ceará 7.487.618 13,51
Rio Grande do Norte 2.160.568 3,90
Paraíba 2.156.214 3,89
Pernambuco 6.036.386 10,89
Alagoas 8.493.021 15,32
Sergipe 1.966.337 3,55
Bahia 15.826.853 28,55
Fonte: IBGE - Produção Agrícola Municipal (2017).
Na Tabela 2 encontra-se a produção por estados dos principais itens agrícolas
nordestinos de 2018, com base na Produção Agrícola Municipal (PAM) realizada pelo IBGE.
18
Ao ser analisada, pode-se perceber que todos os estados são produtores de arroz, em que mais
de dois terços da produção regional provêm do oeste de seu território, particularmente da
região de cerrados, sendo o Maranhão (46,05%) e o Piauí (24,33%) os dois principais estados
produtores. Tal como o arroz, a cana de açúcar também é produzida em todos os estados, mas
grande parte da produção regional concentra-se na Bahia (44,48%) e na Zona da Mata,
próximo ao litoral, particularmente nos Estados de Alagoas (20,40%) e Pernambuco
(15,89%).
A soja está provocando uma verdadeira transformação econômica nos três estados
com áreas de cerrado: Bahia (54,72%), Maranhão (23,85%) e Piauí (21,41%). A quantidade
produzida deste grão passou de 225 mil toneladas em 1990, para 5,3 milhões de toneladas em
2010 e 11,5 milhões de toneladas em 2018, de acordo com a Pesquisa Agrícola Municipal de
2018.
O Ceará é líder na produção de castanha de caju. A quantidade produzida no
Estado passou de 39.596 toneladas, em 2010, para 83.036 toneladas, em 2018,
correspondendo atualmente a 57,58% do total colhido em toda a Região. O Piauí é o segundo
colocado em produção, chegando a 24.885 toneladas, o que representa 17,26% do total. O Rio
Grande do Norte ficou em terceiro, com uma produção de 17.986 toneladas equivalentes a
12,47% do total (PAM, 2018).
Os cerrados nordestinos, particularmente os localizados na Bahia, detêm a quase
totalidade da produção de algodão herbáceo do Nordeste. A Bahia é responsável por 91,26%
da produção, seguida pelo Maranhão, com 6,70%, e pelo Piauí, com 1,82%. (LIMA, 2012). O
bom desempenho do Estado da Bahia deve-se, em grande parte, à colheita realizada no
Município de São Desidério, considerada a maior produção de algodão herbáceo do País.
A mandioca que é cultivada em todos os estados da Região, cumpre um papel
destacado na alimentação humana e animal, bem como em seu uso como matéria-prima em
inúmeros produtos industriais. Porém sua produção apresenta declínio nos últimos anos,
passando de 8 milhões de toneladas em 2010 para 4,4 milhões de toneladas em 2018. Os
principais produtores são os estados da Bahia (34,34%), Maranhão (15,28%) e Ceará
(13,96%), que juntos correspondem a mais de 60% do total produzido na Região.
O feijão é um dos integrantes da alimentação básica da maioria da população
brasileira, logo, sua produção é comum em todos os estados, porém com forte concentração
de produção na Bahia (33,11%), Ceará (24,01%) e Piauí (16,35%). Outro componente
também muito importante na Região e que serve de base para a produção de outros produtos é
19
o milho, em que concentra quase 90% da produção nordestina na Bahia (40,70%), no Piauí
(25,14%) e no Maranhão (21,88%) (PAM, 2018).
A produção de coco da Baía concentra-se nos estados da Bahia (48,89%), Ceará
(16,88%), Sergipe (11,58%) e Pernambuco (9,27%). Nessa cultura, esses quatro estados
participam juntos, com quase 90% da produção na Região (PAM, 2018).
Banana (2,8 mi), Laranja (1,6 mi) e Manga (1,5 mi) foram as frutas mais
produzidas na Região Nordeste em 2018, segundo os dados da PAM/IBGE no período. A
Bahia é o estado com maior produção das mesmas, responsável por 67,5% das laranjas, 59%
das mangas e 49% das bananas de todo o nordeste. Pernambuco também é destaque nas
produções de Banana (15,24%) e Manga (32,40%), assim como Sergipe pela laranja (21,22%)
e Ceará pela banana (14,51%) (PAM, 2018).
Tabela 2– Produção por item agrícola e unidade geográfica, 2018 Unidade Geográfica Algodão Herbáceo (t) Arroz (t) Banana (t) Cana-de-Açúcar (t) Castanha de caju (t) Coco da Baía (t)
Produção (%) Produção (%) Produção (%) Produção (%) Produção (%) Produção (%)
Região Nordeste 1.367.282 100 449.506 100 2.816.395 100 79.200.420 100 144.210 100 1.505.687 100
Alagoas 51 0 19.841 4,41 104.910 3,72 16.153.801 20,40 697 0,48 77.448 5,14
Bahia 1.247.732 91,26 55.527 12,35 1.382.529 49,09 35.225.136 44,48 6.726 4,66 736.110 48,89
Ceará 1.272 0,09 17.840 3,97 408.573 14,51 512.620 0,65 83.036 57,58 254.161 16,88
Maranhão 91.654 6,70 206.977 46,05 76.345 2,71 2.427.984 3,07 5.998 4,16 8.032 0,53
Paraíba 581 0,04 1.852 0,41 133.200 4,73 5.684.199 7,18 864 0,60 34.594 2,30
Pernambuco 40 0 3.314 0,74 429.338 15,24 12.586.990 15,89 4.018 2,79 139.516 9,27
Piauí 24.943 1,82 109.373 24,33 41.788 1,48 839.534 1,06 24.885 17,26 11.115 0,74
Rio Grande do Norte 1.009 0,07 3.045 0,68 216.853 7,70 3.855.065 4,87 17.986 12,47 70.347 4,67
Sergipe 0 0 31.737 7,06 22.859 0,81 1.915.091 2,42 0 0 174.364 11,58
Unidade Geográfica Feijão (t) Laranja (t) Mandioca (t) Manga (t) Milho (t) Soja (t)
Produção (%) Produção (%) Produção (%) Produção (%) Produção (%) Produção (%)
Região Nordeste 57.4479 100 1.672.558 100 4.456.607 100 1.533.585 100 6.037.563 100 11.536.601 100
Alagoas 8.237 1,43 166.744 9,97 394.073 8,84 11.201 0,73 25.050 0,41 2.475 0,02
Bahia 190.182 33,11 1.128.788 67,49 1.530.402 34,34 905.367 59,04 2.457.403 40,70 6.313.080 54,72
Ceará 137.953 24,01 8.266 0,49 622.236 13,96 42.253 2,76 470.149 7,79 190 0
Maranhão 35.534 6,19 3.420 0,20 681.018 15,28 446 0,03 1.320.971 21,88 2.751.206 23,85
Paraíba 33.878 5,90 4.398 0,26 139.069 3,12 9.024 0,59 54.748 0,91 0 0
Pernambuco 50.601 8,81 3.061 0,18 372.360 8,36 496.937 32,40 60.400 1,00 0 0
Piauí 93.926 16,35 1.992 0,12 331.546 7,44 5.424 0,35 1.518.094 25,14 2.469.650 21,41
Rio Grande do Norte 22.241 3,87 929 0,06 232.569 5,22 44.066 2,87 23.934 0,40 0 0
Sergipe 1.927 0,34 354.960 21,22 153.334 3,44 18.867 1,23 106.814 1,77 0 0
Fonte: IBGE - Produção Agrícola Municipal (2018).
2.2 A Economia e a Agricultura Cearense
A economia cearense, desde o início, esteve fortemente vinculada ao setor
agropecuário, visto que a criação de gado foi responsável pela ocupação do território
cearense. A sua expansão e, por conseguinte, a de sua economia, tem seu princípio a partir da
segunda metade do século XVIII, com o surgimento das charqueadas1.
Mas, as constantes estiagens e a concorrência com a carne de charque do Sul do
Brasil contribuíram para a decadência da atividade.
De acordo com Chaves (2016), as mudanças ocorridas no mercado europeu
proporcionaram a retomada de investimentos marcante na agricultura. Desse modo, o algodão
ganhou preferência europeia, como matéria-prima têxtil, pois com o advento da Revolução
Industrial, rompe-se o exclusivismo pastoril no Ceará (GIRÃO, 1995).
Para Silva (2007), a emergência do processo de produção do algodão cearense, em
conjunto com a interiorização das fazendas de gado e a produção de cana de açúcar, em
meados do século XIX, contribuíram para o desenvolvimento das cidades que ficavam
próximas a foz dos rios e que faziam ligação com litoral, pois serviam como locais de
passagem e desenvolvimento do comércio agropecuário.
No início do século XIX, quando o Ceará se tornou uma capitania independente,
antes vinculado à capitania de Pernambuco (até 1799), iniciaram-se as atividades de
exportação. Em 1826, Fortaleza atingiu a categoria de cidade e posteriormente os centros
comerciais interioranos de Sobral (1841), Icó e Aracati (1842), Crato (1843), Quixeramobim
(1856) e Baturité (1858) foram estabelecidos (CHAVES, 2016).
Neste contexto, a chegada da ferrovia também contribuiu para o fortalecimento da
economia cearense voltada para a produção primário-exportadora2.
Frente às exigências de produção mais flexível, em meados do século XX, todo o
território brasileiro sofreu modificações, advindas do princípio do processo de globalização. A
partir desse período, segundo Elias e Pequeno (2013), o dinamismo econômico e a construção
do território cearense já eram evidentes que se manifestavam pela modernização da produção
agrícola, por meio da implantação de novas obras de engenharia, a exemplo dos perímetros
irrigados (ELIAS, 2002) e dos novos sistemas de gestão dos recursos hídricos (ELIAS, 1999).
1 Visando ao melhor aproveitamento da carne, o gado ao invés de ser levado vivo, passou a ser abatido e
conservado por meio de um processo de salga, para depois ser transportado para os mercados consumidores. 2 Produção e exportação de algumas commodities agrícolas, cujas características centravam-se na produção de
gêneros que interessavam ao mercado internacional.
22
Essas ações favoreceram a difusão do agronegócio, em especial o de frutas
tropicais, visando à exportação; houve a implantação de indústrias, especialmente vindas de
outras partes do país, fruto da guerra fiscal, com amplos benefícios proporcionados pelo
governo estadual; a construção de infraestruturas associadas ao transporte, à comunicação, ao
saneamento básico, aos recursos hídricos; o desenvolvimento de novas fontes de energia; pela
expansão de comércios e serviços especializados; o crescimento das atividades turísticas,
especialmente ligadas ao litoral, entre outras.
Para Elias e Pequeno (2013), nos últimos trinta anos, o Estado passou por um
processo de reestruturação econômica e territorial, em que a chegada de investidores de
diversos setores econômicos, motivados pela realização de obras locais como implantação de
vias que interligaram a capital ao interior, fez estabelecer o que os autores denominaram de
macrovetores de crescimento, sendo destacadas três atividades primordiais para a atual
conjuntura econômica cearense: o agronegócio de frutas tropicais, a indústria, vinda de outros
Estados induzida pela política estadual de incentivos fiscais, e o turismo, principalmente de
praia.
O avanço dos meios de transporte, a ampliação de rodovias, o maior acesso às
tecnologias apropriadas e à comunicação, possibilitaram a dispersão espacial da produção em
geral, incluindo a agrícola, que passou a incluir áreas que até então se mostravam pouco
prováveis de gerar lucratividade também no semiárido e cerrado nordestinos (SANTOS,
1994).
Magalhães (2014) afirma que, em 2012, estatisticamente, o setor agropecuário
cearense representava apenas 4,7% do Valor Adicionado Bruto (VAB) da economia do
Estado do Ceará. Entretanto, diz que há limitações na percepção se o foco for apenas tal
quantitativo, pois se deve considerar que o setor é a base para diversos outros setores, ou seja,
se houver melhoras no setor agropecuário a agregação de valor final será maior.
O autor ainda atribui à baixa produtividade agrícola/agropecuária a dois fatores
importantes: a vulnerabilidade em relação às chuvas e as questões culturais, com a priorização
de métodos tradicionais de produção, principalmente no perfil de pequenos produtores.
O primeiro fator vem sendo amenizado ao longo dos últimos anos por meio do
aprimoramento da agricultura irrigada, de acordo com informações da Agência de
Desenvolvimento do Estado do Ceará (ADECE).
Já o segundo, que pode estar ligado ao primeiro, pelas dificuldades de acesso à
tecnologia, é ainda mais complexo, pois se deve pensar primeiramente na utilização dos
preceitos mais básicos, que incluem conservação e correção do solo, plantio direto, não
23
utilização de queimadas, dentre outras ações disponíveis, para depois adotar a tecnologia
(MAGALHÃES, 2014). Portanto, subentende-se que se trata de uma questão que depende, a
priori, bastante do enriquecimento de capital humano e de capital físico.
Nas últimas duas décadas houve diversas mudanças na formulação de políticas de
abordagem de questões agrícolas no Brasil, o que pode explicar muito da mudança de
trajetória de sua produtividade. Os anos 1990 foram marcados pela adoção do Plano Real, que
foi implantado em 1994, com os principais intuitos de amenizar a inflação e garantir a
estabilidade da moeda. Foi criado também o Programa Nacional de Fortalecimento da
Agricultura Familiar (PRONAF) em 1996, com o intuito de gerar renda para os agricultores
assentados de reforma agrária, por meio de financiamento de projetos individuais ou
coletivos.
Em início dos anos 2000, já no governo Lula, caracterizado por políticas
assistencialistas e de transferências de renda, contou-se com o plano de Reforma Agrária
(2003) e a criação de programas como: O Programa de Aquisição de Alimentos (2003), o
Seguro da Agricultura Familiar (2004), o Programa Garantia-Safra que foi aperfeiçoado a
partir de 2003. Nesse período, o PRONAF foi ampliado e passou a ser o principal programa
de desenvolvimento rural (FAGNANI, 2011).
Em 2008, uma grande crise internacional acabou reduzindo as exportações
brasileiras, pelo aumento generalizado no preço dos alimentos em nível mundial. Ainda neste
cenário houve adoção do programa Territórios da Cidadania, voltado para a superação da
pobreza rural, na qual priorizava áreas com baixos Índices de Desenvolvimento Humano
(IDHs) e baixos indicadores de dinamismo econômico (FAGNANI, 2011). A partir de 2012,
alguns acontecimentos também foram importantes para os atuais resultados de redução da
produtividade agrícola, como o forte período de seca e da intensa e prolongada recessão para
a economia brasileira a partir de 2015.
Visto que a agricultura do Ceará passou por diversas mudanças e adaptações nas
últimas décadas, principalmente como consequências do processo de globalização, das
condições climáticas próprias do território e dos cenários socioeconômicos gerados, torna-se
interessante verificar e mensurar a maneira segundo a qual os fatores se modificaram até
chegar sua atual estrutura.
A Tabela 3 traz um comparativo entre o número e as áreas total e média (por
hectare) dos estabelecimentos agropecuários do Brasil e do Ceará, tomando por base os
censos agropecuários de 1996, 2006 e 2017. Pode-se perceber que a área média dos
estabelecimentos agropecuários brasileiros praticamente manteve-se constante, comparando o
24
ano inicial ao final, enquanto os estabelecimentos cearenses estão cada vez menores, cerca de
35 pontos percentuais menores no último período, comparado ao inicial.
O número de municípios cearenses com área média dos estabelecimentos acima
da brasileira decresceu absurdamente, passando de 52, em 1996, para 1, em 2017, é o caso de
Jaguaretama, localizado na microrregião do Médio Jaguaribe, que possui estabelecimentos
com área média de 69,08 hectares, de acordo com os dados disponibilizados pelo IBGE
(2017).
Tabela 3– Número e Área dos Estabelecimentos Agropecuários, Brasil e Ceará
1996
Descrição Número de
Estabelecimentos
Área Total dos Estabelecimentos
(ha)
Área Média dos Estabelecimentos
(ha)
Brasil 5.101.383 353.611.246 69,32
Ceará 168.464 8.963.842 53,21
2006
Descrição Número de
Estabelecimentos
Área Total dos Estabelecimentos
(ha)
Área Média dos Estabelecimentos
(ha)
Brasil 5.175.636 333.680.037 64,47
Ceará 381.017 7.948.068 20,86
2017
Descrição Número de
Estabelecimentos
Área Total dos Estabelecimentos
(ha)
Área Média dos Estabelecimentos
(ha)
Brasil 5.072.152 350.253.329 69,05
Ceará 394.317 6.895.413 17,49
Fonte: IBGE- Censos Agropecuários de 1996, 2006 e 2017.
A Tabela 4 mostra o ranking dos 10 municípios cearenses com maior
produtividade agrícola total nos anos de 1996, 2006 e 2017. Vale notar que o cenário dos dois
primeiros períodos é bastante semelhante, tanto pelo grau de produtividade como dos
municípios ranqueados, diferentemente dos resultados encontrados em 2017, cuja baixa
produtividade entra em cena e outros municípios aparecem no topo.
Em todos os períodos, o que há em comum nestes municípios é a forte produção
de Cana-de-açúcar, ponto que provavelmente mais influenciou no resultado.
Tabela 4 – Ranking dos 10 municípios cearenses com maior produtividade agrícola total
1996
Município Quantidade Produzida (t) Área Plantada (ha) Produtividade Agrícola (t/ha)
Maracanaú 794 26.242,14 33,05
Paraipaba 3.976 90.947,88 22,87
Pindoretama 1.695 35.754,46 21,09
Barbalha 6.907 13.5591,2 19,63
Ibiapina 7.802 151.549,44 19,42
Aquiraz 4.531 71.841,68 15,86
25
Paracuru 6.829 100.192,9 14,67
Acarape 1.306 17021 13,03
Missão Velha 14.466 163.618,6 11,31
Tabela 4 – Ranking dos 10 municípios cearenses com maior produtividade agrícola total
(continua)
Tianguá 10.209 93.976,93 9,21
2006
Município Quantidade Produzida (t) Área Plantada (ha) Produtividade Agrícola (t/ha)
Paraipaba 12.417 373.893 30,11
Maracanaú 692 17.890 25,85
Barbalha 4.313 91.305 21,17
Pindoretama 2.654 49.865 18,79
Paracuru 11.786 215.597 18,29
Quixeré 6.574 104.530 15,90
Aquiraz 6.209 92.434 14,89
Ibiapina 8.785 113.019 12,86
São Benedito 12.080 151.378 12,53
Acarape 2.653 30.086 11,34
2017
Município Quantidade Produzida (t) Área Plantada (ha) Produtividade Agrícola (t/ha)
São Benedito 7.977 133.859 16,78
Aquiraz 4.281 57.366 13,40
Guaraciaba do Norte 9.996 120.180 12,02
Tianguá 10.545 115.935 10,99
Ibiapina 6.826 68.119 9,98
Barbalha 2.097 20.504 9,78
Pindoretama 2.223 20.599 9,27
Quixeré 4.563 42.251 9,26
Limoeiro do Norte 8.592 77.447 9,01
Jaguaruana 7.027 62.838 8,94
Fonte: Elaboração própria com base na Pesquisa Agrícola Municipal (PAM).
Em que: Produtividade Agrícola (t/ha) = [Quantidade Produzida (t)/Área Plantada (ha)]
2.3 Fatores importantes para a análise de produtividade agrícola
A importância de analisar a produtividade da agricultura e as mudanças que esta
vem passando, justifica-se por ser um aspecto essencial para se entender o crescimento de
longo prazo da agricultura (GASQUES et al., 2004). Com base nos Censos Agropecuários de
1970 a 2006, os autores atribuíram o aumento da produtividade agrícola brasileira a alguns
pilares como a qualificação da mão de obra ocupada na agricultura, o aumento do número de
máquinas e equipamentos, o aumento dos gastos em pesquisa, o crescimento dos subsídios ao
crédito rural e a adoção da tecnologia em escala cada vez maior. Evidenciaram que houve
crescimento de 243% do produto da agricultura em contraponto ao avanço de 53% no uso de
26
insumos, mostrando que o crescimento da agricultura brasileira foi resultado da evolução da
produtividade.
Gasques et al. (2004), ao analisarem os condicionantes da produtividade da
agropecuária brasileira, no período de 1975 a 2002, utilizaram os fatores terra, pessoal
ocupado, máquinas agrícolas automotrizes e uso de fertilizantes e defensivos agrícolas para
estimar um índice agregado de insumos. Os resultados apontaram que o crescimento anual
médio do índice de produto está associado a acréscimos da Produtividade Total dos Fatores
(PTF), em que a terra é pontada como principal responsável para tal. Para os autores, o
desempenho da PTF, que mede a relação entre o produto total e o insumo total, é reflexo das
elevadas taxas de crescimento da produtividade de mão-de-obra, terra e capital.
Outro ponto importante dos resultados de Gasques et al. (2004) diz respeito aos
impactos positivos causados com gastos em pesquisa e crédito rural sobre a PTF, em que a
variação de 1% nos gastos e em crédito rural causou impactos imediatos da ordem de 0,17% e
0,06% na Produtividade Total dos Fatores, respectivamente. No entendimento de Rezende
(2006), com o subsídio do capital, a tecnologia tomou o poder de intensificar a mecanização e
facilitar a ocupação de novas áreas como o Cerrado, enquanto a legislação trabalhista e
agrária elevou os custos com mão de obra. Desta forma, observou que a produtividade
agrícola cresceu cada vez mais à luz do capital e da terra e cada vez menos pela ocupação de
mão de obra.
No que respeita ao Estado do Ceará, Gasques et al. (2010) apontam que o
crescimento do produto agrícola cresceu 255%, enquanto o uso de insumos retraiu em 9%.
Concluíram que a produtividade agrícola cearense avançou mais que a média brasileira no
período de 1970 a 2006.
Gasques et al. (2018) mostram que o produto agropecuário brasileiro
quadruplicou no período de 1975 a 2016 e que esse relevante aumento foi resultante de muitas
transformações ocorridas durante as últimas quatro décadas, tais como a abertura econômica
brasileira, na década de 1980, a criação da Empresa Brasileira de Pesquisa Agropecuária
(Embrapa), maior utilização de fertilizantes, que têm amenizado as perdas de produto,
mudanças na forma de o governo atuar no crédito rural e outras políticas públicas voltadas
para o setor.
No tocante ao uso de insumos, Gasques et al. (2018) relatam que no período de
1970 a 1980 a terra foi o principal fator de crescimento do produto agropecuário e que, a
partir dos anos 1980, até a atualidade, o capital passou a ser o principal fator de crescimento
da agricultura brasileira.
27
Para Bragagnolo e Barros (2015), aumentos da Produtividade Total dos Fatores
causaram leve redução do trabalho agrícola, isto porque as inovações tecnológicas
empregadas na agricultura por meio de instrumentos como máquinas e tratores, colaboraram
para o não crescimento do quantitativo de mão de obra na agricultura brasileira. Por sua vez,
as elevações na PTF causaram aumento na área plantada e no emprego de capital. Logo,
sugeriram que a modernização da agricultura nas últimas décadas exerceu influência na
fronteira agrícola e permitiu a exploração de novas áreas (BRAGAGNOLO; BARROS,
2015).
2.4 Análises Espaciais e de Convergência da Agropecuária
De acordo com Anselin (1996), a econometria convencional não apresenta
ferramentas teóricas suficientes para explicar problemas que ocorrem no espaço, como os
efeitos espaciais de especificação, na estimação e no teste de hipótese e previsão de modelos
que utilizam dados cross-section ou com painel de dados. Para superar tal limitação, a
econometria espacial lida com os efeitos provocados pela autocorrelação espacial e, também,
pela heterogeneidade espacial, ou estrutura espacial para esses tipos de dados.
A existência ou não desses efeitos pode ser detectada por meio da Análise
Exploratória de Dados Espaciais (AEDE), fundamentada no Índice de Moran que identifica a
coincidência de valores similares em regiões vizinhas em termos globais, e o indicador local
de associação espacial (local indicator of spatial association – Lisa), que detecta a
dependência espacial em nível local (ANSELIN, 1996).
Portanto, a AEDE mostra-se aderente à tomada de decisão quanto à alocação de
recursos nas atividades produtivas e, ainda, fornece suporte analítico para construção de
políticas, planos e projetos de desenvolvimento para regiões. Associada a isso, está a
relevância em caracterizar a trajetória comportamental dessas atividades e detectar
características e/ou varáveis que as fazem entrar em um processo de convergência.
Solow (1956) iniciou seus estudos sobre convergência propondo um modelo que
indicava se as taxas de crescimento da renda per capita de diferentes regiões/países tendiam
ao equilíbrio em longo prazo, denominado pelo autor de estado estacionário e, em se
confirmando a hipótese, as regiões mais pobres deveriam crescer em taxas maiores que as
mais ricas.
Nesse contexto, Lopes (2004) afirma que a convergência é um processo em que
uma mesma variável apresenta diferentes valores para diferentes regiões (municípios, estados,
países) e que, ao longo dos anos, essa diferença se reduz por motivos variados, como a
28
difusão de tecnologia e a retirada de obstáculos ao crescimento da produção, destacados pela
autora. Estudos mostram, por exemplo, que a convergência de renda pode ser entendida como
a tendência para uma redução das diferenças de rendimentos em nível mundial
(FAGERBERG; GODINHO, 2003).
A referida autora, ao analisar a produtividade da terra, aponta três razões que
podem explicar a convergência da produtividade agrícola: a) ocorrência de mudanças
estruturais no processo de produção (relacionadas a inovações tecnológicas e ações de
políticas públicas); b) influência do mecanismo de difusão tecnológica de novas sementes e de
novos sistemas de plantio; c) eliminação de obstáculos ao crescimento da produção (restrições
ambientais, falta de logística adequada e carência de financiamento).
Trabalhos como o de Lusigi, Piesse e Thirtle (1998) e o de Suhariyanto e Thirtle
(2001) discorreram a respeito da convergência de produtividade da terra. O primeiro
encontrou convergência de renda per capita e da Produtividade Total dos Fatores (PTF) na
agricultura em um conjunto de 32 países africanos no período de 1970 a 1991. Por sua vez, o
segundo, que buscou mensurar a PTF na Ásia, não encontrou evidências de convergência da
produtividade agrícola.
Barro e Sala-i-Martin (1990), seguindo uma função de produção que incorpora
inovação tecnológica, a partir do modelo de Solow (1956), desenvolveram uma expressão
algébrica para medir vários tipos de convergência (𝛼, 𝛽), procurando destacar diferenças e
similaridades, que até então haviam sido ilustradas apenas graficamente. Segundo os autores,
a β-convergência caracteriza uma correlação negativa entre crescimento da renda per capita e
o logaritmo da renda per capita inicial, indicando convergência absoluta e/ou condicional
entre as economias. Já a 𝛼-convergência analisa a redução da dispersão da renda per capita
das regiões no período de estudo.
Baumol (1986) empregou a Equação (1), a seguir, para analisar um suposto
processo de convergência de renda para 16 países industrializados no período de 1870 a 1979:
1
𝑇[𝑙𝑛 (
𝑦
𝑛)
𝑖,𝑡− 𝑙𝑛 (
𝑦
𝑛)
𝑖,𝑡−1] = 𝛼 + 𝛽𝑙𝑛 (
𝑦
𝑛)
𝑖,𝑡−1+ 𝜀𝑖 (1)
Em que 𝑡 é o tempo, 𝑙𝑛(𝑦/𝑛) é o logaritmo da renda per capita, 𝜀 é o termo de
erro e 𝑖 é o termo indexador para os países. Se existir convergência absoluta, o 𝛽 deverá ser
estatisticamente significante e apresentar sinal negativo. A convergência de renda tem
implicações relevantes sobre o processo de crescimento e desenvolvimento de diferentes
29
regiões e a relação econômica entre elas, bem como sobre a atuação das políticas públicas
nesse processo (FREITAS; ALMEIDA, 2015).
Os estudos sobre convergência passaram a incorporar o método da análise
espacial com o objetivo de se tornarem cada vez mais próximos da realidade. De acordo com
Magalhães et al. (2005), a análise econômica está cada vez mais focada em questões
relacionadas à dimensão espacial dos problemas, sendo uma característica importante quando
a atenção é direcionada à convergência da produtividade regional.
Sob essa perspectiva, Dall'erba (2005) identificou as disparidades de
produtividade do trabalho na Espanha, em um conjunto de 48 regiões no período de 1980 a
1996. O autor utilizou os modelos de β-convergência e σ-convergência, e, como metodologia
para tal, a mensuração por meio de econometria espacial. Os resultados obtidos destacaram a
importância de se levar em consideração o impacto da produtividade das localidades vizinhas.
Baumont et al. (2003) estudaram o processo de crescimento regional europeu de
1980 a 1995, por meio de clubes de convergência, e utilizaram a econometria espacial. O
estudo apontou que a taxa de convergência entre as regiões europeias se deu de maneira mais
lenta e que as distinções do PIB prevaleceram, apesar de verificar que houve processo de
integração econômica europeia e taxas de crescimento mais elevadas experimentadas por
alguns países.
A fim de testar a hipótese de convergência da produtividade do trabalho da
agropecuária nos estados brasileiros, Fochezatto e Stülp (2008) utilizaram a técnica de cadeias
de Markov para comparar o setor agropecuário com os demais setores, bem como avaliar seu
comportamento ao longo da década de noventa. Os resultados rejeitaram a existência de
convergência da produtividade do trabalho na agropecuária, apontando que os estados
evoluem para um nível superior de produtividade enquanto outros para um nível inferior.
Almeida, Perobelli e Ferreira (2008) ao investigarem sobre a convergência
espacial da produtividade agrícola nas microrregiões brasileiras, entre os anos de 1991 e 2003,
utilizaram a análise econométrica com a incorporação dos chamados efeitos espaciais,
inferiram sobre a importância da agricultura para o crescimento econômico, que tende a ser
desigual para as diferentes regiões do país, e chegaram à conclusão de que existem evidências
em favor da convergência da produtividade.
Ao analisar dados de produção agrícola, Almeida (2012) concluiu que a
autocorrelação ou dependência espacial pode ser ocasionada pelo processo de difusão de
práticas/tecnologias agrícolas, cujos efeitos podem ser notados nos locais vizinhos de uma
unidade espacial analisada. Em estudos que tratam da convergência da produtividade agrícola,
30
é relevante conhecer a dependência espacial, ou seja, de que maneira e em que nível um local
é dependente dos resultados de locais vizinhos.
Com o objetivo de analisar a evolução da produtividade da agropecuária nas
microrregiões do Sul do Brasil, Raiher et al. (2016) confirmaram a hipótese segundo a qual a
distribuição espacial da produtividade da terra não é aleatória e, portanto, estimaram um
modelo de convergência utilizando técnicas da econometria espacial. Os resultados obtidos
apontaram para hipótese de convergência absoluta e condicional da produtividade da
agropecuária.
Diante dos estudos expostos realizados, o trabalho que se desenha busca trazer
contribuições para o debate sobre a convergência da produtividade agrícola no Nordeste
brasileiro e no Estado do Ceará. A relevância prende-se ao fato de, principalmente, se poder
focar a análise desta variável para cada microrregião nordestina e cada município do Estado,
até então não realizada, e em razão da técnica de econometria espacial possibilitar incluir na
análise as características espaciais dos municípios.
31
3 METODOLOGIA
A análise empírica realizada neste trabalho adota um conjunto de métodos de
análise estatística espacial, com o objetivo de compreender os padrões de associação entre
variáveis estudadas. Inicialmente, aplica-se o conjunto de técnicas estatísticas conhecido
como Análise Exploratória de Dados Espaciais (AEDE) para identificar padrões espaciais tais
como aglomerações/clusters. Após a aplicação da AEDE, o presente estudo propõe-se analisar
as convergências absoluta e condicional das produtividades agrícolas médias, controlando-se
os seus efeitos espaciais. O objetivo é verificar a evolução da produtividade agrícola em
perspectiva regional.
3.1 Base de Dados
Diante do objetivo de se analisar espacialmente a produtividade agrícola das
microrregiões geográficas do Nordeste brasileiro e dos municípios cearenses, faz-se
necessário a utilização da técnica chamada de econometria espacial. Para a aplicação deste
tipo de análise, é imprescindível o levantamento de dados para todas as microrregiões e
municípios, pois a ausência dos mesmos pode ocasionar graves problemas. O mesmo
processo foi realizado para as microrregiões geográficas nordestinas.
Por conseguinte, o primeiro passo foi verificar a disponibilidade das variáveis:
produção agrícola total e a área plantada total de todos os municípios e de todas as
microrregiões durante todo o período a ser observado (1996 a 2017). Após constatar a
disponibilidade da Produção Agrícola Municipal (PAM), por meio do Sistema IBGE de
Recuperação Automática (SIDRA), a variável produtividade foi criada por intermédio da
seguinte razão:
𝑃 =𝑝𝑟𝑜𝑑𝑢çã𝑜 𝑎𝑔𝑟í𝑐𝑜𝑙𝑎 𝑡𝑜𝑡𝑎𝑙
á𝑟𝑒𝑎 𝑝𝑙𝑎𝑛𝑡𝑎𝑑𝑎 𝑡𝑜𝑡𝑎𝑙 (2)
A Figura 1 mostra a evolução nas últimas duas décadas da produtividade agrícola
média das microrregiões3 geográficas nordestinas (Anexo A) e da Região como um todo. É
possível notar que apenas três estados se mantiveram bastante acima da média nordestina,
sendo eles Alagoas, Pernambuco e Sergipe. Os estados da Bahia, Paraíba e Rio Grande do
Norte são os estados que mais se assemelham à trajetória média da Região. Os que obtiveram
resultados mais abaixo da média foram Maranhão, Ceará e Piauí. Já a Tabela 5 traz algumas
3 A Microrregião de Fernando de Noronha, que pertence à Pernambuco (PE), foi excluída por apresentar
produtividade agrícola nula em todos os períodos.
32
medidas de dispersão da produtividade agrícola de 2017 com respeito às microrregiões por
Estado.
Figura 1– Gráfico da produtividade agrícola média dos estados nordestinos (1996-2017)
Fonte: Elaboração própria segundo a Pesquisa Agrícola Municipal (PAM).
Tabela 5 – Estatística descritiva da produtividade agrícola média das microrregiões por
estado, 2017
Unidade Geográfica Média Máximo Mínimo Desvio Padrão
Nordeste 8,71 51,98 0,13 13,57
Maranhão 5,38 25,46 2,71 4,78
Piauí 2,99 17,81 0,14 4,25
Ceará 2,04 9,80 0,25 2,00
Rio Grande do Norte 8,53 51,98 0,34 12,50
Paraíba 9,61 46,67 0,13 16,74
Pernambuco 19,08 48,65 0,36 20,19
Alagoas 21,68 50,67 0,27 21,73
Sergipe 17,29 40,07 4,64 14,00
Bahia 5,35 39,08 0,48 7,61
Fonte: Elaboração própria segundo a Pesquisa Agrícola Municipal (PAM).
O Maranhão apresentou baixo desvio padrão, pois apenas uma microrregião,
Coelho Neto, obteve produtividade (25,46) muito superior à média, devido à grande produção
de cana de açúcar e de soja. O mesmo acontece com Piauí, apenas a microrregião de Teresina
(17,81) ficou muito acima da média, devido à grande produção de cana de açúcar. E também
no Ceará, que mostrou a menor produtividade média e o menor desvio padrão, apenas a região
33
de Ibiapaba (9,80) se destacou, principalmente pela produção de cana de açúcar, tomate e
maracujá.
No Rio Grande do Norte, quatro regiões mostraram produtividades muito acima
da média: Litoral Sul (51,98), pela altíssima produção de cana de açúcar; Litoral Nordeste
(22,85), pela grande produção de cana de açúcar e de banana; Macaíba (20,79) por produzir
também muita cana de açúcar; e Vale do Açu (15,68) por produzir muita banana. Assim como
na Paraíba, em que também quatro microrregiões obtiveram as maiores produtividades:
Litoral Sul (46,67), Sapé (44,77), João Pessoa (44,06) e Litoral Norte (42,99), resultado da
enorme produção de cana de açúcar em ambos e da grande produção de abacaxi na última.
Alagoas, Pernambuco e Sergipe foram os estados com maiores produtividades
agrícolas resultantes do maior número de microrregiões com produções muito acima da média
graças à produção de cana de açúcar. Em Alagoas os destaques foram: Maceió (50,67), Mata
Alagoana (45,84), Serrana dos Quilombos (45,13), Penedo (43,82), São Miguel dos Campos
(43,78) e Litoral Norte Alagoano (33,16). Por sua vez, em Pernambuco, os maiores
produtores foram: Mata Setentrional Pernambucana (48,65), Recife (47,11), Itamaracá
(45,71), Suape (44,94), Vitória de Santo Antão (43,40) e Mata Meridional Pernambucana
(39,11). Já em Sergipe foram: Baixo Cotinguiba (40,07), Aracaju (40,01), Cotinguiba (39,25)
e Japaratuba (26,37).
A Bahia, apontado pelo Instituto Brasileiro de Geografia e Estatística (IBGE)
como o estado nordestino com maior contribuição sob o Valor Adicionado Bruto (VAB) da
Agropecuária nordestina, mostrou a soberania de duas microrregiões produtoras: Juazeiro
(39,07) resultante da grande produção de cana de açúcar e de manga; e Porto Seguro (23,94)
devido à enorme produção de cana de açúcar e mamão.
Por meio da Tabela 6 caracteriza-se a produtividade dos municípios do Ceará,
apresentando-se as médias, desvios padrões, valores mínimos e máximos para o período de
1996 a 2017. Por meio da Figura 2 é possível notar a trajetória decrescente da produtividade
média do Estado do Ceará nos últimos períodos, confirmando as expectativas apontadas na
seção anterior.
34
Tabela 6 – Estatística Descritiva da Produtividade Agrícola dos municípios cearenses
Ano Média Desvio Padrão Mínimo Máximo Ano Média Desvio Padrão Mínimo Máximo
1996 2,62 4,48 0,31 33,05 2007 3,01 5,21 0,14 31,21
1997 2,59 4,76 0,07 32,95 2008 3,46 5,19 0,34 30,94
1998 2,77 4,79 0,01 26,28 2009 2,98 4,73 0,16 29,41
1999 2,67 4,17 0,20 22,39 2010 2,97 5,09 0,04 31,23
2000 2,91 4,31 0,41 24,85 2011 3,13 4,16 0,38 27,43
2001 2,69 4,53 0,12 27,10 2012 2,40 4,29 0,02 29,29
2002 2,90 4,25 0,37 25,16 2013 2,56 4,35 0,07 28,19
2003 3,05 4,40 0,29 25,47 2014 2,80 4,04 0,05 25,65
2004 2,89 4,59 0,15 31,18 2015 2,01 3,24 0,03 17,20
2005 3,07 4,72 0,21 26,76 2016 1,89 3,18 0,06 18,70
2006 3,23 4,45 0,48 30,11 2017 2,26 2,80 0,04 16,78
Fonte: Elaboração própria com base na Pesquisa Agrícola Municipal (PAM).
Figura 2 – Gráfico de Produtividade Agrícola Média do Ceará (1996 a 2017)
Fonte: Elaboração própria com base na Pesquisa Agrícola Municipal (PAM).
Tomando-se como base a seção 2.3, em que se discutem os fatores importantes
para a análise de produtividade agrícola, e considerando a escassez de informações
atualizadas para a aplicação do modelo de convergência condicional, definiram-se algumas
variáveis de controle (Tabela 7) como representantes dos fatores de produção a partir dos
censos agropecuários de 1996, 2006 e 2017. Assume-se que tais fatores possam representar
1.7
1.9
2.1
2.3
2.5
2.7
2.9
3.1
3.3
3.5
Pro
du
tivi
dad
e M
éd
ia
Períodos
Produtividade Agrícola Média do Ceará Linha de Tendência
35
capital humano e capital físico no modelo, tomando-se por base a Teoria de Crescimento
Endógeno.
Tabela 7 – Variáveis utilizadas no modelo de convergência condicional
Identificador Definição
Variável Dependente
Produtividade agrícola P 𝑞𝑢𝑎𝑛𝑡𝑖𝑑𝑎𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑧𝑖𝑑𝑎 (𝑡)
á𝑟𝑒𝑎 𝑝𝑙𝑎𝑛𝑡𝑎𝑑𝑎 (ℎ𝑎)
Variáveis Explicativas
Assistência técnica Assistec
𝑛º 𝑑𝑒 𝑒𝑠𝑡𝑎𝑏𝑒𝑙𝑒𝑐𝑖𝑚𝑒𝑛𝑡𝑜𝑠 𝑐𝑜𝑚 𝑎𝑠𝑠𝑖𝑠𝑡ê𝑛𝑐𝑖𝑎 𝑡é𝑐𝑛𝑖𝑐𝑎 𝑟𝑒𝑔𝑢𝑙𝑎𝑟
á𝑟𝑒𝑎 𝑒𝑥𝑝𝑙𝑜𝑟𝑎𝑑𝑎 (ℎ𝑎)
Área explorada Area área explorada (ha)
Mão de obra por MDO 𝑛º 𝑑𝑒 𝑝𝑒𝑠𝑠𝑜𝑎𝑠 𝑜𝑐𝑢𝑝𝑎𝑑𝑎𝑠
á𝑟𝑒𝑎 𝑒𝑥𝑝𝑙𝑜𝑟𝑎 (ℎ𝑎)
Número de tratores por
hectares Tratores
𝑛º 𝑑𝑒 𝑡𝑟𝑎𝑡𝑜𝑟𝑒𝑠
á𝑟𝑒𝑎 𝑒𝑥𝑝𝑙𝑜𝑟𝑎𝑑𝑎 (ℎ𝑎)
Fonte: Elaboração própria.
Em razão da escassez de informações complementares que pudessem explicar a
trajetória de convergência condicional, os períodos verificados foram menores (3) e mais
longos (1996-2006, 2006-2017 e 1996-2017), pois os censos agropecuários são realizados a
cada 10 anos no País. Para a verificação de convergência absoluta, optou-se em aumentar o
número de subperíodos observados (1996-2002, 2003-2007, 2008-2012, 2013-2017 e 1996-
2017) contemplando menos observações em cada período, para se averiguar com mais
especificidade o comportamento de sua trajetória, pois se torna possível pela disponibilidade
anual dos dados por meio da Pesquisa Agropecuária Municipal (PAM).
3.2 Especificação do Modelo Espacial
3.2.1 Matrizes de Ponderação Espacial
Inicialmente, define-se uma matriz de ponderação espacial (𝑊), quadrada de
dimensão n por n, para refletir as interações do arranjo espacial do fenômeno a ser estudado.
Cada conexão entre duas regiões é representada por uma célula dessa matriz, sendo
denominada de peso espacial. Os pesos espaciais 𝑤𝑖𝑗 representam o grau de conexão entre as
regiões segundo algum critério de proximidade, mostrando a influência da região 𝑗 sobre a
36
região 𝑖. Esse grau de conexão pode ser classificado de acordo com o grau de vizinhança
baseada na contiguidade, de distância geográfica ou se apoia em critérios socioeconômicos4.
Neste trabalho, as matrizes testadas baseiam-se nos critérios de contiguidade, em
que a matriz de pesos espaciais binários pode ser construída conforme a ideia de que duas
regiões são vizinhas, caso elas partilhem de uma fronteira física comum, partindo-se do
pressuposto que duas regiões contíguas possuem uma maior interação espacial (ALMEIDA,
2012), pois a ideia que se tem, segundo a Primeira Lei da Geografia, é que lugares mais
próximos tenham uma maior interação espacial. Dessa forma, para ambos os critérios, atribui-
se valor unitário na matriz a duas regiões vizinhas e valor nulo caso contrário. Formalmente:
𝑤𝑖𝑗 = { 1 𝑠𝑒 𝑖 𝑒 𝑗 𝑠ã𝑜 𝑐𝑜𝑛𝑡í𝑔𝑢𝑜𝑠; 0 𝑠𝑒 𝑖 𝑒 𝑗 𝑛ã𝑜 𝑠ã𝑜 𝑐𝑜𝑛𝑡í𝑔𝑢𝑜𝑠}
O problema está em como se define o conceito de fronteira geográfica por
intermédio da observação de um mapa, que contém erros de medida por representar
abstratamente a real configuração geográfica. Levando-se em conta esses erros e tomando
como referência os movimentos de peças num tabuleiro de xadrez, a contiguidade é dita como
rainha (do inglês, Queen) caso além das fronteiras com extensões diferentes de zero forem
considerados os vértices como contíguos na visualização de um mapa.
E será considerada como torre (do inglês, Rook) caso apenas as fronteiras físicas
com extensões diferentes de zero entre as regiões sejam levadas em conta. E será denominada
como bispo (do inglês, Bishop) se apenas os vértices forem considerados para definir
contiguidade. As duas primeiras atribuições são predominantes na literatura, o que justifica a
utilização das mesmas a partir de então.
3.2.2 Índice de Moran
A estatística 𝐼 de Moran é utilizada para identificar a existência de padrões
espaciais de interação. Tal ferramenta testará a autocorrelação espacial global entre
observações que têm grau de vizinhança especificado pela matriz de pesos espaciais (𝑊). O
índice é formalmente definido como:
𝐼 =𝑛
𝑊[∑ ∑ 𝑤𝑖𝑗𝑧𝑖𝑧𝑗
𝑛𝑗𝑖 𝑖𝑗
∑ 𝑧𝑖2𝑛
𝑖=1
] 𝑝𝑎𝑟𝑎 𝑖 ≠ 𝑗 (3)
Em que: 𝑛 é o número de observações, 𝑊 é a soma dos ponderadores da matriz,
𝑤𝑖𝑗 é o elemento na matriz de vizinhança para o par 𝑖 e 𝑗, 𝑧𝑖 e 𝑧𝑗 são desvios em relação à
média (𝑧𝑖 − 𝑧), (𝑧𝑗 − 𝑧) e 𝑧 é a média.
4 Nas matrizes socioeconômicas, por exemplo, é possível expressar a similaridade/dissimilaridade entre regiões
pela diferença da composição demográfica, diferenças de indicadores sociais ou econômicos (ALMEIDA, 2012).
37
O Índice de Moran fornece três informações: a significância estatística informa se
os dados estão distribuídos aleatoriamente ou não; o sinal positivo da estatística Índice de
Moran, desde que significativo, indica autocorrelação espacial positiva, revelando
similaridade entre os valores do atributo estudado e de sua localização espacial, ou seja, a
autocorrelação positiva mostra que altos valores da variável em análise tendem a estar
rodeados por altos valores desta em regiões vizinhas.
O sinal negativo, por sua vez significativo, também indica a concentração nas
regiões, mas com valores dissimilares, ou seja, que altos valores da variável tendem a ser
rodeados por baixos valores e vice-versa. A magnitude da estatística mostra a força de
autocorrelação espacial, pois quanto mais próximo de 1 ou -1 mais forte será a autocorrelação
e quanto mais próximo de zero, mais dispersos estarão os dados (ALMEIDA, 2012). Ou seja,
a interpretação é similar à do teste de correlação de Pearson: 0 indica inexistência de
autocorrelação espacial, 1 indica autocorrelação positiva perfeita e -1 autocorrelação negativa
perfeita.
O Índice será calculado para identificar a existência de dependência espacial
significativa nas variáveis dependentes das regressões. Serão utilizadas as matrizes de
contiguidade tipo Queen e Rook de primeira ordem.
3.2.3 Autocorrelação Espacial Local
Do ponto de vista estatístico, a análise global da dependência espacial pode
distorcer os resultados em nível local, pois embora o comportamento geral da variável
analisada possa ser relevante sob uma perspectiva estatística, esta esconde algumas
particularidades presentes em determinadas localizações do conjunto geográfico considerado.
Desta forma, as análises territoriais normalmente estão mais direcionadas para
identificar o comportamento local, juntamente com identificação das características próprias
de cada espaço analisado. Assim, o método estatístico Indicador Local de Associação
Espacial (LISA), proposto por Anselin (1996), será utilizado para verificar a autocorrelação
espacial local, o qual utiliza o Índice de Moran para identificar padrões locais de
autocorrelação espaciais estatisticamente significativos.
O mapa de LISA, denominado por Anselin (1996) de “LISA MAP”, univariado faz
uma decomposição do indicador global de autocorrelação na contribuição local de cada
observação, em que, basicamente, identifica quatro padrões de agrupamentos, são eles:
a) Alto-Alto (AA): alto nível de produtividade que se localiza perto de alto nível de
produtividade;
38
b) Alto-Baixo (AB): alto nível de produtividade que se localiza perto de baixo nível de
produtividade;
c) Baixo-Baixo (BB): baixo nível de produtividade que se localiza perto de baixo nível
de produtividade;
d) Baixo-Alto (BA): baixo nível de produtividade que se localiza perto de alto nível de
produtividade.
O coeficiente Ii de Moran local observado para a região i, pode ser expresso pela
equação:
𝐼𝑖 = 𝑍𝑖 ∑ 𝑊𝑖𝑗𝑍𝑗
𝑗
𝑗=1
, 𝑝𝑎𝑟𝑎 𝑖 ≠ 𝑗 (4)
Em que: Ii abrange os vizinhos da observação i, definidos conforme uma matriz de
pesos espaciais. Assim, para que Ii seja um indicador LISA é necessário que o somatório dos
indicadores locais seja equivalente ao indicador global correspondente, de acordo com um
fator de proporcionalidade (ANSELIN, 1996).
Por sua vez, o Índice de Moran local bivariado que investiga a existência ou não
de autocorrelação espacial em um contexto bivariado, por exemplo, pode ser interessante para
analisar se uma elevada taxa de crescimento da produtividade agrícola de certa região está
associada a baixos níveis de produtividade inicial ou a altos níveis de capital físico.
A interpretação intuitiva do Índice de Moran bivariado é a seguinte: i) um valor
positivo de I sugere que altos valores da variável z1 estão associados a altos valores da
variável z2 nas regiões vizinhas; e, ii) um valor negativo de I indica que altos valores da
variável z1 estão associados a baixos valores de z2 nas regiões vizinhas. Para isso, pode-se
calcular a estatística I de Moran para duas variáveis diferentes padronizadas (z1 e z2), da
seguinte forma:
𝐼 =𝑛
𝑆0
𝑧1𝑧2
𝑧1′𝑧1 (5)
39
3.3 Convergência Espacial
A hipótese de convergência possui um significado relevante para a teoria do
crescimento e desenvolvimento econômico. A convergência de uma variável (como a renda,
produtividade ou algum outro indicador de interesse) caracteriza um processo segundo o qual,
inicialmente, valores desta variável são desiguais entre países, estados ou regiões, mas essa
desigualdade se reduz ao longo do tempo. A redução da desigualdade se dará pelo aumento
dos níveis da variável nas localidades ou regiões menos desenvolvidas em taxas superiores às
das localidades ou regiões mais desenvolvidas.
Em estudos sobre produtividade agrícola, uma questão natural a ser tratada é a
possibilidade dos municípios com menores produtividades alcançarem os níveis dos
municípios mais produtivos. Para testar tal hipótese, serão utilizados os conceitos de β-
Convergência, que se dividem em Absoluta e Condicional.
3.3.1 Convergência Absoluta
Os modelos de crescimento neoclássicos assumem a presença de progresso
tecnológico exógeno e constante, bem como retornos marginais decrescentes. Sob essas
perspectivas, a economia tenderia para um único estado estacionário e as mudanças
tecnológicas seriam determinantes do crescimento em longo prazo. Portanto, economias com
produtividades iniciais mais baixas apresentariam uma taxa de crescimento mais alta, segundo
os conceitos de convergência absoluta.
Com a finalidade de captar questões inerentes a efeitos de transbordamento entre
as regiões, devem-se considerar explicitamente componentes espaciais em sua forma
funcional. Portanto, os modelos tradicionais de regressão linear, que não levam em
consideração os efeitos espaciais (autocorrelação e heterogeneidade espaciais), não devem ser
estimados por intermédio do método dos Mínimos Quadrados Ordinários (MQO), pois as
estimativas serão inconsistentes e/ou ineficientes. Assim sendo, ao se estimar o modelo de β-
convergência por MQO, busca-se apenas identificar, por meio do teste dos Multiplicadores de
Lagrange, qual é a melhor maneira de se estimar a Equação, dada como:
𝑙𝑛 (𝑃𝑡
𝑃𝑡−𝑛) = 𝛼 + 𝛽 𝑙𝑛 (𝑃𝑡−𝑛) + 𝑢𝑖 (6)
Em que:
40
𝑙𝑛 (𝑃𝑡
𝑃𝑡−𝑛) é o logaritmo natural da razão entre a produtividade entre dois anos em
análise (por exemplo, produtividade em 2017 e produtividade média em 2003); 𝛽 𝑙𝑛 (𝑃𝑡−𝑛) é o
logaritmo natural da produtividade média no período inicial; e, 𝑢𝑖 é o termo de erro.
Segundo Barro e Sala-i-Martin (1990), para que haja convergência de renda entre
as economias é necessário que o β seja negativo, ou seja, é necessário que haja uma
correlação negativa entre a renda per capita inicial de uma região com a sua taxa de
crescimento.
3.3.2 Convergência Condicional
Segundo o critério da convergência condicional, as convergências dos padrões de
vida e do progresso tecnológico não seriam inevitáveis, mas seriam condicionais aos atributos
de cada economia. De acordo com este conceito, os municípios mais produtivos poderiam
continuar crescendo a taxas mais elevadas, sugerindo a possibilidade de divergência de
produtividade. Entretanto, caso as características das regiões fossem semelhantes, elas
convergiriam, em longo prazo, para níveis idênticos.
Assim, as Novas Teorias de Crescimento, como a Teoria de Crescimento
Endógeno, por exemplo, analisam a presença ou não de convergência condicional da seguinte
forma:
𝑙𝑛 (𝑃𝑡
𝑃𝑡−𝑛) = 𝛼 + 𝛽 𝑙𝑛 (𝑃𝑡−𝑛) + 𝑋𝑡−𝑛𝜃 + 𝑢𝑖 (7)
Em que:
𝑙𝑛 (𝑃𝑡
𝑃𝑡−𝑛) representa a variável dependente (taxa de crescimento da produtividade
média agrícola); 𝑙𝑛 (𝑃𝑡−𝑛) a variável explicativa relativa à produtividade média agrícola
inicial; 𝑋𝑡−𝑛 representa a matriz das variáveis de controle (capital humano e capital físico); 𝑢𝑖
é o termo de erro aleatório; α representa a constante; β indica o parâmetro que acompanha a
variável 𝑃𝑡−𝑛; e, θ é um vetor de coeficientes relativo à matriz de variáveis 𝑋𝑡−𝑛.
Nesse modelo, um valor negativo para β indica a existência de convergência
condicional, ou seja, a economia, de acordo com as suas características, está caminhando para
o seu próprio estado estacionário. Assim, pode-se dizer que as economias convergem em
produtividade agrícola desde que possuam parâmetros idênticos e que crescem mais
rapidamente quanto maior fosse a sua distância em relação ao seu estado estacionário
(GROLLI et al., 2006).
41
3.3.3 Dados em Painel
Para o modelo de convergência condicional a utilização de dados em painel se dá
pelo fato deste ser composto por informações de corte transversal (cross-section) e por
informações de períodos de tempo. Em um painel balanceado é possível corrigir o “problema
da variável omitida” (não observadas ou não medidas), sendo estas correlacionadas com as
variáveis explicativas.
Além disso, o uso de dados em painel fornece um maior número de informações,
dada sua dimensão temporal e de corte cruzado, contendo mais variabilidade, menos
colinearidade entre as variáveis, mais graus de liberdade e mais eficiência dos estimadores.
Entretanto, os modelos de dados em painel podem apresentar também alguns problemas,
como a presença de amostras incompletas e a inclusão de erros resultantes da escolha dos
dados, o que faz com que a amostra não seja construída de maneira aleatória (MARQUES,
2000).
Um modelo de efeitos não observados pode ser representado da seguinte forma:
𝑦𝑖𝑡 = 𝛽𝑋𝑖𝑡 + 𝑐𝑖 + 𝜀𝑖𝑡 (8)
Em que:
𝑦𝑖𝑡 representa a variável dependente do indivíduo (ou região) i no período t; 𝑋𝑖𝑡
representa as variáveis explicativas; 𝜀𝑖𝑡 corresponde ao termo de erro; e, 𝑐𝑖 indicam os efeitos
não observados.
A presença ou não de efeitos não observados é indicada por meio do Teste de
Breusch Pagan, utilizando o multiplicador de Lagrange, cuja hipótese nula é de não existência
de efeitos não observados.
O método de dados em painel aqui utilizado é o de Primeiras Diferenças (PD). Tal
método é usado quando a análise é feita para dois períodos, sendo os efeitos não observados
eliminados por meio da transformação de primeiras diferenças (WOOLDRIGDE, 2002),
utilizando a seguinte fórmula matemática:
∆𝑦𝑖𝑡 = 𝛽∆𝑋𝑖𝑡 + ∆𝜀𝑖𝑡 (9)
Em que:
∆𝑦𝑖𝑡 = 𝑦𝑖𝑡 − 𝑦𝑖,𝑡−1; ∆𝑋𝑖𝑡 = 𝑋𝑖𝑡 − 𝑋𝑖,𝑡−1;, ∆𝜀𝑖𝑡 = 𝜀𝑖𝑡 − 𝜀𝑖,𝑡−1; e, 𝑐𝑖 = 0, uma vez
que os efeitos não observados são considerados fixos ao longo do tempo.
Deste modo, inserindo a Equação (8), a fórmula funcional do modelo de dados em
painel será:
42
𝑙𝑛 (𝑃𝑡
𝑃𝑡−𝑛) = 𝛼 + 𝛽 𝑙𝑛 (𝑃𝑡−𝑛) + ∆𝑋𝑖𝑡𝜃 + ∆𝜀𝑖𝑡 (10)
3.4 Modelos Espaciais
3.4.1 Modelo Autorregressivo Espacial (SAR)
Um dos modelos mais utilizados para modelagem espacial é o Modelo
Autorregressivo Espacial (do inglês, Spatial Autorregressive Model5), ou simplesmente
modelo SAR. Tal mecanismo tem como ideia principal incluir um termo de defasagem (em
inglês, lag) nos regressores da equação, assim como é feito nos modelos Autorregressivos
(AR) em séries temporais. Na sua forma mais simples, o modelo SAR tem a expressão:
𝑦 = 𝜌𝑊𝑦 + 𝜀 (11)
Em que:
𝑦 é um vetor coluna, contendo n observações na amostra para a variável resposta;
o coeficiente escalar 𝜌 corresponde ao parâmetro autorregressivo, esse parâmetro interpreta-se
como o efeito médio da variável dependente relativamente à vizinhança espacial na região em
questão; o termo 𝜀 corresponde aos resíduos da equação; e, W representa a matriz de pesos
espaciais.
Dentre as sugestões para a estimação do coeficiente 𝜌, uma delas é utilizar o
estimador de Mínimos Quadrados Ordinários (MQO). No entanto, sabe-se que o estimador de
MQO é inconsistente ao relacionar o vetor de covariáveis (variáveis do lado direito da
equação) com o resíduo da regressão.
O modelo SAR estendido para incorporar variáveis exógenas no lado direito da
equação, apresenta a seguinte expressão:
𝑦 = 𝜌𝑊𝑦 + 𝑋𝛽 + 𝜀 (12)
Em que:
𝜌 é o parâmetro autorregressivo; 𝑊 a matriz de vizinhança; 𝑋 são variáveis
independentes; e, 𝜀 um termo aleatório de erro normalmente distribuído.
Quando 𝜌 é positivo há indicação de autocorrelação positiva; quando 𝜌 é
negativo, a interpretação é de que há autocorrelação negativa.
Desse modo, incluindo à Equação (6), na fórmula funcional do modelo SAR, tem-
se:
5 Ver Anselin (1988) e Lesage e Pace (2008).
43
𝑙𝑛 (𝑃𝑡
𝑃𝑡−𝑛) = 𝜌𝑊 [𝑙𝑛 (
𝑃𝑡
𝑃𝑡−𝑛)] + 𝛼 + 𝛽 𝑙𝑛 (𝑃𝑡−𝑛) + 𝜀𝑖 (13)
3.4.2 Modelo de Erros Espaciais (SEM)
Os modelos SEM (do inglês, Spatial Error Models6) possuem a seguinte
especificação:
𝑦 = 𝑋𝛽 + 𝑢 (14)
Em que os erros da equação observada possuem uma estrutura autorregressiva da
forma:
𝑢 = 𝜆𝑊𝑢 + 𝜖 (15)
O vetor de erros 𝜖 possui distribuição normal multivariada e média nula. O
coeficiente escalar 𝜆 indica a intensidade da autocorrelação espacial entre os resíduos da
equação observada. Mais especificamente, esse parâmetro mensura o efeito médio dos erros
dos vizinhos em relação ao erro da região em questão. Note-se que, ao contrário dos modelos
SAR, os modelos SEM não apresentam a variável dependente como uma função direta dos
seus lags espaciais, mas sim autocorrelação espacial nos termos de erro.
Substituindo a Equação (15) na Equação (6), obtém-se a fórmula funcional do
modelo SEM para o presente estudo:
𝑙𝑛 (𝑃𝑡
𝑃𝑡−𝑛) = 𝛼 + 𝛽 𝑙𝑛 (𝑃𝑡−𝑛) + (𝐼 − 𝜆𝑊)𝜀𝑖 (16)
3.4.3 Modelo Autorregressivo Espacial e Média Móvel (SARMA)
Os modelos SEM e SAR podem ser combinados em uma especificação mais geral
por intermédio do modelo SARMA (do inglês, Spatial Autorregressive and Moving Average)
que tem a seguinte especificação:
𝑦 = 𝑋𝛽+(𝐼 − 𝜆𝑊)−1𝜖 (17)
Em que, segundo Albuquerque et al. (2008), 𝜖 possui distribuição normal
multivariada com média nula e covariância 𝜎2𝐼. Portanto, o vetor de variável dependente y
possui distribuição normal multivariada com média condicional 𝐸[𝑦|𝑋] = 𝑋𝛽 e matriz de
variância condicional 𝛴𝑦|𝑋 = 𝜎2(𝐼 − 𝜆𝑊)−1[(𝐼 − 𝜆𝑊)−1]𝑇.
Substituindo a Equação (17) na Equação (6), obtém-se a expressão funcional do
modelo SARMA:
65
Ver Anselin (1988) e Lesage e Pace (2008).
44
𝑙𝑛 (𝑃𝑡
𝑃𝑡−𝑛) = 𝛼 + 𝛽 𝑙𝑛 (𝑃𝑡−𝑛) + (𝐼 − 𝜆𝑊)−1𝜀𝑖 (18)
3.5 Teste dos Multiplicadores de Lagrange
O teste dos multiplicadores de Lagrange (LM), também conhecido como teste do
escore, é baseado na abordagem de otimização, mais precisamente, nas condições de primeira
ordem da função lagrangeana da função de log-verossimilhança.
Essa estatística é utilizada para verificar qual modelo espacial mais adequado a ser
utilizado na explicação do estudo, ou seja, existência ou não de autocorrelação espacial na
variável dependente (Modelo SAR) e no erro (Modelo SEM) da seguinte maneira:
𝐿𝑀𝜌 =𝑑𝜌
2
𝐷~𝜒2 {𝐻0: 𝜌 = 0 𝐻𝐴: 𝜌 ≠ 0 (19)
𝐿𝑀𝜆 =𝑑𝜆
2
𝐷~𝜒2 {𝐻0: 𝜆 = 0 𝐻𝐴: 𝜆 ≠ 0 (20)
Em que: 𝑑𝜌2 e 𝑑𝜆
2 são, respectivamente, os escores para a defasagem na variável
dependente e no erro.
Anselin (1996), objetivando tornar possível a percepção da origem da defasagem
– na variável dependente ou no erro –, criou a estatística de robustez (Multiplicador
Lagrangeano Robusto) de distribuição qui-quadrada, expressa por:
𝐿𝑀𝜌∗ =
(𝑑𝜌 − 𝑑𝜆)2
𝐷 − 𝑇~𝜒2 (21)
𝐿𝑀𝜆∗ =
(𝑑𝜆 − 𝑇𝐷−1𝑑𝜌)2
⌊𝑇(1 − 𝑇𝐷)]~𝜒2 (22)
Dessa maneira, o autor afirma que para especificar um modelo regressivo
espacial, deve-se fazer o diagnóstico por meio do Multiplicador Lagrangeano de defasagem
espacial na variável dependente e no erro, por meio dos seguintes passos:
1) Se ambos os modelos (SAR e SEM) forem estatisticamente insignificantes,
continua-se com o modelo de regressão tradicional, calculado pelo MQO;
2) Se apenas um (SAR ou SEM) for significante, utiliza-se o mesmo;
3) Se ambos forem significantes, parte-se para o diagnóstico por meio do
Multiplicador Lagrangeano Robusto - aquele que apresentar maior significância é
o mais indicado para análise.
4) Se os índices robustos para SAR e SEM mostrarem insignificância, pode-se
utilizar o modelo SARMA, quando este for significante.
45
4 RESULTADOS E DISCUSSÕES
Nesta seção, serão discutidos inicialmente os resultados da análise para a região
Nordeste e, posteriormente, discorre-se a respeito da análise para o Estado do Ceará.
4.1 Nordeste
4.1.1 Análise do Índice de Moran
Segundo o critério de Baumont (2004), as significâncias das matrizes de pesos
devem ser analisadas fazendo um paralelo entre as variáveis dependentes em estudo. Desse
modo, a Tabela 8 mostra que os melhores resultados estão nas matrizes de contiguidade Rook
de ordem 1, as quais mostram maiores índices de Moran significativos para todos os períodos
em análise. Portanto, os resultados, a partir de agora, foram modelados seguindo a melhor
opção mostrada da matriz de ponderação espacial.
Tabela 8 – Índice de Moran da produtividade agrícola total das microrregiões por
subperíodos, Nordeste
W
Subperíodos para Análise Absoluta Subperíodos para Análise
Condicional
1996-
2002
2003-
2007
2008-
2012
2013-
2017
1996-
2017
1996-
2006
2006-
2017
1996-
2017
Queen 0,295 0,277 0,293 0,279 0,293 0,309 0,320 0,293
p-valor 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Rook 0,297 0,279 0,293 0,282 0,295 0,311 0,321 0,295
p-valor 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Fonte: Elaboração própria.
4.1.2 Análise de Autocorrelação Espacial
A Figura 3 apresenta os mapas de clusters LISA bivariados (BiLISAs) para a taxa
de crescimento da produtividade total agrícola e a produtividade agrícola total inicial nos
subperíodos da análise de convergência absoluta.
46
Figura 3 – BiLISAs para a taxa de crescimento da produtividade total agrícola e a
produtividade agrícola total inicial das microrregiões do Nordeste por subperíodos
Fonte: Elaboração própria.
Legenda: *= 1% de significância, ***= 10% de significância.
47
A existência da dependência espacial entre taxa de crescimento da produtividade
total agrícola e a produtividade agrícola total inicial, é verificada pela significância estatística
em todos subperíodos analisados. O sinal positivo do Índice de Moran (em 2008-2012) revela
que a produtividade está concentrada ao longo do território do Nordeste. Já em 1996-2002,
2003-2007, 2013-2017 e 1996-2017, o sinal negativo mostra que a produtividade agrícola não
está concentrada ao longo do território, mas possui alguns pontos de aglomeração (clusters).
Cabe destacar que a correlação negativa existente entre essas variáveis é um
indício de que há um processo de convergência absoluta de produtividade, ou seja, a hipótese
é de que, ao longo do período, há uma tendência de redução das desigualdades entre a
produtividade dos municípios nordestinos. Significa ainda que municípios com altas
produtividades agrícolas no período inicial possuem vizinhos com baixas taxas de
crescimento e vice-versa.
Analisando-se o comportamento dos agrupamentos da última figura, que
representa o período completo (1996-2017), percebe-se que a alta produtividade ou Alto-Alto
(AA) está concentrada em todos os períodos nas microrregiões litorâneas dos estados de Rio
Grande do Norte (Litoral Norte), Paraíba (João Pessoa, Sapé), Pernambuco (Itamaracá, Litoral
Sul, Mata Setentrional Pernambucana, Recife, Vitória de Santo Antão), Alagoas (Maceió,
Serrana dos Quilombos), Sergipe (Cotinguiba, Aracajú, Japaratuba).
Também foram identificadas várias microrregiões de alta produtividade cercadas
por microrregiões de baixa produtividade, como Baixo Jaguaribe (CE), Chapada do Araripe
(CE), Várzea Alegre (CE), Médio Jaguaribe (CE), Chapada do Apodi (RN), Mossoró (RN),
Vale do Açu (RN), Serra de Santana (RN), Seridó Oriental (RN), Cariri Ocidental (PB),
Itaporanga (PB), Floriano (PI), Serrana do Sertão Alagoano (AL), Sergipana do Sertão do São
Francisco (SE) e Juazeiro (BA). A maior parte das áreas detectadas são clusters baixa
produtividade (Baixo-Baixo ou BB), principalmente nos estado de Ceará, Piauí e Paraíba.
Tais resultados estão de acordo com as discussões apresentadas a partir dos dados
da Figura 1 e da Tabela 5, na seção 3.
A Figura 4 mostra os LISA MAPs bivariados entre as taxas de crescimento da
produtividade total agrícola e das variáveis explicativas para o modelo em que se analisa a
convergência condicional.
48
Figura 4 – BiLISAs para a taxa de crescimento da produtividade total agrícola e as variáveis
explicativas do modelo nas microrregiões do Nordeste, período 1996-2017
Fonte: Elaboração própria.
Legenda: *= 1% de significância, **=5% e ***= 10% de significância.
Em razão da significância do Índice de Moran para Assistência Técnica (Assistec)
e Tratores (Tratores), pode-se observar que existe autocorrelação espacial entre a taxa de
crescimento da produtividade total agrícola do município com as taxas de crescimento de tais
variáveis explicativas dos seus vizinhos. O contrário acontece com Mão de Obra (MDO) e
Área Explorada (Area), que se mostrou insignificante quando analisada isoladamente,
portanto, nada se pode inferir a respeito destas variáveis.
A estatística de Assistência Técnica igual a -0,07 sugere correlação negativa entre
as variáveis, ou seja, indicam que municípios com alto nível do fator capital físico inicial
possuem vizinhos com baixas taxas de crescimento e vice-versa. Isto indica convergência
condicional, significando que, quando condicionada a tal fator, a desigualdade na
produtividade agrícola cearense tende a diminuir em longo prazo. O mesmo não acontece com
tratores em que, quando analisada isoladamente, seu sinal positivo não indica convergência,
apesar de significativo.
Observa-se que as microrregiões com agrupamentos de alta produtividade
correlacionada à Assistência Técnica são: Litoral Piauiense (PI), Litoral de Camocim e
Acaraú (CE), Itapipoca (CE), Meruoca (CE), Ipu (CE), Chapada do Araripe (CE), Barro (CE),
Guarabira (PB), Brejo Paraibano (PB) e Ilhéus-Itabuna (BA). Deste modo, por hipótese, essas
microrregiões foram as que mais contribuíram em termos de assistência técnica para a
diminuição das desigualdades na produção agrícola nordestina.
49
4.1.3 Análise dos Testes e Diagnósticos
O que diferencia a econometria espacial da tradicional é a agregação dos efeitos
espaciais no modelo. Para Almeida (2012), tal incorporação gera violações de hipóteses do
Modelo Clássico de Regressão Linear, como a presença de dependência espacial que viola a
hipótese de média condicional zero, que pode acarretar na ineficiência do estimador, pois os
erros são dependentes entre pares de regiões e induz a emergência de heterocedasticidade. Em
busca do modelo mais adequado, aplica-se o Teste dos Multiplicadores de Lagrange na
regressão por meio de MQO, conforme mostrado na Tabela 9
Tabela 9 – Resultados do teste dos multiplicadores de Lagrange para cada subperíodo,
Nordeste
Modelo para Análise Absoluta Modelo para Análise Condicional
1996-2002 2003-2007 2008-2012 2013-2017 1996-2017 1996-2006 2006-2017 1996-2017
Índice de Moran 6,88* 6,86* 5,58* 7,21* 7,08* 6,67* 6,54* 7,69*
p-valor 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
ML SAR 40,80* 5,61* 28,53* 34,98* 40,81* 32,36** 25,87* 32,88*
p-valor 0,00 0,00 0,00 0,00 0,00 0,01 0,00 0,00
RML SAR 1,35 5,61** 0,76* 9,28* 4,59** 0,25 0,59 2,59
p-valor 0,24 0,02 0,00 0,00 0,03 0,61 0,44 0,10
ML SEM 43,11 42,99* 27,95* 47,46* 45,60* 37,51* 35,10* 49,29*
p-valor 0,24 0,00 0,00 0,00 0,00 0,00 0,00 0,00
RML SEM 3,67*** 10,84*** 0,17 21,76* 9,38* 5,39** 9,82* 19,00*
p-valor 0,05 0,05 0,67 0,00 0,00 0,02 0,00 0,00
LM SARMA 44,47* 48,61* 28,71* 56,75* 50,20* 37,76* 35,69* 51,89*
p-valor 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Breusch Pagan 1,06 7,40 19,56 1,54 0,32 7,92 8,61 6,29
p-valor 0,21 0,40 0,00 0,20 0,57 0,15 0,12 0,27
LIK -128,34 -103,63 -160,512 -191,94 -223,84 -117,35 -155,55 199,07
AIC 260,68 211,27 325,025 387,88 451,68 246,71 323,10 410,14
SC 267,15 217,75 331,497 394,31 458,16 266,09 342,49 429,52
Fonte: Elaboração própria.
Legenda: *= 1% de significância, **=5% e ***= 10% de significância.
Para os subperíodos 1996-2002, 2003-2007, 2013-2017, 1996-2017 (absoluto) e
1996-2006, 2006-2017, 1996-2017 (condicional), o modelo mais adequado é o SEM, e para o
subperíodo 2008-2012, o melhor modelo é o SAR. Tais resultados podem ser corroborados
50
pela observação dos resultados quando se aplicam critérios de informação Akaike Information
Criterion (AIC), Schwarz Criterion (SC) e do valor da função de verossimilhança ou do
inglês Log likelihood (LIK).
O conjunto de testes para averiguar a presença de autocorrelação espacial é útil
tanto para auxiliar a identificação do modelo econométrico espacial quanto para a tarefa de
validação ou diagnóstico desse modelo, como a existência de heterocedasticidade. Conforme
se verifica na aplicação do teste Breusch-Pagan, considerando um nível de significância de
5%, não se rejeita a hipótese de homocedasticidade dos erros. Logo, assume-se a ausência de
heterocedasticidade em quase todos os períodos, com exceção apenas de 2008-2012. Os
resultados dos modelos são discutidos a seguir.
4.1.4 Análise das Convergências
4.1.4.1 Convergência Absoluta
Após seguir todos os critérios brevemente explicitados, foi possível estimar o
modelo de β-convergência absoluta, tal como pode ser observado na Tabela 10.
Tabela 10 – Resultados econométricos dos modelos SEM e SAR para convergência absoluta
em cada subperíodo, Nordeste
Coeficientes Modelo SEM Modelo SAR
1996-2002 2003-2007 2013-2017 1996-2017 2008-2012
α 0.11 0.18* 0.18*** 0.29** -0.40*
(0,14) (0,00) (0,09) (0,02) (0,00)
β -0.09* -0.10* -0.22* -0.19* 0.13*
(0,00) (0,00) (0,00) (0,00) (0,00)
λ 0.57* 0.55* 0.60* 0.57* 0.47*
(0,00) (0,00) (0,00) (0,00) (0,00)
Breusch Pagan 0.27 3.84 1.97 2.82 17.83
(0,60) (0,11) (0.16) (0,12) (0,00)
LIK -2479.09 -85.35 -167.69 -204.62 -147.91
AC 4962.19 174.716 339.39 413.25 299.82
SC 4973.18 181.189 345.87 419.72 306.28
Fonte: Elaboração própria.
Legenda: *= 1% de significância, **=5% e ***= 10% de significância.
Nos subperíodos 1996-2002, 2003-2007, 2013-2017 e 1996-2017, as estatísticas
de β sinalizaram uma relação negativa, apresentando convergência absoluta, segundo Baumol
(1986). Ou seja, os municípios com produtividade agrícola inicial maior terão menores taxas
de crescimento, convergindo para uma maior paridade em longo prazo. O contrário acontece
51
no subperíodo 2008-2012, em que o β é positivo, não indicando convergência, mas,
considerando um nível de significância de 5%, não se pode assumir a ausência de
heterocedasticidade nesse período. Logo, nada se pode interpretar dele a priori.
Para os parâmetros estatisticamente significativos e que indicaram convergência
absoluta, permite-se calcular as taxas de convergências (Tabela 11).
Tabela 11 – Taxas de Convergências Absolutas para os subperíodos estatisticamente
significativos, Nordeste Subperíodo Taxa de Convergência Absoluta
*
1996-2002 0,013
2003-2007 0,021
2013-2017 0,049
1996-2017 0,009
Fonte: Elaboração própria. *A taxa de convergência (θ) foi computada segundo a fórmula: θ = ln (β + 1)/(-k), em que k
é o número de anos do período. Rey e Montouri (1999).
Analisando-se o período como um todo (1996-2017), conclui-se que a taxa de
convergência absoluta mostrou-se crescente em aproximadamente 1%, significando que em
longo prazo, há uma tendência na diminuição da desigualdade entre a produtividade das
microrregiões nordestinas e que, a uma taxa de 1%, a produtividade destes municípios
converge para uma média ou um estado estacionário. Vale ressaltar que as taxas se mostraram
crescentes na sequência temporal dos subperíodos intermediários, que passa de 1,3%, em
1996-2002, para 2,1%, em 2003-2007, e para 4,9%, em 2013-2017.
4.1.4.2 Convergência Condicional
Uma vez detectada a convergência absoluta, torna-se interessante verificar de que
forma os fatores de produção influenciam neste contexto, por meio de variáveis que os
representem. Neste sentido, na Tabela 12 constam os resultados obtidos por meio do modelo
que leva em consideração a inclusão de variáveis, as quais buscam condicionar o crescimento
da taxa de produtividade agrícola.
52
Tabela 12 – Resultados econométricos do modelo SEM para Convergência Condicional em
cada subperíodo, Nordeste
Coeficientes Modelo SEM
1996-2006 2006-2017 1996-2017
α 0,37* -0,48* -0,16
(0,00) (0,00) (0,83)
β -0,14* 0,27* -0,17*
(0,00) (0,00) (0,00)
λ 0, 52* 0,57* 0,56*
(0,00) (0,00) (0,00)
Assistec 1,37 -0,02 -0,01
(0,52) (0,68) (0,87)
Tratores 1,37* 0,03 0,10
(0,03) (0,32) (0,20)
MDO 0,11** -0,05 0,19
(0,03) (0,19) (0,29)
Area -0,04 -0,02 0,02
(0,52) (0,28) (0,57)
Breusch Pagan 7,74 7,30 0,10
(0, 17) (0,20) (0, 11)
LIK - 101,85 -138,80 -202,35
AC 215,71 289,60 416,70
SC 235,10 308,99 436,09
Fonte: Elaboração própria.
Legenda: *= 1% de significância, **=5% e ***= 10% de significância.
Pode-se observar que em todos os períodos, o β estimado é estatisticamente
significante. O coeficiente negativo e significativo (ao nível de 1%) de β, nos subperíodos
1996-2006 e 1996-2017, indica um processo de convergência condicional, ou seja, as
microrregiões estariam convergindo para a sua produtividade agrícola de equilíbrio, dada suas
características específicas. Nesse caso, duas microrregiões só alcançariam produtividades
idênticas caso apresentassem, no período inicial, características idênticas.
No que se refere às variáveis explicativas, apenas no primeiro subperíodo,
Tratores e Mão de Obra foram estatisticamente significantes ao nível de 5%. Os coeficientes
positivos destas retratam uma relação análoga com a variável a ser explicada. Ou seja, em
longo prazo, à medida que as taxas de tratores e mão de obra crescem, a taxa de produtividade
agrícola total também será crescente, o contrário é recíproco.
53
Para os subperíodos que indicaram β negativo (convergência condicional) e
estatisticamente significante, são então calculadas as taxas de convergências, apresentadas na
Tabela 13.
Tabela 13 – Taxas de Convergências Condicionais para os subperíodos estatisticamente
significativos, Nordeste Subperíodo Taxa de Convergência Condicional
*
1996-2006 0,014
1996-2017 0,008
Fonte: Elaboração própria. *A taxa de convergência (θ) foi computada segundo a fórmula: θ = ln (β + 1)/(-k) ), em que k é o número de anos
do período. Rey e Montouri (1999).
Deste modo, quando são agregadas variáveis que simbolizam os fatores de
produção (Assistec, Tratores, MDO e Area), que teoricamente influenciam no crescimento da
taxa de produtividade agrícola, a taxa de convergência condicional permanece praticamente a
mesma do modelo absoluto, aproximadamente 1%. Então, pode-se inferir, a priori, que em
um espaço muito grande e heterogêneo como a região Nordeste, as variáveis condicionantes
levadas aqui em questão influenciam na diminuição das desigualdades da produção agrícola
total, mas de maneira sutil.
4.2 Ceará
4.2.1 Análise do Índice de Moran
Segundo o critério de Baumont (2004), é preciso avaliar as significâncias das
matrizes de pesos fazendo um paralelo entre as variáveis dependentes em estudo. Desse
modo, na Tabela 14 constam os melhores resultados os quais estão nas matrizes de
contiguidade Rook de ordem 1; estas matrizes mostram maiores índices de Moran
significativos para todos os períodos em análise. Portanto, os resultados, a partir de agora,
foram modelados seguindo a melhor opção mostrada pela matriz de ponderação espacial.
Tabela 14 – Índice de Moran da produtividade agrícola total cearense por subperíodos, Ceará
W
Subperíodos para Análise Absoluta Subperíodos para Análise
Condicional
1996-
2002
2003-
2007
2008-
2012
2013-
2017
1996-
2017
1996-
2006
2006-
2017
1996-
2017
Queen 0,18 0,48 0,49 0,18 0,31 0,19 0,23 0,31
p-valor 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Rook 0,19 0,49 0,50 0,18 0,31 0,19 0,24 0,31
p-valor 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Fonte: Elaboração própria.
54
4.2.2 Análise de Autocorrelação Espacial
A Figura 5 apresenta os mapas de clusters LISA bivariados (BiLISAs), para a taxa
de crescimento da produtividade total agrícola, e a produtividade agrícola total inicial nos
subperíodos da análise de convergência absoluta.
Figura 5 – BiLISAs para a taxa de crescimento da produtividade total agrícola e a
produtividade agrícola total inicial dos municípios do Ceará por períodos
Fonte: Elaboração própria.
Legenda: *, ** e *** correspondem, respectivamente, aos níveis 1%, 5% e 10% de significância.
Em primeiro lugar, verifica-se a existência de dependência espacial entre taxa de
crescimento da produtividade total agrícola e a produtividade agrícola total inicial, indicada
pela significância estatística em todos os períodos e pela magnitude do valor do Índice de
Moran acima de |0,10| em praticamente todos os subperíodos analisados, com exceção do
período 1996-2017 (|0,43|).
55
Em segundo lugar, vale ressaltar que o sinal positivo do Índice de Moran em
2003-2007 e 2008-2012 revela que a produtividade está concentrada ao longo do território
cearense. Já em 1996-2002, 2013-2017 e 1996-2017, o sinal negativo mostra que a
produtividade agrícola não está concentrada ao longo do território, mas possui alguns pontos
de aglomeração (clusters).
Cabe destacar que a correlação negativa existente entre essas variáveis é um
indício de que há um processo de convergência absoluta de produtividade, ou seja, a hipótese
é de que, ao longo do período, há uma tendência de redução das desigualdades entre a
produtividade dos municípios cearenses; significando ainda que municípios com altas
produtividades agrícolas no período inicial possuem vizinhos com baixas taxas de
crescimento e vice-versa.
A partir disso, permite-se fazer uma análise do comportamento dos agrupamentos
por mesorregiões e microrregiões do Estado (Anexo A). O Noroeste Cearense é marcado por
agrupamentos de municípios com alta produtividade ou Alto-Alto (AA) nas microrregiões
Litoral de Camocim e Acaraú, Itapipoca, Ibiapina, Ipu e Coreaú ao longo dos subperíodos, os
quais rodeiam municípios com baixa produtividade, caracterizados como Baixo-Alto (BA) no
mapa, nas mesmas microrregiões. Tais características se repetem no Norte Cearense, em que
as microrregiões Baturité, Baixo Curu, Médio Curu e Cascavel têm municípios AA, as
microrregiões Canindé e Médio Curu com municípios BA e alguns municípios de Baturité se
agrupam pela baixa produtividade (Baixo-Baixo ou BB).
A mesorregião Metropolitana de Fortaleza mostra um comportamento constante
ao longo do tempo com municípios AA e BA nas microrregiões de Fortaleza e Pacajus.
Desempenho oposto ao observado em Sertões Cearenses que mostra um grande aglomerado
(praticamente em todas as microrregiões) de municípios de baixa produtividade, ou BB.
Já na mesorregião de Jaguaribe, são identificados principalmente municípios AA
e BA nas microrregiões de Baixo Jaguaribe, Litoral de Aracati e Serra do Pereiro. O Centro-
Sul Cearense mostrou poucas aglomerações AB em microrregiões como Iguatu e Lavras da
Mangabeira. Assim como o Sul Cearense, com municípios AB e BA em Cariri, Brejo Santo,
Chapada do Araripe e BB em Caririaçu e Chapada do Araripe.
56
A Figura 6 mostra os LISA MAPs bivariados entre as taxas de crescimento da
produtividade total agrícola e das variáveis explicativas para o modelo em que se analisa a
convergência condicional.
Figura 6 – BiLISAs para a taxa de crescimento da produtividade total agrícola e as variáveis
explicativas do modelo nos municípios do Ceará, período 1996-2017
Fonte: Elaboração própria.
Legenda: *, ** e *** correspondem, respectivamente, aos níveis 1%, 5% e 10% de significância.
Em razão da significância do Índice de Moran para a variável Tratores (Tratores),
Mão de Obra (MDO) e Área Explorada (Area), pode-se observar que existe autocorrelação
espacial entre a taxa de crescimento da produtividade total agrícola do município com tais
variáveis explicativas dos seus vizinhos. Já para assistência técnica, que se mostrou
insignificante quando analisada isoladamente, nada se pode inferir.
A estatística de Tratores igual a -0,12 sugere correlação negativa entre as
variáveis, ou seja, indicam que municípios com alta taxa de crescimento do fator capital físico
possuem vizinhos com baixas taxas de crescimento e vice-versa. O mesmo acontece com
MDO, onde seu coeficiente negativo (-0,05) mostra que municípios com altos níveis do fator
trabalho possuem vizinhos com baixas taxas de crescimento e vice-versa.
Isto indica convergência condicional, significando que, quando condicionada a
tais fatores, a desigualdade na produtividade agrícola cearense tende a diminuir no longo
prazo. O mesmo não acontece com Area em que, quando analisada isoladamente, seu sinal
positivo não indica convergência, apesar de significativo.
Agora, analisando os tipos de associações espaciais formadas, pode-se destacar
grupos de alto nível (AA e AB) para a variável Tratores, MDO e Área nas microrregiões de
Ibiapaba, Ipu, Litoral de Camocim e Médio Curu (Noroeste Cearense); Baturité e Chorozinho
(Norte Cearense), Fortaleza e Pacajus (Metropolitana de Fortaleza); Sertão de Crateús, Sertão
57
de Inhamuns e Sertão de Senador Pompeu (Sertões Cearenses); Baixo Jaguaribe e Litoral de
Aracati (Jaguaribe); e Cariri (Sul Cearense).
4.2.3 Análise dos Testes e Diagnósticos
O que diferencia a econometria espacial da tradicional é a agregação dos efeitos
espaciais no modelo. Para Almeida (2012), tal incorporação gera violações de hipóteses do
Modelo Clássico de Regressão Linear, como a presença de dependência espacial que viola a
hipótese de média condicional zero, que pode acarretar na ineficiência do estimador, pois os
erros são dependentes entre pares de regiões e induz a emergência de heterocedasticidade. Em
busca do modelo mais adequado, aplica-se o Teste dos Multiplicadores de Lagrange na
regressão por meio de MQO, conforme mostrado na Tabela 15.
Tabela 15 – Resultados do teste dos Multiplicadores de Lagrange para cada subperíodo, Ceará
Modelo para Análise Absoluta Modelo para Análise Condicional
1996-2002 2003-2007 2008-2012 2013-2017 1996-2017 1996-2006 2006-2017 1996-2017
Índice de Moran 4,17* 9,12* 8,98* 4,80* 7,31* 3,55* 5,43* 6,18*
p-valor 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
ML SAR 12,06* 84,85* 85,54* 8,01* 42,03* 5,93** 25,17* 33,16*
p-valor 0,00 0,00 0,00 0,00 0,00 0,01 0,00 0,00
RML SAR 3,32*** 11,62* 13,08* 10,44* 5,93* 3,01*** 0,09 4,39**
p-valor 0,06 0,00 0,00 0,00 0,00 0,08 0,77 0,04
ML SEM 15,33* 77,11* 74,89* 20,60* 48,86* 10,43* 25,70 33,24**
p-valor 0,00 0,00 0,00 0,00 0,00 0,00 0,43 0,03
RML SEM 6,59** 3,89** 2,43 23,03* 12,76* 7,51* 0,62 4,46*
p-valor 0,01 0,05 0,12 0,00 0,00 0,00 0,43 0,00
LM SARMA 18,65* 88,73* 87,97* 31,05* 54,79* 13,44* 25,79* 4,46*
p-valor 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Breusch Pagan 1,06 5,44 0,05 0,98 0,05 9,40 7,74 3,39
p-valor 0,30 0,02 0,83 0,32 0,82 0,11 0,17 0,12
LIK -127,31 -139,66 -227,09 -191,94 -226,50 -107,77 -192,37 -153,37
AIC 258,62 283,31 458,17 387,88 457,01 227,55 396,74 318,74
SC 265,05 289,74 464,60 394,31 463,44 246,84 416,03 338,03
Fonte: Elaboração própria.
Para os subperíodos 1996-2002, 2013-2017, 1996-2017, 1996-2006 e 1996-2017,
o modelo mais adequado é o SEM; para o subperíodo 2003-2007 e 2008-2012, o melhor
modelo é o SAR; já para 2006-2017, o SARMA é o adequado. Tais resultados podem ser
corroborados pela observação dos resultados quando aplicados critérios de informação Akaike
Information Criterion (AIC), Schwarz Criterion (SC) e do valor da função de verossimilhança
ou do inglês Log likelihood (LIK).
58
O conjunto de testes para averiguar a presença de autocorrelação espacial é útil
tanto para auxiliar a identificação do modelo econométrico espacial quanto para a tarefa de
validação ou diagnóstico desse modelo, como a existência de heterocedasticidade. Conforme
se verifica aplicando o teste Breusch-Pagan, considerando um nível de significância de 5%,
não se rejeita a hipótese de homocedasticidade dos erros. Logo, assume-se a ausência de
heterocedasticidade em quase todos os períodos, com exceção apenas de 2003-2007. Os
resultados dos modelos são discutidos a seguir.
4.2.4 Análise das Convergências
4.2.4.1 Convergência Absoluta
Após seguir todos os critérios brevemente explicitados, foi possível estimar os
modelos de β-convergência absoluta, tal como pode ser observado na Tabela 16.
Tabela 16 – Resultados econométricos dos modelos SEM e SAR para convergência absoluta
em cada subperíodo, Ceará
Coeficientes Modelo SEM Modelo SAR
1996-2002 2013-2017 1996-2017 2003-2007 2008-2012
α 0,22* 0,19** 0,03 -0,10* -0,36*
(0,00) (0,02) (0,81) (0,00) (0,00)
β -0,17* -0,40* -0,33* 0,03 0,12**
(0,00) (0,00) (0,00) (0,36) (0,01)
λ 0,38* 0,45* 0,57* - -
(0,00) (0,00) (0,00) - -
W_ρ - - - 0,65* 0,68*
- - - (0,00) (0,00)
Breusch-Pagan 0,78 0,30 0,14 3,15 0,26
(0, 38) (0, 58) (0,70) (0,07) (0, 61)
LIK -120,46 -181,93 -205,86 -106,39 -191,12
AC 244,93 367,87 415,71 218,78 388,23
SC 251,36 374,30 422,14 228,42 397,88
Fonte: Elaboração própria.
Legenda: *= significativo a 1%; **= significativo a 5%.
Ao se analisar a estimativa do parâmetro β, para ambos os modelos, torna-se
possível observar a existência ou não de convergência em relação à produtividade média
agrícola cearense. Apenas no subperíodo 2003-2007, observa-se que o parâmetro estimado
não se mostrou estatisticamente significante; um indicativo de que a taxa de convergência é
nula no subperíodo.
59
Nos subperíodos 1996-2002, 2013-2017 e 1996-2017, as estatísticas de β
sinalizaram uma relação negativa, apresentando convergência absoluta, segundo Baumol
(1986). Ou seja, os municípios com produtividade agrícola inicial maior terão menores taxas
de crescimento, convergindo para uma maior paridade em longo prazo. O contrário acontece
no subperíodo 2008-2012, em que o β é positivo, não indicando convergência, segundo os
mesmos critérios.
Para os parâmetros estatisticamente significativos e que indicaram convergência
absoluta, permite-se calcular as taxas de convergências (Tabela 17) e fazer algumas
inferências.
Tabela 17 – Taxas de Convergências Absolutas para os subperíodos estatisticamente
significativos, Ceará Subperíodo Taxa de Convergência Absoluta
*
1996-2002 0,027
2013-2017 0,102
1996-2017 0,018
Fonte: Elaboração própria. *A taxa de convergência (θ) foi computada segundo a fórmula: θ = ln (β + 1)/(-k) ), em que k é o número de anos
do período. Rey e Montouri (1999).
O subperíodo 1996-2002 engloba anos importantes para a economia agrícola
brasileira de pós-implantação do Plano Real e do Programa Nacional de Fortalecimento da
Agricultura Familiar (PRONAF), inferindo-se que tais acontecimentos podem ter contribuído
para a composição de tal convergência (2,7%).
O subperíodo de 2013-2017, apesar de caracterizado como de escassez no Ceará e
incluir épocas de recessão para a economia brasileira, principalmente em 2015 e 2016,
mostrou elevada contribuição para a convergência da produtividade agrícola no Ceará, com
uma taxa de convergência absoluta de 10,2%. Aponta-se como possível causa de tal resultado
o aprimoramento da agricultura irrigada voltada, principalmente, para a exportação, segundo
dados de exportações da Agência de Desenvolvimento do Estado do Ceará (ADECE).
Analisando-se o período como um todo, ou seja, 1996-2017, conclui-se que a taxa
de convergência absoluta mostrou-se crescente em cerca de 2%, significando que no longo
prazo, há uma tendência na diminuição da desigualdade entre a produtividade dos municípios
cearenses e que, a uma taxa de 2%, a produtividade destes municípios converge para uma
média ou um estado estacionário.
60
4.2.4.2 Convergência Condicional
Uma vez detectada a convergência absoluta, torna-se interessante verificar de que
forma os fatores de produção influenciam neste contexto, por meio de variáveis que os
representem. Neste sentido, na Tabela 18 apresentam-se os resultados obtidos por meio do
modelo que leva em consideração a inclusão de variáveis que buscam condicionar o
crescimento da taxa de produtividade agrícola.
Tabela 18 – Resultados econométricos dos modelos SEM e SARMA para Convergência
Condicional em cada subperíodo, Ceará
Coeficientes Modelo SEM Modelo SARMA
1996-2006 1996-2017 2006-2017
α 0,52* 4,41* 0,75*
(0,00) (0,00) (0,00)
β -0,25* -0,71* -0,28
(0,00) (0,00) (0,36)
λ 0, 41* 0,52* 0,92*
(0,00) (0,00) -(0,00)
W_ρ - - -0,61*
- - (0,00)
Assit. tec. -0,02 0,09* -0,02
(0,27) (0,00) (0,21)
Tratores 0,01 0,11* 0,01
(0,95) (0,00) (0,94)
MDO - 0,03 0,13* -0,03
(0,69) (0,03) (0,61)
Area -0,06 0,52* -0,07
(0,57) (0,00) (0,51)
Breusch Pagan 9,57 11,30 6,50
(0, 10) (0, 19) (0,26)
LIK - 101,40 - 138,99 - 181,11
AC 214,81 289,99 374,21
SC 234,09 309,28 393,50
Fonte: Elaboração própria.
Legenda: *= significativo a 1%; **= significativo a 5%.
Pode-se observar que apenas no subperíodo 2006-2017, o β estimado não é
estatisticamente significante, deste modo, a taxa de convergência é nula.
O coeficiente negativo e significativo (ao nível de 1%) de β, nos subperíodos
1996-2006 e 1996-2017, indica um processo de convergência condicional, ou seja, os
municípios estariam convergindo para a sua produtividade agrícola de equilíbrio, dadas suas
61
características específicas. Nesse caso, dois municípios só alcançariam produtividades
idênticas, caso apresentassem, no período inicial, características idênticas.
Analisando-se o período que engloba todos os anos (1996-2017), as variáveis
explicativas mostraram-se estatisticamente significantes ao nível de 1% ou 5%. Os
coeficientes positivos destas retratam uma relação análoga com a variável a ser explicada. Ou
seja, em longo prazo, à medida que as taxas de assistência técnica, número de tratores, mão de
obra e área explorada crescem no município vizinho, a taxa produtividade agrícola total
também será crescente e o contrário é recíproco.
Para os subperíodos que indicaram β negativo (convergência condicional) e
estatisticamente significante, permitem-se calcular as taxas de convergências, apresentadas na
Tabela 19.
Tabela 19 – Taxa de Convergência Condicional para os subperíodos estatisticamente
significativos, Ceará Subperíodo Taxa de Convergência Condicional
*
1996-2006 0,026
1996-2017 0,056
Fonte: Elaboração própria. *A taxa de convergência (θ) foi computada segundo a fórmula: θ = ln (β + 1)/(-k) ), em que k é o número de anos
do período. Rey e Montouri (1999).
Diante do exposto, pode-se fazer um comparativo entre as taxas de convergências
no período que contempla todos os anos estudados (1996-2017). Quando são agregadas
variáveis que simbolizam os fatores de produção (Assistec, Tratores, MDO e Area), que
teoricamente influenciam no crescimento da taxa de produtividade agrícola, a taxa de
convergência (condicional) resulta significativamente maior (cerca de 5,60%), quando se
compara com o modelo em que não as toma com condicionantes (que se mostrou crescente
em cerca de 2%).
62
5 CONCLUSÕES
A pesquisa aqui apresentada propôs uma análise do comportamento da
produtividade agrícola das microrregiões do Nordeste e dos municípios cearenses, buscando
evidências a respeito do padrão espacial da produtividade e da existência de convergência
desta variável.
Cabe destacar que uma das limitações deste estudo se refere ao uso de
microrregiões nordestinas, uma vez que o ideal seria o uso de municípios, dado que o número
maior de observações retrata cada vez mais o real efeito da convergência. Porém, atualmente
isso é inviável devido à indisponibilidade de dados. Portanto, trabalhos futuros podem
enriquecer os resultados aqui encontrados se realizarem a análise por municípios, além da
agregação de mais variáveis no modelo de convergência condicional.
A Análise Exploratória dos Dados Espaciais (AEDE) para a região Nordeste
confirmou a hipótese segundo a qual a distribuição espacial da produtividade da terra não é
aleatória, ao identificar que microrregiões com elevada produtividade são rodeadas por
microrregiões com produtividade também elevada, e microrregiões com produtividade baixa
são cercadas por microrregiões de baixa produtividade. E, mediante a análise do mapa de
clusters ou LISA, foi possível identificar alguns agrupamentos principalmente nos Estados de
Rio Grande do Norte, Paraíba, Pernambuco e Sergipe.
Para os dados da região Nordeste, constatou-se um processo de convergência
absoluta da produtividade agrícola em aproximadamente 1%, significando que em longo
prazo, a uma taxa de 1%, a produtividade das microrregiões nordestinas converge para uma
média ou um estado estacionário. Além disso, constatou-se a existência de um processo de
dependência espacial entre as microrregiões, evidenciando que o crescimento da
produtividade de uma determinada microrregião afeta, positivamente, o crescimento da
produtividade das microrregiões circunvizinhas.
A hipótese de convergência condicional também foi confirmada para as
microrregiões do Nordeste, assim como a taxa de aproximadamente 1%. Isso porque as
variáveis estruturais inseridas no modelo não mostraram significância suficiente para explicar
a convergência condicional da produtividade.
Para o Estado do Ceará, a AEDE permitiu verificar a existência acentuada de
dependência espacial entre taxa de crescimento da produtividade total agrícola e a
produtividade agrícola total inicial, indicada pela significância estatística e pela magnitude do
valor do Índice de Moran. Esta constatação, a priori, permite fazer uma análise do
63
comportamento dos agrupamentos por microrregiões do Estado, em que foram detectadas
grupos de alta e de baixa produtividade ao longo dos períodos estipulados. Além disso,
identificou-se que a variação dos fatores de produção se autocorrelacionaram com a taxa de
produtividade agrícola total dos municípios.
Os resultados obtidos se mostraram favoráveis à existência de convergência
absoluta e condicional, 2% e 5,6%, respectivamente, da produtividade agrícola dos
municípios cearenses no período total de análise (1996-2017). Estes valores sugerem que a
produtividade agrícola está convergindo absolutamente para a média a uma taxa de 2% e que
os municípios estão tendendo a uma taxa de 5,60% para a sua produtividade agrícola de
equilíbrio, dadas suas características específicas. Essas evidências mostram que, apesar de
serem em curtos passos, os municípios estão caminhando para a diminuição das
desigualdades no setor de produção agrícola.
Assim, as evidências apresentadas na análise preliminar a respeito da mensuração
da convergência 𝛽 da produtividade agrícola da região Nordeste e do Ceará, pode contribuir
para a literatura regional em dois aspectos relevantes: a) a incorporação dos efeitos espaciais
explícitos no modelo, ou seja, mensura a convergência do setor agrícola, levando-se em conta
a interação das regiões com o seu entorno, o que permite verificar a existência de polos e
agrupamentos; e b) em contraste com a grande maioria dos trabalhos que tratam
habitualmente sobre convergência de renda, inova na utilização da produtividade agrícola
como variável de convergência.
O Ceará não é caracterizado como uma potência agrícola, mas o setor primário
possui uma contribuição importante para a geração de emprego e renda no Estado. Dadas as
características naturais do seu território, o Estado possui grande heterogeneidade na
distribuição espacial de fatores que determinam a produtividade agrícola. A convergência
obtida mostra que as desigualdades espaciais da produtividade agrícola estão diminuindo,
identificadas no estudo por meio da modelagem espacial.
No entanto, deve-se considerar que nos últimos anos o desempenho da agricultura
cearense foi afetado em função de condições climáticas adversas decorrentes de estiagens e
secas, durante o período de 2012 a 2018, que resultaram em reduções da produtividade
agrícola ao longo desses anos.
A evidência de dependência espacial, detalhada nos mapas de LISA, entre as
microrregiões e os municípios implica que os ganhos em termos de políticas não são restritos
a uma determinada localidade, mas, sim, são transbordados para as regiões vizinhas. Neste
sentido, pode-se orientar a adoção de polos regionais de desenvolvimento agrícola. Este tipo
64
de estratégia, adotando-se um referencial espacial/geográfico e a definição de polos
especializados, pode permitir que a alocação de recursos seja mais eficiente.
Dada a grande heterogeneidade do território brasileiro, torna-se imprescindível a
produção de conhecimento que oriente estratégias de desenvolvimento em nível regional,
incorporando características próprias de cada região. Espera-se que os resultados obtidos,
nesta dissertação, possam incentivar ainda mais o desenvolvimento de análises sobre a
evolução da produtividade agrícola no Ceará e em outros estados da região Nordeste.
65
REFERÊNCIAS
AGÊNCIA DE DESENVOLVIMENTO DO ESTADO DO CEARÁ (ADECE). Exportações
do Ceará com foco no agronegócio. Fortaleza: [s.n.], 2017. Disponível em:
https://www.adece.ce.gov.br/2014/07/30/agronegocio/. Acesso em: 06 nov. 2018.
ALBUQUERQUE, P. H. M. et al. Conglomerados espaciais. 2008. 117f. Dissertação (Curso
de Pós-Graduação em Estatística) — Universidade Federal de Minas Gerais, Minas Gerais,
2008.
ALMEIDA, E. Econometria espacial aplicada. Campinas: Alínea, 2012.
ALMEIDA, E. S. de; PEROBELLI, F. S.; FERREIRA, P. G. C. Existe convergência espacial
da produtividade agrícola no Brasil? Revista de Economia e Sociologia Rural, Brasília, v.
46, n. 1, p. 31 – 52, 2008.
ANSELIN, L. et al. Simple diagnostic tests for spatial dependence. Regional Science and
Urban Economics, v. 26, p. 77 – 104, 1996.
ANSELIN, L. Spatial Econometrics: Methods and Models. Holanda: Springer, v. 4, 1988.
ARAÚJO, T. B. D. Dossiê Nordeste I. Estudos Avançados, USP, São Paulo, v.11, n. 29, p. 1
– 32, 1997.
BARRO, R. J.; SALA-I-MARTIN, X. Economic growth and convergence across the United
States. Journal of Political Economy, v. 86, n. 4, p. 549 – 580, 1990.
BAUMOL, W. J. Productivity growth, convergence, and welfare: what the long-run data
show. American Economic Association, v. 76, n. 5, p. 1072 – 1085, 1986.
BAUMONT, C. Spatial effects in housing price models: do housing prices capitalize urban
development policies in the agglomeration of Dijon (1999)?. Research Report – Laboratoire
d’économie et de gestion (LEG). Dijon, 2004. 26 p.
BAUMONT C.; ERTUR C.; GALLO J. L. Spatial convergence clubs and the european
regional growth process, 1980–1995. In: Fingleton B. (ed.) European Regional Growth.
Advances in Spatial Science. Springer, Berlin, Heidelberg, cap. 4, p. 131 – 158, 2003.
BRAGAGNOLO, C.; BARROS, G. S. de C. Impactos dinâmicos dos fatores de produção e da
produtividade sobre a função de produção agrícola. Revista de Economia e Sociologia
Rural, Piracicaba-SP, v. 53, n. 1, p. 31 – 50, 2015.
CAVALCANTE, A. L. et al. Indicadores Econômicos do Ceará 2017. Fortaleza: IPECE, p,
1 – 107, 2017.
CHAVES, L. A. História do Estado. Sobral: INTA, 2016. Disponível em: http:
//md.intaead.com.br/geral/historia-do-estado/pdf/Historia%20do%20Estado%20Livro.pdf.
Acesso em: 30 jul. 2019.
DALL’ERBA, S. Productivity convergence and spatial dependence among spanish regions.
Journal of Geographical Systems, v. 7, n. 2, p. 207 – 227, 2005.
66
ELIAS, D. A Agropecuária do Estado do Ceará no Contexto da Globalização. In: AMORA,
B. Z. (org.). Ceará: Enfoques geográficos. Fortaleza: EdUECE, 1999.
ELIAS, D. (org.). O Novo Espaço da Produção Globalizada: o Baixo Jaguaribe (Ce).
Fortaleza: Universidade Estadual Do Ceará. Uece, 2002.
ELIAS, D.; PEQUENO, R. Reestruturação econômica e nova economia política da
urbanização no Ceará. Mercator - Revista de Geografia da UFC, Universidade Federal do
Ceará, Fortaleza, v. 12, n. 28, p. 95 – 112, 2013.
FAGERBERG, J.; GODINHO, M. Innovation and catching-up. In: J., F.; D.C., M.; R, N.
(ed.). The Oxford Handbook of Innovation. Ottawa: Oxford University Press, p. 514 – 544,
2003.
FAGNANI, E. A Política Social do Governo Lula (2003-2010): perspectiva histórica. SER
Social, v. 13, n. 28, p. 41-80, 2011.
FREITAS, M. V. de; ALMEIDA, E. Existe realmente convergência de renda entre países?
Estudos Econômicos, São Paulo, v. 45, n. 2, p. 287 – 316, 2015.
FOCHEZATTO, A.; STÜLP, V. J. Análise da convergência da produtividade da mão-de-obra
agropecuária entre os estados brasileiros: aplicação de matrizes de Markov, 1990-2000.
Revista de Economia e Sociologia Rural, Brasília, v. 46, n. 3, 2008.
GASQUES, J. G. et al. Condicionantes da produtividade da agropecuária brasileira.
Brasília: IPEA, 2004. 33 p. (Texto Para Discussão, n.1017)
GASQUES, J. G.; BACCHI, M. R. P.; BASTOS, E. T. Crescimento e Produtividade da
Agricultura Brasileira de 1975 a 2016. Brasília: IPEA, 2018, 9 p. (Nota Técnica IV).
GASQUES, J. G. et al. Produtividade Total dos Fatores e Transformações da Agricultura
Brasileira: análise dos dados dos Censos Agropecuários. In: ANAIS, Julho/2010, Campo
Grande, MS. 48ºCongresso SOBER. Campo Grande, MS, Julho/2010. p. 1 – 21.
GIRÃO, V. C. As charqueadas. In: SOUZA, S. (org.). História do Ceará. [S.l.]: Fundação
Demócrito Rocha, 1995.
GROLLI, P. A, OLIVEIRA, C. A. e JACINTO, P. A. Crescimento econômico e convergência
com a utilização de regressões quantílicas: um estudo para os municípios do Rio Grande do
Sul (1970 a 2001). In: XXXIV Encontro Nacional de Economia – ANPEC. Anais. 2006.
LEÃO, H. C. R. S. PIB de seis Estados do Nordeste cresceram acima da média do País.
Diário Econômico ETENE. Fortaleza: BNB, ano II, n. 19, p. 1-2, 2019.
LESAGE, J.; PACE, R. K. An introduction to spatial econometrics. Revue d'économie
industrielle, n. 123, p. 19 – 44, 2008.
LIMA, L. D.; MONTE, K. A. do; MILITÃO, V. B. Nordeste em mapas 2012. Fortaleza:
Banco do Nordeste, 2012. (Relatório Técnico).
67
LOPES, J. L. Avaliação do processo de convergência da produtividade da terra na
agricultura brasileira no período de 1960 a 2001. 2004. 208f. Tese (Escola Superior de
Agricultura Luiz de Queiroz), Universidade de São Paulo, São Paulo, 2004.
LUSIGI, A.; PIESSE, J.; THIRTLE, C. Convergence of per capita incomes and agricultural
productivity in Africa. Journal of International Development, v. 10, n. 1, p. 105 – 115,
1998.
MAGALHÃES, A.; HEWINGS, G.; AZZONI, C. Spatial dependence and regional
convergence in Brazil. Investigaciones Regionales – Journal of Regional Research,
Barcelona, n.6, p. 5 – 20, 2005.
MAGALHÃES, K. A. Algumas reflexões sobre a agropecuária do Ceará. Enfoque
Econômico. Fortaleza: IPECE, n. 105, 2014. (Relatório Técnico, n. 105).
MARQUES, L. D. Modelos dinâmicos com dados em painel: revisão de literatura. FEP
Working Papers, Porto, 2000.
PAM. Produção Agrícola Municipal. IBGE, 2018. (Série histórica, n. 5457).
RAIHER, A. P. et al. Convergência da produtividade agropecuária do sul do Brasil: uma
análise espacial. Revista de Economia e Sociologia Rural, Brasília, v. 54, n. 3, p. 517 – 536,
2016.
REZENDE, G. C. de. Políticas trabalhista, fundiária e de crédito agrícola no Brasil: uma
avaliação crítica. Revista de Economia e Sociologia Rural, Rio de Janeiro, v. 44, n. 1, p. 47
– 78, 2006.
SANTOS, M. A Urbanização Brasileira. São Paulo: Hucitec, 1994.
SILVA, J. B. da. A cidade contemporânea no Ceará. In: SOUZA, S. (org.). Uma nova
história do Ceará. 4. ed. Fortaleza: Fundação Demócrito Rocha, 2007.
SOLOW, R. M. A contribution to the theory of economic growth. The Quarterly Journal of
Economics, The MIT Press, Cambridge, v. 70, n. 1, p. 65 – 94, 1956.
SUDENE. Uma política de desenvolvimento econômico para o Nordeste. 2. ed. Rio de
Janeiro: Departamento de Imprensa Nacional, v. 2, 1967.
SUHARIYANTO, K.; THIRTLE, C. Asian agricultural productivity and convergence.
Journal of Agricultural Economics, v. 52, n. 3, p. 96 – 110, 2001.
WOOLDRIDGE, J. M. Econometric analysis of cross section and panel data. MIT Press.
Cambrigde. 2002.
68
ANEXO A – ESTADOS DO NORDESTE BRASILEIRO
MICRORREGIÕES GEOGRÁFICAS DO NORDESTE BRASILEIRO
69
70
Fonte: Elaboração própria com base no IBGE.
