Upload
phamanh
View
219
Download
0
Embed Size (px)
Citation preview
1
Análise de Convergência Espacial da Produtividade Agrícola entre os Municípios
da Amazônia Legal (1995-2005).
Resumo
O artigo teve como objetivo investigar se existem evidências espaciais de convergência
incondicional da produtividade agrícola para a lavoura temporária e permanente entre os
municípios da Amazônia Legal, no período de 1995-2005. Para tanto, utilizou-se
primeiramente os instrumentos da Análise Exploratória de Dados Espaciais (AEDE) e,
posteriormente, foi feito a análise de β-convergência considerando-se a interação dos
efeitos espaciais entre os municípios. Os resultados revelaram a existência de um
processo de convergência da produtividade agrícola para ambos os casos, ou mais
precisamente, confirma-se a hipótese de β-convergência. Foi calculada, ainda, a
velocidade de convergência para a produtividade média de ambas as culturas, onde a
taxa de crescimento da produtividade média da lavoura temporária cresce
aproximadamente a ordem de 5,47% ao ano, enquanto que a velocidade de
convergência calculada para a taxa de crescimento da produtividade média da lavoura
permanente é de 3,87% ao ano. Contudo, este resultado é corroborado pela influência
dos efeitos espaciais, identificados em sub-regiões que são caracterizadas pela formação
de clusters, no qual encontra na relação de dependência espacial positiva o principal
vetor de determinação da taxa de crescimento da produtividade média agrícola regional.
Por fim, identificou-se a existência de efeitos transbordamentos espaciais (spillover)
somente da produtividade média da lavoura temporária.
Palavras-Chave: Amazônia Legal, Convergência Espacial, Produtividade.
Abstract
This article aims to study if there is evidence of unconditional spatial convergence of
agricultural productivity for temporary and permanent crops in the municipalities of the
Amazonian for the period of 1995-2005. Exploratory Analysis of Spatial Data (EASD),
and also the β-convergence analysis were the tools employed for considering the
interaction of spatial effects between municipalities. The results indicated the existence
of a convergence process for agricultural productivity for both types of crops and the β-
convergence hypothesis was also confirmed. The convergence speed was also
calculated for the average productivity of both crops, where the rate of growth of
average productivity of the temporary crops grew approximately 5,47% annually. In
contrast, the speed of permanent farming was 3,87% annually. However, these results
are corroborated by the influence of the spatial effect, identified in sub-regions which
are characterized by the formation of clusters, and with a positive spatial correlation: the
main vector of determination of the rate of growth of the regional agricultural average
productivity. Finally, the existence of spillover effects were confirmed only for average
productivity of the temporary crops.
Key Words: Amazon, Spatial Convergence, Productivity.
Classificação JEL: C21; R11
2
1. Introdução
A agricultura, no início da década de 1990, foi marcada por uma mudança do
comportamento do poder central quanto aos programas que atendiam ao setor. O
Programa de Abastecimento, por exemplo, que na década de 1980 representava 70% das
aplicações federais, já na década seguinte não chegou a 30%. A maior causa da redução
de recursos para a agricultura foi a política de estabilização adotada a partir de março de
1990, onde o controle monetário e fiscal foram os pontos centrais. Esta mudança na
política econômica alterou substancialmente a forma de financiamento da agricultura
pelo setor público (GASQUES e VILLA VERDE, 2003). Os dados mostram que no
início da década de 1990 ocorreu um esvaziamento das políticas de curto prazo, as quais
concentraram na década anterior quase todo o esforço de política agrícola. Para algumas
políticas como a do trigo, açúcar e álcool, a saída do governo teve pontos positivos face
à economia que isto representou e às distorções que estas provocaram ao longo dos
anos. Porém, para outras políticas como Crédito Rural, Preços Mínimos e Estoques
Reguladores, a saída trouxe problemas que refletiram diretamente no volume de
produção, nos investimentos no setor e principalmente na estabilização de preços e na
renda.
A partir de 1994, com a implementação do Plano Real e com as mudanças que o
acompanharam, principalmente no câmbio, o setor agrícola passou a experimentar um
momento mais favorável. No entanto, uma queda dos preços internacionais anulou
parcialmente o estímulo derivado da mudança cambial de 1999; mas, em compensação,
uma fase de alta desses preços a partir de 2002 reforçou o estímulo cambial, resultando
em grande dinamismo, principalmente nos últimos três anos agrícolas. Verificou-se
também que a volatilidade dos preços internacionais deu lugar, a partir do segundo
semestre de 2004, a uma fase de baixos preços agrícolas no mercado internacional, que
poderá atingir adversamente o comportamento do setor nos próximos anos.
Constata-se, também, que a expansão agrícola recente caracterizou-se por um aumento
de nada menos do que 22,8% da área plantada com grãos, ao longo de apenas três anos
agrícolas (2001/2002, 2002/2003 e 2003/2004). Esta expansão recente difere
radicalmente do padrão que prevaleceu durante toda a década de 1990, no qual a área
agrícola total com lavouras permaneceu constante e todo o aumento da produção
agrícola vegetal adveio de aumentos da produtividade da terra. Essa expansão recente
de área se deu, sobretudo, na soja, que cresceu, somente nesses três anos agrícolas,
39,8% nas regiões Sul e Sudeste, e nada menos do que 66,1% na região Centro-Oeste.
Essa mudança positiva no setor fez com que o produto agrícola voltasse a crescer
principalmente através de ganhos de produtividade provenientes de avanços
tecnológicos (BRANDÃO et. al., 2005).
Dado os fatos acima relatados, estudos sobre convergência, seja da renda ou da
produtividade são bastante úteis, principalmente quando se propugna identificar grupos
de economias que experimentam de características estruturais semelhantes, ou ainda,
quando se pretende entender os determinantes de um processo de convergência.
Todavia, a maioria dos estudos sobre convergência se baseia no modelo proposto por
Baumol (1986) e, por conseguinte, por Barro e Sala-i-Martin (1995), nos quais são
fundamentados sobre o modelo de crescimento de Solow (1956).
Nesse sentido, cresce a importância de estudos que se baseiam na influência das
localidades vizinhas sobre o crescimento da produtividade de certa região,
representados pelos chamados efeitos espaciais, sobretudo, através da mensuração dos
3
efeitos spillovers espaciais. É razoável supor que, padrões de crescimento de
produtividade a um nível regional, podem ser influenciados pela evolução da taxa de
crescimento da produtividade de regiões contíguas. Esta relação é marcada,
principalmente, pela natureza de dois fenômenos espaciais, a heterogeneidade espacial e
a dependência espacial. A influência de tais efeitos espaciais sobre a taxa de
crescimento da produtividade pode ser controlada através de um conjunto de
ferramentas e técnicas que têm sido desenvolvidas no campo da econometria espacial1,
de modo que, contribuições teóricas importantes são observadas nos trabalhos de
Anselin (1988b, 1996, 1999, 2001b), Anselin e Bera (1998) e Anselin, Florax e Rey
(2004).
Assim, o artigo tem como objetivo analisar a convergência da produtividade agrícola
das culturas temporária e permanente para os municípios da Amazônia Legal no período
de 1995 a 2005. Para tanto, foi utilizado a técnica de Análise Exploratória de Dados
Espaciais (AEDE), que se refere a um conjunto de técnicas e procedimentos estatísticos
que visam à manipulação de dados georeferenciados, bem como, formalizou-se
equações de convergência incorporando efeitos espaciais.
Existem, pelo menos, três razões para se verificar a convergência da produtividade
agrícola, a saber, a ocorrência de mudanças estruturais no processo de produção
(vinculadas, sobretudo, a inovações tecnológicas e/ou incentivadas por políticas
públicas, como, por exemplo, o processo de apropriação do câmbio na maior parte dos
anos noventa e a abertura comercial, dentre outras); o fenômeno da difusão tecnológica
de novas sementes, novos sistemas de plantio, novos implementos agrícolas etc; e a
eliminação de obstáculos ao crescimento da produção, como restrições ambientais, falta
de adequada logística e carência de financiamento, dentre outros (LOPES, 2004).
Em outra linha e com base em estudos que focam a análise do processo de convergência
de produtividade considerando a influência de efeitos espaciais, existem, no Brasil,
alguns autores que retratam aspectos relevantes sob uma perspectiva regional (LOPES,
2004; ALMEIDA et al., 2008). Lopes (2004) analisou o processo de evolução da
produtividade da terra entre as onze principais culturas brasileiras, avaliando o processo
de convergência tanto absoluta quanto condicional dessa variável entre os estados
produtores, no período de 1960 a 2001. Por outro lado, Almeida et al. (2008) analisaram
o processo de convergência absoluta espacial da produtividade agrícola da terra para as
principais microrregiões brasileiras, entre os anos de 1991 a 2003. Neste estudo o autor
concluiu para a existência de convergência, porém a uma velocidade muito lenta.
Vários são as críticas ao cálculo da convergência tradicional, bem como, ao nível de
agregação utilizado. Segundo Quah (1996) a maioria dos estudos de convergência que
apresentam manipulação de dados ao nível de um cross-section, e ainda, que tratam as
regiões de forma isoladas, e que portanto, ignoram a relação de dependência espacial
entre tais unidades, com efeito, têm seus resultados enviesados. De acordo com Rey e
Montouri (1999) após o desenvolvimento de ferramentas voltadas a análise exploratória
de dados espaciais, assim como as novas técnicas econométricas empregadas nos
estudos de convergência, fez com que se vislumbrasse para uma nova dimensão no qual
1 Segundo Anselin (1998) e Anselin; Bera (1998), a diferença entre a econometria espacial e a
econometria tradicional constitui-se no fato de que a primeira incorpora na modelagem, padrões de
interação sócio-econômica entre diversos agentes dentro de um sistema, no qual os autores chamaram de
autocorrelação espacial. Além disso, é importante diferenciar as características estruturais desse sistema
no espaço, no qual chamaram de heterogeneidade espacial.
4
incorpora na dinâmica geográfica2, o principal elemento explicativo a cerca dos padrões
de crescimento da renda. Estes autores ainda reconhecem que os modelos de
convergência, composto por dados dispostos em unidades espaciais, deveriam levar em
consideração os efeitos espaciais que resultariam da interação espacial entre as
unidades.
As vantagens de se utilizar um instrumento econométrico eficaz para capturar a
influência de efeitos espaciais são inúmeras. Em primeiro lugar, é razoável supor que
haja evidências de efeitos spillovers espaciais entre diversos setores da economia
regional (indústria de transformação, agroindústria, transporte, comércio e serviços).
Em segundo lugar, vinculada diretamente a taxa de crescimento da produtividade
setorial, está o progresso técnico, onde se espera encontrar evidências empíricas de
efeitos spillovers espaciais que eventualmente emergem da conectividade inter-regional,
ressaltando-se ainda mais a importância do referido estudo.
Portanto, fica evidente que analisar o comportamento da agricultura é de suma
importância para economia de um país ou região, principalmente no Brasil, onde o setor
participa de forma significativa tanto nas exportações quanto no mercado de trabalho.
Além desta introdução o trabalho é composto por mais 5 seções. A seção 2 trata da
revisão da literatura, a seção 3 traz as descrições das variáveis utilizadas, a seção 4 traz
a descrição e análise da técnica de análise exploratória de dados espaciais (AEDE), a
seção 5 descreve o modelo de convergência absoluta com efeitos espaciais bem como os
resultados encontrados, e, por fim, a seção 6 apresenta as considerações finais do
trabalho.
2. Revisão da Literatura
Diversos trabalhos têm voltado seus objetivos para avaliar como a existência de efeitos
espacial pode influenciar a relação de produtividade entre países ou regiões vizinhas.
Sob essa abordagem Abreu et al. (2004) investigaram a distribuição espacial da taxa de
crescimento da produtividade dos fatores usando análises exploratórias dos dados
espaciais3 e outras técnicas de econometria espacial (tais como a estatística I de Moran,
a nível global e local e a estatística LMerr e LMlag, adequada para especificação de
modelos). A amostra consiste em 73 países e cobre um período de 1960-2000.
Encontraram significativa autocorrelação espacial nas taxas de crescimento da
produtividade total dos fatores, indicando que os valores altos e os baixos tendem a
concentrar-se no espaço, formando os chamados clusters. Também encontram fortes
indícios de autocorrelação espacial positiva nos níveis da produtividade total dos
fatores, que tem aumentado ao longo do período analisado. Este resultado pode indicar
para existência de clusterização ao longo do tempo.
Martinho (2005) considerando a influência de efeitos espaciais sobre a produtividade
por trabalhador de setores econômicos das NUTs4 III de Portugal, onde utilizou como
2 Segundo Anselin (1999, p. 2), “a econometria espacial é um sub-campo da econometria que lida com
as complicações causadas pelos efeitos espaciais (autocorrelação espacial) e pela estrutura espacial
(heterogeneidade espacial), em modelos de regressão para dados na forma de cross-section e de um
painel”. 3 Alternativamente, Exploratory Spatial Data Analysis – ESDA.
4 As NUTS (Nomenclaturas de Unidades Territoriais - para fins Estatísticos) designam as sub-regiões
estatísticas em que se divide o território dos países da União Européia, incluindo o território português.
De acordo com o Regulamento (CE) n.º1059/2003 do Parlamento Europeu e do Conselho de 26 de Maio
5
referencial a Lei de Verdoorn, concluiu sobre a existência de autocorrelação positiva
sobre a produtividade média, sobretudo, no setor de serviços, muito embora, estes
efeitos apareçam mais moderadamente na indústria. Além disso, se utilizando dos
modelos lag espacial e error espacial encontrou fortes evidências de efeitos spillovers
sobre os setores analisados nas regiões portuguesas entre os anos de 1995-1999.
Fingleton (2006) testou as duas principais correntes da atual teoria econômica que
abordam o grau de concentração espacial, a Nova Geografia Economia (NEG) e a teoria
Econômica Urbana (UE). Utilizando a taxa de variação dos salários em todas as micro-
regiões da Grã-Bretânia, o autor conclui que a NEG apresenta um maior poder
explicativo a cerca da dinâmica de crescimento dos salários em termos locais, que por
sua vez, pode ser expressa através da produtividade do fator.
Contribuições mais recentes, no campo da literatura do crescimento regional, no qual
consideram a importância dos efeitos espaciais, visando de entender as relações de
dependência espacial entre regiões, concentram-se, neste campo, estudos como o de
Fingleton e Lópes-Bazo (2006). Para tratar deste problema, os autores assumem que as
externalidades observadas entre regiões são afetadas principalmente pelo crescimento
econômico de longo prazo, além do grau de difusão tecnológica, ao passo que, choques
aleatórios podem influenciar sobre os efeitos destas externalidades. Assim, em contraste
com métodos que utilizam modelos ad hoc, o efeito da dependência espacial em
modelos de crescimento endógeno deve ser modelado a partir de um caráter substantivo
(error espacial, lag espacial ou cross-regressive espacial) para evitar incômodos erros
de especificação.
López-Bazo et al. (1999) bem como Rodríguez-Pose (1999), investigaram
simultaneamente a hipótese de convergência condicional na União Européia,
considerando o efeito espacial entre regiões. Esses autores encontraram fortes
evidências de interação espacial positiva entre grupos de economias adjacentes que
experimentam de características estruturais semelhantes, onde o padrão estrutural
caracteriza-se sob a forma de clusters.
Niebuhr (2001) buscou testar a hipótese de convergência condicional na região Oeste da
Alemanha entre os anos de 1976-1996. Segundo o autor, a interação espacial observada
entre as economias da região da Alemanha contribui significativamente com a taxa de
crescimento da renda per capita regional. Porém, e de modo geral, somente a presença
dos efeitos espaciais não alteraria a conclusão de que as economias experimentam um
processo de convergência.
Em outro estudo, Sandberg (2004) examinou a hipótese de convergência absoluta e
condicional, entre as províncias chinesas, durante o período de 1985-2000. Os
resultados obtidos apontaram para existência de convergência absoluta entre 1985-1990
e 1985-2000. Muito embora, para o sub-período de 1990-1995, não foi possível rejeitar
a hipótese de convergência condicionada com sinais de dependência espacial entre
províncias adjacentes.
Arbia et al. (2004) sob a estrutura de um painel, analisaram a hipótese de convergência
do produto interno bruto per capita entre 125 regiões de 10 países europeus, para o
período de 1980-1995, incorporando ao modelo à influência dos efeitos espaciais. O
autor concluiu para existência de dependência espacial positiva da taxa de crescimento
da renda, colaborando com o processo de convergência espacial. Já, Lundberg (2004)
de 2003, relativo à instituição de uma Nomenclatura Comum das Unidades Territoriais Estatísticas
(NUTS), estas estão subdivididas em 3 níveis: NUTs I, NUTs II e NUTs III.
6
testou a hipótese de convergência condicionada, com efeitos espaciais, entre o período
de 1981-1990, e em contraste com resultados anteriores, o autor não encontrou nenhuma
evidência clara a favor da hipótese de convergência condicionada. Pelo contrário, os
resultados prevêem divergência condicionada entre os municípios localizados na região
de Estocolmo ao longo de todo o período analisado, e ainda, para os municípios fora da
região de Estocolmo durante os anos 90.
Com relação ao Brasil, muitos dos estudos empíricos desenvolvidos para as regiões
brasileiras têm focalizado seus objetivos sobre a análise de convergência incorporando a
influência dos efeitos espaciais. Nesta linha segue o trabalho de Magalhães (2001), onde
o autor propôs identificar a formação de clubes e convergência no Brasil considerando a
possibilidade de spillovers geográficos a partir da análise de gaps5 de renda per capita
entre os estados, no período de 1986-1995. A amostra incluía os 26 estados da
federação, sendo o Distrito Federal incluído no estado de Goiás. Primeiramente, foram
encontradas evidências de dependência espacial entre os estados, porém, não se
observou nenhum processo de convergência entre os mesmos. Posteriormente, os testes
econométricos apontam para a ocorrência da autocorrelação espacial, onde fica evidente
que a taxa de crescimento da renda per capita dos estados tem sido influenciada
também pelo ritmo de crescimento dos estados vizinhos. Ademais, a relação entre os
gaps inicial e o final entre os estados brasileiros apontam para a existência de dois
grupos de convergência. O primeiro grupo é formado pelos estados do Rio de Janeiro,
Rio Grande do Sul e Minas Gerais que convergem para o nível de renda de São Paulo,
enquanto o segundo grupo composto pelos estados do Nordeste e alguns do Norte
estaria divergindo, sem um nível pré-determinado de gap final.
Para o setor agropecuário, Almeida et al. (2003) apresentaram uma nova metodologia
econométrica, a fim de gerar cenários econômicos consistentes de longo prazo, tendo
em vista as culturas agropecuárias. O Modelo Econométrico Espacial para projeções de
Culturas Agropecuárias (MEECA) se baseia na relação de dependência e
heterogeneidade espaciais e suas regressões incorporam uma série de termos espaciais,
tais como efeitos spillovers e expansão espacial dos coeficientes. Essa metodologia foi
aplicada para a estimação dos modelos econométricos espaciais de algumas culturas
agropecuárias, a saber, a rizicultura, a sojicultura, a cultura do milho, a cultura dos
outros produtos extrativos, bovinocultura e outros produtos pecuários. Os resultados da
estimação das regressões apontam para as seguintes conclusões: em todos os modelos o
PIB agropecuário mostrou-se significativo; já o PIB industrial revelou-se significativo
para o modelo da sojicultura. Para outros produtos extrativos, os resultados dos efeitos
spillovers do PIB agropecuário permitem concluir que o PIB agropecuário dos vizinhos
também é fator explicativo da produção de tais culturas, embora se observe um efeito
negativo denotando que existe, neste caso, uma relação de competição entre os
municípios que exploram os outros produtos extrativos.
Sob a estrutura de um painel, Monastério et al. (2004) utilizando das ferramentas da
econometria espacial, analisaram o crescimento econômico de 58 áreas estatisticamente
comparáveis gaúchas entre os anos de 1939 a 2001. Os resultados da estatística I de
Moran mostraram que áreas ricas tenderam a ser circundadas por áreas ricas, ao passo
que, áreas pobres, por áreas igualmente pobres. A análise exploratória de dados
espaciais (AEDE) detectou que as aglomerações de alto crescimento tenderam a se
5 O gap é entendido como a diferença entre a renda per capita de um estado i e o estado de referência,
aquele que apresentou maior nível de renda per capta para o período analisado, que neste caso foi o
estado de São Paulo.
7
localizar na região da Serra, enquanto de baixo crescimento na região da Campanha. O
modelo de convergência absoluta não-espacial aponta para existência de β-
convergência, porém ele também apresenta evidências de autocorrelação espacial. Para
controlar o efeito da autocorrelação espacial, estimaram-se os modelos lag espacial e
error espacial, onde ambos mostram-se mais robustos que o modelo padrão, sendo que
o error espacial parece o mais apropriado. Testou-se ainda a possibilidade de quebras
estruturais ao longo do território gaúcho. Os resultados sugeriram que a região da
Campanha, ao sul do estado, segue um regime espacial distinto do restante do estado.
Perobelli et al. (2007) procuraram analisar a influência dos efeitos espaciais sobre a
produtividade agrícola da terra, a partir de três cortes transversais, 1991, 1997 e 2003, a
um nível micro regional. Para tanto, utilizaram-se dos instrumentais restritos a análise
exploratória de dados espaciais (AEDE). Os autores concluem que a produtividade
agrícola é marcada por distintos padrões de localização que se expressam por meio da
heterogeneidade espacial e da autocorrelação espacial. Além disso, mostraram que a
produtividade agrícola está positivamente autocorrelacionada, tanto no espaço como ao
longo do tempo. Dois clusters alto-alto (AA) são identificados, onde um deles localiza-
se no estado de São Paulo e parte do Centro-Oeste, enquanto o outro se situa no litoral
nordestino.
Almeida et al. (2008) procurou verificar se existiam evidências para um processo de β-
convergência espacial da produtividade agrícola da terra para as microrregiões
brasileiras entre o período de 1991 a 2003. Para alcançar tal objetivo, e depois de
controlar os efeitos espaciais, os procedimentos conduziram-se preliminarmente através
da análise exploratória de dados espaciais, que detectou a presença de autocorrelação
espacial para a produtividade da terra. Num segundo momento, após obter os resultados
da estimação dos modelos error espacial e lag espacial, conclui-se para a existência de
convergência absoluta da produtividade agrícola brasileira a um nível microrregional.
Porém o autor destaca que, quando se observa a baixa velocidade de convergência do
setor, logo se conclui que a disparidade relacionada à produtividade média está
diminuindo de forma extremamente lenta durante os anos, colaborando, portanto, com o
aumento das disparidades regionais.
No Brasil, observam-se inúmeros estudos que buscam centralizar seus esforços no
sentido de entender o processo dinâmico de convergência condicionada incorporando a
influência dos efeitos espaciais (heterogeneidade e autocorrelação espacial). Neste
campo segue o trabalho de Almeida (2007) que buscou avaliar se existiam evidências de
relações estacionárias entre efeitos transbordamentos tais como, retornos de escala e
efeito catch-up, para o setor agrícola brasileiro, avaliados a um nível microrregional
entre os anos de 1993-2003. Para tanto, elaborando uma equação dinâmica da Lei de
Verdoorn a nível local, e incorporando variáveis definidas pela nova geografia
econômica, o autor adotou como instrumental metodológico a abordagem das
regressões ponderadas geometricamente (RPG) por meio de modelos econométricos
espaciais locais. Os principais resultados revelaram que existem retornos crescentes de
escala quanto efeitos de catch-up, tanto em termos globais quanto locais para a
agricultura. Ademais, a dependência espacial foi representada por um modelo de
defasagem espacial local.
8
3. Dados Utilizados e Descrição das Variáveis
Este trabalho utiliza dados da Pesquisa Agrícola Municipal do IBGE (Instituto
Brasileiro de Geografia e Estatística), consultados por meio do Sistema IBGE de
Recuperação Automática (SIDRA). Para a elaboração do artigo, foram compilados
dados sobre o valor da produção agrícola6 e a área plantada total para os anos de 1995 e
2005.
Vale ressaltar que foram utilizadas na análise variáveis relativas, pois variáveis
absolutas podem levar à interpretações errôneas dos resultados, uma vez que costumam
estar correlacionados ao tamanho da população ou da área das unidades em estudo.
Portanto, foram criados indicadores parciais da produtividade agrícola média da terra,
formados pela razão entre o valor da produção agrícola total (em reais) e a área plantada
(em hectares) em nível de município para os anos de 1995 e 2005.
O período de 1995 a 2005 foi escolhido porque coincide com a implementação do Plano
Real. Nesse período houve, principalmente, um controle mais rigoroso da inflação, ao
passo que o câmbio apreciou-se, transformando-se na âncora cambial da economia.
Ressalta-se que em 1995 o país vivia um momento de estabilidade com crescimento
econômico, com queda no nível de desemprego e crescimento das atividades
econômicas. Já a partir do ano de 2000, a conjuntura era de moeda desvalorizada, com
algumas crises internacionais. Desta forma, o período caracteriza-se por profundas
mudanças macroeconômicas que, por sua vez, impactaram na trajetória da
produtividade média agrícola em relação ao insumo terra.
4. Análise Exploratória de Dados Espaciais
A Análise Exploratória de Dados Espaciais (AEDE) é um conjunto de técnicas e
procedimentos estatísticos que visam à manipulação de dados georefenciados. Esta
metodologia trata mais precisamente de acomodar dois efeitos espaciais, sobretudo a
autocorrelação (ou dependência) espacial. Em linhas gerais, o objetivo deste método é
descrever e visualizar o formato da distribuição espacial, identificar localidades que
dispõem de atributos atípicos (outliers), observar agrupamentos de atributos
semelhantes (clusters), identificar formas variadas de heterogeneidade espacial e
principalmente, permite identificar padrões de autocorrelação espacial7 (ANSELIN,
1996;1999).
Para utilizar as técnicas disponíveis pela AEDE, assim como para aplicar os
instrumentais da econometria espacial é preciso primeiramente definir uma matriz de
pesos espaciais (W). Esta matriz quadrada tem como principal atributo, capturar a
interconectividade entre diferentes espaços ou localidades de modo que venha expressar
um determinado arranjo espacial, resultantes da interação do fenômeno mencionado.
Então, esta matriz busca capturar a influência da contigüidade da vizinhança tendo em
vista discutir a hipótese de que valores de atributos semelhantes apresentam
semelhanças espaciais (ANSELIN, 1988b).
6 O valor da produção agrícola estão em valores reais de 2000.
7 A autocorrelação espacial pode ser interpretada como a tendência a que o valor de uma ou mais
variáveis associadas a uma localidade (ou sub-região) assemelha-se mais aos valores das observações de
regiões vizinhas do que de regiões mais afastadas de um conjunto amostral.
9
Na literatura pertinente existem vários tipos de matriz de pesos espaciais, de modo que a
mais simples é conhecida como matriz binária. Esta matriz apresenta sua diagonal
principal nula, o elemento wij é nulo se i não for vizinho de j e igual a 1 se i for vizinho
de j. Contudo, a matriz adotada aqui segue outro formato baseado na média ponderada
entre o perímetro das fronteiras entre as localidades. Formalmente, cada elemento da
matriz é definido por, jijij LLw , para jiij ww . Onde, Lij é a distância que
tangencia a localidade i da localidade j e jL é a soma das distâncias das fronteiras
dos j que são contíguas a i. A escolha do tipo de matriz espacial é muito importante para
implementação da AEDE e da econometria espacial, pois os resultados obtidos são
sensíveis a tal seleção8. Posto isto, convêm tratar agora de uma medida de mensuração
do grau de dependência espacial entre localidades, a um nível global e local.
4.1 Autocorrelação Espacial Global
Freqüentemente é utilizado a estatística I de Moran como indicador de autocorrelação
espacial global (CLIFF e OLD, 1981; UPTON e FINGLETON, 1985), no qual pode ser
formalizada sob a forma matricial, como a seguir
tt
ttt
zz
Wzz
S
nI
'
'.
0
, nt ,.....,1 (1)
onde, n é o vetor de observações, o termo S0 é um escalar e expressa a soma de todos os
elementos da matriz de pesos espaciais (W) e zt é um vetor de n observações para o ano t
sob a forma de desvio em torno da média. Esta estatística fornece informações do grau
de associação espacial linear entre os vetores de valores observados de uma variável de
interesse no tempo t(zt) e a média ponderada dos valores das localidades vizinhas, ou
seja, as defasagens espaciais (Wzt). A significância estatística do I de Moran é medida
pelo valor de sua esperança matemática. Logo, valores I de Moran calculados maiores
(ou menores) do que a valor de sua esperança matemática 11)( nIE apontam para
existência de autocorrelação espacial positiva (ou negativa).
Contudo, quando a matriz de pesos espaciais (W) é normalizada na linha, ou seja,
quando a soma dos elementos da linha da matriz equivale a unidade, a equação (1)
assume o seguinte forma.
tt
ttt
zz
WzzI
'
', nt ,.....,1 (2)
A estatística I de Moran compara o quanto a dimensão espacial interfere sobre a
distribuição espacial de um atributo se comparado com um padrão de distribuição
totalmente aleatório. Assim, testa-se a hipótese nula de completa aleatoriedade da
distribuição do atributo, em caso de não aceitação de tal hipótese, a distribuição do
atributo é influenciada pelas características do arranjo espacial. O I de Moran varia no
intervalo [+1,-1], valores perto de zero representam ausência de autocorrelação espacial,
8 Qualquer matriz de pesos espaciais precisa atender às condições de regularidade impostas pela
necessidade de invocar as propriedades assintóticas dos estimadores e dos testes. Para Anselin (1988b),
“isto significa que os pesos precisam ser não-negativos e finitos e que correspondam a uma determinada
medida”.
10
assim como valores perto de +1(-1) representam autocorrelação espacial positiva (ou
negativa).
A tabela 1, abaixo, demonstra os valores calculados para o Índice de Moran, desvio
padrão e z-value para a produtividade média das lavouras temporária e permanente no
período de 1995-2005. Como se pode observar, todos os I de Moran são positivos,
significativos e crescentes para qualquer valor assumido da variável de interesse dentro
de um intervalo de confiança de 99,9%. Portanto, os resultados obtidos revelam a
influência da autocorrelação espacial positiva sobre a distribuição da produtividade
média, tanto da lavoura temporária quanto da lavoura permanente. Além disso, a
inclinação da curva de regressão média sofre um deslocamento crescente no período,
isto demonstra um aumento da dependência espacial, sobretudo, entre os vizinhos mais
próximos.
Tabela 1: I de Moran, Desvio Padrão (Sd) e Esperança Matemática E(I) da
Produtividade Média Agrícola Regional (1995-2005)
TIPO
LAVOURA
Ano I de Moran E(I) Sd Z-value
TEMPORÁRIA 1995 0.4001* -0.0013 0.0221 70.0648
2005 0.5181* -0.0013 0.0218 70.0648
PERMANENTE 1995 0.3467* -0.0013 0.0221 70.0648
2005 0.3777* -0.0013 0.0218 70.0648
Fonte: Resultado da pesquisa.
* Significante a 0.1% de probabilidade de erro.
4.2 LISA e Diagrama de Dispersão de Moran
Anselin (1996) desenvolveu um instrumental analítico para detectar a padrões locais de
autocorrelação espacial, onde este instrumento é composto pela estatística LISA (Local
Indicators of Spatial Association) e pelo diagrama de dispersão de Moran.
A estatística LISA é também denominada I de Moran local, pois dela deriva-se o I de
Moran global. Através da LISA pode-se avaliar a contribuição individual de cada
localidade para formação do indicador global, isto significa que a soma das estatísticas
locais resultam na estatística global (I de Moran).
,
1
2
1
n
i
i
n
j
jiji
i
z
zwz
I ni ,.....,1 (3)
Onde, zi é a diferença entre o valor do atributo i e a média de todos os atributos, zj é a
diferença entre o valor dos atributos dos vizinhos da localidade i e a média de todos os
atributos, wij é o peso espacial observado entre a localidade i e j. Depois de obtidos os
índices de autocorrelação espacial local é apropriado plotá-los em um mapa (LISA Map)
para observar se há evidencias de formação de clusters, dos quais se configuram em
bolsões de homogeneidade. Comumente, observa-se uma concentração de localidades
caracterizadas por valores elevados e baixos de seus atributos, que são separadas por
uma região de transição. Os valores do I de Moran local são classificados em quatro
classes: não significantes (valor zero), como significância de 95,0% (classe 1), 99,0%
(classe 2) e 99,9% (classe 3).
11
Associado à LISA está o diagrama de dispersão de Moran, que segundo Anselin (1996)
o referido diagrama é um instrumento que tem a função de comparar os valores
normalizados de um atributo de dada localidade i com a média dos valores
normalizados de localidades vizinhas j, construído a partir de um gráfico bidimensional
dos zi (valores normalizados) contra os WZ (média dos vizinhos). Esta ferramenta é uma
maneira adicional de visualizar a dependência espacial e avaliar a forma dos diferentes
regimes espaciais presente nos dados. Assim, estes regimes podem ser interpretados a
partir da configuração de quatro quadrantes definidos por: (AA, BB, AB e BA). Sob a
presença de autocorrelação espacial positiva prevalece os valores alto-alto (AA) e baixo-
baixo (BB) evidenciando a formação de clusters de valores semelhantes. Mas sob a
presença de autocorrelação espacial negativa, prevalecem os valores alto-baixo (AB) e
baixo-alto (BA), neste caso, evidenciando a formação de clusters de valores distintos.
A figura 1 a seguir expõe o diagrama de dispersão de Moran, nela ilustra-se o efeito da
autocorrelação espacial da produtividade média de um dado município i com os valores
defasados da produtividade média do município vizinho j. Note-se, que a inclinação da
curva de regressão é exatamente o Índice de Moran exposto na tebela 1, do qual
demonstra o grau de ajustamento da reta de regressão.
Figura 1: Diagrama de Dispersão de Moran da Produtividade Média Agrícola Lavoura Temporária (1995) Lavoura Permanente (1995)
Fonte: Resultado da pesquisa.
No eixo horizontal do Diagrama de Dispersão de Moran têm-se, respectivamente, a
produtividade média da lavoura temporária (PMELT95) e a produtividade média da
lavoura permanente (PMELP95), ambas no ano base (1995). E no eixo vertical, têm-se
o efeito da defasagem espacial da lavoura temporária (W_PMELT95) e permanente
(W_PMELP95), respectivamente.
Analisando o comportamento da dependência espacial da produtividade média da
lavoura temporária, observa-se que dos 769 municípios que compreendem o mapa da
Amazônia Legal em 1995, somente 253 apresentam indícios significantes (a 5% de
probabilidade de erro) de algum tipo de autocorrelação espacial, o que representa cerca
de 33% da população, sendo que desta parcela apenas 116 municípios apresentam
valores acima da média, ou seja, alto-alto (AA), seguidos de 96 municípios que
apresentam valores semelhantes e positivas, porém abaixo da média, isto significa,
clusters com valores baixo-baixo (BB).
12
Já a relação de dependência espacial entre a produtividade média da lavoura permanente
é menos expressiva, pois apenas 154 municípios experimentam de algum tipo de
autocorrelação espacial local, o que representa cerca de 20% da população. Desta
minoria, apenas 74 municípios (o que equivale a 48%) apresentam valores positivos e
acima da média (AA) e somente 29 municípios (o equivalente a 19%) apresentam
valores positivos, porém abaixo da média (BB). Além disso, 41 municípios (cerca de
33%) apresentam autocorrelação espacial negativa de qualquer natureza, seja (AB) ou
(BA). No mais, a figura 2 abaixo, explicita num mapa para Amazônia Legal (LISA Map)
os clusters espaciais tanto para a lavoura temporária quanto para lavoura permanente no
ano de 1995.
Figura 2: Clusters Regionais da Produtividade Média Agrícola (LISA Map)
Lavoura Temporária (1995) Lavoura Permanente (1995)
Cabe ressaltar que os clusters mais dinâmicos, são aqueles que apresentam os maiores
potenciais de transbordamento da produtividade e concentram-se especialmente no
estado do Mato Grosso para ambas as culturas. Ademais, a estatística LISA identificou
valores atípicos (outliers) da produtividade média da lavoura temporária e permanente
nos estados do Amapá e do Amazonas, respectivamente.
5. Análise β-convergência com Efeitos Espaciais
A discussão de convergência, seja de renda ou da produtividade, tem atraído muitos
estudiosos e existe um grande número de trabalhos empíricos que discutem essa
questão. A primazia dos estudos empíricos desenvolvidos por Baumol (1986), De Long
(1988) e Baumol e Wolf (1988), que seguem as hipóteses do modelo de Solow (1956),
estimam o seguinte modelo:
,/ln/ln/ln 1,1,, itititi NYNYNY (4)
em que ln (Y / N) é o logaritmo da renda per capita, é o termo de erro e i é o indexador
para as diversas unidades observadas. A idéia é que as unidades mais pobres cresçam de
forma mais rápida que as unidades mais ricas.
13
Seguindo a literatura pertinente à convergência, existe uma corrente de estudo que
argumenta que a existência de heterogeneidade regional é responsável pela formação de
grupos de unidades geográficas com características semelhantes, caracterizando os
chamados clubes de convergência. Por outro lado, outros autores argumentam que os
modelos de regressão tipo de Baumol (1986) e de Barro (1991), baseadas no nível de
renda inicial, não trazem em si, nenhuma informação incondicional de convergência e,
ainda, tais estudos dão pouca ênfase ao espaço, desconsiderando seus efeitos ao
processo em destaque (QUAH; 1993, 1996). Nesse sentido, avanço da estatística
espacial, bem como dos instrumentos associados à análise exploratória de dados
espaciais (AEDE), permitiu uma nova percepção da dinâmica geográfica e dos fatores
determinantes do crescimento regional (REY e MONTOURI, 1999).
Rey e Montouri (1999) reiteram que modelos de convergência, compostos por dados
distribuídos entre unidades espaciais, deveria levar em consideração os efeitos espaciais,
no qual pode ser interpretado pela interação espacial entre os agentes. Então, a questão
central consiste na formalização de um modelo convergência baseado na equação de
Baumol (1986) que fosse capaz de considerar e controlar a influência dos efeitos
espaciais. Ressaltasse que os métodos tradicionais de estimação (OLS) têm suas
propriedades assintóticas prejudicadas devido o efeito da defasagem espacial que age
fortemente sobre a matriz de variância-covariância (Ω) (ANSELIN, 1988b; ANSELIN e
BERA, 1998). Posto isto, cabe agora identifica a especificação dos modelos error
espacial e lag espacial, de tal sorte que venham acomodar a influência dos referidos
efeitos.
5.1 Modelo Error Espacial
Esta primeira especificação contempla que a natureza do processo espacial
autoregressivo está presente no termo de erro i , conforme descrito na equação (4), sob
a forma da equação a seguir:
ii
iii
uWI
uW
1 (5)
Onde, λ é um escalar chamado de coeficiente autoregressivo do error espacial, o termo
,0~ Nui segue uma distribuição normal com média zero e variância constante.
Substituindo a equação (5) na equação (4) obtém-se a forma funcional de regressão com
efeito error espacial:
iti
ti
ktiuWIy
y
y 1
,
,
,lnln (6)
Note que a matriz de pesos espaciais (W) adotada na especificação acima é a mesma
matriz de contigüidade utilizada no cálculo de I de Moran. Assim, se λ assumir uma
valor nulo, então não existe autocorrelação espacial nos erros da regressão. Mas,
segundo Rey e Montouri (1999), quando λ assumir um valor não-nulo um choque
ocorrido em uma determinada localidade geográfica se espalha não só pelos seus
vizinhos imediatos, mas também por todas as outras unidades. Este tipo de dependência
espacial poderia ser resultante do efeito não-modelado que não fossem aleatoriamente
distribuídos pelo espaço.
14
5.2 Modelo Lag Espacial
Nesta segunda especificação, a natureza da autocorrelação espacial é considerada como
sendo gerada a partir da interação entre os agentes das diversas localidades geográficas.
Neste caso, a natureza da defasagem espacial reside essencialmente num erro de medida
associado à variável independente; logo, o modelo apropriado para controlar o efeito da
defasagem espacial é especificado da seguinte forma:
i
ti
kti
ti
ti
ktiu
y
yWy
y
y
,
,
,
,
,lnlnln (7)
Onde, o ρ é um escalar conhecido como coeficiente auto-regressivo de defasagem
espacial. Este coeficiente expressa o efeito da defasagem espacial observado sobre a
variável de interesse de uma dada localidade, quando ocorrem movimentações sobre a
taxa de crescimento de regiões vizinhas. A rigor, o coeficiente de defasagem espacial
deve assumir 0 , indicando existência de autocorrelação positiva. Alternativamente,
a especificação descrita em (7) pode ainda ser expressa por:
iti
ti
ktiuWIyWI
y
y 1
,
1
,
,lnln
(8)
Observe na equação (8) que o efeito da defasagem afeta espacialmente a taxa de
crescimento da variável de interesse. Este efeito é causado pela combinação de dois
componentes; o primeiro configura-se num componente não-estocástico, enquanto o
segundo segue uma distribuição .,0~ Nui
5.3 Modelo Cross-Regressive Espacial
Seguindo Rey e Montouri (1999) cabe mencionar ainda outra possibilidade, a de que o
efeito transbordamento espacial seja provocado pela defasagem espacial da variável de
interesse no ano tomado como base. Assim, a formalização do modelo segue a seguinte
especificação:
ititi
ti
ktiuyWy
y
y,,
,
,lnlnln (9)
No qual τ é chamado de coeficiente de transbordamento espacial, o termo Wln(yt)
expressa o processo de defasagem espacial da variável de interesse no ano base e o
termo ui é o termo de erro bem comportado já conhecido.
Ainda segundo os autores acima, o coeficiente τ captura o efeito transbordamento
defasado que é traduzido sob a forma de média da variável de interesse no ano inicial,
onde este fenômeno deriva da relação de dependência espacial entre localidades
vizinhas.
5.4 Resultados Empíricos dos Modelos β-convergência com Efeitos Espaciais
Antes de seguir com a apresentação dos resultados, convêm definir um formato para os
modelos empíricos, no qual buscam expressar o comportamento da taxa de crescimento
15
da produtividade média agrícola da lavoura temporária e permanente, derivados da
seção anterior.
Modelo de Crescimento da Produtividade Média da Lavoura Temporária.
MSE(LT): iii uWIpmeltypmelt
1
95,)05/95(, (10)
MSL(LT): iii uWIpmeltWIypmelt
1
95,
1
)05/95(, (11)
MSC(LT): iiii upmeltWpmeltypmelt95,95,)05/95(, (12)
Modelo de Crescimento da Produtividade Média da Lavoura Permanente.
MSE(LP): iii uWIpmelpypmelp
1
95,)05/95(, (13)
MSL(LP): iii uWIpmelpWIypmelp
1
95,
1
)05/95(, (14)
MSC(LP): iiii upmelpWpmelpypmelp95,95,)05/95(, (15)
Onde, )05/95(,iypmelt e
)05/95(,iypmelp são as taxas de crescimento da produtividade média
das lavouras temporárias e permanentes, calculadas para o município i no período de
1995-2005, respectivamente, e, )05/95(,ipmelt e
)05/95(,ipmelp são os logaritmos da
produtividade média das lavouras temporárias e permanentes, calculadas para o
município i a partir da razão entre o valor real da produção e a área plantada,
respectivamente.
A fim de identificar a melhor especificação do modelo β-convergência os
procedimentos adotados aqui seguem o proposto por Florax, Folmer e Rey (2003) no
qual propõem a estimação em dois estágios: no primeiro, estima-se o modelo clássico
de análise de regressão (OLS) e testa-se a hipótese nula de ausência de autocorrelação
espacial, tipo error e/ou lag, por meio do valor do Multiplicador de Lagrange para o
modelo lag espacial (LMlag) e o Multiplicador de Lagrange para o modelo error espacial
(LMerr). Caso ambos os testes não sejam estatisticamente significantes, então o modelo
clássico é o mais apropriado, todavia, caso ambos sejam significantes, então segue-se ao
segundo estágio e ópta-se pelo modelo mais significativo, de acordo com a versão
robusta dos testes denotados por: LMRlag para o Multiplicador de Lagrange Robusto
definindo o modelo lag espacial e LMRerr para o Multiplicador de Lagrange Robusto
definindo o modelo error espacial. Caso, LMRlag > LMRerr, então o modelo lag espacial
é o mais apropriado. Caso contrário, se LMRerr > LMRlag, então o modelo error espacial
é o mais indicado.
A evidência de convergência está associada com o sinal negativo obtido nas estimativas
dos parâmetros β. Em outras palavras, diz-se que a convergência da produtividade
ocorre entre as economias caso a taxa de crescimento da produtividade de uma
economia dita mais pobre cresce mais rapidamente que a taxa de crescimento da
produtividade de outra economia relativamente mais rica. Neste sentido, a velocidade de
convergência ψ calculada para o steady-state é dada por:
k
1ln
(16)
Seguindo os procedimentos propostos por Florax, Folmer e Rey (2003) estimou-se o
modelo (1) que representa a hipótese de convergência incondicional. Cabe lembrar que
o objetivo do primeiro estágio é verificar se existem evidências de autocorrelação
16
espacial sobre a distribuição da produtividade agrícola, e com isso, sobre o processo de
convergência tipo β.
Tabela 2: Teste de Especificação de Modelo de Dependência Espacial
MODELO CLÁSSICO – OLS
CULTURAS I de Moran LM-error LMR-error LM-lag LMR-lag
TEMPORÁRIA 0.2984 182.167* 168.597** 26.391* 12.822*
[0.0000] [0.0000] [0.0000] [0.0003]
PERMANENTE 0.2004 82.173* 24.794** 58.513* 1.133*
[0.0000] [0.0000] [0.0000] [0.2870]
TESTES JB BP White
TEMPORÁRIA 319.710 7.911 25.004
[0.0000] [0.0049] [0.0000]
PERMANENTE 64.590 25.396 65.074
[0.0000] [0.0000] [0.0000]
Fonte: Resultado da pesquisa.
H0: ausência de heterocedasticidade.
Valores entre colchetes representam a probabilidade.
* Significante a menos que 0.1% de probabilidade de erro.
** Representa a melhor especificação de modelo.
Os resultados expostos na tabela acima revelam a influência da autocorrelação espacial
sobre o comportamento da taxa de crescimento da produtividade média das lavouras
temporária e permanente, onde a constatação pode ser obtida averiguando-se a
significância estatística dos valores dos testes LMerr e LMlag. Todavia, depois de
confirmado a influência da autocorrelação espacial sobre a distribuição da
produtividade, faz-se necessário agora, definir o modelo que melhor acomoda a
autocerrelação espacial. Dito isto, os resultados revelam, sobretudo, a importância
estatística do valor obtido para o Multiplicador de Lagrange Robusto (LMRerr)
indicando, portanto, que o modelo error espacial é o mais apropriado para representar
as variações e os impactos resultantes da relação de dependência espacial observada
entre os agentes econômicos de alguns municípios da Amazônia Legal (conforme
exposto na seção 3.2). Dando seguimento à análise, os procedimentos conduzem à
estimação dos modelos error espacial e lag espacial, conforme se observa na tabela a
seguir.
17
Tabela 3: Resultados das Estimativas dos Modelos Econométricos – Produtividade
Média da Lavoura Temporária e Permanente
ESTIMADOR: MÁXIMA VEROSSIMILHANÇA – VM
MODELOS
COEF. MSE(LT) MSL(LT) MSC(LT) MSE(LP) MSL(LP) MSC(LP)
0.1848* 0.1290* 0.1911* 0.5848* 0.4332* 0.6041*
(0.029) (0.024) (0.019) (0.037) (0.033) (0.025)
-0.7279* -0.6525* -0.7375* -0.5390* -0.4729* -0.5385*
(0.019) (0.021) (0.021) (0.036) (0.034) (0.040)
0.5105* 0.3750*
(0.042) (0.048) 0.1649* 0.3125*
(0.032) (0.045)
0.0865* 0.0455
(0.024) (0.042) 0.0547 0.0502 0.0429 0.0387 0.0574 0.0431
TESTES
BP 2.1371 2.5906 31.454 51.493 90.561 63.300
[0.143] [0.107] [0.000] [0.000] [0.000] [0.000]
AIC 650.78 759.92 771.78 1492.31 1508.32 1554.64
SC 660.07 773.93 785.72 1501.60 1522.26 1568.57
Fonte: Resultado da pesquisa.
Valores entre parênteses e colchetes representam o desvio padrão e probabilidade, respectivamente.
* Significante a 0.1% de probabilidade de erro.
O conjunto de testes apresentados é útil para identificar a influência e a natureza da
autocorrelação espacial e alertar para a presença de problemas como a heterogeneidade
espacial que refletem a instabilidade estrutural dos parâmetros ou ainda, sugere erro de
especificação da forma funcional do modelo.
O primeiro ponto a ser elencado refere-se à significância estatística e o sinal do
parâmetro β, pois todos os modelos corroboram com a existência de um processo de
convergência da produtividade média lavoura temporária, bem como da lavoura
permanente. Ademais, quase todos os parâmetros se apresentam significantes e
diferentes de zero.
Entretanto, existem dois pontos que devem ser ressaltados e diz respeito aos modelos
associados à lavoura temporária, sobretudo o modelo error espacial. O primeiro ponto
requer maior atenção e refere-se sobre a identificação do problema da
heterocedasticidade presente nos dados, conforme verificado no teste de Breusch-Pagan
(BP). Sob a presença de heterocedasticidade os erros seguem uma distribuição não-
esférica, viesando a matriz de variância-covariância (Ω). Neste caso, os parâmetros dos
modelos (inclusive o β) continuam consistentes e não-viesados, porém tornam-se
ineficientes. A conseqüência prática deste problema diz respeito à instabilidade
estrutural dos parâmetros, isto significa dizer que os coeficientes devem estar variando
dentro de subespaços regionais. A heterogeneidade espacial dos coeficientes pode ser
tratada de diversas maneiras, sendo que talvez a mais simples, consiste em incluir no
modelo dummies sub-regionais, onde expressam que certos subconjuntos de dados têm
uma resposta distinta conforme a região onde o fenômeno se manifesta. O segundo
ponto a ser salientado é de que os erros não seguem uma distribuição normal, este
resultado é corroborado pelo teste Jarque-Bera (JB) (Ver tabela 2). No entanto, isto não
18
se torna um problema em distribuições assintóticas, além disso, o estimador de máxima
verossimilhança (VM) utilizado é robusto para corrigir este problema.
Dito isto, cabe agora fazer algumas considerações a cerca do comportamento da taxa de
crescimento da produtividade média das lavouras temporária e permanente. Como fora
salientado, o modelo error espacial é o mais apropriado para representar o processo β-
convergência em ambas as culturas, este resultado é também corroborado pelos valores
dos critérios de informação de Akaike (AIC) e de Schwarzs (SC) apresentados na tabela
a cima.
Bem verdade que a confirmação da hipótese de β-convergência revela que existe um
processo de redução da assimetria quanto à distribuição espacial da produtividade média
destas culturas. Sob este enfoque (e.g. BAUMOL,1986), destaca-se o papel do nível
inicial (1995) da produtividade média, no qual se constitui como fator de determinação
do processo de convergência.
Foi calculada ainda a velocidade de convergência rumo ao steady-state para a
produtividade média de ambas as culturas, no período de 1995-2005. Então, ao se
comparar a velocidade de convergência ( ) calculada a partir dos parâmetros (β´s),
obtidos através do modelo indicado (error espacial) e de acordo com o observado na
equação (16), conclui-se que a taxa de crescimento da produtividade média da lavoura
temporária cresce aproximadamente a ordem de 5,47% ao ano, enquanto que a
velocidade de convergência calculada para a taxa de crescimento da produtividade
média da lavoura permanente é de 3,87% ao ano. Portanto, dada as condições iniciais e
considerando que choques estruturais não afetem o sistema dinâmico do processo de
transição, estima-se que seria necessário aproximadamente 13 e 18 anos para se
completar a metade do processo de transição da produtividade média referente às
lavouras temporária e permanente, respectivamente.9
Contudo, o processo de convergência é estimulado pela relação de dependência espacial
observada em alguns grupos de municípios (clusters). Esta dependência espacial é
fortalecida pelo efeito defasado de choques aleatórios que afetam, a princípio, o centro
do sistema dinâmico (aqueles grupos de municípios que apresentam os maiores níveis
de produtividade), e posteriormente, estes efeitos se difundem espacialmente através das
localidades vizinhas. Isto significa dizer que, tanto a lavoura temporária quanto a
lavoura permanente sofrem mais a influência dos choques exógenos do que os choques
determinados pela própria variável endógena.
Outro ponto que merece destaque confere a existência de uma variedade de modelos de
interação social que introduz dependência entre os agentes econômicos num sistema,
tais como processo de difusão tecnológica ou de imitação (ANSELIN, 1998). Cabe
notar que este tipo de fenômeno é de comum ocorrência na agricultura, uma vez que a
maioria dos produtores tem certa facilidade de observar e copiar determinados padrões
de produção com vistas a otimizar a utilização dos recursos.
Por fim, identificou-se a existência de efeitos transbordamentos espaciais (spillovers)
somente da produtividade média da lavoura temporária. Tal fato é corroborado pela
significância estatística do parâmetro ( ) associado ao modelo (12). De certo modo,
este resultado já era esperado, pois de modo geral, as culturas associadas à lavoura
9 O tempo necessário para completar a metade do processo de transição rumo ao stedy-state é obtido pela
formula 2/1exp t . Onde, é a velocidade de convergência já conhecida e o t é o tempo
necessário para completar a metade do processo de transição. Maiores informações consulte Barro e
Sala-i-Martin (1985).c
19
permanente são as que menos incorporam ao processo de produção incrementos
tecnológicos, pelo contrário, essas lavouras apresentam padrões de produção
caracterizada por elevada defasagem tecnológica e vasta concentração de fatores
imóveis (como terra e força de trabalho). Barro (1997) realizou teste econométricos e
concluiu sobre a existência de fatores que são capazes de contribuir para os
desequilíbrios regionais, destacando-se entre esses a fração do estoque de capital
(inclusive o capital humano) que não é móvel. O autor destaca que a velocidade de
convergência aumenta com o aumento da mobilidade de capital e, permanece com
pequeno alcance quando se aumenta a fração do capital que não é móvel.
6. Conclusão
O artigo proporciona evidências sobre a evolução da produtividade das lavouras
permanente e temporária na Amazônia Legal a nível municipal, aplicando-se uma
análise do grau de convergência β. No período de 1995 a 2005, o estudo apresenta
evidências em favor da existência de convergência absoluta da produtividade agrícola
para ambas as culturas. Isto sugere que a produtividade agrícola municipal das culturas
está convergindo para a média, porém com velocidades diferentes, 5,47 para lavoura
temporária e 3,87 para lavouras permanentes.
Desta forma, vale ressaltar quais as implicações desse resultado para economia da
região e, principalmente, em qual proporção tal constatação pode influenciar o setor
agrícola regional no longo prazo.
Ao observar uma convergência diferenciada para a produtividade média agrícola para as
culturas temporária e permanente evidencia-se que a disparidade relacionada à
produtividade média agrícola da região, está diminuindo, mas de forma diferenciada
durante os anos.
Portanto, a mensuração da β convergência no presente artigo pode ser tomada com
grande importância, com relação a região da Amazônia Legal, sob vários aspectos,
dentre eles: i) a incorporação de efeitos espaciais explícitos no modelo; ou seja, mensura
a convergência do setor agrícola, levando em conta a interação dos municípios com seu
entorno, e ii) em contraste com a grande maioria dos trabalhos, a utilização da
produtividade como variável de convergência em detrimento da variável renda per
capita.
Os resultados obtidos aqui são importantes, mas a definição por um modelo error
espacial revela as influências dos choques exógenos sobre a taxa de crescimento da
produtividade de ambas as lavouras, bem como mitiga a influência de outros fatores
determinantes para o processo de convergência. Portanto, não se descartam a
necessidade de outras análises, como por exemplo, análise de -convergência bem
como análise de clubes de convergência, incorporando outras variáveis explicativas tais
como capital físico, capital humano e variáveis ambientais; variáveis estas peculiares à
região.
20
7. Bibliografia Consultada
ALMEIDA, E. S. Lei de Verdoorn Local Para a Agricultura. Anais do XXXV Encontro
Nacional de Economia – ANPEC, Recife-PE, 2007. <Disponível em:
http://www.anpec.org.br/encontro_2007.htm> Acesso em 08/07/2008.
ALMEIDA, E. S. e HADDAD, E. A. MEECA: Um Modelo Econométrico Espacial
Para Projeção Consistente de Culturas Agropecuárias. 2003 <Disponível em:
http://www.econ.fea.usp.br/nereus/td%5CNereus_02_03.pdf> Acesso em 26/07/2008.
ALMEIDA, E.S.; PEROBELLI, F.S. e FERREIRA, P.G.C. Existe Convergência
Espacial da Produtividade Agrícola no Brasil? Revista de Economia e Sociologia
Rural, V.46, N° 01, jan/mar, pp.31-52, 2008.
ANSELIN, L. Spatial Econometrics: Methods and Model, Kluwer Academic
Publishers: Dordrecht, Netherlands, Boston-MA, 1988b.
ANSELIN, L. The Moran Scatterplot as an Explanatory Spatial Data Analysis: tool to
assess local instability in spatial association, in Fischer M.M., Scholten H.J. and Unwin
D. (eds) Spatial Analytical Perspectives on GIS. London UK, 1996.
ANSELIN, L. Interactive Techniques an Explanatory Spatial Data Analysis, in Longley
P.A. Goodchild M.F., Maguire D.J. and Rhind D.W. (eds) Geographical Information
Systems: Principles, Techniques, Management and Applications, John Wiler and Sons.
New York, 1999.
ANSELIN, L. Spatial Econometrics, In Baltagi B. (eds). A Companion to Theoretical
Econometrics, Basil Blackwell, Oxford, UK, 2001b.
ANSELIN, L. and BERA, A. Spatial Dependence in Linear Regression Models with an
Introduction to Spatial Econometrics, In: A. Ullah and D. Giles (eds), Handbook of
Applied Economic Statistics, New York: Marcel Dekker, 1998.
ANSELIN, L.; FLORAX, R.J.G.M. and REY, S.J. Advances in Spatial Econometrics:
Methodology, Tools and Applications. Springer, Urbana, Amsterdam, San Diego, 2004.
ARBIA, G. and PIRAS, G. Convergence in per-capita GDP across European regions
using panel data models extended to spatial autocorrelation effects. ERSA Conference,
Porto, 2004.
BARRO, R.J. Economic Growth in a cross-section of countries, Quarterly Journal of
Economics, vol. 54: 325-338, 1991.
BARRO, R.J. Determinants of Economic Growth: A Cross-Country Empirical Study.
MIT Press, Cambrige-MA, 1997.
BARRO, R. J. and SALA-I-MARTIN, X. Economic Growth, McGraw-Hill, New York,
1995.
BAUMOL, W. J. Productivity Growth, Convergence, and Welfare: What The Long-Run
Data Show. The Americ Economic Review, v. 76, nº 5, 1986.
BAUMOL, W.J. and WOLFF, E. N. Productivity Growth, Convergence, and Welfare:
Reply. The Americ Economic Review, v. 78, nº 5, p. 1155-1159, 1988.
CLIFF, A. and ORD J.K. Spatial Processes: Models and Applications, Pion, London,
UK, 1981.
21
DE LONG, J. B. Productivity Growth, Convergence, and Welfare: Comment. The
Americ Economic Review, v. 78, nº 5, p. 1138-1154, 1988.
DURLAUF, S. N. and JOHNSON, P. Multiple Regimes and Cross-country Growth
Behaviour. Journal of Applied Econometrics, v. 10, nº 4, pp. 365-384, 1995.
FINGLETON, B. The new economic geography versus urban economics: an evaluation
using local wage rates in Great Britain. Oxford Economic Papers 58(3), pp. 501 – 530,
2006.
FINGLETON, B. and LÓPEZ-BAZO, E. Empirical growth models with spatial effects.
Papers in Regional Science, vol. 85, n. 2, p. 177-198, 2006.
FLORAX, R.J.G.M.; FOLMER, H. and REY, S.J. Specification searches in spatial
econometrics: The relevance of Hendry´s methodology, Regional Science and Urban
Econometrics, vol. 33, p. 557-579, 2003.
GALOR, O. Convergence? Inferences from Theoretical Model. Economic Journal, vol.
106, p. 1056-1080, 1996.
GASQUES, J. G. and VILLA VERDE, C. M. Gastos Públicos na Agricultura,
Evolução e Mudanças.Texto para Discussão nº 948, IPEA, abril, pp. 1-31, 2003.
LOPES, J. L. Avaliação do processo de convergência da produtividade da terra na
agricultura brasileira no período de 1960 a 2001. Tese de Doutorado, ESALQ/USP,
2004. (mimeo).
LÓPEZ-BAZO, E.; VAYÁ, E.; MORA, A.J. and SURIÑACH, J. Regional economic
dynamics and convergence in the European Union. Annals of Regional Science 33, p.
343-370, 1999.
LUNDBERG, J. Using Spatial Econometrics to Analyze Local Growth in Sweden.”
ERSA Conference, Porto, 2004.
MAGALHÃES, A.M. Clubes de Convergência no Brasil: Uma Abordagem de
Correção Espacial. Anais do XXIX Encontro Nacional de Economia – ANPEC,
Salvador-BA, 2001. <Disponível em: http://www.anpec.org.br/encontro_2001.htm>
Acesso em 13/03/2008.
MARTINHO, V. J. P. Análise dos efeitos espaciais na produtividade sectorial entre as
regiões portuguesas. Documento de Trabalho n. 30, Centro de Estudos da União
Européia, Universidade de Coimbra, 2005.
MONASTERIO, L. M.; e ÁVILA, R. P. Uma Análise Espacial do Crescimento
Econômico do Rio Grande do Sul (1939 a 2001). <Disponível em:
http://www.anpec.org.br/revista/vol5/vol5n2p269_296.pdf > Acesso em 27/07/2008.
NIEBUHR, A. Convergence and the Effects of Spatial Interaction. HWWA Discussion
Paper 110, Hamburg, 2001.
PEROBELLI, F.S.; ALMEIDA, E.S.; ALVIM, M.I.S.A. and FERREIRA, P.G.C.
Produtividade do setor agrícola brasileiro (1991-2003): uma análise espacial. Nova
econ. [online]. 2007, v. 17, n. 1, pp. 65-91. ISSN 0103-6351
QUAH, D.T. Empirical cross-section dynamic in economic growth, European
Economic Review, vol. 37, p. 426-434, 1993.
QUAH, D. T. Regional Convergence Clusters Across Europe. European Economic
Review, vol. 40, p. 951-958, 1996.
22
RAPPAPORT, J. Local Growth Empirics. CID Working Paper, N° 23, Harvard
University, 1999.
REY, S.J. and MONTOURI, B.D. U.S. regional income convergence: A spatial
econometric perspective, Regional Studies, vol. 33: 143-156, 1999.
RODRÍGUEZ-POSE, A. Convergence or Divergence? Types of Regional Responses to
Socioeconomic Change. Journal of Economic and Social Geograhy 90, p. 363-378,
1999.
SANDBERG, K. Growth of GRP in Chinese Provinces: A Test for Spatial Spillovers.
ERSA Conference, Porto, 2004.
SOLOW, R. M. A Contribution to the Theory of Economic Growth. Quarterly Journal of
Economics, 70:65-94, 1956.
UPTON, G.J. and FINGLETON, B. Spatial Data Analysis by Example I, John Wiley
and Sons, New York-NY, 1985.