ads:
UNIVERSIDADE ESTADUAL PAULISTA
FACULDADE DE CIÊNCIAS E LETRAS
PROGRAMA DE PÓS-GRADUAÇÃO EM ECONOMIA
RUDOLPH F. A. P. TEIXEIRA
AMAZÔNIA LEGAL E O ESTADO DE MATO
GROSSO: DOIS ENSAIOS SOBRE O
PROCESSO DE CONVERGÊNCIA ESPACIAL
PARA O DESMATAMENTO
Araraquara,
Agosto de 2010
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
UNIVERSIDADE ESTADUAL PAULISTA
FACULDADE DE CIÊNCIAS E LETRAS
PROGRAMA DE PÓS-GRADUAÇÃO EM ECONOMIA
RUDOLPH F. A. P. TEIXEIRA
AMAZÔNIA LEGAL E O ESTADO DE MATO
GROSSO: DOIS ENSAIOS SOBRE O
PROCESSO DE CONVERGÊNCIA ESPACIAL
PARA O DESMATAMENTO
Dissertação de Mestrado apresentada ao
Programa de Pós-Graduação em Economia da
Universidade Estadual Paulista, como requisito
parcial para obtenção do grau de Mestre.
Linha de Pesquisa: Economia do Meio Ambiente
Orientadora: Prof(a) Dra. Luciana Togeiro de Almeida
Araraquara,
Agosto de 2010
ads:
RUDOLPH F. A. P. TEIXEIRA
AMAZÔNIA LEGAL E O ESTADO DE MATO
GROSSO: DOIS ENSAIOS SOBRE O
PROCESSO DE CONVERGÊNCIA ESPACIAL
PARA O DESMATAMENTO
Dissertação de Mestrado apresentada ao Programa de Pós-Graduação em Economia da
Universidade Estadual Paulista, como requisito parcial para obtenção do grau de Mestre.
Banca Examinadora
Data de Aprovação:
______________________________________________
Prof(a). Dra. Luciana Togeiro de Almeida (Orientadora)
Universidade Estadual Paulista
______________________________________________
Prof. Dr. Alexandre Sartoris Neto
Universidade Estadual Paulista
______________________________________________
Prof. Dr. Eduardo Paulon Girardi
Universidade Federal de Mato Grosso
Araraquara,
Agosto de 2010
AGRADECIMENTOS
Ao Curso de Mestrado em Economia da Universidade Estadual Paulista (UNESP), por ter
proporcionado a oportunidade de realização dessa dissertação.
A CAPES, importante órgão de fomento a pesquisa em nosso país, pela bolsa de estudos
concedida.
A minha orientadora Prof(a) Dra. Luciana Togeiro de Almeida, que sempre acreditou na
qualidade do trabalho.
Ao Prof. Dr. Eduardo Paulon Girardi, da Universidade Federal de Mato Grosso, pelos
valiosos comentários sobre a realidade do estado mato-grossense.
Ao Prof. Dr. Alexandre Sartoris, pelos ensinamentos e conselhos na elaboração dos
modelos econométricos.
Ao Prof. Dr. Mario Augusto Bertella, pela amizade e inúmeras sugestões de melhoria.
Ao meu irmão Jonathan Ayres F. A. P. Teixeira, pelo grande auxílio prestado na confecção
e formatação dos mapas.
Ao meu pai Ayres Pedrosa Teixeira, pelos inúmeros auxílios indiretos.
RESUMO
Com o crescimento econômico das nações e a ampliação dos setores primário, secundário e
terciário, questões sobre o processo de degradação ambiental passaram a receber cada vez
mais atenção da sociedade. Uma das questões mais relevantes diz respeito ao
desmatamento de biomas que contêm vasta biodiversidade animal, vegetal e mineral. A
Amazônia Legal brasileira, a área “verde” mais importante do planeta, vem sofrendo um
forte processo desmatamento desde a década de 1970, principalmente pela rápida expansão
da agricultura, da pecuária e da extração madeireira. Entretanto, independentemente dos
fatores responsáveis pelo desmatamento, um processo que aqui foi investigado é a
convergência do desmatamento. Ou seja, buscou-se verificar se localidades com elevadas
taxas de desmatamento em um período inicial estão convergindo ao longo do tempo para
níveis similares ao de localidades com menor grau de desmatamento. Para tanto, foi feita
uma análise sobre o processo de desmatamento não só da Amazônia Legal brasileira, como
também do estado de Mato Grosso. Isso se justifica pelo fato desse estado possuir mais de
um terço dos municípios com os maiores valores de “desmatamento acumulado” no Brasil,
de acordo com o governo federal. No primeiro ensaio foram utilizados dados sobre o
desmatamento em 783 municípios da Amazônia Legal brasileira durante o período 2000-
2008. Por sua vez, o segundo ensaio fez uso de dados sobre o desmatamento em 139
municípios de Mato Grosso para o mesmo período citado anteriormente. Através do
ferramental da econometria espacial realizou-se inicialmente uma Análise Exploratória de
Dados Espaciais (AEDE) que detectou a presença de autocorrelação espacial entre as taxas
de desmatamentos dos municípios das referidas localidades. Dessa forma, pode-se
considerar que o desmatamento não segue um processo aleatório tanto na Amazônia como
um todo, quanto no estado de Mato Grosso. Após isso, foram estimados alguns modelos de
β convergência, indicando que o modelo de defasagem espacial é o que fornece melhores
resultados para a Amazônia brasileira, enquanto o modelo de erro espacial é o que sugere
os resultados mais robustos para o estado mato-grossense. Contudo, mesmo o coeficiente β
sendo estatisticamente significativo para todos os modelos, ele apresenta sinal positivo,
mostrando que não ocorre convergência e, sim, incremento das disparidades regionais no
processo de desmatamento das duas regiões estudadas.
Palavras-chave: Amazônia Legal; Mato Grosso; desmatamento; econometria espacial; β
convergência.
ABSTRACT
Arising from the economic growth of nations and the expansion of primary, secondary and
tertiary sectors, issues related to the process of environmental degradation have been
catching increasing attention from society. One of the most relevant issues refers to the
deforestation of vast biodiversity biomes containing animal, vegetable and mineral. The
Brazilian Legal Amazon, the most important "green" area of the planet is experiencing a
strong deforestation process since the 1970s, mainly due to the rapid expansion of
agriculture, ranching and logging. However, regardless of the factors responsible for
deforestation, here it was investigated the convergence of deforestation. That is, we sought
to determine whether cities with high rates of deforestation in an initial period are
converging over time to levels similar to that of cities with lower levels of deforestation.
So, this study presents an analysis on the process of deforestation in the Brazilian Legal
Amazon and in the Mato Grosso state. This is justified by the fact that this state
concentrates more than one third of the most deforested cities in Brazil, according to the
records of “accumulated deforestation” provided by the federal government. In the first trial
we used data on deforestation in 783 municipalities in the Brazilian Legal Amazon during
the period 2000-2008. In turn, the second test made use of data on deforestation in 139
municipalities of Mato Grosso to the same time period. Through the tools of spatial
econometrics held an initial Exploratory Spatial Data Analysis (ESDA) that detected the
presence of spatial autocorrelation between the rates of deforestation of the municipalities
in those locations. Thus, one can consider that deforestation does not follow a random
process neither in the Legal Amazon as a whole nor in the state of Mato Grosso. Then,
some models of β convergence were estimated, indicating that the spatial lag model
provides the best results for the Brazilian Amazon, while the spatial error model leads to
more robust results to the state of Mato Grosso. Despite of the fact that coefficient β is
statistically significant for all models, it has positive sign, showing that convergence does
not occur and, yes, increasing regional disparities in the process of deforestation in both
regions studied.
Keywords: Legal Amazon, Mato Grosso, deforestation, spatial econometrics; β
convergence.
SUMÁRIO
INTRODUÇÃO 13
1. A AMAZÔNIA LEGAL BRASILEIRA E O ESTADO DE MATO GROSSO 18
1.1. CARACTERÍSTICAS SÓCIO-ECONÔMICAS DOS ESTADOS DA AMAZÔNIA LEGAL 18
1.2. CARACTERIZAÇÃO DO PROCESSO DE DESMATAMENTO NA AMAZÔNIA LEGAL 22
1.2.1. A Pecuária na Amazônia Legal 24
1.2.2. A Soja na Amazônia Legal 28
1.2.3. Exploração da Madeira na Amazônia Legal 31
1.2.4. Demais Fatores Explicativos do Processo de Desmatamento na Amazônia Legal 34
1.3. CARACTERIZAÇÃO DO PROCESSO DE DESMATAMENTO EM MATO GROSSO 36
1.3.1. Pecuária em Mato Grosso 39
1.3.2. Soja em Mato Grosso 41
1.3.3. Extração Madeireira em Mato Grosso 43
2. METODOLOGIA PARA O TESTE DA CONVERGÊNCIA ESPACIAL DO
DESMATAMENTO 47
2.1. CONVERGÊNCIA 47
2.2. ECONOMETRIA ESPACIAL: CONCEITOS BÁSICOS 51
2.3. PRINCIPAIS MODELOS DE ECONOMETRIA ESPACIAL 53
2.4. ANÁLISE EXPLORATÓRIA DE DADOS ESPACIAIS (AEDE) 58
2.4.1. Autocorrelação Espacial Global 60
2.4.2. Autocorrelação Espacial Local 61
2.4.3. Diagrama de Dispersão de Moran 62
2.4.4. Indicadores Locais de Associação Espacial (LISA) 64
2.4.5. Matriz de Pesos Espaciais 65
2.5. CONVERGÊNCIA ESPACIAL 66
2.5.1. Modelo de Erro Espacial 68
2.5.2. Modelo de Defasagem Espacial 69
3. BASE DE DADOS 71
3.1. DADOS SOBRE A AMAZÔNIA LEGAL 72
3.2. DADOS SOBRE MATO GROSSO 78
4. RESULTADOS PARA A AMAZÔNIA LEGAL 85
4.1. RESULTADOS DA (AEDE) PARA A AMAZÔNIA LEGAL 85
4.1.1. Autocorrelação Espacial Global 86
4.1.2. Diagrama de Dispersão de Moran 89
4.2. RESULTADOS DA CONVERGÊNCIA ESPACIAL PARA A AMAZÔNIA LEGAL 99
5. RESULTADOS PARA O ESTADO DE MATO GROSSO 106
5.1. RESULTADOS DA (AEDE) PARA O ESTADO DE MATO GROSSO 106
5.1.1. Autocorrelação Espacial Global 107
5.1.2. Diagrama de Dispersão de Moran 110
5.1.3. Indicadores Locais de Associação Espacial – LISA 114
5.2. RESULTADOS DA CONVERGÊNCIA ESPACIAL PARA O ESTADO DE MATO GROSSO 119
6. CONSIDERAÇÕES FINAIS 124
7. REFERÊNCIAS 129
ANEXO – INDICADORES LISA PARA OS MUNICÍPIOS DA AMAZÔNIA 136
LISTA DE FIGURAS
FIGURA 1. REPRESENTAÇÃO GRÁFICA DA INTERAÇÃO ESPACIAL 52
FIGURA 2. PROCESSO DE DEFASAGEM COM ERRO AUTO-REGRESSIVO 54
FIGURA 3. PROCESSO DE DEFASAGEM ESPACIAL 55
FIGURA 4. PROCESSO DE ERRO AUTO-REGRESSIVO ESPACIAL 56
FIGURA 5. DIAGRAMA DE DISPERSÃO DE MORAN 63
FIGURA 6. DIAGRAMA DE DISPERSÃO DE MORAN PARA A TAXA DE
DESMATAMENTO NA AMAZÔNIA LEGAL NO PERÍODO 2000 – 2008 90
FIGURA 7. DIAGRAMA DE DISPERSÃO DE MORAN PARA A TAXA DE
DESMATAMENTO NA AMAZÔNIA LEGAL NO PERÍODO 2000 – 2003 91
FIGURA 8. DIAGRAMA DE DISPERSÃO DE MORAN PARA A TAXA DE
DESMATAMENTO NA AMAZÔNIA LEGAL NO PERÍODO 2004 – 2008 92
FIGURA 9. DIAGRAMA DE DISPERSÃO DE MORAN PARA A TAXA DE
DESMATAMENTO EM MATO GROSSO NO PERÍODO 2000 – 2008 111
FIGURA 10. DIAGRAMA DE DISPERSÃO DE MORAN PARA A TAXA DE
DESMATAMENTO EM MATO GROSSO NO PERÍODO 2000 – 2003 112
FIGURA 11. DIAGRAMA DE DISPERSÃO DE MORAN PARA A TAXA DE
DESMATAMENTO EM MATO GROSSO NO PERÍODO 2004 – 2008 113
LISTA DE FOTOS
FOTO 1. ATIVIDADE PECUÁRIA NA AMAZÔNIA LEGAL 25
FOTO 2. ÁREA NA AMAZÔNIA LEGAL SENDO PREPARADA PARA O CULTIVO
DA SOJA 29
FOTO 3. TORAS DE MADEIRA EM UMA SERRARIA NA REGIÃO AMAZÔNICA
32
LISTA DE GRÁFICOS
GRÁFICO 1. DESPESA COM GESTÃO AMBIENTAL NA AMAZÔNIA LEGAL 73
GRÁFICO 2. DESPESA COM GESTÃO AMBIENTAL NO ESTADO DE MATO
GROSSO 79
LISTA DE MAPAS
MAPA 1. AMAZÔNIA LEGAL BRASILEIRA 19
MAPA 2. MUNICÍPIOS COM REBANHOS BOVINOS NA AMAZÔNIA LEGAL EM
1990 E 2008 26
MAPA 3. MUNICÍPIOS COM PLANTAÇÕES DE SOJA NA AMAZÔNIA LEGAL EM
1990 E 2008 30
MAPA 4. MUNICÍPIOS QUE EXTRAIAM MADEIRA NA AMAZÔNIA LEGAL EM
1990 E 2008 33
MAPA 5. RODOVIAS PRESENTES NO ESTADO DE MATO GROSSO 38
MAPA 6. MUNICÍPIOS COM REBANHOS BOVINOS NO ESTADO DE MATO
GROSSO EM 1990 E 2008 40
MAPA 7. MUNICÍPIOS COM PLANTAÇÕES DE SOJA NO ESTADO DE MATO
GROSSO EM 1990 E 2008 42
MAPA 8. MUNICÍPIOS QUE EXTRAIAM MADEIRA NO ESTADO DE MATO
GROSSO EM 1990 E 2008 45
MAPA 9. LOCALIZAÇÃO ESPACIAL DOS MUNICÍPIOS CONSIDERADOS
CRÍTICOS NO DESMATAMENTO DA AMAZÔNIA LEGAL 75
MAPA 10. LOCALIZAÇÃO ESPACIAL DOS MUNICÍPIOS DA AMAZÔNIA LEGAL
COM MAIOR VARIAÇÃO PERCENTUAL DE DESMATAMENTO DURANTE O
PERÍODO 2000-2008 77
MAPA 11. LOCALIZAÇÃO ESPACIAL DOS MUNICÍPIOS CONSIDERADOS
CRÍTICOS NO DESMATAMENTO DO ESTADO DE MATO GROSSO 81
MAPA 12. LOCALIZAÇÃO ESPACIAL DOS MUNICÍPIOS DE MATO GROSSO COM
MAIOR VARIAÇÃO PERCENTUAL DE DESMATAMENTO DURANTE O PERÍODO
2000 – 2008 83
MAPA 13. CLUSTERS PARA A TAXA DE DESMATAMENTO NA AMAZÔNIA
LEGAL NO PERÍODO 2000 – 2008 93
MAPA 14. CLUSTERS PARA A TAXA DE DESMATAMENTO NA AMAZÔNIA
LEGAL NO PERÍODO 2000 – 2003 95
MAPA 15. CLUSTERS PARA A TAXA DE DESMATAMENTO NA AMAZÔNIA
LEGAL NO PERÍODO 2004 – 2008 97
MAPA 16. CLUSTERS PARA A TAXA DE DESMATAMENTO EM MATO GROSSO
NO PERÍODO 2000 – 2008 114
MAPA 17. CLUSTERS PARA A TAXA DE DESMATAMENTO EM MATO GROSSO
NO PERÍODO 2000 – 2003 116
MAPA 18. CLUSTERS PARA A TAXA DE DESMATAMENTO EM MATO GROSSO
NO PERÍODO 2004 – 2008 118
LISTA DE QUADROS
QUADRO 1. LISTA DO GOVERNO FEDERAL COM OS MUNICÍPIOS
CONSIDERADOS CRÍTICOS NO DESMATAMENTO DA AMAZÔNIA LEGAL 74
QUADRO 2. MUNICÍPIOS DA AMAZÔNIA LEGAL COM MAIOR VARIAÇÃO
PERCENTUAL DE DESMATAMENTO DURANTE O PERÍODO 2000 – 2008 76
QUADRO 3. MUNICÍPIOS DE MATO GROSSO COM MAIOR VARIAÇÃO
PERCENTUAL DE DESMATAMENTO DURANTE O PERÍODO 2000 – 2008 82
LISTA DE TABELAS
TABELA 1. EVOLUÇÃO POPULACIONAL NOS ESTADOS DA AMAZÔNIA LEGAL
20
TABELA 2. PIB PER CAPITA NOS ESTADOS DA AMAZÔNIA LEGAL (em mil reais
de 2000) 21
TABELA 3. ESTATÍSTICA I DE MORAN GLOBAL PARA A TAXA DE
DESMATAMENTO NA AMAZÔNIA LEGAL DURANTE O PERÍODO 2000 – 2008
86
TABELA 4. ESTATÍSTICA c DE GEARY GLOBAL PARA A TAXA DE
DESMATAMENTO NA AMAZÔNIA LEGAL DURANTE O PERÍODO 2000 – 2008
88
TABELA 5. MODELO TRADICIONAL PARA A AMAZÔNIA LEGAL DURANTE OS
SUB-PERÍODOS 2000 – 2003, 2004 – 2008 E PARA O PERÍODO 2000 – 2008 100
TABELA 6. MODELOS DE DEFASAGEM ESPACIAL PARA AMAZÔNIA LEGAL
DURANTE O PERÍODO 2000 – 2008 102
TABELA 7. MODELOS DE DEFASAGEM ESPACIAL PARA AMAZÔNIA LEGAL
DURANTE OS SUB-PERÍODOS 2000 – 2003 E 2004 – 2008 103
TABELA 8. ESTATÍSTICA I DE MORAN GLOBAL PARA A TAXA DE
DESMATAMENTO NO ESTADO DE MATO GROSSO DURANTE O PERÍODO 2000
– 2008 107
TABELA 9. ESTATÍSTICA c DE GEARY GLOBAL PARA A TAXA DE
DESMATAMENTO NO ESTADO DE MATO GROSSO DURANTE O PERÍODO 2000
– 2008 109
TABELA 10. MODELO TRADICIONAL PARA O ESTADO DE MATO GROSSO
DURANTE OS SUB-PERÍODOS 2000 – 2003, 2004 – 2008 E PARA O PERÍODO 2000 –
2008 120
TABELA 11. MODELOS DE ERRO – ESPACIAL PARA O ESTADO DE MATO
GROSSO DURANTE OS SUB-PERÍODOS 2000 – 2003, 2004 – 2008 E PARA O
PERÍODO 2000 – 2008 122
INTRODUÇÃO
A teoria econômica tradicional postula que os países possuem diferenças entre seus
estoques de fatores produtivos, o que explica porque as nações alcançam distintos níveis de
renda e qualidade de vida. No entanto, essas disparidades tendem a se reduzir ao longo do
tempo, via lei das vantagens comparativas, indicando que todos os países alcançariam
patamares bem próximos de produto, ou seja, o chamado estado estacionário – steady state.
Em outras palavras, as nações mais pobres primeiro cresceriam a taxas menores que as
mais ricas, contudo, com o decorrer do tempo, as primeiras passariam a crescer a taxas
maiores que as segundas, sugerindo que todos os países convergiriam para uma renda
comum (BAUMOL, 1986; BARRO & SALA-I-MARTIN, 1991; 1992).
Com base nesse pressuposto, inúmeros trabalhos, com diferentes técnicas
econométricas foram elaborados para verificar a hipótese de convergência, não somente da
variável renda, mas também de variáveis que pudessem estar diretamente ligadas a esta,
como a produtividade do trabalho e a produtividade agrícola. Utilizando dados não só para
os países, mas para estados, municípios ou outras regiões, muitos autores procuraram
encontrar o devido respaldo empírico para a teoria da convergência.
Brock & Taylor (2004) afirmam que o processo de convergência também seria
observado quando mensurado por indicadores de degradação ambiental. O trabalho de
Grossman & Krueger (1991) foi um dos primeiros a buscar evidências empíricas de uma
possível relação entre degradação ambiental e crescimento econômico. Os autores se
utilizaram de uma amostra cross-country de três tipos de poluentes (dióxido de enxofre,
fumaça e partículas suspensas), localizados em áreas urbanas de 42 países, juntamente com
14
o PIB per capita (e seu termo ao quadrado) apurado nos mesmos. Considerando o dióxido
de enxofre e a fumaça, encontrou-se uma relação na forma de “U” invertido com a renda
per capita. Isto é, em baixos níveis de renda, a degradação do meio ambiente aumentaria
com o crescimento do PIB per capita até certo limite (ponto de máximo) e, a partir daí,
com o crescimento persistente do produto, os níveis de degradação passariam a declinar.
Por sua vez, para o montante de partículas suspensas, a relação com a renda mostrou-se
monotonicamente decrescente. A relação encontrada para os dois primeiros tipos de
poluentes foi batizada de Curva de Kuznets Ambiental – CKA.
As regiões analisadas passariam por distintos estágios de desenvolvimento,
orientadas pela força de mercado e por mudanças institucionais. No primeiro estágio,
marcado por uma transição de uma economia agrícola para uma industrializada, o
crescimento econômico implicaria em uma pressão cada vez maior sobre o meio ambiente,
como resultado da ampliação do parque industrial. O estágio seguinte seria caracterizado
pela maturação da sociedade e da infra-estrutura industrial, tendo em vista que, com as
atividades básicas sendo atendidas, o crescimento de setores menos intensivos em recursos
e poluição passaria a ser prioritário. As melhorias tecnológicas começariam a mitigar o
montante de matérias-primas e energia utilizado no processo produtivo, bem como a
geração de resíduos e demais rejeitos. No último estágio de desenvolvimento, ocorreria o
de-linking, isto é, o fim de qualquer relação entre o crescimento econômico e pressões
ambientais (GROSSMAN & KRUEGER, 1995; SELDEN & SONG, 1994; SHAFIK &
BANDYOPADHYAY, 1992).
Na visão de Panayotou (1997), os diferentes canais do crescimento econômico
podem influenciar a qualidade ambiental. Ao sublinhar os efeitos “puros” da renda, o autor
associa a redução da poluição a movimentos de oferta e demanda. Pelo lado da demanda,
ao vigorarem baixos níveis de renda, as pessoas estariam mais preocupadas em saciar suas
necessidades mais básicas, como alimentação, vestuário e moradia. No momento que um
nível de renda superior fosse atingido, as pessoas começariam a demandar uma maior
qualidade ambiental, como resposta a uma situação de prosperidade material. Do lado da
oferta, um baixo nível de renda, sugere que uma região, um país, um estado, ou mesmo um
município, não teria condições de investir na preservação do meio ambiente, mesmo que
existisse demanda. Em uma região próspera, o investimento em infra-estrutura ambiental,
15
novas tecnologias e instituições reguladoras é muito mais presente. Assim, o crescimento
econômico não somente acarretaria em uma ampliação da demanda por qualidade
ambiental, mas também forneceria recursos para suprir tal procura.
A relação expressa pela CKA está diretamente ligada à hipótese da convergência e
vice-versa. Ao se investigar o processo de convergência entre algumas localidades de uma
determinada região, é possível saber em qual segmento da CKA essas se encontram. Se
houver indícios de convergência, as áreas mais pobres estariam reduzindo seus indicadores
de degradação mais rápido que as áreas mais ricas, sugerindo que a região como um todo
estaria apresentando uma melhora ambiental (parte descendente da CKA). Por sua vez, caso
exista indicação de divergência, as disparidades regionais estariam se ampliando, revelando
que a degradação ambiental aumentaria a taxas decrescentes (parte ascendente da CKA)
(BROCK & TAYLOR, 2004).
Uma região que se tornou foco das atenções de ambientalistas, sociólogos,
economistas, biólogos, geógrafos, e demais pesquisadores do mundo todo, é a Amazônia
brasileira. O intenso processo de desmatamento tem levado à contínua destruição, não só
das florestas (incluindo floresta densa e floresta rasteira), mas também de todo o bioma
pertencente a esta região, acarretando enormes prejuízos ambientais, sociais e econômicos
(REIS & GUZMÁN, 1992).
Os impactos ambientais provocados pelo desmatamento estão ligados a perda de
biodiversidade, exposição do solo a erosão, perda das funções da floresta na ciclagem
d’água e no armazenamento de carbono, além do efeito estufa. As perdas pelo lado social
se referem ao aumento no número de doenças respiratórias, em decorrência do incremento
na liberação de gases poluentes, perda e destruição de parcela das reservas indígenas,
devido à instalação de hidrelétricas, e contaminação das populações (por exemplo,
ribeirinhos, indígenas e seringueiros) pela ingestão de elevadas quantidades de mercúrio,
presentes tanto nos rios, pela atividade de garimpeiros, quanto nas represas das grandes
hidrelétricas (FARLEY, 1998; FEARNSIDE, 2003).
Já os custos econômicos, dizem respeito aos serviços ambientais inexplorados ou
sub-explorados comercialmente na floresta, tais como: venda insignificante de frutas
nativas, futuras descobertas de fármacos provenientes de plantas, insetos e animais,
necessidade de manutenção da diversidade genética, do solo e do clima, créditos de
16
carbono, ecoturismo, receitas governamentais provenientes de multas, e por fim, o valor da
biodiversidade, isto é, o pagamento espontâneo realizado por qualquer pessoa do mundo,
destinado a manutenção da floresta (FARLEY, 1998; FEARNSIDE, 1997).
Como o desmatamento do bioma amazônico gera enormes impactos ambientais,
avaliar uma possível incidência de convergência para este processo nessa região é de suma
importância na orientação de futuras políticas públicas ambientais. O trabalho de Santos et
al. (2008) verificou a hipótese da CKA para 782 municípios da Amazônia Legal.
Utilizando como variável dependente a área desmatada em hectares, e como variável
explicativa o PIB per capita e seu termo quadrático, foi testada empiricamente, através de
dados em painel, a relação entre crescimento econômico e degradação ambiental. As
evidências apontaram para a existência de uma CKA na região.
De modo similar, Oliveira (2009) procura investigar a mesma relação através de
dados em painel com dependência espacial para 782 municípios durante o período 2001 –
2006. Adotando o incremento da área anual desmatada como variável explicada, e o PIB
per capita, seu termo quadrático, seu termo cúbico, o rebanho bovino, as áreas plantadas de
soja e cana-de-açúcar, a extração de madeira e produtos não-madeireiros, a silvicultura, a
densidade populacional, o crédito rural e a área de floresta no período anterior, como
variáveis independentes, pode-se corroborar a ocorrência de uma CKA na Amazônia.
Dessa forma, resta verificar em qual segmento desta curva se encontram os
municípios dessa localidade como um todo. Caso ocorra convergência, isso indicaria que
municípios com maiores taxas de desmatamento estariam reduzindo essa variável de forma
mais acelerada que municípios com menores taxas para a mesma. Por sua vez, uma situação
oposta forneceria indícios de divergência.
O objetivo central deste trabalho é exatamente verificar a hipótese da convergência
(ou β convergência) do desmatamento entre os municípios da Amazônia, tendo em vista a
enorme importância ambiental dessa região para o ecossistema global. Ainda dentro desse
objetivo, também pretende-se investigar a mesma hipótese para o caso de Mato Grosso.
Isso se justifica porque, segundo o governo federal brasileiro, este estado é o campeão do
desmatamento acumulado. Ou seja, qualquer mudança nas taxas de desmatamento dessa
localidade pode impactar de maneira negativa ou positiva em todo bioma amazônico.
17
Ao analisar uma possível convergência nessas duas regiões, busca-se saber se os
municípios da Amazônia e do estado de Mato Grosso, de forma geral, estão atingindo
níveis mais elevados de crescimento econômico, o que geraria uma espécie de “proteção
automática” sobre esses ecossistemas.
Como objetivos secundários podem-se apontar: a) estudar o arranjo espacial dos
principais fatores responsáveis pelo desmatamento na Amazônia e em Mato Grosso; b)
analisar a distribuição espacial das taxas de desmatamento nessas localidades e; c) verificar
a formação de possíveis clusters de desmatamento para os municípios dessas regiões.
Nesse aspecto, antes da realização de qualquer tipo de abordagem econométrica
mais sofisticada, é relevante investigar alguns aspectos sócio-econômicos, assim como
quais são as principais causas apontadas pela literatura sobre o processo de desmatamento
nessas duas áreas. Ambos os temas, serão abordados a seguir.
18
1. A AMAZÔNIA LEGAL BRASILEIRA E O ESTADO DE MATO GROSSO
1.1. CARACTERÍSTICAS SÓCIO-ECONÔMICAS DOS ESTADOS DA
AMAZÔNIA LEGAL
Em termos administrativos, a Amazônia Legal brasileira é composta por todos os
estados da região norte do Brasil, ou seja, Acre (AC), Amazonas (AM), Amapá (AP), Pará
(PA), Roraima (RR), Rondônia (RO) e Tocantins (TO), além do estado de Mato Grosso
(MT), pertencente à região centro-oeste, e do estado do Maranhão (MA), pertencente à
região nordeste, sendo representada por um total de 805 municípios, correspondendo a uma
área superior a 5 milhões de km² (FEARNSIDE, 2003; ARAÚJO & MELO, 2008). O mapa
1 mostra os estados pertencentes à Amazônia Legal brasileira.
19
MAPA 1. AMAZÔNIA LEGAL BRASILEIRA
Fonte: Elaboração do autor
Muitas vezes o território amazônico é avaliado através de uma definição político-
administrativa que excluí parcela da região leste do Maranhão, como pode ser visualizado
pelo traço vertical que corta o estado, no mapa 1. Por essa definição, a Amazônia brasileira
passa a ser denominada Amazônia Legal brasileira.
Nesse estudo, a Amazônia Legal será considerada não pela sua definição político-
administrativa, mas sim, pela sua formação geográfica tradicional. Isto se justifica, porque
o bioma da porção leste do Maranhão possui as mesmas características de outras regiões da
Amazônia (INPE, 2009).
Nos últimos anos a população dos estados pertencentes à Amazônia Legal tem
crescido consistentemente, principalmente por esta ser uma região de fluxos migratórios
recentes. A tabela 1 mostra a expansão populacional nesses estados, em termos absolutos,
para os anos de 1990, 1995, 2000 e 2005.
20
TABELA 1. EVOLUÇÃO POPULACIONAL NOS ESTADOS DA
AMAZÔNIA LEGAL
Estado/Ano
1990
1995
2000
2005
Acre - AC 416.744 484.067 558.658 636.258
Amazonas - AM 2.097.608 2.452.136 2.832.439 3.228.083
Amapá - AP
288.442
370.098
466.932
567.689
Maranhão - MA
4.922.436
5.308.527
5.697.960
6.103.072
Mato Grosso - MT 2.019.793 2.277.477 2.535.105 2.803.105
Pará - PA 4.937.113 5.615.529 6.289.920 6.991.422
Rondônia - RO
1.127.321
1.308.133
1.446.851
1.591.135
Roraima - RR
216.424
275.409
333.568
394.080
Tocantins - TO
918.348
1.030.552
1.157.324
1.289.195
Amazônia Legal
16.944.229
19.121.928
21.318.757
23.604.039
Brasil
146.592.579
158.874.963
171.279.882
183.383.216
Fonte: Elaboração do autor com base em IPEA (2009).
Como pode ser visualizada na tabela 1, a população dos estados que fazem parte da
Amazônia tem crescido sistematicamente ao longo dos últimos 16 anos. Em outras
palavras, a região amazônica tem apresentado incremento populacional persistente, para
todos os seus estados. Isso também pode ser corroborado pela taxa de crescimento
populacional no período 1990-2005 que foi de: 96,8% para o Amapá, 82,1% para Roraima,
53,9% para o Amazonas, 52,7% para o Acre, 41,6% para o Pará, 41,1% para Rondônia,
40,4% para o Tocantins, 38,8% para o Mato Grosso e 24% para o Maranhão.
Por sua vez, no mesmo período, a população brasileira cresceu 25,1% e a Amazônia
Legal, como um todo, incrementou-se em 39,3%. Ou seja, de todos os estados que
compõem a Amazônia brasileira, somente o Maranhão obteve uma taxa de crescimento
populacional inferior à média brasileira, indicando que aquelas localidades têm sido objeto
de dois fenômenos: taxas de natalidade elevadas e fluxos migratórios positivos líquidos,
como já havia constatado Fearnside (2003).
Outro aspecto, diz respeito ao comportamento do produto per capita nos estados da
região amazônica, onde se observa uma dinâmica bem mais heterogênea. Utilizando-se,
novamente, de dados coletados para os anos de 1990, 1995, 2000 e 2005, a tabela 2 mostra
o comportamento dessa variável.
21
TABELA 2. PIB PER CAPITA NOS ESTADOS DA AMAZÔNIA LEGAL
(em mil reais de 2000)
Estado/Ano
1990
1995
2000
2005
Acre - AC 3,04 3,06 3,05 4,22
Amazonas - AM 7,91 6,7 6,66 6,5
Amapá - AP
5,08
4,8
4,22
4,62
Maranhão - MA
1,49
1,44
1,62
2,62
Mato Grosso - MT 3,75 4,32 5,3 8,42
Pará - PA 3,8 3,26 3,01 3,54
Rondônia - RO
3,93
3,54
3,89
5,29
Roraima - RR
4,67
2,59
3,35
5,12
Tocantins - TO
1,58
1,77
2,12
4,37
Amazônia Legal
3,92
3,50
3,69
4,97
Brasil
6,25
6,15
6,43
7,35
Fonte: Elaboração do autor com base em IPEA (2009).
Pelos dados dessa tabela, pode-se verificar que o PIB per capita nos estados de
Mato Grosso e Tocantins cresce de forma persistente nos anos analisados. No Acre, essa
dinâmica se mostra relativamente estável para os primeiros três períodos, ampliando-se
destacadamente em 2005. No Maranhão, os dois primeiros períodos também apresentam
estabilidade, com o incremento da renda per capita se dando continuamente nos dois
períodos seguintes. Já os estados de Rondônia e Roraima obtiveram decréscimos para essa
variável de 1990 para 1995, mas daí em diante o produto per capita passa a expandir-se.
Por fim, os estados do Pará e do Amapá apresentaram retração desse indicador de 1990 a
2000, com uma posterior recuperação em 2005.
Ao se considerar o crescimento percentual do PIB per capita de 1990 a 2005,
constata-se, mais uma vez, a heterogeneidade da renda na Amazônia brasileira. Nesse
período de tempo Tocantins elevou sua renda per capita em 176,6%, Mato Grosso em
124,5%, Maranhão em 75,8%, Acre em 38,8%, Rondônia em 34,6% e Roraima em 9,6%.
Contudo, os demais estados apresentaram decréscimos para essa variável, com o Pará
reduzindo seu produto per capita em -6,8%, Amapá em -9,1% e o Amazonas em -17,8%.
Para se ter uma base de comparação, nessa mesma época o PIB per capita brasileiro
incrementou-se 17,6% e a mesma variável elevou-se em 26,8% na Amazônia Legal como
um todo.
22
É interessante notar que o único estado da região amazônica a possuir um PIB per
capita superior à média nacional, de R$ 7,35 mil em 2005, é Mato Grosso, com R$ 8,42
mil. Mesmo alguns estados da Amazônia tendo forte crescimento percentual para essa
variável, ainda assim, a região encontra-se aquém de suas possibilidades de ampliação do
produto, com exceção do referido estado.
Dentre as atividades econômicas da Amazônia brasileira, destacam-se a pecuária, a
soja, e a extração de madeira (SANTOS et al., 2008). Dados do SIDRA – Sistema IBGE de
Recuperação Automática mostram que de 1990 a 2008 o rebanho bovino na Amazônia
cresceu de 25,7 para 73,3 milhões de cabeças, um incremento médio de 5,51% ao ano, já a
área plantada de soja expandiu-se de 1,6 milhão de hectares, em 1990, para 6,1 milhões de
hectares em 2008, configurando um aumento médio de 7,34% ao ano. Por fim, em 1990
foram extraídos 83,6 milhões de metros cúbicos de madeira em tora, enquanto em 2008
esse valor reduziu-se para 11,6 milhões, configurando um forte decréscimo de -9,85% ao
ano
1
.
Nesse sentido, como as principais atividades econômicas da Amazônia estão
ligadas ao setor primário, a terra mostra-se fundamental para o crescimento econômico da
região. Apesar da abundância desse fator produtivo, a maior parte das terras “disponíveis”
para ampliação dessas atividades encontra-se em áreas de floresta rasteira e, mormente, de
floresta densa. A única maneira de se conseguir na região mais madeira, mais terra para
atividades agropecuárias, ou ambos, é através do processo de desmatamento, que será mais
bem estudado a seguir.
1.2. CARACTERIZAÇÃO DO PROCESSO DE DESMATAMENTO NA
AMAZÔNIA LEGAL
O desflorestamento em áreas de floresta nativa está ocorrendo em função do
incremento das áreas voltadas para a pastagem e a agricultura, com a Amazônia
1
A extração madeireira refere-se aos dados oficiais, que divergem do volume realmente extraído na região.
Essa questão será melhor explicada na sub-seção 1.2.3.
23
concentrando cerca de 33,9% da produção nacional de soja e algo em torno de 33,2% do
rebanho bovino brasileiro. Atividades extrativistas também contribuem para o processo de
desmatamento: o total de toras de madeiras exploradas pelos estados da Amazônia
correspondem a 81,4% da produção nacional e cerca de 13,5% da produção mineral do país
é extraída da região (GOMES & BRAGA, 2008).
Evidentemente, com o desenvolvimento dessa região, os problemas relacionados ao
desmatamento têm se agravado, trazendo não somente preocupações nacionais, mas
também mundiais. De acordo com Fearnside (2005b), o índice de desmatamento da
Amazônia brasileira é mensurado em termos de “Bélgicas”, já que a perda anual de floresta
corresponde à área total deste país (30,5 mil km²). Por sua vez, a soma acumulada
desmatada desde 1970 equivale a uma área superior a 700 mil km², ou algo
aproximadamente equivalente à soma dos territórios da França (547 mil km²), Portugal (92
mil km²) e Holanda (41,5 mil km²) (GREENPEACE, 2009).
Geist & Lambin (2001) fizeram um levantamento de 152 estudos de caso nacionais
acerca das forças que atuam positivamente sobre o desmatamento, classificando-as em três
diferentes categorias: a) causas agregadas primárias (diretas) e relacionadas - expansão da
agricultura, extração da madeira e expansão da infra-estrutura; b) forças direcionais
subjacentes, que incluem elementos de natureza demográfica, econômicos, institucionais,
culturais e político-sociais; c) um terceiro grupo de fatores heterogêneos e que não guardam
necessariamente relação entre si, como por exemplo, pré-disposição ambiental, forças
biofísicas e eventos aleatórios de natureza social.
O desmatamento da Amazônia Legal brasileira se enquadra dentro das três
categorias citadas, entretanto, as causas agregadas primárias e relacionadas predominam
para a maioria dos pesquisadores sobre o tema. Muitos enfatizam que a atividade pecuária
(MARGULIS, 2003; WALKER, MORAN & ANSELIN, 2000), a plantação da soja
(FEARNSIDE, 1999), a extração madeireira (FEARNSIDE, 2003), ou todos esses fatores
somados e mais alguns (FEARNSIDE, 1997; GOMES & BRAGA, 2008) são os grandes
responsáveis pelo desmatamento da referida região. Destarte, cada um deles será discutido
separadamente nas próximas três subseções.
24
1.2.1. A Pecuária na Amazônia Legal
No início da década de 1970, a atividade pecuária na região amazônica era apontada
como predatória e responsável pela intensificação do processo de desertificação. Ela só
seria lucrativa, eventualmente, em decorrência do baixo preço de aquisição da terra,
subsidiada pela Superintendência para o Desenvolvimento da Amazônia - SUDAM. Além
disso, a venda da madeira extraída na própria área auxiliaria a prover recursos para pagar o
custo da terra, o desmatamento, a queimada, a plantação da pastagem e, ainda, a aquisição
do gado necessário para iniciar o rebanho (FEARNSIDE, 2003).
Segundo Schneider et al. (2000), até meados da década de 1980 a pecuária não tinha
desempenho financeiro satisfatório com o uso da tecnologia tradicional. Ela só seria
lucrativa se houvessem incentivos fiscais, ganhos especulativos com a terra, ou uma
favorável relação preço do gado/insumos.
Contudo, Margulis (2003) afirma que a visão tradicional em torno da rentabilidade
da pecuária na Amazônia é extremamente pessimista, tendo em vista a incrível expansão
dessa atividade na região desde a década de 1970. Para esse autor, a criação de gado na
região amazônica se mostra rentável e segura, principalmente, porque:
a) O gado é uma forma de garantir a posse da terra;
b) Comparativamente à agricultura, principalmente as culturas temporárias, o
risco da atividade é baixíssimo em termos de mercado, de comercialização, de
preço dos produtos, das condições climáticas e de pragas;
c) Também em relação à agricultura, a pecuária demanda menores
investimentos iniciais e apresenta retornos em menor período de tempo;
d) O gado é uma forma de capital líquido, facilmente transacionável;
e) O transporte do gado, da carne ou do leite, é relativamente simples;
f) A atividade possui baixíssima demanda por mão-de-obra;
g) A pecuária é ótima para “tapear” todo tipo de fiscalização (ao contrário da
terra plantada);
25
h) No caso dos pequenos pecuaristas, existem benefícios indiretos, de outros
produtos animais como a tração, a adubação, além do possível comércio com os
grandes produtores;
i) No caso dos grandes pecuaristas, existe a questão social atrelada ao poder
político e cultural que exerce um grande produtor rural.
Outro ponto que corrobora a visão de Margulis (2003) refere-se às mudanças
técnicas e institucionais sofridas pela região. Enquanto os incentivos fiscais à pecuária
diminuíram nos últimos anos, adaptações tecnológicas e gerenciais a condições geo-
ecológicas em áreas de pastagens consolidadas na Amazônia Oriental têm permitido o
aumento da produtividade e a redução de custos (BRASIL, 2004).
Análises econômicas que indicam uma baixa rentabilidade da pecuária na
Amazônia, ou que sugerem sua viabilidade apenas quando baseada em subsídios ou ganhos
especulativos, vão contra a relação positiva existente entre os desmatamentos e a área
dedicada à criação bovina na região (foto 1). Estima-se que a pecuária seja responsável por
cerca de 80% de toda área desmatada na Amazônia Legal brasileira (BRASIL, 2004;
MARGULIS, 2003).
FOTO 1. ATIVIDADE PECUÁRIA NA AMAZÔNIA LEGAL
Fonte: Greenpeace (2009).
Assim, como forma de se verificar a presença espacial da atividade pecuária na
Amazônia durante o período 1990-2008, foram elaborados alguns mapas cartográficos com
26
o auxílio do programa PHILCARTO e de dados coletados junto ao SIDRA (2009). A
intenção é exatamente investigar se os dados refletem o que diz a literatura.
Uma maneira bastante adequada de se avaliar o comportamento espaço-temporal da
pecuária na região amazônica é através de um mapa de círculos proporcionais concêntricos
em mapa de semicírculos opostos. Por este método, cada variável de interesse é
representada por um semicírculo permitindo comparabilidade (por exemplo, uma mesma
variável pode ser comparada em um período t e em período posterior t+1). De outro modo,
as variáveis investigadas são dadas em termos absolutos por dois semicírculos justapostos
sobre a área do município de interesse (WANIEZ, 2007). No caso, a variável considerada é
o número de bovinos presentes em um determinado município (cabeças de gado). O mapa 2
retrata a quantidade de bovinos em 1990 e em 2008, nos diversos municípios da Amazônia
Legal brasileira, que possuem ocorrências para essa variável.
MAPA 2. MUNICÍPIOS COM REBANHOS BOVINOS NA AMAZÔNIA LEGAL
EM 1990 E 2008
Elaboração do autor com base no programa Philcarto e dados do SIDRA (2009).
27
A construção do mapa de círculos proporcionais concêntricos em mapa de
semicírculos opostos é bem simples de ser interpretado. Quando maior o tamanho do
semicírculo, maior é o rebanho bovino em termos absolutos em um determinado município
da Amazônia. Dessa forma, representou-se o rebanho do ano de 1990 pela cor vermelha, e
o rebanho do ano de 2008 pela cor azul.
Pode-se observar que praticamente todos os estados da região amazônica
apresentaram rebanhos bovinos em 1990, com exceção apenas do estado de Roraima, que
não detinha qualquer município com criação de gado, segundo os dados do SIDRA (2009).
Por outro lado, os estados com a maior quantidade de municípios com a presença de
rebanhos bovinos foram: Mato Grosso, principalmente na sua porção sul; Tocantins, em
grande parcela do estado; Maranhão, com destaque para a região norte e; Pará, nas regiões
nordeste e sudeste.
Já, a maior parte dos municípios que revelaram os maiores valores absolutos para
essa variável, encontravam-se nos estados do Amazonas, porção central; Pará, porção
sudeste; Maranhão, porção norte e; Amapá, com um município também na porção norte.
Com relação ao ano de 2008, é possível constar um forte incremento da atividade
pecuária na Amazônia, se comparado com o ano de 1990. Existe um nítido domínio da
distribuição espacial dos semicírculos de cor azul, indicando que os rebanhos bovinos estão
presentes em todos os estados da Amazônia Legal, bem como, em um número maior de
municípios.
Os estados do Acre, Rondônia, Mato Grosso, Pará, Tocantins e Maranhão são os
que revelaram o maior aumento no número de municípios com rebanhos bovinos de 1990,
para 2008. Esses resultados corroboram e complementam o trabalho de Margulis (2003),
que sugere a pecuária como atividade lucrativa e em plena expansão na Amazônia. Além
disso, a magnitude dessa atividade é fortalecida por dados recentes do IBGE, que relatam a
existência de aproximadamente três cabeças de gado para cada habitante na região
amazônica (GREENPEACE, 2009).
28
1.2.2. A Soja na Amazônia Legal
A expansão das plantações de soja na Amazônia também se apresenta como grave
ameaça à manutenção da floresta. A importância crescente dessa atividade no Brasil
fornece justificativa política para investimentos governamentais em infra-estrutura, tais
como hidrovias, ferrovias e rodovias para o transporte da soja e dos insumos exigidos por
esta (FEARNSIDE, 1999).
A soja é o principal grão brasileiro, sendo o país o segundo maior exportador
mundial. Entre 1990 e 2000, a produção mundial de soja teve um incremento de 64 milhões
de toneladas, com uma tendência crescente de expansão. No mesmo período, a produção
brasileira de soja elevou-se em 247%, enquanto a área plantada aumentou 119% (SOUZA
& PEROBELLI, 2008).
Outro aspecto relevante em relação à soja é a importância da commodity para o
resultado da balança comercial brasileira no período recente. Em 1991, o complexo soja era
responsável por 6,42% do total exportado pelo Brasil, ao passo que no ano de 2006 esse
valor elevou-se suavemente para 6,77%, consolidando a importância desse grão na geração
de divisas para o país (SECEX, 2009).
O avanço das plantações de soja na Amazônia Legal (foto 2) atua de forma
catalítica no processo de desmatamento. Se por um lado, a expansão da área cultivada
pressiona a floresta, por outro os investimentos em infra-estrutura alimentam essa cadeia
gerando um círculo de destruição (FEARNSIDE, 1999).
29
FOTO 2. ÁREA NA AMAZÔNIA LEGAL SENDO PREPARADA PARA O
CULTIVO DA SOJA
Fonte: Fearnside (2005a).
Para avaliar o impacto da soja na região amazônica, mapas cartográficos de círculos
proporcionais concêntricos em mapa de semicírculos opostos foram criados com base em
dados do SIDRA (2009), para os anos de 1990 e 2008. Como as variáveis analisadas são
dadas pelos semicírculos de 1990 e 2008, o resultado revela o impacto da atividade da soja
em municípios da Amazônia Legal que praticavam essa atividade.
O mapa 3 refere-se ao mapa de semicírculos opostos da sojicultura na Amazônia
nos anos de 1990 e 2008. Nota-se, inicialmente, que somente o estado do Amapá, não
apresentou municípios que se dedicavam a sojicultura em nenhum dos dois períodos
investigados.
30
MAPA 3. MUNICÍPIOS COM PLANTAÇÕES DE SOJA NA AMAZÔNIA LEGAL
EM 1990 E 2008
Elaboração do autor com base no programa Philcarto e dados do SIDRA (2009).
Outro ponto a se destacar, refere-se ao reduzido número de municípios que
produziam soja no ano de 1990 na Amazônia Legal. Somente os estados de Rondônia,
Mato Grosso, Tocantins e Maranhão apresentaram valores para essa variável.
Com relação ao ano de 2008, é possível constatar uma forte expansão da atividade
da soja, no estado de Tocantins, com a sojicultura se alastrando de poucos municípios em
1990 para praticamente todo o estado em 2008; no estado do Maranhão, que ampliou essa
atividade em sua região sul, se comparado a 1990; no estado do Pará, com o aparecimento
de alguns municípios com destaque para essa variável no ano de 2008 e; em Mato Grosso,
com o forte incremento dessa atividade em grande parcela desse estado, com essa atividade
se alastrando da região centro-sul em 1990, para a região centro-norte em 2008.
Neste aspecto, segundo Fearnside (2005a), a concentração espacial da cultura da
soja em Mato Grosso, na década de 1990, é reflexo de duas importantes rodovias. A BR-
364 na região centro-oeste, que foi pavimentada em 1982 e reduziu drasticamente os custos
de transporte da soja, a e BR-163 (Cuiabá-Santarém), que mesmo ainda não sendo
31
pavimentada na época, representa a principal ligação entre Mato Grosso e os estados da
região norte do país. A Cuiabá-Santarém passa, inclusive, pelas regiões central e sudeste
desse estado, onde estavam os municípios com os maiores percentuais de suas áreas
dedicadas à sojicultura.
A ampliação do complexo soja em Mato Grosso no início do século XXI deve-se à
pavimentação da parte centro-sul da rodovia BR-163, reduzindo os custos de transporte
para os demais estados (FEARNSIDE, 2005a). Outro ponto relevante refere-se à expansão
da atividade da soja em municípios da porção leste, cortados pela BR-158.
1.2.3. Exploração da Madeira na Amazônia Legal
A retirada da madeira contribui com o desmatamento porque as estradas abertas
pelas madeireiras facilitam a entrada de colonos, grileiros, pecuaristas e fazendeiros, em
regiões até então pouco exploradas. Isto é, além da própria atividade redundar em
desmatamento, o dinheiro proveniente da venda da madeira geralmente é reinvestido em
atividades agropecuárias, estimulando ainda mais a derrubada de florestas (FEARNSIDE,
1999; 2003, MARGULIS, 2003).
Além desses fatores, em muitos casos, a extração da madeira é realizada de forma
intensiva sem práticas de manejo, gerando um expressivo aumento da biomassa seca que
torna a floresta altamente vulnerável à invasão do fogo oriundo de pastagens e roçados em
localidades vizinhas (BRASIL, 2004). O corte da madeira aumenta a inflamabilidade da
floresta, levando a queimadas do sub-bosque que colocam em movimento um ciclo vicioso
de mortalidade das árvores, aumenta à carga de combustível, a reentrada do fogo e, por fim,
a destruição total da floresta (FEARNSIDE, 1999).
De acordo com Fearnside (2003), ao contrário do que os dados indicam, a
exploração madeireira é uma atividade que vem crescendo nas últimas duas décadas na
Amazônia Legal brasileira. A vasta extensão territorial, atrelada à redução das florestas
asiáticas que possuem madeira de qualidade superior, tende ampliar a demanda pela
madeira extraída na floresta amazônica.
32
Ainda, é necessário enfatizar, que os dados de agências oficiais sobre a extração de
madeira na Amazônia devem ser vistos com ressalvas, pois aproximadamente 80% do
volume de toras cortadas na região são ilegais (BRASIL, 2004). Ou seja, os dados
coletados junto ao SIDRA (2009), representam as estimativas oficiais para essa variável,
sendo a única fonte existente para os mesmos. A foto 3 mostra toras de madeira em uma
serraria próxima à Rodovia Cuiabá-Santarém (BR-163).
FOTO 3. TORAS DE MADEIRA EM UMA SERRARIA NA REGIÃO
AMAZÔNICA
Fonte: Fearnside (2005a).
Para se ter uma idéia de como se comporta a distribuição espaço-temporal da
madeira retirada legalmente na Amazônia, foi construído o mapa cartográfico de círculos
proporcionais concêntricos em mapa de semicírculos opostos referente aos anos de 1990 e
2008. Os dados coletados referem-se à quantidade de madeira extraída em metros cúbicos
(m³).
O mapa 4 corresponde ao mapa de semicírculos opostos para a quantidade extraída
de madeira em 1990 (cor vermelha) e 2008 (cor azul).
33
MAPA 4. MUNICÍPIOS QUE EXTRAIAM MADEIRA NA AMAZÔNIA LEGAL
EM 1990 E 2008
Elaboração do autor com base no programa Philcarto e dados do SIDRA (2009).
Como é possível verificar, em 1990, a atividade madeireira se concentrava,
destacadamente, nas porções sul de Mato Grosso, Tocantins e Acre; e nas porções norte do
Maranhão, Amazonas, Rondônia e Pará. Já com relação a 2008, pode-se perceber que a
atividade madeireira expandiu-se fortemente por toda Amazônia Legal em termos de escala
(ou seja, existe uma quantidade maior de municípios que realizam essa atividade em 2008,
se comparado a 1990).
Vale destacar o incremento da extração madeireira em 2008, nos estados de
Rondônia e Mato Grosso, por inúmeras localidades; Tocantins, destacadamente em
municípios da região norte; Maranhão, na região oeste e; Pará, na região leste,
configurando essas localidades como os principais pontos de pressão da floresta Amazônica
pela atividade madeireira.
Deve-se lembrar que o mapa de semicírculos retrata o comportamento espacial da
extração madeireira referente aos dados do SIDRA (2009). Nesse aspecto, como
aproximadamente 80% da madeira cortada na Amazônia é de origem clandestina, esse
34
mapa, apenas fornece indícios sobre a distribuição espaço-temporal dos dados oficiais.
Resultado que provavelmente difere muito da dinâmica real (extração legal somada à
extração ilegal de madeira).
1.2.4. Demais Fatores Explicativos do Processo de Desmatamento na Amazônia Legal
Muitos outros fatores que não a pecuária, a sojicultura e a exploração da madeira
são considerados pela literatura especializada para explicar o processo de desmatamento na
Amazônia brasileira. No entanto, como existem somente poucos dados disponíveis sobre
esses demais fatores, apresenta-se aqui apenas uma pequena revisão de cada, conforme
exposto a seguir:
a)
Concentração Geográfica:
b)
de acordo com alguns estudos, a maior parte do
desmatamento da Amazônia Legal tem se concentrado ao longo de um
“arco” que se estende entre o noroeste do Maranhão, o norte do Tocantins, o
sul do Pará, o norte de Mato Grosso, Rondônia, o sul do Amazonas e o
sudeste do Acre (FEARNSIDE, 2005a).
Áreas Abandonadas ou Sub-Utilizadas: estima-se que mais de 25% da área
total desmatada na região da Amazônia brasileira, em torno de 165 mil km²,
encontram-se abandonadas ou sub-utilizadas. Isso significa que novas áreas
continuam sendo desflorestadas para a expansão de atividades
agropecuárias, mesmo existindo áreas produtivas já abertas, que poderiam
estar sendo utilizadas
2
c)
(BRASIL, 2004).
Grilagem de Terras Públicas:
2
No conjunto dos estados brasileiros, as áreas produtivas não utilizadas em estabelecimentos agropecuários
representam em torno de 4,6% do total. Entre os estados da Amazônia encontram-se percentuais bem mais
elevados, por exemplo, 29,6% no Maranhão, 21% em Mato Grosso, 20% no Pará e 18,9% em Tocantins
(BRASIL, 2004).
esse processo é responsável por transformar
floresta nativa (terras públicas) em terras tituladas e legalizadas para a
produção agropecuária. Inicialmente os direitos de propriedade são
assegurados com a ocupação física da terra. Em um segundo momento, os
35
títulos de propriedade são reconhecidos em cartório. No último estágio, com
a posse legal do terreno, os posseiros ou grileiros vendem suas terras a
fazendeiros de médio e grande porte (MARGULIS, 2003).
d)
Obras de Infra-Estrutura: as informações existentes não são muito precisas,
mas sabe-se que grande parcela do desmatamento realizado até 2000, entre
75% e 86%, ocorreu dentro de uma faixa de 50 km de cada lado das
rodovias da região
3
e)
(FEARNSIDE 2003; BRASIL, 2004).
Assentamentos Rurais:
f)
ao longo das últimas décadas a região amazônica tem
sido priorizada pelo governo federal para a criação de assentamentos rurais.
O INCRA – Instituto Nacional de Colonização e Reforma Agrária, e demais
órgãos fundiários estaduais têm criado assentamentos em locais isolados,
desconsiderando características físicas como aptidão agrícola, topografia,
drenagem, flora e fauna, além da existência de populações nativas como
povos indígenas, seringueiros, castanheiros, e ribeirinhos. Muitos dos
assentados, em condições precárias de sobrevivência, vendem suas terras
para grandes madeireiros, pecuaristas ou colonos bem sucedidos, e voltam a
fazer parte do MST – Movimento dos Trabalhadores Sem Terra, em busca
de novas terras em outros assentamentos (FEARNSIDE, 1999).
Desmatamento Ilegal em Propriedades Privadas:
g)
parcela considerável do
desmatamento em propriedades privadas tem ocorrido em áreas de Reserva
Legal, matas ciliares (ao longo de rios e igarapés) e nas encostas de morros e
serras, isto é, áreas legalmente protegidas pelo Código Florestal (BRASIL,
2004).
Desmatamento e Uso do Fogo:
Todos esses fatores listados, junto com a pecuária, a sojicultura e a exploração da
madeira são considerados como explicativos para o processo de desmatamento na
Amazônia. No entanto, independentemente do motivo que acarrete o desmatamento,
de maneira geral, existe uma relação linear
positiva entre queimadas e desmatamentos, refletindo o uso do fogo na
“limpeza” do terreno para atividades agropecuárias e de grilagem
(FEARNSIDE, 2003).
3
Para Margulis (2003), as estradas não podem ser consideradas causas do desmatamento, e sim,
conseqüências do alto potencial da agropecuária na região amazônica.
36
existem localidades que possuem valores mais elevados para essa variável. De outra
maneira, ocorre uma certa concentração espacial do desmatamento.
De acordo com o governo federal, o estado de Mato Grosso é o que apresenta os
maiores valores para o desmatamento acumulado em toda a Amazônia Legal brasileira,
sendo indicado como o principal responsável pela destruição da floresta amazônica e do
cerrado brasileiro. Nesse aspecto, estudar os fatores explicativos do desmatamento nessa
região é de suma importância, não somente para a conservação da biodiversidade do
próprio estado, como também de toda Amazônia. A próxima seção se preocupa exatamente
em abordar esses aspectos.
1.3. CARACTERIZAÇÃO DO PROCESSO DE DESMATAMENTO EM MATO
GROSSO
O estado de Mato Grosso é o campeão do desmatamento acumulado, com uma
proporção de aproximadamente 36% do total desmatado na Amazônia brasileira.
Estimativas mostram que entre 1988 e 2008 foram desmatados 135 mil km² somente nesse
estado, o que configura uma situação tida como alarmante (PPCDMT, 2009).
Em decorrência, estudos como o de Ferreira et al. (2008) trabalharam a construção
de cenários extremos, onde, mantidas as taxas de desmatamento do período 2003-2004, o
estado de Mato Grosso contaria em 2020 com menos de 23% da cobertura florestal
original, enquanto em 2033, essa mesma parcela seria reduzida para cerca de 10%.
No entanto, é importante frisar que o processo de desmatamento é complexo, e as
origens apontadas pela literatura geral sobre o tema parecem se refletir plenamente no
estado mato-grossense. A sustentação econômica do estado está fortemente atrelada à
agropecuária das grandes propriedades. Nas últimas três décadas o estado apresentou
crescimento extraordinário nesse setor, mormente pela expansão da área cultivada, da área
destinada à pecuária, da produção global e da produtividade. Este desempenho só foi
possível graças a uma sensível transformação da base técnico-produtiva, antes alicerçada
37
em sistemas tradicionais, que foi alterada para sistemas de produção amparada em
tecnologia (PPCDMT, 2009).
Destarte, como consequência da evolução tecnológica e do aumento dos preços das
commodities no mercado internacional, a área plantada de soja em Mato Grosso cresceu de
1,5 para 5,5 milhões de hectares entre 1990 e 2008, um incremento médio de 7,1% ao ano.
Paralelamente, o rebanho bovino do estado entre 1990 e 2008 sofreu um incremento de 9
para cerca de 26 milhões de cabeças de gado, mantendo um ritmo de crescimento médio de
aproximadamente 5,7% ao ano. Por sua vez, a extração de madeira em tora apresentou
crescimento mais modesto, elevando-se de 16,8 mil de metros cúbicos em 1990 para 20,2
mil metros cúbicos em 2008, um aumento médio de 0,97% ao ano (SIDRA, 2009).
Micol, Andrade e Börner (2008) destacam que além da conversão de florestas e
cerrados em áreas voltadas ao agronegócio, nota-se também a conversão de áreas de
pastagens em campos agrícolas no centro-norte do estado, bem como um deslocamento da
pecuária para novas fronteiras no extremo norte e noroeste, contribuindo para o incremento
do desmatamento em novas regiões.
Existe quase um consenso sobre a atividade pecuária como a principal responsável
pelo processo de desmatamento em Mato Grosso. Contudo, o aumento da exploração
predatória da madeira, juntamente com o incremento das plantações de soja em distintas
localidades próximas as rodovias da região, tem auxiliado no processo de desmatamento. O
mapa 5 contem as rodovias que cortam o estado.
38
MAPA 5. RODOVIAS PRESENTES NO ESTADO DE MATO GROSSO
Fonte: DNIT (2010).
Inúmeros estudos relatam a presença das rodovias como catalisadoras na
degradação do bioma desse estado. Segundo Fearnside (2005a), a pecuária e o cultivo da
soja tendem a se desenvolver no entorno da rodovia Cuibá-Santarém (BR-163),
principalmente pelo clima favorável e pela facilidade em se escoar a produção.
Por outro lado, o estudo elaborado pelo PPCDMT (2009) mostra que não somente a
BR-163, mas também, a BR-158 e a BR-070 concentram em sua volta a maior parte dos
rebanhos bovinos e das plantações de soja do estado, caracterizando essas localidades como
verdadeiros focos de desmatamento.
O baixo custo de oportunidade próximo às rodovias, bem como as condições
favoráveis para o desenvolvimento do pasto e do plantio da soja, são fatores determinantes
para a expansão do desmatamento em Mato Grosso. Nesse aspecto, é importante se avaliar
como o impacto da pecuária, da sojicultura e da exploração madeireira num contexto
espacial atrelado às rodovias, pode ser decisivo para a destruição das florestas desse estado.
39
1.3.1. Pecuária em Mato Grosso
As principais áreas de expansão e consolidação da produção pecuária no bioma de
Mato Grosso encontram-se em quatro grandes núcleos, que estão presentes tanto em
regiões de ocupação já consolidada, como nas chamadas fronteiras de destruição. Essas
áreas são as seguintes (GREENPEACE, 2009):
a)
Nortão:
b)
área delineada pelos municípios de Juína, Juara, Apiácas a
Colniza, no noroeste de Mato Grosso. Representa uma das regiões de
desmatamento mais recente atrelada à pecuária. Nesse quadrilátero
concentra-se a exploração predatória de madeira, seguida de
queimada e desmatamento.
Extremo Sul:
c)
área contígua ao estado de Rondônia e a Amazônia
boliviana. Seu desmatamento é anterior ao ano de 2000, com
presença massiva de infra-estrutura como estradas e grandes
frigoríficos. É caracterizada por extensas pastagens com baixa
densidade de animais por hectare.
Eixo BR-163 – Alta Floresta:
d)
são áreas próximas à rodovia BR-163,
criada nos anos 1970, com desmatamento anterior a 2000. É uma
região de forte expansão da soja em Mato Grosso. Nota-se, no
entanto, acima da cidade de Sinop e, sobretudo no eixo perpendicular
à BR-163 que se estende a cidade de Alta Floresta, o predomínio da
pecuária.
Nascente do Rio Xingu:
Em decorrência da forte presença dessa atividade em muitas localidades de Mato
Grosso, é relevante analisar o comportamento espaço-temporal dos rebanhos de bovinos
o curso do rio Xingu, em Mato Grosso,
encontra-se protegido pelo parque indígena do Xingu, de 2.642,003
hectares. Todavia, as nascentes dos afluentes desse rio estão
localizadas em grande número, fora do parque. É nessa região, na
borda nordeste de Mato Grosso, que se encontram outras áreas de
desmatamento recente, destinadas à atividade pecuária.
40
nesse estado. Assim, como foi realizado anteriormente para a Amazônia, elaborou-se o
mapa de círculos proporcionais concêntricos em mapa de semicírculos opostos para os anos
de 1990 e 2008. O mapa 6, compara à quantidade de bovinos (em termos absolutos) nos
municípios mato-grossenses no período inicial, ou seja, 1990, com a quantidade de bovinos
no período final, isto é, 2008.
MAPA 6. MUNICÍPIOS COM REBANHOS BOVINOS NO ESTADO DE MATO
GROSSO EM 1990 E 2008
Fonte: Elaboração do autor com base no programa Philcarto e dados do SIDRA (2009).
Intuitivamente, é possível inferir que os municípios que detinham as maiores
quantidades de gado em 1990 estavam espacialmente concentrados, predominantemente, na
região sul do estado. Verifica-se que as estradas BR-174, BR-070, BR-163 (porção sul) e
BR-158 provavelmente contribuíram de maneira decisiva nesse arranjo, confirmando o
estudo do GREENPECE (2009).
41
Por sua vez, no ano de 2008, a quantidade de cabeças de gado em Mato Grosso
incrementou-se não somente na porção sul (em termos de intensidade), mas também em
todo estado (em termos de escala), demonstrando a forte consolidação da atividade
pecuária. A região norte passou a ter grande destaque na criação de gado, corroborando os
trabalhos de Margulis (2003) e Micol, Andrade e Börner (2008).
Em outras palavras, a região norte de Mato Grosso, como um todo, parece estar
gozando do baixo custo de oportunidade da terra próxima a BR-163, conforme já verificou
Fearnside (2005a). Outro aspecto, diz respeito à relevante concentração espacial de
rebanhos bovinos ao longo da BR-158, indicando que esta rodovia também atua de forma
catalítica no processo de desmatamento na região. O estudo elaborado pelo PPCDMT
(2009) é um dos poucos que enfatiza a importância da BR-158 no processo de degradação
ambiental do estado mato-grossense. Uma conseqüência lógica refere-se à ampliação da
pesquisa sobre os impactos da BR-158 sobre o desmatamento nas localidades cortadas por
essa rodovia.
1.3.2. Soja em Mato Grosso
A faixa de terra que se estende ao longo de toda rodovia BR-163, no estado de Mato
Grosso, é apta à agricultura mecanizada. Um importante aspecto dessa rodovia é que sua
rota passa sobre uma faixa de clima mais seco do que a maioria das áreas florestadas na
Amazônia. Esse tipo de clima é benéfico tanto para a criação de gado, quanto para a
agricultura da soja, aumentando a rentabilidade obtida pela conversão da floresta em
cultivos ou pastagens (FEARNSIDE, 2005a).
Segundo o mesmo autor, existem evidências de que o agronegócio da soja,
altamente capitalizado, tem ampliado sua participação na conversão da cobertura vegetal
nativa, não apenas na região do cerrado, como também nas áreas de floresta em Mato
Grosso. Próximo à rodovia BR-163, os principais focos de desmatamento têm ocorrido na
região de Sinop, já ao longo das rodovias BR-158 e BR-070, em uma região localizada a
42
leste do Parque Indígena de Xingu, também é possível verificar a expansão da cultura da
soja (PPCDMT, 2009).
Dessa maneira, como forma de verificar a dinâmica espacial da sojicultura em Mato
Grosso, foi criado o mapa de semicírculos opostos comparando os anos de 1990 e 2008,
conforme a ilustra o mapa 7.
MAPA 7. MUNICÍPIOS COM PLANTAÇÕES DE SOJA NO ESTADO DE MATO
GROSSO EM 1990 E 2008
Fonte: Elaboração do autor com base no programa Philcarto e dados do SIDRA (2009).
Pode-se visualizar no mapa acima que, as plantações de soja em 1990 se
concentravam destacadamente nos municípios da região sul, central e nordeste do estado
mato-grossense. Esse tipo de arranjo da cultura da soja somente confirma estudos como os
de Fearnside (2005a) e Greenpeace (2009), que destacam a forte presença dessa atividade
em localidades próximas às grandes rodovias que cortam Mato Grosso. Isto é, os
43
sojicultores se beneficiam tanto do clima favorável, quanto dos menores custos de
transporte presentes nesse estado.
Por sua vez, os dados para o ano de 2008, parecem confirmar a tendência de
ampliação do agronegócio da soja na região centro-norte do estado, em detrimento a região
sul, como já havia diagnosticado o estudo do PPCDMT (2009). De outra maneira, pode-se
constatar que as plantações de soja passaram a aumentar sua pressão sobre as florestas, em
busca cada vez mais de áreas propícias para a sojicultura, principalmente ao redor da BR-
163 e da BR-364.
Um dos fatores responsáveis pela expansão dessa atividade em Mato Grosso foi à
pavimentação da parcela centro-sul da BR-163, e da promessa do governo federal em
pavimentar a porção centro-norte dessa rodovia no estado. É prioridade para o atual
governador de Mato Grosso, Blairo Maggi, dono do grupo Maggi, o maior produtor de soja
do Brasil, transformar a BR-163 em um grande corredor de exportação de soja via rio
Amazonas (FEARNSIDE, 2005a; GEMT, 2010).
1.3.3. Extração Madeireira em Mato Grosso
No Brasil, a demanda por madeira de todos os tipos acarreta pressão sobre a floresta
amazônica. Ao contrário da crença popular, a madeira das florestas tropicais não é usada
apenas, nem em grande parte, para produtos de valor elevado, tais como mobília e
instrumentos musicais. O Brasil utiliza madeira tropical para praticamente tudo, inclusive
azimbre para concreto, paletas, caixotes, construção, aglomerados e compensados.
Substituir esta demanda com madeira oriunda de plantações somente será factível se a
madeira barata não estiver disponível a partir da colheita destrutiva da floresta amazônica.
Infelizmente, quase toda madeira brasileira proveniente de plantações, se destina a
produção de celulose e carvão, em detrimento ao plantio da madeira cerrada, própria para
usos de menor valor agregado (FEARNSIDE, 2003).
Um grande problema da exploração madeireira na Amazônia refere-se ao saldo
negativo advindo da diferença entre o carbono retido nos troncos e o carbono liberado pelo
44
corte das árvores. Muito da biomassa das árvores colhidas é deixado para trás na forma de
galhos, tocos e raízes, além disso, os danos sofridos pelas árvores não colhidas resultam na
morte e decomposição de muitas outras árvores (FEARNSIDE, 1999).
Atualmente, a exploração madeireira em Mato Grosso tem se mostrado atrelada às
grandes rodovias que cortam o estado. Com as facilidades da infra-estrutura básica, o
surgimento de estradas laterais, abertas por madeireiros, propicia a entrada de colonos e
grandes produtores rurais em áreas de floresta até então pouco afetadas, ampliando o
desmatamento (FEARNSIDE, 2005a).
Nesse sentido, a elaboração de um mapa didático, como o de semicírculos opostos,
pode desvendar um pouco do comportamento dessa variável no estado de Mato Grosso. Os
dados coletados junto ao SIDRA referem-se à quantidade extraída de madeira em metros
cúbicos (m³). Isto é, são dados que refletem não o total de madeira retirada de Mato Grosso,
mas, sim, a madeira extraída oficialmente.
A construção do mapa de semicírculos opostos para o total de madeira extraída em
tora (mil metros cúbicos) comparando os anos de 1990 e 2008, mapa 8, expressa o
desempenho dessa variável em Mato Grosso.
45
MAPA 8. MUNICÍPIOS QUE EXTRAIAM MADEIRA NO ESTADO DE MATO
GROSSO EM 1990 E 2008
Fonte: Elaboração do autor com base no programa Philcarto e dados do SIDRA (2009).
Os municípios que mais extraíram madeira em 1990, em termos absolutos, estavam
agrupados, principalmente, na região sul de Mato Grosso, com destaque para as localidades
em torno do município de Cuiabá. Essa região é vascularizada por um grande número de
estradas e rodovias, o que reduz os custos de transporte e facilita a escoação da produção
madeireira.
Por outro lado, a extração madeireira municipal relativa ao ano de 2008, parece não
diferir muito, se comparada com o ano de 1990. Verifica-se a consolidação da extração da
madeira nos municípios da região sudeste (cortados pela BR-158) e região sudoeste
(circundados pela BR-070, BR-174, BR-364 e BR-163). Deve-se destacar que o processo
de corte da madeira na região norte parece estar se desenvolvendo em termos de escala,
apesar da intensidade ainda não se mostrar muito grande nos municípios.
46
Entretanto, independentemente dos potenciais fatores explicativos do
desmatamento, um processo que pode estar ocorrendo entre os municípios da Amazônia
brasileira e do estado de Mato Grosso, e que foi muito pouco investigado, é o processo da
convergência do desmatamento. Este será melhor explicado a seguir.
47
2. METODOLOGIA PARA O TESTE DA CONVERGÊNCIA ESPACIAL DO
DESMATAMENTO
2.1. CONVERGÊNCIA
Segundo Lopes (2004), a convergência é um processo em que uma mesma variável
(por exemplo, renda per capita ou produtividade da terra) apresenta diferentes valores entre
países, regiões ou estados, mas essa diferença se reduz ao longo do tempo, indicando que a
desigualdade diminui.
O trabalho seminal de Baumol (1986) examinou a dinâmica da convergência da
renda de 1870 a 1979 entre 16 países industrializados, de acordo com a seguinte expressão:
( ) ( ) ( )
i
tititi
NYNYNY
εβα
++=−
−− 1,1,,
lnlnln
(1)
onde
( )
NYln
é o logaritmo da renda per capita, ε é o termo de erro, e i é o indexador para
os diversos países utilizados na análise.
Conforme Baumol (1986), se existir convergência, β será negativo, ou seja, países
com renda inicial maior teriam menores taxas de crescimento, ao passo que países dotados
de renda inicial menor possuiriam maiores taxas de crescimento. No limite, a tendência é
que as rendas dos distintos países se igualem ao longo do tempo (BARRO & SALA-I-
MARTIN, 1991; 1992).
Ao predizer que a taxa de crescimento das regiões está positivamente relacionada
com a distância que separa cada região de seu estado estacionário, o conceito de
48
convergência mostra-se bastante importante para explicar o desempenho regional ao longo
do tempo (BARRO & SALA-I-MARTIN, 1991).
Dois casos são usualmente considerados na literatura. O primeiro refere-se à
hipótese da β convergência absoluta, que carrega em seu bojo a idéia de que todas as
economias são estruturalmente idênticas e com acesso às mesmas tecnologias. Essas são
caracterizadas pelo mesmo estado estacionário e diferem somente em suas condições
iniciais. O segundo caso é o da chamada β convergência condicional. Este é utilizado
quando o pressuposto de que as diferentes regiões possuem o mesmo estado estacionário é
relaxado.
Contudo, ambos os conceitos de β convergência têm sido alvo de duras críticas. Os
principais problemas estariam relacionados à heterogeneidade e a endogeneidade. A
maioria dos estudos empíricos sobre convergência não considera a dimensão espacial dos
dados. A heterogeneidade entre as regiões segue uma conduta econômica que não é estável
em todo espaço. Esta instabilidade pode, por exemplo, seguir um padrão geográfico
específico como Leste-Oeste, ou Norte-Sul. Por outro lado, a autocorrelação que existe
entre as diferentes localidades no espaço tende a formar clusters com padrões específicos
em distintas localidades (DALL’ERBA, 2003).
Destarte, em estudos regionais, os efeitos espaciais não devem ser negligenciados
nas análises de convergência. Muitos fatores como o comércio, e a difusão de tecnologia e
conhecimento, podem levar a interdependência espacial entre as regiões. Não devendo se
tratar as distintas localidades como verdadeiras “ilhas isoladas” (QUAH, 1996).
A utilização de um ferramental que capte explicitamente os efeitos espaciais em
modelos de convergência mostra-se de grande importância quando se utilizam dados
regionais. A econometria espacial, como será visto adiante, é o ramo da econometria que se
ocupa em solucionar tal problema. Em outras palavras, essa é a metodologia mais indicada
para estudos que façam uso de dados georeferenciados, como os modelos de convergência.
É importante destacar a existência de trabalhos como o de Rey e Montoury (1999),
que aplicam a análise da convergência da renda sob a ótica da econometria espacial para a
economia norte-americana, e Dall’erba (2003), que estima a convergência do trabalho em
48 regiões da Espanha entre 1980 e 1996.
49
No Brasil, o trabalho de Perobelli et al. (2007) utiliza a econometria espacial para
analisar a convergência da renda entre as microrregiões mineiras. A tese de Lopes (2004)
faz uso da mesma metodologia para avaliar o processo de convergência da produtividade da
terra para as onze principais culturas brasileiras entre os estados produtores. Mais
recentemente, Almeida, Perobelli e Ferreira (2008) investigam o processo de β
convergência da produtividade agrícola no Brasil entre os diferentes estados, controlando
os efeitos espaciais.
Brock e Taylor (2004) consideram que estudos de convergência também podem ser
realizados com a utilização de indicadores de desenvolvimento sustentável, para verificar se
localidades com um nível elevado de degradação ambiental estariam convergindo para
níveis de degradação próximos ao de regiões desenvolvidas, ou seja, de baixa destruição
ambiental. Essa lógica também estaria atrelada ao processo de crescimento econômico
4
Já Igliori (2008) busca explicar o processo de desmatamento da Amazônia Legal,
para 257 áreas geográficas comparáveis, durante o período 1970 – 1997. O autor elabora
.
O trabalho de Arraes et al. (2006) utiliza-se de diferentes amostras de países, e de
diferentes indicadores de degradação ambiental para verificar a hipótese da convergência
durante os anos de 1980 a 2000, através da metodologia de dados em painel. De todos os
indicadores utilizados, apenas o déficit de analfabetismo apresenta convergência.
De maneira mais específica, Reis e Guzmán (1992) elaboram um modelo com três
blocos de equações na tentativa de explicar o desmatamento da Amazônia no período de
1985 a 1995. A primeira equação é baseada em uma função de produção agregada para as
atividades agrícolas. A segunda equação procura estimar o desmatamento por tipo de
vegetação (floresta tropical densa, floresta aberta, transição ecológica, savana, campinara e
pantanal). Por sua vez, a terceira equação consiste na construção de funções para a
distribuição espacial (convergência) das principais atividades econômicas da região, isto é,
o agregado das safras agrícolas, o estoque de gado, quantidade de madeira em toras e
quantidade de estradas. O resultado indica que todas essas atividades apresentam
convergência.
4
A ocorrência de convergência para um dado indicador de degradação ambiental, entre distintas localidades,
estaria ligada à fase descendente da curva de Kuznets Ambiental (CKA), isto é, regiões com elevada
degradação ambiental estariam alcançando patamares de desenvolvimento econômico próximo ao de regiões
desenvolvidas, com baixos índices de degradação do meio ambiente (ARRAES, et al., 2006).
50
modelos de convergência condicional utilizando-se da metodologia da econometria espacial
com dados em painel. As variáveis dependentes são as taxas de desmatamento e de produto
de um determinado município. Por sua vez, são utilizadas diferentes variáveis explicativas
conforme cada modelo
5
5
Algumas variáveis explicativas utilizadas são: nível de produto, população e seu termo quadrático,
educação, área do município, pequenas propriedades agrícolas, preços da terra, salários, custos de transporte
para a capital do estado, custos de transporte para a cidade de São Paulo, etc.
. Os resultados indicam convergência para quase todos os modelos,
com a maior parte apresentando resultados significativos.
No entanto, a elaboração de modelos de β convergência absoluta para o
desmatamento de 783 municípios da Amazônia brasileira e de 139 municípios do estado de
Mato Grosso, controlando-se os efeitos espaciais, é explorada no presente trabalho de
forma inédita, até onde se sabe. O objetivo desta dissertação é adaptar a idéia de Baumol
(1986) para entender o comportamento do processo de desmatamento nestas duas
localidades dotadas de vasta biodiversidade. Assim, ao se formalizar uma equação de
convergência absoluta para o desmatamento da Amazônia, e depois para o estado com os
maiores índices de desmatamento acumulado, isto é, Mato Grosso, buscar-se-á verificar se
municípios com maiores taxas de desmatamento estão reduzindo seu nível de degradação
ambiental mais rapidamente que municípios com menor grau de desmatamento.
Resumidamente, esse trabalho pretende utilizar a análise de convergência absoluta para
testar se as taxas de desmatamento entre os municípios estão ficando mais homogêneas no
bioma Amazônico.
O cálculo de convergência para as taxas de desmatamento dos municípios da
Amazônia e de Mato Grosso é bastante oportuno, tendo em vista que o processo de
desmatamento tende a ocorrer de forma heterogênea, independentemente do zoneamento
legal das unidades em estudo. O modelo de convergência busca investigar se esse processo
tende a se tornar disperso, no tempo e no espaço, ou se ocorre o contrário. Nesse sentido, a
utilização da econometria espacial mostra-se relevante, pois capta e essência dos efeitos
espaciais em suas formas funcionais, como será visto a seguir.
51
2.2. ECONOMETRIA ESPACIAL: CONCEITOS BÁSICOS
A diferença entre a econometria espacial e a econometria convencional concentra-se
na preocupação de se incorporar na modelagem da primeira o padrão da interação sócio-
econômica entre os agentes em um sistema, assim como as características da estrutura desse
sistema no espaço. Essas interações e as características estruturais – que podem ser
instáveis no espaço – geram efeitos espaciais em vários processos, não apenas de cunho
econômico (ANSELIN, 1988; ANSELIN & BERA, 1998).
O primeiro efeito espacial diz respeito à dependência espacial (autocorrelação
espacial), dada pela interação dos agentes através das regiões. De modo geral, todo
processo que se dá no espaço está sujeito à chamada Lei de Tobler, também conhecida
como a primeira Lei da Geografia, cujo enunciado pode ser dado da seguinte maneira
6
i
y
:
“tudo depende de todo o restante, porém o que está mais próximo depende mais do que
aquilo que está mais distante”. A Lei de Tobler enfatiza, com isso, a importância da
proximidade para o estabelecimento da interação entre os atributos (SOUZA &
PEROBELLI, 2008).
A dependência espacial significa, portanto, que o valor de uma variável em uma
certa localidade i, digamos , depende do valor dessa mesma variável nas regiões vizinhas
j, ou seja,
j
y
. Formalmente, com dados em corte cruzado, a dependência espacial pode ser
expressa da seguinte forma:
)(
ji
yfy =
com
nji ,...,1, =
e
ji ≠
(2)
Também pode-se representar a dependência espacial utilizando um esquema
simplificado da interação entre as regiões, figura 1:
6
Everything is related to everything else but nearly things are more related than distant things (TOBLER,
1970: p. 236).
52
FIGURA 1. REPRESENTAÇÃO GRÁFICA DA INTERAÇÃO ESPACIAL
Fonte: Almeida (2007).
Na figura 1 existe uma interação multidirecional entre a variável de interesse y da
unidade espacial i com a mesma variável localizada na unidade espacial j contígua a ela.
Essa interação multidirecional significa que
i
y
influencia
j
y
, mas também é influenciada
por ela. Como a dependência está muito ligada à interação espacial, é importante definir o
que se entende por este conceito. De acordo com Odland (1988, p. 13): “a interação
espacial, que é o movimento de bens, pessoas ou informação através do espaço, significa
que eventos ou circunstâncias num lugar podem afetar as condições em outros lugares se os
lugares interagem entre si”.
É possível destacar três fontes primárias de dependência espacial: uma relacionada a
uma variedade de processos de interação espacial, a saber, processo de difusão espacial
(difusão tecnológica, por exemplo), a troca de mercadorias entre as regiões (comércio), o
comportamento estratégico (interdependência dos agentes nas regiões) e a dispersão ou
espraiamento (a fronteira agrícola, por exemplo) (TEIXEIRA et al, 2008).
Uma outra vinculada a erros nos dados espaciais, ocasionada pela falta ou baixa
correspondência entre o fenômeno em estudo e o zoneamento das unidades espaciais
(distritos, municípios, microrregiões, etc.) com respeito aos dados. E, finalmente, uma outra
com respeito a erros de especificação do modelo. Pode-se denominar a primeira fonte como
sendo autêntica e as duas outras como sendo espúrias (ANSELIN, 1988).
O segundo efeito espacial refere-se à heterogeneidade espacial. Fenômenos que
ocorrem no espaço costumam não apresentar estabilidade estrutural nas suas relações
comportamentais, quer seja com os coeficientes, quer seja com relação ao padrão de erro
estocástico. Em termos intuitivos, a heterogeneidade espacial manifesta-se quando ocorre
instabilidade estrutural no espaço, fazendo com que haja diferentes respostas, dependendo
da localidade ou da escala espacial na forma de coeficientes variáveis ou regimes espaciais.
Outra fonte de instabilidade pode ser caracterizada pela variância não-constante, ou ainda,
de formas funcionais diferentes para determinados subconjuntos de dados. Nesse caso, a
53
consequência prática é a inadequação de se ajustar um mesmo modelo para todo o conjunto
de observações (SOUZA & PEROBELLI, 2008).
A econometria tradicional não é capaz de solucionar os problemas advindos da
dependência espacial e da heterogeneidade espacial. Nesse aspecto, a econometria espacial
vem exatamente suprir tal carência, incorporando explicitamente essas questões em suas
formas funcionais. A subseção a seguir é dedicada a explicar os principais modelos
econométricos espaciais utilizados na literatura.
2.3. PRINCIPAIS MODELOS DE ECONOMETRIA ESPACIAL
Em modelos que consideram a componente espacial explicitamente, a dependência
espacial pode ser encontrada na variável dependente, no termo de erro ou mesmo nas
variáveis independentes. A influência espacial é usualmente resumida em uma matriz de
pesos W, onde o elemento
ij
w
indica a influência da unidade j, na unidade i. Além disso,
0=
ii
w
, isto é, a própria unidade não gera influência sobre si mesma e, as linhas são
usualmente normalizadas para a soma ser igual a 1. Com isso, assume-se que a soma de
todas as influências são iguais para cada unidade, permitindo comparabilidade (ANSELIN,
1988; LESAGE, 1999; TYSZLER, 2006).
Os principais modelos de econometria espacial derivam do chamado modelo
completo (SAC – Spatial mixed regressive Auto-regressive Complete), também conhecido
como modelo de defasagem com erro auto-regressivo, o qual segundo Anselin (1988) pode
ser representado pela seguinte equação:
uXWy ++=
βρ
1
(3)
ε
λ
+= uWu
2
),0(~
2
IN
σε
54
onde y é o vetor nx1 com os dados em corte cruzado para a variável dependente, X
representa uma matriz nxk com as variáveis explicativas e β é o vetor kx1 de coeficientes
das variáveis exploratórias.
1
W
e
2
W
são as matrizes de pesos espaciais, usualmente
contendo relações de contiguidade ou distância,
ρ
e
λ
referem-se aos coeficientes de
correlação espacial para a variável dependente e para o termo de erro respectivamente, e
por fim, ε é o termo de erro com média zero e variância constante. Esse modelo pode ser
representado esquematicamente pela figura 2:
FIGURA 2. PROCESSO DE DEFASAGEM COM ERRO AUTO-REGRESSIVO
Fonte: Almeida (2007).
No esquema, percebe-se que, através de regiões vizinhas quaisquer i e j, há
interação espacial na variável de interesse y, e no termo de erro u. Por sua vez, ao se
considerar alguns parâmetros do modelo completo como iguais a zero, pode-se chegar a
modelos mais simplificados.
De acordo com Tyszler (2006), com
0=
ρ
e
0=
λ
, tem se o modelo usual, sem a
presença do componente espacial, por sua vez, com
0=X
e
0=
λ
existe apenas y
perfeitamente autocorrelacionado no espaço, chamado de modelo de autocorrelação de
primeira ordem (FAR – First order Auto-Regressive), representado da seguinte forma:
ε
ρ
+=
yWy
1
(4)
),0(~
2
IN
σε
55
Este modelo tenta explicar as variações em y através da combinação linear das
unidades vizinhas, sem considerar demais variáveis explicativas. De outro modo, esse
modelo representa uma analogia espacial para o modelo autoregressivo de primeira ordem
da análise de séries de tempo,
ttt
yy
ερ
+=
−1
, no qual todas as variações em
t
y
são
explicadas pelas observações do período passado (LESAGE, 1999).
Já com somente
0=
λ
surge o modelo semi autocorrelacionado – regressivo (SAR
– Spatial mixed regressive Auto-Regressive), ou simplesmente, modelo de defasagem
espacial, expresso a seguir:
ε
βρ
++= XyWy
1
(5)
),0(~
2
IN
σε
De acordo com Fotheringham et al. (2002, p. 106), “o parâmetro
ρ
é global e
descreve o grau médio de autocorrelação espacial através das regiões”. Se o coeficiente
espacial
ρ
for positivo, isso indica que existe autocorrelação espacial global positiva; se o
coeficiente
ρ
for negativo, isso sinaliza que há autocorrelação espacial global negativa.
Esquematicamente tem-se a figura 3:
FIGURA 3. PROCESSO DE DEFASAGEM ESPACIAL
Fonte: Almeida (2007).
Nessa representação simplificada, é possível ver que a variável de interesse nas
regiões vizinhas i e j apresenta interação entre si. Este modelo é análogo a ao modelo de
56
defasagem das séries de tempo com a inclusão de variáveis explicativas adicionais, que não
apenas, a defasagem temporal da variável dependente (LESAGE, 1999).
Por sua vez, se
0=
ρ
o modelo de Erro Espacial (SEM – Spatial Error Model) ou
modelo de Erro Auto-regressivo Espacial é o que vigorará. Em outras palavras, a
autocorrelação espacial será refletida nos resíduos da regressão. Formalmente tem-se:
uXy +=
β
(6)
ε
λ
+= uWu
2
O significado intuitivo desse modelo é que o padrão espacial manifestado no termo
de erro é dado por efeitos não-modelados por conta da falta de medida adequada. Estes
erros não são aleatoriamente distribuídos no espaço, mas, ao contrário, estão espacialmente
autocorrelacionados (DARMOFAL, 2006; OLIVEIRA & DOMINGUES, 2005). A figura 4
representa esquematicamente esse processo:
FIGURA 4. PROCESSO DE ERRO AUTO-REGRESSIVO ESPACIAL
Fonte: Almeida (2007).
A figura mostra que o erro da região i está correlacionado com o erro na região j.
Ou seja, a dependência espacial manifesta-se no termo de erro e não na variável
dependente. Segundo Maddison (2006), o modelo de erro auto-regressivo espacial refere-se
a uma situação em que os erros associados a qualquer observação são uma média dos erros
nas regiões vizinhas mais um componente de erro estocástico.
57
Existem ainda modelos econométrico-espaciais como o modelo de Durbin espacial,
que considera em sua forma funcional a defasagem espacial tanto da variável dependente,
quanto das variáveis explicativas. O modelo regressivo cruzado espacial, que leva em
conta, somente, a defasagem espacial das variáveis explanatórias, e outros modelos, que
podem ser encontrados em livros especializados sobre econometria espacial.
Os modelos mais utilizados na literatura são: o completo ou defasagem com erro
auto-regressivo espacial (SAC), o semi autocorrelacionado – regressivo ou de defasagem
espacial (SAR) e o de erro espacial (SEM). Entretanto, este trabalho adotará somente as
formas funcionais derivadas dos modelos SAR e SEM. Isto se justifica porque de acordo
com Anselin e Bera (1998), a indicação por parte de testes espaciais, principalmente os
testes de multiplicador de Lagrange que serão vistos mais adiante, para a adoção de
modelos de ordem superior, como o modelo de defasagem com erro auto-regressivo
espacial, sugerem má-especificação do modelo ou inadequação da matriz de pesos espaciais
selecionada, fazendo com que o pesquisador concentre seus esforços em tentar solucionar
tais fontes de problemas.
No mais, em termos econométricos, os estimadores dos modelos espaciais SAR e
SEM obtidos pelo método tradicional dos mínimos quadrados ordinários – MQO são
inapropriados. A estimativa por MQO do parâmetro
ρ
para o modelo de defasagem espacial
é enviesada e tão pouco goza da propriedade da consistência. Ao não se levar em conta à
defasagem espacial da variável explicada na equação, incorre-se no problema econométrico
de omissão de variável relevante, enviesando as estimativas dos parâmetros que
acompanham as variáveis explicativas exógenas. A pior notícia é que esse viés do
estimador não desaparece quando o tamanho da amostra cresce ao infinito, ou seja, o
estimador nesse caso, não possui a propriedade assintótica da consistência (ANSELIN,
1988; LESAGE, 1999; REY & MONTOURY, 1999).
Já com relação ao modelo de erro espacial, as estimativas por MQO em pequenas
amostras são justas, mas ineficientes, por sua vez, em grandes amostras as estimativas são
consistentes. Em decorrência, métodos de estimação alternativos devem ser empregados
tanto para o modelo de defasagem espacial, quanto para o modelo de erro espacial
(TYZSLER, 2006).
58
Para o modelo de defasagem espacial dois métodos de estimação alternativos são
tradicionalmente sugeridos pela literatura, o método da máxima verossimilhança (MV) e o
método das variáveis instrumentais
7
(VI), por sua vez, para o modelo de erro espacial,
também, dois métodos de estimação são indicados, o método da máxima verossimilhança, e
o método generalizado dos momentos
8
2.4. ANÁLISE EXPLORATÓRIA DE DADOS ESPACIAIS (AEDE)
(GM) de Kelejian e Prucha (1999).
Como pôde ser analisada, a interação no espaço possui natureza multidimensional,
ou seja, dependência e heterogeneidade espacial. Segundo Anselin & Bera (1998), em
processos espaciais, existe uma imbricação entre esses dois efeitos: heterogeneidade
espacial pode gerar dependência espacial e, por sua vez, dependência espacial pode também
induzir heterogeneidade.
Essas características provocam dificuldades na identificação de modelos
econométricos-espaciais adequados. Nesse aspecto, o trabalho de identificação pode
consumir tempo, transformando-se em tarefa tediosa, ou pior ainda, pode conduzir, no
final, a modelos inapropriados. Em decorrência, a utilização de uma análise exploratória de
dados espaciais é capaz de superar tal problema.
O que se pretende é conhecer melhor os dados com que se está trabalhando. Na
econometria tradicional, é frequente o pesquisador realizar uma análise exploratória de
dados, antes de estimar uma regressão. Na econometria espacial, também é importante
fazer uma análise exploratória de dados, mas, desta vez, de dados espaciais (ANSELIN,
1988).
A análise exploratória de dados espaciais está baseada em aspectos espaciais da
base de dados, tratando diretamente de dependência espacial (i.e. associação espacial) e
7
Na econometria espacial, as variáveis instrumentais utilizadas são as defasagens espaciais das variáveis
explicativas.
8
Para saber mais sobre os problemas que envolvem a estimação de coeficientes espaciais pelo método MQO,
além das propriedades inerentes aos modelos alternativos MV, VI e GM, ver Anselin (1988), LeSage (1999),
Tyzsler (2006) e Vieira (2008).
59
heterogeneidade espacial. Em outras palavras, a finalidade da AEDE é caracterizar a
distribuição espacial, os padrões de associação espacial (clusters espaciais), verificar a
ocorrência de diferentes regimes espaciais ou outras formas de instabilidade espacial (não-
estacionariedade) e identificar observações atípicas (i.e. outliers). Destarte, fazer uma
AEDE precede uma apropriada modelagem econométrico-espacial (ANSELIN, 1999;
PEROBELLI, FERREIRA & FARIA, 2007).
O primeiro ponto relevante para que a AEDE e a econometria espacial sejam
implementadas de maneira eficiente, é a utilização de variáveis intensivas ou espacialmente
densas, já que variáveis absolutas podem induzir a enganos na análise. A utilização do total
de observações em números absolutos de um fenômeno não é aconselhável, tendo em vista
que estes atributos podem estar correlacionados com variáveis de escala (área ou população
total de uma região) o que geraria correlações espaciais espúrias. É possível encontrar na
literatura diversos modos para se definir um indicador de intensidade, no entanto, as formas
mais comuns são variáveis per capita, ou divididas pela área (ANSELIN, 2005).
O segundo ponto diz respeito à maneira como será captada a dependência espacial
entre as distintas localidades. O instrumento criado para lidar formalmente com essa
situação é a matriz de pesos espaciais, usualmente chamada de W, que resume a estrutura
de correlação espacial (TYSZLER, 2006). Essa é uma matriz quadrada (n x n) que contém
os pesos espaciais de cada unidade sobre outra. Assim, o elemento
ij
w
indica a influência,
ou o peso, que a unidade j exerce sobre a unidade i, como será melhor explicado
posteriormente.
De acordo com Gonçalves (2005, p. 411): “métodos convencionais, como
regressões múltiplas e inspeção visual de mapas, não são as formas mais adequadas de lidar
com dados georreferenciados, pois não são confiáveis para detectar agrupamentos e padrões
espaciais significativos”. Assim, a AEDE é o método mais indicado para se obter medidas
de autocorrelação global e local, observando as influências dos efeitos espaciais por
intermédio de instrumentos quantitativos, e não pelo “olho humano” (ANSELIN, 1995;
1998).
60
2.4.1. Autocorrelação Espacial Global
Uma forma de calcular a autocorrelação espacial global é por meio do I de Moran.
Essa é uma estatística que fornece de maneira formal o grau de associação linear entre os
vetores de valores observados em um tempo t (
t
z
) e a média ponderada dos valores dos
seus vizinhos, ou as defasagens espaciais (
t
Wz
) como são mais conhecidos na literatura.
Valores do I de Moran maiores ou menores do que o valor esperado E(I) = -1/(n-1) revelam
autocorrelação espacial positiva ou negativa, respectivamente (ALMEIDA, HADDAD &
HEWINGS, 2005; PEROBELLI et al. 2007).
Os valores dessa estatística variam entre –1 e +1, onde –1 representa um coeficiente
de correlação linear perfeitamente negativa e +1 representa um coeficiente de correlação
linear perfeitamente positiva (ANSELIN, 1995). Para Cliff e Ord (1981), essa estatística
pode ser representada através da seguinte notação matricial:
=
tt
tt
o
t
zz
Wzz
S
n
I
'
'
nt ,...1=
(7)
em que
t
z
é o vetor de n observações para o ano t na forma de desvios em relação à média.
W é a matriz de pesos espaciais, que segundo Pimentel e Haddad (2004, p. 26), pode ser
definida como uma matriz quadrada em que: “cada célula w
ij
indica relação existente entre
a região i e j em um sistema de n regiões. A célula w
ij
o
S
é nula no caso das regiões não serem
vizinhas, caso contrário o valor passa a ser 1”. O termo é um escalar igual a soma de
todos os elementos de W.
A matriz de pesos espaciais quando normalizada na linha, isto é, quando a soma dos
elementos da linha é igual a um, faz com que a expressão (7) assuma a seguinte forma:
=
tt
tt
t
zz
Wzz
I
'
'
nt ,...1=
(8)
61
Outra medida de autocorrelação espacial global é a estatística c de Geary. Da
mesma forma que o I de Moran, essa estatística testa a aleatoriedade espacial. Sua fórmula
é dada abaixo:
∑
∑∑
∑∑
−
−
−
=
i
i
i j
jiij
i j
ij
yy
yyw
w
n
c
2
2
)(
)(
2
1
(9)
em que n é o número de regiões;
i
y
é a variável de interesse;
y
é a média dessa variável e
ij
w
é o elemento da matriz de pesos espaciais.
O c de Geary possui interpretação diferente do coeficiente I de Moran, tendo em
vista que se utiliza de uma medida distinta de covariância (ANSELIN, 1988). O valor do c
de Geary situa-se entre 0 e 2, ao passo que sua média teórica é 1. Valores menores que seu
valor esperado, isto é, entre 0 e 1 indicam autocorrelação espacial positiva, enquanto
valores maiores que 1 indicam autocorrelação espacial negativa. Valores de c entre 0 e 1,
estatisticamente significativos, indicam concentração espacial dos dados, ao passo que
valores entre 1 e 2 indicam dispersão da variável de interesse (McPHERSON &
NIESWIADOMY, 2005).
Anselin (1995) considera que tanto o I de Moran, quanto o c de Geary por serem
medidas de associação espacial global, não são capazes de revelar padrões de associação
espacial local. Dessa forma, autocorrelação espacial local deve ser mensurada de outra
forma.
2.4.2. Autocorrelação Espacial Local
A estatística global do I de Moran pode esconder padrões locais de autocorrelação
espacial. É possível ocorrer três situações distintas. A primeira envolve a indicação de um I
de Moran global insignificante, do ponto de vista estatístico; porém, podem existir
62
indicações de autocorrelação espacial local significante, positiva ou negativa. A segunda
situação implica uma indicação positiva do I de Moran global, que oculta autocorrelação
espacial local negativa e significante do ponto de vista estatístico. A terceira situação
denota que a evidência de uma autocorrelação espacial global negativa pode acomodar
indícios de autocorrelação espacial local positiva para certos grupos de dados. Em
decorrência destes efeitos, é importante avaliar o padrão local da autocorrelação espacial,
de modo a se obter um maior detalhamento do fenômeno em estudo (PEROBELLI et al.,
2007).
A fim de observar a existência de clusters espaciais locais de valores altos ou baixos
e quais regiões que mais contribuem para a existência de autocorrelação espacial, deve-se
implementar as medidas de autocorrelação espacial local, quais sejam: o diagrama de
dispersão de Moran (Moran Scatterplot) e os Indicadores Locais de Associação Espacial –
LISA (Local Indicators of Spatial Association).
2.4.3. Diagrama de Dispersão de Moran
O diagrama de dispersão de Moran é uma das formas de interpretar a estatística I de
Moran. Trata-se de uma representação do coeficiente de regressão linear, mediante um
gráfico de duas variáveis z e Wz, na qual o coeficiente da inclinação da curva de regressão é
dado pela estatística I de Moran. A inclinação da curva é obtida pela regressão de Wz contra
z e esta inclinação fornece o grau de ajustamento (ALMEIDA, HADDAD & HEWINGS,
2005; ANSELIN, 1995; 1998; ANSELIN, SYABRI & SMIRNOV, 2003).
O diagrama de dispersão de Moran (figura 5) é dividido em quatro quadrantes que
correspondem a quatro padrões de associação espacial local entre determinadas regiões e
seus respectivos vizinhos.
63
FIGURA 5. DIAGRAMA DE DISPERSÃO DE MORAN
Fonte: Elaboração do autor.
O primeiro quadrante, conhecido como Alto-Alto (AA), localiza-se na parte
superior direita e representa regiões que possuem valores acima da média para uma
determinada variável cercada por regiões que também possuam valores acima da média
para esta variável.
O segundo quadrante, denominado como Baixo-Alto (BA), localiza-se na parte
superior esquerda e é constituído por regiões que apresentam baixos valores para a variável
de interesse, rodeadas por regiões que possuem elevado valor para essa mesma variável.
O terceiro quadrante, classificado como Baixo-Baixo (BB), está localizado na parte
inferior esquerda e indica regiões que possuem baixos valores para a variável em análise,
circundadas por regiões de também baixo valor para a mesma variável.
O quarto e último quadrante, conhecido como Alto-Baixo (AB), encontra-se
localizado na parte inferior direita e revela regiões que possuem valores acima da média
para a variável de interesse, ladeadas por regiões que possuem valores abaixo da média
para a mesma variável.
Como destacam Perobelli et al. (2007), as regiões que apresentam padrões de
associação espacial positiva (AA) e (BB), formam clusters de valores similares, ao passo
que regiões de padrões (BA) e (AB) apresentam associação espacial negativa.
64
2.4.4. Indicadores Locais de Associação Espacial (LISA)
Os indicadores LISA fornecem o grau de autocorrelação espacial local. Conforme
enfatiza Anselin (1995; 1999), para que isso ocorra é necessário que essa estatística
satisfaça a dois critérios: a) esses indicadores devem possuir para cada observação uma
indicação de clusters espaciais significantes de valores similares ao redor de cada
observação, e b) o somatório dos indicadores LISA, em todas as regiões, deve ser
proporcional ao indicador de autocorrelação espacial global. Dessa maneira, os indicadores
LISA podem ser representados por intermédio da seguinte equação:
( ) ( )
( )
∑
∑
−
−−
=
i
i
j
jiji
i
nyy
yywyy
I
2
(10)
onde n é o número de regiões;
i
y
é a variável de interesse;
y
é a média dessa variável;
j
y
é a variável de interesse nas regiões vizinhas a i e
ij
w
é o elemento da matriz de pesos
espaciais.
De acordo com Anselin (1995), a estatística LISA é usada para testar a hipótese
nula, ou seja, a ausência de associação espacial local. Assim, deve-se fazer uso de uma
aleatorização condicional, que permita determinar pseudoníveis de significância.
Para a obtenção de uma distribuição empírica das estatísticas de teste, é necessário
observar se o valor da variável de interesse está dentro ou fora da região crítica definida.
Dessa maneira, se o valor calculado for superior em magnitude à esperança matemática do I
de Moran, seus resultados serão estatisticamente significativos.
65
2.4.5. Matriz de Pesos Espaciais
É possível implementar uma AEDE através de uma matriz de contiguidade binária,
como a Rainha (Queen), ou Torre (Rook). A matriz rainha considera como vizinhas
localidades que possuam fronteira comum, além de nós (vértices), já a matriz torre por
definição é mais simples, e considera como vizinhas somente localidades que possuam
fronteira comum (ALMEIDA, PEROBELLI & FERREIRA, 2008).
Outra maneira de se expressar à estrutura de conectividade é por meio da distância
geográfica. Uma alternativa nesses casos é utilizar uma matriz de peso espacial W, baseada
nos k vizinhos mais próximos,
)(kw
ij
, que definiria a força da interação entre as regiões
(PEROBELLI et al., 2007).
Segundo Tyszler (2006) uma matriz de contiguidade não é, de forma geral, uma boa
substituta para uma matriz de distância. A desvantagem da matriz binária de contiguidade
reside no fato de que não é garantida uma conectividade balanceada, isto é, podem existir
regiões com muitos vizinhos, ao passo que podem existir regiões com poucos vizinhos. Já a
vantagem da matriz de distância geográfica repousa exatamente em combater o
desequilíbrio da conectividade entre as unidades espaciais, garantindo que todas terão o
mesmo número de vizinhos. Ademais, essa matriz confirma que não haverá “ilhas”, ou seja,
regiões sem vizinhos.
A matriz de pesos espaciais W utilizada neste trabalho está baseada na idéia de k
vizinhos mais próximos. Ela foi calculada utilizando-se o conceito de grande círculo entre
os centros das regiões, ou seja, a menor distância entre dois pontos quaisquer na superfície
de uma esfera. Uma vez que o formato da Terra se aproxima de uma esfera, esta é a medida
mais comumente utilizada para aferir a menor distância entre duas localidades geográficas.
A especificação da matriz W com base nos k vizinhos mais próximos é a seguinte:
>=
==≤=
==
∑
)(0)(
,...,1
)(
)(
)()(1)(
0)(
*
*
*
*
*
kDdsekw
nkpara
kw
kw
kwekDdsekw
jisekw
iijij
j
ij
ij
ijiijij
ij
(11)
66
em que
ij
d
é a distância, medida pelo grande círculo, entre os centros das regiões i e j;
)(kD
i
é o valor crítico de corte, que define a distância máxima para considerar regiões
vizinhas à região i. Essa distância crítica varia de região para região. Nesse sentido, duas
regiões serão consideradas vizinhas, caso encontrem-se dentro de uma distância crítica
necessária para que se tenha um número pré-determinado de vizinhos (BAUMONT, 2004;
SOUZA & PEROBELLI, 2008).
Uma questão muito debatida na literatura é como se definir o número de k vizinhos
a ser considerado em um determinado estudo (na verdade não existe um consenso). Com o
intuito de tornar menos arbitrária essa definição, será adotado o critério proposto por
Baumont (2004), que consiste em três passos:
a) Processar o modelo econométrico proposto por mínimos quadrados
ordinários (MQO);
b) Testar os resíduos para a autocorrelação espacial por intermédio do valor da
estatística I de Moran, usando L matrizes de k vizinhos mais próximos
(variando L de k = 1 a k = 20);
c) Definir k que tenha gerado o maior valor do I de Moran, significativo
estatisticamente.
A matriz de k vizinhos escolhida pelo procedimento de Baumont será utilizada não
somente na análise exploratória de dados espaciais (AEDE), como nos modelos
econométricos de convergência espacial, conforme serão explicados a seguir.
2.5. CONVERGÊNCIA ESPACIAL
Ao se definir um modelo que possa captar de maneira adequada, por exemplo,
questões inerentes a efeitos de transbordamento entre diferentes localidades em estudo, os
efeitos espaciais devem ser explicitamente considerados em sua forma funcional. Nesse
sentido, modelos tradicionais de regressão linear não levam em conta os efeitos espaciais de
autocorrelação e heterogeneidade espacial. Desse modo, a estimação do modelo por
67
Mínimos Quadrados Ordinários (MQO) forneceria estimativas inconsistentes e/ou
ineficientes (ANSELIN, 1988; ANSELIN, 1995; ANSELIN & BERA, 1998).
Na grande maioria das aplicações do modelo de Baumol (1986) um pressuposto
implícito é que o termo de erro, entre diferentes localidades, é tido como independente,
segundo a equação (12). Em particular, a possibilidade de existência de clusters espaciais
entre diferentes municípios pode resultar em um processo de dependência espacial, o que
violaria esse pressuposto.
[ ]
IE
iii
2'
σεε
=
(12)
Autores como Florax, Folmer & Rey (2003) e Anselin (2005) sugerem o seguinte
procedimento para a especificação de um modelo que leve em conta a presença de
autocorrelação espacial:
i) Estimar o modelo clássico de regressão linear por MQO;
ii) Testar a hipótese de ausência de autocorrelação espacial devido a uma
defasagem ou a um erro através do multiplicador de Lagrange para a
defasagem espacial (
ρ
ML
) e o multiplicador de Lagrange para o erro
espacial (
λ
ML
);
iii) Caso ambos os testes sejam não significativos, deve-se utilizar o modelo
clássico; caso contrário, segue-se o próximo passo;
iv) Se ambos os testes forem significativos, deve-se verificar as versões robustas
de ambos, ou seja, o multiplicador de Lagrange robusto para a defasagem
espacial (
ρ
MLR
) e o multiplicador de Lagrange robusto para o erro espacial
(
λ
MLR
). Caso
ρ
MLR
>
λ
MLR
identifica-se o modelo de defasagem espacial
como o mais apropriado. Caso contrário,
ρ
MLR
<
λ
MLR
, adota-se o modelo
de erro espacial.
A estimação do modelo de β convergência absoluta por MQO busca somente
identificar qual a melhor maneira de se estimar a equação abaixo:
68
( )
it
t
nt
uDesm
Desm
Desm
++=
+
lnln
βα
(13)
em que
+
t
nt
Desm
Desm
ln
é o logaritmo natural da razão entre a taxa de desmatamento
entre o período final t+n e o período inicial t da análise;
( )
t
Desmln
β
é o logaritmo natural
do desmatamento no período inicial e
i
u
é o termo de erro bem comportado com média
zero e variância constante.
A seguir, são expostos os dois modelos de convergência que serão utilizados para
analisar o processo de dependência espacial do desmatamento, tanto na Amazônia como
um todo, quanto no estado de Mato Grosso, a saber: o modelo de erro espacial e o modelo
de defasagem espacial. Cada um deles fornece um tipo diferente de arranjo entre as
unidades regionais para explicar os efeitos espaciais que podem surgir dessa interação.
2.5.1. Modelo de Erro Espacial
A primeira modificação que a equação (13) pode sofrer refere-se ao seu termo de
erro
i
u
, que pode seguir um processo auto-regressivo, como mostrado nas equações (14) e
(15):
iii
Wuu
ελ
+=
(14)
( )
ii
WIu
ελ
1−
−=
(15)
onde
λ
representa o coeficiente escalar do erro espacial e o termo de erro
i
ε
possui
distribuição normal com média zero e variância constante. Nesse caso o termo de erro
original possui uma matriz de covariância não-esférica, como pode ser visualizado na
equação (16) a seguir (TYSZLER, 2006):
69
[ ]
( ) ( )
'
1
2
1
'
−−
−−= WIIWIuuE
ii
λσλ
(16)
A utilização de MQO na presença de erros não-esféricos geraria estimativas
ineficientes, apesar de justas. Nesse aspecto o modelo de erro-espacial (SEM) deve ser
estimado pelo método da máxima-verossimilhança (MV) ou pelo método generalizado dos
momentos (GM) de Kelejian e Prucha (1999), como já foi afirmado anteriormente.
Ao se substituir à equação (15) em (13), tem-se a forma convencional do modelo de
regressão do erro espacial:
( ) ( )
it
t
nt
WIDesm
Desm
Desm
ελβα
1
lnln
−
+
−++=
(17)
Segundo Rey e Montoury (1999), quando
λ
assume valor nulo não há
autocorrelação espacial do erro. Contudo, quando
λ
≠ 0, um choque ocorrido em uma
unidade geográfica se espalha não somente para seus vizinhos mais próximos, mas para
todas as outras unidades. Desse modo, a dependência espacial pode ser decorrente de
efeitos não modelados que não foram aleatoriamente distribuídos através do espaço.
2.5.2. Modelo de Defasagem Espacial
Esse modelo sugere que a autocorrelação espacial é fruto da interação atual entre as
regiões. Nessa nova equação de β convergência, é introduzida como variável independente
a defasagem espacial. O modelo da equação (18) é uma adaptação do modelo (SAR), para o
caso da convergência espacial:
( )
i
t
nt
t
t
nt
Desm
Desm
WDesm
Desm
Desm
ερβα
+
++=
++
lnlnln
(18)
70
na qual
ρ
é o coeficiente da defasagem espacial, isto é, um escalar, onde caso
ρ
> 0 indica
ocorrência de autocorrelação espacial positiva. Já o novo elemento da forma funcional
+
t
nt
Desm
Desm
W ln
é uma média dos valores da taxa de crescimento do desmatamento
nas regiões vizinhas.
De acordo com Anselin (1988), ao não se considerar explicitamente a defasagem
espacial neste modelo, ocorreria um problema da mesma magnitude da omissão de variável
relevante, isto é, os coeficientes estimados por MQO das variáveis explicativas seriam
tendenciosos. Para se evitar tal problema, métodos de estimação alternativos como o uso de
variáveis instrumentais (VI) ou o método da máxima verossimilhança (MV) são
recomendados.
71
3. BASE DE DADOS
Este trabalho fez uso dos softwares GeoDa (GEODATA ANALYSIS) e SPACESTAT
1.91, além da base de dados do Instituto Nacional de Pesquisas Espaciais (INPE), referente
ao desmatamento da Amazônia brasileira, consultados através do Programa de Cálculo do
Desflorestamento na Amazônia (PRODES). Para a elaboração da dissertação, foram
compilados dados sobre o desmatamento em 783 municípios da Amazônia, bem como em
139 municípios do estado de Mato Grosso durante o período de 2000 a 2008, além dos sub-
períodos 2000-2003 e 2004-2008.
A utilização de dados recentes é fundamental em trabalhos que busquem estimar o
processo de convergência, mitigando problemas metodológicos. Além disso, também é uma
boa idéia estimar equações de convergência para sub-períodos da amostra, pois os
resultados encontrados podem auxiliar no entendimento do processo de convergência para
o período completo (DE LONG, 1988).
72
3.1. DADOS SOBRE A AMAZÔNIA LEGAL
O período de análise 2000-2008 pode ser considerado um verdadeiro marco tanto no
avanço das discussões sobre o desmatamento, quanto na gestão de recursos ambientais. Foi
a partir desse período que o governo federal brasileiro e os estados passaram a dar atenção
formal à questão do meio ambiente, através da criação de uma conta referente às despesas
ambientais em seus respectivos balanços financeiros.
Barcellos & Carvalho (2009) confirmam essa visão ao afirmarem que a existência
de recursos financeiros voltados para a gestão ambiental, configura um maior
comprometimento da administração pública com a questão ambiental. Nesse mesmo
sentido, de acordo com Young, Mac-Knight & Meireles (2009), deve-se esperar que
distintos ambientes institucionais forneçam diferentes influências sobre o desmatamento na
região amazônica, tendo em vista a relação negativa esperada entre desmatamento e gastos
ambientais.
Neste aspecto, a Amazônia como um todo apresentou uma configuração bastante
instável em sua despesa com gestão ambiental no período 2000-2003
, graças à inclusão
deste item no passivo financeiro de seus estados somente a partir de 2002, ou seja, nos anos
de 2000 e 2001, essa rubrica não constava no balanço financeiro das unidades da federação
brasileira. Já no período 2004-2008 as despesas com gestão ambiental se consolidaram e
passaram a demonstrar uma tendência linear positiva, corroborando a necessidade de se
dividir a estimativa da convergência em sub-períodos que abranjam tal medida de gestão
ambiental.
A primeira estimativa testa se no período de 2000 a 2008 existe convergência das
taxas de desmatamento entre os municípios da Amazônia. Essa análise é preponderante,
pois engloba os dados mais recentes sobre o processo de desmatamento na referida região.
A segunda estimativa de convergência aplica-se ao período de 2000 a 2003 e pode ser
justificada pelo início da inclusão do gasto ambiental no passivo dos estados brasileiros.
Por sua vez, a terceira estimativa de convergência engloba o período de 2004 a 2008, onde
a despesa ambiental passa a se consolidar e apresenta uma tendência positiva de incremento
73
ao longo do tempo. O gráfico 1, a seguir, mostra o desempenho da despesa ambiental nos
estados da Amazônia.
GRÁFICO 1. DESPESA COM GESTÃO AMBIENTAL NA AMAZÔNIA
LEGAL
0
50
100
150
200
250
2000 2001 2002 2003 2004 2005 2006 2007 2008
Ano
R$ (em milhões)
Despesa Ambiental
Fonte: Elaboração do autor com base em dados do Tesouro Nacional (2009).
Durante o período de 2000 a 2003 o gasto ambiental na Amazônia mostrou-se
instável. Nos dois primeiros anos de análise, 2000 e 2001, essa despesa foi de zero, pois a
mesma não constava no planejamento orçamentário dos estados brasileiros. A partir do ano
de 2002 esse item passa a fazer parte da pauta das despesas estaduais, configurando um
montante gasto de R$ 68,5 milhões nos estados da Amazônia. No ano de 2003, essa mesma
despesa apresentou um valor de R$ 56,3 milhões na mesma região. Sinteticamente, esse
período de aumento das preocupações ambientais na Amazônia pode ser configurado como
de relativa inconsistência, dado o caráter ainda incipiente do planejamento governamental
em meio ambiente.
No entanto, o período seguinte, de 2004 a 2008, mostra-se em estágio mais robusto,
pois o gasto ambiental na região evoluiu continuamente, ou seja, de R$ 83,8 milhões em
2004, para R$ 96,3 milhões em 2005, R$ 123,1 milhões em 2006, R$146,9 milhões em
2007, e R$ 225,7 milhões em 2008.
Assim, o processo de desmatamento na Amazônia deve ser verificado não somente
no período de 2000 a 2008, mas também nos sub-períodos, de 2000 a 2003 e de 2004 a
2008. Espera-se que o aumento das despesas ambientais nos estados da Amazônia auxilie
74
na redução do desmatamento, conforme sugerem Barcellos & Carvalho (2009) e Young,
Mac-Knight & Meireles (2009).
Um aspecto importante a ser abordado refere-se a uma lista elaborada pelo governo
federal, contendo 43 municípios considerados críticos para o desmatamento da Amazônia
Legal. O quadro 1 lista quais são estes municípios, enquanto o mapa 9 mostra a localização
espacial dos mesmos.
QUADRO 1. LISTA DO GOVERNO FEDERAL COM OS MUNICÍPIOS
CONSIDERADOS CRÍTICOS NO DESMATAMENTO DA AMAZÔNIA LEGAL
Município
1-Alta Floresta (MT) 23-Nova Mamoré (RO)
2-Altamira (PA)
24-Nova Maringá (MT)
3-Amarante do Maranhão (MA)
25-Nova Ubiratã (MT)
4-Aripuanã (MT) 26-Novo Progresso (PA)
5-Brasil Novo (PA)
27-Novo Repartimento (PA)
6-Brasnorte (MT)
28-Pacajá (PA)
7-Colniza (MT) 29-Paragominas (PA)
8-Confresa (MT)
30-Paranaíta (MT)
9-Cotriguaçu (MT)
31-Peixoto de Azevedo (MT)
10-Cumaru do Norte (PA) 32-Pimenta Bueno (RO)
11-Dom Eliseu (PA)
33-Porto dos Gaúchos (MT)
12-Feliz Natal (MT)
34-Porto Velho (RO)
13-Gaúcha do Norte (MT) 35-Querência (MT)
14-Itupiranga (PA)
36-Rondon do Pará (PA)
15-Juara (MT)
37-Santa Maria das Barreiras (PA)
16-Juína (MT) 38-Santana do Araguaia (PA)
17-Lábrea (AM)
39-São Félix do Araguaia (MT)
18-Machadinho D´Oeste (RO)
40-São Félix do Xingu (PA)
19-Marabá (PA) 41-Tailândia (PA)
20-Marcelândia (MT)
42-Ulianópolis (PA)
21-Mucajaí (RR)
43-Vila Rica (MT)
22-Nova Bandeirantes (MT)
Fonte: MMA (2009).
75
MAPA 9. LOCALIZAÇÃO ESPACIAL DOS MUNICÍPIOS CONSIDERADOS
CRÍTICOS NO DESMATAMENTO DA AMAZÔNIA LEGAL
Fonte: Elaboração do autor.
Entretanto, ao se calcular a dinâmica do crescimento das taxas de desmatamento nos
municípios da Amazônia para o período de 2000-2008, encontra-se resultados destoantes
dos da lista divulgada pelo governo federal, como pode ser visualizado no quadro 2 e No
mapa 10.
76
QUADRO 2. MUNICÍPIOS DA AMAZÔNIA LEGAL COM MAIOR VARIAÇÃO
PERCENTUAL DE DESMATAMENTO DURANTE O PERÍODO 2000-2008
Município
Taxa de
Desmatamento
(%)
Município
Taxa de
Desmatamento
(%)
1 - Cachoeira do Arari (PA)
23466.67
23 - Nossa Senhora do Livramento (MT)
527.77
2 - Santa Rosa do Purus (AC)
23133.33
24 - Muaná (PA)
516.24
3 - Serra do Navio (AP)
22800.00
25 - Fonte Boa (AM)
460.00
4 - Santa Terezinha do Tocantins (TO)
14200.00
26 - Goianorte (TO)
447.73
5 - Santana (AP)
14140.00
27 - Bernardo do Mearim (MA)
442.69
6 - Anori (AM)
12116.67
28 - Campos de Júlio (MT)
427.81
7 - Poconé (MT)
10814.28
29 - Amapá (AP)
417.28
8 - Palmeirante (TO)
9662.50
30 - Maraã (AM)
394.20
9 - Tonantins (AM)
4261.11
31 - São João da Ponta (PA)
339.91
10 - Quatipuru (PA)
3200.00
32 - Salvaterra (PA)
319.84
11 - Governador Archer (MA)
2409.37
33 - Aguiarnópolis (TO)
305.40
12 - Sampaio (TO)
2030.77
34 - Novo Airão (AM)
299.63
13 - Oiapoque (AP)
1985.00
35 - Carrasco Bonito (TO)
290.87
14 - Cajapió (MA)
1914.28
36 - Cachoeirinha (TO)
283.39
15 - Ananindeua (PA)
1535.85
37 - Benevides (PA)
267.95
16 - São José de Ribamar (MA)
1324.59
38 - Itamarati (AM)
264.89
17 - Itaubal (AP)
1303.22
39 - Senador Alexandre Costa (MA)
263.88
18 - Urucurituba (AM)
649.15
40 - São Sebastião da Boa Vista (PA)
260.19
19 - Gurupá (PA)
614.40
41 - Jordão (AC)
260.19
20 - Chaves (PA)
593.79
42 - Montes Altos (MA)
252.77
21 - Colares (PA)
590.00
43 - Amaturá (AM)
251.93
22 - Mazagão (AP)
529.33
Fonte: Elaboração do autor com base em dados do PRODES (2009).
77
MAPA 10. LOCALIZAÇÃO ESPACIAL DOS MUNICÍPIOS DA AMAZÔNIA COM
MAIOR VARIAÇÃO PERCENTUAL DE DESMATAMENTO DURANTE O
PERÍODO 2000-2008
Fonte: Elaboração do autor com base em dados do PRODES (2009).
Ao se comparar a lista divulgada pelo governo federal, quadro 1, com o quadro 2, é
possível constatar que nenhum município do último está entre os considerados prioritários
pelo governo federal no combate ao desmatamento. Em outras palavras, o governo usa um
conceito de estoque ao elaborar uma lista com os municípios prioritários no combate ao
desmatamento, ao passo que o quadro 2 utiliza a taxa referente ao período 2000-2008.
O governo federal, ao considerar o desmatamento acumulado na região amazônica,
consegue mensurar quais municípios perderam maior cobertura vegetal em termos
absolutos, isto é, as maiores áreas em quilômetros quadrados. Sob outro enfoque, ao se
levar em conta o conceito de taxa de desmatamento que ocorre em um determinado
período, é possível saber quais municípios estão apresentando as maiores perdas florestais
recentes, em termos de sua área. Por exemplo, no quadro 2, o município de Cachoeira do
Arari (PA), com uma área de 3114 km² expandiu sua taxa de desmatamento em quase
23.500%, no período 2000-2008. Por outro lado, o município de Amatura (AM), com uma
78
área de 4904 km² ampliou sua taxa de desmatamento em aproximadamente 252% no
mesmo período.
Em outras palavras, a grande vantagem de se adotar um conceito de fluxo para um
determinado período recente é poder saber quais municípios estão revelando elevadas taxas
de desmatamento em relação a sua área total, independente do tamanho da sua área. Esse
tipo de análise mostra quais realmente são as localidades que estão sofrendo uma intensa
degradação recente, e que devem receber algum tipo de proteção estatal e/ou privada para
mitigar esse processo de modo efetivo.
Nesse aspecto, como o estado de Mato Grosso é o campeão do desmatamento
acumulado na Amazônia, deve-se também investigar não só o desempenho da despesa
ambiental nesse estado, como seu perfil de desmatamento acumulado e em termos de fluxo,
como será visto a seguir.
3.2. DADOS SOBRE MATO GROSSO
Como forma de deixar o estudo homogêneo foram realizadas as mesmas análises
anteriores, só que dessa vez, aplicadas ao estado de Mato Grosso. De início investigou-se o
desempenho das despesas com gestão do meio ambiente neste estado para o período 2000-
2008 e para os sub-períodos 2000-2003 e 2004-2008.
O estado de Mato Grosso apresentou uma configuração bastante instável em sua
despesa com gestão ambiental no período 2000-2003, graças à inclusão deste item em seu
passivo financeiro somente a partir de 2002. Isto é, nos anos de 2000 e 2001, essa rubrica
não constava no balanço financeiro deste estado. Já no período 2004-2008 as despesas com
gestão ambiental se consolidaram e passaram de demonstrar uma tendência positiva.
A primeira estimativa testa se no período de 2000 a 2008 existe convergência das
taxas de desmatamento entre os municípios do estado de Mato Grosso. Essa análise é
preponderante, pois engloba os dados mais recentes sobre o processo de desmatamento no
estado. A segunda estimativa de convergência aplica-se ao sub-período de 2000 a 2003 e
pode ser justificada pelo início da inclusão do gasto ambiental no passivo estadual mato-
79
grossense. Por sua vez, a terceira estimativa de convergência engloba o sub-período de
2004 a 2008, onde a despesa ambiental estadual passa a sofrer um processo de consolidação
e apresenta uma tendência positiva de incremento ao longo do tempo. O gráfico 2 mostra o
desempenho da despesa ambiental no estado de Mato Grosso.
GRÁFICO 2. DESPESA COM GESTÃO AMBIENTAL NO ESTADO DE
MATO GROSSO
0
10
20
30
40
50
60
70
2000 2001 2002 2003 2004 2005 2006 2007 2008
Ano
R$ (em milhões)
Despesa Ambiental
Fonte: Elaboração do autor com base em dados do Tesouro Nacional (2009).
Durante o sub-período de 2000 a 2003 o gasto ambiental do estado de Mato Grosso
mostrou-se instável. Nos dois primeiros anos de análise, 2000 e 2001, essa despesa foi de
zero, pois a mesma não constava no planejamento orçamentário dos estados brasileiros. A
partir do ano de 2002 esse item passa a fazer parte da pauta das despesas estaduais,
configurando um montante gasto de R$ 27,3 milhões em Mato Grosso. No ano de 2003
essa mesma despesa apresentou um valor de R$ 18,9 milhões. Resumidamente, nesse
período o aumento das preocupações ambientais no estado de Mato Grosso pode ser
configurado como de relativa inconsistência, dado o caráter ainda bastante incipiente do
planejamento estadual em meio ambiente.
No entanto, o sub-período seguinte, de 2004 a 2008, mostra-se mais robusto, pois o
gasto ambiental no estado evolui continuamente de 2004 a 2006, ou seja, de R$ 22,2
milhões para R$ 50,5 milhões. No ano de 2007 essa despesa sofre redução para R$ 43,4
milhões, mas em 2008 o volume do gasto com gestão ambiental volta a se recuperar,
expandindo-se para R$ 57,2 milhões.
80
Dessa forma, o processo de desmatamento em Mato Grosso deve ser verificado não
somente no período de 2000 a 2008, mas também nos sub-períodos, de 2000 a 2003 e de
2004 a 2008. Essa medida mostra-se relevante, tendo em vista as divergências estruturais
na despesa ambiental deste estado. No mais, a quebra-estrutural em modelos econômicos é
recomendada por De Long (1988) e Young, Mac-Knight & Meireles (2009).
Entretanto, ao se estudar a configuração do desmatamento em âmbito regional, é
importante saber quais são as regiões que mais influem nesse processo. Segundo o estudo
de Alencar et al. (2004), os principais focos do desmatamento em Mato Grosso localizam-
se concentrados, principalmente, ao longo das rodovias Cuiabá-Santarém (BR-163) e (BR-
158), nas regiões centro-norte e nordeste. Na rodovia Cuiabá-Santarém o principal foco de
desmatamento ocorre na região de Sinop, onde a expansão da cultura de grãos e da
atividade pecuária está motivando a derrubada de florestas. Os municípios de Novo Mundo
e Guarantã do Norte também apresentaram desmatamento intenso recente, mas com esse
processo sendo explicado pelo estabelecimento de projetos de assentamento e de
colonização na região.
Por outro lado, da lista divulgada pelo governo federal contendo os 43 municípios
considerados críticos para o desmatamento da Amazônia Legal (quadro 1), 20 estão
localizados no estado de Mato Grosso (mapa 11), ou seja, quase 50%, o que explica a forte
preocupação do governo federal com o desmatamento desse estado.
81
MAPA 11. LOCALIZAÇÃO ESPACIAL DOS MUNICÍPIOS CONSIDERADOS
CRÍTICOS NO DESMATAMENTO DO ESTADO DE MATO GROSSO
Fonte: Elaboração do autor.
No entanto, a dinâmica do crescimento das taxas de desmatamento em Mato
Grosso, no período 2000-2008, apresentou resultados distintos da lista divulgada pelo
governo federal, como pode ser visualizado no quadro 3 e no mapa 12.
82
QUADRO 3. MUNICÍPIOS DE MATO GROSSO COM MAIOR VARIAÇÃO
PERCENTUAL DE DESMATAMENTO DURANTE O PERÍODO 2000 – 2008
Município
Taxa de
Desmatamento
(%)
Poconé
10814,28
Nossa Senhora do Livramento
527,78
Campos de Júlio
427,81
Itiquira
167,88
Sapezal
152,78
Guiratinga
142,51
Cuiabá
139,12
Novo Santo Antônio
132,21
Nova Nazaré
110,56
Campo Novo do Parecis
106,87
Campo Verde
99,27
Cocalinho
79,24
Reserva do Cabaçal
77,64
São Pedro da Cipa
76,95
Glória d'Oeste
75,5
Serra Nova Dourada
74,75
Curvelândia
69,5
Juara
55,52
Barão do Melgaço
53,13
Nobres
50,48
Fonte: Elaboração do autor com base em dados do PRODES (2009).
83
MAPA 12. LOCALIZAÇÃO ESPACIAL DOS MUNICÍPIOS DE MATO GROSSO
COM MAIOR VARIAÇÃO PERCENTUAL DE DESMATAMENTO DURANTE O
PERÍODO 2000 – 2008
Fonte: Elaboração do autor com base em dados do PRODES (2009).
O quadro 3 e mapa 12 foram construídos com os 20 municípios que apresentaram as
maiores taxas de crescimento do desmatamento no período 2000-2008. Destarte, é possível
verificar se os 20 municípios que possuíam as maiores taxas de desmatamento no estado de
Mato Grosso, no referido período, são os mesmos considerados prioritários no combate ao
desmatamento segundo o governo federal.
Analisando o quadro 3 e a lista divulgada pelo governo federal (quadro 1), é
possível constatar que somente um município do quadro 3 está entre os considerados
prioritários pelo governo, ou seja, o município de Juara com um crescimento da ordem de
55,52% na área desmatada, no referido período.
84
Assim como na análise para a Amazônia como um todo, é possível perceber que o
conceito de estoque de desmatamento adotado pelo governo federal, quadro 1, gera
resultados destoantes do conceito de fluxo do quadro 3, para o período 2000-2008.
Contudo, nem a lista elaborada pelo governo federal, nem os quadros de crescimento para
as taxas de desmatamento em Mato Grosso e na Amazônia como um todo incorporam a
questão dos efeitos espaciais no processo de desmatamento dos municípios destas
localidades. O presente trabalho vem exatamente suprir essa lacuna, incorporando
explicitamente os efeitos do espaço na dinâmica do desmatamento, conforme será visto na
próxima seção, através dos resultados fornecidos pela Análise Exploratória de Dados
Espaciais (AEDE).
85
4. RESULTADOS PARA A AMAZÔNIA LEGAL
4.1. RESULTADOS DA (AEDE) PARA A AMAZÔNIA LEGAL
A utilização de uma análise exploratória de dados espaciais é recomendada em
estudos que façam uso de dados georreferenciados, pois os métodos convencionais, como
inspeção visual de mapas, não são as formas mais adequadas de lidar com esses tipos de
dados, tendo em vista que não são confiáveis para detectar agrupamentos e padrões
espaciais significativos.
Para se verificar a dinâmica do processo de desmatamento entre os distintos
municípios da Amazônia é importante se incorporar os efeitos do espaço entre as diferentes
localidades, demonstrando o impacto multidirecional entre ambas. O ferramental da AEDE
realiza essa função, primeiramente através das estatísticas de autocorrelação espacial
global, representadas pelo I de Moran e o c de Geary, e depois, através das estatísticas de
autocorrelação espacial local, isto é, o diagrama de dispersão de Moran e os indicadores
LISA.
86
4.1.1. Autocorrelação Espacial Global
Inicialmente, antes de se elaborar qualquer estatística espacial, é importante adotar
algum procedimento para se definir o arranjo espacial entre as unidades em estudo. A
construção de uma matriz de pesos espaciais realiza essa função. Existem vários tipos de
matrizes espaciais, com cada uma adotando um critério de vizinhança entre as distintas
localidades. Este trabalho utilizou o procedimento de Baumont (2004) na escolha da matriz
de pesos espaciais. Por esse critério, deve-se selecionar a matriz de k vizinhos que apresente
o maior valor para a estatística I de Moran Global, com k variando entre 1 e 20.
Dessa forma, seguindo esse procedimento, estimou-se o I de Moran Global para
cada valor de k proposto, conforme a tabela 3.
TABELA 3.
ESTATÍSTICA I DE MORAN GLOBAL PARA A TAXA DE
DESMATAMENTO NA AMAZÔNIA LEGAL DURANTE O PERÍODO 2000 – 2008
Matriz I de Moran Média Desvio – Padrão z - valor p - valor
k = 1
0,5180
-0,001
0,0313
15,9745
0,0000
k = 2
0,5207
-0,001
0,0330
15,8116
0,0000
k = 3
0,4512
-0,001
0,0274
16,4986
0,0000
k = 4
0,3855
-0,001
0,0239
16,1275
0,0000
k = 5
0,3693
-0,001
0,0215
17,2237
0,0000
k = 6
0,3441
-0,001
0,0197
17,5306
0,0000
k = 7
0,3142
-0,001
0,0182
17,2767
0,0000
k = 8
0,2846
-0,001
0,0171
16,8115
0,0000
k = 9
0,2753
-0,001
0,0161
17,1584
0,0000
k = 10
0,2727
-0,001
0,0153
17,8889
0,0000
k = 11
0,2721
-0,001
0,0146
18,7098
0,0000
k = 12
0,2622
-0,001
0,0140
18,7679
0,0000
k = 13
0,2601
-0,001
0,0135
19,3717
0,0000
k = 14
0,2537
-0,001
0,0130
19,6003
0,0000
k = 15
0,2397
-0,001
0,0125
19,1921
0,0000
k = 16
0,2339
-0,001
0,0121
19,3937
0,0000
k = 17
0,2265
-0,001
0,0117
19,3954
0,0000
k = 18
0,2211
-0,001
0,0114
19,4859
0,0000
k = 19
0,2206
-0,001
0,0111
19,9681
0,0000
k = 20
0,2224
-0,001
0,0108
20,6836
0,0000
Fonte: Elaboração do autor com base no programa SpaceStat e dados do PRODES (2009).
87
Essa tabela mostra que cada uma das 20 matrizes elaboradas possui um I de Moran
positivo e significativo, indicando que existe autocorrelação espacial positiva. Esta pode ser
compreendida como um tipo de autocorrelação que revela municípios com elevadas taxas
de desmatamento sendo vizinhos de municípios com elevados valores para esta mesma
variável ou, de forma oposta, municípios com baixas taxas de desmatamento como vizinhos
de municípios com baixos valores para essa mesma taxa.
Segundo o procedimento de Baumont (2004), a matriz k = 2 apresenta o maior
valor para a estatística I de Moran (0,5207). Nesse aspecto, toma-se essa matriz como a que
melhor representa o processo de autocorrelação espacial do desmatamento entre os
municípios da Amazônia. Apesar de todas as matrizes de pesos espaciais revelarem valores
positivos e significativos para o I de Moran, escolheu-se a matriz k = 2, por esta possuir
maior “força” no processo de autocorrelação espacial.
Para avaliar a qualidade da matriz de k = 2 vizinhos mais próximos escolhida,
buscou-se adaptar a idéia de Baumont (2004) para o c de Geary, que é uma outra medida de
autocorrelação espacial global. Os resultados encontram-se na tabela 4.
88
TABELA 4. ESTATÍSTICA c DE GEARY GLOBAL PARA A TAXA DE
DESMATAMENTO NA AMAZÔNIA LEGAL DURANTE O PERÍODO 2000 – 2008
Matriz c de Geary Média Desvio - Padrão z - valor p -valor
k = 1
0,5359
1,000
0,0345
-12,7769
0,0000
k = 2
0,5268
1,000
0,0366
-12,9075
0,0000
k = 3
0,6233
1,000
0,0305
-12,3281
0,0000
k = 4
0,7046
1,000
0,0269
-10,9435
0,0000
k = 5
0,6859
1,000
0,0242
-12,9539
0,0000
k = 6
0,7056
1,000
0,0225
-13,0853
0,0000
k = 7
0,7384
1,000
0,0211
-12,4154
0,0000
k = 8
0,7794
1,000
0,0198
-11,1272
0,0000
k = 9
0,8256
1,000
0,0188
-9,2615
0,0000
k = 10
0,8337
1,000
0,0181
-9,1815
0,0000
k = 11
0,8374
1,000
0,0173
-9,3908
0,0000
k = 12
0,8432
1,000
0,0167
-9,3907
0,0000
k = 13
0,8456
1,000
0,0162
-9,5376
0,0000
k = 14
0,8490
1,000
0,0157
-9,6020
0,0000
k = 15
0,8755
1,000
0,0154
-8,0686
0,0000
k = 16
0,8756
1,000
0,0152
-8,1552
0,0000
k = 17
0,8685
1,000
0,0149
-8,7646
0,0000
k = 18
0,8674
1,000
0,0148
-8,9480
0,0000
k = 19
0,8673
1,000
0,0146
-9,0526
0,0000
k = 20 0,8659 1,000 0,0145 -9,2515 0,0000
Fonte: Elaboração do autor com base no programa SpaceStat e dados do PRODES (2009).
Como foi explicado na seção referente à metodologia, o c de Geary é uma medida
de autocorrelação espacial diferente do I de Moran, seu valor varia entre zero e dois e sua
média teórica é de um. Valores entre zero e um indicam autocorrelação espacial positiva,
por sua vez, quanto mais próximos de zero estiverem esses valores, maior será a força da
autocorrelação espacial positiva.
Segundo a tabela 4, todas as vinte matrizes elaboradas possuem valores
significativos para a estatística c de Geary, corroborando a existência da autocorrelação
espacial positiva. Além disso, a matriz k = 2 é a que possui o menor valor para o c de Geary
(0,5268), mostrando que esta é a matriz mais indicada para o processo de autocorrelação
espacial.
É importante sublinhar que tanto o I de Moran, quanto o c de Geary mostram a
matriz k = 2 como a que melhor representa o processo de autocorrelação espacial do
89
desmatamento entre os municípios da Amazônia. Tais resultados somente confirmam a
robustez dessa matriz.
Também se deve destacar que todas as outras matrizes de pesos espaciais são
relevantes do ponto de vista estatístico, conforme indica o p-valor. Isto é, qualquer uma das
20 matrizes indica o processo de autocorrelação espacial positiva como sendo relevante. A
escolha de k = 2 deu-se por esta matriz apresentar a maior autocorrelação espacial positiva.
Contudo, tanto o I de Moran Global quanto o c de Geary Global apresentam
somente uma tendência geral de ordenação dos dados espaciais sobre o desmatamento na
Amazônia, podendo esconder agrupamentos locais significativos. Para solucionar esse tipo
de problema, utiliza-se o diagrama de dispersão de Moran e os indicadores LISA, como
será mostrado a seguir.
4.1.2. Diagrama de Dispersão de Moran
O diagrama de dispersão de Moran é uma das formas de interpretar a estatística I de
Moran. Trata-se de uma representação do coeficiente de regressão e permite visualizar a
correlação linear entre a variável de interesse e a sua defasagem espacial. A regressão é
especificada pela inclinação do coeficiente I de Moran, sendo que essa inclinação indica o
grau de ajustamento (ANSELIN, 1996).
Nesse aspecto, o diagrama de dispersão de Moran é dividido em quatro quadrantes,
Alto-Alto (AA), Baixo-Baixo (BB), Baixo-Alto (BA), Alto-Baixo (AB) que correspondem
a quatro padrões de associação espacial local entre as regiões e seus vizinhos. As regiões
localizadas nos quadrantes AA e BB apresentam autocorrelação espacial positiva, já as
regiões presentes nos quadrantes AB e BA apresentam autocorrelação espacial negativa.
Dessa forma, foi elaborado o diagrama de dispersão de Moran para o logaritmo da
taxa de desmatamento durante o período 2000-2008 (figura 6).
90
FIGURA 6. DIAGRAMA DE DISPERSÃO DE MORAN PARA A TAXA DE
DESMATAMENTO NA AMAZÔNIA LEGAL NO PERÍODO 2000 – 2008
Fonte: Elaboração do autor com base no programa Geoda e dados do PRODES (2009).
Intuitivamente o padrão AA indica que municípios com elevados valores para a taxa
de desmatamento são vizinhos de municípios com altos valores para essa mesma variável.
O padrão BA mostra municípios com reduzidas taxas de desmatamento tendo como
vizinhos municípios com elevados valores para esta taxa. Já o padrão BB revela municípios
com baixas taxas de desmatamento, tendo como vizinhos municípios que também possuem
baixos valores para essa variável. Por fim, o padrão AB indica municípios com altos
valores para a taxa de desmatamento sendo vizinhos de municípios com baixos valores para
essa mesma variável.
Durante o período 2000-2008, constata-se que 87% dos municípios da Amazônia
estão localizados em quadrantes de valores similares, isto é, AA e BB (43% no quadrante
AA e 44% no quadrante BB). Os demais municípios, os 13% restantes, são consideradas
localidades atípicas, tendo em vista que apresentam padrões distintos do geral (6% no
quadrante AB e 7% no quadrante BA).
91
A inclinação positiva da reta de regressão é outra característica que corrobora a
existência de autocorrelação positiva no processo de desmatamento entre os municípios da
Amazônia. No entanto, como forma de melhor avaliar esse processo, também se construiu
os diagramas de dispersão de Moran para os sub-períodos 2000-2003 e 2004-2008. A figura
7, mostra o diagrama de dispersão de Moran para o sub-período 2000-2003.
FIGURA 7. DIAGRAMA DE DISPERSÃO DE MORAN PARA A TAXA DE
DESMATAMENTO NA AMAZÔNIA LEGAL NO PERÍODO 2000 – 2003
Fonte: Elaboração do autor com base no programa Geoda e dados do PRODES (2009).
O processo de autocorrelação positiva mostra-se dominante para o sub-período
2000-2003. A inclinação da reta de regressão é positiva e 85% dos municípios da
Amazônia estão localizados em padrões de valores similares (37% no quadrante AA e 48%
no quadrante BB). Os demais municípios, os 15% restantes, apresentam observações
destoantes da média (7% no quadrante AB e 8% no quadrante BA).
Também, deve-se destacar que a intensidade da autocorrelação espacial positiva
para o sub-período 2000-2003, pouco difere do período 2000-2008. Contudo, o número de
municípios do padrão BB mostra-se superior no primeiro. Por sua vez, a elaboração do
92
diagrama de dispersão de Moran para o sub-período 2004-2008 é revelada a seguir, figura
8.
FIGURA 8. DIAGRAMA DE DISPERSÃO DE MORAN PARA A TAXA DE
DESMATAMENTO NA AMAZÔNIA LEGAL NO PERÍODO 2004 – 2008
Fonte: Elaboração do autor com base no programa Geoda e dados do PRODES (2009).
É possível verificar que mais uma vez, o processo de autocorrelação espacial
positiva mostra-se consistente. A reta de regressão é positiva e 79% dos municípios da
Amazônia apresentam valores similares para o processo de desmatamento (36% no
quadrante AA e 43% no quadrante BB). Os municípios restantes, 13%, possuem valores
atípicos (8% no quadrante AB e 6% no quadrante BA).
Comparando os resultados desse sub-período com o período completo 2000-2008 e
com o sub-período 2000-2003, percebe-se que a força da autocorrelação espacial positiva
sofre redução. De outra forma, pode-se dizer que o número de municípios com observações
destoantes da média elevou-se, em detrimento ao padrão convencional. No entanto, o
processo de autocorrelação espacial ainda mostra-se extremamente significativo.
93
Nesse sentido, uma forma de refinar as análises anteriores é utilizar os indicadores
LISA. Estes, através de mapas didáticos, mostram indicações locais de clusters com valores
significativos, bem como a possível presença de alguns outliers espaciais.
4.1.3. Indicadores Locais de Associação Espacial – LISA
O diagrama de dispersão de Moran consegue mostrar uma tendência de ordenação
local dos dados, sem, no entanto, fornecer quaisquer indicações de clusters significativos.
Para tanto existem os indicadores LISA que, através do calculo do I de Moran local,
conseguem exprimir através de mapas os resultados locais relevantes.
Quatro tipos de padrões espaciais locais podem surgir: Alto-Alto (AA), Baixo-
Baixo (BB), Baixo-Alto (BA) e Alto-Baixo (AB). O mapa 13 refere-se ao mapa de clusters
para o desmatamento nos municípios da Amazônia, durante o período 2000-2008, com um
nível de significância de 5%.
MAPA 13. CLUSTERS PARA A TAXA DE DESMATAMENTO NA AMAZÔNIA
LEGAL NO PERÍODO 2000 – 2008
Fonte: Elaboração do autor com base no programa Geoda e dados do PRODES (2009).
94
Como pode ser observado no mapa 13, o processo de desmatamento nos municípios
da Amazônia, durante o período 2000-2008 apresenta os quatro tipos de padrões espaciais
possíveis
9
A metodologia empregada é a mais indicada para encontrar clusters significativos
para o processo de desmatamento recente. Primeiro, porque adota um conceito de fluxo
durante um período definido e, segundo, porque incorpora explicitamente a influência
espacial na análise. Por outro lado, a abordagem do governo federal apenas considera o
desmatamento acumulado, conceito de estoque, sem se preocupar com os impactos que um
município pode exercer sobre o outro no processo de desmatamento. O quadro 2, por sua
. O padrão AA (em vermelho) é representado por um total de 68 municípios, com
estes concentrando-se nos estados do Maranhão, Pará e Tocantins. O estado do Maranhão
apresenta a maior quantidade de municípios com elevadas taxas de desmatamento (39
municípios), indicando que este é o principal estado responsável pelo fluxo espacial de
desmatamento durante o período investigado.
Por sua vez, o estado do Pará, com 15 municípios, e o estado de Tocantins, com 14
municípios, também são responsáveis pela formação de clusters de desmatamentos na
Amazônia. Deve-se enfatizar que nenhum dos 43 municípios considerados críticos para o
desmatamento de acordo com o governo federal está presente na análise do padrão AA,
como poderia se esperar. Por outro lado, dos 43 municípios que mais desmataram no
período 2000-2008, segundo o quadro 2, nove também estão presentes na análise LISA
para o referido período. Estes municípios são: Bernardo do Mearim, São José de Ribamar e
Senador Alexandre Costa, no Maranhão; Ananindeua, Benevides e Quatipuru, no Pará; e
Carrasco Bonito, Sampaio e Santa Terezinha do Tocantins, em Tocantins.
O padrão BB é composto por 124 municípios, com estes se localizando nos estados
do Tocantins, Maranhão, Mato Grosso, Amazonas e Roraima. No entanto, os maiores
clusters de baixo desmatamento encontram-se na porção sul de Tocantins, nas regiões sul,
sudeste e nordeste do Maranhão e na região sudeste de Mato Grosso. Já o padrão BA está
presente apenas nos municípios de Barra do Corda e São João do Soter no Maranhão, e o
padrão AB é representado pelo município de Miranorte, em Tocantins e São Mateus do
Maranhão, no Maranhão.
9
No anexo, os quadros A, B e C, contêm todos os municípios representados no mapa 13.
95
vez, mesmo utilizando um conceito de fluxo para o mesmo período, também não leva em
conta a influência espacial.
Outro aspecto relevante a ser destacado, refere-se à questão da definição do conceito
de Amazônia. Pela análise espacial elaborada no período 2000-2008, o processo de
desmatamento deve ser avaliado na Amazônia brasileira como um todo, e não apenas, pela
sua definição política, intitulada de Amazônia Legal que excluí parcela da região leste do
Maranhão. Como pode se verificar na figura 27 existem clusters significativos, tanto de
alto, quanto de baixo desmatamento dentro dessa área maranhense que muitas vezes é
esquecida pelos estudiosos da região, mas que, de acordo com os dados do INPE (2009),
também apresentam áreas de floresta nativa que podem sofrer com o desmatamento.
Como forma de expandir um pouco mais a análise anterior foram elaborados os
mapas de clusters para os sub-períodos 2000-2003 e 2004-2008. O mapa 14 retrata o mapa
de clusters para o sub-período 2000-2003.
MAPA 14. CLUSTERS PARA A TAXA DE DESMATAMENTO NA AMAZÔNIA
LEGAL NO PERÍODO 2000 – 2003
Fonte: Elaboração do autor com base no programa Geoda e dados do PRODES (2009).
96
Conforme pode ser visualizado no mapa 14 acima, os quatro tipos de padrões
espaciais são encontrados
10
10
No anexo, os quadros D, E e F, contêm todos os municípios representados no mapa 14.
. O padrão AA é representado por um total de 72 municípios,
localizados nos estados do Maranhão (40 municípios), Pará (16 municípios), Tocantins (15
municípios) e Mato Grosso (1 município). Comparativamente ao padrão AA do período
2000-2008, verifica-se que o sub-período 2000-2003 possui uma quantidade maior de
municípios que possuem altas taxas de desmatamento, sendo vizinhos de municípios com
altos valores para a mesma variável. Entretanto, nenhum município pertencente ao padrão
AA no sub-período 2000-2003 coincide com a lista divulgada pelo governo federal
contendo os 43 municípios considerados críticos para o desmatamento.
Por outro lado, dos municípios que possuem as maiores taxas de desmatamento de
acordo com o quadro 2, dez coincidem com o padrão AA são eles: Bernardo do Mearim,
São José de Ribamar e Senador Alexandre Costa, no Maranhão; Ananindeua, Benevides e
Quatipuru, no Pará; e Cachoeirinha, Carrasco Bonito, Sampaio e Santa Terezinha do
Tocantins, em Tocantins.
Com relação ao padrão BB, 128 municípios apresentaram essa característica no sub-
período 2000-2003, estando presentes nos estados do Maranhão, Tocantins, Mato Grosso,
Amazonas, Roraima e Amapá. Em outras palavras, pode-se verificar que grandes áreas,
principalmente, em Tocantins, Maranhão e Amazonas, são caracterizadas por municípios
que possuem baixas taxas de desmatamento sendo vizinhos de municípios que também
possuem baixos valores para a mesma variável. O padrão BA é encontrado nos municípios
de Barra do Corda e São João do Soter, no Maranhão, e o padrão AB está presente no
município de Miranorte, em Tocantins, e no município de São Mateus do Maranhão, em
Maranhão.
É interessante notar que o estado do Maranhão apresenta todos os quatro tipos de
padrões espaciais. Ou seja, enquanto na região centro-norte predomina o padrão AA, os
municípios com destaque para o padrão BB localizam-se nas regiões sudoeste, sudeste e
nordeste, mostrando que a porção leste do estado do Maranhão é altamente relevante em
uma análise sobre o processo de desmatamento na Amazônia.
97
Já a elaboração do mapa de clusters para o sub-período 2004-2008, como pode ser
visto no mapa 15, passa a mostrar algumas modificações relevantes no processo de
ordenação espacial do desmatamento.
MAPA 15. CLUSTERS PARA A TAXA DE DESMATAMENTO NA AMAZÔNIA
LEGAL NO PERÍODO 2004 – 2008
Fonte: Elaboração do autor com base no programa Geoda e dados do PRODES (2009).
Diferentemente dos mapas anteriores, o mapa de clusters para o sub-período 2004-
2008 mostra uma dinâmica diferente para o desmatamento. São encontrados três tipos de
padrões espaciais: AA, BB e BA
11
Percebe-se que de maneira distinta do período 2000-2008 e do sub-período 2000-
2003, o sub-período 2004-2008 apresenta uma redistribuição dos municípios com o padrão
AA, entre os estados citados, isto é, o estado do Maranhão passa a possuir uma menor
. O padrão AA encontra-se nos estados do Maranhão,
Tocantins, Pará, Mato Grosso, Rondônia e Acre, sendo representado por um total de 73
municípios.
11
No anexo, os quadros G, H e I contêm todos os municípios representados no mapa 15.
98
quantidade de municípios com o padrão AA, enquanto estados como Pará, Mato Grosso e
Rondônia demonstram destaque no número de municípios com tal característica.
Outro aspecto peculiar a este sub-período diz respeito à lista elaborada pelo governo
federal contendo os municípios que mais desmatam segundo seus critérios. Pode-se
verificar que dos 43 municípios pertencentes a esta lista, nove também se encontram no
padrão AA do sub-período 2004-2008, ou seja, os municípios de Dom Eliseu, Itupiranga,
Marabá, Paragominas e Ulianópolis, no Pará, e os municípios de Juína, Paranaíta, Porto dos
Gaúchos e Vila Rica, em Mato Grosso.
Já com relação à lista elaborada com municípios que apresentam as maiores taxas de
desmatamento, quadro 2, apenas os municípios de Ananindeua, no Pará, São José do
Ribamar e Senador Alexandre Costa, no Maranhão, também estão presentes no padrão AA
do sub-período 2004-2008.
O padrão BB, por sua vez, mostra poucas mudanças em relação ao período 2000-
2008 e ao sub-período 2000-2003, estando presente em 131 municípios distribuídos entre
os estados do Maranhão, Tocantins, Mato Grosso, Amazonas, Roraima e Amapá. Por fim, o
padrão BA, é encontrado nos municípios Ourilândia do Norte, Parauapebas e Tucuruí no
Pará, Lago do Junco e São João do Carú no Maranhão, e no município de Rio Crespo em
Rondônia.
De maneira geral, o padrão AA é o que mais importa na análise, pois localiza
clusters com elevadas taxas de desmatamento. É fácil perceber que o desmatamento é um
processo que se modifica através do tempo e do espaço. Nesse sentido, utilizar um
ferramental como o da AEDE, que capta essas alterações simultaneamente é de extrema
relevância. No entanto, a AEDE não consegue indicar formalmente se o processo de
desmatamento tende a se reduzir de forma mais acelerada em municípios com elevados
valores para essa variável, se comparados a municípios com baixos valores para a mesma.
Para isso, serão abordados os modelos de convergência a seguir.
99
4.2. RESULTADOS DA CONVERGÊNCIA ESPACIAL PARA A AMAZÔNIA
LEGAL
Com base na metodologia da seção 2.5 é possível processar a equação (13), que
fornece a estimativa do coeficiente β. A hipótese básica investigada refere-se ao processo
de homogeneização do desmatamento entre os municípios da Amazônia. Na prática,
procura-se verificar se municípios com elevadas taxas de desmatamento no período inicial
da análise tendem a reduzir estas, mais rapidamente que municípios com baixas taxas de
desmatamento, também no período inicial. A tabela 5 reporta os resultados do modelo de β
convergência clássico, estimado por MQO, para o período 2000-2008, e para os sub-
períodos 2000-2003 e 2004-2008.
100
TABELA 5. MODELO TRADICIONAL PARA A AMAZÔNIA LEGAL DURANTE
OS SUB-PERÍODOS 2000 – 2003, 2004 – 2008 E PARA O PERÍODO 2000 – 2008
Modelos por MQO
Coeficientes
2000 - 2003
2004 - 2008
2000 - 2008
α 0,0216 0,0024 0,0264
(0,0000) (0,0000) (0,0000)
β
0,1691 0,0435 0,2463
(0,0000) (0,0000) (0,0000)
Estatísticas
R² 0,2832 0,5629 0,4197
R²_ajustado 0,2823 0,5623 0,4189
LIK 1230,77 2597,86 1173,21
AIC -2457,53 -5191,71 -2342,42
SC -2448,21 -5182,38 -2333,10
Multicolinearidade 2,4043 2,5332 2,4043
Teste Jarque - Bera 9013,5196 667,4678 11370,22
(0,0000) (0,0000) (0,0000)
Teste Koenker - Bassett 1,7942 83,5418 3,0785
(0,1804) (0,0000) (0,0793)
Estatísticas Espaciais
Matriz (k = 2)
I de Moran
0,5518
0,1867
0,5207
(0,0000)
(0,0000)
(0,0000)
ML – Erro 278,3636 31,8646 247,8904
(0,0000) (0,0000) (0,0000)
ML – Defasagem 297,8471 47,9276 275,6704
(0,0000) (0,0000) (0,0000)
MLR – Erro 1,9251 0,2343 3,7958
(0,1653) (0,6284) (0,0514)
MLR – Defasagem 21,4085 16,2973 31,5759
(0,0000)
(0,0000)
(0,0000)
Fonte: Elaboração do autor com base no programa SpaceStat e dados do PRODES (2009).
Nota: Probabilidades entre parênteses.
A primeira medida a ser tomada, após processar o modelo de β convergência
absoluta por MQO, é analisar o sinal do coeficiente β, que indicará ou não a existência de
convergência. Se β for negativo (positivo), então (não) há convergência, conforme Baumol
(1986).
Destarte, como o coeficiente β apresentou sinal positivo e revelou-se
estatisticamente significativo para todos os períodos em análise, pode-se concluir que não
101
há convergência, ou seja, há um aumento das disparidades regionais na Amazônia,
indicando que o processo de desmatamento tende a se desenvolver de maneira desigual
entre os municípios dessa localidade. Cabe fazer uma ressalva importante: o processo de
divergência vem perdendo força com o passar dos anos, pois o coeficiente β que apresentou
um valor de 0,1691 no sub-período 2000-2003 reduziu-se para 0,0435 no sub-período
2004-2008. Caso essa tendência se mantenha ao longo dos próximos anos, o processo de
divergência pode se tornar de convergência, conforme prevê a CKA.
O segundo passo consiste em averiguar as estatísticas de teste do multiplicador de
Lagrange. De acordo a tabela 5 tanto o multiplicador de Lagrange do Erro (
λ
ML
) quanto o
multiplicador de Lagrange da Defasagem (
ρ
ML
) mostraram-se estatisticamente
significativos para todos os períodos de análise. Dessa forma, os multiplicadores de
Lagrange do Erro e da Defasagem devem ser avaliados em suas versões robustas, conforme
recomendam Florax, Folmer & Rey (2003) e Anselin (2005).
O multiplicador de Lagrange Robusto para a Defasagem-espacial (
λ
MRL
) mostrou-
se estatisticamente significativo para todos os períodos investigados, não podendo se
afirmar o mesmo a respeito do Multiplicador de Lagrange Robusto para o Erro-espacial
(
ρ
MRL
). Assim, o modelo de defasagem-espacial é tomado como o que melhor explica o
processo de desmatamento entre os municípios da Amazônia.
Deve-se também sublinhar que o modelo estimado por MQO apresentou não-
normalidade nos resíduos para todos os períodos investigados, como mostra o teste de
Jarque-Bera. Para corrigir esse problema, a estimação do modelo de defasagem-espacial
para todos os períodos foi realizada através de dois métodos alternativos: o método das
variáveis instrumentais (VI) e o método da máxima verossimilhança (MV).
Outra questão relevante refere-se à hipótese da variância constante dos resíduos. De
acordo com o teste de Koenker-Bassett, a estimativa do sub-período 2004-2008 é
heterocedástica a 1%, a 5% e a 10% de significância. Por outro lado, a estimativa para o
período 2000-2008 é heterocedástica, somente a 10% de significância. Dessa forma, as
especificações dos modelos de defasagem-espacial para esses dois períodos foram
modificadas para acomodar a heterocedasticidade na forma de grupos (groupwise
102
heteroskedasticity)
12
Coeficientes
, conforme recomendam Perobelli, Ferreira & Faria (2007) e Almeida,
Perobelli e Ferreira (2008). É importante destacar que o modelo de defasagem espacial para
o período 2000-2008 também foi estimado como sendo homocedástico. Nesse aspecto, é
possível analisar a robustez de todos os modelos desse período.
A tabela 6 mostra os resultados do modelo de defasagem espacial para o período
2000-2008. Foram realizadas quatro estimações, duas pelo método (MV) modelos 1 e 3, e
duas pelo método (VI) modelos 2 e 4, com os resultados sendo divididos em duas partes.
Os modelos 1 e 2 consideram a estimativa do período 2000-2008 homocedástica a 5% de
significância. Por sua vez, os modelos 3 e 4 assumem a estimativa do mesmo período com
uma possível correção para o problema da heterocedasticidade, caso fosse considerado o
nível de 10% de significância para o modelo por MQO anteriormente exposto.
TABELA 6. MODELOS DE DEFASAGEM ESPACIAL PARA A AMAZÔNIA
LEGAL DURANTE O PERÍODO 2000 – 2008
2000-2008
Modelo 1
Modelo 2
Modelo 3
Modelo 4
MV
VI
MV
VI
α
0,0088
0,0083
0,0089
0,0084
(0,0001)
(0,0104)
(0,0001)
(0,0094)
β
0,1246
0,1211
0,1229
0,1192
(0,0000)
(0,0000)
(0,0000)
(0,0000)
ρ
0,5264
0,5413
0,5275
0,5435
(0,0000)
(0,0000)
(0,0000)
(0,0000)
Estatísticas
R²
0,5627
0,5709
0,5585
0,5673
LIK
1330,29
1332,29
AIC
-2654,58
-2658,57
SC
-2640,59
-2644,58
Teste Koenker - Bassett
3,0785
0,1179
(0,0793) (0,7313)
Fonte: Elaboração do autor com base no programa SpaceStat e dados do PRODES (2009).
Nota: Probabilidades entre parênteses.
Como é possível observar, novamente o coeficiente β mostra-se positivo e
estatisticamente significativo, independentemente do método de estimação utilizado e do
12
Foi utilizada como variável dummy o registro de ocorrências de queimadas florestais em um determinado
município. Dessa forma, localidades que apresentaram ocorrência de queimadas receberam o valor unitário,
ao passo que regiões sem ocorrências de queimadas receberam o valor zero.
103
modelo adotado. Outra constatação diz respeito à grande similaridade nos valores de β
encontrados nos quatro modelos. Além do mais, quando se compara o valor de β
encontrado por MQO, com qualquer um dos estimados por MV e VI na tabela acima,
verifica-se uma redução em torno de 100% do valor de β do primeiro caso para os demais.
Por sua vez, o coeficiente ρ mostra-se altamente significativo do ponto de vista
estatístico para todos os modelos estimados, demonstrando a forte relevância do
componente espacial no processo de desmatamento entre os municípios da Amazônia.
Neste aspecto, como todos os quatro modelos elaborados possuem grande similaridade,
pode-se concluir que existe divergência espacial no processo de desmatamento do bioma
amazônico, ou seja, cada vez mais os municípios tendem a desmatar de forma desigual ao
longo do tempo e do espaço.
No entanto, como forma de validar os resultados encontrados, também foram
elaborados modelos de convergência espacial do desmatamento, para os sub-períodos
2000-2003 e 2004-2008, conforme a tabela 7.
TABELA 7. MODELOS DE DEFASAGEM ESPACIAL PARA A AMAZÔNIA
LEGAL DURANTE OS SUB-PERÍODOS 2000 – 2003 E 2004 – 2008
Coeficientes
2000-2003
2004-2008
Modelo 5
Modelo 6
Modelo 7
Modelo 8
MV
VI
MV
VI
α
0,0076
0,0054
0,0015
0,0012
(0,0002)
(0,0999)
(0,0017)
(0,0303)
β
0,0787
0,0647
0,0355
0,0329
(0,0000)
(0,0005)
(0,0000)
(0,0000)
ρ
0,5432
0,6277
0,2189
0,2904
(0,0000)
(0,0000)
(0,0000)
(0,0000)
Estatísticas
R²
0,4617
0,5215
0,5815
0,5961
LIK
1392,96
2621,94
AIC
-2779,91
-5237,88
SC
-2765,92
-5223,90
Teste Koenker - Bassett
1,7942
0,1173
(0,1804)
(0,7319)
Fonte: Elaboração do autor com base no programa SpaceStat e dados do PRODES (2009).
Nota: Probabilidades entre parênteses.
104
Os modelos 5 e 6 referentes ao sub-período 2000-2003 mostram coeficientes β
positivos e significativos, confirmando os resultados obtidos pelo modelo de MQO. Além
disso, verifica-se uma redução superior a 100% no valor do coeficiente β encontrado pelos
modelos espaciais, se comparado ao modelo tradicional. No mais, o coeficiente ρ mostra-se
altamente significativo nos dois modelos, indicando que o componente espacial é relevante
na análise do processo de desmatamento na Amazônia.
Já para o sub-período 2004-2008 foram elaborados os modelos 7 e 8. Ambos
apresentam o coeficiente β positivo e significativo, corroborando os resultados do modelo
estimado por MQO. Também é possível verificar que o valor do coeficiente β nos modelos
espaciais mostra-se inferior, em magnitude, se comparados com o modelo tradicional para o
mesmo sub-período. Outro ponto a se destacar está relacionado ao coeficiente ρ dos
modelos espaciais. É possível verificar que o coeficiente ρ dos modelos 7 e 8 é
significativo, sugerindo que a defasagem espacial do desmatamento entre os municípios da
Amazônia é uma variável relevante.
De maneira geral, independentemente do método empregado, pode-se constatar que
não existe convergência do desmatamento na Amazônia para o período 2000-2008, bem
como para os sub-períodos 2000-2003 e 2004-2008. Na verdade está ocorrendo um
processo de divergência. Em outras palavras, o processo de desmatamento entre os
municípios da Amazônia está se dando de forma desigual ao longo do tempo, mas a taxas
decrescentes. Esses indícios mostram que, futuramente, a divergência pode se transformar
em convergência.
Vale sublinhar que esses resultados são contrários aos encontrados por Igliori
(2008). No entanto, deve-se lembrar que o referido autor faz uma análise de convergência
condicional, para um período anterior e com uma base de dados distinta, fornecida pelo
IPEA/DIMAC – Diretoria de Estudos Macroeconômicos.
Por fim, a inclusão de um coeficiente ρ para mensurar o efeito espacial também é
altamente significativa em todos os períodos, melhorando todas as estimativas, seja pelo
método MV, seja pelo método VI. Tal resultado somente comprova a importância da
econometria espacial para lidar com dados georreferenciados.
105
A seguir, implementa-se a metodologia da AEDE e da convergência espacial para
explicar o processo de desmatamento em Mato Grosso, o estado que mais desmata no país,
segundo o governo federal.
106
5. RESULTADOS PARA O ESTADO DE MATO GROSSO
5.1. RESULTADOS DA (AEDE) PARA O ESTADO DE MATO GROSSO
Como na seção 4, serão reportados os resultados obtidos pela análise exploratória de
dados espaciais, agora referentes ao processo de desmatamento no bioma mato-grossense.
Essa análise é relevante, tendo em vista a necessidade de se avaliar os efeitos no arranjo
espacial do desmatamento entre os municípios do estado de Mato Grosso. Em outras
palavras, procura-se investigar se a “vizinhança” atua de forma preponderante sobre o
processo de desmatamento.
Destarte, para que o ferramental da AEDE seja aplicado de forma coerente é
importante avaliar a maneira como ocorre a autocorrelação espacial global entre os distintos
municípios mato-grossenses. Nesse sentido, as estatísticas I de Moran global e c de Geary
global são capazes de fornecer o grau de dependência espacial geral entre os municípios
desse estado.
107
5.1.1. Autocorrelação Espacial Global
Antes de se definir o processo de autocorrelação global que será utilizado por
qualquer estatística espacial, é fundamental seguir algum método na determinação da
matriz de pesos espaciais que será adotada. Conforme proposto na seção referente à
metodologia, utilizou-se uma matriz de k-vizinhos segundo o procedimento de Baumont
(2004). Isto é, a estatística I de Moran global foi elaborada com k variando entre 1 e 20
vizinhos mais próximos. O valor de k que apresentar o maior I de Moran para todo o
período de análise, 2000-2008, é o que será adotado como o que melhor explica o processo
de dependência espacial, não só neste, como em todos os sub-períodos.
Destarte, foi construída a tabela 8 contendo todos os valores para o I de Moran com
k variando de 1 até 20.
TABELA 8. ESTATÍSTICA I DE MORAN GLOBAL PARA A TAXA DE
DESMATAMENTO NO ESTADO DE MATO GROSSO DURANTE O PERÍODO
2000 – 2008
Matriz
I de Moran
Média
Desvio - Padrão
z - valor
p - valor
k = 1 0,5042 -0,007 0,1053 4,8561 0,0000
k = 2 0,5072 -0,007 0,0762 6,7530 0,0000
k = 3 0,5476 -0,007 0,0621 8,9352 0,0000
k = 4 0,5551 -0,007 0,0556 10,1140 0,0000
k = 5 0,5317 -0,007 0,0497 10,8506 0,0000
k = 6 0,5288 -0,007 0,0452 11,8577 0,0000
k = 7 0,5111 -0,007 0,0416 12,4560 0,0000
k = 8 0,4889 -0,007 0,0389 12,7420 0,0000
k = 9 0,4766 -0,007 0,0369 13,1083 0,0000
k = 10 0,4603 -0,007 0,0349 13,3725 0,0000
k = 11 0,4496 -0,007 0,0333 13,7315 0,0000
k = 12 0,4411 -0,007 0,0319 14,0259 0,0000
k = 13 0,4278 -0,007 0,0305 14,2508 0,0000
k = 14 0,4111 -0,007 0,0292 14,3143 0,0000
k = 15 0,4060 -0,007 0,0284 14,5649 0,0000
k = 16 0,3992 -0,007 0,0277 14,8555 0,0000
k = 17 0,3905 -0,007 0,0264 15,0556 0,0000
k = 18 0,3838 -0,007 0,0256 15,2938 0,0000
k = 19 0,3852 -0,007 0,0246 15,9466 0,0000
k = 20 0,3778 -0,007 0,0239 16,0920 0,0000
Fonte: Elaboração do autor com base no programa SpaceStat e dados do PRODES (2009).
108
Como pode ser observado, a matriz de k = 4 vizinhos mais próximos foi a que
apresentou o maior valor do I de Moran, (0,5551). Esse resultado revela que esta matriz é a
mais indicada para retratar o processo de dependência espacial entre os municípios mato-
grossenses. Além disso, o I de Moran ao apresentar um valor positivo e significativo,
mostra que a dependência espacial global entre os municípios ocorre generalizadamente de
forma positiva. Municípios que possuem altos valores para suas taxas de desmatamento
tendem a ser vizinhos de municípios que também possuem valores elevados para esta
mesma variável, ao passo que, municípios que possuem baixos valores para as taxas de
desmatamento tendem as ser vizinhos de municípios que possuem baixos valores para essa
mesma taxa.
Um outro ponto a se destacar diz respeito à robustez do processo de autocorrelação
espacial do desmatamento. A tabela 8 revela que independentemente da matriz de k
vizinhos utilizada na elaboração da estatística I de Moran, todas são significativas, como
mostra o p-valor. De outra forma, o processo de dependência espacial seria relevante não
importando qual das matrizes fosse utilizada.
Para verificar a estatística I de Moran global estimou-se o c de Geary global
seguindo a mesma lógica do procedimento de Baumont (2004). A tabela 9 reporta os
resultados.
109
TABELA 9. ESTATÍSTICA c DE GEARY GLOBAL PARA A TAXA DE
DESMATAMENTO NO ESTADO DE MATO GROSSO DURANTE O PERÍODO
2000 – 2008
Matriz
c de Geary
Média
Desvio - Padrão
z - valor
p - valor
k = 1 0,5723 1,000 0,1156 -3,6996 0,0002
k = 2 0,4966 1,000 0,0839 -5,9939 0,0000
k = 3 0,4722 1,000 0,0678 -7,7844 0,0000
k = 4 0,4790 1,000 0,0610 -8,5443 0,0000
k = 5 0,4872 1,000 0,0549 -9,3359 0,0000
k = 6 0,4977 1,000 0,0502 -9,9998 0,0000
k = 7 0,5114 1,000 0,0475 -10,2810 0,0000
k = 8 0,5427 1,000 0,0448 -10,2015 0,0000
k = 9 0,5413 1,000 0,0422 -10,8646 0,0000
k = 10 0,5579 1,000 0,0405 -10,9214 0,0000
k = 11 0,5693 1,000 0,0386 -11,1704 0,0000
k = 12 0,5683 1,000 0,0373 -11,5596 0,0000
k = 13 0,5819 1,000 0,0361 -11,5667 0,0000
k = 14 0,5929 1,000 0,0357 -11,4115 0,0000
k = 15 0,5916 1,000 0,0345 -11,8342 0,0000
k = 16 0,6004 1,000 0,0336 -11,8745 0,0000
k = 17 0,6118 1,000 0,0332 -11,7000 0,0000
k = 18 0,6133 1,000 0,0326 -11,8638 0,0000
k = 19 0,6147 1,000 0,0320 -12,0332 0,0000
k = 20 0,6203 1,000 0,0314 -12,1066 0,0000
Fonte: Elaboração do autor com base no programa SpaceStat e dados do PRODES (2009).
A tabela 9 mostra uma adaptação do procedimento de Baumont (2004) para a
estatística c de Geary global. Seguindo a lógica da autora, estimou-se k variando entre 1 e
20. Neste caso, o k escolhido deve ser aquele que apresente o valor mais próximo de zero
para o c de Geary, ou seja, k = 3, com um valor de 0,4722. Mas para k = 4, o c de Geary
possui um valor de 0,4790, revelando uma diferença desprezível do ponto de vista
estatístico. Pode-se considerar dessa maneira, que a matriz k = 4 vizinhos mais próximos
representa uma boa forma de expressar o arranjo das unidades espaciais, conforme mostrou
o I de Moran. No mais, é possível constatar que o c de Geary mostrou-se significativo para
todas as matrizes utilizadas, corroborando mais uma vez a robustez do processo de
autocorrelação espacial.
Contudo, as estatísticas I de Moran e c de Geary fornecem apenas uma tendência de
organização global dos dados, podendo esconder padrões locais significativos. Para tanto,
110
deve-se utilizar algumas ferramentas que sejam capazes de revelar os padrões locais de
autocorrelação espacial. O diagrama de dispersão de Moran e os indicadores LISA realizam
esta função.
5.1.2. Diagrama de Dispersão de Moran
O diagrama de dispersão de Moran é uma das ferramentas da AEDE, capazes de
revelar padrões locais de associação espacial, já que o I de Moran indica apenas a tendência
geral de agrupamento dos dados. Uma importante vantagem desse diagrama é poder
classificar os diferentes municípios de acordo com quatro regimes espaciais, isto é, os
padrões Alto-Alto (AA), Baixo-Baixo (BB), Baixo-Alto (BA) e Alto-Baixo (AB).
Todos os diagramas de dispersão construídos apresentam no eixo horizontal o
logaritmo da taxa de desmatamento e, no eixo vertical, a defasagem espacial da mesma
variável. O primeiro diagrama de dispersão de Moran elaborado refere-se ao período
completo da análise, ou seja, 2000-2008, como pode ser visualizado na figura 9 a seguir.
111
FIGURA 9. DIAGRAMA DE DISPERSÃO DE MORAN PARA A TAXA DE
DESMATAMENTO EM MATO GROSSO NO PERÍODO 2000 – 2008
Fonte: Elaboração do autor com base no programa Geoda e dados do PRODES (2009).
Durante o período 2000-2008, observa-se que a maioria dos municípios mato-
grossenses está localizada nos quadrantes AA e BB. Isso se confirma, pois 77% dos
municípios estudados apresentam valores similares (39% no quadrante AA e 38% no
quadrante BB). No que tange às regiões atípicas, isto é, aquelas que apresentam desvios em
relação ao padrão global de autocorrelação positiva, verifica-se que 23% dos municípios
tiveram associação espacial com valores diferentes (14% no quadrante BA e 9% no
quadrante AB).
Cabe ressaltar que a existência da autocorrelação espacial positiva é demonstrada
pela inclinação ascendente da reta apresentada no diagrama de dispersão de Moran durante
o período 2000-2008, corroborando os resultados obtidos pelo I de Moran Global e pelo c
de Geary. Contudo, para refinar a análise e verificar as diferenças estruturais, é importante
investigar os sub-períodos 2000-2003 e 2004-2008. O diagrama de dispersão de Moran
para o sub-período 2000-2003 é apresentado na figura 10.
112
FIGURA 10. DIAGRAMA DE DISPERSÃO DE MORAN PARA A TAXA DE
DESMATAMENTO EM MATO GROSSO NO PERÍODO 2000 – 2003
Fonte: Elaboração do autor com base no programa Geoda e dados do PRODES (2009).
É possível inferir que durante o sub-período 2000-2003 a maior parte dos
municípios de Mato Grosso apresenta autocorrelação espacial positiva, pois 75% deles são
caracterizados por valores iguais (33% no quadrante AA e 42% no quadrante BB). Os
demais municípios, 25% restantes, são caracterizados como localidades destoantes da
tendência global (18% no quadrante BA e 7% no quadrante AB). Esses resultados, bem
como a inclinação positiva da curva no gráfico, confirmam a ocorrência de autocorrelação
espacial positiva. No mais, também pode-se constatar que o processo de autocorrelação
espacial no sub-período 2000-2003 pouco difere do período completo, 2000-2008.
Por fim, a elaboração do diagrama de dispersão de Moran para o sub-período 2004-
2008 pode ser visualizada a seguir (figura 11).
113
FIGURA 11. DIAGRAMA DE DISPERSÃO DE MORAN PARA A TAXA DE
DESMATAMENTO EM MATO GROSSO NO PERÍODO 2004 – 2008
Fonte: Elaboração do autor com base no programa Geoda e dados do PRODES (2009).
Essa figura mostra que durante o período 2004-2008 a maioria dos municípios
mato-grossenses apresenta autocorrelação espacial positiva. Primeiro porque 81% desses
municípios são caracterizados por valores similares (33% no quadrante AA e 48% no
quadrante BB) e, segundo, porque a inclinação da reta de regressão é positiva. Os 19%
restantes dos municípios são caracterizados pela chamada autocorrelação espacial negativa,
isto é, localidades com valores dissimilares (13% no quadrante BA e 6% no quadrante AB).
No geral, pode-se constatar que a autocorrelação espacial positiva incrementou-se neste
sub-período comparativamente ao sub-período 2000-2003, e ao período completo 2000-
2008. Esse resultado sugere que a dependência espacial entre os municípios de Mato
Grosso elevou-se nos últimos cinco anos investigados.
O problema com o diagrama de dispersão de Moran é que ele não consegue fornecer
uma indicação de clusters com valores similares para os dados em estudo. Para contornar
tal problema existem os indicadores LISA, responsáveis por mapear os municípios que
formam clusters significativos para a variável em análise.
114
5.1.3. Indicadores Locais de Associação Espacial – LISA
A elaboração dos indicadores LISA para a taxa de desmatamento nos municípios
mato-grossenses no período 2000-2008 está presente no mapa de clusters (mapa 16), para
um nível de significância de 5%. Em outras palavras, são apresentados clusters que
possuem valores relevantes para a variável de interesse.
MAPA 16. CLUSTERS PARA A TAXA DE DESMATAMENTO EM MATO
GROSSO NO PERÍODO 2000 – 2008
Fonte: Elaboração do autor com base no programa Geoda e dados do PRODES (2009).
Com base nesse mapa de clusters, é possível verificar que no período 2000-2008
encontram-se os quatro tipos de associação espacial possíveis, isto é, os padrões AA, BB,
BA e AB. No entanto, é nítido que existe um domínio da autocorrelação espacial positiva
através dos padrões AA e BB, corroborando os resultados do diagrama de dispersão de
Moran.
O padrão AA é formado por um grande cluster na região centro-norte de Mato
Grosso, sendo composto pelos municípios de Alta Floresta, Carlinda, Claúdia, Colíder,
115
Guarantã do Norte, Itaúba, Juara, Marcelândia, Matupá, Nova Canaã do Norte, Novo
Mundo, Paranaíta, Peixoto de Azevedo, Sinop, Sorriso, Tapurah, Terra Nova do Norte,
Nova Guarita e Nova Santa Helena. Além do município de Nova Olímpia, na região central
do estado, que não se caracteriza como cluster por estar sozinho.
Esses resultados confirmam estudos como os de Fearnside (2005a) e Alencar et al.
(2004), que enfatizam a região centro-norte (cortada pela BR-163) como a que apresenta as
maiores taxas de desmatamento recente, com destaque para os municípios de Guarantã do
Norte, Novo Mundo e Sinop.
Por outro lado, os municípios de Alta Floresta, Juara, Marcelândia, Paranaíta e
Peixoto de Azevedo também estão presentes na lista do governo federal, como prioritários
no combate ao desmatamento. Ou seja, esses municípios, além de possuírem elevado
desmatamento acumulado, também fazem parte de um cluster de desmatamento recente,
sinalizando que essas localidades tendem a dizimar rapidamente suas áreas de florestas.
Já o padrão BB apresenta dois grandes clusters. Um localizado na região centro-sul
formado pelos municípios de Acorizal, Barão de Melgaço, Cuiabá, Jangada, Nossa Senhora
do Livramento, Planalto da Serra, Poconé e Várzea Grande, e um outro, localizado na
região sudeste, composto pelos municípios de Alto Araguaia, Alto Garças, Alto Taquari,
Araguaiana, Araguainha, Barra do Garças, Campinápolis, General Carneiro, Guiritinga,
Itiquira, Nova Xavantina, Novo São Joaquim, Pedra Preta, Pontal do Araguaia, Ponte
Branca, Ribeirãozinho, Torixoréu, Nova Nazaré e Santo Antônio do Leste.
É interessante destacar que os municípios de Barão de Melgaço, Cuiabá, Nossa
Senhora do Livramento, Poconé, Guiratinga e Itiquira, também estão presentes no quadro 3,
que mostra exatamente os municípios com a maior variação percentual na taxa de
desmatamento no período 2000-2008. Esses resultados somente servem para qualificar a
metodologia da AEDE, em detrimento ao simples cálculo da taxa de crescimento do
desmatamento, que não leva em conta a influência espacial de um município sobre o outro.
Por sua vez, o padrão AB encontra-se como um outlier na região central de Mato
Grosso, sendo representado pelo município de Nova Brasilândia. E, por fim, o padrão BA
também surge como um outlier na região central do estado com o município de Lucas do
Rio Verde, e na região nordeste com o município de Santa Cruz do Xingu.
116
Entretanto, como forma de avaliar melhor os resultados do período 2000-2008,
também foram construídos os mapas de clusters para os sub-períodos 2000-2003 e 2004-
2008. O mapa de clusters para o sub-período 2000-2003 é representado pelo mapa 17.
MAPA 17. CLUSTERS PARA A TAXA DE DESMATAMENTO EM MATO
GROSSO NO PERÍODO 2000 – 2003
Fonte: Elaboração do autor com base no programa Geoda e dados do PRODES (2009).
O mapa de clusters para o sub-período 2000-2003 revelou três dos quatro tipos de
padrões espaciais, ou seja, os padrões AA, BB e BA. O primeiro padrão a ser investigado é
o AA, encontrado na região centro-norte e representado pelos municípios de Alta-Floresta,
Carlinda, Colíder, Guarantã do Norte, Matupá, Nova Canaã do Norte, Novo Mundo,
Tapurah, Terra Nova do Norte, Nova Guarita e Nova Santa Helena. A região sudoeste é
outra que apresenta esse mesmo padrão, através dos municípios de Figueirópolis d’Oeste,
Indiavaí, Jauru, Lambari d’Oeste, Nova Olímpia, Rio Branco, Tangará da Serra e Vale de
São Domingos.
É possível verificar que todos os municípios da região centro-norte também estavam
presentes no padrão AA do período 2000-2008. Entretanto, não se pode dizer o mesmo dos
117
municípios da região sudoeste, com somente Nova Olímpia se repetindo em ambas as
análises. Esses resultados mostram que o processo de desmatamento é intenso na região
centro-norte do estado. Além disso, o único município do sub-período 2000-2003 que
também consta na lista elaborada pelo governo federal é o de Alta Floresta.
O padrão BB, por sua vez, mostra-se mais distribuído em Mato Grosso, aparecendo
na região noroeste, nos municípios de Aripuanã, Cotriguaçu, Colniza e Rondolândia; na
região sul, nos municípios de Barão do Melgaço, Cuiabá, Nossa Senhora do Livramento e
Várzea Grande; na região central, no município de Feliz Natal; e na região sul, sendo
representado pelos municípios de Alto Araguaia, Alto Garças, Alto Taquari, Araguainha,
Barão do Garças, Campinápolis, General Carneiro, Guiratinga, Pontal do Araguaia, Ponte
Branca, Ribeirãozinho, Torixoréu e Santo Antônio do Leste.
Os resultados para o padrão BB no sub-período 2000-2003 mostram que todos os
municípios das regiões sul e sudeste também estavam presentes no mesmo tipo de padrão
durante o período 2000-2008, sem que nenhum dos demais municípios se repetisse. Já o
padrão BA ocorre na região norte, nos municípios de Itaúba e Peixoto do Azevedo. Por fim,
o padrão AB é representado pela região sudoeste, através dos municípios de Porto
Esperidião e Reserva do Cabaçal.
Com relação aos indicadores LISA para o sub-período 2004-2008, mapa 18,
encontram-se três tipos de padrões espaciais, isto é, AA, BB e BA. O padrão AA possui um
cluster na região noroeste, sendo representado pelos municípios de Alta Floresta, Apiácas,
Aripuanã, Castanheira, Cotriguaçu, Juara, Juruena, Nova Bandeirantes, Porto dos Gaúchos,
Tabaporã, Nova Monte Verde e Colniza, e um cluster na região centro-norte, formado pelos
municípios de Confressa, Feliz Natal, Guarantã do Norte, Marcelândia, Matupá, Nova
Ubiratã, Peixoto de Azevedo, União do Sul e Santa Cruz do Xingu.
118
MAPA 18. CLUSTERS PARA A TAXA DE DESMATAMENTO EM MATO
GROSSO NO PERÍODO 2004 – 2008
Fonte: Elaboração do autor com base no programa Geoda e dados do PRODES (2009).
Ao se comparar o padrão AA do sub-período 2004-2008 com o mesmo padrão do
período completo, 2000-2008, pode-se constatar que somente seis municípios daquele se
repetem no último. Por outro lado, dos vinte municípios prioritários no combate ao
desmatamento em Mato Grosso, segundo o governo federal, doze encontram-se no padrão
AA do sub-período 2004-2008. Esses resultados demonstram que o processo de
desmatamento não é fixo, e modifica-se ao longo do tempo e do espaço. Mesmo existindo
municípios que coincidam em ambos os estudos, deve-se frisar que o conceito de estoque
adotado pelo governo federal não é o mais adequado para se avaliar um processo mutável e
heterogêneo como o desmatamento.
Já o padrão BB localiza-se na forma de dois grandes clusters. O primeiro localiza-se
na região centro-sul, sendo composto pelos municípios de Acorizal, Barão de Melgaço,
Cuiabá, Jangada, Nobres, Nossa Senhora do Livramento e Várzea Grande. O segundo está
presente na região sudeste, sendo formado pelos municípios de Alto Araguaia, Alto Garças,
Alto Taquari, Araguaiana, Araguainha, Barra do Garças, Campinápolis, Campo Verde,
General Carneiro, Guiratinga, Juscimeira, Nova Brasilândia, Novo São Joaquim, Planalto
119
da Serra, Pontal do Araguaia, Ponte Branca, Poxoréo, Primavera do Leste, Ribeirãozinho,
Tesouro, Torixoréu, Nova Nazaré e Santo Antônio do Leste.
Pode-se verificar que quase todos os municípios do padrão BB no sub-período
2004-2008 também estão representados no mesmo padrão referente ao período 2000-2008,
com exceção dos municípios de Juscimeira, Nova Brasilândia e Planalto da Serra. Esse
resultado mostra que o cluster BB sofreu poucas alterações nos anos mais recentes,
confirmando que as regiões centro-sul e sudeste possuem os municípios com as menores
taxas de desmatamento pela metodologia da AEDE.
Com relação ao padrão BA verifica-se sua ocorrência em distintos municípios da
região norte de Mato Grosso, a saber, Juína, Novo Horizonte do Norte, Rondolândia, Sinop
e Luciára. O que mais chama atenção nesta análise é o fato do município de Sinop
apresentar esse padrão, tendo em vista que no período completo (2000-2008), e em outros
estudos, como Alencar et al. (2004), essa localidade mostra-se com elevadas taxas de
desmatamento. Mais uma vez, a divisão do estudo em sub-períodos mostra-se eficiente,
pois no sub-período mais recente, 2004-2008, Sinop passa a possuir baixas taxas de
desmatamento se comparada com seus vizinhos. Deve-se frisar, que municípios com
elevadas taxas de desmatamento em períodos anteriores, podem apresentar menores taxas
de desmatamento recente, como resultado da intensa degradação sofrida ao longo do tempo.
Entretanto, os indicadores LISA não conseguem verificar de maneira formal se o
processo de desmatamento está convergindo entre os diferentes municípios mato-
grossenses ao longo do tempo e do espaço. Em outras palavras, é necessário descobrir se o
desmatamento está se tornando homogêneo em Mato Grosso, ou o contrário. Para tanto, a
estimação dos modelos de convergência espacial é recomendada.
5.2. RESULTADOS DA CONVERGÊNCIA ESPACIAL PARA O ESTADO DE
MATO GROSSO
Seguindo a metodologia proposta, a estimação da equação (13) permite obter a
estimativa de β, que investiga a hipótese de que os municípios com elevadas taxas de
120
desmatamento no período inicial tendem a reduzir mais rapidamente seu nível de
desmatamento ao longo do tempo, se comparados a municípios que detêm baixos valores
para esta variável, também no período inicial.
O modelo de β convergência clássico estimado por MQO está representado
resumidamente na tabela 10.
TABELA 10. MODELO TRADICIONAL PARA O ESTADO DE MATO GROSSO
DURANTE OS SUB-PERÍODOS 2000 – 2003, 2004 – 2008 E PARA O PERÍODO
2000 – 2008
Modelos por MQO
Coeficientes
2000 - 2003
2004 - 2008
2000 - 2008
α
0,0014
0,0068
0,0141
(0,6375)
(0,0000)
(0,0002)
β
0,1463
0,0223
0,1787
(0,0000)
(0,0000)
(0,0000)
Estatísticas
R²
0,5614
0,1244
0,5435
R²_ajustado
0,5582
0,1180
0,5402
LIK
333,035
420,832
300,183
AIC
-662,071
-837,663
-596,367
SC
-656,202
-831,794
-590,498
Multicolinearidade
2,7071
2,7538
2,7071
Teste Jarque - Bera
29,1492
13,4719
2,1238
(0,0000)
(0,0000)
(0,3458)
Teste Koenker - Bassett
24,8849
6,5526
48,1256
(0,0000)
(0,0105)
(0,0000)
Estatísticas Espaciais
Matriz (k = 4)
I de Moran
0,1827
0,5330
0,4351
(0,0004)
(0,0000)
(0,0000)
ML - Erro
10,4117
88,6489
59,0624
(0,0013)
(0,0000)
(0,0000)
ML - Defasagem
6,0054
82,8488
31,7964
(0,0143)
(0,0000)
(0,0000)
MLR - Erro
4,4551
6,0435
27,2779
(0,0348)
(0,0139)
(0,0000)
MLR - Defasagem
0,0488
0,2434
0,0119
(0,8251)
(0,6218)
(0,9131)
Fonte: elaboração do autor com base o programa SpaceStat e dados do PRODES (2009).
Nota: Probabilidades entre parênteses.
121
Como o coeficiente β apresenta sinal positivo e revela-se estatisticamente
significativo para o período completo da análise (2000-2008), assim como para os sub-
períodos (2000-2003) e (2004-2008), pode-se concluir que não há convergência e sim
divergência, ou seja, existe um aumento das disparidades regionais em Mato Grosso,
indicando que o processo de desmatamento tende a se desenvolver de maneira desigual
entre os municípios mato-grossenses.
Deve-se destacar que o processo de divergência vem perdendo força com o passar
dos anos, pois o coeficiente β que apresenta um valor de 0,1463 no período 2000-2003,
reduz-se para 0,0223 no período 2004-2008. Caso essa tendência se mantenha ao longo dos
próximos anos, o processo de divergência pode se tornar de convergência, mostrando que
os municípios que mais desmatam estariam reduzindo suas taxas de desmatamento mais
rapidamente que os municípios com baixas taxas para essa variável, indo ao encontro da
tendência exposta pela hipótese da CKA.
As estatísticas espaciais representadas pelos diferentes testes do multiplicador de
Lagrange são as que indicam o modelo espacial a ser estimado. De acordo a tabela 10, tanto
o multiplicador de Lagrange do Erro (
λ
ML
) quanto o multiplicador de Lagrange da
Defasagem (
ρ
ML
) mostraram-se estatisticamente significativos para o período completo da
análise, bem como para os sub-períodos. Dessa forma, os multiplicadores de Lagrange do
Erro e da Defasagem devem ser avaliados em suas versões robustas, conforme recomendam
Florax, Folmer & Rey (2003) e Anselin (2005).
O multiplicador de Lagrange Robusto para o Erro-espacial (
λ
MRL
) mostrou-se
estatisticamente significativo para todo o período 2000-2008 e para os sub-períodos 2000-
2003 e 2004-2008, não podendo se afirmar o mesmo a respeito do Multiplicador de
Lagrange Robusto para a Defasagem-espacial (
ρ
MRL
). Destarte, o modelo de erro espacial
é tomado como o que melhor explica o processo de desmatamento entre os municípios de
Mato Grosso.
No mais, é importante também sublinhar que o modelo estimado por MQO
apresentou o problema da não-normalidade nos resíduos para os sub-períodos 2000-2003 e
2004-2008, como mostra o teste de Jarque-Bera. Por outro lado, o mesmo não pode ser dito
do período 2000-2008, conforme o mesmo teste. Outra constatação é que todos os períodos
122
de análise apresentam o problema da ausência de homocedasticidade, como indica o teste
de Koenker-Bassett. Nesse aspecto as especificações dos modelos de erro-espacial foram
modificadas para acomodar a heterocedasticidade na forma de grupos (groupwise
heteroskedasticity)
13
Coeficientes
, conforme recomendam autores como Perobelli, Ferreira e Faria,
(2007) e Almeida, Perobelli e Ferreira, (2008).
Dessa maneira, todos os modelos de erro-espacial foram estimados tanto pelo
método generalizado dos momentos (GM) de Kelejian e Prucha (1999), quanto pelo
método da máxima-verossimilhança (MV), tendo em vista que são os mais indicados. A
tabela 11 reporta os resultados.
TABELA 11. MODELOS DE ERRO-ESPACIAL PARA OS SUB-PERÍODOS, 2000 –
2003 E 2004 – 2008 E PARA O PERÍODO 2000 – 2008
2000-2003
2004-2008
2000-2008
Modelo 1
Modelo 2
Modelo 3
Modelo 4
Modelo 5
Modelo 6
MV
GM
MV
GM
MV
GM
α 0,0021 0,0021 0,0087 0,0085 0,0165 0,0164
(0,5615) (0,5612) (0,0002) (0,0001) (0,0012) (0,0012)
β
0,1442 0,1440 0,0196 0,0200 0,1741 0,1742
(0,0000) (0,0000) (0,0004) (0,0003) (0,0000) (0,0000)
λ 0,3116 0,3313 0,6445 0,6049 0,5276 0,5196
(0,0039) (0,0000) (0,0000) (0,0000) (0,0000) (0,0000)
Estatísticas
R² 0,5454 0,5444 0,0965 0,1001 0,5158 0,5166
LIK 339,002 458,227 323,137
AIC -674,004 -912,454 -642,275
SC -668,135 -906,585 -636,406
Teste Koenker - Bassett 0,2062 0,0256 1,5381
(0,6497) (0,8729) (0,2149)
Fonte: elaboração do autor com base o programa SpaceStat e dados do PRODES (2009).
Nota: Probabilidades entre parênteses.
Como pode se observar, o coeficiente β obtido para os seis modelos foi novamente
positivo e estatisticamente significativo, reforçando os resultados obtidos pelo modelo de
MQO, ou seja, de que não existe um processo de convergência do desmatamento entre os
13
Foi utilizada como variável dummy a existência ou não, de conselho municipal de meio-ambiente nos
municípios de Mato Grosso. Assim, municípios que possuem conselho municipal de meio-ambiente
receberam o valor unitário, ao passo que, municípios sem o referido conselho foram classificados com o valor
zero, conforme (Barcellos & Carvalho, 2009).
123
municípios mato-grossenses, mas sim um processo de divergência espacial. Outra
constatação é que, independentemente do período investigado, a magnitude do coeficiente β
pouco se altera seja ele estimado por MQO, MV ou GM.
Todos os seis modelos de erro espacial apresentaram coeficientes λ altamente
significativos do ponto de vista estatístico, revelando que a dependência espacial no
processo de desmatamento entre os municípios mato-grossenses se encontra no termo de
erro. Por sua vez, ao se acomodar a heterocedasticidade na forma de grupos, a hipótese nula
de que os erros possuem variância constante, homocedasticidade, não pode ser rejeitada a
um nível de 5% de significância, conforme indica o teste de Koenker-Bassett.
Ao se elaborar diferentes modelos de erro espacial, para os distintos períodos
investigados, verifica-se que a presença explícita de uma componente espacial na forma de
erro ajuda a explicar o processo de divergência do desmatamento entre os municípios mato-
grossenses, corroborado a importância da metodologia empregada.
124
6. CONSIDERAÇÕES FINAIS
Este trabalho contribui com importantes evidências sobre a autocorrelação espacial
do desmatamento nos estados da Amazônia Legal brasileira, juntamente com o caso
específico de Mato Grosso. Conforme pôde ser constatado pelo ferramental da AEDE,
independentemente do fator responsável pelo desmatamento nessas regiões, seja a pecuária,
a sojicultura, a exploração da madeira, ou qualquer outro, verificou-se a natureza
multidirecional desse processo.
Primeiramente ao se investigar a Amazônia foi possível concluir que existe
dependência espacial para o desmatamento entre seus municípios, durante o período 2000-
2008, e para seus sub-períodos 2000-2003 e 2004-2008, como mostraram as estatísticas de
autocorrelação espacial global I de Moran e c de Geary.
De modo mais específico, os indicadores LISA forneceram indícios de alguns
clusters significativos para os padrões AA e BB e, outliers para os padrões BA e AB.
Como o padrão AA é o que mostra os municípios com as maiores taxas de desmatamento
segundo a metodologia empregada, esse é o que recebeu maior atenção na pesquisa.
Considerando o período 2000-2008, o padrão AA foi encontrado em 68 municípios
localizados nos estados do Maranhão (39 municípios), Pará (15 municípios) e Tocantins
(14 municípios). Sinteticamente, os indicadores LISA mostraram que o desmatamento se
concentrou no nordeste da Amazônia, em discordância com estudos que se utilizaram do
conceito de estoque de desmatamento, como em BRASIL (2004). Este afirma que o
125
desmatamento ocorre em uma região delimitada por um “arco”, que se estende entre o
sudeste do Maranhão, o norte de Tocantins, o sul do Pará, o norte de Mato Grosso,
Rondônia, o sul do Amazonas e o sudeste do Acre.
Por outro lado, o governo federal brasileiro elaborou uma lista com os 43
municípios que mais desmataram na Amazônia Legal segundo dados históricos, ou seja,
através de um conceito de estoque. No entanto, esse método deveria ser complementado,
tendo em vista que a proteção de localidades com elevado desmatamento recente é algo
coerente do ponto de vista econômico. Propõe-se que o governo federal também dê ênfase
às regiões de elevado desmatamento recente, conforme se pôde diagnosticar pelo uso do
ferramental da AEDE, que incorpora explicitamente a questão da vizinhança no processo
de desmatamento.
Após se diagnosticar a existência de autocorrelação espacial para o processo de
desmatamento entre os municípios da Amazônia brasileira, uma outra importante questão
emergiu, referente à hipótese da convergência do desmatamento. Através de um arcabouço
neoclássico buscou-se verificar se municípios com elevadas taxas de desmatamento em um
período inicial tenderiam a reduzir essas taxas de forma mais acelerada que municípios com
baixo desmatamento inicial.
Foram, então, elaborados modelos de β convergência com o intuito de se verificar
essa hipótese. O modelo clássico, estimado por MQO buscou evidências para tal propósito.
De acordo com Baumol (1986), se β apresentar sinal negativo (positivo) e for significativo,
então (não) há convergência.
O modelo por MQO apresentou coeficientes β positivos e significativos para todos
os períodos investigados, sugerindo que não existe convergência no processo de
desmatamento na Amazônia, e sim, divergência. Ou seja, ao longo do tempo as
disparidades regionais tendem a se ampliar, implicando em aumentos na desigualdade. No
entanto, deve-se frisar que essa desigualdade está crescendo a taxas decrescentes, como
descreve o modelo da CKA. De outra maneira, o desmatamento está se dando de forma
mais desigual na Amazônia, mas a um ritmo cada vez mais lento. Com o passar dos anos a
divergência pode se tornar convergência (em média os municípios passariam do segmento
ascendente da CKA para o segmento descendente).
126
Todavia, o modelo clássico não é o mais indicado para explicar a convergência do
desmatamento, conforme indicaram a estatísticas de teste do multiplicador de Lagrange.
Estas mostraram que o melhor modelo é o que considerou a defasagem espacial da variável
dependente como uma das variáveis explicativas – modelo de defasagem espacial (SAR).
Assim, os modelos para o período 2000-2008, e para os sub-períodos 2000-2003 e
2004-2008, foram adaptados para conter explicitamente a defasagem espacial da variável
dependente, como uma das variáveis explanatórias. Os resultados mostraram que os
coeficientes β foram todos positivos e significativos, corroborando a ocorrência e
divergência do desmatamento, conforme já indicou a análise por MQO. No entanto,
verificou-se que as magnitudes dos coeficientes β reduziram-se aproximadamente pela
metade do modelo clássico, para os modelos estimados por MV e VI durante o período
2000-2008, e para o sub-período 2000-2003. No sub-período 2004-2008 também houve
redução do coeficiente β nos modelos espaciais, contudo, em menor magnitude.
Outra constatação importante é que em todos os modelos espaciais analisados, a
componente espacial - o coeficiente ρ - revelou-se altamente significativo e com sinal
positivo. Em outras palavras, considera-se que o processo de desmatamento não segue um
processo aleatório espacial na Amazônia, indicando que um município influi positivamente
sobre as taxas de desmatamento de seus vizinhos e vice-versa.
Por sua vez, os mesmos tipos de análises anteriores também foram realizados para o
estado de Mato Grosso. Isto se justificou porque o governo federal brasileiro considera este
estado prioritário no combate ao desmatamento, principalmente, por apresentar 20 dos 43
municípios de toda Amazônia com os maiores valores históricos acumulados para essa
variável.
Destarte, para verificar a relevância do caso mato-grossense foram elaboradas as
estatísticas da AEDE para o período 2000-2008 e para os sub-períodos 2000-2003 e 2004-
2008. Novamente, adotou-se essa metodologia por ser a mais apropriada para dados
georreferenciados, pois engloba o conceito de fluxo (períodos de tempo recentes e
definidos), bem como a dependência espacial que um município exerce sobre o outro.
De início foram efetuadas as estatísticas que mensuram a autocorrelação espacial
global, ou seja, o I de Moran e o c de Geary. Ambas foram significativas e confirmaram a
127
existência de dependência espacial entre os municípios de Mato Grosso para o processo de
desmatamento.
Em seguida, o diagrama de dispersão de Moran indicou que existem padrões locais
destoantes do comportamento médio. Nesse aspecto, os indicadores LISA refinaram esses
resultados, mostrando quais são os municípios mato-grossenses que apresentaram algum
tipo de padrão espacial para o desmatamento.
Tomando como base o período completo de estudo, 2000-2008, chegou-se à
conclusão que o padrão AA é formado por um grande cluster de desmatamento na região
centro-norte de Mato Grosso, sendo composto pelos municípios de Alta Floresta, Carlinda,
Claúdia, Colíder, Guarantã do Norte, Itaúba, Juara, Marcelândia, Matupá, Nova Canaã do
Norte, Novo Mundo, Paranaíta, Peixoto de Azevedo, Sinop, Sorriso, Tapurah, Terra Nova
do Norte, Nova Guarita e Nova Santa Helena. Pela metodologia empregada, esses
municípios também deveriam fazer parte de uma lista prioritária para o combate ao
desmatamento no estado.
Com relação às análises de convergência, todos os períodos no estado apresentaram
coeficientes β positivos e significativos, sugerindo que está ocorrendo divergência e não
convergência do desmatamento. Todavia verificou-se que as disparidades municipais estão
crescendo a taxas decrescentes, sugerindo que o processo de divergência pode se tornar de
convergência com o passar dos anos.
Além disso, constatou-se que os modelos de erro-espacial foram os mais indicados
para todos os períodos, conforme os testes de multiplicador de Lagrange. Ou seja, todos os
coeficientes λ mostraram-se altamente significativos, independente do método de estimação
utilizado, confirmando que a dependência espacial do desmatamento entre os municípios
mato-grossenses está no termo de erro dos modelos elaborados.
Por fim, uma questão relevante diz respeito às diferenças encontradas entre os
modelos de convergência espacial para o desmatamento na Amazônia Legal e os mesmos
modelos em Mato Grosso. Enquanto o modelo de defasagem espacial foi o mais indicado
para representar o processo de divergência espacial do desmatamento na Amazônia, o
modelo de erro espacial foi o que apresentou os resultados mais robustos para o estado de
Mato Grosso.
128
Tais resultados sugerem que o estado mato-grossense possui características
específicas que o difere dos demais estados da Amazônia Legal, como por exemplo, sua
grande rede de rodovias e estradas, clima favorável para o plantio da soja e a criação
pecuária, além dos elevados valores para o desmatamento acumulado, como se verificou
anteriormente.
Em outras palavras, as diferenças estruturais de Mato Grosso podem ser decorrentes
de efeitos não modelados e que não foram aleatoriamente distribuídos através do espaço,
resultando em multiplicadores de Lagrange para o erro espacial mais robustos que os
multiplicadores de Lagrange para a defasagem espacial. Nessa situação, o modelo de erro
espacial é o que melhor explica o processo de divergência espacial do desmatamento em
Mato Grosso, em detrimento ao modelo de defasagem espacial, como se verificou para o
caso da Amazônia Legal como um todo.
129
7. REFERÊNCIAS
ALENCAR, A., NEPSTAD, D., MACGRATH, D., MOUTINHO, P., PACHECO, P.,
DIAZ, M. D. V., SOARES FILHO, B. Desmatamento na Amazônia: indo além da
emergência crônica. Belém: Instituto de Pesquisa Ambiental da Amazônia (IPAM), 2004.
ALMEIDA, M. A. S. Análise exploratória e modelo explicativo da criminalidade no
Estado de São Paulo: interação espacial (2001). 2007. 85 f. Dissertação (Mestrado em
Economia) – Faculdade de Economia, Universidade Estadual de São Paulo, Araraquara,
2007.
ALMEIDA, E. S. e HADDAD, E. A. “MEECA: Um modelo econométrico especial para
projeção consistente de culturas agropecuárias”. Revista de Economia e Sociologia Rural,
vol. 42, nº 03, p. 507-527, jul/set, 2004.
ALMEIDA, E. S., HADDAD, E. A. e HEWINGS, G. J. D. “The spatial pattern of crime in
Minas Gerais: an exploratory analysis”. Economia Aplicada, vol. 9, n. 1, 2005.
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,
vol. 46, nº 01, p. 31-52, jan/mar, 2008.
ANSELIN, L. Spatial econometrics: methods and models, Kluwer Academic, Boston,
1988.
ANSELIN, L. “Local indicators of spatial association – LISA”, Geographical Analysis. V
27 (2), April. p. 93-115, 1995.
ANSELIN, L. “Interactive tecniques and exploratory spatial data analysis” in: Longley P.
A, Goodchild M. F, Maguire D. J and Wind D. W (eds). Geographical information system:
principles, techniques, management and applications. Wiley: New York. p. 253-365, 1998.
130
ANSELIN, L. Exploring Spatial Data with GeoDa: a Workbook. University of Illinois,
Urbana-Champaign, 2005.
ANSELIN, L. and BERA, A. “Spatial dependence in linear regression models with an
introduction to spatial econometrics” In: Ullah A. e Giles D. E. (eds.) Handbook of applied
economic statistics, Marcel Dekker, New York, p. 237-289, 1998.
ANSELIN, L; SYABRI, I; SMIRNOV, O. Visualizing multivariate spatial correlation with
dynamically linked Windows. Mimeo, University of Illinois, 2003.
ARAÚJO, P. T. M; MELO, A. S. S. A; Instituições ambientais e desmatamento na
Amazônia Legal brasileira: uma análise exploratória em nível de município. In: XLVI
Congresso da Sociedade Brasileira de Economia, Administração e Sociologia Rural –
SOBER: Rio Branco, Acre, 2008.
ARRAES, R. A; DINIZ, M. B; DINIZ, M. J. T. “Curva ambiental de Kuznets e
desenvolvimento econômico sustentável”. Revista de Economia e Sociologia Rural, vol.
44, nº 3, p. 525-547, jul/set, 2006.
BARCELLOS, F. C; CARVALHO, P. G. M. Municípios com instrumentos de gestão
ambiental. In: VIII Encontro da Sociedade Brasileira de Economia Ecológica. 2009,
Cuiabá, Mato Grosso, 2009.
BARRO, R. J. and SALA-I-MARTIN, X. “Convergence across states and regions.”
Brookings Papers. Economic Activity, n. 1, pp. 107-82, 1991.
BARRO, R. J. and SALA-I-MARTIN, X. “Convergence.” Journal of Political Economy,
100, p. 223-251, 1992.
BAUMOL, W. J. “Productivity growth, convergence, and welfare: What the long run data
show”, American Economic Review, v. 76, n. 5, p. 1072-85, 1986.
BAUMONT, C. Spatial Effects in Housing Price Models: Do house prices capitalize urban
development polices in the agglomeration Dijon (1999)? In: Regional Group Seminar of
the Federal Reserve Bank of Chicago, 2004.
BRASIL – PLANO DE AÇÃO PARA A PREVENÇÃO E CONTROLE DO
DESMATAMENTO NA AMAZÔNIA LEGAL, Brasília, DF, 2004. Disponível em:
www.planalto.gov.br/casacivil/desmat.pdf. Acesso em: 02 de agosto de 2009.
BROCK, W. A; TAYLOR, M. S. “The Green Solow Model”. NBER Working Paper, nº
10557, 2004.
CLIFF, A. D. e ORD, J. K. Spatial processes: models and applications. Pion, London,
1981.
131
DALL’ERBA, S. Productivity convergence and spatial dependence among Spanish
regions. Working Paper REAL/UIUC, Illinois, 2003.
DARMOFAL, D. Spatial econometrics and political science. Mimeo, Department of
Political Science, University of South Carolina, Columbia, 2006.
DE LONG, J. B. “Productivity growth, convergence, and welfare: comment.” American
Economic Review, 78, December: p. 1138-1154, 1988.
DNIT – DEPARTAMENTO NACIONAL DE INFRAESTRUTURA DE TRANSPORTE.
Disponível em: www.dnit.gov.br. Acesso em: 05 de fevereiro de 2010.
FARLEY, J. Optimal Deforestation in the Brazilian Amazon; Theory and Policy: The
Local, National, International and Intergenerational Viewpoints. PhD Thesis: Cornell
University, 1998.
FEARNSIDE, P. M. “Environmental services as an estrategy for susteinable development
in rural Amazonia.” Ecological Economics, v. 20, p. 53-70, 1997.
FEARNSIDE, P. M. “Combate ao desmatamento na Amazônia brasileira.” Cadernos da
Biodiversidade, Curitiba, v. 2, n. 2, p. 35-39, 1999.
FEARNSIDE, P. M. A floresta amazônica nas mudanças globais. Manaus: INPA, vol 1,
134 p., 2003.
FEARNSIDE, P. M. Carga Pesada: O custo ambiental de asfaltar um corredor de soja na
Amazônia, p. 397-423. In: TORRES, M (ed.) Amazônia Revelada: Os Descaminhos ao
Longo da BR-163. Conselho Nacional de Desenvolvimento Científico e Tecnológico
(CNPq), Brasília, DF, 496 p., 2005a.
FEARNSIDE, P. M. “Desmatamento na Amazônia brasileira: história, índices e
conseqüências.” Megadiversidade, vol. 1, n. 1, p. 114-123, jul, 2005b.
FERREIRA, D. A. C., NOGUERA, S. P., CARNEIRO FILHO, A., SOARES-FILHO, B.
“Mato, grosso até quando?” Ciência Hoje, vol. 42: 248, p. 26-31, 2008.
FLORAX, R. J. G. M., FOLMER, H., REY, S. J. “Specification searches in spatial
econometrics: The relevance of Hendry´s methodology”, Regional Science and Urban
Economics, vol. 33, n. 5, p. 557-79, 2003.
FOTHERINGHAM, A. S; BRUNDSDON, C; CHARLTON, M. Geographically weighted
regression: the analysis of spatially varying relationships. John Wiley and Sons, West
Sussex, 2002.
GEIST, H. J; LAMBIN, E. F. What drives tropical deforestation? Land – Use and Land –
Cover Change (LUCC). International Human Dimensions Programme on Global
132
Environmental Change (IHDP), Internacional Geosphere – Biosphere Programme (IGBP),
LUCC Report Series nº 4. Louvain-la-Neuve, 2001.
GOMES, S. C; BRAGA, M. J. Desenvolvimento Econômico e Desmatamento na Amazônia
Legal: Uma análise Econométrica. In: XLVI Congresso da Sociedade Brasileira de
Economia, Administração e Sociologia Rural – SOBER: Rio Branco, Acre, 2008.
GONÇALVES, E. Distribuição Espacial da Atividade Inovadora Brasileira: Uma Análise
Exploratória. Texto para discussão CEDEPLAR n° 246. Belo Horizonte: UFMG, 2005.
GEMT – GOVERNO DO ESTADO DE MATO GROSSO. Disponível em:
www.mt.gov.br. Acesso em: 15/02/2010.
GREENPEACE. O rastro da pecuária na Amazônia – Mato Grosso: o estado da destruição.
Disponível em: www.greenpeace.org.br/amazonia/pdf/atlasweb.pdf. Acesso em: 23 de
dezembro de 2009.
GROSSMAN, G.; KRUEGER, A. “Economic Growth and the Environment.” Quarterly
Journal of Economics, Massachussetts, vol. 110, n. 2, p. 353-377, 1995.
KELEJIAN, H. H. and PRUCHA, I. R. A “Generalized moments estimator for the
autoregressive parameter in a spatial model.” International Economic Review, vol. 40, n. 2,
1999.
IGLIORI, D. Deforestation, growth and agglomeration effects: evidence from agriculture
in the Brazilian Amazon. Discussion paper series: University of Cambridge, department of
land economy, nº 28.2008. UK, 2008.
INPE – INSTITUTO DE PESQUISAS ESPACIAIS. Disponível em: www.inpe.br. Acesso
em: 16 de maio de 2009.
IPEA – INSTITUTO DE PESQUISA ECONÔMICA APLICADA. Disponível em:
www.ipeadata.gov.br. Acesso em: 28 de novembro de 2009.
LE GALLO, J. and ERTUR, C. “Exploratory spatial data analysis of the distribution of
regional per capita. GDP in Europe, 1980-1995”, Papers in Regional Science, vol. 82, n. 2,
p. 175-201, 2003.
LESAGE, J. P. The theory and practice of spatial econometrics (mimeo). Department of
Economics. University of Toledo, 1999.
LOPES, J. L. Avaliação do processo de convergência da produtividade da terra na
agricultura brasileira no período 1960 a 2001. Tese de Doutorado, ESALQ/USP, 2004.
MADDISON, D. “Environmental Kuznets Curves: A Spatial Econometrics Approach.”
Journal of Environmental and Management, London, vol. 51, p. 218-230, 2006.
133
MARGULIS, S. Causas do desmatamento na Amazônia brasileira. The Word Bank,
Brasília, 2003. Disponível em: www.finefrint.com. Acesso em: 16 de maio de 2009.
MCPHERSON, M. A., NIESWIADOMY, M. L. “Environmental Kuznets curve:
threatened species and spatial effects.” Ecological Economics, v. 55, p. 395-407, 2005.
MICOL, L., ANDRADE, J., BÖRNER, J. Redução das Emissões do Desmatamento e da
Degradação (REDD): potencial de aplicação em Mato Grosso. Instituto Centro de Vida
(ICV), 2008.
MMA – MINISTÉRIO DO MEIO AMBIENTE. Disponível em: www.mma.gov.br. Acesso
em: 05 de abril de 2009.
ODLAND, J. Spatial autocorrelation. Sage publications, Londres, 1988.
OLIVEIRA, R. C. Curva de Kuznets Ambiental para a Amazônia Legal. 2009. 162 f.
Dissertação (Mestrado em Economia Aplicada) – Faculdade de Economia, Universidade
Federal de Juiz de Fora, Juiz de Fora, 2009.
OLIVEIRA, H. C., DOMINGUES, E. P. Considerações sobre o impacto dos fundos
constitucionais de financiamento do norte e do centro-oeste na redução da desigualdade
no Brasil. In: XXXIII Encontro Nacional de Economia, 2005, Rio Grande do Norte.
Nordeste, 2005.
PANAYOTOU, T. “Demystifying the Environmental Kuznets Curve: Turning a Black Box
into a Policy Tool.” Environment and Development Economics, p. 465-487, 1997.
PEROBELLI, F. S., ALMEIDA, E. S., SOUZA, M. C., SOUZA, R. M. Produção de soja
na região sul do Brasil (1991-2003): uma análise espacial. Texto para discussão NUPE n°
23. UFJF, 2005.
PEROBELLI, F. S., FERREIRA, P. G., FARIA, W. R. “Análise de Convergência no
Estado de Minas Gerais: 1975-2003”, Revista Brasileira de Estudos Regionais e Urbanos.
vol. 1, n.1, 2007.
PIMENTEL, E; HADDAD, E. A. Análise da Distribuição Espacial da Renda no Estado de
Minas Gerais: Uma Abordagem Setorial, Texto para discussão, NEREUS. São Paulo,
2004.
PPCDMT – Plano de Ação para Prevenção e Controle do Desmatamento e Queimadas do
Estado do Mato Grosso, Cuiabá, Mato Grosso: Secretaria de Estado de Meio Ambiente –
SEMA, 55 p, 2009.
PRODES – Programa de Calculo do Desflorestamento na Amazônia. Disponível em:
http://www.obt.inpe.br/prodes/index.html. Acesso em: 16 de maio de 2009.
134
QUAH, D. T. “Regional convergence clusters across Europe.” European Economic Review,
vol. 40, p. 951-958, 1996.
REIS, E. J; GUZMÁN, R. M. “An econometric model of Amazon deforestation”. Texto
para discussão IPEA n° 265. Brasília: IPEA, 1992.
REY, J. S. and MONTOURY, B. D. “US Regional income convergence: a spatial
econometric perspective”, Regional Studies, vol. 33, n. 2, p. 143-156, 1999.
SANTOS, R. B. N; DINIZ, M. B; DINIZ, M. J. T; RIVERO, S. L. M; OLIVEIRA
JÚNIOR, J. N. Estimativa da curva de Kuznets ambiental para a Amazônia legal. In: XLVI
Congresso da Sociedade Brasileira de Economia, Administração e Sociologia Rural –
SOBER. Rio Branco, Acre, 2008.
SELDEN, T. M.; SONG, D. “Environmental Quality and Development: Is There a Kuznets
Curve for Air Pollutions Emissions?” Journal of Environmental Economics and
Management, New York, vol. 27, n. 7, p. 1151-1160, 1994.
SHAFIK, N.; BANDYOPADHYAY, S. “Economic Growth and Environmental Quality: A
Time Series and Cross-Country Evidence.” Journal of Environmental Economics and
Management, vol. 4, p. 1-24, 1992.
SIDRA - Sistema IBGE de Recuperação Automática. Disponível em
http://www.sidra.ibge.gov.br/bda/, Acesso em: 06 de setembro de 2009.
SCHNEIDER, R; ARIMA, E; VERÍSSIMO, A; BARRETO, P; SOUZA JÚNIOR, C.
Amazônia sustentável: limitantes e oportunidades para o desenvolvimento rural. Séries
parcerias Banco Mundial – Brasil e IMAZON, 2000.
SECEX – SECRETARIA DE COMÉRCIO EXTERIOR. Disponível em:
www.desenvolvimento.gov.br/sitio/secex/secex/competência.php. Acesso em: 17 de
setembro de 2009.
SOUZA, M. C; PEROBELLI, F. S. “Análise da distribuição territorial da sojicultura no
Brasil: 1991 – 2003”. Revista Econômica do Nordeste, v. 39, p. 46-65, 2008.
TEIXEIRA, R. F. A. P; ALMEIDA, E. S; OLIVEIRA JÚNIOR, L. B; ALVIM, M. I. S. A.
“Análise espacial da produtividade de óleo vegetal para a produção de biodiesel na Zona da
Mata Mineira.” GESTÃO.Org. Revista Eletrônica de Gestão Organizacional, v. 6, p. 277-
299, 2008.
TESOURO NACIONAL - Execução Orçamentária dos Estados. Disponível em:
http://www.tesouro.fazenda.gov.br/estatistica/est_estados.asp. Acesso em: 04 de setembro
de 2009.
135
TYSZLER, M. Econometria Espacial: discutindo medidas para a matriz de ponderação
espacial. Dissertação de mestrado, Fundação Getúlio Vargas, São Paulo, 2006.
TOBLER, W. R. “A computer model simulation of urban growth in the Detroit region.”
Economic Geography, n. 46, p. 234-240, 1970.
VIEIRA, R. S. Crescimento econômico no estado de São Paulo: uma análise espacial.
2008. 91 f. Dissertação (Mestrado em Economia) – Faculdade de Economia, Universidade
Estadual de São Paulo, Araraquara, 2008.
WALKER, R; MORAN, E; ANSELIN, L. “Deforestation and cattle ranching in the
Brazilian Amazon: external capital and household processes.” World Development, vol. 28,
n. 4, p. 683-699, 2000.
WANIEZ, P. Philcarto: versão 4.xx para Windows – manual do usuário. Tradução e
Adaptação para o português de Eduardo Paulon Girardi, 2007. Disponível em:
http://williambarreto.pbworks.com/f/Manual+Philcarto+PT.pdf. Acesso em: 4 de agosto de
2009.
YOUNG, C. E. F., MAC-KNIGHT, V., MEIRELES, A. L. Desmatamento e custo de
oportunidade da terra: o caso de Mato Grosso. In: VIII Encontro da Sociedade Brasileira
de Economia Ecológica. 2009, Cuiabá, Mato Grosso, 2009.
136
ANEXO – INDICADORES LISA PARA OS MUNICÍPIOS DA AMAZÔNIA
QUADRO A. Municípios da Amazônia com o Padrão Alto-Alto durante o Período
2000-2008
Padrão Alto-Alto
Amapá do Maranhão - MA
Nazaré - TO
Ananindeua - PA
Olinda Nova do Maranhão - MA
Angico - TO
Paço do Lumiar - MA
Araguaína - TO
Pindaré-Mirim - MA
Augustinópolis - TO
Pinheiro - MA
Axixá do Tocantins - TO
Pio XII - MA
Bela Vista do Maranhão - MA
Poção de Pedras - MA
Belém - PA
Porto Rico do Maranhão - MA
Benevides - PA
Praia Norte - TO
Bequimão - MA
Quatipuru - PA
Bernardo do Mearim - MA
Raposa - MA
Buriti do Tocantins - TO
Sampaio - TO
Carrasco Bonito - TO
Santa Bárbara do Pará - PA
Cedral - MA
Santa Inês - MA
Cidelândia - MA
Santa Isabel do Pará - PA
Curuçá - PA
Santa Terezinha do Tocantins - TO
Dom Pedro - MA
Santo Antônio do Tauá - PA
Governador Eugênio Barros - MA
São Caetano de Odivelas - PA
Governador Newton Bello - MA
São Domingos do Maranhão - MA
Guimarães - MA
São Francisco do Pará - PA
Igarapé do Meio - MA
São João de Pirabas - PA
Igarapé Grande - MA
São José de Ribamar - MA
Imperatriz - MA
São Luís - MA
Joselândia - MA
São Miguel do Tocantins - TO
Junco do Maranhão - MA
São Raimundo do Doca Bezerra - MA
Lago da Pedra - MA
São Roberto - MA
Lago do Junco - MA
São Sebastião do Tocantins - TO
Lago dos Rodrigues - MA
São Vicente Ferrer - MA
Luzinópolis - TO
Senador Alexandre Costa - MA
Maracanã - PA
Sítio Novo do Tocantins - TO
Marituba - PA
Terra Alta - PA
Matinha - MA
Tracuateua - PA
Mirinzal - MA
Tufilândia - MA
Monção - MA
Vila Nova dos Martírios - MA
Fonte: Elaboração do autor.
137
QUADRO B. Municípios da Amazônia com os Padrões Baixo-Alto e Alto Baixo
durante o período 2000-2008
Padrão Baixo-Alto Padrão Alto-Baixo
Barra do Corda - MA
Miranorte - TO
São João do Soter - MA
São Mateus do Maranhão - MA
Fonte: Elaboração do autor.
QUADRO C. Municípios da Amazônia com o Padrão Baixo-Baixo durante o período
2000-2008
Padrão Baixo-Baixo
Acorizal - MT
Filadélfia - TO
Peixe - TO
Afonso Cunha - MA
Fonte Boa - AM
Peritoró - MA
Água Doce do Maranhão - MA
Formosa da Serra Negra - MA
Pindorama do Tocantins - TO
Taipas do Tocantins - TO
Formoso do Araguaia - TO
Ponte Alta do Bom Jesus - TO
Aldeias Altas - MA
Fortaleza dos Nogueiras - MA
Ponte Alta do Tocantins - TO
Almas - TO
General Carneiro - MT
Ponte Branca - MT
Alto Araguaia - MT
Goiatins - TO
Porto Alegre do Tocantins - TO
Alto Garças - MT
Gurupi - TO
Porto Nacional - TO
Alto Taquari - MT
Humbero de Campos - MA
Primeira Cruz - MA
Alvorada - TO
Ipueiras - TO
Pugmil - TO
Anapurus - MA
Itacajá - TO
Recursolândia - TO
Aparecida do Rio Negro - TO
Itapiratins - TO
Riachão - MA
Araguaçu - TO
Itiquira - MT
Ribeirãozinho - MT
Araguainha - MT
Japurá - AM
Rio da Conceição - TO
Arraias - TO
Jaú do Tocantins - TO
Sandolândia - TO
Aurora do Tocantins - TO
Lagoa do Mato - MA
Santa Rita do Tocantins - TO
Babaçulândia - TO
Lagoa do Tocantins - TO
Santa Rosa do Tocantins - TO
Balsas - MA
Lajeado Novo - MA
Santa Tereza do Tocantins - TO
Barcelos - AM
Lavandeira - TO
Santana do Maranhão - MA
Barra do Garças - MT
Lizarda - TO
Santo Amaro do Maranhão - MA
Barreirinhas - MA
Mata Roma - MA
São Benedito do Rio Preto - MA
Belágua - MA
Mateiros - TO
São Domingos do Azeitão - MA
Bonfim - RR
Monte Carmo - TO
São Félix do Tocantins - TO
Brejinho de Nazaré - TO
Monte Santo do Tocantins - TO
São Gabriel da Cachoeira - AM
Campos Lindos - TO
Natividade - TO
São Pedro dos Crentes - MA
Capinzal do Norte - MA
Nova Colinas - MA
São Raimundo das Mangabeiras - MA
Cariri do Tocantins - TO
Nova Rosalândia - TO
São Salvador do Tocantins - TO
Carolina - MA
Novo Acordo - TO
São Valério da Natividade - TO
Chapada da Natividade - TO
Novo Alegre - TO
Silvanópolis - TO
Chapada de Areia - TO
Novo Jardim - TO
Sucupira - TO
Chapadinha - MA
Novo São Joaquim - MT
Sucupira do Norte - MA
Codó - MA
Oliveira de Fátima - TO
Sucupira do Riachão - MA
138
Combinado - TO
Pacaraima - RR
Taguatinga - TO
Conceição do Tocantins - TO
Palmas - TO
Talismã - TO
Coroatá - MA
Palmeirópolis - TO
Tapauá - AM
Cristalândia - TO
Paraibano - MA
Timbiras - MA
Dianápolis - TO
Paraíso do Tocantins - TO
Tocantínia - TO
Divinópolis do Tocantins - TO
Paranã - TO
Torixoréu - MT
Duerá - TO
Passagem Franca - MA
Tupiratins - TO
Fátima - TO
Paulino Neves - MA
Tutóia - MA
Feira Nova do Maranhão - MA
Pedro Afonso - TO
Urbano Santos - MA
Figueirópolis - TO
Fonte: Elaboração do autor.
QUADRO D. Municípios da Amazônia com o Padrão Alto-Alto durante o período
2000-2003
Padrão Alto-Alto
Amapá do Maranhão - MA
Mirinzal - MA
Ananindeua - PA
Monção - MA
Angico - TO
Nazaré - TO
Araguaína - TO
Olinda Nova do Maranhão - MA
Arari - MA
Palmeirândia - MA
Augustinópolis - TO
Pindaré-Mirim - MA
Axixá do Tocantins - TO
Pinheiro - MA
Bela Vista do Maranhão - MA
Pio XII - MA
Belém - PA
Poção de Pedras - MA
Benevides - PA
Porto Rico do Maranhão - MA
Bequimão - MA
Praia Norte - TO
Bernardo do Mearim - MA
Quatipuru - PA
Buriti do Tocantins - TO
Raposa - MA
Cachoeirinha - TO
Sampaio - TO
Carrasco Bonito - TO
Santa Bárbara do Pará - PA
Castanhal - PA
Santa Inês - MA
Cedral - MA
Santa Isabel do Pará - PA
Cidelândia - MA
Santa Terezinha do Tocantins - TO
Curuçá - PA
Santo Antônio do Tauá - PA
Dom Pedro - MA
São Caetano de Odivelas - PA
Esperantinópolis - MA
São Domingos do Maranhão - MA
Governador Eugênio Barros - MA
São Francisco do Pará - PA
Guimarães - MA
São João de Pirabas - PA
Igarapé do Meio - MA
São José de Ribamar - MA
Igarapé Grande - MA
São Luís - MA
Imperatriz - MA
São Miguel do Tocantins - TO
Joselândia - MA
São Raimundo do Doca Bezerra - MA
139
Junco do Maranhão - MA
São Roberto - MA
Juscimeira - MT
São Sebastião do Tocantins - TO
Lago da Pedra - MA
São Vicente Ferrer - MA
Lago do Junco - MA
Senador Alexandre Costa - MA
Lago dos Rodrigues - MA
Sítio Novo do Tocantins - TO
Luzinópolis - TO
Terra Alta - PA
Maracanã - PA
Tracuateua - PA
Marituba - PA
Tufilândia - MA
Matinha - MA
Vila Nova dos Martírios - MA
Fonte: Elaboração do autor.
QUADRO E. Municípios da Amazônia com os Padrões Baixo-Alto e Alto Baixo
durante o período 2000-2003
Padrão Baixo-Alto
Padrão Alto-Baixo
Barra do Corda - MA
Miranorte - TO
São João do Soter - MA
São Mateus do Maranhão - MA
Fonte: Elaboração do autor.
QUADRO F. Municípios da Amazônia com o Padrão Baixo-Baixo durante o período
2000-2003
Padrão Baixo-Baixo
Acorizal - MT
Filadélfia - TO
Peixe - TO
Afonso Cunha - MA Fonte Boa - AM Peritoró - MA
Água Doce do Maranhão - MA
Formosa da Serra Negra - MA
Pindorama do Tocantins - TO
Taipas do Tocantins - TO
Formoso do Araguaia - TO
Pium - TO
Aldeias Altas - MA Fortaleza dos Nogueiras - MA Ponte Alta do Bom Jesus - TO
Almas - TO
General Carneiro - MT
Ponte Alta do Tocantins - TO
Alto Araguaia - MT
Goiatins - TO
Ponte Branca - MT
Alto Garças - MT Gurupi - TO Porto Alegre do Tocantins - TO
Alto Taquari - MT
Humbero de Campos - MA
Porto Nacional - TO
Alvorada - TO
Ipueiras - TO
Primeira Cruz - MA
Anapurus - MA Itacajá - TO Pugmil - TO
Aparecida do Rio Negro - TO
Itapiratins - TO
Recursolândia - TO
Apuí - AM
Itiquira - MT
Riachão - MA
Araguaçu - TO Japurá - AM Ribeirãozinho - MT
Araguainha - MT
Jaú do Tocantins - TO
Rio da Conceição - TO
Arraias - TO
Jutaí - AM
Sandolândia - TO
Aurora do Tocantins - TO Lagoa do Mato - MA Santa Rita do Tocantins - TO
Babaçulândia - TO
Lagoa do Tocantins - TO
Santa Rosa do Tocantins - TO
Balsas - MA
Lajeado Novo - MA
Santa Tereza do Tocantins - TO
Barcelos - AM Lavandeira - TO Santana do Maranhão - MA
Barra do Garças - MT
Lizarda - TO
Santo Amaro do Maranhão - MA
140
Barreirinhas - MA
Manicoré - AM
São Benedito do Rio Preto - MA
Belágua - MA
Mata Roma - MA
São Domingos do Azeitão - MA
Bonfim - RR
Mateiros - TO
São Félix do Tocantins - TO
Brejinho de Nazaré - TO
Monte Carmo - TO
São Gabriel da Cachoeira - AM
Campos Lindos - TO
Monte Santo do Tocantins - TO
São Pedro dos Crentes - MA
Canutama - AM
Natividade - TO
São Raimundo das Mangabeiras - MA
Capinzal do Norte - MA
Nova Colinas - MA
São Salvador do Tocantins - TO
Cariri do Tocantins - TO
Nova Rosalândia - TO
São Valério da Natividade - TO
Carolina - MA
Novo Acordo - TO
Silvanópolis - TO
Chapada da Natividade - TO
Novo Alegre - TO
Sucupira - TO
Chapada de Areia - TO
Novo Jardim - TO
Sucupira do Norte - MA
Chapadinha - MA
Novo São Joaquim - MT
Sucupira do Riachão - MA
Codó - MA
Oliveira de Fátima - TO
Taguatinga - TO
Combinado - TO
Pacaraima - RR
Talismã - TO
Conceição do Tocantins - TO
Palmas - TO
Tapauá - AM
Coroatá - MA
Palmeirópolis - TO
Timbiras - MA
Cristalândia - TO
Paraibano - MA
Tocantínia - TO
Dianápolis - TO
Paraíso do Tocantins - TO
Torixoréu - MT
Divinópolis do Tocantins - TO
Paranã - TO
Tupiratins - TO
Duerá - TO
Passagem Franca - MA
Tutóia - MA
Fátima - TO
Pastos Bons - MA
Urbano Santos - MA
Feira Nova do Maranhão - MA
Paulino Neves - MA
Vitória do Jari - AP
Figueirópolis - TO
Pedro Afonso - TO
Fonte: Elaboração do autor.
QUADRO G. Municípios da Amazônia com o Padrão Alto-Alto durante o período
2004-2008
Padrão Alto-Alto
Acará - PA
Nova Canaã do Norte - MT
Acrelândia - AC
Nova Esperança do Piriá - PA
Água Azul do Norte - PA
Nova Guarita - MT
Alcântara - MA
Nova Ipixuna - PA
Altamira do Maranhão - MA
Nova Olinda - TO
Amapá do Maranhão - MA
Nova Santa Helena - MT
Ananindeua - PA
Novo Horizonte do Norte - MT
Araguaína - TO
Ourém - PA
Araguanã - TO
Paço do Lumiar - MA
Bannach - PA
Paragonimas - PA
Bela Vista do Maranhão - MA
Paranaíta - MT
Bequimão - MA
Pau d` Arco - TO
Bernardo Sayão - TO
Paulo Ramos - MA
Bom Jesus das Selvas - MA
Piçarra - PA
141
Capitão Poço - PA
Pinheiro - MA
Castanheiras - RO
Poção de Pedras - MA
Colíder - MT
Porto dos Gaúchos - MT
Colinas do Tocantins - TO
Rio Maria - PA
Dom Eliseu - PA
Santa Bárbara do Pará - PA
Floresta do Araguaia - PA
Santa Carmem - MT
Garrafão do Norte - PA
Santa Cruz do Xingu - MT
Governador Eugênio Barros - MA
Santa Isabel do Pará - PA
Governador Jorge Teixeira - RO
Santo Antônio do Tauá - PA
Governador Newton Bello - MA
São Francisco do Brejão - MA
Imperatriz - MA
São José de Ribamar - MA
Itaúba - MT
Sapucaia - PA
Itinga do Maranhão - MA
Senador Alexandre Costa - MA
Itupiranga - PA
Sítio Novo do Tocantins - TO
Ji-Paraná - RO
Teixeirópolis - RO
Juína - MT
Terra Alta - PA
Lagoa Grande do Maranhão - MA
Terra Nova do Norte - MT
Marabá - PA
Tracuateua - PA
Maracanã - PA
Ulianópolis - PA
Marituba - PA
Vila Rica - MT
Ministro Andreazza - RO
Xambioá - TO
Mirinzal - MA
Xinguara - PA
Monte Negro - RO
Fonte: Elaboração do autor.
QUADRO H. Municípios da Amazônia com os Padrões Baixo-Alto e Alto Baixo
durante o período 2004-2008
Padrão Baixo-Alto
Lago do Junco - MA
Rio Crespo - RO
Ourilândia do Norte - PA
São João do Carú - MA
Parauapebas - PA
Tucuruí - PA
Fonte: Elaboração do autor.
QUADRO I. Municípios da Amazônia com o Padrão Baixo-Baixo durante o período
2004-2008
Padrão Baixo-Baixo
Acorizal - MT
Formosa da Serra Negra - MA
Peritoró - MA
Afonso Cunha - MA Formoso do Araguaia - TO Pindorama do Tocantins - TO
Água Doce do Maranhão - MA
Fortaleza dos Nogueiras - MA
Pium - TO
Taipas do Tocantins - TO
General Carneiro - MT
Ponte Alta do Bom Jesus - TO
Aldeias Altas - MA Goiatins - TO Ponte Alta do Tocantins - TO
Almas - TO
Gurupi - TO
Ponte Branca - MT
142
Alto Araguaia - MT
Humbero de Campos - MA
Porto Alegre do Tocantins - TO
Alto Garças - MT
Ipueiras - TO
Porto Nacional - TO
Alto Taquari - MT
Itacajá - TO
Primeira Cruz - MA
Alvorada - TO
Itapiratins - TO
Pugmil - TO
Anapurus - MA
Itiquira - MT
Recursolândia - TO
Aparecida do Rio Negro - TO
Japurá - AM
Riachão - MA
Araguaçu - TO
Jaú do Tocantins - TO
Ribeirãozinho - MT
Araguainha - MT
Juruá - AM
Rio da Conceição - TO
Arraias - TO
Lagoa do Mato - MA
Sandolândia - TO
Aurora do Tocantins - TO
Lagoa do Tocantins - TO
Santa Rita do Tocantins - TO
Babaçulândia - TO
Lajeado Novo - MA
Santa Rosa do Tocantins - TO
Balsas - MA
Lavandeira - TO
Santa Tereza do Tocantins - TO
Barcelos - AM
Lizarda - TO
Santana do Maranhão - MA
Barra do Garças - MT
Mata Roma - MA
Santo Amaro do Maranhão - MA
Barreirinhas - MA
Mateiros - TO
São Benedito do Rio Preto - MA
Belágua - MA
Miranorte - TO
São Domingos do Azeitão - MA
Bonfim - RR
Monte Carmo - TO
São Félix do Tocantins - TO
Brejinho de Nazaré - TO
Monte Santo do Tocantins - TO
São Gabriel da Cachoeira - AM
Campos Lindos - TO
Natividade - TO
São Mateus do Maranhão - MA
Capinzal do Norte - MA
Nova Colinas - MA
São Pedro dos Crentes - MA
Cariri do Tocantins - TO
Nova Rosalândia - TO
São Raimundo das Mangabeiras - MA
Carolina - MA
Novo Acordo - TO
São Salvador do Tocantins - TO
Chapada da Natividade - TO
Novo Alegre - TO
São Valério da Natividade - TO
Chapada de Areia - TO
Novo Jardim - TO
Silvanópolis - TO
Chapadinha - MA
Novo São Joaquim - MT
Sucupira - TO
Codó - MA
Oiapoque - AP
Sucupira do Norte - MA
Combinado - TO
Oliveira de Fátima - TO
Sucupira do Riachão - MA
Conceição do Tocantins - TO
Pacaraima - RR
Taguatinga - TO
Coroatá - MA
Palmas - TO
Talismã - TO
Cristalândia - TO
Palmeirópolis - TO
Tapauá - AM
Dianápolis - TO
Paraibano - MA
Timbiras - MA
Divinópolis do Tocantins - TO
Paraíso do Tocantins - TO
Tocantínia - TO
Duerá - TO
Paranã - TO
Torixoréu - MT
Fátima - TO
Passagem Franca - MA
Tupiratins - TO
Feira Nova do Maranhão - MA
Pastos Bons - MA
Tutóia - MA
Figueirópolis - TO
Paulino Neves - MA
Uiramutã - RR
Filadélfia - TO
Pedro Afonso - TO
Urbano Santos - MA
Fonte Boa - AM
Peixe - TO
Fonte: Elaboração do autor.
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
