PRODUTIVIDADE DO CAFÉ EM MINAS GERAIS: UMA ANÁLISE ESPACIAL

Transcrição

1 PRODUTIVIDADE DO CAFÉ EM MINAS GERAIS: UMA ANÁLISE ESPACIAL EDUARDO SIMÕES DE ALMEIDA; GISLENE DE OLIVEIRA PACHECO; ANA PAULA BENTO PATROCÍNIO; SIMONE MOURA DIAS; FEA/UFJF JUIZ DE FORA - MG - BRASIL edu_smoes@hotmal.com APRESENTAÇÃO COM PRESENÇA DE DEBATEDOR COMERCIALIZAÇÃO, MERCADOS E PREÇOS AGRÍCOLAS PRODUTIVIDADE DO CAFÉ EM MINAS GERAIS: UMA ANÁLISE ESPACIAL Resumo O obetvo do trabalho é analsar a produtvdade méda do café nas 66 mcrorregões do Estado de Mnas Geras nos anos de 2000 e 2004 através da análse espacal dos dados. O auxílo de nstrumentos de análse exploratóra de dados espacas (AEDE) permtrá uma vsualzação de possíves autocorrelações espacas exstentes em relação à efcênca produtva das mcrorregões e seu comportamento ao longo dos anos em questão. Palavras-chave: análse espacal, autocorrelação espacal, produtvdade, café, clusters espacas. 1. Introdução No níco do século XVIII, as prmeras sementes de café trazdas da Guana Francesa chegaram ao terrtóro braslero. Após váras tentatvas de desenvolver a cultura na regão Norte, a cafecultura fxou-se no Sudeste do país e, mas tarde, expandu-se para os Estados do Paraná e Baha, transformando o Brasl no maor produtor e exportador mundal de café. O café é o segundo produto na pauta das exportações agrícolas, consttundo-se em uma das mas mportantes fontes de renda para a economa braslera. Mnas Geras se destaca no cenáro braslero como o maor produtor de café do País, com uma partcpação em torno de 50% do café produzdo. A mportânca socal da cafecultura

2 mnera é evdente, tanto como geradora de empregos como fxadora de mão-de-obra no meo rural. Apesar de Mnas Geras apresentar-se como uma das regões mas evoluídas do País, a produtvdade, os nvestmentos na lavoura e seus custos anda dexam a desear. Embora o Estado possua um estoque tecnológco elevado e grande número de nsttuções geradoras de tecnologa, notam-se defcêncas na transferênca desta tecnologa aos técncos das ncatvas públca e prvada. Em 1998, a receta de exportação do café atngu US$ 2,6 blhões, correspondendo a 5,1% do valor total das exportações brasleras. Em 1998/99, de uma produção global de 111,1 mlhões de sacas, 23,9% são provenentes do Brasl. Em 1999, a receta cambal do café totalzou US$ 2,4 blhões, tendo declnado sua partcpação devdo ao avltamento do preço do produto. Dados relatvos ao setor cafeero mostram que o país possu aproxmadamente cerca de 145 cooperatvas e empresas exportadoras regstradas e ndústras de torrefação e moagem. As ndústras processaram ao redor de 13 mlhões de sacas de café para o atendmento do mercado nterno. Vale destacar que o Brasl é o segundo maor consumdor do produto. Em 2000, os estados de Mnas Geras, Espírto Santo, São Paulo, Paraná, Rondôna, e Baha, contrbuíram ndvdualmente com 51%, 22%, 12%, 6%, 4% e 4% respectvamente, totalzando 99% da produção braslera de café. O Estado de Mnas Geras, a partr de 1969, consoldou sua partcpação no contexto cafeero naconal, com o plano de Renovação da Lavoura plantando 1,28 blhões de covas, quntuplcando dessa forma sua população cafeera, que passou de 332 mlhões em 1969 para 1,7 blhões em 1998 e aproxmadamente, 2,87 mlhões em A produção de café no estado mnero passou de 2,3 mlhões de sacas no período de , para 16 mlhões no ano de Isto representa respectvamente 13% e 51% da produção cafeera naconal. Em 2004, o Brasl obteve uma produção de café de toneladas de grãos ( 41 mlhões de sacas ), o que representa um aumento de 24,09% em relação ao não anteror. O Sudeste, onde se concentram as maores regões cafeeras, fo responsável por 81,77% da produção naconal. Destacou-se o Estado de Mnas Geras, que em 2004, apresentou um crescmento de 38,47%, com uma safra de toneladas e uma partcpação de 49,81% na produção total do país. No estado, os prncpas muncípos foram Três Pontas, Patrocíno e Nepomuceno. Sendo que o muncípo de Três Pontas é o maor produtor de café em solo braslero. O trabalho vsa analsar o padrão espacal da produtvdade méda de café das mcrorregões mneras. Ou sea, verfcar se a proxmdade espacal das mesmas é um elemento sgnfcatvo na determnação da varável em questão, e sua evolução no tempo. A metodologa a ser adotada neste trabalho para a produtvdade de um produto agrícola específco (no caso, o café) segue a utlzada em Almeda et al. (2006) e Perobell et al. (2005) para nvestgar o padrão espacal da produtvdade méda da 2

3 agrcultura braslera. Neste trabalho, serão usadas ferramentas de análse espacal anda pouco adotadas na lteratura, tas como o cômputo do I de Moran global bvarado, o I de Moran local bvarado e os mapas de clusters bvarados. Além desta seção ntrodutóra, o trabalho está organzado da segunte forma. Na próxma seção, será feta sucntamente uma exposção da metodologa utlzada para a realzação do trabalho. Em seguda, serão apresentados os dados utlzados na pesqusa e sua ncdênca no estado de Mnas Geras. Na quarta seção, será feta a apresentação dos resultados, acompanhada de sua análse e dscussão. Por fm, as consderações fnas do estudo stuam-se na derradera seção. 2. Metodologa Para a obtenção dos resultados esperados será utlzada a análse exploratóra de dados espacas (AEDE) mplementada por meo do software econométrco espacal GeoDa (Anseln, 2005). Essa nferênca espacal permtrá verfcar se exste uma relação entre regões vznhas capazes de nfluencar os desempenhos de produtvdade uma da outra. Essa autocorrelação será calculada pela estatístca I de Moran, a qual fornece ndcação do grau de assocação lnear entre os vetores de valores observados no tempo e a méda ponderada dos valores da vznhança. A fórmula desta estatístca é expressa como: I n w y) w y) 2 y) (1) em que n é o número de undades espacas, y é a varável de nteresse, y é a méda dessa varável, w é o elemento da matrz de pesos espacas para o par de undades espacas e, medndo, com sso, o grau de nteração entre elas. Se a matrz de pesos espacas for normalzada na lnha, o duplo somatóro no denomnador da expressão (w ) resulta em n, então se pode reescrever a equação (1) como: I y) w y) 2 y) (2) O coefcente I de Moran tem um valor esperado (méda teórca) de [1/(n-1)], sto é, o valor que sera obtdo se não houvesse padrão espacal nos dados. O valor calculado de I devera ser gual ao seu valor esperado, dentro dos lmtes da sgnfcânca estatístca, se y é ndependente dos valores nas regões vznhas. Valores de I que excedem [1/(n-1)] ndcam autocorrelação espacal postva. Valores de I abaxo do valor esperado snalzam uma autocorrelação negatva. Uma ndcação de autocorrelação espacal 3

4 postva revela que há uma smlardade entre os valores do atrbuto estudado e da localzação espacal do atrbuto. Uma ndcação de autocorrelação espacal negatva revela, por sua vez que há uma dssmlardade entre os valores do atrbuto estudado e da localzação espacal do atrbuto. Segundo metodologa proposta por Anseln (1995 e 2005), serão utlzados também outros métodos que vsam a complementação do I de Moran como o dagrama de dspersão de Moran e estatístcas LISA (Indcadores Locas de Assocação Espacal ). O dagrama de dspersão é uma ferramenta de nterpretação gráfca do I de Moran. Ele representa o coefcente de regressão e é verfcado pela nclnação da curva de regressão. Com o seu auxílo, é possível vsualzar a dvsão dos dados observados em quatro quadrantes: No quadrante superor à dreta, encontram-se os dados com dstrbução Alta-Alta. Ou sea, regões de alto índce de produtvdade próxmas a regões de alta produtvdade. No quadrante nferor à esquerda, encontram-se os dados com dstrbução Baxa-Baxa. Ou sea, regões de baxo índce de produtvdade próxmas a regões de baxa produtvdade. Caso as observações se encontrem, em sua maora, nesses dos quadrantes, exste autocorrelação espacal postva da produtvdade méda entre as mcrorregões analsadas. No quadrante superor à esquerda, encontram-se os dados com dstrbução Alta-Baxa. Ou sea, regões de alto índce de produtvdade próxmas a regões de baxa produtvdade. No quadrante nferor à dreta, encontram-se os dados com dstrbução Baxa-Alta. Ou sea, regões de baxo índce de produtvdade próxmas a regões de alta produtvdade. A ndcação de padrão global de assocação lnear espacal fornecdo pelas estatístcas LISA, como o coefcente I de Moran pode estar em consonânca com padrões locas, no entanto, este pode não ser necessaramente o caso. Pode-se ter dos casos dstntos. O prmero caso ocorre quando uma ndcação de ausênca de autocorrelação espacal global oculta padrões de assocação local (nstabldade local). O caso oposto ocorre quando uma forte ndcação de autocorrelação espacal global pode camuflar padrões locas de assocação (clusters ou outlers espacas). Para resolver esse problema crouse o coefcente I de Moran local, que possu a capacdade de capturar padrões locas de assocação lnear, estatstcamente sgnfcatvos. Segundo Anseln (1995), o coefcente I de Moran local faz uma decomposção do ndcador global de autocorrelação na contrbução local de cada observação em quatro categoras, cada uma ndvdualmente correspondendo a um quadrante no dagrama de dspersão de Moran. A nterpretação ntutva é que o I local provê uma ndcação do grau de agrupamento dos valores smlares em torno da vznhança de uma determnada observação, 4

5 dentfcando clusters espacas, estatstcamente sgnfcatvos. O coefcente I de Moran local para uma varável y observada na undade espacal pode ser expresso como: I y) w n y) 2 y) (3) em que y e y são varáves cua somatóra sobre é tal que somente os valores dos vznhos J são ncluídos. O conunto J abrange os vznhos da observação, defndos conforme uma matrz de pesos espacas. Por fm, como é possível perceber, a matrz de pesos espacas é que possblta o cálculo do I de Moran,. Ela é essencal porque defne o que vêm sendo chamado de grau de proxmdade entre as regões, uma medda que pode gerar dstorções no resultado de pesqusas, caso não sea analsada cudadosamente. Portanto, ela pode ser assocada à dstânca entre as regões ou aos lmtes geográfcos (fronteras) exstentes. Para o presente trabalho, adotou-se a estrutura de pesos espacas bnáros na convenção de ranha, adotando os vznhos de prmera ordem (Anseln, 2005). A autocorrelação espacal global pode ser averguada também num contexto multvarado (Anseln et al., 2003). A déa ntutva é descobrr se os valores de uma varável observada numa dada undade espacal guardam uma relação sstemátca com os valores de uma outra varável observada em undades espacas vznhas. Em termos formas, é possível calcular-se a estatístca I de Moran para duas varáves dferentes, dgamos, y e x: I yx n w (x x)w (y (x x) 2 y) (4) E se a matrz de pesos espacas W for normalzada na lnha, a expressão acma se transforma em: I yx (x x)w(y y) (5) 2 (x x) Esse coefcente tem dos componentes dstntos. Como se trata da versão multvarada da estatístca I de Moran, o numerador refere-se a uma medda de covarânca do tpo produto-cruzado. O denomnador dz respeto a um re-escalonamento. 5

6 Dessa forma, agora a abordagem será testar se exste autocorrelação espacal global bvarada da produtvdade em relação à quantdade produzda e, posterormente, à área plantada das mcrorregões no ano de Assm como se pôde obter um coefcente de autocorrelação espacal global num contexto multvarado, também é possível consegur uma medda de autocorrelação espacal local multvarada. Readaptando a fórmula do I de Moran local, tem-se que: I yx x x w y y x x (6) 2 / n em que x e y são varáves dstntas cua somatóra sobre é tal que somente os valores dos vznhos J são ncluídos. Novamente, o conunto J abrange os vznhos da observação, defndos conforme uma matrz de pesos espacas. 3. Dados Para tornar possível o cálculo da varável de produtvdade méda, foram coletados dados referentes à quantdade produzda de café e à área plantada nas 66 mcrorregões do estado. A produtvdade méda usada no trabalho é de caráter parcal, obtdo pela dvsão da quantdade produzda de café pela área plantada. Os dados utlzados na pesqusa são orundos do SIDRA (Sstema IBGE de Recuperação Automátca), vnculado ao IBGE (Insttuto Braslero de Geografa e estatístca) e correspondem ao período de 2000 e A decsão por optar pela produtvdade méda advém do fato de ela representar uma varável de ntensdade. Ou sea, ela estabelece uma relação entre outras varáves, podendo alcançar resultados mas satsfatóros ou evtando possíves enganos. Ademas, ela consttu um ndcador de efcênca, atestando para o fato de que ndependente dos valores tomados ndvdualmente pelas outras duas varáves, a avalação do desempenho da produção podera ser dstorcda. As varáves absolutas também serão avaladas ndvdualmente no decorrer do trabalho, pos são mportantes para uma análse comparatva em relação à produtvdade méda. As fguras de 1 a 3 apresentam os dados da produtvdade na forma de box maps. Esse tpo de fgura smplesmente mapea as observações dspostas no conhecdo box plot, com um hnge de 1,5. Esses mapas são útes para dentfcar outlers globas. Para o box map para a produtvdade do café em 2000, detectam-se um outler global superor (mcrorregão de Unaí) e dos outlers globas nferores (Ituutaba e Frutal). Para 2002, são dentfcados três superores (Unaí, Januára e Prapora) e os dos outlers nferores detectados anterormente mas um outro (Três Maras). Em 2004, o box map detecta, além dos três outlers superores anterormente dentfcados, mas uma outra mcrorregão (Janaúba). Quanto aos outlers nferores, só fo detectado Ituutaba. 6

7 Fgura 1. Produtvdade méda em 2000 Fgura 2. Produtvdade méda em 2002 Fgura 3. Produtvdade méda em

8 4. Resultados e Dscussão 1 A produtvdade méda vem aumentando a partr de 2000, ano em que o mercado de café enfrentou mutos problemas, mostrando uma gradual recuperação. As mcrorregões de maor destaque nessa avalação são Unaí, Januára e Prapora, estando localzadas no noroeste do estado e as de menor valor encontram-se a leste nos mapas. Observa-se que a produtvdade apresenta certa establdade de valores ao longo dos anos analsados e aumentos de produtvdade geralmente em regões próxmas às que obtveram bons resultados. No entanto, essa avalação a olho nu consttu uma conclusão mutas vezes equvocada, atentado-se ao fato de que ela não leva em conta os possíves erros a que uma análse de dados está sueta. O coefcente do I de Moran para a produtvdade méda do café fo de 0,24 para o ano de 2000 e de 0,32 no ano de Para avalar o nível de sgnfcânca, fo utlzada a aproxmação normal, computada no programa SpaceStat. Os resultados estão reportados na tabela 1. Varável Ano I z Probabldade Produtvdade ,2379 3,3123 0,001 Produtvdade ,3218 4,4094 0,000 Tabela 1. Teste de I de Moran Global para Produtvdade do Café Fonte: resultados da pesqusa. É possível extrar certas conclusões desses resultados. Prmero, exste uma ndcação global de autocorrelação postva, ou sea, em méda no Estado de Mnas Geras, regões de elevada (ou baxa) produtvdade são crcundadas por regões na mesma stuação,. Embora ambos os I de Moran apresentem um valor baxo, ndcam que exste autocorrelação espacal postva crescente nesse período, reetando-se a hpótese nula de que as áreas vznhas não são nfluencadas por uma regão de alta produtvdade de café no nível de sgnfcânca de 0,1%. No entanto, analsar somente o I de Moran pode levar a erros, sendo necessára a adoção de outras ferramentas que possam nterpretá-lo e, conseqüentemente confrmar seus resultados ou não. Uma das formas de nterpretação apresenta-se como o dagrama de dspersão (fguras 4 e 5), em que os dados observados são dvddos em quatro quadrantes conforme a relação de produtvdade exstente entre as mcrorregões. Nas fguras em questão, observa-se que, em 2000, a maor parte dos dados localzou-se nos quadrantes Alto-Alto (30%) e Baxo-Baxo (39%). Esses resultados estão de acordo com o I de Moran computado, á que mostram que a maora dos dados observados encontra-se nos quadrantes que representam a exstênca de autocorrelação espacal: valores de produtvdade nas mcrorregões smlares aos verfcados por seus vznhos. 1 Os resultados foram obtdos com o programa GeoDa ( 8

9 Ademas, a nclnação postva da reta também comprova a exstênca de autocorrelação, á que o I de Moran é o coefcente angular da mesma. 2 Já no ano de 2004, a reta apresenta-se mas nclnada anda, mostrando compatbldade com o aumento do coefcente I de Moran. Verfca-se também resultado smlar ao do ano de 2000, pos a maora das regões observadas encontra-se nos quadrantes representatvos de autocorrelação espacal. No entanto, a dstrbução entre os mesmos apresenta-se de forma dferente á que o percentual de dados no quadrante Alto-Alto reduzu-se para 22% e as observações do quadrante Baxo-Baxo aumentaram sua partcpação para 40%. As mcrorregões de Unaí e Januára apresentam-se como possíves observações nfluentes, pos as suas produtvdades são muto elevadas (mas de dos desvos-padrões) e a méda da produtvdade de seus vznhos também é muto elevada (mas de dos desvos-padrões). Recalculando o I de Moran, exclundo-se a mcrorregões de Unaí e de Januára, obtém-se um valor de 0,21, menor do que o anteror, mas anda estatstcamente sgnfcatvo em 0,1%. Mesmo com o maor detalhamento dos resultados, o dagrama de dspersão anda não é sufcente para chegar-se a uma conclusão satsfatóra. Tendo sso em mente, utlzar-seá o mapa de clusters, que lustra a classfcação em quatro categoras de assocação espacal que são estatstcamente sgnfcatvos. Os clusters que passaram no teste de sgnfcânca estatístca do I de Moran local são mapeados. Assm, pelo mapa de clusters pode-se observar que a exstênca da autocorrelação postva entre as regões é confrmada localmente, á que dentre os dados de maor sgnfcânca encontram-se predomnantemente a classfcação Alta-Alta em ambos os anos, sendo que em 2004 ela se encontra anda mas concentrada. Esse resultado sgnfca que as regões mas sgnfcatvas em termos de efcênca produtva encontram-se próxmas de outras regões também dotadas de alta produtvdade, podendo conferr esse resultado ao grau de nfluênca que as proxmdades entre as regões exercem umas sobre as outras. Assm sendo, comprova-se a hpótese de que as regões de maor produtvdade podem estar nfluencando o surgmento de regões de gual desempenho devdo à nfluênca da proxmdade espacal. 2 Mas a esse respeto, consulte Anseln (1995). 9

10 Fgura 4. Produtvdade méda em 2000 Fgura 5. Produtvdade méda em 2004 Fgura 6. Produtvdade méda em 2000 Fgura 7. Produtvdade méda em

11 Nessa análse, o coefcente do I de Moran bvarado da produtvdade em relação à área plantada (fgura 8) fo de -0,0047, apesar de aproxmadamente 15% das observações apresentarem-se no quadrante Alto-Alto e 39% no Baxo-Baxo, consttundo maor partcpação percentual. A avalação da sgnfcânca estatístca fo conseguda por ntermédo de aleatorzação com 999 permutações. Os resultados estão apresentados na tabela 2. Tabela 2. Teste de I de Moran Global Bvarado para Varáves Seleconadas Varável Ano I xy Probabldade Produtvdade e área plantada ,0047 0,9990 Produtvdade e quantdade ,0205 0,8270 Fonte: resultados da pesqusa. Obs.: nível de sgnfcânca baseada na aleatorzação com 999 permutações. Conclu-se que o I de Moran bvarado ndca que não há evdêncas de autocorrelação espacal.já o coefcente I de Moran bvarado entre a produtvdade e a quantdade produzda (fgura 9), apesar de pequeno (0,0205) apresentou resultado postvo, porém não é estatstcamente sgnfcatvo (ver tabela 2). Da mesma forma que fo dscutdo com referênca à medda de autocorrelação espacal global unvarada, a estatístca de I de Moran global bvarado pode camuflar padrões de assocação lnear dstntos do ndcado pela autocorrelação global bvarado. Para ver sso, utlza-se o mapa de clusters bvarado, que mostra a classfcação em quatro categoras de assocação espacal que são estatstcamente sgnfcatvas em termos do I de Moran local bvarado. Além dsso, exste um cluster de mcrorregões do tpo Baxo-Alto, localzado prncplamente no Noroeste de Mnas. Apesar de haver ndcação de que, através das mcrorregões de Mnas Geras, não há autocorrelação espacal global bvarada, o mapa de clusters bvarados da produtvdade méda e da quantdade produzda (ver fgura 10) mostra padrões locas de autocorrelação como o cluster bvarado Alto-Alto, representado por Patrocíno e Uberaba e o cluster bvarado Baxo-Baxo, representado pelas mcrorregões Guanhães e Governador Valadares. O mapa de clusters bvarados da produtvdade méda e quantdade produzda (fgura 11) é bem parecdo com o anteror: apresenta-se em sua maora na classfcação Baxo- Alto (áreas de alta produtvdade rodeadas de áreas de baxa quantdade produzda ) e anda concentra-se na mesma regão noroeste da anteror. O cluster bvarado Alto-Alto é composto pelas mesmas mcrorregões. Já o cluster bvarado Baxo-Baxo é composto pelas mcrorregões Guanhães, Governador Valadares e Teóflo Oton. 11

12 Fgura 8. Produtvdade méda (y) e área plantada (x) em 2004 Fgura 9. Produtvdade méda (y) e quantdade Produzda (x) em 2004 Fgura 10. Produtvdade méda e área plantada em 2004 Fgura 11. Produtvdade méda e quantdade produzda em Consderações fnas Com o presente trabalho comprovou-se a hpótese obetvada no níco do trabalho da exstênca de autocorrelação espacal para os dados de produtvdade do café entre mcrorregões mneras, sendo que a produtvdade é concentrada geografcamente. 12

13 Portanto, para se trabalhar com esse mportante tema no setor de café, é necessáro se preocupar em controlar para esse efeto espacal. Em termos de padrões locas de autocorrelação espacal, Fo possível por meo da análse empreendda neste trabalho dentfcar cluster Alto-Alto, compreendendo Unaí, Paracatu, Januára, Prapora, Patrocíno, Patos de Mnas e Três Maras. Essa relação entre as mcrorregões pode ser explcada pela mplementação, na regão norte do estado, de dos grandes proetos de rrgação: Jaíba e Gorotuba. Esses proetos têm aumentado não só a produtvdade do café, mas de város outros produtos agrícolas. Também se provou o fato de que os métodos de análse utlzados consttuem ferramentas essencas e que não devem ser utlzadas sem ser em conunto. Ou sea, um dando suporte, ou comprovando ou até mesmo corrgndo possíves desvos os quas todos as ferramentas de análse estão expostas. Assm, na segunda análse concluu-se a não exstênca de autocorrelação entre a produtvdade e as duas outras varáves responsáves pelo seu cálculo (fguras 10 e 11). De acordo com esse resultado, é nteressante observar que apesar de a varável quantdade produzda e área plantada estarem dretamente relaconadas à produtvdade, por serem usadas para seu cálculo, essa relação não é verfcada nas regões de abrangênca das mesmas. Nos exemplos vstos, a produtvdade méda é maor nas mcrorregões stuadas ao norte do estado compreendendo as regões de Unaí, Prapora e Januára (fguras 1,2e 3) enquanto que tanto a quantdade produzda quanto a área plantada são maores no sul do estado nas regões de São Sebastão do Paraíso, Alfenas, Vargnha e Poços de Caldas, Patrocíno e Manhuaçu. (fguras 12 e 13) Conclu-se que a dferença decorre do fato de que, da mesma forma que as regões no sul produzem mas, a área plantada também é maor fazendo com que a razão entre elas dmnua a efcênca produtva da regão. A maor efcênca na regão norte advém de uma alta mecanzação e a exstênca dos proetos de rrgação, como dto anterormente. Já a regão sul apresenta fatores naturas e clmátcos negatvos, pos além de possur solos rregulares com mutos declves, possu problemas com geadas e falta de chuvas. No entanto, essa regão apresenta fatores geográfcos que contrbuem para o seu melhor desempenho de produção, além da mecanzação empregada e recentes pesqusas na área de rrgação. Como dto anterormente, o sul de mnas é a regão que mas produz café no Brasl em termos de quantdade, á que conta com uma extensa área de planto. Porém quando se refere à produtvdade ela perde efcênca devdo aos fatores naturas os quas a regão está condconada. Voltando-se às análses em que a hpótese nula fo aceta, observa-se que além de os fguras 10 e 11 apresentarem bastante smlardade quanto a não-correlação espacal dos dados, exstem duas mcrorregões em que fo observado padrão Alto-Alto de dstrbução dos dados. Essas regões compreendem a Patrocíno e Patos de Mnas, sendo que, a prmera delas consttu uma regão de destaque no trabalho: ela só não apresenta altos valores nos fguras 1, 2 e 3 em que a varável que questão é a produtvdade méda. Nas outras fguras, ela aparece sempre com valores sgnfcatvos. Ademas, esse muncípo ocupa o segundo lugar no rankng dos muncípos maores produtores de café em Mnas Geras e tercero no Brasl. 13

14 A questão produtvdade/quantdade produzda tem se mostrado um obeto de relevante análse em város aspectos de produção. Ela mostra como os produtores, mesmo possundo fatores que lhes são desfavoráves, conseguem se adaptar à stuações negatvas adversas. Com sso, os nvestmentos possuem mportante papel á que consttuem os úncos capazes de vablzar a produção em regões que possuem dferentes problemas. Através do uso da análse exploratóra de dados espacas no trabalho conclu-se que nvestmentos em técncas de planto e novas tecnologas podem nfluencar as regões vznhas, trazendo ganhos para o estado e o país como um todo. Fgura 12. Área plantada em 2000 Fgura 13. Área plantada em

15 Referêncas Almeda, E. S., Perobell, F. S. e Ferrera, P. G. C.. Exste Convergênca Espacal da Produtvdade Agrícola no Brasl? Texto para dscussão, Semnáros NUPE, FEA/UFJF, Anseln, L. Explorng Spatal Data wth GeoDa TM : a Workbook. Unversty of Illnos, Urbana-Champagn, Anseln, L. The moran scatterplot as an ESDA tool to assess local nstablty n spatal assocaton. In Spatal Analytcal Perspectves on GIS n Envronmental and Soco- Economc Scences. London: Taylor and Francs, p , Anseln, L. Local ndcators of spatal assocaton LISA. Geographcal Analyss, 27, n. 2, p , Anseln, L, Syabr, I. e Smrnov, O. Vsualzng multvarate spatal correlaton wth dynamcally lnked wndows. Mmeo., Unversty of Illnos, Perobell, F. S., Almeda, E.S., Alvm, M. I. S. e Ferrera, P. G. Análse Espacal da Produtvdade do Setor Agrícola Braslero: Anas do XLIII Congresso da Socedade de Economa e Socologa Rural, Rberão Preto,