Espacios. Vol. 36 (Nº 21) Año 2015. Pág. 20

A convergência espacial da produtividade de soja no Brasil: o caso das regiões Centro-Oeste e Sul

The spatial convergence of soybean in Brazil: the case of regions Midwest and South

Lucas Siqueira de CASTRO 1; Eduardo Simões de ALMEIDA 2; João Eustáquio de LIMA 3

Recibido: 14/07/15 • Aprobado: 16/08/2015

Contenido

1. Introdução

2. Convergência de Renda x Convergência da Produtividade Agrícola da Terra

3. Metodologia

4. Resultados e Discussão

5. Considerações Finais

6. Referências

1. Introdução

Ao longo da história, a agricultura mostrou-se presente na economia dos países, seja na forma de provisão de empregos, produção de alimentos e energia para o desenvolvimento da população, na geração de renda para o processo de industrialização, ou ainda como fornecedora de mão-de-obra para o mesmo.

No Brasil, o setor agrícola apresentou mudanças ao longo das últimas décadas. A dita modernização trouxe diferentes processos de desenvolvimento as regiões e entre produtos em uma mesma região (PAIVA, 1971).

Referente à atuação do governo com relação aos seus gastos junto a este setor, o crédito tomou destaque, permitindo o acesso de produtores aos recursos mais modernos da agricultura. Todavia, não foi qualquer tipo de produtor que teve acesso a tais valências, em geral para o Brasil, apenas os grandes e médios produtores foram beneficiados.

A mudança na base técnica da agricultura fez com que houvesse o desenvolvimento e aplicação de novas tecnologias que modificaram o grau de produtividade, ao ponto de competir com países que são referências mundiais (GASQUES et al., 2004).

Outros fatores também foram marcantes para a caminhada do setor agrícola nacional. Com a implementação do plano Real, em 1994, associado às mudanças proporcionadas pelo mesmo, o setor agrícola iniciou uma nova fase de prosperidade em muito assistida pela nova paridade do câmbio. A abertura comercial dos mercados impulsionou a melhora de técnicas de produção e gestão de suas atividades devido à concorrência com produtos internacionais.

A forte crise de 1999 atrelada à queda dos preços internacionais não foi suficiente para desestimular o setor que, a partir de 2002, encontrou novas possibilidades com o câmbio favorável.

Ações como a Lei de Biossegurança, que autorizou a produção e comercialização de produtos geneticamente modificados, como a soja, além da inclusão do biodiesel na matriz energética brasileira, no ano de 2005, ajudaram na construção de um novo ambiente competitivo, incidindo no sistema agroindustrial brasileiro.

Entretanto, em 2009 foi sentido o reflexo da crise do subprime norte americano, o qual reduziu as exportações de grãos sobretudo para países europeus. Panorama este que já apresentou recuperação a partir de 2010, em função da movimentação chinesa e europeia neste mercado.

Dentre a pauta de produtos brasileiros a soja figurará como objeto de análise deste trabalho. Expressiva commodity no mercado mundial, contou com uma produção de 283,74 milhões de toneladas na safra de 2013/14, sendo que deste total, o Brasil foi responsável por produzir 86,7 milhões de toneladas, ou seja, 30,56% deste mercado. Estes números mantiveram o país como segundo maior produtor, atrás apenas dos Estados Unidos (USDA, 2015).

Historicamente, foi a região Sul que iniciou a produção efetiva de soja em 1914, através de técnicas importadas dos Estados Unidos, devido a semelhança de clima e solo. Porém, foi a partir do desenvolvimento de novas maneiras de cultivo que foi possível adaptar o grão ao clima tropical das regiões de fronteira agrícola à época, como o Centro-Oeste, para que o Brasil alcançasse a excelência e o montante na produção de tal oleaginosa.

Entre as cinco grandes regiões do Brasil, Centro-Oeste e Sul foram as responsáveis por elevar a produção de soja nacional ao longo dos anos. Para a safra 2013/14, controlaram 46,82% e 37,05% do mercado interno, respectivamente. O que diferencia estas duas regiões das demais do Brasil é o fato de que nelas todos os Estados produzem tal commodity, com destaque espacial para o Mato Grosso e o Paraná, que por esta ordem são os maiores produtores brasileiros (IBGE, 2015).

 Em geral, o desenvolvimento da soja através do espaço mostra-se heterogêneo, uma vez que depende das variadas técnicas de produção, além de condições climáticas e solo. Por outro lado, o fato de regiões diferentes produzirem tal cultura traz efeitos de interdependência, como o extravasamento de certas ações que influenciam os estados/municípios, gerando competição espacial, quando levada em consideração a expansão da fronteira agrícola, ou mesmo na associação de cidades para a formação de cinturões agrícolas.

Sendo assim, dadas as diferenças entre técnicas de plantio e clima, há processos de convergência na produtividade da soja registrados nas maiores regiões produtoras do Brasil, Centro-Oeste e Sul?

O objetivo deste trabalho é o de analisar a evolução da produtividade média da terra na produção de soja, avaliando o processo de convergência desta variável entre as regiões Centro-Oeste e Sul do Brasil. Especificamente, buscar-se-á identificar o grau da convergência produtiva agrícola da soja em tais regiões, além de registrar a velocidade de convergência de tal processo.

O escopo da análise será feito entre o período de 1994 e 2013, e também entre os subperíodos de 1994 a 1998, 1999 a 2003, 2004 a 2008 e 2009 a 2013. A escolha por estes subperíodos ocorre em função dos acontecimentos históricos já mencionados ocorridos no mercado agrícola brasileiro que também marcaram a evolução nacional da soja.

A hipótese que guia esse trabalho é a de que haja convergência espacial na produtividade da soja. Crê-se também que, quanto mais avançado for o período de análise, maior tende a ser a convergência, exceto nos períodos de recuperação de crises econômicas.

Além desta introdução, o trabalho apresenta mais quatro seções. A segunda refere-se a discussão sobre convergência de renda e convergência da produtividade agrícola da terra. A terceira compreende o modelo analítico, bem como a fonte e a natureza dos dados. A quarta discute os resultados obtidos e, por fim, a quinta seção acrescenta algumas conclusões acerca do problema.

2. Convergência de Renda x Convergência da Produtividade Agrícola da Terra

Algumas definições tratam a convergência como um processo no qual uma mesma variável apresenta diferentes valores entre países, regiões, estados ou municípios, porém tal diferença se reduz ao longo dos anos, mostrando que a desigualdade tende a ser sanada.

Em relação aos modelos empíricos desenvolvidos, a maioria diz respeito à questão da renda. O modelo de Solow (1956) foi considerado o primeiro modelo econômico que mostrava traços da análise de convergência, indicando que economias mais pobres, com menores valores de capital e produto tendiam a alcançar as economias ditas inicialmente mais ricas.

Em 1957, Solow expande seu modelo, acrescentando a tecnologia, e prova que a mesma é fonte do crescimento do produto per capita sustentado, uma vez que a economia segue para o seu estado estacionário apenas se houver alteração tecnológica. Tais implicações deste modelo neoclássico de desenvolvimento geraram descontentamento de alguns pesquisadores, já que apresentara resultados diferentes do que ocorria no mundo real, sobretudo na convergência da renda entre países considerados mais pobres, como os latino-americanos e alguns asiáticos.

Por esse fato, a hipótese de convergência atraiu e vem atraindo a atenção de estudiosos para comprovar sua efetiva existência. Um dos primeiros a analisá-la foi Baumol, em 1986, que visava identificar este processo, entre os anos de 1870 a 1979, em 16 países considerados industrializados. A relação foi medida através da equação:

em que (Y/N) corresponde ao logaritmo da renda per capita; ℰ ao termo de erro;  i aos diversos países e t ao ano em questão.

Caso a convergência fosse absoluta, de acordo com Baumol (1986), o β seria negativo, indicando que países com renda inicial maior apresentariam menores taxas de crescimento, sendo que com o passar do tempo as rendas convergiriam para um denominador comum.

Reforçando novas construções teóricas sobre crescimento e convergência na década de 1980, Romer (1986) e Lucas (1988), adeptos da Nova Teoria do Crescimento, exploraram as implicações dos retornos decrescentes e dos determinantes da taxa de progresso técnico como endógenos (capital humano), obtendo resultados diferentes dos modelos anteriores considerados clássicos para as taxas de crescimento e convergência. Desta forma, a Nova Teoria do Crescimento mostrou que a convergência de renda per capita entre países não ocorreria de forma automática, pois incorpora o conceito de capital humano como determinante de longo prazo do crescimento econômico.

Após a publicação do trabalho de Romer (1986) novas ideias surgiram, especialmente reforçadas pela ideia de ausência de retornos decrescentes do capital, visto que esse era o motivo para tal investigação.

Barro e Sala-i-Martin (1990, 1991 e 1992) desenvolveram três conceitos de convergência em seus trabalhos: Convergência-β, Convergência-α e Convergência-β condicional. Para os autores, quanto menor os efeitos dos retornos decrescentes de capital (coeficiente α), maior e mais rápida será a convergência (β).

Além destes, Mankiw et al. (1992), acabaram por expandir o modelo de Solow (1957) com tecnologia incluindo o capital humano para analisar o processo de convergência.

Diferentemente dos modelos que concentram sua análise na renda, este estudo propõe uma maneira de avaliar a importância da produção de soja mas regiões Centro-Oeste e Sul do Brasil, acompanhando a produtividade agrícola da terra ao longo do tempo nas mesmas, e avaliando se o desenvolvimento mostrou algum padrão de convergência.

A literatura menciona ao menos três motivos para se verificar a convergência da produtividade agrícola: a ocorrência de mudanças estruturais no processo de produção (representadas pelas inovações tecnológicas e/ou incentivadas por políticas públicas); o fenômeno da difusão tecnológica de novas sementes, novos sistemas de plantio, novos implementos agrícolas, dentre outros; e a eliminação de entraves ao crescimento da produção, representado por questões ambientais, financeiras, etc. (LOPES, 2004).

Além destes motivos, Gasques et al. (2004) mostraram que ao longo do período analisado, especialmente para o Brasil, entre 1975 e 2002, a produtividade da terra mostrou-se o principal componente associado ao acréscimo da Produtividade Total dos Fatores (PTF). A taxa anual de crescimento da produtividade da terra foi 3,82%, superior à taxa anual da PTF de 3,30%.

Ainda sobre o porquê de escolher a produtividade agrícola para testar a convergência, Fan et al. (1999) analisaram que na Índia os ganhos de Produtividade Total de Fatores diminuíram a pobreza rural de maneira direta, aumentando a renda e também indiretamente, através de melhores salários e preços reduzidos na alimentação.

Por sua vez, Janvry e Sadoulet (2010) relataram que ganhos em produtividade agrícola são importantes para o desenvolvimento e também redução da pobreza nas regiões analisadas, como a Europa Oriental, Ásia Central, América, dentre outras, respeitando a estrutura regional de cada país ou região.

Para explorar tal análise de convergência, mostra-se interessante considerar aspectos regionais, uma vez que existe influência dos efeitos espaciais sob a dinâmica de crescimento de cada região. Autores da Nova Geografia Econômica (NGE) como Krugman (1998), estabelecem ao espaço uma grande importância sobre a forma como crescem as regiões.

Krugman (1998) fala que o acumulo de atividades em determinado local é explicado por forças que atraem (centrípetas) e que repelem (centrífugas) tais atividades. Assim, essas forças seriam responsáveis por grande parte da influência exercida sobre a aglomeração das atividades econômicas em determinadas regiões, o que por sua vez aumenta a probabilidade de crescimento econômico.

O diferencial em utilizar a análise espacial fundamenta-se na absorção do padrão da interação socioeconômica entre agentes num sistema (a autocorrelação espacial), como também as características da estrutura desse sistema no espaço (a heterogeneidade espacial). Tanto a autocorrelação espacial como a heterocedasticidade espacial geram influências nos processos econômicos (ANSELIN, 1988).

Poucos trabalhos mensuraram a convergência da produtividade agrícola em geral, mas não efetivamente buscando avaliar o papel da soja. Internacionalmente existem dois estudos que se propõem a investigar a convergência da produtividade da terra. Lusigi e Thirtle (1988) analisam a convergência da Produtividade Total dos Fatores (PTF) para 32 países africanos entre 1970 e 1991 a partir de uma equação que mede os desvios da produtividade em função de seus valores defasados. Como resultado, encontram convergência da PTF entre as nações consideradas.

Surariyanto e Thirtle (2001), por sua vez, analisam a PTF para os países asiáticos entre 1965 e 1996 através de uma equação em que a taxa de crescimento da PTF é uma função diferencial da PTF ocorrida no passado entre tais países, com o intuito de captar o efeito catch-up (efeito que mede se países tecnologicamente atrasados podem crescer a taxas maiores que os países já tecnologicamente desenvolvidos, utilizando os conhecimentos já dominados por estes países). O resultado indica a ausência de convergência da PTF nos países estudados.

Nacionalmente, tem-se o trabalho de Almeida e Haddad (2004) que utiliza uma nova metodologia econométrica para gerar cenários econômicos consistentes de longo prazo para as culturas agropecuárias. O Modelo Econométrico Espacial para projeções de Culturas Agropecuárias (MEECA) relaciona a dependência e heterogeneidade espaciais, sendo que suas regressões incorporam efeitos spillovers e expansão espacial dos coeficientes. Aplicada sobre as culturas do arroz, soja, milho, dentre outros produtos extrativos, além da bovinocultura e outros produtos pecuários, mostra resultados nos quais em todos os modelos o PIB agropecuário apresenta-se significativo.

Perobelli et al. (2007) analisam os efeitos espaciais que exercem influência sobre a produtividade agrícola brasileira da terra para os anos de 1991 a 2003. Concluem, deste modo, que a produtividade agrícola apresenta diferentes padrões de localização expressos através da heterogeneidade espacial e da autocorrelação espacial. Além disto, mostram que a produtividade agrícola está positivamente autocorrelacionada, no espaço e ao longo do tempo.

Cabe destacar ainda o estudo de Almeida et al. (2008), que mensura de maneira pioneira no Brasil a β convergência espacial da produtividade agrícola em geral, entre 1991 e 2003. Em um primeiro momento, realiza-se uma análise exploratória de dados espaciais, a qual detecta a presença de autocorrelação espacial para a produtividade da terra. Após obter os resultados da estimação dos modelos error espacial e lag espacial, concluem a existência de convergência absoluta da produtividade agrícola brasileira micro regionalmente.

3. Metodologia

3.1. Analise da Convergência

Assume-se que a equação utilizada para a estimação da convergência da produtividade agrícola da soja, em um primeiro momento, seja uma variação da equação para a convergência de renda, a qual é indicada a seguir:

Florax et al. (2003) recomendam que para refinar a especificação do modelo de β convergência espacial são necessários alguns procedimentos. Para esta análise, foram escolhidos o procedimento clássico e o robusto, quando necessário.

Os passos do procedimento baseado na especificação clássica informam que:

3.2. Velocidade de Convergência  

Para o cálculo da velocidade de convergência será usada a formula proposta por Florax et al. (2003):

em que: k é o intervalo de tempo utilizado nas observações.

3.3. Análise Exploratória de Dados Espaciais (AEDE)

Anterior a análise de convergência da produtividade agrícola de soja, será feita uma verificação exploratória de dados espaciais, objetivando atestar a qualidade dos dados utilizados, sobretudo em função da autocorrelação espacial.

De acordo com Odland (1988), a escolha de um coeficiente de autocorrelação espacial implica que o mesmo venha a descrever um conjunto de dados que esteja ordenado numa certa sequência, sendo que tais coeficientes são construídos pela razão de uma medida de autocovariância e uma medida de variação total dos dados.

3.3.1. I de Moran Global

Com relação às medidas de autocovariância existem três: produto-cruzado; quadrado da diferença; modulo da diferença. A estatística I de Moran utiliza a forma produto-cruzado. Moran (1948) propôs seu coeficiente algebricamente como:

em que n é o número de regiões, z são os valores da variável de interesse padronizada (logaritmo da produtividade soja), e Wz são os valores médios da variável de interesse padronizada nos vizinhos (dada a matriz de ponderação W). Nesse caso o numerador é a autocovariância espacial, composto pelo produto cruzado z´Wz.

O valor esperado é de [1/(n-1)], sendo que valores que excedem o valor esperado indicam autocorrelação espacial positiva e valores abaixo do esperado autocorrelação espacial negativa.

Resumidamente são fornecidos três tipos de informações. O nível de significância informa se os dados estão distribuídos aleatoriamente ou não. O sinal (resultado significativo) caso positivo indica que os dados são concentrados na região e, caso negativo, estão dispersos. A magnitude do resultado mostra que quanto mais perto de 1, maior a concentração, em contra partida quanto mais perto de -1 mais dispersos se organizam os dados.

3.3.2. c de Geary Global

A estatística de Geary (1954), por sua vez, utiliza a medida de autocovariância a partir do quadrado da diferença entre os designados valores. Algebricamente, tem-se:

Mantendo a mesma hipótese nula que Moran, aleatoriedade espacial, a estatística de Geary também fornece três tipos de informações. O p-valor da estatística mostra o comportamento dados espacialmente, seja ele apresentando um padrão ou de maneira aleatória. O sinal positivo novamente indica concentração de dados e caso seja negativo, dispersão dos mesmos. A magnitude, por conseguinte, revela que resultados próximos a 0 apresentarão maior concentração espacial e mais próximos de 2, caráter de dispersão.

3.4. Fonte de Dados

Este trabalho utiliza dados consultados por meio do Sistema IBGE de Recuperação Automática (SIDRA), referentes as Pesquisas Agrícolas Municipais e também da base de dados do IPEA, Ipeadata. Para a elaboração dos mesmos, são compilados os dados sobre o valor da produção agrícola e a área plantada total entre os anos de 1994 e 2013.

Este período consegue descrever bem as mudanças que se processaram e afetaram esta cultura. Por exemplo, ocorre a abertura comercial do Brasil em 1994, em 1998 e 1999 o mercado é afetado por crises internacionais, em 2005 entra em vigor a lei dos transgênicos no país e o biodiesel é implementado na matriz energética brasileira. Além disto, contabiliza-se também os efeitos da crise do subprime norte-americano de 2007/2008 e a recuperação do mercado via expansão de consumo chinesa e europeia até o ano de 2013.

Optou-se por trabalhar com os dados a nível microrregional, uma vez que no período de 20 anos proposto houve o desmembramento/emancipação de vários municípios, o que dificultaria a análise a nível municipal. Poder-se-ia atentar para Áreas Mínimas Comparáveis (AMC), entretanto os dados para a análise não seriam suficientes.  Mesmo com a divisão territorial de alguns municípios, as novas formações acabariam por pertencer a mesma microrregião, daí a opção por este tipo de agregação.

Para cada período ou subperíodos de análise foram computadas ao todo 146 microrregiões, sendo 52 pertencentes ao Centro-Oeste e 94 ao Sul.

4. Resultados e Discussão

Focando a análise primária dos dados, através das técnicas exploratória espaciais, foram estabelecidas matrizes W de ponderações espaciais. Para tanto, foi realizado o procedimento de Baumont (2004) [5] o qual busca evitar possíveis vieses advindos da escolha das matrizes de referência para cada estatística computada.

Sendo assim, foram realizados testes de autocorrelação espacial, I de Moran e c de Geary, para a produtividade de soja, em função dos anos iniciais e finais de cada subperíodo/período. O tipo de matriz selecionada, bem como as estatísticas alcançadas encontram-se na Tabela 1.

Tabela 1: Estatísticas de Autocorrelação Espacial Global

Fonte: Elaborado pelo autor.
Nota: * Significativo a 10%; ** Significativo a 5%; *** Significativo a 1%.

Por esta Tabela pode ser visto que os testes foram estatisticamente significativos e diferentes de zero para todos os anos. Tal resultado rejeita a hipótese nula do teste, indicando a presença de um padrão espacial nos dados.

Em função dos coeficientes serem positivos, para Moran houve indicação da presença de autocorrelação espacial positiva para as microrregiões, o que reflete no caráter de concentração destas. Isto é, microrregiões que apresentaram elevada produtividade média de soja são contíguas a outras regiões que apresentaram nível semelhante de produtividade, bem como microrregiões as quais dataram baixas produtividades médias de soja foram cercadas de vizinhos com produtividade média também baixa. Resultado este que é corroborado por Geary, uma vez que os testes indicaram valores entre 0 e 1, sendo mais próximos do primeiro.

Cumprindo os passos do procedimento clássico para iniciar modelagem, em um primeiro momento foram estimados modelos a partir de Mínimos Quadrados Ordinários. As matrizes de ponderação espacial utilizadas foram a de k = 3 vizinhos para o subperíodo de 1994/1998, k = 1 vizinho para os subperíodos de 1999/2003, de 2004/2008 e 2009/2013, e k = 2 vizinhos para o período de 1994/2013. As estimações bem como os testes de diagnósticos estão dispostos na Tabela 2.

Nesta, pode-se constatar que pelo teste Jarque-Bera os resíduos não apresentaram distribuições normais para os subperíodos de 1994/1998, 1999/2003 e para o período de 1994/2013. Todos os modelos apresentaram heterocedasticidade, de acordo com os testes de Koenker-Bassett e White. A estatística global de Moran constatou que os resíduos das regressões por MQO apresentaram autocorrelação espacial, inviabilizando o prosseguimento de análise por tais modelos.

Expandindo as informações acerca da dependência espacial, foram realizados testes como o multiplicador de Lagrange para a defasagem (MLρ) e para o erro autoregressivo (MLλ). As estatísticas revelaram resultados significativamente diferentes de zero para ambos os testes, em todos os modelos.

Tabela 2: Estimação dos Modelos sem Controle Espacial por MQO

Fonte: Elaborado pelo autor.
Nota: * Significativo a 10%; ** Significativo a 5%; *** Significativo a 1%.

Pelo procedimento clássico, após comparação entre MLρ e MLλ, tem-se que para os subperíodos de 1999/2003 e 2009/2013 o melhor modelo foi tido como o de defasagem espacial, SAR, uma vez que MLρ > MLλ. Já para os subperíodos de 1994/1998, 2004/2008 e para o período de 1994/2013, MLλ > MLρ, revelando que a estimação mais apropriada seria a de modelos do tipo erro espacial (SEM), Tabela 3 [6].

Tabela 3: Estimação dos Modelos com Controles Espaciais

Fonte: Elaborado pelo autor.
Nota: * Significativo a 10%; ** Significativo a 5%; *** Significativo a 1%.

A estimação dos modelos baseou-se na técnica de Método dos Momentos Generalizado (GMM), uma vez que esta não atesta a necessidade dos resíduos dos erros serem normais. Ainda pela Tabela 3 pode ser visto que os modelos estimados foram responsáveis por controlar o problema de autocorrelação espacial, de acordo com os testes de Razão de Verossimilhança e do Multiplicador de Lagrange (ML), em que todos não rejeitaram a hipótese nula de aleatoriedade espacial.

Todavia o teste de Breusch-Pagan novamente diagnosticou a presença de heterocedasticidade, já averiguada nos modelos OLS, inviabilizando a interpretação do parâmetro β de convergência absoluta. Este problema foi tratado através das correções de White para os modelos SAR e de Kelejian e Prucha para os modelos SEM, Tabela 4.

Tabela 4: Estimação do Modelo com Controles Espaciais e Heterocedasticos

Fonte: Elaborado pelo autor.
Nota: * Significativo a 10%; ** Significativo a 5%; *** Significativo a 1%.

Estimados os modelos com correção heterocedástica, mostra-se possível determinar se existe ou não convergência em relação a produtividade média da soja nas regiões Centro-Oeste e Sul do Brasil.

A Tabela 4 mostra que β, parâmetro de convergência absoluta, foi estatisticamente significativo em todos os subperíodos analisados. Todavia, para o intervalo de tempo entre 1994 e 2013 não houve significância, o que revela a inexistência de convergência neste período.

Uma das razões que poderiam influenciar este resultado adverso remete ao fato de que em 1994 a quantidade de municípios que plantavam soja era menor do que em 2013, o país ainda não havia passado pela expansão de soja sobretudo na região Centro-Oeste. Comparando a nível microrregional, em 1994 das 146 microrregiões existentes 18 não apresentavam atividade no setor, enquanto em 2013 este número correspondia a oito.

Entre as taxas de convergência, a que apresentou maior valor foi a referente ao período de 2004/2008, em que o país encontrou novas possibilidades com o câmbio favorável, foi assistido pela Lei de Biossegurança e pela inclusão do biodiesel na matriz energética brasileira, combustível esse que em sua maioria é produzido a base de soja.

No que diz respeito a velocidade de convergência, para o período de 1994/1998 o valor foi de 0,0412, enquanto o período de 1999/2003 apresentou a menor taxa, de 0,0340, reflexo das crises internacionais que acabaram por diminuir a exportação de soja brasileira.

Já o intervalo de 2004/2008 condiz ao período em que a velocidade de convergência foi a maior, registrando 0,0749, resultado que corrobora com a maior taxa de convergência já visto. Por fim, para o período de 2009/2013, o valor calculado foi de 0,0453 reflexo da lenta recuperação frente a crise do subprime norte-americano e de queda nas exportações.

5. Considerações Finais

O presente trabalho visou diagnosticar a existência de convergência absoluta na produtividade de soja nas principais regiões produtoras do Brasil, Centro-Oeste e Sul. A hipótese construída não foi rejeitada no geral, ou seja, alguns resultados evidenciaram a existência de tal convergência absoluta.

Subperíodos como os de 1994/1998, 1999/2003, 2004/2008 e 2009/2013 mostraram resultados substanciais de convergência absoluta na produtividade de soja, com destaque para o terceiro período, muito em função da Lei de Biossegurança e pela inclusão do biodiesel na matriz energética brasileira, medidas que estimularam a entrada de novos produtores no mercado e aumentaram a competitividade existente, o que gerou aumento na produtividade do grão.

Consequentemente, pode-se dizer que a produtividade média da soja nestas regiões está convergindo para a média de maneira moderada. Estas taxas consideradas relativamente médias implicam que, no longo prazo, a disparidade regional existente na soja tende a diminuir, ou seja, microrregiões consideradas com menor produtividade tendem a crescer mais, alcançando as ditas com maior produtividade. Ação esta que pode refletir no alcance do primeiro lugar na produção mundial de soja pelo país.

Como possíveis extensões ao trabalho, tem-se a ideia de expandir a análise, testando a sensibilidade do β para nível municipal abrangendo todo o Brasil. Esta seria uma tentativa de solucionar os problemas existentes nas informações via desmembramento de municípios que não são abordadas pelas AMC. A inserção de diferentes variáveis de controle que não apenas a produtividade da soja também se mostra interessante, como fatores edafo-climáticos, oscilação da demanda internacional, dentre outras.

A título de comparação, o mesmo estudo também poderia ser feito nas principais regiões produtoras dos Estados Unidos, visando dimensionar o processo de convergência da produtividade norte-americana e como o país trata a expansão da cultura a partir de tal questão.

6. Referências

ALMEIDA, E, S.; HADDAD, E, A. (2004): MEECA: Um Modelo Econométrico Espacial

Para Projeção Consistente de Culturas Agropecuárias. Revista de Economia e Sociologia Rural, Brasília, v. 42, n.03, p. 507-527.

ALMEIDA, E,S.; et al. (2008): Existe convergência espacial da produtividade agrícola no Brasil?. Revista de Economia e Sociologia Rural, v. 46, p. 31-52.

ANSELIN, L. (1988): Spatial econometrics: methods and models. Kluwer Academic, Boston.

BAUMOL, W. J. (1986): Productivity growth, convergency, and welfare: What the long-run show. American Economic Review, v. 76, n. 5, p. 1072-1085.

BARRO, R.; SALA-i-MARTIN, X. (1990): Economic growth and convergence across the United States. Cambridge: National Bureau of Economic Research. (texto para discussão, 3419)

BARRO, R.; SALA-i-MARTIN, X. (1991): Convergence across the states and regions. Brookings Papers on Economic Activity, v.1, p.107-158.

BARRO, R.; SALA-i-MARTIN, X. (1992): Convergence. Journal of Political Economic, v.100, p.223-251.

BAUMONT, C. (2004): Spatial Effects in housing price models: do house prices capitalize urban development policies in the agglomeration of Dijon (1999)? Mimeo., Université de Bourgogne.

FAN, S.; et al. (1999): Linkages Between Government Spending, Growth, and Poverty in Rural India. Research report 110. International Food Policy Research Institute. Washington, D.C..

FLORAX, R,J,G,M.; FOLMER, H.; REY, S.J. (2003): Specification searches in spatial econometrics: The relevance of Hendry's methodology, Regional Science and Urban Economics, vol. 33, n.5, p. 557-79.

GASQUES, J, G.; et al. (2004): Condicionantes da Produtividade da Agricultura Brasileira. Disponível em: <http://www.ipea.gov.br/portal/images/stories/PDFs/TDs/td_1017 .pdf>. Acessado em 03/05/2013.

GEARY, R.C. (1954): The contiguity ratio and statistical mapping. The Incorporated Statitician, v.5, n.3, p.115-145.

GRAZIANO DA SILVA, J. (1996): A nova dinâmica da agricultura brasileira. Campinas: UICAMP.

IBGE – Instituto Brasileiro de Geografia e Estatística, 2015. Disponível em: <http://www. ibge.gov.br/home/estatistica/pesquisas/pesquisa_resultados.php?id_ pesquisa=44>. Acesso em: 02/02/2015.

JANVRY, A.; SADOULET, E. (2010): The Global Food Crisis and Guatemala: What Crisis and for Whom. Sociological Abstracts.

KRUGMAN, P. (1988): What's new about new economic geographic, Oxford Review of Economic Policy 14.

LOPES, J. L. (2004): Avaliação do processo de convergência da produtividade da terra na agricultura brasileira no período de 1960 a 2001. Tese de Doutorado, ESALQ/USP. (mimeo).

LUCAS, R. (1988): On the mechanics of economic development. Journal of Monetary Economic, v.22, p.3-42.

LUSIGI, A.; THIRTLE, C. (1998): Convergence of per capita incomes and agricultural productivity in thirty-two African countries. Journal of International Development, v.10, n.1, p.105-15.

MANKIW, N, G.; et al. (1992): Contribution on the empirics of economic growth. Quarterly Journal of Economics. v.107, n.2, p.407-35.

MORAN, P. A. P. (1948): The interpretation of statistical maps. Journal of Royal Statistical Society, series B, vol. 10, n.2, p.243-251.

ODLAND, J. (1988): Spatial autocorrelation. Sage publications, Londres.

PAIVA, R. M. (1971): Modernização e dualismo tecnológico na agricultura. Pesquisa e Planejamento Econômico, v. 1, n. 2, p. 171-234.

PEROBELLI, F, S. et al. (2007): Produtividade do setor agrícola brasileiro (1991-2003): uma análise espacial. Nova Economia (UFMG), v. 17, p. 65-91.

ROMER, P, M. (1986): Increasing returns and long run growth. Journal of Political Economic, v.94, p.1002-1037.

SOLOW, R, M. (1956): A Contribution to the Theory of Economic Growth. The Quarterly Journal of Economics, v. 70, p. 65-94.

SOLOW, R, M. (1957): Technical change and the aggregate production function. Review of Economic and Statistics, v.39, p.312-320.

SURARIYANTO, K.; THIRTLE, C. (2001): Asian agricultural productivity and convergence. Journal of Agricultural Economics, v.52, n.3, p.96-110.

USDA - United States Department of Agriculture (2015). Disponível em: <http://www.fas.usda.gov/psdonline/circulars/oilseeds.pdf>. Acesso em: 03/02/2015.

1.  Doutorando em Economia Aplicada na Universidade Federal de Viçosa (UFV). Viçosa, MG, Brasil. E-mail: lucancastro@hotmail.com 
2. Professor do Departamento de Economia, Universidade Federal de Juiz de Fora (UFJF), Juiz de Fora, MG, Brasil. E-mail: eduardo.almeida@ufjf.edu.br

3. Professor do Departamento de Economia Rural (DER), Universidade Federal de Viçosa (UFV), Viçosa, MG, Brasil. E-mail: jelima@ufv.br

4. Processo referente a transformação na base técnica da produção agropecuária no pós-guerra, em função das importações de tratores e fertilizantes, visando elevar a produtividade (GRAZIANO DA SILVA, 1996).

5. O procedimento consiste na realização de testes, como o I de Moran ou c de Geary, sobre os resíduos do modelo clássico de regressão linear (MCRL). A escolha da matriz será feita a partir do resultado que apresentar a maior autocorrelação espacial estatisticamente significativa.

6. Em virtude dos testes robustos não apresentarem significância estatística na maioria dos modelos estimados, será adotado apenas o procedimento clássico.