COMPORTAMENTO E EFEITOS DA DISPONIBILIDADE DE CRÉDITO RURAL E OUTRAS VARIÁVEIS SOBRE A...

i Trabalho desenvolvido com o apoio do Programa PIBIC/FAPESPA.

ii Graduando do curso de Ciências Econômicas da Universidade Federal do Pará. Bolsista

PIBIC/FAPESPA. E-mail: [email protected].

iii Docente do ICSA, Universidade Federal do Pará. E-mail: [email protected]

COMPORTAMENTO E EFEITOS DA DISPONIBILIDADE DE CRÉDITO RURAL E OUTRAS VARIÁVEIS SOBRE A PRODUTIVIDADE DO TRABALHO E DA TERRA

UTILIZANDO MODELOS CROSS SECTION DE CONVERGÊNCIA CONDICIONAL E MODELOS DE CONVERGÊNCIA ESPACIAL: UMA ANÁLISE

PARA AS REGIÕES BRASILEIRASi

Vinícius Camattiii

Ricardo Bruno Nascimento dos Santosiii

(Universidade Federal do Pará)

Resumo

Este estudo verifica, através de modelos econométricos de convergência condicional da

produtividade da terra e do trabalho em relação ao crédito rural e outras variáveis, se o

mesmo contribui positivamente no crescimento econômico dos municípios brasileiros no

período de 1996 a 2006 para as macrorregiões brasileiras, além da influência das demais. Para

este fim, foram utilizados dados do Anuário Estatístico de Crédito Rural do Banco Central

(BACEN), do Ipeadata e do IBGE. Ademais, foram desenvolvidas estatísticas descritivas em

relação à quantidade de contratos e valores médios do repasse de crédito aos municípios por

macrorregião. Como resultado dos modelos, aceitou-se a hipótese de β-convergência

condicional para todas as regiões, observou-se um impacto positivo do crédito sob a

produtividade da terra e do trabalho na maioria dos modelos, e outros resultados relacionados

às demais variáveis, inclusive a interação espacial entre os municípios foi significativa,

apresentando convergência também no modelo espacial e um efeito positivo em geral no

mesmo.

Palavras-chave: Convergência condicional; Crédito rural; Econometria espacial. Abstract

This study verifies, through econometric models of conditional convergence of productivity

of land and labor in relation to rural credit and other variables, whether it contributes

positively to economic growth in municipalities and there is a spatial effect between them in

the period 1996-2006 for Brazilian regions, beyond the influence of others. To this end,

Statistical Yearbook of Rural Credito of Central Bank (BACEN), Ipeadata and IBGE were

used as source of data. In addition, descriptive statistics were developed in relation to the

number of contracts and average values of the credit transfer to municipalities by macro-

region. As a result of the models, accepted the hypothesis of conditional β-convergence for all

regions, there was a positive credit impact on the productivity of land and labor in most

models, and other findings related to other variables, including the spatial interaction between

the municipalities was significant, with convergence also in the spatial model and an overall

positive effect on the same. Thus, the study completed all the goals that had been proposed.

Keywords: Conditional Convergence; Rural credit; Spatial econometrics.

COMPORTAMENTO E EFEITOS DA DISPONIBILIDADE DE CRÉDITO RURAL E OUTRAS VARIÁVEIS

Relatório Final de Bolsa de Iniciação Científica

1. INTRODUÇÃO

A partir do ano de 1965, aumentou-se

de forma considerável a importância do

crédito rural como um dos principais

incentivos à agricultura. Esta mudança

ocorreu, principalmente, devido a criação

do Sistema Nacional de Crédito Rural

(SNCR), o qual tornou-se o instrumento

protagonista da política agrícola brasileira,

em um momento de busca da inovação

tecnológica do setor, a chamada

“Revolução Verde”. Seus principais

objetivos eram: o financiamento do custeio

da produção; estimular a formação de

capital; impulsionar uma maior velocidade

nas melhorias tecnológicas; e contribuir

para uma melhora na posição econômica

dos produtores, principalmente dos médios

e pequenos.

Entretanto, é importante ressaltar,

segundo Santos e Braga (2013), que

durante as décadas de 1970 e 1980, uma

considerável parcela do crédito rural foi

direcionada aos grandes proprietários de

terras, pois este era subsidiado e

distribuído conforme o tamanho dos

estabelecimentos de propriedade dos

tomadores. Tal aspecto acabou sendo um

fator gerador de restrição de crédito,

principalmente aos pequenos produtores

localizados nas regiões agrícolas.

É importante salientar, ainda, as

regiões em que concentram-se as

concessões do crédito e, em contrapartida,

as regiões que sofrem pela restrição do

mesmo. Segundo o Censo Agropecuário de

2006, de responsabilidade do Instituto

Brasileiro de Geografia e Estatística

(IBGE), 33,48% dos estabelecimentos

agrícolas obtiveram algum tipo de crédito

e, dentre estes, o maior número de

estabelecimentos encontrava-se na região

Sul do país (279.236), enquanto a região

Norte detinha a menor parcela dentre as

macrorregiões brasileiras (22.940). Diante

de tais estatísticas, é possível perceber as

disparidades entre tais regiões e a

necessidade de uma política governamental

que pudesse amenizar tal desigualdade,

uma vez que os critérios para subsídio e

distribuição do crédito eram em função das

áreas e terras possuídas pelos tomadores.

Nesta perspectiva, foi criado o Programa

Nacional de Fortalecimento da Agricultura

Familiar (PRONAF), o qual possibilitou o

acesso ao crédito a uma significativa parte

dos pequenos produtores rurais.

Analisando a relação entre estes

mecanismos creditícios e o crescimento da

economia brasileira, este trabalho visa,

além de conhecer o caráter histórico da

distribuição do crédito ao meio rural de

cada macrorregião, entender o impacto

deste sob os municípios de cada uma das

mesmas; investigar quanto do crescimento

econômico agropecuário pode estar

associado à evolução do crédito distribuído

e determinar se o crédito rural é um

importante condicionante na convergência

de crescimento de cada região, além de

verificar o efeito de outras variáveis no

modelo com vistas a aumentar o poder

explicativo do mesmo. Tal discussão é de

extrema relevância pois, como afirmaram

estudos de Pires (2005), Chinelatto Neto

(2007), Lima (2006) e Galeano; Feijó

(2011), o crédito exerce importante

influência e relação positiva com o

crescimento econômico, desempenhando

um papel de fortalecimento à propulsão do

investimento e acumulação de capital,

financiamento da atividade inovativa,



redução da concentração de recursos e

rompimento da dinâmica centro – periferia.

Para tal, buscamos introduzir na

análise, modelos econométricos precisos

como os de convergência (condicional e

espacial), os quais evidenciarão os efeitos

da disponibilidade do crédito rural sobre o

crescimento econômico na região estudada

e o impacto sobre a produtividade. Na

tentativa de relacionar outras variáveis

importantes que podem exercer papel de

influência no crescimento econômico rural,

acrescentamos a quantidade e áreas dos

estabelecimentos agrícolas para cada

região obtendo os resultados para o modelo

de convergência da produtividade da terra

com as demais variáveis, utilizamos o

modelo de convergência de produtividade

do trabalho (PIB por trabalhador) com as

demais variáveis de acordo com as teorias

de crescimento econômico de Solow

(1956) e Mankiw, Romer e Weil (1992) e

também o modelo espcial de acordo com

Rey e Montouri (1999).

Tratando-se do modelo

econométrico espacial, necessitamos

introduzir as coordenadas geográficas de

cada um dos municípios receptores do

crédito.

Diante disso e com vistas a

diminuir lacunas do conhecimento na área,

o escopo deste estudo é verificar

empiricamente se a concessão de crédito

rural é ou não um mecanismo eficaz para

um aumento da produtividade e renda dos

estabelecimentos e, consequentemente,

crescimento e desenvolvimento do meio

rural. A hipótese adotada no trabalho é de

que a política de concessão de crédito rural

tende a diminuir a desigualdade neste setor

para as macrorregiões brasileiras.

2. MÉTODO

2.1 Revisão da literatura

O modelo de convergência de

renda, o qual foi utilizado neste trabalho,

foi estabelecido por Solow (1956) para

verificar se países tendem a convergir para

suas trajetórias de crescimento equilibrado

(estado estacionário). Dessa forma, na

medida em que as diferenças no produto

per capita surjam de países que estão em

diferentes pontos com relação a suas

trajetórias de crescimento equilibrado,

deve-se esperar que países pobres

alcançassem os países ricos.

A hipótese de convergência de

renda (absoluta), introduzida

principalmente por Abramovitz (1986),

consiste em dizer que regiões com rendas

inferiores tendem, no longo prazo, a

crescer mais rápido que regiões de renda

maior, de modo que não exista mais o

hiato entre essas regiões desiguais.

No entanto, de acordo com Baumol

(1986), não eram todos os países que

apresentavam convergência, apenas em

alguns grupos como nos países

componentes da OCDE. Assim, eram

grupos que convergiam e não todos os

países do mundo convergindo para um

mesmo nível de rendas per capita.

Mesmo assim, não se fazia

necessário desconsiderar o modelo

neoclássico. Apenas que havia uma

condição (convergência condicional) para

que as economias de diferentes regiões

apresentassem convergência, a qual era

que os países convergem de acordo com

seu estado estacionário: os países os quais

se encontram antes de seu estado

estacionário crescem mais rápidos em

ralação aos que estão no estado

estacionário ou acima dele, a recíproca é

verdadeira (Barro e Sala-i-Martin, 1992;

Mankiw et al., 1992). Ainda, segundo

Galor (1996, p. 1057), a hipótese de

convergência condicional está intimamente

relacionada com a noção de que cada

economia é caracterizada por um único,

globalmente estável, equilíbrio de estado

estacionário. Para tal pode ser utilizado um

modelo cross section, isto é, de seções

cruzadas para uma ou várias variáveis

estáticas ao longo do tempo. Por isso os

países que são idênticos em seus

fundamentos (e, portanto, em seus sistemas

dinâmicos) convergem para um mesmo



estado estacionário, independentemente de

suas condições iniciais.

Não demorou muito e a hipótese de

convergência condicional, onde cada

economia possuía um único estado

estacionário, passou a concorrer com a

hipótese de clubes de convergência,

iniciada por Baumol (1986), e aprimorada

por Durlauf and Johnson (1995) e Galor

(1996). Este modelo afirma que economias

as quais são semelhantes em suas

características estruturais convergem para

o mesmo equilíbrio de estado estacionário,

se seus níveis iniciais de produto per capita

são também semelhantes (GALOR, 1996).

De maneira adicional foram

introduzidos os conceitos de -

convergência e -convergência por

Mankiw et al. (1992) e Barro e Sala-i-

Martin (1992). -convergência, de acordo

com Islam (2003), é quando tanto a renda

per capita quanto o crescimento

convergem, i.e. países pobres em capital

terão produtividade marginal maior, pois

isso segue a hipótese de retornos

decrescentes. Deste modo, com

semelhantes taxas de poupança, economias

pobres irão, crescer mais rápido. Por outro

lado, o conceito de -convergência

consiste na observação da dispersão das

rendas per capita das áreas em estudo em

sucessivos anos.

De acordo com Coelho e

Figueiredo (2007), podemos sintetizar os

conceitos sobre convergência da seguinte

maneira:

(i) Convergência β absoluta ou

incondicional: duas economias

quaisquer tenderão para o

mesmo nível de renda per capita

no longo prazo (estado

estacionário),

independentemente de suas

condições iniciais;

(ii) Convergência β condicional:

duas economias com

características estruturais

comuns (mesmas preferências,

tecnologias, taxas de

crescimento populacional,

políticas públicas, etc.) tenderão

para o mesmo nível de renda

per capita no longo prazo,

independentemente de suas

condições iniciais; e

(iii) Clubes de convergência: duas

economias quaisquer que

compartilham das mesmas

características estruturais e que

possuem condições iniciais

semelhantes tenderão a possuir

o mesmo nível de renda per

capita no longo prazo.

Acrescentando ainda sobre o

modelo de clubes de convergência,

Azariadis e Drazen (1990) introduziram

um efeito limiar, o chamado “threshold”,

no processo de acumulação de capital

físico ou humano para demonstrar que

existe um nível de capital físico e humano

que impulsiona mudanças na produtividade

agregada.

Embora esses modelos de

convergência sejam importantes, um fator

fundamental para tratar de convergência é

o efeito espacial entre os países, os efeitos

de vizinhança que envolvem as interações

espaciais, efeito amplamente ignorado,

como ressalta Rey e Montouri (1999, p.

145, tradução nossa):

Em todas as três noções de

convergência, a unidade de

análise tem sido uma região

individual observada tanto

como parte de um corte

transversal ou como uma série

temporal. Implicitamente, cada

região tem sido vista como uma

entidade independente e o

potencial para interações

observacionais pelo espaço tem

sido amplamente ignorado.

2.2 Procedimentos e fontes de dados

Foram utilizados os dados

presentes no Anuário Estatístico de Crédito

Rural, elaborado pelo Banco Central do

Brasil (BACEN), referentes aos anos 2000

a 2012, envolvendo todos os municípios

pertencentes ao Brasil, evidenciando o



repasse de crédito aos estabelecimentos

agropecuários no que diz respeito à

quantidade de contratos e seus respectivos

valores de custeio, investimento e

comercialização. Organizada a base de

dados, foram incluídas as coordenadas

espaciais (latitude e longitude) de cada

município, com o auxílio do Ipeadata.

O Instituto de Pesquisas

Econômicas Aplicadas (IPEA), através de

seu sistema Ipeadata, também forneceu

informações a nível regional para uma

gama de indicadores e variáveis que

auxiliaram na análise do PIB dos

municípios pertencentes ao Brasil. Outra

fonte de informação utilizada foi Instituto

Brasileiro de Geografia e Estatística

(IBGE) através do Sistema IBGE de

Recuperação Automática (SIDRA).

Após a base de dados estar

organizada através do uso de programação

pelo software Stata, utilizamos o deflator

implícito do Pib para atualizar os valores

referentes ao crédito rural. Em seguida

rodamos os modelos, testes de

heterocedasticidade para cada e

corrigimos, se necessário, a presença da

mesma através da matriz robusta de White.

Além disso, verificamos se havia a

presença de multicolinearidade em cada

modelo.

2.3 Modelos de convergência de

renda

Para testar as hipóteses formuladas

no trabalho, utilizaram-se os

procedimentos padrões, ou seja, análise

econométrica dos modelos citados. Para

verificação da convergência, foram usados

os modelos de convergência condicional e

espacial. Além de exibir esses modelos é

necessário apresentar o modelo de –

convergência absoluta.

2.3.1 Cconvergência absoluta

A hipótese da convergência

absoluta afirma que, se considerarmos um

grupo de países, todos com acesso à

mesma tecnologia, possuindo a mesma

taxa de crescimento populacional (n) e a

mesma taxa de propensão a poupar (s),

mas diferindo, somente, em termos de

razão capital/trabalho inicial, k, pode-se

esperar que todos os países irão convergir

para o mesmo nível de renda de estado

estacionário.

Uma forma de analisar o debate

sobre a convergência é associar o nível

inicial de renda per capita estadual com o

aumento da renda per capita ao longo do

tempo. Para o modelo neoclássico, se todos

os Estados estão convergindo para o

mesmo nível de renda per capita, uma

relação negativa deveria ser observada

entre o crescimento da renda per capita ao

longo do tempo e o nível inicial de renda

per capita. Dessa forma, a convergência

absoluta da renda per capita ocorre.

Embora esta abordagem tenha sido

aplicada para países inicialmente, com o

passar dos anos passou a ser direcionadas

para análises mais específicas, como

regiões de integração, regiões de países e

municípios, sendo esta última análise a que

é trabalhada neste artigo.

Rey e Montouri (1999) ressalta que

para testar a - convergência absoluta

vários estudos utilizam uma especificação

de corte transversal como segue:

(

) ( )

onde: é a renda per capita no estado no

ano ; e são parâmetros a serem

estimados; e é o termo de erro

estocástico. Convencionou-se interpretar

uma estimativa negativa para o como

suporte para a hipótese de convergência

desde que tal estimativa sugerisse que as

taxas de crescimento em rendas per capita

sobre o – ésimo período fosse

negativamente correlacionada com as

rendas iniciais (BAUMOL, 1986).

2.3.2 Convergência condicional



Segundo Mankiw et al. (1992), o

modelo de Solow não prevê convergência

absoluta; ele prevê somente que a renda

per capita em um dado país converge para

seu valor de estado estacionário. Em outras

palavras, o modelo de Solow prevê

convergência somente após apresentar a

condição de as economias que estão antes

de seu do estado estacionário irão crescer

mais rápido que as que já estão no estado

estacionário ou que já passaram do mesmo,

isto é o que chamamos de convergência

condicional.

Como ressaltado por Barro (1991),

mais de 50 variáveis tem sido escolhidas

pelos pesquisadores para explicar o

fenômeno de convergência. Desta maneira,

foram utilizadas no presente trabalho

diversas variáveis, sendo que utilizamos o

modelo para produtividade do trabalho e

modelo para produtivdade da terra para

cada região.

2.3.2.1 Modelo de produtividade do

trabalho

Foi utilizado o seguinte modelo

para cada macrorregião:

(

) (

)

(

) ( )

( ) ( ) ( ) ( )

onde pib é o PIB agrícola, po é a

população, mcrt é a media do crédito rural

total, mgv a média dos gastos

governamentais agrícola, mrpib a razão

PIB agrícola sobre PIB total, evn a

esperança de vida ao nascer, anoest os anos

de estudo, lng o progresso tecnológico,

depreciação e crescimento populacional; e

o termo de erro.

A escolha da variável lng foi

devido a um aspecto teórico de Mankiw et

al. (1992, p. 415), onde ele assume ser o

valor do progresso tecnológico mais a

depreciação ser 0,5 ( ) e

acrescenta o crescimento populacional.

Deste modo a variável equivale a:

( )

((

) )

2.3.2.2 Modelo de produtividade da

terra

Foi utilizado o seguinte modelo

para cada macrorregião:

(

) (

)

(

) ( )

( ) ( ) ( ) ( )

onde ta é o tamanho da área, mcrt é a

media do crédito rural total nos anos de

1996 a 2006, mgv a média dos gastos

governamentais agrícola, mrpib a razão

PIB agrícola sobre PIB total, evn a

esperança de vida ao nascer, anoest os anos

de estudo, lng o progresso tecnológico,

depreciação e crescimento populacional; e

o termo de erro.

O problema consiste, então, em

estimar os parâmetros do modelo através

do método dos Mínimos Quadrados

Ordinários para a amostra de cross-section

dos municípios de cada macrorregião e

verificar a significância deles.

2.3.3 Convergência espacial

Rey e Montouri (1999), Barreto

(2007) e Resende (2007) demonstram que

podem existir efeitos espaciais entre as

localidades que tem influência no processo

de convergência. Deste modo foram

incluídas técnicas econométricas espaciais

para explicar a convergência de renda entre

as regiões. Essas técnicas estão contidas na

análise exploratória de dados espaciais, a



qual tem por objetivo descrever a

distribuição espacial, os padrões de

associação espacial (clusters espaciais),

verificar a existência de diferentes regimes

espaciais ou outras formas de instabilidade

e identificar observações atípicas (isto é,

outliers).

Para aplicar a análise exploratória

de dados espaciais, é necessário especificar

uma matriz de pesos espaciais (W). Essa

matriz é a maneira de se expressar um

determinado arranjo espacial das

interações resultantes do fenômeno a ser

estudado. Por exemplo, se pode supor que,

no estudo de vários fenômenos, regiões

vizinhas tenham uma interação mais forte

entre si do que regiões que não são

vizinhas. De maneira semelhante, regiões

mais afastadas entre si teriam uma menor

interação. Deste modo, em que a distância

entre as regiões importa na definição da

força da interação, seria possível construir

uma matriz W baseada na distância inversa

entre as regiões com vistas a capturar tal

arranjo espacial da interação (ALMEIDA;

PEROBELLI; FERREIRA, 2008).

A matriz de peso espacial, W

(spatial weight matrix em inglês), utilizada

neste trabalho, está baseada na ideia dos k

vizinhos mais próximos, e calculada

utilizando a métrica baseada no grande

círculo entre os centros das regiões, de

acordo com a especificação de Gallo e

Ertur (2003, p. 180):

{

( )

( ) ( ) ( ) ( ) ∑ ( )

⁄

( ) ( )

onde representa a distância, medida

pelo grande círculo, entre os centros das

regiões e . Já ( )é a distância máxima,

ou seja, o valor de corte para considerar

regiões vizinhas à região . Em outras

palavras, as distâncias que estiverem acima

deste ponto não serão tomadas como

vizinhas da região em questão.

Uma análise pertinente a ser feita se

refere a utilizar a estatística I de Moran

para determinar se há ou não

autocorrelação espacial. Isso é importante

para indicar o grau de associação espacial

presente no conjunto de dados. De maneira

geral, o índice de Moran é um teste no qual

sua hipótese nula é de independência

espacial, sendo o seu valor zero; e sua

hipótese alternativa, dependência espacial,

com o valor diferente de zero, sendo

valores positivos indicando correlação

direta, e valores negativos, correlação

inversa. De acordo com Cliff e Ord (1981)

a estatística I de Moran pode ser

especificada da seguinte maneira:

(

) (

)

em que é o vetor de observações para

o ano na forma de desvio em relação a

média. Já houve uma explanação da matriz

de pesos espaciais W, sendo desnecessária

uma explicação adicional. E o é a soma

de todos os elementos de W, de modo que

este termo é um escalar.

Ao passo que a matriz de pesos

espaciais é normalizada, isto é, quando se

ajustam os valores de todas as linhas, de

modo que a somatória de cada linha da

matriz é igual a um, a expressão anterior é

expressa da seguinte forma:

(

)

Quando a autocorrelação espacial é

positiva, isso significa que os municípios

os quais apresentam elevada produtividade

média agrícola são vizinhos de outros

municípios que também apresentam

elevada produtividade média agrícola. Ou,

de modo alternativo, significa dizer que

municípios com baixa produtividade média

agrícola são circundados por outros

municípios os quais também possuem

baixa produtividade média.

Para interpretar a estatística I de

Moran é necessário o diagrama de

espalhamento de Moran. Trata-se de uma

representação do coeficiente de regressão e



permite visualizar a correlação linear entre

e através do gráfico de duas variáveis.

A regressão é especificada de forma que o

coeficiente I de Moran é a inclinação da

curva de regressão de contra , sendo

que essa inclinação indica o grau de

ajustamento. Semelhante a um plano

cartesiano, o diagrama é divido em quatro

quadrantes, nos quais cada um representa

padrões de associação espacial local entre

as regiões e seus vizinhos. Dos quatro

quadrantes, AA e BB representam

formação de clusters de valores similares

uma vez que apresentam autocorrelação

espacial positiva; contrariamente, os

quadrantes BA e AB representam

formação de clusters de valores diferentes

já que apresentam autocorrelação espacial

negativa. Entretanto, como afirma

Almeida, Perobelli e Ferreira (2008), tal

diagrama detém uma limitação em relação

à avaliação de incertezas dos clusters que

podem ser formados em cada um dos

quadrantes.

Para uma análise da convergência

espacial, foram adotados dois modelos

econométricos, o de erro espacial e o de

defasagem espacial. Em relação ao de erro

espacial, a primeira modificação ocorre

quando o termo de erro presente na

equação referente à convergência absoluta

segue um processo espacial autoregressivo,

como apresentado na equação abaixo:

Na qual é o coeficiente escalar do

erro espacial, enquanto o termo de erro

é normalmente distribuído com média zero

e variância constante. Substituindo a

equação obtida na equação de

convergência absoluta, obtém-se a forma

funcional do modelo de regressão do erro

espacial:

(

) ( ) ( )

no caso, W é uma matriz de contiguidade

utilizada no cálculo da estatística I de

Moran.

Por sua vez, o modelo de

defasagem espacial inclui efeitos de

transbordamento espacial. No contexto da

convergência, o efeito de transbordamento

é representado pela defasagem espacial do

logaritmo neperiano do PIB per capita de

2000. Assim, formalmente, o modelo

assume a seguinte expressão:

(

) ( )

( )

onde é o coeficiente de transbordamento

espacial e ( ) é a defasagem espacial

do PIB per capita de 2000 e 2005. Espera-

se que o coeficiente seja maior que 0, o

que sugeriria a presença de autocorrelação

espacial positiva, demonstrando

dependência espacial entre os municípios e

suas respectivas variáveis analisadas.

3. RESULTADOS E DISCUSSÃO

3.1 Análise descritiva dos dados

Com base nos bancos de dados

obtidos, foram agregados os estados em

regiões Norte, Nordeste, Sudeste, Centro-

Oeste e Sul. Assim, foram gerados gráficos

das médias dos municípios de cada

macrorregião para contratos e valores de

custeio, investimento e comercialização no

período de 2000 a 2010, onde os valores

foram atualizados pelo IGP-DI a preços de

2000.

O gráfico 1 expõe a média dos

dados de contrato destinado para custeio,

investimento e comercialização de 2000 a

2010, tanto para a agricultura como para a

pecuária:



Gráfico 1: Evolução dos contratos de custeio, investimento, comercialização agrícola e

pecuário de 2000 a 2010.

Fonte: Anuário Estatístico do Crédito Rural – Banco Central do Brasil.

Onde:

- mean of ccustagri = media do valor de custeio da agricultura;

- mean of ccustpec = média do valor de custeio da pecuária;

- mean of cinvagri = média do valor de investimento da agricultura;

- mean of cinvpec = média do valor de investimento da pecuária;

- mean of ccomagri = média do valor de comercialização da agricultura;

- mean of ccompec = média do valor de comercialização da agricultura.

Observa-se que na região Norte, os

contratos para investimento em pecuária é

a modalidade de crédito mais concedida na

região bem como na região Nordeste,

enquanto que nas mesmas, em média os

contratos são menos concedidos para

custeio da pecuária e para comercialização,

com nenhum contrato. Na região Centro-

Oeste os contratos foram em maior número

concedidos para custeio da pecuária, e de

maneira menos expressiva para

investimentos da agricultura, bem como

novamente para comercialização. O

pequeno número de contratos de

comercialização se repete nas regiões

sudeste e sul, entretanto, nas mesmas, a

modalidade com mais contratos foi a de

custeio agrícola.

Já no gráfico 2, podemos observar

os valores de crédito atualizados para cada

uma das modalidades para o mesmo

período. Os valores se encontram em

escala de milhão.

0

10

02

00

30

0

CO N NE S SE

mean of ccustagri mean of ccustpec

mean of cinvagri mean of cinvpec

mean of ccomagri mean of ccompec



Gráfico 2: Evolução dos valores de custeio, investimento, comercialização agrícola e

pecuário de 2000 a 2010.

Fonte: Anuário Estatístico do Crédito Rural – Banco Central do Brasil.

Onde:

- mean of avcustagri = media do valor de custeio da agricultura;

- mean of avcustpec = média do valor de custeio da pecuária;

- mean of avinvagri = média do valor de investimento da agricultura;

- mean of avinvpec = média do valor de investimento da pecuária;

- mean of avcomagri = média do valor de comercialização da agricultura;

- mean of avcompec = média do valor de comercialização da agricultura.

Pode-se visualizar que a região Sul

foi a que possuiu o maior volume de

crédito de custeio da agricultura em termos

de valor em média, aproximadamente

R$4.500.000,00 em todo o período seguido

pelo Centro – Oeste e Sudeste nessa

categoria. Em relação às outras regiões, o

Norte e o Nordeste foram os que

apresentaram, em geral, os menores

valores em média nas modalidades de

crédito. Nas modalidades em geral,

merecem destaque as regiões Sul e Centro-

Oeste, as quais, em média possuem os

maiores volumes de crédito no total em

relação às outras regiões.

3.2 Convergência condicional

Foram rodados os modelos para

cada macrorregião do Brasil como pode ser

observado nos resultados na tabela 2.

Primeiramente, o valor da estatística F foi

significativo a 1% para todos os modelos,

o que sugere que pelo menos uma variável

explicativa de cada modelo tem influência

na variável dependente.

A tabela 1 apresenta a quantidade

de municípios da amostra e porcentagem

por macrorregião tanto para produtividade

da terra como para produtividade do

trabalho, pois os resultados foram os

mesmos.

01

23

45

CO N NE S SE

mean of avcustagri mean of avcustpec

mean of avinvagri mean of avinvpec

mean of avcomagri mean of avcompec



Tabela 1: Amostra dos modelos por

macrorregião.

REGIÃO Frequência Percentual

NO 114 4.42

NE 699 27.1

SE 945 36.64

SU 567 21.99

CO 254 9.85

Total 2,579 100

Fonte: Elaboração dos autores

Como já apresentado na

metodologia, quando o valor do coeficiente

da primeira variável é negativo há beta

convergência e a hipótese de convergência

condicional é aceita. Nos resultados

obtidos todos os modelos apresentaram

convergência a um nível de confiança de

99% para todas as macrorregiões. Com

isso a hipótese de - convergência

condicional foi aceita para todos os

modelos.

A respeito do efeito da variável

crédito no crescimento econômico,

verifica-se que na maioria das vezes

contribui positivamente tanto para a

produtividade do trabalho como para

produtividade da terra. Entretanto, na

região norte e centro - oeste o efeito do

crédito rural não foi significativo para um

aumento nem diminuição da produtividade

da terra. O que se percebe é uma aplicação

ineficiente dos recursos públicos na região,

algo que já foi observado por Silva et al.

(2009), tanto para a região Norte quanto

para o Centro-Oeste no que tange a

aplicação dos Fundos Constitucionais.

Além disso, na região sul o crédito teve um

efeito negativo na produtividade da terra.

Isso sugere que o recurso pode estar sendo

investindo em terrenos menos férteis do

que os terrenos já utilizados, não

aumentando na mesma proproção o nível

de produção, diminuindo a produtividade

da terra, de acordo com a teoria da renda

da terra de David Ricardo, economista do

século XIX.

No que tange aos resultados da

variável gastos governamentais agrícolas,

na maioria dos modelos o resultado não foi

estatisticamente significativo, e quando foi

significativo, indicou uma contribuição

negativa para a produtividade do trabalho

tanto da região sudeste como para a região

sul. Em outro modelo para o Brasil como

um todo, os gastos agrícolas do governo

contribuíram negativamente na

produtividade do trabalho. De modo a

fornecer uma explicação para os gastos

terem influência negativa, Gasques, Verde

e Bastos (2006, p.236) ressalta que:

“enquanto no Brasil tem havido

reduções dos dispêndios com

P&D, os países para os quais se

teve acesso às informações têm

aumentado os dispêndios em

pesquisa como proporção do

PIB. Os anos de 2003 a 2005

mostram uma queda real da

ordem de 14,0% dos recursos da

Embrapa. Os gastos com

pessoal foram reduzidos em

7,8% e o de outras despesas

correntes, de 23,3%”.

Portanto, a gestão dos gastos

governamentais em agricultura deve ser

mais com pesquisa e desenvolvimento

(P&D), que é algo que dá seus resultados

mais no longo prazo, do que no curto

prazo, como observa Gasques et al. (2006).

Romeiro et al. (2014) acrescenta ser

praticado um modelo de intervenção

governamental caótica, sempre com um

caráter de urgência, intervenção que tem os

recursos, mas, que por questões de falta de

gestão e organização acabam podendo ser

até prejudiciais na agricultura além de

serem direcionadas para setores políticos

mais fortes, cedendo às pressões dos

mesmos em detrimento de pressões

particulares dos agentes. Novamente, é

mostrado a importância de ações do

governo na agricultura que visem mais o

longo prazo.



A respeito da participação dos

setores produtivos do meio agrícola em

relação à produção global da economia, de

modo geral, podemos observar que nos

modelos de produtividade da terra não

houve influência desta variável na

produtividade da terra, com exceção da

região norte. Uma das possíveis causas

disto estar ocorrendo é da própria

quantidade amostral que obtivemos da

região norte. Caso a causa anterior não seja

a verdadeira, isso pode estar ocorrendo

pelo fato de a agricultura na região ter um

peso menor do que outros setores de maior

contribuição como o setor de mineração.

Já sobre os modelos que tratam da

produtividade do trabalho, verifica-se que

nas regiões nordeste, sudeste e em especial

na região centro – oeste o efeito da

variável analisada foram positivos no

aumento da produtividade do trabalho. Em

termos quantitativos, para o Centro –

Oeste, um aumento da participação do

setor rural em relação à produção global da

economia em uma unidade eleva a

produtividade do trabalho 1,2242 em

escala.

Tal fato pode ser explicado por um

aumento tanto no capital humano, como

mão – de – obra qualificada, como

aumento no capital físico, ou seja,

máquinas e equipamentos. Isso, pois foram

rodadas regressões para crédito de custeio

(o qual é destinado mais para contratação

de trabalhadores e insumos) e crédito de

investimento (o qual é destinado à compra

de máquinas, tratores, etc.) e as mesmas

deram significativas e positivas para as

regiões exceto o de investimento para a

região norte. Assim, a significância

positiva das variáveis crédito de custeio e

crédito de investimento indicam que no

setor agrícola está sendo contratado uma

mão – de – obra mais qualificada e sendo

adquiridas máquinas que aumentam a

produtividade do trabalho nas regiões de

impacto positivo.

Em relação à expectativa de vida ao

nascer, a variável de capital humano não

exerceu influência na produtividade do

trabalho e nem da terra em geral.

Entretanto, na região sudeste houve um

impacto positivo na produtividade, tanto

do trabalho como da terra, já que a

experiência adquirida ao longo dos anos é

aplicada no processo de trabalho,

intensificando a produção e impactando

positivamente ambos os índices. Na região

sul teve significativa influência na

produtividade da terra enquanto que na

região centro – oeste impactou

positivamente a produtividade do trabalho.

Embora nem todas as regiões apresentem

significância estatística é importante

salientar que houve a aceitação da hipótese

alternativa do teste t para o parâmetro no

modelo do Brasil como um todo, com a

mesma amostra no total, e a expectativa de

vida ao nascer teve influência positiva para

os dois modelos.

Sobre a variável anos de estudo,

outra que trata da influência do capital

humano, para a região norte não teve

nenhuma influência no aumento da

produtividade do trabalho e nem da terra.

Isto se dá pela baixa qualidade do ensino

público na região, o qual é extremamente

precário nos municípios interioranos, e em

muitos lugares desta região inexistente.

Como salienta Bento et. al. (2013), pelo

“IDEB (Índice de Desenvolvimento da

Educação Básica), podemos constatar as

consequências que o sistema educacional

acarreta ao ser constituído por professores

leigos, sem a qualificação necessária,

muitos deles com dificuldades básicas,

herdadas de uma alfabetização precária” na

região.

Já a região nordeste teve uma

contribuição positiva dos anos de estudo na

produtividade tanto do trabalho como da

terra. Nos estados nordestinos assim como

para a produtividade do trabalho no

sudeste verificam-se, no período analisado,

evidências de que o sistema educacional

foi direcionado para um trabalho mais

eficiente e também para uma formação que

prepara profissionais que efetivamente

ampliam a produtividade da agropecuária

na região. O mesmo não pode ser dito para



Tabela 2: Teste de convergência de renda per capita média e convergência para produtividade da terra, 1996 a 2006.

Obs: *significativo a 10%; ** significativo a 5%; *** significativo a 1%. ¥ FIV corresponde ao Fator de Inflação da Variância e 1/FIV ao inverso desse Fator.

O modelo de produtividade do trablho é ptra e o modelo de produtividade da terra é o pter.

Os testes de heterocedasticidade e multicolinearidade foram realizados com os software Stata versão 13.0.

Valores entre parênteses são os desvios-padrão

Fonte: Elaboração dos autores.

Variáveis NO NE SE SU CO

ptra pter ptra pter ptra pter ptra pter ptra pter

lpib -0,7195*** -0,4961*** -0,4530*** -0,2587*** -0,6244*** -0,3494*** -0,7212*** -0,4523*** -0,8225*** -0,4856***

(0,1298) (0,0696) (0,0683) (0,0431) (0,0435) (0,0293) (0,0755) (0,0561) (0,0594) (0,0444)

lmcrt 0,3484*** -0,0125 0,3788*** 0,2813*** 0,3406*** 0,1853*** 0,2061*** -0,0812*** 0,4678*** 0,0463

(0,1069) (0,0893) (0,0609) (0,0693) (0,0486) (0,0352) (0,0365) (0,0301) (0,0797) (0,0573)

lmgv -0,0683 0,0123 0,0118 0,0298 -0,034* -0,0218 -0,1057*** 0,0071 0,0171 0,0181

(0,0437) (0,0629) (0,0221) (0,0258) (0,0189) (0,0157) (0,0249) (0,0234) (0,0295) (0,0259)

mrpib -0,6238 -0,9118** 0,5688*** 0,0917 0,5123*** 0,2061 0,101 -0,1806 1,2242*** 0,0716

(0,4878) (0,3986) (0,2073) (0,2288) (0,1551) (0,1336) (0,1458) (0,1378) (0,2376) (0,2234)

levn 3,1198 0,9028 0,3455 -0,7124 2,945*** 1,8279** 0,739 1,6866** 2,9049** 2,0806

(2,4743) (2,3445) (0,7536) (0,7492) (0,8663) (0,8391) (0,9204) (0,8605) (1,229) (1,4816)

lanoest 0,2187 0,1804 0,8086*** 0,7475*** 0,3863* -0,4674*** -0,4346* -0,3274 0,6512* 0,6721

(0,3925) (0,3241) (0,1849) (0,1878) (0,2035) (0,1778) (0,2325) (0,249) (0,3431) (0,4175)

lng -0,0013 0,0502 0,0447*** 0,1281*** 0,069*** 0,0909*** 0,0561*** 0,0693*** 0,0383 0,0756***

(0,0564) (0,0454) (0,0334) (0,0361) (0,0224) (0,0222) (0,0164) (0,0183) (0,0248) (0,0268)

Intercepto -14,4878 -4,6493 -6,2169** -1,3695 -15,164*** -8,5119** -1,3211 -5,97* 17,4209*** -11,9593**

(10,1962) (9,5945) (3,1611) (3,2223) (-3,6208) (3,4417) (3,8272) (3,5567) (5,0497) (5,9068)

R2 0,3401 0,4948 0,2042 0,1974 0,2903 0,2007 0,3293 0,2905 0,5114 0,4071

Teste de

Heterocedasticidade

3,69 0,58 88,69 316,11 12,88 0,00 31,12 31,90 0,67 0,08

(0,0546) (0,4478) (0,00) (0,00) (0,00) (0,9503) (0,00) (0,00) (0,4148) (0,7784)

Teste de

Multicolinearidade (1,63)/(0,66) (1,55)/(0,7) (1,37)/(0,7) (1,25)/(0,8) (1,45)/(0,7) (1,33)/(0,75) (1,38)/(0,7) (1,37)/(0,73) (1,44)/(0,7) (1,28)/(0,8)



a região sudeste em termos de

produtividade da terra, a qual apresentou

uma contribuição negativa. Isso porque

pode não ter havido um direcionamento

eficaz dos cursos relevantes ao aumento da

produtividade da terra na região. Cursos

que são mais direcionados para esse fim

são de poucos anos de estudo, como os

cursos técnicos. Estudantes com muitos

anos de estudo geralmente são

direcionados para áreas acadêmicas, o que

é muito expressivo nesta macrorregião em

relação as outras, dando uma menor

contribuição para o aumento da

produtividade da terra na região.

Para a região sul, para

produtividade do trabalho, teve apenas um

resultado significativo a 10%, o que sugere

que não existem evidências muito fortes de

que há influência do sul. E para

produtividade da terra os anos de estudo

tiveram nenhuma influência sobre a

variável dependente. Para o Centro – Oeste

o resultado foi semelhante, com a

diferença de no coeficiente da

produtividade do trabalho o impacto foi

positivo, mas com a mesma significância

de 10%. Para a produtividade da terra os

anos de estudo tiveram influência nula.

No que tange a última variável

analisada, a qual é a soma do crescimento

populacional com o crescimento

tecnológico e a depreciação, a maior parte

dos resultados dos coeficientes foram

positivos e significativos, apenas na região

norte para os dois modelos que foi aceita a

hipótese de a variável não ter influência, e

na região centro – oeste que não exerceu

influência na produtividade do trabalho.

Como Mankiw et al. (1992) coloca o

progresso tecnológico mais depreciação

como 0,5, a variável analisada em

evidência é o crescimento populacional.

Assim, tem – se indícios de que uma

aumento na população contribui

positivamente para a produtividade da terra

e para a prodtuividade por trabalhador. O

que em futuras pesquisas se deve

investigar seria se esse aumento na

produtividade é suficiente para que a

mesma população tenha ao menos as

mínimas condições de subsistência.

Sobre o indicador R2 (r ao

quadrado) que mede o nível de explicação

do modelo, podemos afirmar que para

todas as regiões em média foi no valor de

0,3278. O modelo que teve o maior valor

de R2 foi o de produtividade do trabalho

do Centro – Oeste e o menor valor foi o de

produtividade da terra do Nordeste.

A respeito do teste de

heterocedasticidade foi utilizado o teste

Breuch-Pagan. Este testa através da

hipótese nula de que existe

heterocedasticidade e hipótese alternativa

de que existe homoscedasticidade. Assim,

como os valores da tabela sobre teste de

heterocedasticidade entre parênteses são os

p-valores, a maioria dos modelos

mostraram fortes indícios de os dados

serem heterocedásticos a um nível de

significância de 1% e para o modelo ptra

NO a 10%. Em seguida, os modelos que

apresentaram esse problema foram

corrigidos através da matriz robusta de

White.

Em relação ao valor do teste de

multicolinearidade como o valor do FIV

foi inferior a 10, como regra prática,

inferimos que existem indícios

significativos de ausência de

multicolinearidade, e podemos afirmar que

o modelo não viola os pressupostos básicos

do método Mínimos Quadrados

Ordinários. Do mesmo modo os valores do

TOL, que é o inverso do FIV, foram

próximos de 1 o que sugere a ausência de

multicolinearidade da mesma forma que o

indicador FIV. Na tabela 2 verificamos a

média do FIV em relação à média do TOL

para cada região no Teste de

multicolinearidade.

Ainda foram rodadas as matrizes de

correlação para cada modelo do Brasil

como um todo e, como apresentado nas

tabela 3 e 4, as correlações não são fortes,

o que sugere a ausência de

multicolinearidade.



Tabela 3: Matriz de correlação com a produtividade do trabalho lpib lmcrt lmgv mrpib levn lanoest lng

lpib 1

lmcrt 0,664 1

lmgv 0,0599 0,1054 1

mrpib 0,1306 -0,1209 -0,3418 1

levn 0,6515 0,5243 0,1957 -0,1332 1

lanoest 0,5757 0,4421 0,176 -0,1735 0,7557 1

lng 0,0268 0,1306 0,094 -0,2307 0,0139 -0,0709 1 Fonte: Elaboração dos autores.

Tabela 4: Matriz de correlação com a produtividade da terra lpib lmcrt lmgv mrpib levn lanoest lng

lpib 1

lmcrt 0,1338 1

lmgv 0,1809 0,1054 1

mrpib -0,0705 -0,1209 -0,3418 1

levn 0,4199 0,5243 0,1957 -0,1332 1

lanoest 0,4066 0,4421 0,176 -0,1735 0,7557 1

lng 0,0119 0,1306 0,094 -0,2307 0,0139 -0,0709 1


3.4 Convergência espacial

Foram rodados os modelos de

convergência espacial tanto o de Lag como

o de erro espacial para produtividade da

terra e produtividade do trabalho para

todas as macrorregiões do Brasil. Na

Tabela 5 e Tabela 6 são apresentados os

resultados para as macrorregiões

brasileiras.

Em relação à região norte, devido a

amostra ser não muito grande alguns

parâmetros não foram significativos, mas

segue a tendência de todas as demais

regiões. A região nordeste teve um modelo

que se ajustou melhor aos dados bem como

a região sudeste que também vão à mesma

direção da tendência nacional.

Tratando das macrorregiões Sul e

Centro-Oeste do Brasil, as quais

suscitaram resultados bem semelhantes em

relação à variável lpib, observa-se a

significância estatística dos coeficientes

que demonstram a existência ou não de

convergência espacial. Em ambos os casos,

as produtividades do trabalho e da terra

apresentaram considerável taxa de

convergência. Portanto, aceita-se a

hipótese de que certa interação espacial

entre os municípios de tais regiões e das

demais, influencia no crescimento das

produtividades analisadas pelos modelos

além de o crédito ser um fator que

contribui positivamente para todas as

regiões em especial para produtividade do

trabalho.

Os valores de e indicam

que a influência espacial tanto de lag,

como de erro espacial são significativas,

ou seja, existem efeitos espaciais que

devem ser considerados e que influenciam

positivamente no crescimento da

produtividade agrícola tanto da terra, com

também do trabalho para todas as regiões

brasileiras. A única exceção foi o modelo

de erro espacial para a produtividade da

terra da região norte



Tabela 5: Teste de convergência espacial para as regiões norte, nordeste e sudeste.

NO NE SE

ptra pter ptra pter ptra pter

Nº de

Municípios 120 699 1031

LAG ERRO LAG ERRO LAG ERRO LAG ERRO LAG ERRO LAG ERRO

Const -12,0648 -10,9981 -5,9192 -4,9892 -6,0909 -4,9118 -1,0031 -1,665 -13,0194 -4,9288 -4,9729 0,3832

(0,202) (0,2572) (0,4823) (0,553) (0,0308) (0,1092) (0,748) (0,6222) (0,0003) (0,2046) (0,1163) (0,9095)

lpib -0,6532 -0,6815 -0,4992 -0,477 -0,4562 -0,5397 -0,2413 -0,2992 -0,6512 -0,7243 -0,3566 -0,5120

(0,00) (0,00) (0,00) (0,00) (0,00) (0,00) (0,00) (0,00) (0,00) (0,00) (0,00) (0,00)

lmcrt 0,3762 0,3787 -0,0243 -0,0221 0,3445 0,3315 0,257 0,269 0,2674 0,1951 0,2123 0,2269

(0,00) (0,00) (0,7398) (0,763) (0,00) (0,00) (0,00) (0,00) (0,00) (0,00) (0,00) (0,00)

lmgv -0,0848 -0,098 0,0151 0,0149 0,0211 0,0349 0,033 0,0378 0,0061 0,0051 0,019 0,0177

(0,0643) (0,0435) (0,7159) (0,7201) (0,2568) (0,064) (0,1213) (0,0814) (0,6712) (0,7229) (0,1388) (0,1582)

mrpib -0,6628 -0,5719 -0,8795 -0,8831 0,4793 0,533 0,0268 0,1491 0,2973 0,1231 0,0397 0,0693

(0,163) (0,2397) (0,0279) (0,0273) (0,0161) (0,0093) (0,9036) (0,5191) (0,0410) (0,4131) (0,7393) (0,5867)

levn 2,444 2,1653 1,2708 1,0556 0,4832 0,2334 -0,6743 -0,5775 26985 10311 0,9514 -0,5649

(0,2836) (0,3519) (0,5331) (0,6043) (0,4919) (0,7581) (0,3897) (0,4922) (0,0017) (0,2667) (0,2119) (0,4813)

lanoest 0,3316 0,4773 0,0863 0,0806 0,551 0,4571 0,5746 0,5461 0,1491 0,133 -0,6492 -0,2404

(0,4375) (0,275) (0,7997) (0,8129) (0,0017) (0,0207) (0,004) (0,0119) (0,4722) (0,5591) (0,0002) (0,2147)

lng 0,0108 -0,0166 0,0467 0,0491 0,0264 0,0313 0,1084 0,0945 0,1279 0,1051 0,1073 0,0935

(0,8412) (0,7497) (0,3273) (0,3052) (0,3451) (0,259) (0,00) (0,00) (0,00) (0,00) (0,00) (0,00)

AIC 239,74 238,24 206,34 207,36 1358,4 1358,4 1514,9 1512,6 2116,3 2053,9 1857,5 1754,4

I de Moran 0,2492 0,1963 0,2218 0,2218 0,1862 0,1863

(0,00) (0,0172) (0,00) (0,00) (0,00) (0,00)

Multiplicador de 62,045 144,2987 62,045 144,2987 26,465 26,4354 26,465 26,4354 62,045 144,2987 62,045 144,2987

Lagrange (0,00) (0,00) (0,00) (0,00) (0,00) (0,00) (0,00) (0,00) (0,00) (0,00) (0,00) (0,00)

Log

verossimilhança -109,869 -109,1202 -93,167 -93,6815 -669,1799 -661,3978 -747,459 -746,282 -1048,16 -1016,928 -918,7497 -867,2046

Rho 0,2246

0,3109

0,3452

0,22

0,2954

0,2833

(0,0063)

(0,0027)

(0,00)

(0,00)

(0,00)

(0,00)

Lambda

0,3109

-0,0768

0,4173

0,2596

0,4906

0,5314

(0,0027)

(0,3047)

(0,00)

(0,00)

(0,00)

(0,00)

Obs: os valores entre parênteses são os p – valores.




Tabela 6: Teste de convergência espacial para as regiões sul e centro - oeste

SU CO

ptra pter ptra pter

Nº de Municípios 567 255

LAG ERRO LAG ERRO LAG ERRO LAG ERRO

Const -0,9561 2,2408 -4,929 -2,9835 -16,2437 -16,2487 -10,009 -5,5205

(0,769) (0,5155) (0,1325) (0,3818) (0,0015) (0,003) (0,0555) (0,296)

lpib -0,7069 -0,7757 -0,4116 -0,5484 -0,7286 -0,7741 -0,3761 -0,5358

(0,00) (0,00) (0,00) (0,00) (0,00) (0,00) (0,00) (0,00)

lmcrt 0,2061 0,2283 -0,0672 -0,0332 0,4019 0,4054 0,0203 0,0803

(0,00) (0,00) (0,0071) (0,2371) (0,00) (0,00) ( 0,7192) (0,173)

lmgv -0,0991 -0,099 0,0072 0,0191 0,0140 0,0197 0,0091 0,0265

(0,00) (0,00) (0,7466) (0,4098) (0,5587) (0,4028) (0,7125) (0,2334)

mrpib 0,1173 0,1079 -0,2089 -0,1535 1,1042 0,902 0,055 0,1711

(0,3972) (0,4418) (0,1084) (0,2409) (0,00) (0,00) (0,7775) (0,3342)

levn 0,5138 -0,394 1,2936 0,6113 2,7552 2,8899 1,7681 0,3340

(0,5156) (0,6383) (0,0989) (0,4558) (0,0273) (0,0306) (0,1686) (0,7966)

lanoest -0,2317 0,0144 -0,0874 0,0521 0,6470 0,411 0,6585 0,8456

(0,3011) (0,9527) (0,7064) (0,8305) (0,0378) (0,1816) (0,0427) (0,0047)

lng 0,0464 0,0364 0,0578 0,0346 0,0267 0,018 0,065 0,0658

(0,0134) (0,0473) (0,0017) (0,0474) (0,2836) (0,4641) (0,0105) (0,0042)

AIC 824,78 798,47 796,04 756,24 333,18 331,43 353,96 325,44

I de Moran 0,1926 0,2894 0,3837 0,4921

(0,00) (0,00) (0,00) (0,00)

Multiplicador de 48,1816 75,2437 48,1816 75,2437 49,4255 76,2428 49,4255 76,2428

Lagrange (0,00) (0,00) (0,00) (0,00) (0,00) (0,00) (0,00) (0,00)

Log verossimilhança -402,3892 -389,2352 -388,0219 -368,1203 -156,5898 -155,7152 -166,9823 -152,7211

Rho 0,2693

0,3149

0,261

0,3862

(0,00)

(0,00)

(0,00)

(0,00)

Lambda

0,3984

0,4821

0,3658

0,5454

(0,00)

(0,00)

(0,00)

(0,00)

Obs: os valores entre parênteses são os p – valores.

Fonte: Elaboração dos autores

4. Conclusão

Todos os resultados obtidos para

todos os modelos de todas as

macrorregiões para convergência

condional apresentaram convergência a um

nível de confiança de 99%. Com isso a

hipótese de - convergência condicional

foi aceita para todos os modelos não

espaciais.

No que tange aos efeitos do fator

crédito, vale ressaltar que, de modo geral,

contribuiu positivamente para o aumento

tanto da produtividade do trabalho como

da produtividade da terra. Apenas em

alguns modelos não foram significativos os

parâmetros estimados, provavelmente pela

restrição amostral de nosso estudo.

A respeito dos gastos

governamentais na agricultura se observa

um efeito nulo em geral. Entretanto, em

algumas regiões, para a produtividade do

trabalho se observa um efeito negativo dos

dispêndios do governo. Inferiu – se que



isto ocorre por um planejamento voltado

demasiadamente para o curto prazo, não se

priorizando o longo prazo, como seria em

um investimento maior com pesquisa e

desenvolvimento.

Sobre a variável média do PIB

agrícola em relação ao PIB total, observou-

se um comportamento em geral positivo,

como bastante influente para a

produtividade do trabalho. Todavia, os

coeficientes para os modelos de

produtividade da terra, todos menos para a

região norte não foram significativos.

Nesta macrorregião ocorreu um efeito

negativo, o que pode ser explicado por

restrições amostrais bem como pela forte

influência da mineração em relação a

agricultura na região.

Em relação a variável expectativa

de vida ao nascer e anos de estudo,

variáveis que tratam de aspectos do capital

humano, de maneira geral os resultados

foram positivos como era esperado, com

algumas excessões, as quais podem ser

analisadas com maior profundidade em

estudos subsequentes.

Para a última variável o efeito

também foi positivo em sua maioria como

era esperado. A interpretação é de que o

crescimento populacional aliado ao

crescimento tecnológico contribuem para a

produtividade da terra e do trabalho

positivamente mesmo havendo

depreciação.

Como já colocado em nossa

metodologia que interações espaciais

podem influenciar no crescimento da

produtividade tanto da terra como do

trabalho no setor agrícola brasileiro,

verificou – se que para todos os modelos

de todas as regiões a hipótese de

convergência condicional foi aceita, em

especial para o modelo de produtividade

do trabalho, visto que além de serem

significativos os parâmetros estimados são

também negativos.

Assim, novamente o crédito se

mostrou um fator que contribui

positivamente para o aumento da

produtividade tanto do trabalho como da

terra, em especial da primeira para todas as

regiões.

Referências

ABRAMOVITZ, M. Catching up, forging

ahead, and falling behind. The

Journal of Economic History, v.

46, n. 2, p. 385–406, 1986.

ALMEIDA, E.; PEROBELLI, F.;

FERREIRA, P. Existe

convergência espacial da

produtividade agrícola no Brasil?

Revista de Economia e Sociologia

Rural, v. 46, n. 1, p. 031–052,

2008.

AZARIADIS, C.; DRAZEN, A. Threshold

externalities in economic

development. The Quarterly

Journal of Economics, v. 105, n.

2, p. 501–526, 1990.

BARRETO, R. C. S. Desenvolvimento

Regional E Convergência De

Renda Nos Municípios Do Estado

Do Ceará. p. 211, 2007.

BARRO, R. Economic growth in a cross

section of countries. v. 106, n. 2, p.

407–443, 1991.

BARRO, R. J.; SALA-I-MARTIN, X.

Convergence. Journal of Political

Economy, v. 100, n. 2, p. 223, jan.

1992.

BACEN – Banco Central do Brasil.

Anuário Estatístico de Crédito

Rural. Disponível em:

http://www.bcb.gov.br/?RELRUR

AL.

BAUMOL, W. Productivity growth,

convergence, and welfare: what the

long-run data show. The American

http://www.bcb.gov.br/?RELRURAL

http://www.bcb.gov.br/?RELRURAL



Economic Review, v. 76, n. 5, p.

1072–1085, 1986.

CLIFF, A. D.; ORD, J. K. Spatial

processes: models and

applications. London: Pion, 1981.

COELHO, R.; FIGUEIREDO, L. Uma

análise da hipótese da convergência

para os municípios brasileiros.

Revista Brasileira de Economia,

v. 61, n. 31, p. 331–352, 2007.

DURLAUF, S.; JOHNSON, P. Multiple

regimes and cross - country growth

behaviour. Journal of Applied

Econometrics, v. 10, n. 4, p. 365–

384, 1995.

FREITAS, C. A.; BACHA, C. J. C.;

FOSSATTI, D. M. Avaliação do

desenvolvimento do setor

agropecuário no Brasil: período de

1970 a 2000. Economia e

Sociedade, v. 16, n. 1, p. 111-124,

2007.

GALLO, J. LE; ERTUR, C. Exploratory

spatial data analysis of the

distribution of regional per capita

GDP in Europe , 1980 – 1995.

Papers in Regional Science, v.

201, n. 2, p. 175–201, 2003.

GALOR, O. Convergence? Inferences

from theoretical models. The

Economic Journal, v. 106, n. 437,

p. 1056–1069, 1996.

GALOR, O.; ZEIRA, J. Income

distribution and macroeconomics.

The review of economic studies,

v. 60, n. 1, p. 35–52, 1993.

GASQUES, J. G.; VERDE, C. M. V.;

BASTOS, E. T. Gasto Publico em

Agricultura: Retrospectiva e

Prioridades. EconomiA, v. 209-

237, n. 4, p. 7, 2006.

IPEA - Instituto de Pesquisa Econômica

Aplicada. Ipeadata. Disponível

em: http://www.ipeadata.gov.br/

ISLAM, N. What have we learnt from the

convergence debate? Journal of

economic surveys, v. 17, n. 3, p.

309–362, jul. 2003.

JONES, C. Introdução à teoria do

crescimento econômico. Rio de

Janeiro: [s.n.].

LUCAS, R. On the mechanics of economic

development. ECONOMETRIC

SOCIETY MONOGRAPHS, v.

22, p. 3–42, 1998.

MANKIW, N.; ROMER, D.; WEIL, D. A

contribution to the empirics of

economic growth. The Quarterly

Journal of Economics, p. 31,

1992.

PRADO JÚNIOR, C. A Questão Agrária no

Brasil. 3.ed. São Paulo: Brasiliense, 1981.

RESENDE, G. M. Crescimento econômico

dos municípios da Região Sul do

Brasil : uma análise espacial. p.

549–575, 2007.

REY, S.; MONTOURI, B. US regional

income convergence: a spatial

econometric perspective. Regional

studies, v. 33, n. 2, p. 143–156,

1999.

ROMEIRO, A. R. et al. O mundo rural

no Brasil do século 21: A

formação de um novo padrão

agrário e agrícola. 1. ed. Brasília:

Embrapa, 2014.

SANTOS, R. B. N. DOS. Impacto da

restrição ao crédito rural nos

estabelecimentos agropecuários

brasileiros. [s.l.] Universidade

Federal de Viçosa, 2010.

http://www.ipeadata.gov.br/



SOLOW, R. M. A CONTRIBUTION TO

THE THEORY OF ECONOMIC

GROWTH. The Quarterly

Journal of Economics, v. 70, n. 1,

p. 65–94, 1956.

Parecer do Orientador

O referido bolsista ao longo desses dois anos desempenhou um excelente papel durante

sua jornada como bolsista PIBIC. Além de aplicado e compromissado, teve empenho e

liberdade e interesse acadêmico, o que lhe trouxe grande amadurecimento na pesquisa. O

resultado de seu trabalho foi um esforço que deverá ser reconhecido com uma publicação

qualificada (qualis na área de economia).

Como pode ser verificado sua pesquisa se desenvolveu de forma satisfatório e com

mérito, seguindo rigorosamente todas as etapas.

O Bolsista vem criando condições para no futuro seguir uma bela vida acadêmica,

mostrando interesse em seguir em programas de pós-graduação.

Belém, 10/08/2015

Ricardo Bruno Nascimento dos Santos

COMPORTAMENTO E EFEITOS DA DISPONIBILIDADE DE CRÉDITO RURAL E OUTRAS VARIÁVEIS SOBRE A...

Documents

Transcript of COMPORTAMENTO E EFEITOS DA DISPONIBILIDADE DE CRÉDITO RURAL E OUTRAS VARIÁVEIS SOBRE A...