Resumo: Este estudo tem por objetivo analisar o crescimento da agroindústria no Brasil no período de 2006 a 2016. Para tanto utilizou-se a Análise Exploratória de Dados Espaciais (AEDE) e a Regressão Ponderada Geograficamente (RPG). A AEDE indicou a existência de autocorrelação espacial positiva no crescimento dos estabelecimentos da agroindústria, já os resultados da RPG, que estima os efeitos locais do modelo em questão, evidenciaram o efeito local das variáveis PIB per capita, quociente locacional da agropecuária, valor adicionado da agropecuária, área da microrregião e percentual de funcionários com nível de ensino médio nas microrregiões das regiões Norte e Nordeste do país, regiões que apresentaram as maiores taxas de crescimento no período e contribuíram significativamente com o crescimento da agroindústria.
Palavras-chave:RPGRPG,agroindústriaagroindústria,localizaçãolocalização.
Abstract: This study aims to analyze the growth of agroindustry in Brazil in the period from 2006 to 2016. For this purpose, the Exploratory Spatial Data Analysis (ESDA) and the Geographically Weighted Regression (GWR) were used. The ESDA indicated the existence of positive spatial autocorrelation in the growth of agribusiness establishments, while the results of the RPG, which estimates the local effects of the model in question, showed the local effect of the variables GDP per capita, locational quotient of agriculture, livestock value added. agriculture, microregion area and percentage of employees with high school level in the microregions of the North and Northeast regions of the country, regions that presented the highest growth rates in the period and contributed significantly to the growth of the agroindustry.
Keywords: GWR, agroindustry, location.
Artículos
EFEITOS LOCAIS DOS DETERMINANTES DO CRESCIMENTO DA AGROINDÚSTRIA NO BRASIL
LOCAL EFFECTS OF AGROINDUSTRY GROWTH DETERMINANTS IN BRAZIL
Universidad Nacional del Sur
Este trabalho está sob uma Licença Creative Commons Atribuição-NãoComercial 4.0 Internacional.
Recepção: 29 Dezembro 2019
Aprovação: 15 Maio 2020
Em uma sociedade cada vez mais industrializada, globalizada e urbanizada, o agronegócio e os sistemas agroalimentares, em geral, vêm se transformando rapidamente. Nesse contexto, em virtude do aumento da demanda por alimentos e demais produtos processados derivados da agropecuária, constata-se a importância da agroindústria1, segmento com potencial de contribuir para o crescimento econômico, principalmente em países em desenvolvimento, em virtude de se destacarem como grandes produtores e exportadores de produtos agroindustriais (Gálvez et al., 2017).
No Brasil, os segmentos que compõem a agroindústria passaram a se expandir mais fortemente a partir de 2007. No período de 2007 a 2015, ramos como preparação de couros e seus artefatos, fabricação de produtos alimentícios, fabricação de bebidas, de produtos têxteis e vestuário apresentaram trajetória de crescimento, impulsionados, dentre outros fatores, pelo aumento do consumo interno e crescimento da demanda mundial (Monteiro Neto & Silva, 2018).
Segundo informações do Ministério do Trabalho e Emprego (2018), em 2006 o Brasil possuía 79.684 estabelecimentos da agroindústria (sentido amplo), enquanto que no ano de 2016 esse número passou para 93 395 estabelecimentos, representando um aumento de 17% no período.
Nesse sentido, faz-se necessário entender a distribuição espacial dos estabelecimentos da agroindústria, visando-se compreender os elementos que podem influenciar seu dinamismo. Sendo assim, este estudo tem por objetivo analisar o crescimento da agroindústria no Brasil no período de 2006 a 2016. Especificamente se pretende explorar os determinantes da localização para o segmento da agroindústria; testar a hipótese de que, em virtude das características regionais peculiares observadas no Brasil (qualidade da mão de obra, infraestrutura adequada, condições econômicas, acesso à matéria - prima), a quantidade de estabelecimentos da agroindústria cresceu em intensidade diferente nas microrregiões brasileiras; e verificar o nível de influência que cada fator tem na configuração dos determinantes da agroindústria em cada microrregião do país.
Para tanto, utilizam-se como ferramentas metodológicas a Análise Exploratória de Dados Espaciais (AEDE) e o modelo que considera a heterogeneidade espacial extrema, o modelo de Regressão Ponderada Geograficamente (RPG).
A utilização de modelos espaciais nesse tipo de análise se justifica por meio de três fatores fundamentais: primeiro, a estrutura tradicional que não controla as variáveis espaciais não é capaz de capturar a presença de transbordamentos espaciais; segundo, a distribuição espacial das empresas não é, de forma alguma, homogênea e, portanto, não se podem ignorar as possíveis influências do contexto espacial sobre as decisões de localização; e, em terceiro, não avaliar os efeitos espaciais pode implicar desconsiderar nas análises as economias de aglomeração que tendem a surgir nas atividades econômicas (Li & Zhu, 2017).
O presente artigo está organizado da seguinte forma: além desta introdução, consta de mais seis seções. Na segunda seção, apresenta-se o panorama locacional da agroindústria no Brasil. Na sequência, seção três, apresenta-se uma revisão bibliográfica acerca dos determinantes da localização industrial; na seção quatro, descrevem-se a metodologia, modelo proposto, fontes e tratamentos de dados. A quinta seção expõe os resultados e as discussões do trabalho, e a última seção trata das considerações finais.
A agroindústria brasileira vem se desenvolvendo e se destacando ao longo dos últimos anos. Em termos econômicos, sua importância pode ser verificada na participação no agronegócio, na indústria de transformação e nas exportações. De acordo com os dados do Cepea (2018), no período de 1996 a 2016, esse segmento representou, em média, 30% do PIB do agronegócio brasileiro.
Já em relação ao Valor da Transformação Industrial da Indústria de Transformação, de 2010 a 2017, a participação da Agroindústria passou de 207 bilhões (ou 28,5% VTI da Indústria de Transformação) para 357 bilhões (35% VTI da Indústria de Transformação) (IBGE, 2019). Esse incremento da participação está relacionado, dentre outros fatores, ao aumento das demandas interna e externa e às mudanças nos padrões de consumo da população. Esses elementos podem ser considerados motores da expansão da agroindústria, em termos absolutos, e da manutenção da sua participação na produção industrial (Santos, 2014).
A expansão da produção agroindustrial se traduziu em elevada disponibilidade de alimentos, fibras e energia, garantindo o abastecimento interno e ainda um crescente volume de exportação (Cepea, 2018). De acordo com os dados do Ministério da Economia, Indústria, Comércio Exterior e Serviços (2019), as exportações de produtos agroindustriais (em toneladas) apresentaram, no período compreendido entre 1997 a 2017, taxa de crescimento anual de 5.78%. Esse fato evidencia a importância deste segmento na geração de divisas para o país.
Apesar de se constatar o crescimento da agroindústria ao longo do período, é relevante analisar se esse fato também se verifica quando se observam os dados referentes aos estados e regiões. Esse fator é importante, pois por meio de uma análise desagregada em nível regional, é possível observar, em termos espaciais, a localização da agroindústria e seu grau de importância entre as regiões.
Na Tabela 1 são apresentados os dados referentes ao número de estabelecimentos da agroindústria por estados e regiões. Constata-se que as regiões Sul e Sudeste concentraram o maior número de estabelecimentos da agroindústria, tanto em 2006 quanto em 2016, apresentando uma participação de 72% e 70%, respectivamente. De acordo com Santos (2013), a justificativa para a grande concentração da agroindústria nessas regiões, dentre outros fatores, consiste no fato de elas disporem de grande oferta de matéria-prima, estarem próximas do mercado consumidor e possuírem maior organização produtiva.
As regiões Norte, Nordeste e Centro-Oeste do país não seguem o mesmo perfil de atração da agroindústria no nível das regiões Sul e Sudeste, porém pode-se verificar que estas regiões, ao longo do período em análise, apresentaram expressivas taxas de crescimento da planta agroindustrial.
Dentre os fatores que contribuíram para o crescimento da agroindústria nestas regiões, estão as combinações de alocação dos fatores de produção e incentivos dos governos estaduais que possibilitaram a instalação de agroindústrias mesmo em regiões de baixa oferta de matérias - primas. No Norte e Nordeste, o alto peso desse segmento se deve à questão estrutural, além do fator importante que é a base no consumo regional e a mão de obra relativamente barata, somado a outros custos menores, mais a existência de um grande mercado consumidor que viabiliza a produção da agroindústria, mesmo sem uma grande produção agropecuária. No Centro-Oeste, a importância relativa da agroindústria está ligada à grande produção agropecuária, com atração de indústrias de médio e grande porte, além de a região apresentar menor participação relativa de outros segmentos da indústria de transformação (Santos, 2013).
Sendo assim, observa-se que diversos indicadores podem contribuir para o desenvolvimento da agroindústria, sendo a oferta de matéria-prima um dos mais importantes. Para Santos (2014), a oferta de matéria-prima potencializa uma região, em relação a outras, no estabelecimento de agroindústrias.
Total de estabelecimentos da agroindústria por estados nos anos 2006 e 2016
Fonte: elaboração própria a partir de dados da RAIS (2018).
Após a análise do panorama locacional da agroindústria, é possível ter uma visão geral da distribuição desse segmento na economia brasileira. Estes dados apontam para a necessidade de se aprofundarem os estudos sobre os aspectos locacionais que contribuem para o desenvolvimento da agroindústria, principalmente em regiões que apresentaram crescimento elevado ao longo do período.
Ao longo dos últimos anos, diversos estudos foram realizados com os objetivos de analisar a localização industrial e identificar os fatores locacionais que refletem as reais decisões de localização da planta industrial (Gotardo, 2016). Tais pesquisas utilizaram diferentes bases de dados e distintas metodologias. Em meio a esses estudos podem ser destacados os que enfatizam a localização da agroindústria, tais como Goetz (1997), Henderson & Namara (1997), Davis & Schluter (2005), Lambert & Namara (2009), Polyzos et al. (2015), Barrantes et al. (2015), Wu (2017), Granco et al. (2018) e Takano & Kikukawa (2018). O Quadro 1 foi construído com base nos trabalhos mencionados e permite ter uma visão resumida dos estudos realizados. Destarte, a apresentação desses estudos busca verificar as variáveis utilizadas na especificação dos modelos referentes aos determinantes da localização da indústria e do crescimento dos estabelecimentos industriais.
Os trabalhos analisados (Quadro 1) apresentam as variáveis relevantes para a análise da localização industrial e os principais estudos nessa área. O objetivo dessa análise é investigar, com maior acuidade, as principais variáveis utilizadas nas estimações empíricas, sendo que servirão como suporte ao modelo a ser construído neste estudo.
Apesar das diferenças nas abordagens mais recentes, observa-se certa homogeneidade nos fatores que são testados como determinantes locacionais da indústria, como impostos, mão de obra (tanto qualificação como custo da mão de obra), custos com transporte, urbanização, incentivos fiscais, infraestrutura, aglomeração, mercado consumidor, fonte de matéria-prima e fornecedores de insumos, que são alguns dos fatores que aparecem com frequência nesse tipo de análise (Gotardo, 2016).
A análise exploratória dos dados espaciais (AEDE) aborda os efeitos decorrentes da autocorrelação espacial que ocorre quando o valor de uma variável numa região i, por exemplo, está relacionada com o valor da mesma variável da região j (Anselin, 1988).
Resumo dos principais estudos empíricos acerca dos determinantes da localizacao industrial
O primeiro passo no estudo da AEDE é testar a hipótese de que os dados espaciais sejam distribuídos aleatoriamente, ou seja, verificar se os valores de um atributo numa região não dependem dos valores deste atributo nas regiões vizinhas. Os dados espaciais podem ser definidos como sendo a observação de uma variável que se encontra associada a uma localização no espaço geográfico (Sabater et al., 2011).
A estatística I de Moran consiste em um teste de diagnóstico global que mede o grau de associação linear entre um atributo(y)em determinado local e a média ponderada do atributo nos locais vizinhos (Wy). Valores maiores (ou menores) do que o esperado significam que há autocorrelação positiva (ou negativa).
O diagrama de dispersão de Moran é uma das maneiras de se interpretar a estatística I de Moran. Ele permite visualizar a correlação linear entre z e Wz por meio do gráfico de duas variáveis. O coeficiente I de Moran é a inclinação da curva de regressão de Wz contra z e esta inclinação indica o grau de ajustamento. O diagrama é dividido em quatro quadrantes, os quais correspondem a quatro padrões de associação local espacial entre as regiões e seus vizinhos. As regiões que se localizam no primeiro e terceiro quadrantes (AA (Alto-Alto) e BB (Baixo-Baixo)) apresentam autocorrelação espacial positiva, estas regiões formam clusters de valores similares. Por outro lado, o segundo e o quarto quadrantes (BA (Baixo-Alto) e AB (Alto-Baixo)) apresentam autocorrelação espacial negativa, ou seja, estas regiões formam clusters com valores diferentes. O diagrama de dispersão de Moran mostra no eixo horizontal a variável de interesse e no vertical, a defasagem espacial (lag) dessa variável (Anselin, 1996).
Os resultados apresentados no diagrama de dispersão de Moran podem ser mapeados, constituindo o denominado mapa de dispersão de Moran, porém, assim como acontece com o diagrama, o mapa apresenta grupos de autocorrelação espacial tanto estatisticamente significativos quanto não significativos. Portanto, as estatísticas de autocorrelação global não têm a capacidade de identificar a ocorrência de autocorrelação local, estatisticamente significante (Almeida, 2012).
Em virtude disso, são utilizados os indicadores de autocorrelação local que examinam os padrões de associação espacial em maiores detalhes. Conforme Anselin (1995), um Indicador Local de Associação Espacial (Local Indicator of Spatial Association – LISA), baseado no I de Moran, pode ser especificado como
em que yi,té a observação da variável de interesse na microrregião i para o ano t, ut é a média das observações entre as microrregiões para o ano t para a qual o somatório em relação à j é tal que somente os valores vizinhos de j são inclusos.
A estatística pode ser interpretada como: valores positivos significam que há clusters espaciais com valores similares (alto ou baixo); valores negativos significam que há clusters espaciais com valores diferentes entre as regiões e seus vizinhos. Considerando-se que é grande o número das informações computadas, o ideal é mapeá-las, formando-se o denominado mapa de clusters da variável sob análise (Maranduba Junior, 2007).
O modelo RPG é um desenvolvimento do modelo clássico de regressão linear (MCRL) para dados espaciais em corte transversal. Ao contrário dos modelos globais, permite que exista a estimação de coeficientes locais, ou seja, consiste em uma técnica espacial que aborda os efeitos locais das regiões (Brunsdon et al., 1998).
O modelo RPG gera uma regressão local, resultado para cada observação i. Nessa regressão, as unidades são ponderadas espacialmente, produzindo estimativas específicas do local. A chave para a atenuação da função de distância é o parâmetro de largura de banda α que define a distância sobre a qual uma única microrregião é afetada por outras unidades territoriais. O parâmetro ideal é aquele que leva a um mínimo valor do critério de informação de Akaike (AIC) (Fotheringham et al., 2003). A estabilidade dos parâmetros sobre os locais é examinada pelo teste de variabilidade geográfica (Li & Zhu, 2017). O mapeamento dos resultados do RPG fornece informações espaciais tanto sobre a magnitude como a significância das estimativas dos parâmetros (Gezici et al., 2017).
Cada observação é ponderada de acordo com estar mais perto ou mais longe da localização i, e esses pesos variam conforme o ponto da regressão se altera. Um relacionamento variado sobre o espaço será tratado por meio do cálculo de uma matriz de peso em que os pesos são calculados para cada ponto i. Assim, os dados próximos aos pontos serão mais ponderados e terão mais influência, comparados aos dados mais distantes (Fotheringham et al., 2002).
O conceito geral por trás do modelo de regressão geograficamente ponderada está em consonância com a Lei Tobler (1970), pois admite que os dados mais próximos do ponto da regressão têm probabilidade maior de influenciá-lo. Como resultado dessa abordagem, pontos de dados e pontos de regressão funcionam com base em uma matriz de ponderação (Gezici et al., 2017; Almeida, 2012).
A principal vantagem desse modelo é a estimação de um modelo específico para cada região, controlando, portanto, a heterogeneidade espacial extrema. Por meio dessa metodologia, é possível se analisar a existência do processo de convergência para cada área mínima comparável (AMC), ou seja, é possível se especificar o coeficiente beta, a velocidade de convergência e a meia-vida específicos para cada AMC. Ademais, essa metodologia permite o controle da dependência espacial (nas formas de defasagem espacial, de erro e de transbordamentos da variável explicativa) (Ribeiro & Almeida, 2012).
O RPG, uma técnica de modelagem de regressão local, traz uma nova perspectiva aos modelos de regressão espacial. Este modelo é amplamente separado dos globais, uma vez que pode representar a forma local de análise espacial e pode ser útil para se identificar problemas não estacionários que podem comprometer a inferência extraída de modelos globais.
Para analisar o crescimento da agroindústria brasileira em sentido amplo2 no período de 2006 a 20163 considerando as 558 microrregiões, utiliza-se o seguinte modelo:
A variável dependente (CRES), consiste na taxa de crescimento dos estabelecimentos da agroindústria de 2006 a 2016. São incorporados a esta medida de crescimento, novos estabelecimentos, bem como fechamentos de estabelecimentos existentes. A utilização desta, está em consonância com os estudos de Goetz (1997), Xu (2011) e Yonggang (2013).
Vale destacar que, no caso brasileiro, os estabelecimentos da agroindústria são compostos em sua grande parte por micro e pequenas empresas pelo critério de número de funcionários. De acordo com os dados da Rais (2020), em 2006, 82%4 dos estabelecimentos da agroindústria eram microempresas, 13% eram empresas de pequeno porte e 3% eram estabelecimentos de médio porte. Já em 2016, 84% dos estabelecimentos eram considerados microempresas, 12% eram empresas de pequeno porte e 3% eram empresas de médio porte. Tanto em 2006 quanto em 2016, as empresas de grande porte possuíam uma representação pouco expressiva no total de estabelecimentos da agroindústria, chegando a aproximadamente 1%.
As variáveis independentes utilizadas no modelo incluem os fatores determinantes do crescimento do número de estabelecimentos da agroindústria, que são categorizadas em seis grupos: recursos humanos, mercado, custo, infraestrutura, aglomeração e oferta de matéria-prima para o ano de 2006. Os dados para as variáveis explicativas são selecionados no ano inicial do período analisado para o qual a mudança no número de estabelecimentos é medida com base no pressuposto de que esses dados representam os atributos de localização das empresas no tempo que teriam sido tomadas as decisões sobre se abrir, fechar ou manter o estabelecimento.
A variável QLAI, o quociente locacional, representa os fatores de aglomeração da agroindústria. Para o cálculo do QLAI, utiliza-se a seguinte fórmula:
A variável QLAGRO representa os fatores de aglomeração da agropecuária para capturar a especialização da produção. Seu emprego visa examinar se um alto grau de especialização na agropecuária em determinada localidade cria as condições necessárias para a expansão das empresas existentes ou se contribui para atração de novas empresas. A utilização dessa variável está de acordo com Takano et al. (2018).
A variável ESTAI06 consiste no número de estabelecimentos da agroindústria em relação ao total de estabelecimentos existentes na microrregião, no período inicial da análise (ano de 2006). Essa variável é utilizada para medir a aglomeração da indústria devido à alta correlação entre o número de estabelecimentos e o nível de investimento. Essa medida foi usada nos estudos de Davis & Schluter (2005) e Pruitt & Tilley (2008).
A variável SALAR refere-se ao custo da mão de obra, por meio da renda média – medida em número de salários mínimos. Esta variável está de acordo com o trabalho de Gotardo (2016).
A variável PIBPC consiste no PIB per capita e foi utilizada para captar os efeitos de mercado. O PIBPC reflete o potencial de demanda de uma região e proporciona uma estimativa do tamanho de mercado para os tomadores de decisão. Esta variável está em consonância com Basile et al. (2008), Gotardo (2016) e Silva (2016).
As variáveis ENS.MEDEMPT e ENS.FUDEMPT representam os percentuais de trabalhadores na indústria de transformação que possuem ensino médio e ensino fundamental. Essas variáveis consistem em proxies que retratam o grau de escolaridade da mão de obra.
A variável VALORADAGRO consiste na participação do valor adicionado da produção agropecuária em relação ao valor adicionado das demais atividades econômicas5. Esta variável foi utilizada no modelo para representar a oferta de insumos para a produção agroindustrial. A utilização dessa variável está em conformidade com MacDonald et al. (2000), Davis & Schluter (2005) e Pintor (2016). A variável AREAMIC consiste na área da microrregião. Representa uma proxy para recursos naturais das microrregiões e é utilizada no modelo para mensurar os efeitos da disponibilidade de terra na decisão de localização. A disponibilidade de terra está, por hipótese, relacionada positivamente com a decisão de seleção do local. Isso se justifica, pois as empresas buscam se localizar onde existe terra disponível para projetos atuais e para futuras expansões. De acordo com Gàlvez & Webber (2017), o acesso a recursos naturais, especialmente a terra, consiste em um fator importante para a localização da agroindústria. A utilização dessa variável também está em conformidade com Papke (1991), Woodward (1992), Henderson e McNamara (1997),Daltro Barreto et al. (2003), Lambert & McNamara (2009), Wu (2017), Takano et al. (2018) e Gomes et al. (2019).
A variável DIS representa o custo de transporte, ou seja, mensura a proximidade e o acesso aos mercados consumidores. Vários autores (Von Thünen (1826), Weber (1929), Hoover (1948), Greenhurt & Greenhurt, (1975), entre outros) destacam a importância dos custos de transporte e afirmam que a indústria se localiza onde esses custos são minimizados, pois quanto menor o custo de transporte, maiores serão as vantagens locacionais que a indústria terá em se instalar nessas localidades. Para a construção dessa variável, utilizou-se o mesmo procedimento realizado por Gotardo (2016), onde se levam em conta as distâncias rodoviárias de cada mercado. Considerando como mercado as capitais estaduais, mensurou-se a distância rodoviária de cada microrregião com sua respectiva capital estadual. Após calculadas as distâncias rodoviárias, realizou-se uma ponderação dessas distâncias com o objetivo de se corrigir vieses de mensuração. Para o cálculo da proxy da distância, utilizou-se a fórmula
em que i são as microrregiões e j são as capitais dos estados brasileiros. Portanto, distanciaij é a distância rodoviária mensurada em quilômetros da microrregião i para a capital estadual j. A utilização desta variável está em consonância com os trabalhos de Henderson & McNamara (2000), Carod (2005), Barretes; Fiestas & Hopkins (2015) e Gotardo (2016).
Com relação aos dados utilizados no modelo, verifica-se que o número de estabelecimentos da agroindústria, o salário, as informações sobre emprego industrial e escolaridade (anos de estudos) foram coletados na base de dados da Relação Anual de Informações Sociais (RAIS), publicada pelo Ministério do Trabalho e Emprego (MTE). As informações sobre o Produto Interno Bruto (PIB) e área foram extraídas da base de dados do Instituto de Pesquisa Econômica Aplicada (IPEADATA) e o valor adicionado da produção foi extraído do Instituto Brasileiro de Geografia e Estatística (IBGE).
A Figura 1 apresenta a distribuição geográfica da taxa de crescimento dos estabelecimentos da agroindústria. As microrregiões em cor mais escura são aquelas com as maiores taxas de crescimento no número de estabelecimentos da agroindústria. Já aquelas denotadas em cor mais clara são as que apresentaram as menores taxas de crescimento. No mapa é possível verificar que grande parte das microrregiões que apresentaram os maiores percentuais de crescimento dos estabelecimentos da agroindústria entre 2006 e 2016 está localizada no Norte, Nordeste e centro-Oeste. Já as microrregiões que apresentaram as menores taxas de crescimento dos estabelecimentos da agroindústria estão concentradas nas regiões Sul, Sudeste e Norte. Essa observação sugere a existência de clusters espaciais.
Figura 1.
Distribuição geográfica da taxa de crescimento dos estabelecimentos da agroindústria 2006-2016
Fonte: elaboração própria a partir do software GeoDa.
Para se verificar a presença de associação espacial, aplica-se a técnica de Análise Exploratória de Dados Espaciais (AEDE), com a utilização do I de Moran Global e Local Indicator of Spatial Association (LISA).
Na Tabela 2 são apresentados os resultados do índice I de Moran, considerando-se as matrizes, torre, rainha e k vizinhos mais próximos. Verifica-se que todos os valores do I de Moran são positivos e estatisticamente significativos a 1%, revelando similaridade entre os valores e a localização espacial das microrregiões. Nesse caso, é possível afirmar que as microrregiões com elevada taxa de crescimento dos estabelecimentos da agroindústria estão rodeadas por microrregiões que também possuem elevada taxa de crescimento, ao passo que microrregiões com baixos valores tendem a estar rodeadas por vizinhos que também apresentam baixos níveis de crescimento dos estabelecimentos da agroindústria.
Coeficiente do I de Moran para a variável taxa de crescimento dos estabelecimentos da agroindústria
Fonte: elaboração própria. Nota: a pseudossignificância empírica baseada em 999 permutações aleatórias.
A estatística I de Moran mostra indícios da presença de dependência espacial, porém uma complementação da análise necessita ser realizada. Para tanto, utilizou-se a estatística LISA. Os indicadores LISA podem ser visualizados pelo mapa de clusters (Figura 2). Este mapa apresenta informações sobre o tipo de autocorrelação espacial que existe entre as localidades que apresentaram indicadores LISA significativos. Por esse mapa podem-se identificar as informações de clusters espaciais em quatro categorias de observações: AA (Alto-Alto), BB (Baixo-Baixo), AB (Alto-Baixo) e BA (Baixo-Alto).
Figura 2.
Mapa de clusters LISA para a variável taxa de crescimento dos estabelecimentos da agroindústria 2006-2016
Nota: Mapa com 999 permutações e nível de significância de 5%. Obs.: Mapa de clusters LISA com base na matriz de contiguidade cinco vizinhos mais próximos6.
Fonte: elaboração própria a partir do software GeoDa.Total de estabelecimentos da agroindústria por estados nos anos 2006 e 2016
Fonte: elaboração própria a partir de dados da RAIS (2018).
Resumo dos principais estudos empíricos acerca dos determinantes da localizacao industrial
Figura 1.
Distribuição geográfica da taxa de crescimento dos estabelecimentos da agroindústria 2006-2016
Fonte: elaboração própria a partir do software GeoDa.
Coeficiente do I de Moran para a variável taxa de crescimento dos estabelecimentos da agroindústria
Fonte: elaboração própria. Nota: a pseudossignificância empírica baseada em 999 permutações aleatórias.
Figura 2.
Mapa de clusters LISA para a variável taxa de crescimento dos estabelecimentos da agroindústria 2006-2016
Nota: Mapa com 999 permutações e nível de significância de 5%. Obs.: Mapa de clusters LISA com base na matriz de contiguidade cinco vizinhos mais próximos6.
Fonte: elaboração própria a partir do software GeoDa.