Introdução

Durante a última década, a área destinada ao cultivo de soja no Brasil cresceu de forma expressiva, passando de 23 para 39 milhões de hectares em 2020, um aumento de 68% (IBGE, 2023). Esse incremento na produção da oleaginosa foi acompanhado pelo Produto Interno Bruto (PIB) do agronegócio, que teve um aumento de 135% no mesmo período, passando de R$ 833 milhões em 2010 para R$ 1,9 bilhão em 2020 (CEPEA, 2023). Esse cenário evidencia a relevância econômica, bem como o potencial de promover o desenvolvimento do Brasil.

Em função da competitividade no mercado internacional, do aumento da demanda mundial por alimentos e das mudanças nos padrões de consumo, a expansão da fronteira agrícola ocorre rapidamente em direção ao Centro-Norte do país (Filassi; Oliveira, 2022; Bicudo da Silva et al., 2020; Nascimento et al., 2019). Essa expansão foi impulsionada pelos interesses de diferentes agentes econômicos do setor agroindustrial e mediada pela dinâmica da infraestrutura de transporte, sobretudo na região Norte (Alves Junior et al., 2018; Frey et al., 2018).

Uma das possíveis soluções para o escoamento da soja dessas regiões é por meio de rotas logísticas pelo Arco Norte, uma área estratégica localizada acima do Paralelo 16º, responsável pelo escoamento de cargas e insumos pelos portos do Norte do país. Essas rotas partem de Porto Velho (RO) e passam pelos estados do Amazonas, Amapá e Pará, até o sistema portuário de São Luís (MA) e Aratu (BA) (Rodrigues, 2021; Macedo; Gomes Júnior, 2019; Brasil, 2016). Essa região concentra grande parte da produção nacional de soja em duas grandes fronteiras agrícolas, o estado do Mato Grosso e a região do Matopiba, um acrônimo formado pelas iniciais dos estados do Maranhão, Tocantins, Piauí e Bahia (Batista et al., 2023).

Os portos do Arco Norte são considerados uma alternativa aos escoamentos pelos portos do Sul e Sudeste, pois a região não sofre congestionamentos, está mais próxima do mercado asiático pelo Canal do Panamá e navios de maior capacidade podem atracar. Essas características contribuem para o seu maior potencial de redução das emissões de CO2 (Branco et al., 2021; Souza et al., 2020). Entretanto, o potencial de expansão de terras agrícolas para áreas florestadas suscita debates sobre a melhor forma de manejar compensações entre o aumento da produção de alimentos e a conservação da floresta tropical, com sua biodiversidade e ecossistemas, bem como a promoção da redução das desigualdades sociais (Souza et al., 2024; Nepstadet al., 2019; West et al., 2010).

Em 2000, o Arco Norte contava com 7,6 milhões de hectares de área plantada de soja no Mato Grosso e Matopiba. Já em 2002, esse valor era de 13,2 milhões de hectares, um aumento de 73%. Em 2006, 22 municípios possuíam mais de 100 mil hectares, enquanto em 2017 esse número aumentou para 42. O valor da produção de soja também aumentou substancialmente, passando de R$ 5,9 bilhões em 2006 para R$ 39 bilhões em 2017, um aumento de 561% (IBGE, 2023). Esses fatos demonstram a crescente expansão da soja na região e reforçam o interesse em avaliar a evolução de aspectos socioambientais e a possível relação com o desenvolvimento regional.

Nessa região, é possível que a soja funcione como um motor para o desenvolvimento, especialmente por estar localizada em fronteiras agrícolas que têm capacidade logística mínima para sediar uma cultura voltada para a exportação como a soja. Porém, sempre há uma forte dependência da demanda internacional por soja e da taxa de câmbio entre a moeda brasileira e outras moedas. Isso faz com que a economia dos municípios da soja varie dependendo das forças de mercado que estão além do controle deles (Martinelli et al., 2017).

Somado a isso, tem-se o fato de que a expansão agrícola para regiões ao norte vem sendo definida como uma direcionadora de mudanças ambientais e desmatamento (Martinelli et al., 2017; Lauranceet al., 2014). É possível observar grandes transformações de paisagem em áreas de expansão da soja, o que leva à fragmentação da vegetação natural e à perda de habitat, afetando diretamente a biodiversidade local (Oliveira et al., 2017).

No Brasil, a infraestrutura de transporte atual e os projetos em andamento foram planejados com base em uma análise econômico-financeira, considerando a demanda por transporte de cargas, com destaque para a oferta de produtos agroindustriais (PNLT, 2011). Isso vai ao encontro das agroestratégias (Almeida, 2011), compostas por narrativas que enfatizam a modernização como um elo fundamental para o desenvolvimento, com base em investimentos públicos em infraestrutura (Sauer, 2018).

Com os resultados crescentes do agronegócio na balança econômica brasileira, a expansão agrícola tem promovido grandes êxodos demográficos para municípios produtores de grãos. Esse fato contribui diretamente para alterações nas economias regionais e na oferta de serviços (Garrett;Rausch, 2016). Assim, é importante avaliar as relações entre a expansão agrícola nas regiões ao norte sob a perspectiva da desigualdade social e questões socioeconômicas.

Diante disso, o objetivo da pesquisa é avaliar se a expansão da soja na região do Arco Norte promove o desenvolvimento regional. Para tanto, serão avaliados os principais índices de produtividade agropecuária, além de aspectos econômicos e sua correlação com aspectos sociais.

Revisão de Literatura

No contexto do aumento da agricultura voltada para exportação no Brasil, a produção de soja se destacou como a cultura de crescimento mais rápido. Entre 1970 e 2010, os rendimentos da soja dobraram e a área plantada aumentou em 22 milhões de hectares, resultando em um aumento de dez vezes na produção (Garret; Rausch, 2016). Esse crescimento foi impulsionado por investimentos governamentais em pesquisa e desenvolvimento agrícola (Garret; Rausch, 2016). Segundo Martinelli et al. (2017), a soja emergiu como um impulsor de desenvolvimento, especialmente nas fronteiras agrícolas com capacidade logística mínima para culturas voltadas para exportação, como a soja.

Entretanto, a expansão da soja, especialmente na região do Matopiba, composta principalmente por áreas de Cerrado nos estados do Maranhão, Tocantins, Piauí e Bahia, tem gerado intensos debates devido aos seus impactos socioeconômicos e ambientais negativos. Questões como a concentração fundiária e os desafios climáticos são centrais nesse debate (Rosanovaet al., 2022).

Na Amazônia, estudos indicam que a produção de soja não está associada ao aumento da pobreza e pode contribuir para ganhos de renda (Weinholdet al., 2012). No entanto, a concentração de terras produtivas continua sendo um fator significativo na geração de conflitos agrários e representa um problema estrutural do modelo de agronegócio adotado no Brasil (Rosanovaet al., 2022).

A expansão atual da soja na Amazônia e no Cerrado é impulsionada por interesses econômicos diversos, incentivos governamentais e é influenciada pela infraestrutura de transporte, concentrando-se em regiões com maior desenvolvimento tecnológico e infraestrutural, como o Matopiba e Mato Grosso na região Centro-Oeste (Frey et al., 2018).

Em parte devido à história da colonização e em parte pelas condições geográficas, infraestrutura e características ambientais, o Brasil formou regiões específicas de expansão agrícola, com propriedades de diversos portes. As grandes fazendas, em especial, estão associadas ao Arco Norte, destacando-se Mato Grosso e a região do Matopiba(Bicudo da Silva et al., 2020; Sauer, 2018).

Desse modo, o desenvolvimento regional é crucial para compreender os impactos sociais e econômicos dessa expansão, incluindo a mobilidade de capital, trabalho e inovações. Compreender esses aspectos é fundamental para subsidiar políticas públicas que possam reduzir as desigualdades regionais e promover um desenvolvimento mais equitativo (Rosanovaet al., 2022).

Os impactos dessa expansão podem ser analisados em diferentes escalas, considerando variáveis como segurança alimentar, bem-estar das famílias e condições macroeconômicas. Municípios com plantações de soja apresentam um aumento na desigualdade de renda, especialmente nas fronteiras agrícolas (Martinelli et al., 2017; Garret; Rausch, 2016). Portanto, é possível inferir que a produção agrícola dinamiza as economias locais. No entanto, as evidências sobre seus efeitos em outras dimensões do desenvolvimento ainda são nebulosas, questionando seu impacto no bem-estar populacional (Andrade Neto et al., 2024).

Nesse cenário, diversos estudos associam atividades agrícolas com o desenvolvimento. Ligon e Sadoulet (2018), que analisaram 62 países no período de 1978 a 2011, concluíram que a renda da agricultura influencia de maneiras diferentes a economia de cada país, sendo proporcionalmente mais benéfica para os mais pobres. Garret e Rausch (2016), ao avaliar atividades agrícolas prevalentes no Brasil, como soja, cana-de-açúcar, gado e municípios não agrícolas, apontaram que os indicadores socioeconômicos eram melhores ou iguais em municípios de soja quando comparados a municípios dominados pela cana-de-açúcar, e ambos foram melhores do que os municípios de gado e não agrícolas.

Todavia, quanto à importância da agricultura no bem-estar da população, os trabalhos são mais escassos e ambíguos (Andrade Neto et al., 2024; Martinelli et al., 2017). Em resumo, no caso da relação entre a agricultura e o bem-estar, existe uma tendência de impactos positivos, especialmente a partir de aspectos macroeconômicos, como modernização da agricultura e impacto no PIB (Lopes et al., 2021).

Materiais e métodos

Para verificar se o avanço da fronteira agrícola promove a redução da desigualdade social entre as duas fronteiras agrícolas do Arco Norte, foram escolhidos métodos de correção espacial e correlação nãoparamétrica pela natureza dos dados. Esses métodos incluem os índices de Moran I Global, Local IndicatorsofSpatialAssociation (LISA) e Correlação de Spearman.

Análise de correlação espacial

O Índice de Moran I Global e o LISA avaliam a autocorrelação espacial, mensurando a relação entre observações geograficamente próximas. Esses métodos partem do pressuposto de que unidades espaciais vizinhas tendem a apresentar valores semelhantes (Moran, 1948;Anselin, 1995).

O Índice de Moran I Global verifica se áreas vizinhas exibem maior similaridade em relação ao indicador analisado do que o esperado ao acaso. Para isso, emprega uma matriz de pesos espaciais, que define os critérios para a seleção do número de parceiros incluídos no cálculo. Esse índice mensura a autocorrelação espacial considerando apenas o primeiro nível de vizinhança e pode ser calculado pela fórmula (Equação 1) de Moran (1948):

(1)

(2)

Em que, n é o número total de municípios avaliados;x_i e x_jsão o valor da variável escolhida nos locais, i e j respectivamente; x é o valor médio do atributo desejado;wij é a matriz de peso espacial e σ é o desvio padrão.

O índice local de Moran I mede o valor do grau de coordenação de acoplamento em cada espaço local da área de estudo, analisando a correlação espacial entre umaregião e suas vizinhas. Esse índice identifica padrões espaciais, agrupando valores semelhantes em clusterse classificando os valores discrepantes (outliers). O LISA também avalia a relação espacial entre duas variáveis, sendo chamado de Índice Local de Moran Bivariado. Sua mensuração pode ser realizada por meio da Equação 3 (Anselin, 1995).

(3)

Análise de correlação de Spearman

O coeficiente de correlação de Spearman r_s é uma métrica estatística de classificação não paramétrica. Em princípio, o coeficiente de correlação de Spearman é um caso especial do coeficiente de Pearson, em que as amostras são convertidas antes da realização dos cálculos do coeficiente de correlação (Xiaoet al., 2016). A expressão simples para r_s, refere à diferença entre as duas variáveis classificadas, é apresentada na Equação 4.

(4)

Em que d_i= X'_i - Y'_ié uma diferença entre cada par de variáveis classificadas e N é o número total de amostras. É uma medida de associação monotônica que pode ser aplicada sem pressupor uma distribuição específica dos dados. Além de ser um teste não paramétrico, sua principal vantagem reside na facilidade de uso, pois dispensa a necessidade de classificar previamente os dados em ordem crescente ou decrescente (Xiaoet al., 2016)

Descrição das variáveis

Os dados utilizados nesta pesquisa foram retirados dos Censos Agropecuários de 2006 e 2017, bem como da Pesquisa Agrícola Municipal e Produto Interno Bruto dos Municípios. Foram selecionadas 14 variáveis, divididas entre Grupo 1 - (a) PIB do Agronegócio, (b) área plantada, (c) área colhida, (d) produção, (e) rendimento médio da produção, (f) área das propriedades agrícolas, (g) quantidade de maquinários, valor da produção (h), (i) área irrigada, (j) capacidade de armazenagem; eGrupo 2 - (k) Índice de Gini, (l) renda do estabelecimento, (m) nível de escolaridade e (n) atendimento de água, com os dados de municípios pertencentes ao Arco Norte, no Matopiba e Mato Grosso (Tabela 1). Além disso, os municípios foram divididos em produtores e não produtores de soja (Castro; Lima, 2016), sendo 300 hectares o valor considerado por ser este correspondente ao 25 percentil da área plantada (Martinelli et al., 2017; IBGE, 2024a, 2024b, 2024c).

Resultados e discussões

Ao comparar as variáveis por meio do Índice Global de Moran, observaram-se diferentes comportamentos no Mato Grosso e no Matopiba. Apenas as variáveis área das propriedades agrícolas, área plantada, coeficiente de Gini e capacidade de armazenagem foram significativas (p-valor < 0,01). No Mato Grosso, com exceção da capacidade de armazenagem, todas as outras variáveis avaliadas por ano e por município produtor ou não produtor de soja apresentaram significância na autocorrelação espacial (Tabela 2). No Matopiba, todas as quatro variáveis apresentaram significância (Tabela 3).

Em 2006, 72% dos municípios do Mato Grosso possuíam áreas plantadas maiores que 300 hectares. A área das propriedades agrícolas, área plantada e coeficiente de Gini apresentaram significância na análise de autocorrelação espacial (Tabela 2). A análise dos outros 28% dos municípios (nãoprodutores) apresentou significância apenas na variável área das propriedades agrícolas. Isso se deve ao fato de que as atividades econômicas desses municípios advêm majoritariamente de outros setores, como serviços, educação e saúde. Portanto, atividades ligadas à agricultura são menores e dispersas, correspondendo a, em média, 3,5% do PIB municipal (IBGE, 2024b).

Já em 2017, cerca de 82% dos municípios do Mato Grosso possuíam áreas plantadas maiores que 300 hectares. De acordo com o Índice Global de Moran, as variáveis área das propriedades agrícolas, área plantada e coeficiente de Gini apresentaram significância na autocorrelação espacial. Esse fato demonstra a capilaridade da atividade agrícola frente à sua importância comercial no estado do Mato Grosso, sendo as atividades agropecuárias responsáveis, em média, por 24% do PIB municipal (IBGE, 2024b). A análise dos 18% dos municípios não produtores demonstrou que apenas a área das propriedades agrícolas e o coeficiente de Gini apresentaram significância na correlação espacial, com características semelhantes.

Além disso, o aumento de 13% para municípios produtores entre 2006 e 2017 refletiu a perspectiva positiva das atividades agrícolas na economia regional. Esse fato é corroborado por Castro e Lima (2016), os quais pontuaram que, entre 2000 e 2010, os municípios mato-grossenses que plantaram soja se desenvolveram cerca de 20% a mais do que os que não plantaram em 2000, e, em 2010, esse percentual aumentou para 23%. Nesse mesmo período, houve um desenvolvimento médio de 26% para os municípios que continuaram a não plantar soja, em comparação com um desenvolvimento médio de 29% para os que começaram a plantar soja.

No Matopiba, de maneira geral, as autocorrelações espaciais apresentaram valores maiores tanto para os municípios produtores quanto para os não produtores, em 2006 e 2017. Em 2006, 72% dos municípios da região possuíam áreas maiores que 300 hectares. O coeficiente de Gini e a área plantada foram as variáveis com os maiores valores de autocorrelação espacial. Isso demonstra um padrão espacial no comportamento da soja nessas variáveis e a formação de clusters (Araújo et al., 2017). Para os municípios não produtores, o coeficiente de Gini apresentou o maior grau de significância.

Em 2017, as análises indicaram que os municípios produtores de soja, correspondendo a 82% do total no Matopiba, apresentaram um padrão espacial mais forte nas áreas plantadas e no coeficiente de Gini. Isso corrobora o trabalho de Araújo et al. (2017), que demonstrou que um dos resultados da expansão agrícola na região é a concentração regional da produção de soja. Isso decorre dos maiores aportes tecnológicos e dos investimentos em pesquisa. Os municípios não produtores de soja também apresentaram relações espaciais, ainda que não diretamente ligadas à atividade agrícola, formando clusters com outras atividades econômicas, como indústria e comércio.

A análise do LISA classificou, em 2006, um cluster de área plantada no centro-norte do Mato Grosso, agregando treze municípios, entre eles Sorriso, Sapezal e Nova Mutum (Figura 1a). Em relação à área das propriedades agrícolas, foram agrupados quatro municípios. No entanto, apesar de possuírem grandes áreas, não são grandes produtores de soja (Figura 1b).

No caso do Matopiba, em 2017, todas as variáveis foram significativas no agrupamento dos maiores produtores da região, incluindo Correntina, São Desidério, Luís Eduardo Magalhães, Barreiras e Riachão das Neves, na Bahia; Ribeiro Gonçalves, no Piauí; e Tasso Fragoso, no Maranhão. Esse fato demonstra que, ao contrário do Mato Grosso, Matopiba apresentou características muito semelhantes entre seus municípios produtores, os quais foram diretamente influenciados por investimentos em tecnologia (Araújo et al., 2017) (Figura 2e, Figura 2f, Figura 2g, Figura 2h).

Em relação ao Índice de Moran Local Bivariado, as únicas variáveis que apresentaram significância nos resultados foram Gini/Capacidade de Armazenagem, Gini/Área das Propriedades Agrícolas e Gini/Nível de Escolaridade, todas em 2017 (Figura 3). As demais variáveis, em sua maioria, não apresentaram significância e/ou relações complexas com o coeficiente de Gini no Mato Grosso e Matopiba nos dois períodos analisados. Nesses casos, as variáveis utilizadas não foram suficientes para caracterizar a distribuição espacial, bem como sua relação com as regiões do entorno.

Desse modo, emboraas regiões possuam alta tecnologia na dinâmica local, isso não resulta em ganhos sociais, econômicos e ambientais para as populações locais, principalmente quanto a empregos (Sauer, 2018). Nesse sentido, há intensificação da mecanização, principalmente no Mato Grosso, bem como da demanda por alta qualificação, muitas vezes excluindo a comunidade local em favor de mão de obra externa.

Em relação ao coeficiente de Gini, entre os municípios produtores, houve significância na região sudeste do estado, sendo criado um cluster com municípios com menores valores do coeficiente de Gini, possuindo, portanto, um índice global de menor desigualdade social (Figura c). A variável capacidade de armazenagem apresentou agrupamento de apenas três municípios com alta capacidade, incluindo Campos de Júlio, Sapezal e Brasnorte (Figura 1d).

A análise do LISA classificou, em 2006, no Matopiba, os maiores produtores de soja em relação à área plantada, que são: Barreiras, Luís Eduardo Magalhães, São Desidério, Correntina e Riachão das Neves (Figura 1e). A área das propriedades agrícolas também foi agrupada na mesma região, corroborando o estudo de Araújo et al. (2017), que identificou a formação de clusters de produtividade nessa região (Figura 1f).

Figura 1:
Índice de Correlação Local de Moran (LISA) para as variáveis área plantada, área das propriedades agrícolas, coeficiente de Gini e capacidade de armazenagem, para os municípios produtores no Mato Grosso e Matopiba, em 2006
Fonte: Autores (2024).

Já a análise do coeficiente de Gini e capacidade de armazenagem agrupou a região tradicionalmente produtora de soja no Matopiba como um cluster de altos valores de coeficiente de Gini e alta capacidade de armazenagem. Esse fato é interessante, pois os maiores produtores de soja do Matopiba possuem também os maiores índices de desigualdade social. Isso indica a provável existência de concentração fundiária, bem como de renda na região (Figura 1g).

Em relação ao ano de 2017, houve um aumento no agrupamento de municípios com maiores áreas plantadas no Mato Grosso, passando de 13 para 15, revelando que a expansão da soja no Mato Grosso avança para o centro-norte do estado (Figura 2a) (Maranhão et al., 2019). Já na área das propriedades agrícolas, o cluster de maiores áreas se concentrou na região nordeste doestado, continuando o processo que já ocorria em 2006 e consolidando a área como logisticamente eficiente para armazenagem de grãos no processo de expansão da soja (Figura 2b) (Maranhão et al., 2019).

O coeficiente de Gini apresentou significância na correlação espacial na região centro-norte do estado, em 2017. Esse resultado é relevante, pois nessa área, onde foram agrupados municípios com menores índices de desigualdade social, também estão localizados alguns dos maiores produtores de soja do estado, como Sorriso e Lucas do Rio Verde, sugerindo uma redução na desigualdade nessas regiões (Figura 2c). No caso da capacidade de armazenagem, também houve a consolidação de um processo de expansão da soja para a região centro-norte, indo em direção a novas rotas de escoamento no Arco Norte, como a ferrovia Norte-Sul. Houve agrupamento de municípios com maiores capacidades de armazenagem, como Nova Ubiratã, Sorriso e Lucas do Rio Verde (Figura 2d).

A análise do índice de Moran Bivariado revela que a relação entre o coeficiente de Gini e a capacidade de armazenagem é linear e positiva nas regiões centrais do Matopiba (como Balsas e Alto Parnaíba), ou seja, à medida que uma cresce, a outra também tende a crescer. No Matopiba, destaca-se o impacto da concentração fundiária, enquanto no Mato Grosso, o papel da escolaridade apresenta uma influência mais difusa (Figura 3).

Figura 2:
Índice de Correlação Local de Moran (LISA) para as variáveis Área plantada, Área das propriedades agrícolas, Coeficiente de Gini e Capacidade de Armazenagem, para os municípios produtores no Mato Grosso e Matopiba, em 2017
Fonte: Autores (2024).

Figura 3:
Relação espacial entre o Coeficiente de Gini e Capacidade de Armazenagem, Área das propriedades agrícolas no Matopiba e Nível de escolaridade no Mato Grosso, em 2017
Fonte: Autores (2024).

A relação entre a área das propriedades agrícolas e o coeficiente de Gini mostrou uma correlação linear positiva na parte leste e central do Matopiba. Contudo, na maioria dos municípios, essa relação apresentou uma forma côncava, ou seja, ela varia de maneira não linear, sugerindo interações complexas entre essas variáveis (Figura 3).

Esse fato pode decorrer da polarização espacial, em que regiões com alta desigualdade e grandes propriedades podem estar concentradas em polos específicos, enquanto regiões intermediárias apresentam padrões diferentes. Além da combinação de fatores socioeconômicos, como políticas públicas, que afetam a concentração de terras e a desigualdade (Sauer, 2018) (Figura 3).

Em relação ao nível de escolaridade, no Mato Grosso, em 2006, os municípios produtores apresentaram uma relação linear positiva com o coeficiente de Gini na Mesorregião Sudeste, em áreas com média produção e rotas de escoamento para o Porto de Santos (Figura 3).

A análise de correlação de Spearman na região do Matopiba destaca que a relação entre desigualdade (coeficiente de Gini) e capacidade de armazenagem ou área das propriedades agrícolas é significativa em muitas regiões, mostrando uma possível concentração de recursos e infraestrutura agrícola em áreas com maior desigualdade social (Figura 4).

Figura 4:
Correlação de Spearman para o Mato Grosso e Matopiba, entre as variáveis área plantada, área das propriedades agrícolas, coeficiente de Gini e capacidade de armazenagem, em 2006 e 2017
Fonte: Autores (2024).

De maneira geral, observa-se uma correlação positiva forte nos municípios produtores, o que indica que maiores áreas plantadas estão associadas a propriedades de maior porte. Em contrapartida, nas propriedades menores, essa correlação é mais fraca ou inexistente (Figura 4).

O coeficiente de Gini apresenta uma correlação positiva moderada com a área das propriedades agrícolas nas propriedades maiores, o que sugere que áreas maiores estão associadas a maiores desigualdades em ambas as regiões e períodos. Esse fenômeno está relacionado ao modelo de exportação da soja na região (Sauer, 2018). Nos municípios não produtores, a relação com o Gini tende a ser mais fraca ou negativa, o que indica que as pequenas propriedades não estão diretamente associadas a uma maior desigualdade (Figura 4).

Considerações finais

A análise dos indicadores socioeconômicos da região do Arco Norte mostra que a expansão da soja tem um impacto complexo no desenvolvimento regional. Ela tem demonstrado um potencial significativo para impulsionar o crescimento econômico, principalmente nos municípios com grandes áreas agrícolas de cultivo da soja. É possível observar diferenças regionais que indicam mudanças estruturais ao longo do tempo, com avanço mais gradual no Matopiba.

Os resultados indicam que as dinâmicas do cultivo da soja são distintas no Mato Grosso e no Matopiba. O Mato Grosso não apresentou correlação espacial entre área plantada e área das propriedades agrícolas, demonstrando que não necessariamente os maiores municípios produtores possuem as maiores áreas de propriedades agrícolas. Além disso, menores índices de Gini, ou seja, menos desigualdade social, foram encontrados em alguns dos maiores produtores de soja do estado, em 2017.

No Matopiba, as maiores áreas plantadas se correlacionaram espacialmente de maneira forte com as maiores áreas de propriedades agrícolas e a capacidade de armazenagem, evidenciando de maneira mais clara o modelo de exportação agrícola adotado. Ademais, os maiores municípios produtores apresentaram os maiores valores de coeficiente de Gini, apontando maiores desigualdades sociais.

É possível afirmar que municípios com grandes áreas de cultivo acabam concentrando mais terras, o que está associado ao aumento da desigualdade e ao desenvolvimento da infraestrutura de armazenamento, especialmente no Mato Grosso. Além disso, grandes propriedades costumam se beneficiar da expansão da soja e dos avanços tecnológicos, enquanto as pequenas propriedades têm dificuldades para acompanhar esse crescimento, o que aumenta a desigualdade. Por fim, a expansão da mecanização agrícola também influencia diretamente na oferta de emprego e se relaciona fortemente com o nível de escolaridade.

Esta pesquisa também ressalta a necessidade de políticas públicas que considerem as diferenças regionais e as desigualdades no setor agrícola, buscando mitigar os efeitos negativos da expansão agrícola. Embora a soja contribua para o crescimento econômico, ela também causa grandes impactos ambientais, como o desmatamento. Portanto, é fundamental a proposição de estratégias que abordem os impactos ambientais, como a moratória da soja na Amazônia, visando à preservação da biodiversidade e à gestão dos recursos naturais, no caso do Matopiba.

É bastante provável que a expansão da soja no Arco Norte continue crescendo nos próximos anos, impulsionada por avanços tecnológicos que possibilitam o cultivo em novas áreas mais quentes e secas. No entanto, novos desafios surgem no horizonte, como eventos disruptivos, a exemplo das mudanças climáticas, que podem modificar radicalmente a distribuição espacial dos cultivos agrícolas e promover grandes mudanças no mercado internacional.

Desse modo, é importante ressaltar que a soja se relaciona fortemente com o desenvolvimento econômico. Todavia, para que esse crescimento seja sustentável e justo, é necessário adotar políticas focadas na distribuição regional e equitativa de recursos, no aumento do nível de escolaridade e na gestão sustentável dos recursos naturais para um desenvolvimento equilibrado e sustentável na região.

Agradecimentos

Este trabalho foi realizado com apoio da Universidade Estadual de Campinas(Unicamp), por meio da bolsa pesquisa SAE - Processo 01-P-194/2023.

Referências

ANDRADE NETO, A. O.; RAIHER, A. P. Impacto socioeconômico da cultura da soja nas áreas mínimas comparáveis do Brasil. Revista de Economia e Sociologia Rural, [S./l.],v. 62, n. 1, e267567, p. 1-22, 2024.

ANSELIN, L. Local indicators of spatial association—Lisa.Geographical Analysis, [S./l.], v. 27, n. 2, p. 93–115, 1995.

ALMEIDA, A.W.B. A reconfiguração das agroestratégias: novo capítulo da guerra ecológica. In: SAUER, Sergio.; ALMEIDA, W. (org.). Terras e territórios na Amazônia: demandas, desafios e perspectivas. Brasília: Editora da UnB, 2011. p. 27–44.

BATISTA, M. L. B. et al. Análise fatorial e espacial da modernização agrícola no Matopiba. Revista de Economia e Sociologia Rural,[S./l.],v. 61, n. 3, e261413, 2023.

BICUDO DA SILVA, R F. et al. Three decades of changes in Brazilian municipalities and their food production systems. Land, [S./l.],v. 9, n. 11, p. 422, 2020.

BRASIL.Arco Norte: O desafio logístico. Brasília: Edições Câmara, 2016. Disponível em: https://www2.camara.leg.br/a-camara/estruturaadm/altosestudos/pdf/arco_norte.pdf. Acesso em: 04 fev.2024

CASTRO, L. S.; LIMA, J. E. A soja e o estado do Mato Grosso: existe alguma relação entre o plantio da cultura e o desenvolvimento dos municípios? Revista Brasileira de Estudos Regionais e Urbanos, [S./l.],v. 10, n. 2, p. 177-198, 2016.

FREY, G. P. et al.Simulated impacts of soy and infrastructure expansion in the Brazilian Amazon: A maximum entropy approach. Forests, [S./l.],v. 9, n. 10, p. 600, 2018.

GARRET, R. D.; RAUSCH, L. L. Green for gold: Social and ecological tradeoffs influencing the sustainability of the Brazilian soy industry. The JournalofPeasantStudies, [S./l.],v. 43, p. 461–493, 2016.

INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA – IBGE. PAM - Produção Agrícola Municipal. 2024. Disponível em: https://www.ibge.gov.br/estatisticas/economicas/agricultura-e-pecuaria/9117-producao-agricola-municipal-culturas-temporarias-epermanentes.html.Acesso em: 05 fev.2024.

INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA – IBGE. PIB-Mun – Produto Interno Bruto dos Municípios. 2024. Disponível em: https://sidra.ibge.gov.br/pesquisa/pib-munic/tabelas. Acesso em: 15jan. 2024.

INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA – IBGE. Censo Agropecuário 2006. 2006. Disponível em: https://www.ibge.gov.br/estatisticas/economicas/agricultura-e-pecuaria/9827-censo-agropecuario.html. Acesso em: 05 jan. 2024

INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA – IBGE. Censo Agropecuário 2017. 2017. Disponível em: https://www.ibge.gov.br/estatisticas/economicas/agricultura-e-pecuaria/9827-censo-agropecuario.html.Acessoem: 05 jan. 2024.

LIGON, E.; SADOULET, E. Estimating the Relative Benefits of Agricultural Growth on the Distribution of Expenditures.World Development, [S./l.],v. 109, n. 1, p. 417-428, 2018.

LOPES, G. R.; LIMA, M. G.; REIS, T.N. P. Maldevelopment revisited: Inclusiveness and social impacts of soy expansion over Brazil’s Cerrado in Matopiba. World Development, [S./l.],v. 139, p. 105316, 2021.

MARTINELLI, L. A. et al.Soy expansion and socioeconomic development in municipalities of Brazil.Land, [S./l.],v. 6, n. 3, p. 62, 2017.

MARANHÃO, R. L. A. et al. The spatiotemporal dynamics of soybean and cattle production in Brazil.Sustainability, [S./l.],v. 11, n. 7, p. 2150, 2019.

MIRANDA, E. E.M.; MAGALHÃES, L. A.; CARVALHO, C. A.Proposta de delimitação territorial do Matopiba. Nota técnica 1. EMBRAPA. Grupo de Inteligência Territorial Estratégica (GITE). Disponível em: https://www.infoteca.cnptia.embrapa.br/infoteca/handle/doc/1037313.Acessoem : 04 fev. 2024

MORAN, P.The interpretation of statistical maps. Journal of the Royal Statistical Society: Series B (Methodological), [S./l.],v. 10, n. 2, p. 243–251, 1948.

OLIVEIRA, S. N. et al. Landscape-fragmentationchangeduetorecentagriculturalexpansion in theBrazilianSavanna, Western Bahia, Brazil. Regional environmentalchange, [S./l.],v. 17, p. 411-423, 2017.

RICHARDS, P. et al. Soybean development: The impact of a decade of agricultural change on urban and economic growth in Mato Grosso, Brazil. PLoSone, [S./l.],v. 10, n. 4, p. e0122510, 2015.

ROSANOVA, C. et al. A expansão do agronegócio da soja no Tocantins: contextualização dos impactos e mudanças no desenvolvimento regional. Open Science Research IV, [S./l.],cap. 11, p. 158-167, 2022.

SAUER, S. Soy expansion into the agricultural frontiers of the Brazilian Amazon: The agribusiness economy and its social and environmental conflicts. Land Use Policy, [S./l.],v. 79, p. 326–338, 2018.

SOUZA, M. M.; OLIVEIRA, A. L. R.; SOUZA, M. F. Localização de armazéns agrícolas baseada em análise multicritério espacial. Revista de Economia e Sociologia Rural, [S./l.],v. 62, n. 1, e268622, p. 1-16, 2024.

XIAO, C. et al. Using Spearman’s correlation coefficients for exploratory data analysis on big dataset. Concurrency and Computation: Practice and Experience, [S./l.],v. 28, n. 14, p. 3866–3878, 2016.

Notas

Información adicional

redalyc-journal-id: 5769