tipificaÇÃo dos municÍpios do bioma mata atlÂntica ... t/re19507.pdf · bioma mata atlântica....
TRANSCRIPT
13º Congresso Interinstitucional de Iniciação Científica – CIIC 2019
30 e 31 de julho de 2019 – Campinas, São Paulo
ISBN: 978-85-7029-149-3
1 Autora, Bolsista CNPq (PIBIC): Graduação em Geografia, PUCC, Campinas-SP; [email protected]. 2 Colaborador, Pesquisador da Embrapa Territorial, Campinas-SP. 3 Orientador: Pesquisador da Embrapa Territorial, Campinas-SP; [email protected].
TIPIFICAÇÃO DOS MUNICÍPIOS DO BIOMA MATA ATLÂNTICA PRODUTORES DE MILHO E
SOJA POR MEIO DE ANÁLISE MULTIVARIADA
Verônica Chaves de Oliveira¹; Sérgio Gomes Tôsto2; André Luiz dos Santos Furtado³
Nº 19507
RESUMO – O objetivo desta pesquisa foi tipificar, por meio de análise multivariada, os municípios
produtores de milho e soja do bioma Mata Atlântica. No presente estudo, foram utilizadas
tabulações especiais do Censo Agropecuário 2006, fornecidas pelo IBGE, contendo 147 variáveis.
As tabulações consistiram de registros de estabelecimentos agropecuários produtores de milho e
soja. Para a estruturação da tipologia, foram considerados descritores qualitativos e quantitativos
como: tipo de agricultor, grau de espacialização do investimento, tipo de mão de obra, área
plantada e produtividade. O resultado da análise de componentes principais (PCA) demonstrou
que, do total de 144 variáveis, as variáveis área colhida e produção responderam por
aproximadamente 40% da variância. Para as duas culturas, foram definidos 6 clusters que foram
representados em mapa, mas há evidências de que a formação dos clusters não foi determinada
somente pelas variáveis área colhida e produção.
Palavras-chaves: análise de componentes principais, análise de cluster, censo agropecuário.
13º Congresso Interinstitucional de Iniciação Científica – CIIC 2019
30 e 31 de julho de 2019 – Campinas, São Paulo
ISBN: 978-85-7029-149-3
2
ABSTRACT – We used multivariate analysis to typify the cities that produce maize and soybean at
the Mata Atlântica (Atlantic Rainforest) biome. We used special tables from Brazilian IBGE's 2006
Agricultural Census, which contained 147 variables. The tables registered information on
agricultural businesses that produce maize and soybean. When structuring the typology, we
considered qualitative and quantitative descriptors such as: type of farmer, investment spatialization
level, type of labor, planted area, and productivity. The results of the principal component analysis
(PCA) showed that out of the 144 available variables, "harvested area" and "production" accounted
for nearly 40% of the variance. For both crops, six clusters were defined and plotted onto a map, but
evidences show that the clusters were not determined only by the "harvested area" and "production"
variables.
Keywords: principal component analysis; cluster analysis; agricultural census.
1 INTRODUÇÃO
A complexidade da agricultura nacional é resultado da interação múltipla de diversos fatores
(cultural, ambiental, social e econômico), o que torna difícil sua compreensão (Gonçalves, 2009;
Santos et al. 2018; Vazquez Soares; 2018; Zaiatz et al., 2018). Além disso, são observados
distintos graus de desenvolvimento agrícola no País. Regiões onde predomina a monocultura
intensiva de alto investimento, com significativo rendimento e produtividade, referência de
modernização tecnológica, convivem, por vezes, com áreas destinadas a agricultura tradicional ou
familiar.
Uma das formas de se buscar a compreensão dessa complexidade é por meio da utilização
de métodos estatísticos, mais especificamente a análise multivariada, que emprega técnicas
analíticas cujo propósito é identificar a similaridade entre indivíduos de grupos específicos.
Portanto, procuramos obter agrupamentos homogêneos, em uma determinada situação ou
intervalo de tempo, representados por uma série de variáveis ou características comuns que os
diferenciem, em parte ou completamente, dos demais agrupamentos.
Nosso objetivo foi tipificar os municípios brasileiros produtores de grãos (milho e soja) do
bioma Mata Atlântica por meio de análise de agrupamento (clusters). Esse processo de
classificação e hierarquização consiste na extração automática de padrões de um grande grupo de
dados.
13º Congresso Interinstitucional de Iniciação Científica – CIIC 2019
30 e 31 de julho de 2019 – Campinas, São Paulo
ISBN: 978-85-7029-149-3
3
2 MATERIAL E MÉTODOS
A área de estudo compreende os municípios produtores milho e soja que fazem parte do
bioma Mata Atlântica. Esse bioma representa 13% do território nacional (1,1 milhão km2) e contém
3.429 municípios (IBGE, 2018).
Para a elaboração deste estudo, foram utilizadas tabulações especiais do Censo
Agropecuário 2006, fornecidas pelo IBGE (2017). Essas tabulações consistiram de registros de
estabelecimentos agropecuários produtores de milho e soja agregados por município. Por questão
de sigilo, não foram considerados nas análises os municípios com menos de três declarantes.
No total, tivemos acesso a 147 variáveis, tais como: características da produção, uso da
terra, pessoal ocupado, despesas, investimentos, entre outras. Foram utilizadas neste estudo 144
delas. As variáveis não consideradas foram: número de informantes, investimentos em outros tipos
de investimento e estabelecimentos com investimentos em outros tipos de investimento, pois essas
duas últimas variáveis foram nulas. A descrição completa das variáveis pode ser obtida em
Oliveira et al. (2018).
Os procedimentos estatísticos foram feitos utilizando o software OriginPro 2019 v. 9.6.0.172
(Originlab Corporation). Para reduzirmos o número de variáveis, selecionando somente aquelas
representativas, utilizamos a análise de componentes principais, a qual mantém as características
originais da matriz de variância e covariância.
Um dos pontos fundamentais na análise de cluster é a predefinição das variáveis a serem
consideradas, ou seja, aquelas que são fundamentais na separação das amostras. Considerando o
grande número de variáveis quantitativas coletadas no senso agropecuário do IBGE e a sua
complexidade, resultado da diferente especificidade e magnitude, optamos por aplicar a análise de
componentes principais antes da análise de cluster. Dessa forma, foi possível simplificar o conjunto
de variáveis e aumentar a eficácia da análise.
Para fazermos a análise de cluster, em decorrência da natureza intrínseca de cada variável,
ou seja, da diferente amplitude métrica, os dados foram previamente normalizados. Cada variável
xi foi normalizada usando a Equação 1, na qual y representa a média e σ, o desvio padrão.
(𝑥𝑖 − 𝑦)/𝜎 (1)
Foram utilizados os seguintes parâmetros: (a) Tipo de distância – o coeficiente de
correlação de Pearson, uma vez que ele representa melhor a similaridade entre os elementos de
cada conjunto, e (b) Método – Ward (método da mínima variância), pois constrói o cluster
maximizando a homogeneidade intragrupos, a partir da redução da variância interna.
13º Congresso Interinstitucional de Iniciação Científica – CIIC 2019
30 e 31 de julho de 2019 – Campinas, São Paulo
ISBN: 978-85-7029-149-3
4
Foram analisados 2.527 municípios produtores de milho (95,8%), com 689.250 informantes,
área total colhida de 5,1 milhões de hectares e produção total de 22,3 milhões toneladas
(Tabela 1). No caso da soja, foram analisados 884 (83%) municípios produtores de soja, com
188.832 informantes, área total colhida de 7,0 milhões de hectares e produção total de 17 milhões
toneladas (Tabela 1).
Tabela 1. Número de municípios, número de declarantes e número de variáveis do Censo Agropecuário (2006) consideradas na tipificação dos municípios produtores de milho e soja no bioma Mata Atlântica.
Cultura Municípios
produtores
Municípios
considerados* % Informantes
Informantes
considerados %
Milho 2.637 2.527 95,8 689.404 689.250 99,98
Soja 1.065 884 83,0 189.064 188.832 97,9
*Por questões de sigilo, municípios com menos de três declarantes não foram considerados.
3 RESULTADOS E DISCUSSÃO
A área total de milho colhida no bioma Mata Atlântica foi de 5,1 milhões de hectares e foram
produzidos 22,3 milhões de toneladas do grão, com destaque para os municípios de São
Tiago (MG), Dourados (MS), Jaborá (SC), Itaporã (MS) e Caarapó (MS). Nesses municípios foram
colhidos 292,5 mil hectares, ou seja, 5,7% do total (Figura 1) e foram produzidos, respectivamente,
540,4, 221,2, 302,3, 117,2 e 120,3 mil toneladas de milho, o que representa aproximadamente 20%
do total (Figura 2). Ponto Belo (ES), Salinas da Margarida (BA), Canguaretama (RN) e
Marataízes (ES) apresentaram valores de área colhida inferior a 0,5 ha. A mediana calculada para
as duas distribuições independentes foi de 524,5 ha e 1.649,8 t.
Em 2006, a produtividade municipal no bioma Mata Atlântica variou de 0,07 t ha-1 a
11,8 t ha-1, com valor médio de 3,3 t ha-1. Os municípios que apresentaram maior produtividade
foram Capivari de Baixo (SC, 11,8 t ha-1), Carambeí (PR, 8,9 t ha-1), Lauro de Freitas (BA, 8,8 t ha-
1), Canas (SP, 8,8 t ha-1) e Itabela (BA, 8,9 t ha-1) (Figura 3). Esses valores, que expressam a
eficiência do processo de produção, são inferiores àqueles estimados na América do Norte, onde o
desenvolvimento e uso generalizado de novas tecnologias agrícolas (fertilizantes, maquinário e
biotecnologia) resultaram em aumento acentuado da produtividade (Edgerton, 2009). Em 2018, a
produtividade média norte-americana foi de aproximadamente 12 t ha-1 (USDA, 2018). Em 2017,
segundo a FAO (2018), a produtividade média de milho estimada para a União Europeia, foi de
7,7 t ha-1 e a brasileira foi de 5,7 t ha-1.
Os resultados indicam que o processo produtivo no bioma Mata Atlântica necessita de
medidas específicas de racionalização, dentro de um contexto empresarial, que reduzam as
13º Congresso Interinstitucional de Iniciação Científica – CIIC 2019
30 e 31 de julho de 2019 – Campinas, São Paulo
ISBN: 978-85-7029-149-3
5
oscilações indesejáveis na produtividade, de forma a mantê-la não somente constante, mas
também elevá-la, de forma sustentável e consistente.
No caso da soja, foram colhidos 7,0 milhões de hectares e produzidas 17,1 milhões de
toneladas no bioma Mata Atlântica em 2006. A área colhida mínima foi de 0,03 ha, no município de
Tamboara, situado na região noroeste do estado do Paraná, e o valor máximo, aproximadamente
140.000 ha, foi mensurado no município de Ipiranga (PR), seguido pelos municípios de Dourados
(MS), Palmeira das Missões (RS) e Cruz Alta (RS) (Figura 4). A área colhida nesses municípios foi
superior à média e à mediana calculada para o bioma, respectivamente 7,9 mil e 3,4 mil hectares.
Os maiores valores de produção foram observados nos municípios de Dourados (MS,
290,4 mil toneladas), Palmeira das Missões (RS, 216,3 mil toneladas), Marilândia do Sul (PR,
210,5 mil toneladas), Palmeira (PR, 191,7 mil toneladas) e Cruz Alta (RS, 188,8 mil toneladas),
valores esses superiores à média e à mediana, respectivamente, 19,7 t e 8,0 t (Figura 5).
O valor de produtividade da soja variou entre 0,1 t ha-1 e 6,1 t ha-1 (mediana 2,5 t ha-1).
Os municípios que apresentaram maior produtividade de soja foram Pirassununga (SP, 6,1 t ha-1),
Celso Ramos (SC, 5,2 t ha-1) e Lebon Régis (SC, 4,2 t ha-1). A menor produtividade foi observada
nos municípios de Tamboara (PR, 0,1 t ha-1), Mampituba (RS, 0,25 t ha-1) e Salto Grande (SP,
0,4 t ha-1). Para efeitos comparativos, a produtividade média nacional, em 2006, foi de 2,4 t ha-1 e,
em 2017, de 3,4 t ha-1.
Figura 1. Área colhida (ha) de milho dos 30 principais municípios do bioma Mata Atlântica em 2006.
SÃ
O T
IAG
O
DO
UR
AD
OS
JA
BO
RÁ
ITA
PO
RÃ
CA
AR
AP
Ó
AS
SIS
CH
AT
EA
UB
RIA
ND
SÃ
O M
IGU
EL
DO
IG
UA
ÇU
PIT
AN
GA
TO
LE
DO
MA
RIL
ÂN
DIA
DO
SU
L
AR
AL
MO
RE
IRA
PA
LO
TIN
A
UB
IRA
TÃ
CA
SC
AV
EL
LA
GU
NA
CA
RA
PÃ
QU
ED
AS
DO
IG
UA
ÇU
RO
ME
LÂ
ND
IA
SÃ
O J
OS
É D
OS
PIN
HA
IS
GU
AR
AP
UA
VA
DIO
NÍS
IO C
ER
QU
EIR
A
MA
RE
CH
AL
CÂ
ND
IDO
RO
ND
ON
TIB
AG
I
FR
AN
CIS
CO
BE
LT
RÃ
O
TE
RR
A R
OX
A
PR
UD
EN
TÓ
PO
LIS
LO
ND
RIN
A
RE
BO
UÇ
AS
SÃ
O J
OR
GE
DO
IV
AÍ
CA
ST
RO
MA
JO
R V
IEIR
A
0
20.000
40.000
60.000
80.000
100.000
Áre
a c
olh
ida (
ha)
N = 2.527
Média = 2.039,1 ha
Mediana = 524,51 ha
13º Congresso Interinstitucional de Iniciação Científica – CIIC 2019
30 e 31 de julho de 2019 – Campinas, São Paulo
ISBN: 978-85-7029-149-3
6
Figura 2. Produção (t) de milho dos 30 principais municípios do bioma Mata Atlântica em 2006.
Figura 3. Produtividade ( t ha-1) de milho dos 30 principais municípios do bioma Mata Atlântica em 2006.
SÃ
O T
IAG
O
JA
BO
RÁ
DO
UR
AD
OS
MA
RIL
ÂN
DIA
DO
SU
L
GU
AR
AP
UA
VA
PIT
AN
GA
AS
SIS
CH
AT
EA
UB
RIA
ND
CA
SC
AV
EL
TO
LE
DO
TIB
AG
I
CA
ST
RO
PA
LO
TIN
A
SÃ
O J
OS
É D
OS
PIN
HA
IS
SÃ
O M
IGU
EL D
O I
GU
AÇ
U
CA
AR
AP
Ó
QU
ED
AS
DO
IG
UA
ÇU
RO
ME
LÂ
ND
IA
ITA
PO
RÃ
AB
EL
AR
DO
LU
Z
DIO
NÍS
IO C
ER
QU
EIR
A
AR
AL M
OR
EIR
A
LO
ND
RIN
A
UB
IRA
TÃ
RE
BO
UÇ
AS
DE
ST
ER
RO
DE
EN
TR
E R
IOS
MA
JO
R V
IEIR
A
TE
RR
A R
OX
A
PO
NT
A G
RO
SS
A
AL
PE
ST
RE
FR
AN
CIS
CO
BE
LT
RÃ
O
0
100.000
200.000
300.000
400.000
500.000
600.000
Pro
du
çã
o (
ton
)
N = 2.527
Média = 8.819 ton
Mediana = 1.648,8 ton
CA
PIV
AR
I D
E B
AIX
O
CA
RA
MB
EÍ
LA
UR
O D
E F
RE
ITA
S
CA
NA
S
ITA
BE
LA
SÃ
O J
OS
É D
O V
AL
E D
O R
IO P
RE
TO
IPE
RÓ
GU
AR
AC
I
VE
NT
AN
IA
BO
M J
AR
DIM
LU
IZIA
NA
ITU
BE
RÁ
OU
RIN
HO
S
PIN
HE
IRA
L
MA
UÁ
DA
SE
RR
A
ITA
TIA
IUÇ
U
UB
AR
AN
A
GU
AR
AP
UA
VA
PO
RT
O F
ER
RE
IRA
SE
RO
PÉ
DIC
A
TE
IXE
IRA
SO
AR
ES
PIR
AJU
EM
BA
ÚB
A
CA
MP
O D
O T
EN
EN
TE
MO
NT
E A
PR
AZ
ÍVE
L
CA
CH
OE
IRA
S D
E M
AC
AC
U
AR
AP
OT
I
CO
RD
EIR
ÓP
OL
IS
SA
NT
A C
LA
RA
D'O
ES
TE
AB
EL
AR
DO
LU
Z
0
2
4
6
8
10
12
Pro
du
tivid
ad
e (
ton
/ha
)
N = 2.527
Média = 3,3 ton/ha
Mediana = 3,3 ton/ha
13º Congresso Interinstitucional de Iniciação Científica – CIIC 2019
30 e 31 de julho de 2019 – Campinas, São Paulo
ISBN: 978-85-7029-149-3
7
Figura 4. Área colhida (ha) de soja dos 30 principais municípios do bioma Mata Atlântica em 2006.
Figura 5. Produção (t) de soja dos 30 principais municípios do bioma Mata Atlântica em 2006.
IPIR
AN
GA
DO
UR
AD
OS
PA
LM
EIR
A D
AS
MIS
SÕ
ES
CR
UZ
ALT
A
CA
RA
ZIN
HO
LA
GU
NA
CA
RA
PÃ
AR
AL M
OR
EIR
A
AS
SIS
CH
AT
EA
UB
RIA
ND
MA
RIL
ÂN
DIA
DO
SU
L
PA
LM
EIR
A
TO
LE
DO
PO
NT
A G
RO
SS
A
SA
NT
A B
ÁR
BA
RA
DO
SU
L
CA
AR
AP
Ó
CA
SC
AV
EL
TIB
AG
I
ITA
PO
RÃ
EN
GE
NH
EIR
O B
EL
TR
ÃO
GIR
UÁ
MA
MB
OR
Ê
CO
RN
ÉL
IO P
RO
CÓ
PIO
MA
TO
QU
EIM
AD
O
PA
LO
TIN
A
LO
ND
RIN
A
GU
AR
AP
UA
VA
LU
IZIA
NA
SÃ
O M
IGU
EL
DO
IG
UA
ÇU
CA
MP
O M
OU
RÃ
O
IJU
Í
IBIR
UB
Á
0
20.000
40.000
60.000
80.000
100.000
120.000
140.000
160.000
Áre
a c
olh
ida
(h
a)
N = 884
Média = 7,9 mil ha
Mediana = 3,4 mil ha
DO
UR
AD
OS
PA
LM
EIR
A D
AS
MIS
SÕ
ES
MA
RIL
ÂN
DIA
DO
SU
L
PA
LM
EIR
A
CR
UZ
AL
TA
IPIR
AN
GA
LA
GU
NA
CA
RA
PÃ
AR
AL
MO
RE
IRA
CA
SC
AV
EL
CA
AR
AP
Ó
TIB
AG
I
SA
NT
A B
ÁR
BA
RA
DO
SU
L
TO
LE
DO
MA
MB
OR
Ê
AS
SIS
CH
AT
EA
UB
RIA
ND
ITA
PO
RÃ
GU
AR
AP
UA
VA
LU
IZIA
NA
PA
LO
TIN
A
LO
ND
RIN
A
CA
MP
O M
OU
RÃ
O
MA
TO
QU
EIM
AD
O
PO
NT
A G
RO
SS
A
GIR
UÁ
SÃ
O M
IGU
EL
DO
IG
UA
ÇU
UB
IRA
TÃ
AM
AM
BA
I
PIT
AN
GA
PA
SS
O F
UN
DO
CH
AP
AD
A
0
50.000
100.000
150.000
200.000
250.000
300.000
Pro
du
çã
o (
ton
)
N = 884
Média = 19,7 ton
Mediana = 8,0 ton
13º Congresso Interinstitucional de Iniciação Científica – CIIC 2019
30 e 31 de julho de 2019 – Campinas, São Paulo
ISBN: 978-85-7029-149-3
8
O resultado da análise de componentes principais (PCA) demonstrou que, do total de
144 variáveis, 50 foram determinantes: área colhida (AC), quantidade produzida (QP), quantidade
vendida (QV), estabelecimentos que mecanizaram (MEC), estabelecimentos que irrigaram (IRR),
estabelecimentos que utilizaram agrotóxico (AGRO), estabelecimentos que não adubaram (NAD),
estabelecimentos que usaram adubação química (ADQ), estabelecimentos que usaram adubação
(ADO), estabelecimentos que usaram adubação química e orgânica (ADQO), quantidade de silos
ou depósitos de grãos (QS), capacidade total dos silos ou depósitos de grãos (CS), quantidade de
tratores (QT), quantidade de arados de disco ou aiveca (QA), quantidade de grades/enxadas (QG),
quantidade de roçadeiras (QR), quantidade de semeadeiras e/ou plantadeiras (QS), quantidade de
colheitadeiras (QC), quantidade de pulverizadores e atomizadores (QP), quantidade de adubo e
distribuição de calcário (QAD), quantidade de ceifadores e picadores de forragem (QCE),
quantidade de caminhões (QCA), quantidade de utilitários (QU), quantidade de automóveis
(QAUTO), quantidade de reboques (QREB), quantidade de motos (QMOT), quantidade de aviões e
aeronaves de uso agrícola (QAVI), quantidade de veículos de tração animal (QTAN), quantidade de
embarcações (QEM), estabelecimentos com trator (ET), estabelecimentos com arados de disco ou
aiveca (EA), estabelecimentos com grades/enxadas (EG), estabelecimentos com roçadeiras (ER),
estabelecimentos com semeadeiras e/ou plantadeiras (ES), estabelecimentos com colheitadeiras
(EC), estabelecimentos com pulverizadores e atomizadores (EP), estabelecimentos com adubação
e distribuição de calcário (EAD), estabelecimentos com ceifadores e picadores de forragem (ECE),
estabelecimentos com caminhões (ECA), estabelecimentos com utilitários (EU), estabelecimentos
com automóveis (EAUTO), estabelecimentos com reboques (EREB), estabelecimentos com motos
(EMOTO), estabelecimentos com aviões e aeronaves de uso agrícola (EAVI), estabelecimentos
com veículos de tração animal (ETAN), estabelecimentos com embarcações (EEM),
estabelecimentos que utilizam energia elétrica (EEE), estabelecimentos com acesso à internet
(EINTER), estabelecimentos que utilizaram força de tração animal (EFAN), estabelecimentos que
utilizaram força de tração mecânica (ETM) (Figura 6). Somadas, essas variáveis explicaram
aproximadamente 90% da variância e, portanto, foram as variáveis consideradas na análise de
cluster.
13º Congresso Interinstitucional de Iniciação Científica – CIIC 2019
30 e 31 de julho de 2019 – Campinas, São Paulo
ISBN: 978-85-7029-149-3
9
Figura 6. Variância (%) e variância acumulada (%), resultado da análise de componentes principais
(PCA) para as 50 variáveis determinantes.
No caso da análise de cluster, o procedimento inicial adotado foi permitir que o software
definisse o número de subconjuntos sem interferência do operador. A partir da análise do resultado
obtido, foram definidas seis classes, agregadas pelas propriedades específicas similares entre os
membros de cada subgrupo.
A Tabela 2 apresenta o número de municípios em cada cluster, calculados para as duas
culturas, com destaque para o município mais representativo e o menos representativo de cada
cluster. Incialmente acreditamos que os clusters seriam determinados principalmente pelas
AC
QP
QV
ME
CIR
RA
GR
ON
AD
AD
QA
DO
AD
QO
QS
CS
QT
QA
QG
QR
QS
QC
QP
QA
DQ
CE
QC
AQ
UQ
AU
TO
QR
EB
QM
OT
QA
VI
QT
AN
QE
M ET
EA
EG
ER
ES
EC
EP
EA
DE
CE
EC
AE
UE
AU
TO
ER
EB
EM
OT
OE
AV
IE
TA
NE
EM
EE
EE
INT
ER
EF
AN
ET
M
0
10
20
30
40
50
Va
riâ
ncia
(%
)
Milho
0
10
20
30
40
50
60
70
80
90
100
Va
riâ
ncia
acu
mu
lada
(%
)
AC
QP
QV
ME
CIR
RA
GR
ON
AD
AD
QA
DO
AD
QO
QS
CS
QT
QA
QG
QR
QS
QC
QP
QA
DQ
CE
QC
AQ
UQ
AU
TO
QR
EB
QM
OT
QA
VI
QT
AN
QE
M ET
EA
EG
ER
ES
EC
EP
EA
DE
CE
EC
AE
UE
AU
TO
ER
EB
EM
OT
OE
AV
IE
TA
NE
EM
EE
EE
INT
ER
EF
AN
ET
M
0
10
20
30
40
50
Variância
(%
)
0
10
20
30
40
50
60
70
80
90
100
Variância
acum
ula
da (
%)
Soja
13º Congresso Interinstitucional de Iniciação Científica – CIIC 2019
30 e 31 de julho de 2019 – Campinas, São Paulo
ISBN: 978-85-7029-149-3
10
variáveis área colhida e produção, pois essas duas variáveis responderam por entre 40% e 50% da
variância nas duas culturas (Figura 6), mas outras variáveis tiveram papel representativo na
formação dos clusters, como pode ser visto na Figura 7, que exemplifica o conjunto de dados para
área colhida e produção em cada um dos clusters. Municípios com valores similares de área
colhida e produção foram agrupados em clusters distintos, como aqueles pertencentes aos
clusters 3 e 6. A espacialização desses clusters está representada nas Figuras 8 e 9.
Tabela 2. Número de elementos nos clusters.
Cluster
Cultura 1 2 3 4 5 6 Milho 431 238 356 163 330 1009 Município mais representativo
Engenheiro Beltrão
Cabo Verde Ataléia Consolação Bandeirante Itapema
Município menos representativo
Marumbi Santa Rosa do Sul
Antônio Carlos
Piranga Faxinalzinho Cruz machado
Soja 274 114 43 199 183 71 Município mais representativo
Correia Pinto
Centralina Batayporã Santa Clara do Sul
Corbélia Ajuricaba
Município menos representativo
Nova América da
Colina
Gramado dos
Loureiros
Campo Novo Jacuizinho Salvador das Missões
Brasilândia do Sul
Figura 7. Valores de área colhida (ha) e produção de milho (t) em cada um dos seis clusters.
1 2 3 4 5 6
0
20.000
40.000
60.000
80.000
100.000 Área colhida (ha)
Produção (ton/ha)
Cluster
Áre
a c
olh
ida (
ha)
0
100.000
200.000
300.000
400.000
500.000
600.000 P
rodução (
ton/h
a)
13º Congresso Interinstitucional de Iniciação Científica – CIIC 2019
30 e 31 de julho de 2019 – Campinas, São Paulo
ISBN: 978-85-7029-149-3
11
Verificamos que, no caso do milho, os municípios do cluster 1, de maneira geral, estão
situados na região Sul do País (78,8%), os municípios do cluster 2 estão na região Sul (50,6%) e
no sul de Minas Gerais (22,7%), e os municípios do cluster 3 estão distribuídos principalmente nos
estados Bahia, Espírito Santos e Minas Gerais (61,5%) e em alguns estados do Nordeste (19,7%).
Os municípios dos clusters 4 e 5 estão situados principalmente na região Sul (9,8%) e no estado de
Minas Gerais (5,4%), e os municípios do cluster 6 estão distribuídos na extensão do litoral (78,8%)
e no oeste do estado de São Paulo (29,8%).
Em relação à soja, 97,5% dos municípios estão situados nas regiões Sul, Sudeste e Centro-
Oeste e 2,4% dos municípios, na região Nordeste.
Até o momento, não nos foi possível identificar claramente as variáveis que definiram os
clusters. Uma das dificuldades está relacionada à natureza das variáveis às quais tivemos acesso,
como estabelecimentos que utilizaram agrotóxico (AGRO), estabelecimentos que não adubaram
(NAD), estabelecimentos que usaram adubação química (ADQ), estabelecimentos que usaram
adubação (ADO), estabelecimentos que usaram adubação química e orgânica (ADQO). Os dados
originais indicam apenas se o proprietário usou ou não determinado insumo, e não é
disponibilizada informação sobre tipo ou quantidade utilizada. Portanto, dois municípios podem ter
o mesmo valor numérico para essas variáveis, mas apresentar realidades distintas.
4 CONCLUSÃO
Apesar de sua utilidade e praticidade, a análise de cluster apresenta limitações. O resultado
da análise, ou seja, o número e a dimensão dos clusters, depende de definição prévia de
parâmetros pelo operador. Portanto, a definição dos clusters e a interpretação da análise estão
diretamente associadas, por exemplo, à escolha da medida de similaridade e ao método de
Figura 8. Distribuição espacial dos clusters
no bioma Mata Atlântica (milho).
Figura 9. Distribuição espacial dos clusters
no bioma Mata Atlântica (soja).
13º Congresso Interinstitucional de Iniciação Científica – CIIC 2019
30 e 31 de julho de 2019 – Campinas, São Paulo
ISBN: 978-85-7029-149-3
12
agrupamento determinados pelo operador e, portanto, o resultado dos clusters pode variar em
função das escolhas do operador.
Será necessário analisar posteriormente as variáveis menos representativas da variância,
para que possamos identificar aquelas que influenciaram a formação dos grupos. Além disso,
outras variáveis, como solo, relevo, excedente hídrico e clima, podem estar afetando a
configuração dos clusters.
5 AGRADECIMENTOS
A bolsista Verônica Chaves de Oliveira agradece ao CNPq, pela bolsa de iniciação científica
concedida, e à Embrapa Territorial, pela oportunidade de estágio.
6 REFERÊNCIAS
EDGERTON, M. D. Increasing crop productivity to meet global needs for feed, food, and fuel. Plant Physiology, v. 149, p. 7-13, 2009.
FAO. FAOSTAT. Disponível em: <http://www.fao.org/faostat/en/#data/QC>. Acesso em: 24 out. 2018.
GONÇALVES, J. S. Transformações da agricultura e aumento da complexidade setorial necessidade de aprimoramento dos indicadores econômicos. São Paulo em Perspectiva, São Paulo, v. 23, n. 2, p. 78-92, jul./dez. 2009.
IBGE. Mapa de biomas e de vegetação. Disponível em: <https://ww2.ibge.gov.br/home/presidencia/noticias/21052004biomashtml.shtm>. Acesso em: 18 dez. 2018.
IBGE. Tabulação especial do Censo Agropecuário 2006. Rio de Janeiro: Instituto Brasileiro de Geografia e Estatística, 2017.
OLIVEIRA, V. C. de; FURTADO, A. L. dos S.; VILELA, G. F.; TÔSTO, S. G. Tipificação da produção de grãos na Amazônia. In: CONGRESSO INTERINSTITUCIONAL DE INICIAÇÃO CIENTÍFICA, 12., 2018, Campinas. Anais... Campinas: Instituto Agronômico (IAC), 2018. 12 p.
SANTOS, L. F. dos; FERREIRA, M. A. M.; CAMPOS, A. P. T. de. Rural development and family agriculture in the Brazilian state of Minas Gerais in the light of multivariate data analysis. Interações (Campo Grande), Campo Grande, v. 19, n. 4, p. 827-843, dez. 2018.
USDA. United States Department of Agriculture. Charts and maps. Disponível em: <https://www.nass.usda.gov/Charts_and_Maps/Field_Crops/cornyld.php>. Acesso em: 24 out. 2018.
VAZQUEZ SOARES, H. Agropecuária e indústria no Centro-Oeste brasileiro entre as décadas de 1960 e 1980: uma análise de classes. History of Social Sciences, Medellín, n. 35, p. 241-267, dez. 2018.
ZAIATZ, A. P. S. R.; ZOLIN, C. A.; VENDRUSCULO, L. G.; LOPES, T. R.; PAULINO, J. Agricultural land use and cover change in the Cerrado/Amazon ecotone: A case study of the upper Teles Pires River basin. Acta Amazonica, Manaus, v. 48, n. 2, p. 168-177, abr. 2018.