Seminário 2

Artigo Original
ISSN Online: 1806-9479
Determinantes do custo de oportunidade dos

fazendeiros em manterem a reserva legal – os casos
paulista e mato-grossense
Determinants of farmers’ opportunity cost in maintaining
the legal reserve – the cases of São Paulo and Mato Grosso
Samuel Alex Coelho Campos1  e Carlos José Caetano Bacha2 
Resumo: O objetivo deste artigo é estimar os determinantes do custo de oportunidade

de os fazendeiros manterem a reserva legal dentro de sua propriedade e identificar
possíveis relações espaciais existentes entre esses custos. Para tanto, o artigo toma o custo
de oportunidade de manter a reserva legal por hectare para os municípios de São Paulo
e Mato Grosso para os anos de 1995/96 e 2006 e utiliza modelos de econometria espacial
para identificar seus principais determinantes. Os resultados encontrados indicam: (1) há
presença de relações espaciais entre esses custos de oportunidade; (2) as variáveis de segunda
natureza influenciam mais esses custos dos que as de primeira natureza; (3) há relações
inversas entre esse custo e o tamanho da propriedade rural em São Paulo e Mato Grosso.
Palavras-chave: custo de oportunidade, reserva legal, São Paulo, Mato Grosso, econometria
espacial.
Abstract: This paper aims to estimate models that explain the determination of the opportunity cost
of maintaining the legal reserve inside each farm as well as to identify possible spatial relationships
among these costs. In order to reach this objective, the article uses the average cost of opportunity to
holding legal reserve for the municipalities of São Paulo and Mato Grosso states in the years of 1995-
96 and 2006. By using spatial econometric models, the main results indicate: (1st) there are spatial
relationships among these opportunity costs; (2nd) second nature variables have more influence on
these costs than the first nature variables; (3rd) there are different relationships between opportunity
cost of maintaining legal reserve and the size of each farm for São Paulo and Mato Grosso states.
Key-words: opportunity cost, legal reserve, Sao Paulo, Mato Grosso, spatial econometrics.
Classificação JEL: C50, D22, Q18, Q23
Data de submissão: 4 de maio de 2017. Data de aceite: 18 de junho de 2018.

1. Instituto de Ciências da Sociedade e Desenvolvimento Regional (ESR), Universidade Federal
Fluminense (UFF), Campos dos Goytacazes (RJ), Brasil. E-mail: [email protected]
2. Escola Superior de Agricultura “Luiz de Queiroz” (Esalq), Universidade de São Paulo (USP),
Piracicaba (SP), Brasil. E-mail: [email protected]
Revista de Economia e Sociologia Rural, 57(2), 288-308, 2019

https://doi.org/10.1590/1806-9479.2019.179530
Campos, S. A. C., & Bacha, C. J. C. ♦ 289
1. Introdução O custo de oportunidade de manter a reserva legal

dentro do imóvel rural é calculado na literatura por meio
O Código Florestal brasileiro é um instrumento do de duas metodologias principais, que: (i) utiliza indicadores
tipo comando-controle que limita a utilização da área total de lucratividade e compara a rentabilidade da produção
dos imóveis rurais por meio, entre outros mecanismos, agropecuária quando a propriedade conserva a reserva
da instituição da Área de Preservação Permanente (APP) legal com propriedades que não mantêm o percentual
e da reserva legal. Essa última é uma área coberta com mínimo exigido em lei para a área mantida como reserva
vegetação nativa e que deve ser conservada dentro do legal (Azzoni & Isai, 1994; Bacha, 2005; Campos & Bacha,
imóvel rural. 2013; Carneiro, 2005; Igari et al., 2009; Fasiaben et al.,
Ao longo do tempo, ocorreram modificações na 2011); (ii) estima o custo de oportunidade da reserva
legislação referente à reserva legal. Ela foi instituída legal por meio de uma função distância. Essa última
pelo 1o Código Florestal (Decreto Federal n. 23.793 de metodologia considera a perda da produção ocasionada
23/01/1934) que exigia que no mínimo 25% da área total pela mudança na combinação necessária dos insumos
dos imóveis rurais originalmente coberta com florestas para a redução do impacto ambiental (Coelli et al., 2007;
fossem mantidas como reserva florestal. O 2o Código Huhtala & Marklund, 2008; Sipiläinen & Huhtala, 2013;
Florestal (Lei n. 4.771 de 15/09/1965 e suas alterações) Zhou et al., 2006; Campos & Bacha, 2016).
ampliou a exigência da reserva legal para todos os imóveis Outros estudos que trataram do cumprimento do
rurais, mas diferenciou suas percentagens segundo código florestal no Brasil, mas sobre outra perspectiva
o bioma em que o imóvel se inserisse. O 3o Código em relação aos acima citados, são os trabalhos de Pires
Florestal (Lei n. 12.651 de 25/05/2012, modificada pela (2012) e Tourinho & Passos (2006). O primeiro autor,
Lei n. 12.727 de 17/10/2012) não alterou os limites fixados Pires (2012), analisou o conhecimento dos produtores
para a Reserva Legal no 2o Código Florestal, mas criou sobre a legislação florestal e o cumprimento do código
algumas exceções. florestal quando à área da Reserva Legal (RL) no
A manutenção da reserva legal dentro do imóvel município de Formosa (GO). Para tanto, questionários
rural implica custo de oportunidade ao produtor rural. foram aplicados aos produtores. Dentre os resultados
Este custo pode corresponder ao valor de uso do solo da pesquisa, destaca-se que os produtores conhecem a
no seu melhor uso alternativo (Richard & Leftwich, legislação florestal, mas acreditam ser injusta a imposição
1970), ao valor da produção renunciada (Sipiläinen & da manutenção da área coberta com a Reserva Legal
Huhtala, 2013) e/ou aos custos advindos da utilização de sem receberem qualquer contrapartida. Tourinho &
mais insumos para se adequar à menor área explorável Passos (2006) analisaram a viabilidade da aplicação do
ou pela perda da produção, tal como sugerido por código florestal por meio de um estudo de caso em três
Zhou et al. (2006). propriedades na microbacia do rio Miringuava. Esses

290 ♦ Determinantes do custo de oportunidade dos fazendeiros em manterem a reserva legal – os casos paulista e mato-grossense
autores analisaram as dificuldades de adequação dos de oportunidade em manter a reserva legal. Devido à
produtores rurais, bem como o custo que a manutenção restrição de dados existentes, a análise será feita para os
da reserva legal impõe aos produtores. Alternativas para anos de 1995/96 e 2006 e para os estados de São Paulo e
os produtores foram identificadas como a compensação Mato Grosso. Este artigo está dividido em mais quatro
da RL, dos créditos de carbono, imposto ambiental e partes. A seguir, apresenta-se o arcabouço teórico,
arrendamento de áreas com florestas para a compensação seguido da metodologia na seção 3 e da apresentação
da RL de outros produtores.
dos resultados na seção 4. As conclusões do artigo são
O impacto da eficiência técnica da produção
apresentadas na seção 5, as referências bibliográficas na
agropecuária na Amazônia Legal sobre a probabilidade
seção 6 e os anexos A, B, na seção 7.
dos produtores rurais em desflorestar foi estudado por
Marchand (2012). Os resultados indicaram que tanto os
produtores de maior como os de menor eficiência técnica
usam mais terra para a produção agropecuária do que
2. Arcabouço teórico
os produtores de eficiência mediana. Segundo o citado
autor, isso pode ser atribuído à distribuição desigual da
Dentre as causas do desmatamento, Kanninen et al.
posse da terra, ao livre acesso às florestas (pela dificuldade
(2007) citam as diretas (expansão agrícola, exploração
de fiscalização) e ao status de não produtivas atribuído
florestal e construção de infraestrutura) e as indiretas
pelos produtores às terras com matas.
(fatores macroeconômicos2, governamentais, dentre
O trabalho de Campos & Bacha (2016), fazendo
uso da metodologia de Zhou et al. (2006), estimou o outros). Esses autores destacam a expansão agrícola
custo de oportunidade para os fazendeiros manterem como a principal causa do desmatamento.
a reserva legal nos municípios de São Paulo e Mato Entretanto, para analisar o desmatamento, Angelsen
Grosso para os anos de 1995/96 e 2006 e observou que & Kaimowitz (1999) sugerem que sejam considerados três
há relações espaciais entre esses custos. No entanto, o níveis de causas: fontes do desmatamento ou agentes;
citado trabalho não examinou os determinantes deste causas imediatas; e causas subjacentes. Primeiramente,
custo e nem utilizou modelos econométricos espaciais devem ser identificados os agentes (pequenos agricultores,
para evidenciar as relações espaciais entre os custos de pecuaristas, madeireiros ou companhias) e sua importância
oportunidade. para o desmatamento. As ações desses agentes são
O presente trabalho tem como objetivo utilizar os a fonte do desmatamento. Posteriormente, as causas
dados do custo de oportunidade de manter a reserva
imediatas do desmatamento, como as características
legal dentro dos estabelecimentos agropecuários −
internas do estabelecimento agropecuário (experiências,
calculados por Campos & Bacha (2016) para os estados
preferências e recursos) e externas (mercado, acesso a
de São Paulo e Mato Grosso − e estimar modelos que
novas informações, infraestrutura e serviços, condições
explicam os determinantes desses custos e as possíveis
agroecológicas e instituições) devem ser analisadas.
relações espaciais existentes1.
O presente artigo inova em relação à literatura Conjuntamente, esses fatores determinam o conjunto
supracitada ao identificar os determinantes do custo de alternativas disponíveis e os incentivos para os
produtores expandirem a produção agropecuária ou
1
Segundo os autores, esse custo de oportunidade permite a conservar a cobertura florestal. Por fim, o terceiro nível
comparação entre os produtores, considera as diferenças de
compreende as causas subjacentes, tais como as condições
desempenho produtivo e reconhece que alguns produtores
podem ter um custo de oportunidade menor do que os
custos associados à perda da produção potencial advinda 2
Segundo Kanninen et al. (2007), a agropecuária expandirá
das ineficiências técnicas da produção. Entretanto, o custo para novas áreas (distantes) quanto maior for a rentabilidade
calculado pelos autores possui como limitação a utilização dessa atividade. Essa maior rentabilidade pode ser dar via
do produtor médio por município e assume que qualquer desvalorização da moeda, políticas públicas ou ações que
desvio dos produtores em relação à fronteira de produção se reduzam o desempenho da economia urbana (incentivando
deve à ineficiência. Contudo, mesmo com essas limitações, o deslocamento das pessoas para a fronteira agrícola em
acredita-se que os resultados forneçam uma boa indicação busca de melhores salários), subsídios aos combustíveis
do custo arcado pelos produtores no sentido de permitir fósseis (que reduziriam os custos de transporte das áreas
analisar quais variáveis estariam associadas a um maior ou afastadas até o mercado), entre outros fatores. Os fatores
menor custo de oportunidade e também permitiria analisar macroeconômicos também incluem a dívida externa e a
a existência ou não de spillovers. política comercial.

macroeconômicas nacionais e internacionais, demografia Entretanto, pela perspectiva social, não é desejável4 que
e a política agropecuária. o desmatamento seja nulo, uma vez que ele é necessário
O modelo microeconômico de uso da terra pode ser para a produção agropecuária e a consequente oferta de
apresentado considerando o primeiro e segundo níveis alimentos à sociedade (Perman et al., 2003).
de causas do desmatamento descritos acima. Suponha A decisão de cada produtor em desmatar e alocar mais
que a terra seja alocada para o uso de maior geração de terra para a produção agropecuária é interdependente da
renda e que essa possa ter apenas dois usos (agropecuária decisão dos produtores vizinhos, segundo Robalino & Pfaff
e floresta natural, também denominada de floresta (2012). A decisão de desmatar depende do lucro esperado
nativa), pode-se representar a renda agropecuária e da da atividade agropecuária e esse depende, por sua vez,
floresta natural, respectivamente, por (Angelsen, 2010): dos preços locais, que podem cair se outros produtores
desmatarem e aumentarem a produção local de um dado
r a = p a y a − wl a − qk a − v a d − m a r (1)
produto. Isso reduzirá os incentivos ao desmatamento.
e Entretanto, a rentabilidade da agropecuária pode aumentar
f t t t t t t
r = ( p y − wl − qk − v d − m r ) + p y + p y l l g g (2) se os produtores que desmatarem também organizarem
conjuntamente o transporte da produção agropecuária
em que ra e rf são a renda agropecuária e da floresta,
até o mercado, com ganhos de escala, segundo Robalino
respectivamente; pa, pt, pl e pg são os preços de venda dos
& Pfaff (2012). Ademais, as condições biofísicas (clima,
produtos agropecuários, da madeira, o valor local das
relevo, vegetação, declividade, qualidade do solo etc.)
amenidades florestais e o valor global das amenidades
também influenciam a receita agropecuária e os custos
florestais3, nessa ordem; ya, yt, yl e yg são, respectivamente,
de produção e, consequentemente, o benefício líquido
o produto da agropecuária, da extração florestal, dos
do desmatamento.
serviços (amenidades) locais e globais da floresta; w é
É possível que a área desmatada seja excessiva, uma
o preço do trabalho e q é o preço do capital; la e lt são as
vez que os benefícios e serviços ambientais proporcionados
quantidades necessárias de mão de obra na agropecuária
pelas florestas naturais têm características de bens
e no corte da madeira, respectivamente; ka e kt são as
públicos (não é possível ou os custos de exclusão de
quantidades de capital necessárias para a agropecuária
alguém do consumo são proibitivamente caros). Para
e para o corte da madeira, respectivamente; va e vt são
os bens públicos, consumidores que deles se beneficiam
os custos do transporte para os produtos agropecuários
não pagam, enquanto os produtores não recebem para
e florestais, respectivamente; d é a distância da fazenda
produzi-los. Essa falha de mercado leva ao sobreuso do
ao mercado; ma e mf são os valores das multas para os
recurso terra e ao consequente desmatamento excessivo.
produtores agropecuários, para a área desmatada e para
Para contornar esse problema podem ser utilizados alguns
os produtores florestais, na mesma ordem; e r representa
instrumentos de comando e controle (Perman et al., 2003),
o total desmatado da reserva legal.
como os fixados pelo Código Florestal Brasileiro, como a
O produtor irá desmatar até o ponto em que ra=rf.
reserva legal, que é o foco deste trabalho. Instrumentos
Assim, se o produtor não atribuir qualquer renda à floresta
do tipo comando e controle são instrumentos regulatórios
(rf =0), essa será substituída pela produção agrícola até
que determinam e exigem parâmetros técnicos mínimos
que ra =0. Se o produtor atribui algum benefício privado à
ou máximos para as atividades produtivas, sendo que
floresta, o desmatamento será menor. Esse desmatamento
seu não cumprimento acarreta, normalmente, em sanções
será tanto menor quanto maior for o benefício que o
aos infratores. Nesse sentido, o Código Florestal é um
produtor atribuir à floresta ou à medida que o produtor
instrumento que determina, por exemplo, o padrão
agropecuário for remunerado por esses benefícios.
técnico mínimo referente à área ocupada com floresta
natural destinada à reserva legal.
3
Benefícios ou amenidades privadas: formação de solos,
controle da erosão, manutenção da fertilidade do solo, Esses instrumentos apresentam diversas falhas e
proteção contra pestes agrícolas etc.; Benefícios locais: valores podem acarretar em custos maiores que o mínimo possível.
culturais e espirituais, proteção contra eventos climáticos,
Uma das principais falhas se refere à desconsideração das
quantidade e qualidade da água etc.; Benefícios globais:
proteção de recursos genéticos, mitigação das mudanças
climáticas, beleza cênica, conservação da biodiversidade etc. 4
Para mais detalhes, ver o capítulo 5 de Perman et al. (2003).

diferenças entre as firmas quanto à tecnologia de produção, respectivo vetor de parâmetros. WX são as variáveis
acesso ao mercado e dos custos incorridos por cada uma exógenas espacialmente defasadas e θ é o vetor de
para cumprir a legislação (Chomitz, 2004; Färe et al., 1996). parâmetros correspondentes. DN é a matriz de observações
Uma característica importante refere-se ao desperdício invariantes no tempo (como a constante do modelo e
de insumos por parte do produtor (ineficiência), que variáveis para clima, altitude, bioma etc.) e g é o vetor
pode fazer com que o produto por unidade de insumo de parâmetros; u N é o termo de erro composto, W N u N , o
e/ou área desmatada seja significativamente diferente termo de erro espacialmente defasado e ρ é o parâmetro
entre produtores (Lee et al., 2002). estimado para W N u N ; (ιT ⊗ I N ) µ N são os efeitos individuais
Esse custo (de oportunidade por hectare) de não observados (fixos ou aleatórios), e ν N é o vetor dos
manter a reserva legal pode estar associado a diversas erros independentes e identicamente distribuídos (Millo
características dos estabelecimentos agropecuários e & Piras, 2012; Mutl & Pfaffermayr, 2011).
dos produtores, podendo esse custo apresentar uma O modelo retratado pela Equação 3 é denominado
relação entre produtores vizinhos. Desta forma, para por Vega & Elhorst (2015) como modelo de defasagem
analisar os determinantes do custo de oportunidade em espacial geral (GNS). Dele, podem-se obter os modelos:
se manter a reserva legal devem ser utilizados modelos de (i) de defasagem espacial (SAR, Spatial Auto Regressive)
econometria espacial, que incorporam efeitos de relação fazendo ρ = 0 e θ = 0 ; (ii) do erro autorregressivo espacial
espacial entre as variáveis nas regressões.
(SEM, Spatial Error Model), com λ = 0 e θ = 0; (iii) modelo
autorregressivo combinado (SARAR) se θ = 0; (iv) modelo
regressivo cruzado espacial (SLX, Spatial Lag of X) se
ρ = 0 e λ = 0; (v) Durbin espacial (SDM, Spatial Durbin
3. Modelo de painel de dados com
Model) se ρ = 0; e (vi) modelo regressivo espacial com
dependência espacial
erro de média móvel (SDEM, Spatial Durbin Error
Considerando um painel balanceado, pode-se Model) se λ = 0.
representar o modelo geral de dados em painel com Para determinar se os efeitos individuais estão
dependência espacial incluindo a defasagem espacial presentes no modelo, Almeida (2012) sugere utilizar
da variável dependente e o distúrbio autorregressivo o teste de Breusch & Pagan (1979). Esse teste tem
espacial, conforme Mutl & Pfaffermayr (2011), e a como hipótese nula a ausência de efeitos individuais
defasagem espacial das variáveis independentes ( H o : σ µ2 = 0 ) e segue a distribuição assintótica χ2 com
(ver Elhorst, 2010), tal como: 1 grau de liberdade. Posteriormente, para determinar
y N= λWN y N + X N b + WX θ + DN g + u N qual modelo deve ser estimado (modelo com efeitos
fixos ou modelo com efeitos aleatórios) será utilizado
=u N ρWN u N + ε N (3) o teste de Hausman para dados espaciais em painel
(Mutl & Pfaffermayr, 2011). Por fim, foi utilizada uma
ε N =⊗
(ιT I N ) µ N + ν N
matriz de vizinhança W N para os k-vizinhos mais
em que W=
N ( IT ⊗ WN ) , D=
N (ιT ⊗ DN ) ,
próximos, sendo a matriz W N normalizada na linha.
 y1, N   x1, N   u1, N   ε 1, N  ν 1, N 
 
,         Utilizando essa matriz de vizinhança, a presença de
yN =    XN =    , uN =    , ε N =    , ν N =    (4)
 
 
 yT , N   xT , N 
   uT , N  ε T , N 
 
ν T , N 
  autocorrelação espacial foi analisada por meio do teste
sendo que os índices N (municípios dos estados de São “I” de Moran Global (Moran, 1948). O número “k”
Paulo e Mato Grosso) e T (anos analisados, 1995/96 e 2006) de vizinhos considerado foi aquele que resultou na
denotam a seção cross-sectional e a dimensão temporal estatística “I” de maior valor significativo, conforme
do painel, respectivamente. A variável dependente sugerido por Baumont (2009). Se a autocorrelação
é denotada por y N (o custo de oportunidade em se espacial estiver presente, serão estimados os modelos
manter a reserva legal), W N y N é a variável dependente SAR, SEM, SARAR, SLX, SDM e SDEM, conforme
espacialmente defasada, W N são os pesos espaciais não sugerido por Almeida (2012), sendo o melhor modelo
estocásticos e λ é o respectivo parâmetro. X N é a matriz aquele que possuir o menor critério de informação,
de variáveis exógenas que variam no tempo e b é o tendo controlada a autocorrelação espacial.

Na interpretação dos efeitos marginais nos modelos Assim, tem-se que a Variável Dependente é o custo
SARAR, SAR, SLX, SDM e SDEM deve ser considerado o de oportunidade médio por hectare (em Reais de 2006)
efeito feedback entre os municípios. Esse efeito advém da devido à manutenção da reserva legal. Essa informação
introdução da variável dependente defasada espacialmente foi obtida do trabalho de Campos & Bacha (2016)6.
(W N y N ) e das variáveis exógenas (W N X N ) na Equação 3.
Variáveis explicativas de Primeira Natureza:
Isso implica que, se uma variável de um município
Altitude: altitude média da sede do município,
sofre alguma variação, não apenas seu próprio custo
em metros;
de oportunidade deve mudar em razão dessa variação
Cerrado: variável binária que recebe valor 1 para
(efeito direto), mas também pelo efeito indireto advindo
o município em que o bioma Cerrado é o
da interação entre os municípios.
predominante (ou seja, a maior proporção da
Quanto ao alcance do efeito feedback, os modelos
área do município é coberta por esse bioma),
podem ser classificados em global e local. Nos modelos
0 caso contrário;
de alcance global (SARAR e SAR), o transbordamento
Mata atlântica: variável binária que recebe valor 1
alcança todas as regiões por meio do multiplicador
espacial5 (Lesage & Pace, 2009). Já no modelo com para o município em que a mata atlântica é a
transbordamento local (SLX e SDEM) se considera apenas vegetação nativa predominante originalmente,
aqueles produtores que são vizinhos de acordo com a 0 caso contrário;
matriz W , segundo Anselin (2003). O modelo SDM capta Floresta Amazônica: variável binária que recebe valor 1
tanto o efeito feedback local como global. para o município em que a floresta Amazônica
Conforme Elhorst (2014) e Vega & Elhorst (2015), a é o bioma predominante originalmente, 0 caso
Equação 3 pode ser reescrita como contrário;
Af: variável binária que recebe valor 1 se o clima
y N =( I N − λWN ) −1[ X N b + WX N θ + DN g + ε N ] (5) predominante no município for o equatorial
e, assim, o efeito marginal para as k-ésimas variáveis (Af), 0 caso contrário;
explicativas pode ser calculado. Lesage & Pace (2009) Am: variável binária que recebe valor 1 se o clima
sugerem calcular o Impacto Direto Médio, tomando a predominante no município for o de monções
média da diagonal principal da matriz de derivadas (Am), 0 caso contrário;
parciais, e o Impacto Indireto Médio por meio do cálculo Aw: variável binária que recebe valor 1 se o clima
da média dos elementos situados fora da diagonal predominante no município for o tropical de
principal. O Efeito Total Médio é igual à média de todas savana, com estação seca no inverno (Aw),
as derivadas de yi em relação a xjk para todo i e j (esses 0 caso contrário;
são os produtores vizinhos). As: variável binária que recebe valor 1 se o clima
predominante no município for o tropical de
3.1. Variáveis usadas como determinantes do Savana, com estação seca no verão (As), 0 caso
custo de oportunidade da Reserva Legal contrário;
Cwa: variável binária que recebe valor 1 se o clima
O presente trabalho inova no tema tratado e, portanto,
predominante no município for o subtropical
não há indicações anteriores sobre as variáveis do vetor
XN na Equação 3. Foram tomadas como referência 6
O trabalho de Campos & Bacha (2016) originalmente
as variáveis que a Nova Geografia Econômica tem considera um produtor representativo médio. O custo por
considerado como de primeira e segunda natureza e a hectare foi obtido multiplicando aquele valor pelo número
de produtores e, em seguida, esse resultado foi dividido pela
disponibilidade de dados existentes por municípios em área dos estabelecimentos em cada município. Esses autores
1995 e 2006. Contudo, a escolha das variáveis explicativas utilizaram a metodologia proposta por Zhou et al. (2006)
que, por meio da Análise Envoltória de Dados, permite
pautou-se pelas críticas de Banker & Natarajan (2008) e
calcular o custo da regulação sobre uma atividade produtiva.
McDonald (2008), de forma que essas sejam independentes Campos & Bacha (2016) utilizaram como variável de produto
das variáveis insumo utilizadas por Campos & Bacha a receita agropecuária e como variáveis de insumo: (i) a
área total destinada à produção agropecuária; (ii) mão de
(2016), além de considerar o estudo de Marchand (2012).
obra; (iii) efetivo bovinos; (iv) despesas com defensivos e
(v) número de tratores. Para mais detalhes, ver Campos &
5
Para mais detalhes, ver Lesage & Pace (2009) e Elhorst (2014). Bacha (2016).

úmido, com inverno seco e verão quente (Cwa), Tratores: Número de tratores, em unidades/área dos
0 caso contrário; estabelecimentos (AE), utilizada como proxy para
Cwb: variável binária que recebe valor 1 se o clima o capital dos estabelecimentos agropecuários;
predominante no município for o subtropical Financiamento: Valor dos financiamentos recebidos
úmido, com inverno seco e verão temperado pelos estabelecimentos agropecuários em
(Cwb), 0 caso contrário; Reais de dezembro de 2006/Número dos
Cfa: variável binária que recebe valor 1 se o clima estabelecimentos (NE);
predominante no município for o oceânico, com Investimento: Valor dos investimentos realizados
verão quente (Cfa), 0 caso contrário; pelos estabelecimentos agropecuários em Reais
Cfb: variável binária que recebe valor 1 se o clima de dezembro de 2006 /NE;
predominante no município for o verão temperado Demografia: Número de pessoas residentes por
(Cfb), 0 caso contrário; quilometro quadrado;
Mato Grosso: variável binária que recebe valor 1 se Cursos ciências agrárias: Número de cursos na área
o município está localizado no estado de Mato de ciências agrárias em universidades7;
Grosso, 0 caso contrário; Assentamento: variável binária que recebe o valor 1 se
Fronteira.MT: variável binária que recebe valor há assentamentos no município, 0 caso contrário;
1 se o município está localizado no estado de IDH-M: Indicador utilizado como proxy para o
Mato Grosso e faz fronteira com outro estado, desenvolvimento dos municípios;
0 caso contrário; e Agências bancárias: número de agências bancárias
Fronteira.SP: variável binária que recebe valor 1 se (públicas e privadas) no município;
o município está localizado no estado de São Permanentes: variável binária que recebe valor 1 se
Paulo e faz fronteira com outro estado, 0 caso
a maior proporção da área do município está
contrário;
ocupada com culturas permanentes, 0 caso
Variáveis Explicativas de Segunda Natureza (sendo AE contrário;
a área total dos estabelecimentos em hectares e NE, o Temporária: variável binária que recebe valor 1 se
número total dos estabelecimentos) a maior proporção da área do município está
ocupada com culturas temporárias, 0 caso
Estabelecimentos: Proporção da área dos municípios
contrário;
ocupada com estabelecimentos agropecuários;
Pastagem natural: variável binária que recebe valor
Assistência: Percentual dos estabelecimentos
1 se a maior proporção da área do município
agropecuários que receberam assistência técnica;
está ocupada com pastagens naturais, 0 caso
Adubação: Valor dispendido pelos estabelecimentos
agropecuários com adubos e corretivos do solo, contrário;
em Reais de 2006; Pastagem plantada: variável binária que recebe valor
Plantio em nível: Percentual de estabelecimentos 1 se a maior proporção da área do município

agropecuários que utilizaram o plantio em nível; está ocupada com pastagens plantadas, 0 caso
Terraços: Porcentual de estabelecimentos que contrário;
utilizaram terraços; 7
Foram considerados os cursos de Administração em Agronegócios,
Eletricidade: Percentual dos estabelecimentos Administração Rural, Agronomia, Superior em Tecnologia
agropecuários que informaram utilizar energia Ambiental, Superior de Tecnologia em Agricultura Sustentável,
Superior de Tecnologia em Agronegócios, Superior de
elétrica; Tecnologia em Gestão de Agronegócios, Superior de Tecnologia
Irrigação: Percentual da área dos estabelecimentos em Gestão de Agronegócios e Mercado de Commodities,
Superior de Tecnologia em Processos Sucroalcooleiro, Superior
agropecuários irrigada; de Tecnologia em Produção Sucroalcooleira, Superior de
Área: área média dos estabelecimentos agropecuários; Tecnologia em Zootecnia, Engenharia Agrícola, Engenharia
Agrícola e Ambiental, Engenharia Agronômica, Engenharia
Área2: área média dos estabelecimentos agropecuários de Produção Agroindustrial, Engenharia Florestal, Gestão
ao quadrado, em hectares; Ambiental, Medicina Veterinária e Zootecnia.

Mata natural: variável binária que recebe valor 1 se ocupações de áreas não efetivamente incorporadas no
a maior proporção da área do município está processo produtivo – ocupadas com a Reserva Legal.
ocupada com matas naturais, 0 caso contrário; As informações sobre a presença de assentamentos em
Mata plantada: variável binária que recebe valor 1 cada município dos estados analisados foram obtidas
se a maior proporção da área do município está em Brasil (2014).
ocupada com matas plantadas, 0 caso contrário; O Índice de Desenvolvimento Humano Municipal
Inaproveitável: variável binária que recebe valor 1 (IDHM) foi obtido do Programa das Nações Unidas para
se a maior proporção da área do município o Desenvolvimento (2015) para os anos de 1991 e 2000 e
corresponde à áreas não aproveitáveis para a utilizados como proxy para os anos de 1996/96 e 2006,
agropecuária, 0 caso contrário. respectivamente. Assume-se que o aumento da renda e
Ademais, algumas variáveis interativas foram do desenvolvimento leve à valorização das amenidades
adicionadas buscando captar diferenças na relação entre proporcionadas pelas matas e florestas e reduza o custo
as variáveis explicativas e o custo de oportunidade entre de oportunidade de se conservar a reserva legal.
os estados. Foram adicionadas as variáveis: Adubação. As variáveis binárias para bioma (Cerrado,
Mato Grosso (obtida pela multiplicação entre adubação Floresta Atlântica e Floresta Amazônica) e clima
e a variável binária para Mato Grosso), Financiamento. (Af, Am, Aw, As, Cwa, Cwb, Cfa e Cfb) permitem
Mato Grosso, Investimento.Mato Grosso, Demografia. analisar a diferença do custo de oportunidade advinda
Mato Grosso, Area.Mato Grosso e Área .Mato Grosso.
2
das condições edafoclimáticas dos municípios em virtude
Adotou-se para cálculo dessas cinco últimas variáveis de suas diferenças na produtividade e das tecnologias
o mesmo procedimento adotado para a primeira citada de produção que utilizam em face dessas condições.
no parágrafo. Ressalta-se que os biomas são aproximações das condições
As variáveis de boas práticas agrícolas (“Plantio em edafoclimáticas e buscam tão somente controlar efeitos
nível” e “Terraços”) foram adicionadas como forma de não observados e não são o objetivo principal da análise.
capturar a conservação ambiental. A forma quadrática As variáveis de fronteira (Fronteira.MT e Fronteira.SP)
da variável área foi incluída visando captar possíveis foram incorporadas à análise como forma de contornar
efeitos não lineares. A variável “Financiamento” foi o efeito da borda ou problema da fronteira8, conforme
inserida buscando captar o efeito do acesso ao crédito e a Anselin (1988) e Griffith (1985). As variáveis binárias9
capacidade de adoção de novas tecnologias, modernização para área ocupada por atividades agropecuárias buscam
dos equipamentos e substituição de equipamentos captar a relação entre a ocupação da área e o custo de
depreciados/sucateados sobre o custo de oportunidade. oportunidade.
Considerando a possibilidade de uma parte do valor Os mapas georreferenciados dos municípios de
financiado poder não ser investida e ser utilizada para São Paulo e Mato Grosso para o cálculo da matriz de
outros objetivos, foi adicionada a variável “Investimentos” vizinhança foram obtidos junto ao IBGE. A densidade
para capturar o efeito do que é efetivamente investido. populacional foi calculada utilizando o número de
A variável “assentamentos” busca captar o efeito habitantes por município da Contagem Populacional de
sobre a forma de ocupação e projetos de colonização 1996 (Instituto Brasileiro de Geografia e Estatística, 2014) e
(importante para o estado de Mato Grosso). Conforme 2007 (Instituto Brasileiro de Geografia e Estatística, 2009)
apontado por Bonjour et al. (2008), os assentamentos e dados do site Cidades@ (área da unidade municipal),
apresentariam um padrão de ocupação dos lotes que ambos disponibilizados pelo Instituto Brasileiro de
apresentaria baixa produtividade, baseado na retirada Geografia e Estatística. O número de agências bancárias
da mata, plantio de arroz e braquiária, e pecuária.
Segundo esses autores, esse processo poderia reduzir a
8
Segundo Anselin (1988), o problema da fronteira surge
quando o valor de uma variável de uma dada unidade
produtividade das pastagens e o custo de oportunidade espacial incluída na amostra (observada) depende dos valores
de manter as áreas com Reserva Legal pode ser menor. de outra (s) unidade espacial não incluída na amostra (não
observada).
A presença de assentamentos rurais de reforma agrária
9
Helfand & Levine (2004) utilizaram variáveis semelhantes
pode estar associada também ao aumento do custo de ao analisar os determinantes da eficiência técnica no
oportunidade por meio da insegurança e o receio de Centro‑Oeste.

em cada município foi obtido junto ao Banco Central do do custo de oportunidade dos seus produtores em
Brasil (2014) e o número de cursos de ciências agrárias foi manterem a reserva legal. Ela foi calculada para os anos
retirado dos microdados do Censo da Educação Superior de 1995/96 e 2006 considerando de cinco a 15 vizinhos.
junto ao Instituto Nacional de Estudos e Pesquisas Essa estatística permite, também, determinar o número
Educacionais Anísio Teixeira (2013). ideal de vizinhos na construção da matriz de pesos
Os municípios emancipados foram aglutinados aos espaciais. A matriz de vizinhança com k vizinhos que
municípios “originais” conforme a metodologia proposta resultar no maior valor significativo da estatística I indica
por Paiva (2007, 2008). Esse procedimento foi necessário o número k de vizinhos a ser considerado. O maior valor
por terem ocorrido emancipações e desmembrações de significativo foi aquele com cinco vizinhos, sendo o
municípios ao longo do tempo. Desta forma, os estados de valor estimado de 0,151 e 0,179 para o I de Moran para
São Paulo e Mato Grosso apresentarão, respectivamente, 1995/96 e 2006, respectivamente.
625 e 117 municípios em cada ano analisado, ou seja, o Os resultados para a estatística I foram positivos e
mesmo número de municípios no período base de 1995. significativos. Isso indica uma relação de similaridade
Para a criação e análise das matrizes de vizinhos, (alto-alto ou baixo-baixo), de forma que o custo de
estimação da estatística do I de Moran, estimação dos oportunidade de produtores mais próximos é mais similar
efeitos diretos, indiretos e totais; estimação dos testes do que se o custo estivesse distribuído aleatoriamente
de hipoteses múltiplas, teste de presença de efeitos pelo espaço. Nesse sentido, produtores com elevado
individuais e estimação do modelo espacial em painel e (baixo) custo de oportunidade tendem a estar agrupados
do teste de Hausman espacial, foi utilizado o programa dentro dos estados analisados.
estatístico R (R Core Team, 2015). Para analisar as diferenças na estrutura da autocorrelação
espacial local, foram construídos os mapas de clusters
dos Indicadores Locais de Associação Espacial (Local
Indicator of Spatial Association – Lisa) para Mato Grosso
4. Resultados e discussão (Figura 1) e São Paulo (Figura 2). Conforme Plant
(2012), a estrutura espacial local pode ser diferente da
O trabalho de Campos & Bacha (2016) já sugeriu, autocorrelação espacial global10, sendo que a última é
por meio da Análise Exploratória de Dados Espaciais, caracterizada por apenas uma estatística (o I de Moran).
a possível existência de relações espaciais dos custos de No estado de Mato Grosso, há o aumento no número
oportunidade dos produtores em manter a reserva legal de agrupamentos do tipo alto-alto entre 1995 e 2006.
nos municípios de São Paulo e de Mato Grosso. Neste Em 1995, a maior parte dos municípios foi enquadrada
item, apresentam-se os resultados dos procedimentos como baixo-baixo. Em 2006, o número de municípios
estatísticos que provam a existência dessas relações espaciais com elevado custo de oportunidade no uso da reserva
e das estimativas econométricas que dimensionam os legal aumentou, principalmente no centro do estado,
possíveis determinantes desses custos de oportunidade. nas regiões de Sinop e Sorriso, de elevada produção de
soja. Esse aumento pode ser explicado pela expansão da
4.1. Análise exploratória dos dados espaciais produção de soja no estado de Mato Grosso.
Em São Paulo, observa-se o aumento dos municípios
Inicialmente, os dados foram organizados de
do grupo baixo-baixo nas porções noroeste e sudoeste do
forma a assegurar um painel balanceado, exigência da
estado e uma redução dos municípios nos agrupamentos
metodologia utilizada para estimar o modelo de regressão
baixo-baixo no sudeste e do alto-alto no centro-norte do
espacial com dados em painel. Assim, o município
que apresentou algum valor faltante para menos uma 10
Destaca-se que os indicadores Lisa têm a propriedade de
variável em pelo menos um ano analisado foi retirado da que, tomando a soma do seu valor para todas as observações,
análise. Os dados totalizaram, então, 1.258 observações, obtém-se o seu valor global. Nessa análise, o valor global
da autocorrelação espacial foi analisado pelo I de Moran.
sendo 89 municípios mato-grossenses e 540 municípios Nesse sentido, a maior predominância de algum tipo de
paulistas em cada ano. agrupamento espacial não necessariamente indica a natureza
da autocorrelação global, haja visto que essa depende
Posteriormente, a estatística I de Moran indicou que da magnitude das estatísticas Lisa e não do número de
há relação espacial na distribuição entre os municípios observações em cada agrupamento, propriamente.

Figura 1. Agrupamentos Lisa para o custo de oportunidade, Mato Grosso, anos de 1995 e 2006
Fonte: Resultado da pesquisa.
Figura 2. Agrupamentos Lisa para o custo de oportunidade, São Paulo, anos de 1995 e 2006
Fonte: Resultado da pesquisa.
estado, entre 1995 e 2006. Os municípios que não foram 4.2. Especificação e estimação das regressões
enquadrados em agrupamentos e estão identificadas espaciais
como “não significativo” são aqueles em que o valor
O teste de Breusch e Pagan indicou a necessidade
do custo de oportunidade de manter a reserva legal não
de incorporar os efeitos espaciais na estimação dos
é diferente, em termos estatísticos, da média de todos
determinantes do custo de oportunidade em se manter a
os municípios ao seu redor, conforme Almeida (2012). reserva legal. O valor para a estatística χ2 foi igual a 26,83,
Esses resultados indicam que há uma dinâmica significativo estatisticamente ao nível de 1%. Pelo teste de
diferente nos estados analisados quanto à distribuição Hausman, proposto por Mutl & Pfaffermayr (2011), os
dos custos de oportunidade por municípios e revelam a efeitos individuais não observados são correlacionados
existência de agrupamentos espaciais locais. Produtores 2
às variáveis explicativas, com estatística χ19 g .l . igual a
de elevado (baixo) custo estavam próximos de produtores 83,37, estatisticamente significativo ao nível de 1%.
de alto (baixo) custo de oportunidade – relação de Assim, o modelo de efeitos aleatórios seria viesado e,
similaridade – bem como produtores de elevado (baixo) portanto, o modelo de efeitos fixos deve ser utilizado.
custo estariam próximos de produtores de baixo (elevado) O teste I de Moran – para testar a presença de
custo – relação de dissimilaridade. autocorrelação espacial dos resíduos do modelo de efeitos

fixos – indicou que há autocorrelação espacial nesse Nesse modelo, o valor da variável dependente de um
modelo, sendo I = -0,088, e significativo estatisticamente agente é depende das características dos estabelecimentos
ao nível de 1%. Esse valor estimado indica que há agropecuários vizinhos. Esse resultado vai ao encontro
dissimilaridade, e, portanto, a análise dos determinantes da argumentação de Robalino & Pfaff (2012), ou seja, o
do custo de oportunidade deve considerar que o mesmo custo de oportunidade de um município depende não
não se distribui aleatoriamente no espaço. somente de suas características, mas também da dos seus
Foram, então, estimados os modelos SAR, SEM, vizinhos. Essa relação é esperada, uma vez que municípios
SARAR, SLX, SDM e SDEM, e aplicado o teste I de Moran vizinhos tendem a apresentar eficiência técnica, culturas
nos resíduos de cada modelo (Tabela 1). agropecuárias e comportamento semelhantes quanto
Os resultados indicam que os modelos SARAR e SEM ao tratamento dado à Reserva Legal – desmatando ou
não são adequados, uma vez que não foram capazes de não a mesma.
controlar a autocorrelação espacial ao nível de significância Como o modelo foi estimado por efeitos fixos, o efeito
de 5%. Subsequentemente, foram calculados os critérios das variáveis que eram constantes ao longo do tempo
de informação (Tabela 2) para os modelos SAR, SDEM, foi controlado, devendo ser removidas da estimação.
SDM e SLX para auxiliar na escolha do modelo. Buscando um melhor ajustamento do modelo11, as
Os critérios de informação foram inclusivos, pois variáveis para plantio em nível, eletricidade, terraços,
o AIC indica que o modelo SLX é o mais adequado e o idhm e irrigação12 foram retiradas do modelo. Essas
critério BIC indica o modelo SAR. Entretanto, considerando variáveis não foram estatisticamente significativas tanto
que o nível de significância do teste de I de Moran do individualmente (teste t) como conjuntamente (teste F)
modelo SLX foi superior ao SAR, optou-se pelo primeiro ao nível de significância de 10%. A variável binária para
modelo para a análise dos determinantes do custo de o estado de São Paulo foi omitida na estimação. Assim,
oportunidade da área da reserva legal (Tabela 3). todas as variáveis interativas podem ser comparadas
O modelo SLX incorpora as variáveis exógenas diretamente à respectiva variável não interativa, analisando
espacialmente defasadas como variáveis explicativas. se há diferença na relação entre o efeito marginal dessa
variável entre Mato Grosso e São Paulo.
Tabela 1. Estatística I de Moran para os resíduos As estimativas do modelo SLX, conforme Vega
das regressões espaciais em painel do custo de & Elhorst (2015), permitem obter os efeitos diretos e
oportunidade, anos de 1995 e 2006
indiretos (Tabela 3). Os efeitos diretos de uma variável
Modelo Estatística I P valor “k” de um produtor ‘i” sobre o custo de oportunidade
SARAR -7,67 0,00 dele mesmo são as respectivas estimativas dos parâmetros
SEM -5,00 0,00 b k (Equação 3). Os efeitos indiretos, o efeito de uma
SAR -1,93 0,05 variável “k” de um produtor “i” sobre o custo de
SDEM -0,06 0,94 oportunidade de um produtor “j”, vizinho a “i”, foram
SDM -0,24 0,81
SLX -0,11 0,91 11
Algumas variáveis, apesar de não serem estatisticamente
Fonte: Resultados da pesquisa. significativas, foram mantidas na estimação de forma a
Nota: AIC – Critério de Informação de Akaike; BIC – Critério de facilitar a interpretação de outras variáveis. Este foi o caso
Informação Bayesiano.
das variáveis Área média.Mato Grosso e Investimento. Mato
Grosso.
Tabela 2. Critérios de informação Akaike e Bayesiano
para os modelos de regressão espacial
12
A escolha das variáveis a serem retiradas ou incluídas no
modelo também considerou a sensibilidade da variação
Modelo AIC BIC dos parâmetros estimados à sua retirada do modelo de
regressão. Conforme Wooldridge (2006), a inclusão de variáveis
SAR 17.463,89 17.582,05
irrelevantes ao modelo não cria viés, podendo implicar
SDEM 17.468,57 17.776,81 em multicolinearidade e maior variância aos parâmetros
estimados, enquanto a exclusão de variáveis relevantes
SDM 17.468,44 17.776,67
comumente gera viés às estimativas. Assim, a retirada de
SLX 17.458,82 17.761,92 variáveis não relevantes não deve apresentar mudança
Fonte: Resultados da pesquisa. perceptível nos parâmetros estimados, podendo reduzir,
Nota: AIC – Critério de Informação de Akaike; BIC – Critério de entretanto, a variância estimada de todos os parâmetros e
Informação Bayesiano. aumentar a significância das estimativas.

Tabela 3. Estimativas para os determinantes do custo de oportunidade, efeitos fixos para São Paulo e Mato
Grosso, anos de 1995/96 e 2006
Variável Estimativa Desvio Padrão Estatística t P valor
Efeito Direto
Proporção 15,97*** 5,77 2,77 0,01
Adubação (Proporção de estabelecimentos) -2,8E-04** 1,3E-04 -2,09 0,04
Abubação * dummy para Mato Grosso -2,2E-04 4,5E-04 -0,49 0,63
Área média -4,19*** 0,42 -9,96 0,00
(Área média)2 2,1E-3*** 0,00 8,44 0,00
Área média * dummy para Mato Grosso 4,37*** 0,48 9,19 0,00
(Área média) * dummy para Mato Grosso
2
-2,2E-03*** 2,6E-04 -8,36 0,00
Financiamento, em Reais -6,6E-05 8,4E-05 -0,79 0,43
Financiamento * dummy para Mato Grosso -0,01** 2,5E-03 -2,14 0,03
Investimento, em Reais 4,0E-04*** 1,3E-04 3,14 0,00
Agências bancárias, em unidades -1,83** 0,76 -2,40 0,02
Permanentes (dummy) -201,07*** 75,06 -2,68 0,01
Temporária (dummy) -122,42* 69,23 -1,77 0,08
Pastagem natural (dummy) -209,94*** 70,38 -2,98 0,00
Pastagem plantada (dummy) -148,34** 65,07 -2,28 0,02
Matas plantadas (dummy) -456,44*** 166,24 -2,75 0,01
Inaproveitável (dummy) -287,48*** 82,53 -3,48 0,00
Outliers 655,35*** 67,96 9,64 0,00
Fronteira.SP 3,01 53,48 0,06 0,96
Fronteira.MT 51,21 124,85 0,41 0,68
Efeito Indireto
W * (Proporção) -28,74** 11,95 -2,4052 0,02
W * (Área média) 3,13*** 0,90 3,4851 0,00
W * (Área média)2 -8,5E-04 5,3E-04 -1,6145 0,11
W * (Área média * dummy para MT) -2,65*** 0,91 -2,8998 0,00
W * ((Área média) * dummy para MT))
2
8,0E-04 5,4E-04 1,4792 0,14
W * (Trator) -184,33*** 54,82 -3,3622 0,00
W * (Financiamento) -5,4E-05 1,6E-04 -0,3322 0,74
W * (Financiamento * dummy para MT) 0,01** 0,01 2,1416 0,03
W * (Demografia) -0,25*** 0,03 -7,5272 0,00
W * (Outliers) -325,71*** 108,24 -3,0091 0,00
Fonte: Resultados da pesquisa. Nota: *, ** e *** indicam significativo a 10%, 5% e 1%, respectivamente. A variável Outliers recebe valor 1 se o município
foi identificado como ponto de alavancagem ou outliers, 0 caso contrário, conforme sugerido por Bivand et al. (2008). Os outliers e pontos de alavancagem
foram identificados por meio das estatísticas hii – o valor da diagonal da matriz H=X(X’X)-1X’, razão de covariância, dfbetas, dffits, e distância de
Cook. O município foi considerado outlier ou ponto de alavancagem se pelo menos um desses testes indicou que aquela observação era um outlier
ou ponto de alavancagem. Para mais detalhes, ver Plant (2012, p. 566-571) e R Core Team (2015).
obtidos diretamente por meio do respectivo coeficiente não sendo estatisticamente significativas, serão analisadas,
θ k (Equação 3). dada a sua importância.
A interpretação e análise dos resultados estão focadas O coeficiente associado à proporção da área dos
nos efeitos diretos e indiretos das variáveis estatisticamente municípios ocupada com estabelecimentos apresentou
significativas13 (Tabela 3). Algumas estimativas, mesmo significância estatística tanto para o efeito direto como para
o efeito indireto, mas com sinais opostos. O coeficiente
13
As estimativas para todos os parâmetros estão apresentadas
em anexo na Tabela B1. do efeito direto (de 15,97) indica que o aumento na área

ocupada com estabelecimentos aumenta o custo de Figura 3. Relação estimada entre a área média
oportunidade em R$ 15,97 por hectare a cada um ponto dos estabelecimentos, em hectares, e o custo de
oportunidade por hectare estimado em função da área,
percentual de acréscimo na proporção da área ocupada
São Paulo e Mato Grosso, anos de 1996/96 e 2006
pelos estabelecimentos agropecuários. Isso pode ser
explicado pela diminuição da área total disponível para
a agropecuária em cada município e da valorização da
área já utilizada para a agropecuária. Contudo, o efeito
indireto indica que o aumento da proporção da área
ocupada com estabelecimentos em um dado município
reduz o custo de oportunidade dos municípios vizinhos
em R$ 28,74 por hectare. Os produtores agropecuários
individualmente não são capazes de influenciar os preços
dos seus produtos. Entretanto, o aumento da produção
nos municípios vizinhos pode reduzir os preços dos
Fonte: Resultados da pesquisa.
na região. Isso reduziria a rentabilidade e o custo de
oportunidade de manter a área coberta com a reserva
legal. Essa relação também é apontada por Robalino & por hectare de área total. Apesar de o efeito indireto
Pfaff (2012). apresentar comportamento contrário, o efeito direto
O coeficiente do efeito direto associado à área domina a relação por ser maior em valor absoluto do
apresentou um comportamento quadrático conforme que o efeito indireto.
esperado. O efeito marginal direto estimado para a área Portanto, em Mato Grosso os menores produtores
ao quadrado foi positivo para o estado de São Paulo e arcam com um custo de oportunidade da reserva legal
negativo para o estado de Mato Grosso. A relação entre o proporcionalmente superior aos produtores que dispõem
custo de oportunidade e a área média dos estabelecimentos de uma área maior (Figura 3). Isso poderia ser explicado
é descrita por curvas de formatos diferentes (Figura 1)14 pela principal atividade produtiva, em que os menores
para cada estado. produtores podem se dedicar à criação de gado de corte.
A equação que associa o custo de oportunidade de No estado de São Paulo, os maiores produtores arcam
manter a reserva legal e a área, tomando o efeito direto com custo de oportunidade menor, tanto em termos
para São Paulo é descrita por 2,1E-03*(Área média)2 − absolutos como proporcionais, do que os menores
4,19*(Área média), que decresce a taxas crescentes. Para produtores. Importante destacar que esse efeito se refere
Mato Grosso, tem-se a equação -6,0E-05*(Área média)2 à média por hectare para os produtores. Nesse sentido,
+ 0,18*(Área média), que cresce a taxas decrescentes na os pequenos produtores do cinturão verde de São Paulo
primeira parte da parábola. A equação representa uma podem apresentar um custo de oportunidade maior,
parábola em forma de U para São Paulo e em forma de proporcionalmente.
U invertido para Mato Grosso. Entretanto, como pode
Esses resultados para Mato Grosso e São Paulo16 são
ser observado na Figura 3, a maioria das observações
corroborados pelos argumentos de Tourinho & Passos
em São Paulo está concentrada na parte decrescente da
(2006) para o Paraná. Eles afirmaram que, na pequena
curva, enquanto que, para Mato Grosso, as observações
propriedade, a redução da área explorável advinda
estão concentradas na porção crescente15. Nesse sentido,
da restrição da reserva legal pode comprometer a
em ambos os estados os produtores maiores arcam
sustentabilidade econômica. Resultado semelhante foi
com menor custo de oportunidade de manter a RL
obtida por Pires (2012), que analisou as áreas de Reserva
14
A Figura 3 representa a parábola obtida quando o custo Legal (RL) no município de Formosa (GO), em 2011, e
de oportunidade é estimado tomando apenas a área dos concluiu que a RL é mais onerosa, proporcionalmente,
estabelecimentos por meio dos parâmetros do modelo. Isso
explica os valores negativos nos eixos verticais. Essa figura
para os pequenos produtores. Marchand (2012) também
busca ilustrar a relação entre o custo de oportunidade em se concluiu que os pequenos produtores convertem mais
manter a reserva legal e a área média dos estabelecimentos.
15
As estatísticas descritivas das variáveis para Mato Grosso e 16
Excetuando-se o município de Alumínio em 1995, que
São Paulo por ano analisado estão disponíveis na Tabela A1 apresentou área média dos estabelecimentos de 1.848,88 ha.
e Tabela A2, respectivamente. e custo de oportunidade estimado (Figura 3) de R$ 13,54.

terras para a produção agropecuária do que os maiores agências bancárias em um município não influencia o
produtores. Portanto, os pequenos produtores seriam mais custo de oportunidade dos municípios vizinhos. Esses
dependentes da área da Reserva Legal para a produção resultados indicam que os produtores se relacionam
agropecuária. Conforme Angelsen & Kaimowitz (2001) em agências do seu próprio município e, também, a
e Marchand (2012), pequenos produtores estão sujeitos importância da existência de agências bancárias em
a maiores restrições, como de capital, do que os maiores todos os municípios.
produtores e, por isso, tendem a utilizar de forma mais Dentre as variáveis binárias para o principal
abundante o fator mais barato, a terra. uso da área dos estabelecimentos, todas as variáveis
A variável de financiamento foi significativa apenas foram estatisticamente significativas (para o efeito
para Mato Grosso (Financiamento.MT). Contudo, os efeitos direto). Os efeitos indiretos não foram estatisticamente
direto e indireto para a variável Financiamento.MT se significativos ao nível de significância de 10%. A variável
anulam. A variável para investimento foi estatisticamente para matas naturais foi omitida e, portanto, é a base de
significativa, não havendo diferença estatística entre comparação. Nesse sentido, o coeficiente negativo para
São Paulo e Mato Grosso (Investimento.MT não foi a variável “Permanentes”, por exemplo, indica que o
significativa). O coeficiente dessa variável, apesar de custo de oportunidade em manter a reserva legal por
pequeno, apresenta significado econômico. Por exemplo, hectare é menor em R$ 201,07 quando comparado ao
em 2006, o custo médio de oportunidade em manter a custo por hectare dos estabelecimentos agropecuários,
reserva legal por hectare no estado de São Paulo foi de que têm a maior parte da área ocupada com matas
R$ 377,50 e o valor dos investimentos foi de R$ 22.425,08. (naturais). Comportamento semelhante foi observado
Tomando o valor médio do investimento, obtém-se redução para as variáveis “Temporária”, “Pastagem plantada”,
em São Paulo de R$ 8,90 (4,0E-04*22.425,08) ou 2,4% “Pastagem natural” e “Inaproveitáveis”. Esses resultados
no custo de oportunidade. No estado de Mato Grosso, indicam, assim, que os produtores serão incentivados a
em 2006, a redução no curto de oportunidade alcança converter a área ocupada com matas e florestas para a
R$ 13,50 por hectare ((4,0E-04*34.022,20). O investimento produção agropecuária, haja visto que a área ocupada
médio para Mato Grosso em 2006 foi de R$ 34.022,20 e por matas não propicia, de forma geral, nenhum retorno
o custo de oportunidade médio foi de R$ 0,04. Assim, econômico (na percepção dos produtores agropecuários).
os efeitos marginais (diretos) do investimento sobre o Destaca-se que as variáveis “Trator” e “Demografia”
custo de oportunidade são maiores em Mato Grosso do tiveram apenas os efeitos indiretos estatisticamente
que em São Paulo. Portanto, a produção agropecuária significativos. Nesse sentido, o número de tratores
no primeiro estado é mais sensível a variações no pode ser relacionado ao crescimento da produção
investimento. agropecuária, à redução da rentabilidade por hectare e,
As estimativas indicaram que a existência de consequentemente, à redução do custo de oportunidade.
agências bancárias estaria associada à redução do custo Interpretação semelhante pode ser feita para a variável
de oportunidade no próprio município em R$ 1,83 a cada demografia, em que um aumento da população dos
agência. Essa redução pode ser explicada pelo fato de o municípios vizinhos aumentaria o mercado e a oferta
crédito rural poder ser condicionado à manutenção da
dos produtos agropecuários e, assim reduziria o preço
área coberta com Reserva Legal. Conforme Guimarães
dos produtos agropecuários e do custo de oportunidade.
(2015), os bancos reconhecem que as atividades produtivas
financiadas possuem impacto ambiental. Assim, os
agentes podem condicionar o financiamento à adoção
de procedimentos de redução do impacto ambiental e 5. Conclusões
a presença de agência bancária no próprio município
pode facilitar a tomada de crédito visando a aquisição de O objetivo deste artigo foi analisar os determinantes
tecnologia intensiva no uso da terra e, com isso, haverá do custo de oportunidade por hectare dos fazendeiros em
menor custo de oportunidade de manter a reserva legal. cumprirem com a obrigação de manutenção da reserva
Entretanto, o efeito indireto não foi estatisticamente legal dentro de suas propriedades. A análise baseou-se
significativo, o que indica que a variação no número de em dados dos municípios de São Paulo e Mato Grosso.

Os resultados indicaram que o custo de oportunidade da enxurrada, favorecendo a infiltração da água, o que
de um município em manter a reserva legal de um diminui o transporte de sedimentos até os corpos de água
produtor depende e é determinado conjuntamente com (Machado et al., 2003). Ademais, convém destacar que o
o custo de oportunidade de seus vizinhos. Destaca-se Novo Código Florestal de 2012 permite que a APP seja
que os produtores de menor área total apresentaram os contabilizada como área de reserva legal para alguns
maiores custos de oportunidade por hectare. Portanto, estabelecimentos agropecuários, ou seja, a reserva legal
eles seriam mais sensíveis à perda da área produtiva também pode compreender matas ciliares em alguns
representada pela restrição do código florestal. estabelecimentos agropecuários. Contudo, ao permitir
Os resultados indicaram, por meio das variáveis a incorporação das APPs nesse cômputo, a área total
binárias, que as áreas ocupadas com matas naturais de matas nativas nos estabelecimentos agropecuários
apresentam custo de oportunidade superior às áreas é reduzida, o que, por sua vez, reduz os seus serviços
ocupadas com atividades produtivas agropecuárias ecossistêmicos, como a manutenção da quantidade e
(e até mesmo em relação às áreas inaproveitáveis para qualidade das águas, por exemplo.
a agropecuária). Nesse sentido, a área ocupada com Nesse sentido, ações na bacia hidrográfica para a
matas naturais teria um custo de oportunidade por manutenção da quantidade e qualidade da água são
hectare superior em R$ 456,44 por hectare em relação
importantes, e elas poderiam ser alcançadas por meio de
à área ocupada com matas plantadas (de exploração
programas de Pagamento por Serviços Ambientais (Herrero,
econômica). Por fim, destaca-se que o aumento da área
2014) que encorajasse o produtor a manter áreas ocupadas
ocupada com estabelecimentos agropecuários no próprio
com matas dentro do estabelecimento agropecuário.
município aumenta o custo de oportunidade das áreas
Assim, o Novo Código Florestal (Lei n. 12.651/2012), ao
que permanecem ocupadas com matas em virtude da
criar o Programa de Apoio e Incentivo à Conservação do
valorização da terra.
Meio Ambiente, permite que o governo federal incentive
Dentre as limitações desse trabalho destacam-se: (i) a
a conservação das matas (entre outras legislações).
análise por hectare médio de cada município; (ii) a variável
Os resultados aqui apresentados podem ser utilizados
“desmatamento” considerou apenas o desmatamento
na definição de programas de pagamentos por serviços
da área de reserva legal e (iii) supôs-se que todos os
ambientais que incentivem tanto a conservação quanto
estabelecimentos agropecuários deveriam ter reserva
a produção agropecuária.
legal. Não obstante essas limitações, os resultados obtidos
Conforme os resultados indicaram, é importante
neste artigo indicam que os produtores agropecuários
considerar que cada produtor pode ter um custo diferente
arcam sozinhos com o custo de oportunidade de manter
de oportunidade em manter a RL, e um pagamento
a reserva legal dentro de seus imóveis. Assim, os
igual para todos os produtores implicará desperdício de
produtores devem ser compensados economicamente,
de forma a manterem a área de Reserva Legal, o que gera recursos. Ademais, os resultados também indicaram a
benefícios para toda a sociedade. Esse incentivo poderia necessidade de considerar a dependência espacial e os
se dar, por exemplo, via redução das taxas de juros do transbordamentos espaciais existentes entre os produtores,
crédito rural – o que o atual Código Florestal permite. que podem potencializar ou atenuar os efeitos totais
A importância das matas para a manutenção da esperados das ações de incentivo à conservação das
quantidade e qualidade da água é particularmente áreas ocupadas com matas.
importante no estado de São Paulo, uma vez que a Por fim, destaca-se que o Novo Código Florestal
região Metropolitana de São Paulo (RMSP) enfrentou permite, em alguns casos, incluir as APPs no cômputo da
forte crise de abastecimento de água em 2014 devido reserva legal da propriedade, em alguns estabelecimentos
à falta de chuvas. As matas nativas contribuem para a que atendem a alguns requisitos. Assim, essa modificação
redução da erosão do solo por reduzirem o impacto das legal pode alterar o custo de oportunidade estimado no
gotas de chuva sobre o solo, apresentando, também, um presente artigo. Sugere-se que próximos estudos sobre
obstáculo mecânico à enxurrada (Vanzela et al., 2010). o tema levem este aspecto em consideração, que não
As matas ciliares, em específico, oferecem proteção pode ser aqui tratado dada a indisponibilidade atual
contra a erosão ao diminuírem a velocidade do fluxo de dados pós 2012.

Referências Campos, S. A. C., & Bacha, C. J. C. (2013). O custo privado

da reserva legal. Revista de Política Agrícola, 22(2), 85-104.
Almeida, E. (2012). Econometria espacial (498 p.). Campinas: Campos, S. A. C., & Bacha, C. J. C. (2016). O custo privado
Alínea. da reserva legal para os produtores agropecuários de
São Paulo e Mato Grosso nos anos de 1995 e 2006. Revista
Angelsen, A. (2010). Policies for reduced deforestation de Economia e Sociologia Rural, 54(1), 71-88.
and their impact on agricultural production. Proceedings
of the National Academy of Sciences of the United States of Carneiro, S. L. (2005). Estudo prospectivo da implantação da
America, 107(46), 19639-19644. reserva legal em propriedades rurais familiares representativas
de sistemas de produção de grãos na região de Londrina - Estado
Angelsen, A., & Kaimowitz, D. (1999). Rethinking the do Paraná (Dissertação de mestrado). Universidades
causes of deforestation: Lessons from economic models. Estaduais de Londrina e Maringá, Londrina.
The World Bank Research Observer, 14(1), 73-98.
Chomitz, K. M. (2004). Transferable development rights
Angelsen, A., & Kaimowitz, D. (2001). Introduction: the
and forest protection: an exploratory analysis. International
role of agricultural technologies in tropical deforestation.
Regional Science Review, 27(3), 348-373.
In A. Angelsen & D. Kaimowitz (Eds.), Agricultural
technologies and tropical deforestation (Chap. 1, pp. 1-18). Coelli, T. J., Lauwers, L., & Huylenbroeck, G. (2007).
Jakarta: Center for International Forestry Research/ Environmental efficiency measurement and the materials
CABI Publishing. balance condition. Journal of Productivity Analysis, 28(1-
2), 3-12.
Anselin, L. (1988). Spatial econometrics: methods and models
(284 p.). Dordrecht: Kluwer Acdemic Publishers. Elhorst, J. P. (2010). Spatial panel data models. In M.
M. Fischer & A. Getis (Eds.), Handbook of applied spatial
Anselin, L. (2003). Spatial externalities, spatial multipliers,
analysis: software tools, methods and applications (Chap. C2,
and spatial econometrics. International Regional Science
pp. 377-407). Heidelberg: Springer-Verlag.
Review, 26(2), 153-166.
Elhorst, J. P. (2014). Spatial econometrics from cross-sectional
Azzoni, C. R., & Isai, J. Y. (1994). Estimating the costs of
environmental protection in Brazil. Ecological Economics, data to spatial panels (119 p.). Berlin: Springer-Verlag.
11(2), 127-133. Färe, R., Grosskopf, S., & Tyteca, D. (1996). An activity
Bacha, C. J. C. (2005). Eficácia da política de reserva analysis model of the environmental performance of
legal no Brasil. Teoria e Evidência Econômica, 13(25), 9-27. firms: application to fossil-fuel-fired electric utilities.
Ecological Economics, 18(2), 161-175.
Banco Central do Brasil – BCB. (2014). Relação de agências
e postos bancários (transferência de arquivos). Recuperado Fasiaben, M. D. C. R., Romeiro, A. R., Peres, F. C., & Maia,
em 6 de agosto de 2014, de http://www.bcb.gov. A. G. (2011). Impacto econômico da reserva legal sobre
br/?RELAGPAB diferentes tipos de unidades de produção agropecuária.
Revista de Economia e Sociologia Rural, 49, 1051-1096.
Banker, R. D., & Natarajan, R. (2008). Evaluating contextual
variables affecting productivity using Data Envelopment Griffith, D. A. (1985). An evaluation of correction
Analysis. Operations Research, 56(1), 48-58. techniques for boundary effects in spatial statistical
analysis: contemporary methods. Geographical Analysis,
Baumont, C. (2009). Spatial effects of urban public 17(1), 81-88.
policies on housing values. Papers in Regional Science,
88(2), 301-327. Guimarães, G.L.E. (2015). Gerenciamento do risco socioambiental
nas instituições financeiras bancárias no Brasil (Dissertação
Bivand, R., Pebesma, E. J., & Gómez-Rubio, V. (2008). de mestrado). Universidade de Brasília, Brasília.
Applied spatial data analysis with R (374 p.). New York:
Spinger. Helfand, S. M., & Levine, E. S. (2004). Farm size and the
determinants of productive efficiency in the Brazilian
Bonjour, S. C. M., Figueiredo, A. M. R., & Marta, J. M. C. Center-West. Agricultural Economics, 31(2-3), 241-249.
(2008). A pecuária de corte no estado de Mato Grosso.
In Anais do Congresso da Sociedade Brasileira de Economia, Herrero, T. (2014). Saídas possíveis. Página 22, (84), 38-41.
Administração e Sociologia Rural (pp. 1-21). Cuiabá: SOBER.
Huhtala, A., & Marklund, P.-O. (2008). Stringency of
Brasil. Ministério da Agricultura, Pecuária e Abastecimento. environmental targets in animal agriculture: shedding
(2014). Estatísticas e dados básicos de economia agrícola (54 light on policy with shadow prices. European Review of
p.). Brasília. Agriculture Economics, 35(2), 193-217.
Breusch, T. S., & Pagan, A. R. (1979). A simple test for Igari, A., Tambosi, L., & Pivello, V. (2009). Agribusiness
heteroscedasticity and random coefficient variation. opportunity costs and environmental legal protection:
Econometrica, 47(5), 1287-1294. investigating trade-off on hotspot preservation in the

state of São Paulo, Brazil. Environmental Management, de 2014, de http://www.fee.tche.br/rs-em-mapas-e-

44(2), 346-355. dados/index.html
Instituto Brasileiro de Geografia e Estatística – IBGE. Paiva, C. A. (2008). Evolução das desigualdades territoriais
(2009). Censo Agropecuário 2006: Brasil, Grandes Regiões no Rio Grande do Sul. Santa Cruz do Sul: Edunisc.
e Unidades da Federação (pp. 1-777). Rio de Janeiro: IBGE.
Perman, R., Ma, Y., Common, M., Maddison, D., &
Instituto Brasileiro de Geografia e Estatística – IBGE. McGilvray, J. (2003). Natural resource and environmental
(2014). Censo Agropecuário 1996/96/96. Rio de Janeiro: economics (728 p.). Harlow: Pearson.
IBGE. Recuperado em 27 de fevereiro de 2014, de http://
Pires, C. S. J. (2012). As alterações do Código Florestal
www.sidra.ibge.gov.br/bda/pesquisas/ca/default1996.
asp?z=p&o=2&i=P brasileiro e as conseqüências sobre as áreas de Reservas Legais
do Município de Formosa-GO (Dissertação de mestrado).
Instituto Nacional de Estudos e Pesquisas Educacionais Faculdade de Tecnologia, Universidade de Brasília, Brasília.
Anísio Teixeira – INEP. (2013). Microdados Censo da Educação
Superior. Recuperado em 15 de julho de 2014, de http:// Plant, R. E. (2012). Spatial data analysis in ecology and
portal.inep.gov.br/basica-levantamentos-acessar agriculture using R (617 p.). New York: CRC Press.
Kanninen, M., Murdiyarso, D., Seymour, F., Angelsen, Programa das Nações Unidas para o Desenvolvimento
A., Wunder, S., & German, L. (2007). Do trees grow on – PNUD. (2015). Ranking IDHM municípios. Recuperado
money? The implications of deforestation research for policies em 31 de janeiro de 2015, de http://www.pnud.org.br/
to promote REDD (61 p.). Bogor: Center for International atlas/ranking/Ranking-IDHM-Municipios-2000.aspx.
Forestry Research. R Core Team. (2015). R: a language and environment for
Lee, J.-D., Park, J.-B., & Kim, T.-Y. (2002). Estimation of the statistical computing. Vienna: R Foundation for Statistical
shadow prices of pollutants with production/environment Computing. Recuperado em 1 de abril de 2015, de http://
inefficiency taken into account: a nonparametric directional www.R-project.org
distance function approach. Journal of Environmental Richard, H. L., & Leftwich, R. H. (1970). Introduction
Management, 64(4), 365-375. to microeconomics. New York: New York Holt, Rinehart
Lesage, J. P., & Pace, R. K. (2009). Introduction to spatial and Winston.
econometrics (373 p.). Boca Raton: CRC Press Taylor & Robalino, J. A., & Pfaff, A. (2012). Contagious development:
Francis Group. neighbor interactions in deforestation. Journal of Development
Machado, R. E., Vettorazzi, C. A., & Xavier, A. C. (2003). Economics, 97(2), 427-436.
Simulação de cenários alternativos de uso da terra em Sipiläinen, T., & Huhtala, A. (2013). Opportunity costs
uma microbacia utilizando técnicas de modelagem e of providing crop diversity in organic and conventional
geoprocessamento. Revista Brasileira de Ciência do Solo, farming: would targeted environmental policies make
27(4), 727-733. economic sense? European Review of Agriculture Economics,
Marchand, S. (2012). The relationship between technical 40(3), 441-462.
efficiency in agriculture and deforestation in the Brazilian Tourinho, L. A. M., & Passos, E. (2006). O código florestal
Amazon. Ecological Economics, 77, 166-175. na pequena propriedade rural: um estudo de caso em
McDonald, J. (2008). Using least squares and tobit in três propriedades na microbacia do rio Miringuava.
second stage DEA efficiency analyses. European Journal Revista RAEGA, 12, 221-233.
of Operational Research, 197, 792-798.
Vanzela, L. S., Hernandez, F. B. T., & Franco, R. A. M.
Millo, G., & Piras, G. (2012). splm: spatial panel data (2010). Influência do uso e ocupação do solo nos recursos
models in R. Journal of Statistical Software, 47(1), 1-38. hídricos do Córrego Três Barras, Marinópolis. Revista
Brasileira de Engenharia Agrícola e Ambiental, 14(1), 55-64.
Moran, P. A. P. (1948). The interpretation of statistical
maps. Journal of the Royal Statistical Society. Series B. Vega, S. H., & Elhorst, J. P. (2015). The SLX model. Journal
Methodological, 10(2), 243-251. of Regional Science, 55(3), 339-363.
Mutl, J., & Pfaffermayr, M. (2011). The Hausman test in Wooldridge, J. M. (2006). Introductory econometrics: a modern
a Cliff and Ord panel model. The Econometrics Journal, approach (890 p.). Mason: Thomson Higher Education.
14(1), 48-76.
Zhou, P., Ang, B. W., & Poh, K. L. (2006). Slacks-based
Paiva, C. A. (2007). Uma alternativa à metodologia das efficiency measures for modeling environmental
AMCs. Porto Alegre: FEE. Recuperado em 18 de janeiro performance. Ecological Economics, 60(1), 111-118.

ANEXO A. Estatísticas descritivas.
Tabela A1. Estatísticas descritivas para as variáveis determinantes do custo de oportunidade para o estado de
Mato Grosso, de 1995 e 2006
1995 2006
Variáveis
Média Desvio Padrão Média Desvio Padrão
Custo de Oportunidade (em R$/ha) 32,532 38,282 0,048 0,063
Assistência (Proporção de estabelecimentos) 0,3384 0,252 0,292 0,156
Adubação (em R$) 16509,17 44557,7 52407,53 195884,9
Plantio em Nível (Proporção de estabelecimentos) 0,083 0,130 0,131 0,151
Terraços (Proporção de estabelecimentos) 0,051 0,121 0,032 0,071
Irrigação (Percentual da área irrigada) 0,001 0,006 0,003 0,005
Área média (em hectares) 836,32 838,012 549,401 591,358
(Área média)2 1393815 3328657 647618,1 2079981
Trator, em unidades 0,593 0,710 0,529 0,638
Financiamento, em Reais 10550,09 22987,46 12911,68 11761,98
Investimento, em Reais 18267,96 17571,57 34022,2 121378,9
Demografia, pessoas/km2 6,345 22,906 5,230 7,775
Agências bancárias, em unidades 1,483 1,188 1,483 1,686
N. de cursos em Ciências Agrárias 0 0 0,224 0,734
Assentamento (dummy) 0,471 0,502 0,921 0,270
Altitude 332,780 124,572 332,780 124,572
Floresta Amazônica (dummy) 0,516 0,502 0,516 0,502
Cerrado (dummy) 0,471 0,502 0,471 0,502
Am (dummy) 0,0112 0,106 0,011 0,106
Cfb (dummy) 0 0 0 0
Cwa (dummy) 0 0 0 0
Af (dummy) 0 0 0 0
Aw (dummy) 0,988 0,106 0,988 0,106
Cfa (dummy) 0 0 0 0
IDHM 0,391 0,065 0,546 0,051
Permanentes (dummy) 0 0 0 0
Temporária (dummy) 0,382 0,488 0,426 0,497
Pastagem natural (dummy) 0,056 0,231 0,022 0,149
Pastagem plantada (dummy) 0,483 0,502 0,606 0,491
Matas naturais (dummy) 0,426 0,497 0,269 0,446
Matas plantadas (dummy) 0 0 0 0
Inaproveitável (dummy) 0 0 0 0

Tabela A2. Estatísticas descritivas para as variáveis determinantes do custo de oportunidade para o estado de São
Paulo, de 1995 e 2006
1995 2006
Variáveis
Média Desvio Padrão Média Desvio Padrão
Custo de Oportunidade (em R$/ha) 419,804 621,901 377,487 402,329
Assistência (Proporção de estabelecimentos) 0,512 0,234 0,489 0,184
Adubação (em R$) 10641,63 19661 22668,49 128399,1
Plantio em Nível (Proporção de estabelecimentos) 0,494 0,253 0,473 0,210
Terraços (Proporção de estabelecimentos) 0,113 0,143 0,119 0,127
Irrigação (Percentual da área irrigada) 0,032 0,068 0,0445 0,072
Área média (em hectares) 98,459 101,881 93,994 97,979
(Área média)2 20054,8 148382,9 18416,95 80957,96
Financiamento, em Reais 13821,65 58585,8 21811,7 175008
Investimento, em Reais 15836,05 22973,39 22425,08 126676,6
Demografia, pessoas/km2 249,584 1061,33 232,343 989,950
Agências bancárias, em unidades 3,288 28,305 5,6 57,805
Nº de cursos em Ciências Agrárias 0,037 0,189 0,15 0,714
Assentamento (dummy) 0 0 0,113 0,317
Altitude 556,958 171,038 556,959 171,0384
Floresta Amazônica (dummy) 0,716 0,451 0,717 0,451
Cerrado (dummy) 0,283 0,451 0,283 0,451
Am (dummy) 0 0 0 0
Cfb (dummy) 0,033 0,180 0,033 0,180
Cwa (dummy) 0,014 0,120 0,015 0,121
Af (dummy) 0,005 0,074 0,006 0,074
Aw (dummy) 0,511 0,500 0,511 0,500
Cfa (dummy) 0,435 0,496 0,435 0,496
IDHM 0,496 0,058 0,645 0,047
Permanentes (dummy) 0,209 0,407 0,226 0,419
Temporária (dummy) 0,518 0,500 0,515 0,500
Pastagem natural (dummy) 0,107 0,301 0,157 0,364
Pastagem plantada (dummy) 0,505 0,500 0,272 0,446
Matas naturais (dummy) 0,057 0,233 0,059 0,236
Matas plantadas (dummy) 0,009 0,096 0 0
Inaproveitável (dummy) 0 0 0,087 0,282

ANEXO B. Estimativas dos determinantes do custo de oportunidade com todas as variáveis para o modelo SLX
com efeitos fixos.
Tabela B1. Estimativas completas para os determinantes do custo de oportunidade, SLX com efeitos fixos para
São Paulo e Mato Grosso, anos de 1995/96 e 2006
Proporção 15,97*** 5,77 2,77 0,01
Adubação (Proporção de estabelecimentos) -2,8E-04** 1,3E-04 -2,09 0,04
Abubação * dummy para Mato Grosso -2,2E-04 4,5E-04 -0,49 0,63
Área média -4,19*** 0,42 -9,96 0,00
(Área média) 2
0,00*** 0,00 8,44 0,00
Área média * dummy para Mato Grosso 4,37*** 0,48 9,19 0,00
(Área média) * dummy para Mato Grosso
2
-2,2E-03*** 2,6E-04 -8,36 0,00
Financiamento, em Reais -6,6E-05 8,4E-05 -0,79 0,43
Financiamento * dummy para Mato Grosso -0,01** 2,5E-03 -2,14 0,03
Investimento, em Reais 4,0E-04*** 1,3E-04 3,14 0,00
Investimento * dummy para Mato Grosso -2,6E-04 4,9E-04 -0,53 0,60
Demografia, pessoas/km 2
-0,01 0,01 -0,37 0,71
Demografia * dummy para Mato Grosso 0,39 2,46 0,16 0,88
Nº de cursos (Ciências Agrárias) -30,81 32,23 -0,96 0,34
Assentamento (dummy) -34,55 42,51 -0,81 0,42
Agências bancárias, em unidades -1,83** 0,76 -2,40 0,02
Permanentes (dummy) -201,07*** 75,06 -2,68 0,01
Temporária (dummy) -122,42* 69,23 -1,77 0,08
Pastagem natural (dummy) -209,94*** 70,38 -2,98 0,00
Pastagem plantada (dummy) -148,34** 65,07 -2,28 0,02
Matas plantadas (dummy) -456,44*** 166,24 -2,75 0,01
Inaproveitável (dummy) -287,48*** 82,53 -3,48 0,00
Outliers 655,35*** 67,96 9,64 0,00
Fronteira.SP 3,01 53,48 0,06 0,96
Fronteira.MT 51,21 124,85 0,41 0,68
W * (Proporção) -28,74** 11,95 -2,4052 0,02
W * (Adubação) 1,8E-04 3,3E-04 0,5272 0,60
W * (Abubação * dummy para MT) 1,3E-03 1,0E-03 1,2916 0,20
W * (Área média) 3,13*** 0,90 3,4851 0,00
W * (Área média) 2
-8,5E-04 5,3E-04 -1,6145 0,11
W * (Área média * dummy para MT) -2,65*** 0,91 -2,8998 0,00
W * ((Área média) * dummy para MT))
2
8,0E-04 5,4E-04 1,4792 0,14
W * (Trator) -184,33*** 54,82 -3,3622 0,00
W * (Financiamento) -5,4E-05 1,6E-04 -0,3322 0,74
W * (Financiamento * dummy para MT) 0,01** 0,01 2,1416 0,03
W * (Investimento) -2,6E-05 3,8E-04 -0,0692 0,94
W * (Investimento * dummy para MT) -8,2E-04 1,3E-03 -0,6522 0,51

Tabela B1. Continuação...

W * (Demografia) -0,25*** 0,03 -7,5272 0,00
W * (Demografia * dummy para MT) -6,30 7,80 -0,807 0,42
W * (Nº de cursos) -37,81 79,52 -0,4755 0,63
W * (Assentamento (dummy)) 6,59 74,68 0,0882 0,93
W * (Agências bancárias) 1,41 2,35 0,6025 0,55
W * (Permanentes (dummy)) -84,42 173,74 -0,4859 0,63
W * (Temporária (dummy)) -134,09 155,66 -0,8614 0,39
W * (Pastagem natural (dummy)) -98,57 159,94 -0,6162 0,54
W * (Pastagem plantada (dummy)) -63,98 147,20 -0,4346 0,66
W * (Matas plantadas (dummy)) 156,40 418,92 0,3733 0,71
W * (Inaproveitável (dummy)) -117,50 166,47 -0,7058 0,48
W * (Outliers) -325,71*** 108,24 -3,0091 0,00
W * (Fronteira.SP) -133,46 90,08 -1,4816 0,14
W * (Fronteira.MT) 24,32 305,28 0,0796 0,94

Seminário 2

Enviado por

Direitos autorais:

Formatos disponíveis

Seminário 2

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Seminário 2

Enviado por

Direitos autorais:

Formatos disponíveis

Artigo Original

ISSN Online: 1806-9479

Determinantes do custo de oportunidade dos

Resumo: O objetivo deste artigo é estimar os determinantes do custo de oportunidade

Classificação JEL: C50, D22, Q18, Q23

Data de submissão: 4 de maio de 2017. Data de aceite: 18 de junho de 2018.

Revista de Economia e Sociologia Rural, 57(2), 288-308, 2019

1. Introdução O custo de oportunidade de manter a reserva legal

Revista de Economia e Sociologia Rural, 57(2), 288-308, 2019

Revista de Economia e Sociologia Rural, 57(2), 288-308, 2019

Revista de Economia e Sociologia Rural, 57(2), 288-308, 2019

Revista de Economia e Sociologia Rural, 57(2), 288-308, 2019

Revista de Economia e Sociologia Rural, 57(2), 288-308, 2019

em Reais de 2006; Pastagem plantada: variável binária que recebe valor

Plantio em nível: Percentual de estabelecimentos 1 se a maior proporção da área do município

Revista de Economia e Sociologia Rural, 57(2), 288-308, 2019

Revista de Economia e Sociologia Rural, 57(2), 288-308, 2019

Revista de Economia e Sociologia Rural, 57(2), 288-308, 2019

Fonte: Resultado da pesquisa.

Fonte: Resultado da pesquisa.

Revista de Economia e Sociologia Rural, 57(2), 288-308, 2019

Revista de Economia e Sociologia Rural, 57(2), 288-308, 2019

Revista de Economia e Sociologia Rural, 57(2), 288-308, 2019

Revista de Economia e Sociologia Rural, 57(2), 288-308, 2019

Revista de Economia e Sociologia Rural, 57(2), 288-308, 2019

Revista de Economia e Sociologia Rural, 57(2), 288-308, 2019

Referências Campos, S. A. C., & Bacha, C. J. C. (2013). O custo privado

Revista de Economia e Sociologia Rural, 57(2), 288-308, 2019

state of São Paulo, Brazil. Environmental Management, de 2014, de http://www.fee.tche.br/rs-em-mapas-e-

Revista de Economia e Sociologia Rural, 57(2), 288-308, 2019

ANEXO A. Estatísticas descritivas.

Revista de Economia e Sociologia Rural, 57(2), 288-308, 2019

Revista de Economia e Sociologia Rural, 57(2), 288-308, 2019

Revista de Economia e Sociologia Rural, 57(2), 288-308, 2019

Tabela B1. Continuação...

Variável Estimativa Desvio Padrão Estatística t P valor

Revista de Economia e Sociologia Rural, 57(2), 288-308, 2019

Você também pode gostar