DETERMINAÇÃO E ANáLISE DA DINÂMICA DO DESFLORESTAMENTO, SEGUNDO AS ATIVIDADES PRODUTIVAS, NO MUNICíPIO DE MOJú-PA ENTRE 2000 E 2010.

DETERMINAÇÃO E ANáLISE DA DINÂMICA DO DESFLORESTAMENTO, SEGUNDO AS ATIVIDADES PRODUTIVAS, NO MUNICíPIO DE MOJú-PA ENTRE 2000 E 2010.

Heriberto Wagner Amanjás Pena

Volver al índice

RESULTADOS

Esta seção esta dividida em duas subseções. Inicialmente os resultados da AM revelam o conhecimento da estrutura de relacionamento das variáveis empregadas para analise do problema de pesquisa, assim como a validade estabelecida de suas relações complexas e a discussão estatística e teórica da representatividade do modelo. Na segunda subseção a partir da modelagem múltipla – MCE são apresentados os principais coeficientes técnicos e sua validade como estimadores eficientes, e o seu confronto teórico.

ANALISE FATORIAL

Fonte de dados e ajustes iniciais

A validação do modelo de AM esta relacionada com a origem1, tratamento2 e ajuste3 da base de dados empregada. Na aplicação da AF, os dados foram relativos às atividades produtivas provenientes da Pesquisa Agrícola Municipal – PAM, Produção da Extração Vegetal e da Silvicultura - PEVS e, foram utilizados os indicadores de área plantada/colhida em formato de séries temporais para o período e 2000 a 2010. Inicialmente, 26 atividades foram selecionadas com o mesmo tratamento estatístico (índices produtivo), porém a matriz de correlação e outros testes reprovou o emprego da AF, o que exigiu vários ajustes para o grau de validação necessário, entre os quais a redução do número de variáveis para melhorar o poder de explicação dos fatores e aumentar a associação das variáveis analisadas.

Validação da Interdependência

Inicialmente as estimativas da AF foram geradas pelo software aplicativo Statistical Package for the Social Sciences – SPSS4, para analisar a viabilidade geral da estrutura de interdependência. Para o modelo final de AF o teste de KMO, foi da ordem de indicando um bom poder de explicação entre os fatores e as variáveis. O teste de esfericidade de Bartlett5 foi significativo a , indicando elevadas associações e sustentando a de aplicação da AF nas variáveis indicadas.

Os modelos estimados foram sequencialmente ajustados, a retirada de variáveis foi necessária para aumentar o grau de correlação e adequar a exigência da AF. Inicialmente, o modelo “a” estimado com 26 variáveis atestou baixo poder de explicação dos fatores, a redução do número de variáveis foi realizada para aumentou o total da Variância Explica - VE e o KMO, sendo o valor não significativo para aplicação do método , portanto um terceiro e último modelo foi estimado “c”, apresentando KMO próximo do limite , com nove variáveis e comunalidades altamente representativas para explicar a dinâmica do desflorestamento (Figura 4).

A Dimensão Fatorial e Interpretação dos Fatores

De acordo com a metodologia empregada, a matriz fatorial e as cargas explicativas foram estimadas pelo software SPSS versão 19.0, por meio da transformação da matriz de correlação, de acordo com o descrito nas equações 4,5,6, e 7 (seção metodologia). Os valores representativos dos percentuais da variância acumulada e da variância total foram os critérios utilizados para estruturar as dimensões latentes do desflorestamento no município de Moju. O ajuste estatístico adotado para definir as estruturas latentes, considerou um percentual de variância explicada acima de 95%, o que foi reforçado pelo método de componentes principais que comparou a soma das cargas fatorais e o limite de contribuição percentual de cada fator.

Neste método as dimensões fatoriais devem ter como suporte uma boa revisão teórica para garantir as análises futuras do fator. Os quatro fatores retidos explicam mais de 95% da variância das nove variáveis do modelo de AF, considerado altamente relevante para uma aplicação posterior de regressão múltipla, onde o nível de significância exigido também é de 95% de resposta das variáveis explicativas em relação variável explicada (Figura 5).

A decisão de empregar os fatores como variáveis independentes garantiu o cumprimento de um dos pressupostos básicos do modelo de regressão linear, e uma análise mais detalhada da importância de cada fator esta presente na (Tabela-2). A matriz apresenta nove fatores possíveis, coluna (3), e seus respectivos autovalores discutidos na seção metodologia, assim como o percentual da variância, coluna (5), que estabelece um instrumento visual de corte para os fatores e o percentual de variância explicada pelo fator de forma acumulada, coluna (6) indicando elevada representatividade da variância total, o conjunto destas análises permitiu a definição teórica com critério múltiplos para a escolha dos 4 fatores que representam mais 95% da variância total dos componentes, coluna (6), o que é altamente significativo para aplicação da AF e a continuidade da análise dos seus fatores.

A variância cumulativa deve somar 100%, coluna (6), é o que assegura a metodologia, mostrando a compatibilidade dos resultados com os postulados da técnica, a coluna (5), revela a importância de cada fator e suas respectivas contribuições percentuais na variância, já a soma da coluna (4), corresponde ao total dos autovalores iniciais, sendo que os quatro fatores identificados respondem por 95,157% da variância dos componentes, assegurando a sua significância estatística e a importância na explicação do problema (Tabela-2).

Aplicada a técnica de componentes principais para extração de fatores representativos da base de dados, o passo seguinte foi examinar as cargas fatoriais significativas na matriz não-rotacionada, isto atestou a necessidade de isolar melhor as variáveis dentro dos fatores porque foi diagnosticado um elevado numero de variáveis no fator F1 da matriz não-rotacionada, superdimensionado sua atuação e impossibilitando a leitura teórica (Tabela-3).

Para maximizar o grau de correlação de cada variável com cada fator, e facilitar o isolamento ou vinculação ao fator foi aplicada de acordo com a metodologia a rotação ortogonal varimax, os fatores agora rotacionados – FR permitiram melhorar a compreensão das cargas fatoriais e a simplificação da estrutura fatorial e melhor especificação do modelo, sem nenhum prejuízo para a variância total e extraída e para as comunalidades (Tabela-3).

As maiores cargas fatoriais identificadas na linha das variáveis vincula-se automaticamente ao fator da matriz rotacionada, nesse sentido o “FR1” é composto por quatro atividades (dendê, bovino, carvão vegetal e pimenta do reino). O segundo fator “FR2” que explica mais de 23% da variância tem como composição o arroz e feijão, o penúltimo fator “FR3” apresenta a madeira e a mandioca na composição e a vinculação do coco da baia é feita pelo “FR4” e explica mais de 13% da variância dos componentes (Tabela-3).

A Nomeação dos Fatores

Nesta seção as cargas fatoriais e as comunalidades determinam significativamente a determinação dos nomes dos fatores, principalmente porque as relações de dependência futuramente estabelecida no modelo de regressão múltipla facilitarão as análises das relações de interdependência. Isto significa que dentro de um fator relações de associações positivas ou negativas também influenciam a análise do modelo e o seu resultado (Tabela 4).

No fator Projetos Agropecuários as atividades do dendê e pimenta do reino tem maior influência (cargas fatorais de 0,924 e 972 respectivamente), seguida da pecuária bovina e carvão vegetal, que apesar de variar juntos com os demais tem sentido oposto dentro do fator, o que pode estar associado às fortes ações de fiscalização ambiental no município de Moju para controlar desflorestamento e fechamento de carvoarias sem licenciamento (Tabela 4).

O segundo fator foi denominado de Agricultura Tradicional apresentou vinculação das atividades do cultivo de arroz e feijão, com as maiores comunalidades do modelo, explicando 99,1% e 98,7% respectivamente no grau de associação, o que descreve uma característica da atividade agrícola no Moju. O terceiro foi denominado de Interação de Subsistência e apresentou sentido oposto entre as atividades madeira e cultivo de mandioca, com maior peso no fator (carga fatorial de 0,947), isto pode estar relacionado com pequenas derrubadas de floresta para futuros roçados de base alimentar no município, como o cultivo da mandioca se expande, a quantidade de madeira tende a diminuir com o processo (Tabela 4).

O ultimo fator foi denominado de plantação industrial e teve apenas a atividade do coco da baia como predominante o que esta associada a um ritmo estável de plantio e que as novas áreas não estão sendo incorporadas pela atividade (limitada pela reserva legal). As cargas fatorais em geral apresentaram 45% do seu valor com escores acima de 0,30, indicando um bom ajuste do modelo de AF (Tabela 4).

As comunalidades que representam as associações das variáveis pelos fatores, ou seja, o quanto da variância das atividades é explicado pelo conjunto dos fatores apresentou elevado coeficiente, ou seja, estatisticamente significativo, em geral o nível mínimo admitido é de 0,5 para este indicador, e a coluna da comunalidades indicou que o menor valor explicou 87,4% da variação da atividade de carvão vegetal (Tabela 4).

Uma análise gráfica determinada pela interação das cargas fatoriais e sua vinculação isolada com os fatores foi produzida para complementar analise da matriz rotacionada. Os componentes que apresentaram cargas negativas foram ajustados nos quadrantes inferiores, posicionando o fator relacionado, e os demais fatores que estão vinculados apenas com variáveis de escores positivos ajustaram-se nos quadrantes superiores.

A rotação ortogonal do tipo varimax, garantiu a independência dos fatores analisados, sendo que a variância foi redistribuída, estabelecendo uma nova estrutura de cargas fatoriais, mais claras que permitiram o isolamento do fator. Para esta visualização gráfica apenas as maiores cargas foram adicionadas no gráfico e suas devidas posições maximizadas para eliminar cruzamentos, a figura tem ligações com a (Tabela 4), e revela estruturas de ligações teóricas importantes para a estruturação do modelo de regressão proposto nas seções adiantes (Figura 6).

A Equação Fatorial

De forma agregada, a análise da matriz de cargas fatorais, a forte associação indicadas pelas comunalidades e a montagem sequencial das equações fatorais permitiram estruturar as bases para a especificação do MCE, determinado por meio da regressão múltipla e ajustado pelos estimadores de mínimos quadrados foi estabelecido que os fatores fossem a parte determinística do modelo, objeto da segunda parte dos resultados.