Assimetria na transmissão de preço de grãos em novas regiões de fronteira agrícola

Costa Junior, Geraldo; Ogino, Cristiane Mitie

doi:10.1590/1806-9479.2023.270427

Resumo

A formação do preço de commodities como milho e soja se dá no exterior e é transmitida em maior ou menor grau para o Brasil. O processo de transmissão do preço dessas commodities do exterior para o Brasil, sobretudo para as regiões produtoras do Centro-Sul do país, está bem documentado na literatura. Menos estudada, porém, é a transmissão do preço para as novas regiões de fronteira agrícola no Norte e Nordeste do país. Este artigo buscou analisar a transmissão do preço de soja e milho entre a região Centro-Sul, representada pelo Indicador Esalq/BM&F, e os estados do Maranhão, Tocantins, Piauí e Bahia, e também entre os próprios estados. Além disso, buscou-se identificar assimetrias positivas e negativas e de curto e longo prazos nas transmissões de preço. Para este fim, utilizou-se o modelo de correção de erros (VECM) e o modelo autorregressivo não linear de defasagens distribuídas (NARDL). Os resultados indicam que as assimetrias na transmissão de preço de milho estão concentradas no longo prazo, havendo um predomínio de assimetria negativa na transmissão de preços do Indicador para os estados. No caso da soja, também houve predomínio de assimetria negativa, porém as assimetrias estão concentradas no curto prazo.

Palavras-chave: transmissão de preço; assimetrias; NARDL

Abstract

Commodity price formation for corn and soybeans usually takes place in international markets and is then transmitted to Brazil. In Brazil, price transmission to producing regions in the Center-South of Brazil is well documented in the literature, whereas price transmission to the new agricultural frontiers in the North and Northeast of Brazil receive much less attention. In this paper we investigate soybeans and corn price transmission between the Center-South region, represented by the Esalq/BM&F Indicator, and the states of Maranhão, Tocantins, Piauí and Bahia, and also between these states themselves. In addition, we sought to identify the occurrence of positive and negative, short- and long-term asymmetries. For this purpose, we used the error correction model (VECM) and the nonlinear autoregressive model with distributed lags (NARDL). Our results show that asymmetries in corn price transmission are concentrated in the long run, with a predominance of negative asymmetry when it happens from the Center-South to the Northern states. In the case of soybeans, there was also a predominance of negative asymmetry, but they are concentrated in the short run.

Keywords: price transmission; asymmetries; NARDL

1. Introdução

O Brasil se encontra entre os maiores produtores de grãos do mundo. Uma parte significativa desse sucesso se deve a um somatório de fatores: o investimento em manejo de culturas, em mecanização, em irrigação, em correção química do solo, em agricultura de precisão, dentre outros. Apesar dos ganhos em produtividade, é notória também a expansão da área plantada desde a década de 1960 (Sentelhas et al., 2015).

Uma das mais novas regiões de expansão da cultura de grãos – nomeadamente soja e milho – cobre uma área contígua de terra que compreende o estado do Tocantins (na região Norte) e parte dos estados do Maranhão, Piauí e Bahia (região Nordeste). A região do Matopiba – nome criado a partir das iniciais de cada estado – é conhecida por sua infraestrutura precária e por terras relativamente baratas. Uma das características que distingue a região das demais é sua localização em baixas latitudes, o que expõe a região a temperaturas relativamente mais altas do que nas regiões mais tradicionais de cultura de grãos do Centro-Sul do país. A região do Matopiba está quase exclusivamente inserida no bioma cerrado e suas características climáticas e topográficas favorecem a agricultura de sequeiro (Araújo et al., 2019).

A crescente importância da região do Matopiba no contexto da produção brasileira de grãos pode ser evidenciada pelo expressivo aumento da área plantada, sobretudo da área dedicada ao plantio da soja. No ano 2000, cerca de 1 milhão de hectares haviam sido semeados com soja na região do Matopiba. Duas décadas depois, essa área havia quase quintuplicado. A produção de grãos na região também tem contribuído significativamente com o aumento da produção nacional. No caso da soja, a produção da região do Matopiba praticamente duplicou sua representatividade na produção nacional, saindo de cerca de 6% no início da década de 2000 para cerca de 12% ao fim da década de 2010. No caso do milho, esta variação foi de 4% para pouco mais de 8%.

Dessa forma, fica evidente que a esta região vem se consolidando como uma nova área de fronteira agrícola no Brasil. No entanto, muito pouco ainda se sabe a respeito das características próprias do mercado de grãos dessa região. Uma questão em particular está relacionada ao grau de integração dos mercados estaduais de grãos e a como se dá a transmissão de preços: (i) entre a região Centro-Sul e a região de fronteira agrícola e (ii) entre os estados que compõem a região de fronteira. Embora existam na literatura trabalhos que abordem a transmissão de preços de commodities agrícolas entre diversas regiões brasileiras, nota-se que as regiões Norte e Nordeste continuam pouco estudadas. Neste sentido, este artigo se propõe a contribuir para a literatura ao investigar a existência de transmissão de preço da soja e milho entre os mercados do Centro-Sul e os estados do Maranhão, Tocantins, Piauí e Bahia. Analisam-se também neste artigo as assimetrias na transmissão de preço e sua decomposição em efeitos positivos e negativos, de curto e longo prazo. Este nível de detalhamento é escasso na literatura nacional sobre transmissão de preços de commodities agrícolas e, ao incorporá-lo, este estudo contribui para enriquecer o conhecimento acumulado até aqui.

A dinâmica de formação dos preços agrícolas é sensível a choques de oferta, à sazonalidade, às condições climáticas, à perecibilidade dos próprios produtos, entre outros fatores. No processo de formação de preços, a existência de mercados eficientes que permitam que as sinalizações de preço sejam rapidamente transmitidas são essenciais para a alocação ótima de recursos. Assim sendo, conhecer a forma como se dá a transmissão de preço de commodities agrícolas entre diferentes regiões é de fundamental importância para o bom entendimento desses mercados, tanto por parte dos produtores quanto por parte dos formuladores de políticas públicas para a agricultura. A partir desse conhecimento, é possível desenvolver intervenções a fim de estabilizar a renda dos produtores, melhor administrar crises de mercado e aumentar a sustentabilidade do setor.

Além desta introdução, este trabalho está estruturado da seguinte forma: na seção 2 serão analisados os principais trabalhos que tratam da transmissão horizontal de preço na literatura especializada. A seção 3 detalha as duas metodologias utilizadas neste estudo, o modelo de correção de erros e o modelo NARDL, e também explica a origem dos dados, juntamente com a análise descritiva preliminar. A seção 4 apresenta os resultados do modelo de correção de erros e os resultados do modelo NARDL. Por fim, a seção 5 conclui este trabalho sumarizando os principais resultados.

2. Fundamentação Teórica

A análise de transmissão horizontal (ou espacial) de preços é fundamentada na hipótese de que, na ausência de imperfeições ou fricções em dado mercado, o ajustamento de preços se dará de forma simétrica entre as regiões que compõem este mesmo mercado. Neste contexto vigora a Lei do Único Preço, segundo a qual o preço de um mesmo bem em diversas regiões de um mesmo mercado deve convergir para um único valor, sendo os desvios explicados pelo custo de transportar o bem de uma região para outra (Pippenger & Phillips, 2008; Santeramo, 2015).

Existem diversos fatores que podem levar os preços a não se ajustarem de forma simétrica, como, por exemplo, a assimetria informacional entre as regiões, o grau de concentração de mercado entre as diferentes regiões, a diferença de inventário entre as regiões, o grau de organização dos produtores rurais, infraestrutura precária, entre outros (Zanin et al., 2020). Em todos os casos há perda líquida de bem-estar social decorrente das potenciais falhas de mercado existentes (Meyer & von Cramon-Taubadel, 2004).

A transmissão de preços de uma região para outra pode ser classificada quanto à sua intensidade e velocidade, e também quanto ao espaço de tempo considerado, podendo-se analisar a transmissão no curto prazo e no longo prazo (Meyer & von Cramon-Taubadel, 2004; Frey & Manera, 2007). No caso da intensidade da transmissão de preços, utiliza-se usualmente a elasticidade de transmissão, de forma que quanto mais próxima da unidade for a elasticidade, mais completa é a transmissão de preços de uma região para outra.

A transmissão de preços pode ainda ser analisada em sua simetria, ou seja, de acordo com a intensidade com que aumentos e reduções de preços são transmitidos de uma região para outra (Ogino, 2022). Segundo Meyer & von Cramon-Taubadel (2004), quando o preço de uma commodity em uma dada região reage mais a diminuições do que a aumentos de preço em outra região, diz-se que há assimetria negativa. De forma análoga, quando o preço de uma commodity reage mais a aumentos do que a diminuições de preço em outra região, diz-se que há assimetria positiva.

Existem ainda situações específicas em que o governo intervém nos mercados, como, por exemplo, com políticas de preços mínimos ou quotas, em que se pode encontrar elasticidades de transmissão que superam a unidade (Bredahl et al., 1979).

Há uma ampla variedade de estudos sobre transmissão de preços de commodities agrícolas na literatura internacional, com muitos temas transversais emergentes, como intervenção governamental, variáveis climáticas, commodities perecíveis, entre outros. Sobre a transmissão de preços de produtos perecíveis, Santeramo (2015) analisou a transmissão de preços de tomates e couves-flores entre os países da União Europeia. Após análise utilizando um modelo threshold com assimetrias, o autor conclui que, na maioria das praças analisadas, não houve transmissão simétrica de preço nem no mercado de tomates, nem no de couves-flores.

No que diz respeito à relação entre transmissão de preços e intervenção governamental, Mai et al. (2018) analisaram a transmissão de preço vertical do café robusta no Vietnam após uma série de reformas liberalizantes introduzidas pelo governo. Para tanto, os autores utilizaram um modelo de correção de erros com thresholds. Entre os resultados encontrados está uma maior simetria entre os preços de exportação e os preços recebidos pelos produtores no país após as reformas. Nesse mesmo sentido, Antonioli & Santeramo (2021) analisaram o impacto de duas reformas liberalizantes introduzidas no âmbito do setor de lácteos da União Europeia sobre a cadeia de suprimentos de leite italiana. Após estimarem um modelo de correção de erros, os autores concluíram que, embora a transmissão de preço tenha ficado mais lenta, as assimetrias diminuíram.

Em relação à transmissão horizontal de preços, Boffa & Varela (2019) estudam o nível de integração dos mercados de uma cesta de commodities na Índia utilizando um modelo de regressões multivariadas e rejeitaram sistematicamente a hipótese de que a lei do preço único vigora nesses mercados. Existe transmissão espacial de preços, porém com alto grau de heterogeneidade. Os autores explicam que investimentos em infraestrutura de transporte poderiam contribuir para aumentar o nível de integração dos mercados e acelerar a transmissão de preços.

Svanidze & Götz (2019) investigaram o nível de integração entre os mercados de trigo da Rússia utilizando um modelo de correção de erros com thresholds (TVECM) e concluíram que eles são pouco integrados, havendo dois clusters distintos, um voltado para a exportação e outro para a produção doméstica, com pouca conexão entre os dois. Ozturk (2020), também utilizando um modelo de correção de erros, analisou a transmissão horizontal do preço de grãos dos mercados internacionais para os mercados turcos, não encontrando cointegração para os mercados de arroz. Os mercados de trigo, soja, milho e cevada, no entanto, apresentaram cointegração fraca com os mercados internacionais. Em ambos os casos, os autores argumentam que altos custos de comercialização e políticas protecionistas podem reduzir a transmissão de preços dos mercados externos para os mercados domésticos.

A transmissão horizontal de preços de produtos agrícolas no Brasil tem sido objeto de vários estudos, sendo a maior parte deles dedicada à análise da transmissão de preços do exterior, em especial da Bolsa de Chicago, para as regiões produtoras do Centro-Sul do país.

Nesse sentido, Lovadine & Bacchi (2005) concluíram que houve transmissão de preço contemporânea entre o preço do grão de soja na Bolsa de Chicago e os preços domésticos da soja (Cepea) entre 1999 e 2004, resultado este confirmado por Diehl & Bacchi (2006), analisando o período entre 2000 e 2004.

Silva & Machado (2009) encontram uma relação de equilíbrio de longo prazo entre o preço da soja no Brasil e nos Estados Unidos entre 1997 e 2007. Presotto et al. (2018) verificaram a existência de transmissão de preço da soja da Bolsa de Chicago para as regiões produtoras de Passo Fundo (Rio Grande do Sul), Maringá (Paraná) e Rondonópolis (Mato Grosso) e concluíram positivamente. Todos os trabalhos utilizaram modelos de correção de erros (VECM), à exceção de Diehl & Bacchi (2006), que estimaram um modelo ARMA.

Mais recentemente, Ogino (2022), utilizando o modelo NARDL, analisou a transmissão de preço da soja da Bolsa de Chicago para o preço de exportação da soja FOB (free on board) no Brasil e verificou a existência de assimetria positiva, ou seja, choques positivos no preço da soja em Chicago são transmitidos ao preço de exportação FOB no Brasil mais intensamente do que os choques negativos. Verificou-se também assimetria positiva na transmissão de preço do porto de Paranaguá para as regiões produtoras do Norte do Paraná, Oeste do Paraná, Passo Fundo (Rio Grande do Sul), Rio Verde (Goiás) e Sorriso (Mato Grosso).

Em relação à transmissão de preços em nível nacional, Sousa & Campos (2009), utilizando um modelo de vetores autorregressivos (VAR), verificaram a existência de transmissão quase perfeita de variações de preço da soja no Rio Grande do Sul para os estados do Paraná e Mato Grosso entre os anos de 2001 e 2008, constatando-se, assim, elevado nível de integração do mercado de soja na região Centro-Sul. Em estudo mais recente, Ikeda (2015), utilizando um modelo de correção de erros (VECM), analisou a transmissão de preço da soja do porto de Paranaguá (Paraná) para a região de Sorriso (Mato Grosso), entre 2004 e 2013. Apesar de a elasticidade de transmissão ter sido significativa e alta durante todo o período analisado, ela sofreu redução significativa a partir do 2007, quando o porto de Santarém começou a ser uma opção de escoamento da produção para os produtores do Mato Grosso.

O mercado de milho tem características que o distingue do mercado de soja. Entre elas, pode-se citar a alta sensibilidade aos choques regionais de oferta e demanda e da maior importância do mercado interno em relação ao externo em seu processo de formação de preço (Sanches et al., 2018).

Os estudos sobre transmissão de preço de milho reforçam essas características. Westerich-Filho (2014) investigou o grau de integração do mercado de milho nas regiões Sul e Centro-Oeste, concluindo que há significativa transmissão de preços entre os mercados de Goiás, Mato Grosso, Paraná, Rio Grande do Sul e Santa Catarina, sendo que este último exerce grande influência na formação de preço dos demais estados. O autor encontrou também significativa comunicação dos preços futuros de milho cotados na BM&F (atual B3) e os preços dos mercados estaduais analisados.

Nesse mesmo sentido, Sanches et al. (2018) analisaram a transmissão de preços da região de Campinas (São Paulo), que é base para o contrato futuro de milho da B3, para diversas regiões brasileiras nos estados de Goiás, Mato Grosso, Mato Grosso do Sul, Paraná, Santa Catarina, Bahia e Minas Gerais, entre 2008 e 2016. Os autores concluíram que existe cointegração e transmissão simétrica de preços entre Campinas e a maioria das regiões analisada. Ambos os trabalhos utilizaram modelos de correção de erros.

Costa Junior et al. (2016), utilizando um modelo de correção de erros (VECM), verificaram a existência de transmissão de preços do milho entre diversas regiões produtoras do estado do Mato Grosso e o porto de Paranaguá entre 2009 e 2015. Concluiu-se que, embora se tenha constatado transmissão de preço entre todas as regiões produtoras do estado, sinalizando assim um mercado estadual integrado, apenas as regiões de Canarana, Lucas do Rio Verde e Sapezal apresentaram relações de longo prazo com Paranaguá. Além disso, a transmissão de preço se deu de forma unidirecional do porto para as regiões produtoras.

Miranda (2016) investigou a transmissão do preço de milho entre os estados do Tocantins, Maranhão, Piauí e Bahia, e entre esses estados e o Mato Grosso e Paraná, principais produtores da commodity. O autor, que analisou as séries de preço de milho entre os anos de 2005 e 2016, também utilizando um modelo de correção de erros (VECM), encontrou transmissão de preço entre os estados do Matopiba e o Paraná, mas não entre os estados do Matopiba e o estado do Mato Grosso. Além disso, o autor conclui que os mercados de milho dos estados do Matopiba têm um grau relativamente alto de integração.

Observa-se que, de forma geral, a maior parte dos estudos de transmissão de preço de soja e milho se concentram na análise da transmissão entre o preço da commodity dos Estados Unidos para o Brasil e entre as regiões Centro-Sul do Brasil. Poucos estudos abordam os estados do Maranhão, Tocantins, Piauí e Bahia. Dessa forma, pretende-se, com este estudo, contribuir para estreitar este hiato na literatura sobre transmissão de preços de commodities agrícolas no Brasil, fornecendo ainda uma análise mais detalhada sobre as assimetrias de transmissão, decompondo-as em positiva e negativa e de curto e longo prazos.

3. Metodologia

Para a análise empírica da assimetria de transmissão de preços de soja e milho entre o Indicador Esalq/BM&F e os estados do Maranhão, Tocantins, Piauí e Bahia e, também, entre os próprios estados, optou-se por dois modelos de séries temporais. Primeiramente, aplicou-se pelo modelo de correção de erros (VECM), de forma a se obter as elasticidades de transmissão de preço e os termos de erro. Posteriormente, a fim de analisar mais detalhadamente as assimetrias na transmissão de preço, aplicou-se o modelo autorregressivo não linear de defasagens distribuídas (NARDL), proposto por Shin et al. (2014). Os dois modelos são brevemente descritos a seguir:

Modelo de Correção de Erros

O modelo de correção de erros requer que as séries de preço sejam cointegradas. O modelo de correção de erros, em sua forma convencional, pode ser descrito da seguinte forma:

Δ y_{t} = α + \partial_{1} Δ y_{t - 1} + \partial_{2} Δ y_{t - 2} + \dots + \partial_{p - 1} Δ x_{t - p + 1} - A z_{t - 1} + ε_{t}

onde $y$ é a variável preço do milho (soja) do estado de interesse ou do Indicador, $x$ é a variável preço do milho (soja) do outro estado ou do Indicador; $Δ$ indica primeira diferença da variável que o acompanha; $\partial_{i}$ são os coeficientes de ajustamento no curto prazo; $z_{t - 1}$ é o termo de erro, e $A$ é a matriz de coeficientes das relações de longo prazo. Além disso, $α$ é uma constante e $ε_{t}$ é o termo de erro.

Neste artigo, o modelo de correção de erros foi estimado para pares de estados, totalizando 6 pares para o mercado de soja e igualmente 6 pares para o mercado de milho.

Modelo Autorregressivo Não Linear de Defasagens Distribuídas (NARDL)

O modelo NARDL, proposto por Shin et al. (2014) como uma extensão dos modelos ARDL de Pesaran et al. (2001), tem como principal vantagem o fato de não exigir que as relações de longo prazo entre as variáveis de interesse sejam lineares. Além disso, o modelo NARDL permite identificar corretamente as assimetrias de curto e longo prazo na transmissão de preços a partir de choques positivos e negativos. Em sua forma mais simples, o modelo NARDL pode ser descrito como:

Δ y_{t} = ρ y_{t - 1} + θ^{+'} x_{t - 1}^{+} + θ^{-'} x_{t - 1}^{-} + \sum_{j = 1}^{p - 1} α_{j} Δ y_{t - j} + \sum_{j = 0}^{q - 1} (π_{j}^{+'} Δ x_{t - j}^{+} + π_{j}^{-'} Δ x_{t - j}^{-}) + ε_{t}

Onde $y$ é o preço do milho (soja) em um estado ou Indicador e $x$ é o preço do milho (soja) em outro estado ou Indicador. Além disso, $ρ$ e $θ$ são os coeficientes de longo prazo; $α_{j}$ e $π_{j}$ são os coeficientes de curto prazo; $p$ e $q$ são as defasagens ótimas, $x_{t}^{+}$ e $x_{t}^{-}$ são processos de somas parciais definidos em $x_{t}$ .

Adicionalmente, são feitos o teste de Banerjee et al. (1998), que testa a existência de relação de longo prazo entre as variáveis ( $H_{0} : ρ = 0; H_{A} : ρ < 0$ ) e o teste de Pesaran et al. (2001), que testa se os parâmetros como um todo são nulos ( $H_{0} : ρ = θ^{+} = θ^{-} = 0; H_{A} : ρ \neq θ^{+} \neq θ^{-} \neq 0$ ).

Ademais, realizou-se o teste de padrão de Wald para analisar a presença de simetria de curto prazo ( $H_{0} : \sum_{j = 0}^{q - 1} π_{J}^{+} = \sum_{j = 0}^{q - 1} π_{j}^{-}$ ) e de longo prazo ( $H_{0} : {\hat{β}}^{+} = - \frac{{\hat{θ}}^{+}}{ρ} = {\hat{β}}^{-} = - \frac{{\hat{θ}}^{-}}{ρ}$ ).

Para definir o número de lags ótimos para o modelo NARDL, foi utilizado o método Stepwise. Este método seleciona apenas os lags cujos coeficientes estimados apresentaram significativos até o nível de 10% de probabilidade.

Dados

As séries de dados referentes aos preços de soja e milho para os estados do Maranhão, Tocantins, Piauí e Bahia têm frequência semanal e abrangem o período entre 06 de janeiro de 2014 e 16 de setembro de 2022. Os preços são referentes à saca de 60kg e foram fornecidos pela Companhia Nacional de Abastecimento (CONAB). As séries de preço de milho e soja são as médias mensais dos preços pagos aos produtores nos respectivos estados.

O mercado de grãos do Centro-Sul brasileiro pode ser representado pelos Indicadores Esalq/BM&F de milho e soja. Os dados referentes aos Indicadores Esalq/BM&F foram coletados no site do Centro de Estudos Avançados em Economia Aplicada (Cepea/Esalq/USP). Os dados originais do Indicador têm frequência diária, a partir dos quais se computaram as médias semanais e também são referentes à saca de 60kg.

O Indicador Milho Esalq/BM&F é uma média dos preços de milho amarelo tipo 2, em bom estado de conservação, em concordância com os termos especificados no contrato futuro de milho da B3. A região de referência para o Indicador Milho é Campinas-SP. O Indicador Soja Esalq/BM&F é a média aritmética do preço da soja comercializada no porto de Paranaguá-PR. A soja em questão é a soja brasileira a granel, tipo exportação, em conformidade com o contrato futuro de soja com liquidação financeira da B3.

O período analisado é o maior período para o qual os dados estão disponíveis, sendo janeiro de 2014 o início da série histórica e setembro de 2022 o último mês para o qual os dados estavam disponíveis. Os dados não foram deflacionados, tendo sido, portanto, utilizados em sua forma original.

4. Resultados e Discussão

Nesta seção são apresentadas as estatísticas descritivas dos dados, bem como os testes preliminares de tratamento de séries temporais. Após os testes são apresentados os resultados dos modelos descritos na seção anterior. As estatísticas descritivas estão reportadas na Tabela 1.

	Observações	Média	Desvio-Padrão	Mínimo	Máximo
*Milho*
MA	454	46,03	18,35	25,40	90
TO	454	40,78	19,19	18,36	99,60
PI	454	43,83	19,37	18,86	92,45
BA	454	42,13	19,13	19,03	89,75
Indicador	454	48,60	23,47	21,85	103,53
*Soja*
MA	454	91,16	40,45	51,39	189
TO	454	89,15	40,12	53,12	182,17
PI	454	88,28	39,79	50	184
BA	454	86,20	37,58	50	182,42
Indicador	454	101,75	42,49	61,05	205,30

	PP				ADF
	Nível		Primeira Diferença		Nível		Primeira Diferença
Milho	Estatística	p-valor	Estatística	p-valor	Estatística	p-valor	Estatística	p-valor
Maranhão	-0,962	0,767	-22,550	0,000	-0,897	0,788	-22,543	0,000
Tocantins	-0,804	0,817	-19,538	0,000	-0,718	0,842	-19,547	0,000
Piauí	-0,610	0,868	-17,582	0,000	-0,212	0,937	-17,197	0,000
Bahia	-0,701	0,846	-16,499	0,000	-0,338	0,919	-16,215	0,000
Soja
Maranhão	0,347	0,979	-22,958	0,000	0,090	0,965	-22,765	0,000
Tocantins	0,429	0,982	-20,348	0,000	0,665	0,989	-20,181	0,000
Piauí	-0,082	0,951	-23,868	0,000	-0,418	0,907	-23,362	0,000
Bahia	0,324	0,978	-24,640	0,000	-0,158	0,943	-23,856	0,000

	r=0	r=1	Valor crítico a 5%
*Milho*
Indicador-Maranhão		0,6038	3,76
Indicador-Tocantins		0,5161	3,76
Indicador-Piauí		0,4479	3,76
Indicador-Bahia		0,4714	3,76
Maranhão-Tocantins		0,5964	3,76
Maranhão-Piauí		0,4836	3,76
Maranhão-Bahia		0,2987	3,76
Tocantins-Piauí		0,5686	3,76
Tocantins-Bahia		0,6386	3,76
Piauí-Bahia		0,6698	3,76
*Soja*
Indicador-Maranhão		0,1343	3,76
Indicador-Tocantins		0,2229	3,76
Indicador-Piauí	14,6005		15,41
Indicador-Bahia		0,0543	3,76
Maranhão-Tocantins		0,2938	3,76
Maranhão-Piauí		0,1308	3,76
Maranhão-Bahia		0,2339	3,76
Tocantins-Piauí		0,0000	3,76
Tocantins-Bahia		0,166	3,76
Piauí-Bahia		0,0833	3,76

	Defasagem	Valor do Teste	P-valor	Conclusão
Indicador $\to$ MA	2	80,134	0,000	Sim
MA $\to$ Indicador	2	0,57777	0,447	Não
Indicador $\to$ TO	3	50,917	0,000	Sim
TO $\to$ Indicador	3	1,0435	0,307	Não
Indicador $\to$ PI	9	103,59	0,000	Sim
PI $\to$ Indicador	9	14,222	0,115	Não
Indicador $\to$ BA	17	117,57	0,000	Sim
BA $\to$ Indicador	17	33,081	0,011	Sim
MA $\to$ TO	2	12,875	0,002	Sim
TO $\to$ MA	2	75,192	0,000	Sim
MA $\to$ PI	4	21,24	0,000	Sim
PI $\to$ MA	4	56,673	0,000	Sim
MA $\to$ BA	8	17,854	0,022	Sim
BA $\to$ MA	8	53,215	0,000	Sim
TO $\to$ PI	14	92,548	0,000	Sim
PI $\to$ TO	14	78,272	0,000	Sim
TO $\to$ BA	8	60,782	0,000	Sim
BA $\to$ TO	8	22,311	0,004	Sim
PI $\to$ BA	8	6,071	0,000	Sim
$B A \to P I$	8	4,674	0,000	Sim

Direção do Efeito	Defasagem	Valor do Teste	P-valor	Conclusão
Indicador $\to$ MA	3	39,917	0,000	Sim
MA $\to$ Indicador	3	3,6536	0,301	Não
Indicador $\to$ TO	3	66,295	0,000	Sim
TO $\to$ Indicador	3	7,3681	0,061	Não
Indicador $\to$ PI	3	75,513	0,000	Sim
PI $\to$ Indicador	3	1,5539	0,67	Não
Indicador $\to$ BA	3	99,849	0,000	Sim
BA $\to$ Indicador	3	3,1582	0,368	Não
MA $\to$ TO	5	8,7427	0,120	Não
TO $\to$ MA	5	32,391	0,000	Sim
MA $\to$ PI	3	10,372	0,016	Sim
PI $\to$ MA	3	23,915	0,000	Sim
MA $\to$ BA	2	5,9016	0,052	Não
BA $\to$ MA	2	27,973	0,000	Sim
TO $\to$ PI	5	22,504	0,000	Sim
PI $\to$ TO	5	78,867	0,000	Sim
TO $\to$ BA	4	14,439	0,006	Sim
BA $\to$ TO	4	72,852	0,000	Sim
PI $\to$ BA	3	2,5803	0,053	Não
$B A \to P I$	3	18,799	0.000	Sim

	Indicador	Maranhão	Tocantins	Piauí	Bahia
Indicador		0,8166^***	0,9847^***	0,9245^***	0,9511^***
Maranhão	1,2245^***		1,2043^***	1,1315^***	1,1667^***
Tocantins	1,0155^***	0,8303***		0,9368^***	0,9650^***
Piauí	1,0815^***	0,8837^***	1,0673^***		1,0288^***
Bahia	1,0513^***	0,8571^***	1,0362^***	0,9720^***

	Indicador	Maranhão	Tocantins	Piauí	Bahia
Indicador		0,0545^***	0,0938***	0,0920^***	0,0899^***
Maranhão	0,0055		0,0170^*	0,0363**	0,0248*
Tocantins	0,0052	-0,0678^***		0,1165^***	0,0761^***
Piauí	0,0058	-0,0638^***	-0,0598^**		0,0293
Bahia	-0,001	-0,0609^***	-0,1067^***	-0,1105^***

	Indicador	Maranhão	Tocantins	Piauí	Bahia
Indicador		1,0703^***	1,0790^***	1,0612^***	1,0268^***
Maranhão	0,9343^***		1,0106^***	0,9931^***	0,9570^***
Tocantins	0,9268^***	0,9895^***		0,9920^***	0,9550^***
Piauí	0,9424^***	1,0070^***	1,0081^***		0,9647^***
Bahia	0,9739^***	1,0449^***	1,0472***	1,0366^***

	Indicador	Maranhão	Tocantins	Piauí	Bahia
Indicador		0,0943^***	0,0933^***	0,1340^***	0,1577^***
Maranhão	-0,0063		0,0494^***	0,0814^***	0,0685^**
Tocantins	-0,0146	-0,0743^***		0,1631^***	0,1315^***
Piauí	-0,0408	-0,0950^***	-0,1624***		0,1638^***
Bahia	-0,0026	-0,0629^**	-0,0526**	-0,0793

Assimetria de Curto Prazo						Assimetria de Longo Prazo
	Indicador	Maranhão	Tocantins	Piauí	Bahia		Indicador	Maranhão	Tocantins	Piauí	Bahia
Indicador		2,112	8,960^***	0,034	9,967^***	Indicador		23,130^***	16,63^***	14,69^***	6,132^**
Maranhão	7,688^***		4,514**	3,700*	0,056	Maranhão	17,500^***		14,190^***	19,770^***	15,120^***
Tocantins	0,376	10,570^***		0,214	0,155	Tocantins	47,380^***	3,782^*		0,103	3,359^*
Piauí	3,544^*	0,019	7,716^***		0,781	Piauí	33,39^***	0,6636	5,211**		4,169^**
Bahia	13,710^***	0,437	3,412^*	0,093		Bahia	25,82***	2,938^*	0,9045	0,1795

Efeito Positivo						Efeito Negativo
	Indicador	Maranhão	Tocantins	Piauí	Bahia		Indicador	Maranhão	Tocantins	Piauí	Bahia
Indicador		-0,008	0,927	0,357	0,335	Indicador		-0,266	0,236	-0,378	-
Maranhão	0,109		-	0,060	0,162	Maranhão	-		0,124	0,317	0,187
Tocantins	0,654	-0,221		0,203	0,227	Tocantins	0,165	0,203		0,259	0,276
Piauí	0,077	0,234	0,208		0,280	Piauí	-	0,218	-0,163		0,409
Bahia	-0,094	0,255	0,311	0,551		Bahia	0,189	0,171	0,054	0,602

Efeito Positivo						Efeito Negativo
	Indicador	Maranhão	Tocantins	Piauí	Bahia		Indicador	Maranhão	Tocantins	Piauí	Bahia
Indicador		1,106^***	1,128^***	1,082^***	1,065^***	Indicador		-1,236^***	-1,193^***	-1,151^***	-1,114^***
Maranhão	0,200^***		0,834^***	0,878^***	0,864^***	Maranhão	-		-0,742***	-0,809^***	-0,788^***
Tocantins	0,273^***	0,925^***		0,920^***	0,887^***	Tocantins	-	-0,976^***		-0,916^***	-0,859^***
Piauí	0,298^***	0,916^***	0,970^***		0,873^***	Piauí	-	-0,945^***	-0,933^***		-0,813^***
Bahia	0,224^***	0,945^***	1,011^***	0,986^***		Bahia	-	-0,988^***	-1,001^***	-0,992^***

Assimetria de Curto Prazo						Assimetria de Longo Prazo
	Indicador	Maranhão	Tocantins	Piauí	Bahia		Indicador	Maranhão	Tocantins	Piauí	Bahia
Indicador		0,188	2,771*	1,469	2,789^*	Indicador		0,026	1,405	0,2929	1,842
Maranhão	0,203		1,132	2,59	0,149	Maranhão	30,98^***		1,125	0,9321	0,888
Tocantins	0,002	12,890***		10,390^***	10,900^***	Tocantins	4,971^**	2,87^*		2,649	0,186
Piauí	7,334^***	18,110^***	4,959^**		1,863	Piauí	5,606^**	2,652	0,827		0,350
Bahia	0,207	23,840^***	6,161^**	0,028		Bahia	5,594**	5,08^**	1,391	2,819^*

Efeito Positivo						Efeito Negativo
	Indicador	Maranhão	Tocantins	Piauí	Bahia		Indicador	Maranhão	Tocantins	Piauí	Bahia
Indicador		1,138	0,402	0,438	1,066	Indicador		1,017	0,714	0,785	1,581
Maranhão	0,195		0,221	0,521	0,248	Maranhão	0,162		0,130	-	0,179
Tocantins	0,298	0,950		0,625	0,101	Tocantins	0,294	0,265		-0,315	0,936
Piauí	0,310	0,468	0,377		0,452	Piauí	0,092	-	0,198		0,278
Bahia	0,250	0,578	0,208	0,931		Bahia	0,217	0,191	0,439	0,895

Assimetria na transmissão de preço de grãos em novas regiões de fronteira agrícola

Asymmetric grain price transmission in new agricultural frontiers

Resumo

Abstract

1. Introdução

2. Fundamentação Teórica

3. Metodologia

Modelo de Correção de Erros

Modelo Autorregressivo Não Linear de Defasagens Distribuídas (NARDL)

Dados

4. Resultados e Discussão

Resultados do Modelo de Correção de Erros

Resultados do Modelo NARDL

5. Conclusões

Referências

Datas de Publicação

Histórico