Área 04: Economia Agrária e Ambiental

Evidências Antropogênicas e Geográficas na Ocorrência dos Focos de Calor na América do Sul e Amazônia Internacional1

Wesley Leitão de Sousa Doutorando em Economia pela Universidade Federal do Ceará (UFC), Avenida da Universidade 2762, Benfica, Fortaleza, Ceará, 60.020-181, Brasil. E-mail: wesleyleitao@alu.ufc.br. Telefone: (85) 98884-5470

Guilherme IrffiProfessor do Departamento de Economia Aplicada e do Programa de Pós-Graduação em Economia (CAEN) na UFC, Avenida da Universidade 2762, Benfica, Fortaleza, Ceará, 60.020-181, Brasil. E-mail: irffi@caen.ufc.br. Telefone: (85) 3366-7751

1 Agradecemos os comentários e sugestões de Ana Karine J. Costa, Angélica Caitano, Isabela Sales, Larissa Carneiro, Larissa Mota, Letícia Feitosa, Moisés Dias e Pedro Veloso. Erros e omissões são de nossa responsabilidade. Wesley Leitão de Sousa agradece o apoio financeiro da FUNCAP, enquanto Guilherme Irffi agradece ao CNPq.

1

Área 04: Economia Agrária e Ambiental

Evidências Antropogênicas e Geográficas na Ocorrência dos Focos de Calor na América do Sul e Amazônia Internacional

ResumoO presente artigo discute os fatores relacionados à ocorrência dos focos de calor na América do Sul e Amazônia Internacional a partir de um painel de dados para os países de 2000 a 2016. Os focos de calor se apresentam a partir de uma contagem anual, enquanto as características estão relacionadas ao meio biofísico, uso da terra, demografia e economia dos países de 2000 a 2016. Analisando os resultados dos modelos de contagem em painel, verifica-se que a cobertura florestal e a mudança anual de temperatura conduzem a ocorrência dos focos na América do Sul, assim como a densidade populacional e o PIBpc favorecem estes eventos na Amazônia Internacional. Por outro lado, o nível de emprego reduz esses episódios. Em função dos resultados, a cooperação interpaíses pode contribuir para mitigar os efeitos das mudanças climáticas e a proteção do bioma Amazônico, por meio da geração de empregos e inserção de pessoas no mercado de trabalho para redução dos focos de calor.Palavras-Chave: América do Sul, Floresta Amazônica, Focos de Calor, Incêndios Florestais. Classificação JEL: Q01, Q34, Q50, Q57, C23.

Anthropogenic and Geographic Evidence on the Occurrence of Fire Hotspots in South America and the International Amazon

AbstractThis article discusses the factors related to the occurrence of fire hotspots in South America and the International Amazon, using panel data for the countries from 2000 to 2016. The fire hotspots are presented through an annual count, while the characteristics are related to countries' biophysical environment, land use, demography, and economy from 2000 to 2016. Analyzing the results of the panel count data models, we verify that the forest cover and the annual temperature change lead to the occurrence of outbreaks in South America, just as population density and GDPpc favor these events in the International Amazon. On the other hand, the level of employment reduces these episodes. From these results, we conclude that intercountry cooperation can contribute to mitigating the effects of climate change and to the protection of the Amazon biome, by creating jobs and inserting people in the labor market to reduce fire hotspots.Keywords: South America, Amazon Rainforest, Fire Hotspots, Forest Fires.JEL Classification: Q01, Q34, Q50, Q57, C23.

2

1. IntroduçãoA diversidade dos biomas na América do Sul propicia a ignição dos focos de calor e a

propagação dos grandes incêndios florestais. Em quase três décadas, 1990 a 2017, as áreas florestais na América do Sul foram reduzidas em quase 10% (FOOD AND AGRICULTURE ORGANIZATION OF THE UNITED NATIONS – FAO, 2020), não exclusivamente à atividade do fogo, mas também à expansão agropecuária. Nos biomas dos Campos e Savanas, a área das queimadas atingiu um tamanho de 195.362 km2 em 2017 (FAO, 2020), o equivalente ao território da Guiana.

Em 2019, os países da América do Sul e especificamente aqueles da Amazônia Internacional2 notificaram diversas queimadas deliberadas, sendo registrados 362 mil focos ativos de calor na América do Sul, com a contagem de 7,95 milhões entre 1998 a 2019. Entre 2018 e 2019 a taxa de crescimento dos focos de calor foi de 33,17%; 39,84% e 48,74% respectivamente para a América do Sul, Amazônia Internacional e Brasil (INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS – INPE, 2020).

Entre agosto e setembro de 2019, as queimadas na Amazônia brasileira atingiram o seu ápice com 24.944 km² e 16.253 km2 incendiados, respectivamente. Nos demais biomas (Caatinga, Cerrado, Mata Atlântica, Pampa e Pantanal), a extensão das queimadas alcançou 245.888 km2 (INPE, 2020), área superior ao território do Paraguai.

Em razão dos incêndios florestais3, inúmeros estudos investigam os antecedentes dos focos de calor (ANDERSEN & SUGG, 2019; PRESTEMON et al., 2019), sobretudo relacionados a indicadores antrópicos ou a aspectos geográficos. As características geográficas abrangem: condições climáticas (MURTHY et al., 2019), topografia (ANDERSEN & SUGG, 2019) e vegetação (BOUBETA et al., 2019). As causas humanas, por sua vez, reúnem a atividade agropecuária (BOUBETA et al., 2015; MARTÍNEZ-FERNÁNDEZ et al., 2013), a densidade populacional e de infraestrutura (PRESTEMON et al., 2019; SU et al., 2019a), educação (MICHETTI & PINAR, 2019; VADREVU et al., 2006) e indicadores econômicos (CHEN et al., 2014; GUO et al., 2016a).

Assim, a análise destas causas permite analisar a conservação dos recursos naturais e manutenção dos serviços ecossistêmicos. Neste âmbito, as florestas desempenham os serviços de produção de alimentos, madeira e combustível; conservação e regulação da água; retenção de nutrientes; sequestro de carbono; proteção da biodiversidade; regulação climática; ecoturismo; valores espirituais e tradicionais (AZNAR-SÁNCHEZ et al., 2018).

Em face ao apresentado, o objetivo geral é identificar os principais indicadores antrópicos e geográficos associados à propagação dos focos de calor na América do Sul e na região da Amazônia Internacional para o período de 2000 a 2016. Em termos específicos, esse artigo apresenta um panorama dos estudos que investigam esse tema, condensando informações sobre o meio biofísico, uso da terra, demografia e economia dos países sul-americanos.

Para alcançar esses objetivos, optou-se por dividir o artigo em cinco seções, incluindo essa introdução. A próxima dedica-se a expor os aspectos geográficos e as causas humanas para a ocorrência dos focos de calor e incêndios. A fonte e descrição dos dados, bem como o modelo empírico, são apresentados na terceira seção. Em seguida, são expostos, discutidos e analisados os resultados. Por fim, são apresentadas as conclusões.

2. Referencial Teórico

2 Compõem a Amazônia Internacional: Bolívia, Brasil, Colômbia, Equador, Guiana, Guiana Francesa, Peru, Suriname e Venezuela.3 Focos de calor não são necessariamente um foco de fogo ou um incêndio e sim qualquer temperatura acima de 47oC. Incêndios florestais são associados a um fogo sem controle que incide em qualquer tipo de vegetação.

3

A atividade dos incêndios e focos de calor ocorre da combinação de fatores antrópicos e de características biofísicas que potencializam ou limitam a presença humana ou de suas atividades. Neste sentido, a síntese destes fatores inicia-se com o meio biofísico, que se conecta à ocorrência dos focos de calor por meio das condições climáticas, aspectos vegetacionais e topografia.

Em relação à topografia, regiões de menor altitude (GUO et al., 2016a; ANDERSEN & SUGG, 2019) e com menor inclinação do terreno (NARAYANARAJ & WIMBERLY, 2012; OLIVEIRA et al., 2014) propiciam os focos e incêndios de natureza humana. Entretanto, estas considerações dependem da origem dos pontos de ignição. González-Olabarria et al. (2015) ratificam que incêndios associados a queima de pastagens e atividades florestais são localizados em regiões montanhosas. Por outro lado, incêndios criminosos (VASCONCELOS et al., 2001) e incêndios causados por negligência (JUAN et al., 2012; SERRA et al., 2013) ocorrem com mais frequência em declives planos ou moderados.

A cobertura vegetal tem relação direta com os focos de calor por causas antrópicas e naturais (ANDERSEN & SUGG, 2019; ELIA et al., 2019; PRESTEMON et al., 2019). Andersen e Sugg (2019) argumentam que as florestas proveem combustível para incêndios, o que se opõe às regiões desenvolvidas que dispõem de menos material inflamável. Os campos, caracterizado pela presença de herbáceas, gramíneas e pequenos arbustos, é amplamente relacionado com a geração dos focos de calor e incêndios (BOUBETA et al., 2019; ELIA et al., 2019).

Das condições meteorológicas, a ação dos ventos (AGEE, 1993; COSTAFREDA-AUMEDES et al., 2017), a baixa precipitação (COSTAFREDA-AUMEDES et al., 2017; MURTHY et al., 2019; SU et al., 2019a), a baixa umidade relativa do ar (PRESTEMON et al., 2019; XIAO et al., 2015; ZHANG & LIM, 2019), as descargas elétricas (MANN et al., 2016) e as temperaturas média e máxima (MICHETTI & PINAR, 2019; MURTHY et al., 2019; SU et al., 2019a; SU et al., 2019b; ZHANG & LIM, 2019) favorecem a ocorrência dos focos de calor e incêndios; enquanto a temperatura mínima reduz estes eventos (SONG et al., 2017).

Em relação aos indicadores antrópicos, destaca-se a conexão entre o uso da terra e incêndios florestais (BOUBETA et al., 2015; ELIA et al., 2019; MARTÍNEZ-FERNÁNDEZ et al., 2013; MORELLO et al., 2020; OLIVEIRA et al., 2012). Na agricultura, o fogo é empregado de forma intencional no gerenciamento e restauração das pastagens, práticas de pousio, e em conflitos criminosos ou atos de vandalismo. Os incêndios originados das atividades agrícolas descuidadas constituem as formas não intencionais (MARTÍNEZ-FERNÁNDEZ et al., 2013; MORELLO et al., 2020).

A pecuária desempenha papel crucial na geração dos focos de calor. Os incrementos no estoque de animais fomentam pontos de ignição, pois à medida que se requerem novas áreas de pastagem é comum o uso do fogo em sua expansão (BOUBETA et al., 2015; MORELLO et al., 2020; OLIVEIRA et al., 2012).

Além desses usos da terra, citam-se as propriedades rurais, nas quais um maior número de estabelecimentos agrícolas e de suas partições elevam os riscos atrelados à ignição dos incêndios (MARTÍNEZ-FERNÁNDEZ et al., 2013). Comenta-se ainda a contribuição das máquinas e utensílios agrícolas, identificada na literatura como proxy para intensidade do uso da terra (MARTÍNEZ-FERNÁNDEZ et al., 2013; RODRIGUES et al., 2014).

Dentre os indicadores demográficos, a densidade populacional é relacionada à ocorrência dos focos de calor (ALCASENA et al., 2016; CATRY et al., 2009; NUNES et al., 2016; PRESTEMON et al., 2019) e com um maior número de queimadas intencionais (PRESTEMON et al., 2019). O resultado não é unânime, Argañaraz et al. (2015) e Guo et al. (2016b) encontraram baixa frequência ou associação negativa com focos e incêndios. Para tal fato, Guo et al. (2016b) explicam que a relação contrária é advinda das grandes densidades

4

populacionais concentradas em cidades ou em áreas desenvolvidas com atividade industrial, baixa cobertura florestal e com menor percentual da população dedicada às atividades florestais.

A presença humana também é avaliada a partir de fatores espaciais como a extensão ou densidade da infraestrutura das estradas (MURTHY et al., 2019; SONG et al., 2017) e ferrovias (SU et al., 2019a) vinculadas aos focos de calor. Em termos de distância, há uma associação negativa entre localização dos focos de calor e distância para estradas (CATRY et al., 2009; ZHANG et al., 2016) e ferrovias (STURTEVANT & CLELAND, 2007; ZHANG et al., 2016).

Um maior percentual da população entre 25 e 64 anos com ensino superior, segundo Michetti e Pinar (2019), reduziu as áreas de queimadas e focos de calor na Itália. Para Vadrevu et al. (2006) maiores taxas de alfabetização estão associadas a uma menor ocorrência dos focos de calor no estado de Andhra Pradesh (Índia), ou seja, com níveis mais elevados de educação, os recursos naturais escassos, como as florestas, são protegidos. Em relação ao comportamento socioeconômico, Prestemon et al. (2019) observaram que uma maior quantidade de prisões reduz significativamente futuros incêndios ilegais e intencionais.

Para Chen et al. (2014) o nível de emprego reduz os riscos dos focos de calor e incêndios, pois a população empregada possui elevado custo de oportunidade e menor probabilidade de cometer atos criminosos. O nível de desemprego é positivamente relacionado aos focos, pois a variável é uma proxy para momentos de recessão econômica e pobreza, problemas socioeconômicos que reverberam em um aumento de conflitos que resultam em incêndios deliberados (OLIVEIRA et al., 2012; NUNES et al., 2016).

Indicadores econômicos e de degradação ambiental são comumente avaliados por meio da Curva de Kuznets Ambiental (CKA)4, estratégia que capta não linearidades entre as duas variáveis. Por esta razão, estudos observam relação positiva (MORELLO et al., 2020; SU et al., 2019b) ou negativa (GUO et al., 2016a, 2016b) entre o PIBpc e a ocorrência dos focos de calor.

Quanto à atividade florestal, Tasker e Arima (2016) e Rappaport et al. (2018) argumentam que as exportações de madeira é uma proxy para o seu nível de extração, que por sua vez podem se relacionar com os incêndios, dado que a transição entre interface florestal e agrícola ocorre após a captação do recurso. Morello et al. (2020) afirmam que a relação positiva entre degradação florestal e incêndios é também esperada para a extração de madeira.

Por fim, entende-se que a ocorrência dos focos de calor e incêndios é apresentada na literatura científica a partir de características geográficas e antrópicas distribuídas entre o meio biofísico (11), uso da terra (4), demografia (6) e economia (4). Desta forma, 10 variáveis reduzem os focos de calor, enquanto outras 15 potencializam seus efeitos (Tabela 1).

Tabela 1. Lista e comportamento das variáveis relevantes na ocorrência dos focos de calor.Meio Biofísico Uso da Terra Demografia EconomiaAltitude/Declividade (-)Campos/Florestas (+)Descargas elétricas (+)Precipitação (-)Temp. máxima/média(+)Temperatura mínima (-)Umidade relativa (-)Vel. dos ventos (+)

Agricultura (+)Máquinas e utensílios agrícolas (+)Pecuária (+)Prop. agrícolas (+)

Dens. populacional (+)Dens. de estradas e ferrovias (+)Dist. para estradas e ferrovias (-)Prisões (-)Taxa de alfabetização (-)% da pop. Entre 25 a 64 anos com ensino superior (-)

Comércio da madeira (+)Desemprego (+)Emprego (-)PIBpc (+/-)

Fonte: Elaborada com base nos dados da pesquisa.

3. Metodologia3.1 Região de estudo: América do Sul4 Para mais detalhes ver, Grossman e Krueger (1991, 1995).

5

A área de estudo compreende dez dos treze países5 da América do Sul, e um subconjunto de nações que formam a Amazônia Internacional (Figura 1). Os países que integram a área de estudo têm área total de 17,36 milhões de km2, com aproximadamente 35,5% destinadas às práticas agrícolas, em referência ao ano de 2016 (FAO, 2020).

A América do Sul é reconhecida pela diversidade de biomas; somente em sua porção central coexistem o Cerrado, Chaco, Floresta Atlântica Semidecidual e Pantanal (REZENDE et al., 2020). Além destes, incluem-se os biomas de Água Doce (DODDS et al., 2019), Caatinga (OLIVEIRA et al., 2020), Pampas (BENEDUZI et al., 2019) e o Amazônico.

Figura 1. América do Sul e região da Amazônia Internacional.

Fonte: Elaborado pelos autores.

O clima é caracterizado por quatro zonas climáticas específicas: temperada, tropical, seca e fria, distribuídas conforme o tipo de relevo da região. No geral, as chuvas são abundantes, à exceção de algumas zonas desérticas localizadas no Peru, norte do Chile, nordeste do Brasil e Patagônia Argentina.

A população residente no continente sul-americano é de 422,04 milhões de habitantes, com 71,9% deste total concentrada na Argentina, Brasil e Colômbia. Em termos de adensamento populacional, os maiores valores são encontrados na Colômbia, Equador e Venezuela, dados concernentes ao ano de 2018 (THE WORLD BANK, 2020).

3.2 Focos de CalorA contagem anual dos focos ativos de calor por países são provenientes do sensor

MODIS (Moderate Resolution Imaging Spectroradiometer) a bordo do satélite AQUA6, sendo pré-processados e disponibilizados por meio do Programa Queimadas (INPE, 2020). Os dados

5 Guiana, Guiana Francesa e Suriname foram excluídos em face a disponibilidade da base de dados.6 O AQUA é um satélite americano lançado em 2002, em parceria com Brasil e Japão. Sua missão faz parte do Earth Observation System, programa fundado pela NASA Earth Enterprise e leva abordo seis instrumentos sensores. Um deles, o sensor MODIS é destinado a medição de propriedades das nuvens, fluxo de energia radiante, propriedades dos aerossóis, mudança no uso e cobertura da terra, queimadas, atividades vulcânicas, entre outros (EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA – EMBRAPA, 2020).

6

incluem 6,62 milhões de focos de calor no período de janeiro de 2000 a dezembro de 2016. A Figura 2 apresenta a evolução destes registros, na cor amarela para a área de estudo e na cor vermelha para a Amazônia Internacional, que reúne 83% destes pontos de ignição. Observe que a década de 2000, a partir de 2002 apresenta uma evolução consistente dos focos de calor na região.

Figura 2. Evolução dos focos na América do Sul e Amazônia Internacional, 2000 a 2016.20

00

2001

2002

2003

2004

2005

2006

2007

2008

2009

2010

2011

2012

2013

2014

2015

2016

0

200000

400000

600000

800000

Amazônia Internacional Área de Estudo

mil

foco

s

Fonte: Elaborada com base nos dados da pesquisa.

Conforme Vega-Nieva et al. (2019), densidades maiores que dois focos/100 km2 são classificadas como alta atividade dos focos. Nesse sentido, destacam-se Bolívia, Brasil, Venezuela e Paraguai com a maior densidade no total de 5,87 focos/100 km2, como se observa pela Figura 3 – média anual dos focos de calor/100 km2 entre 2000 e 2016. Uma possível razão para a alta densidade é o fato do Paraguai possuir um dos maiores períodos de estação de queimadas do planeta, quando estas se estendem acima dos 7 meses (FERREIRA et al., 2020).

Figura 3. Densidade média anual dos focos ativos de calor entre 2000 e 2016.

Fonte: Elaborada com base nos dados da pesquisa.

3.3 Variáveis explicativas

7

Para analisar as relações entre as variáveis relevantes na ocorrência dos focos de calor, utiliza-se o referencial teórico e as informações disponíveis para os países sul-americanos para os anos de 2000 a 2016.

Os dados do meio biofísico e uso da terra são da FAO (2020). Para o uso da terra, identificaram-se a extensão das áreas agricultáveis na forma de lavouras e pastagens permanentes medida em km2 e o rebanho da pecuária7 em termos do nº de cabeças de animais/km2. Do meio biofísico, as variáveis são relacionadas à extensão da cobertura florestal e do bioma Campos medidos em km2, além da mudança anual de temperatura8 avaliada em ºC.

Da Penn World Table (PWT) (2020) obteve-se a densidade populacional, na razão nº de habitantes/km2. No campo econômico, utilizou-se o PIBpc9, do International Monetary Fund (IMF, 2020), enquanto o total de pessoas empregadas e desempregadas no mercado de trabalho foram obtidas da PWT (2020) e do The World Bank (2020), respectivamente. A Figura 4 apresenta a relação entre as covariadas e focos de calor. A seta vermelha especifica uma correlação positiva (auxilia na ocorrência dos focos) enquanto a seta verde indica correlação negativa (reduz a ocorrência dos focos).

Figura 4. Associação entre aspectos geográficos, indicadores antrópicos e focos de calor.

Fonte: Elaborado pelos autores.

3.4 Estratégia EmpíricaA relação entre a ocorrência anual dos focos de calor e as características do meio

biofísico, uso da terra, demografia e economia é capturada por meio de um modelo de dados em painel:

Focosi , t=X i ,t β+ui ,t (1) ui , t=μi+v i ,t (2)

Onde Focosi , t é uma contagem dos focos ativos de calor no i-ésimo país (i=1 ,…,10) no ano t (t=2000 , …,2016) e X i , t corresponde a um vetor de variáveis defasadas em um ano para captar os aspectos geográficos e os indicadores antrópicos que possam ter relação com os focos de calor. O componente de erro do modelo (1) captura fatores não observados, sendo dividido em dois elementos (BALTAGI, 2005), o μi representa a heterogeneidade não-observada em cada país constante ao longo do tempo, enquanto vi , t é o componente de erro idiossincrático para cada país i no ano t .

Como os Focosi , t seguem um processo de contagem, são estimados modelos de Poisson e Binomial Negativo a partir de uma estrutura de dados em painel (1), conforme a Tabela 2 (CAMERON & TRIVEDI, 2009; HAUSMAN et al., 1984; WOOLDRIDGE & JEFFREY, 2002).

7 Rebanho total de asininos, bodes, bovinos, búfalos, cavalos, mulas e ovelhas.8 Mudança de temperatura média anual em relação ao período base de 1951-1980.9 PIBpc dos países com base na Paridade do Poder de Compra (PPC), a preços constantes, em US$ de 2011.

8

Tabela 2. Modelos de Poisson e Binomial Negativo para dados em painel.Modelo EspecificaçãoPoisson Fixed-Effects (PFE) &Poisson Random Effects (PRE)

Y i ,t=exp (β ' X i ,t)+ui , t

ui , t=μi+v i ,t

Negative Binomial Fixed Effects (NBFE)Y i ,t=

exp ( β ' X i ,t )δ

+v i ,t

V [Y i ,t∨X ]=exp (β ' X i , t )(1+δ)

δ2

Negative Binomial Random Effects (NBRE)

Y i ,t=μi exp( β ' X i , t )

φi+v i ,t

V [Y i ,t|X ]=μi exp( β ' X i , t )

φi(1+μi

1φi)

Fonte: Elaborada com base nos dados da pesquisa.

Para selecionar o modelo estimado por PFE, PRE, NBFE e NBRE calibrados com o mesmo conjunto de dados, utilizam-se os critérios de informação de Akaike (Akaike information criterion, AIC) e Bayesiano (Bayesian information criterion, BIC). Assim, menores valores de AIC e BIC indicam qual é o melhor modelo:

AIC=−2L (φ , y )+2k (3) BIC=−2 L ( φ , y )+kln(n) (4)

4. Análise e Discussão dos ResultadosA apresentação e discussão dos resultados são divididas em três subseções. Na

primeira são apresentadas as descritivas; na segunda, os resultados dos modelos empíricos para área de estudo e Amazônia Internacional; e, por fim, discute-se a relevância destes resultados.

4.1 Análise Descritivas dos DadosEm todos os países da amostra10, o número dos focos ativos de calor apresentou

variação percentual positiva, com menor taxa de crescimento para o Brasil com 81,44%. Em termos de média histórica, o Brasil apresentou 35.975 focos/ano, o maior registro dentre os países da amostra. Já o Uruguai, apresentou a menor média com 755 focos/ano.

Na extensão da cobertura florestal, apenas Chile e Uruguai apresentaram taxa de crescimento entre 2000 e 2016. Nos demais países, a redução atingiu valores de 15,83% e 22,56% respectivamente para a Argentina e Uruguai. Observando a mudança anual de temperatura, nove dos dez países da amostra apresentaram variação percentual positiva, à exceção do Uruguai que experimentou variação negativa de 68,90%.

Quanto à densidade populacional, todos os países apresentaram variação percentual positiva, com maior taxa de crescimento para a Bolívia, com 30,55%. Já o Uruguai, reportou a menor taxa de crescimento, com 3,69%. Analisando o PIBpc, à exceção da Venezuela, todos os países apresentaram variação percentual positiva, com o Peru registrando a maior taxa de

10 A Tabela com as estatísticas descritivas das variáveis, bem como a taxa de variação entre 2000 e 2016, encontra-se no Apêndice.

9

crescimento (86,48%). O Chile possui a maior média histórica com US$ 18.533,68 pc ao passo que, a Bolívia detém a menor média, com US$ 4.970,41 pc.

Para o total de empregados, todos os países experimentaram variação percentual positiva. O Chile apresentou a maior variação, de 50,81%, já o Brasil detém a maior média histórica com 93,49 milhões de empregados/ano. No tocante ao total de pessoas desempregadas, à exceção do Brasil, os demais países reduziram o contingente de desempregados entre 2000 e 2016.4.2 Análise dos Resultados: América do Sul e Amazônia Legal

Analisando a performance dos modelos para a América do Sul, por meio dos critérios AIC e BIC, Tabela 3, verifica-se que os modelos Binomial Negativo apresentam melhor performance, logo, a análise e discussão dos resultados são dos parâmetros do modelo NBFE (3).

A cobertura florestal influencia na ocorrência dos focos de calor na América do Sul. Essa relação é direta, pois as florestas proveem combustível para a ocorrência dos pontos de ignição, originados por causas humanas ou causas naturais (descargas elétricas ou erupções vulcânicas). Esse resultado também foi observado por Prestemon et al. (2019) para Galícia (Espanha) entre 1999 a 2014, por Andersen e Sugg (2019) para a região oeste do estado da Carolina do Norte (Estados Unidos) entre os anos de 1985 a 2016.

Altas temperaturas também podem contribuir para o aumento da evaporação das plantas, bem como diminuir o teor de umidade de possíveis combustíveis, levando à maior probabilidade de ocorrência de incêndio (CHUVIECO et al., 2004).

O total de pessoas empregadas no mercado de trabalho suaviza a ocorrência dos focos de calor na América do Sul, o resultado é similar ao obtido por Chen et al. (2014). Para tal fato, avalia-se que exista uma maior proporção de pessoas engajadas no setor de prestação de serviços do que em relação ao setor primário da economia, cuja atividade tem vínculo com fontes de degradação ambiental.

Tabela 3. Resultados dos Focos de Calor para a América do Sul.Modelos

Covariadas PFE (1) PRE (2) NBFE (3) NBRE (4)

ln(agri) -1,22*(0,02) --- 0,04

(0,31)0,12(0,30)

agro 0,01*(0,0003) --- -0,003

(0,008)-0,004(0,007)

ln(flor) 3,49*(0,02) --- 0,89*

(0,36)0,92*(0,34)

ln(cam) 4,31*(0,05) --- 0,33

(0,31)0,28(0,29)

temp 0,41*(0,002) --- 1,01*

(0,16)1,01*(0,16)

d_pop 0,08*(0,0009) --- 0,01

(0,02)0,01(0,01)

ln(emp) 0,72*(0,02) --- -1,20*

(0,50)-1,20*(0,48)

ln(desem) -0,45*(0,004) --- -0,15

(0,13)-0,14(0,13)

ln(PIBpc) -3,35*(0,009) --- 0,72

(0,43)0,69(0,41)

intercepto --- --- -0,97(4,01)

-1,65(3,81)

N 170 --- 170 170AIC 953741,2 --- 3248,04 3529,99BIC 953769,5 --- 3279,40 3567,62

10

Wald Test 251649,63* --- 104,99* 114,03*LR test of --- --- --- ---LR test vs pooled --- --- --- 49,05*

Fonte: Elaborada com base nos dados da pesquisa.Notas: Erros-padrão entre parênteses. Nível de significância: *< 0,05.

Na região da Amazônia Internacional de acordo com os critérios AIC e BIC o modelo NBFE (7) apresenta melhor especificação. Observe pela Tabela 4 que a agricultura, representada pela extensão das áreas agrícolas, reduz a ocorrência dos focos de calor, um resultado não esperado visto que as evidências apontam uma associação positiva entre as duas variáveis (MARTÍNEZ-FERNÁNDEZ et al., 2013; MORELLO et al., 2020). Neste sentido, em face ao efeito contrário obtido nesta pesquisa, sugere-se a adoção de métricas relacionadas ao valor, volume da produção ou uma proxy para intensificação da agricultura como o crédito agrícola para atestar o real impacto.

Regiões densamente povoadas proporcionam um maior número dos focos de calor na região da Amazônia Internacional. O resultado está de acordo com o obtido por Catry et al. (2009) e Nunes et al. (2016) em Portugal e por Alcasena et al. (2016) e Prestemon et al. (2019) na Espanha. Uma explicação plausível é de que a pressão antropogênica dos grandes centros urbanos esteja se intensificando em regiões rurais e florestais destes países.

A atividade econômica, PIBpc, relaciona-se positivamente com a ocorrência dos focos de calor, isto indica que as atividades do setor florestal ocupam uma importante posição na economia local. Esse resultado é similar ao obtido por Guo et al. (2016a) na província de Fujian (sudeste da China). Para as demais variáveis, a interpretação é a mesma da seção anterior.

Tabela 4. Resultados dos Focos de Calor para a Amazônia Internacional.Modelos

Covariadas PFE (5) PRE (6) NBFE (7) NBRE (8)

ln(agri) -2,94*(0,03)

-2,94*(0,03)

-1,61*(0,63)

-1,43*(0,62)

agro 0,03*(0,0006)

0,03*(0,0006)

0,05(0,039)

0,04(0,03)

ln(flor) 5,61*(0,10)

5,60*(0,10)

3,82*(1,32)

3,75*(1,30)

ln(cam) 6,86*(0,07)

6,86*(0,07)

0,95(0,54)

1,02(0,52)

temp 0,53*(0,002)

0,53*(0,002)

1,08*(0,21)

1,08*(0,20)

d_pop 0,11*(0,001)

0,11*(0,001)

0,09*(0,044)

0,09*(0,044)

ln(emp) 0,19*(0,03)

0,19*(0,03)

-3,04*(1,04)

-3,09*(1,02)

ln(desem) -0,25*(0,005)

-0,25*(0,005)

-0,24(0,19)

-0,26(0,19)

ln(PIBpc) -2,74*(0,01)

-2,74*(0,01)

1,08*(0,51)

0,99*(0,50)

intercepto --- -76,6*(2,13)

-1,57(4,76)

-1,80(4,63)

N 102 102 102 102AIC 732872 733072,8 2015,06 2188,96BIC 732895,6 733101,7 2041,31 2220,46Wald Test 227021,98* 226998,44 73,25* 76,99*LR test of --- 140000 --- ---LR test vs pooled --- --- --- 28,24*

Fonte: Elaborada com base nos dados da pesquisa.Notas: Erros-padrão entre parênteses. Nível de significância: *< 0,05.

11

4.3 Discussões e Implicações dos Focos de Calor A prevenção e mitigação dos efeitos dos focos de calor e incêndios florestais é uma

questão complexa para a elaboração das políticas de combate a incêndios, pois a variabilidade espacial dos pontos de ignição, bem como os fatores humanos e geoambientais, dificultam a eficácia destas medidas.

O meio biofísico é peça fundamental na análise dos riscos associados aos pontos de ignição. Neste sentido, a extensão da cobertura florestal propicia a ocorrência dos focos de calor na América do Sul e Amazônia Internacional. Um resultado relevante, pois o bioma Amazônico percorre oito países sul-americanos e, além da extensão destas áreas, a biomassa florestal e a serapilheira são elementos importantes na propagação dos incêndios (ANDERSEN & SUGG, 2019; MURTHY et al., 2019).

De acordo com o relatório especial do Intergovernmental Panel on Climate Change (IPCC, 2018), as atividades humanas causaram cerca de 1ºC de aquecimento global acima dos níveis pré-industriais e, caso o ritmo atual seja mantido, provavelmente causarão aquecimento de 1,5ºC entre 2030 e 2052. Dessa forma, sem o declínio nas emissões globais de Gases de Efeito Estufa (GEE), as consequências do aquecimento global ampliarão a ocorrência dos eventos climáticos extremos, como as chuvas intensas, inundações costeiras, secas, ondas de calor e incêndios florestais.

Para ampliar acordos e mitigar os efeitos das mudanças climáticas, está em vigor desde 2016 o The Paris Agreement, no qual os países da área de estudo e outras 184 nações acordam na redução dos níveis vigentes de GEE. Por conseguinte, compete aos países amazônicos e não-amazônicos o monitoramento dos incêndios associados ao desmatamento, atividade que reduz o sequestro de carbono. Além disso, existe um largo trade-off entre o desenvolvimento econômico intrapaíses e o uso sustentável dos recursos naturais como, por exemplo, das florestas que são sumidouros de carbono.

Sobre a natureza das relações entre fatores humanos e focos de calor, conclui-se que a densidade populacional e o PIBpc estão associadas à ocorrência destes eventos. O efeito positivo do PIBpc levanta indícios de que a economia sul-americana é baseada na produção de produtos agrícolas. Segundo Qiang et al. (2020), a América do Sul é um grande exportador de terras virtuais, associado com a produção global agrícola entre 1986 e 2016, com destaque para Argentina e Brasil que se concentram na produção de oleaginosas.

A densidade demográfica também afeta positivamente na ocorrência dos focos de calor na região da Amazônia Internacional. Avalia-se que o ecossistema florestal se estenda entre 50% a 60% do território dos países Amazônicos (FAO, 2020) e que, além da presença direta medida pela densidade populacional, outras medidas indiretas da presença humana captadas pela presença de ferrovias, rodovias e linhas de transmissão de energia também possam desencadear incêndios nesta região.

Em relação ao total de pessoas empregadas, pode-se inferir que um elevado nível de emprego reduz significativamente os riscos dos focos de calor e incêndios. Assim, as instituições governamentais devem considerar a realização de ações de combate aos focos de calor em regiões florestais e em áreas com alto nível de desemprego.

5. ConclusõesA América do Sul destaca-se por sua biodiversidade presente em diversos biomas

(Amazônico, Caatinga, Cerrado, Chaco, Floresta Atlântica Semidecidual, Pampas, Pantanal e biomas de Água Doce), porém, a degradação ambiental ameaça a região com a evolução do desmatamento e grandes incêndios florestais.

Em face a estas modificações ambientais, a compreensão do regime dos focos de calor na região propicia a manutenção da biodiversidade e reduz os riscos associados aos sistemas

12

humanos. Neste sentido, a análise dos focos de calor inicia da identificação de aspectos geossocioeconômicos distribuídos entre meio biofísico, uso da terra, demografia e economia.

A análise empírica, parte da contagem anual dos focos de calor na América do Sul e Amazônia Internacional, controlando por características geográficas e das atividades humanas por países entre 2000 e 2016. Os resultados evidenciam que a cobertura florestal e a mudança anual de temperatura acentuam os focos de calor, assim como a densidade populacional e o PIBpc influenciam estes eventos na Amazônia Internacional.

Em face aos incrementos na mudança anual de temperatura, podem tornar mais severas a frequência e a intensidade dos focos de calor e incêndios, no curto e médio prazo, em razão aos eventos climáticos extremos. Como o nível de emprego atenua as ocorrências dos focos de calor, deve-se promover a inserção de pessoas no mercado de trabalho para redução dos riscos dos focos de calor na América do Sul.

Para combater aos incêndios, minimizando os efeitos de contágios intra e interpaíses, se faz necessário uma cooperação intergovernamental. Os riscos associados aos focos de calor podem comprometer o desenvolvimento da região, pois podem impactar o meio ambiente, saúde e bem-estar populacional, além de acordos comerciais.

Referências

AGEE, J. K. Fire ecology of Pacific Northwest forests. Island Press: Washington, DC, pp. 493, 1993.

ALCASENA, F. J.; SALIS, M.; NAUSLAR, N. J.; AGUINAGA, A. E.; VEGA-GARCÍA, C. Quantifying economic losses from wildfires in black pine afforestations of northern Spain. Forest Policy and Economics, v. 73, p. 153-167, 2016. https://doi.org/10.1016/j.forpol.2016.09.005.

ANDERSEN, L. M.; SUGG, M. M. Geographic multi-criteria evaluation and validation: A case study of wildfire vulnerability in Western North Carolina, USA following the 2016 wildfires. International Journal of Disaster Risk Reduction, v. 39, p. 101-123, 2019. https://doi.org/10.1016/j.ijdrr.2019.101123.

ARGAÑARAZ, J. P.; GAVIER PIZARRO, G.; ZAK, M.; LANDI, M. A.; BELLIS, L. M. Human and biophysical drivers of fires in semiarid Chaco Mountains of central Argentina. The Science of the Total Environment, v. 520, p. 1-12, 2015. https://doi.org/10.1016/j.scitotenv.2015.02.081.

AZNAR-SÁNCHEZ, J. A.; BELMONTE-UREÑA, L. J.; LOPEZ-SERRANO, M. J.; VELASCO-MUÑOZ, J. F. Forest ecosystem services: an analysis of worldwide research. Forests, v. 9, n. 8, p. 453-471, 2018. https://doi.org/10.3390/f9080453.

BALTAGI, B. Econometric Analysis of Panel Data, 3a edição. John Wiley & Sons, 2005.

BENEDUZI, A.; dos ANJOS BORGES, L. G.; ALVARENGA, S. M.; FAORO, H.; de SOUZA, E. M.; VARGAS, L. K.; PASSAGLIA, L. M. P. Distinct grazing pressure loads generate different impacts on bacterial community in a long-term experiment in Pampa biome. Applied Soil Ecology, v. 137, p. 167-177, 2019. https://doi.org/10.1016/j.apsoil.2019.02.005.

13

BOUBETA, M., LOMBARDÍA, M. J.; MAREY-PÉREZ M. F.; MORALES, D. Prediction of forest fires occurrences with area-level Poisson mixed models. Journal of Environmental Management, v. 154, n. 1, p. 151-158, 2015. https://doi.org/10.1016/j.jenvman.2015.02.009.

BOUBETA, M.; LOMBARDÍA, M. J.; MAREY-PÉREZ, M.; MORALES, D. Poisson mixed models for predicting number of fires. International Journal of Wildland Fire, v. 28, n. 3, p. 237-253, 2019. https://doi.org/10.1071/WF17037.

CAMERON, A. C.; TRIVEDI, P. K. Microeconometrics Using Stata. Stata press, College Station, Texas, 2009.

CATRY, F. X.; REGO, F. C.; BACAO, F.; MOREIRA, F. Modelling and mapping wildfire ignition risk in Portugal. International Journal of Wildland Fire, v. 18, n. 8, p. 921-931, 2009. https://doi.org/10.1071/WF07123.

CHEN, X.; GOODWIN, B. K.; PRESTEMON, J. P. Is timber insurable? A study of wildfire risks in the US forest sector using spatio-temporal models. American Journal of Agricultural Economics, v. 96, n. 1, p. 213-231, 2014. https://doi.org/10.1093/ajae/aat087.

CHUVIECO, E.; COCERO, D.; RIAÑO, D.; MARTIN, P.; MARTÍNEZ-VEJA, J.; de la RIVA, J.; PÉREZ, F. Combining NDVI and surface temperature for the estimation of live fuel moisture content in forest fire danger rating. Remote Sensing of Environment, v. 92, n. 3, p. 322-331, 2004. https://doi.org/10.1016/j.rse.2004.01.019.

COSTAFREDA-AUMEDES, S.; COSMAS, C.; VEGA-GARCIA, C. Human-caused fire occurrence modelling in perspective: A review. International Journal of Wildland Fire, v. 26, n. 12, p. 983-998, 2017. https://doi.org/10.1071/WF17026.

DODDS, W. K.; BRUCKERHOFF, L.; BATZER, D.; SCHECHNER, A.; PENNOCK, C.; RENNER, E.; TROMBONI, F.; BIGHAM, K.; GRIEGER, S. The freshwater biome gradient framework: predicting macroscale properties based on latitude, altitude, and precipitation. Ecosphere, v. 10, n. 7, p. 1-33, 2019. https://doi.org/10.1002/ecs2.2786.

ELIA, M.; GIANNICO, V.; LAFORTEZZA, R.; SANESI, G. Modeling fire ignition patterns in Mediterranean urban interfaces. Stochastic Environmental Research and Risk Assessment, v. 33, p. 169-181, 2019. https://doi.org/10.1007/s00477-018-1558-5.

EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA. Aqua Project Science. Disponível em: <https://www.cnpm.embrapa.br/projetos/sat/conteudo/missao_aqua.html>, 2020. Acesso em: 01 ago. 2020.

FERREIRA, L. N.; VEGA-OLIVEROS, D. A.; ZHAO, L.; CARDOSO, M. F.; MACAU, E. E. N. Global fire season severity analysis and forecasting. Computers & Geosciences, v. 134, p. 1-9, 2020. https://doi.org/10.1016/j.cageo.2019.104339.

FOOD AND AGRICULTURE ORGANIZATION OF THE UNITED NATIONS. Data. Disponível em: <http://www.fao.org/faostat/en/#data>. Acesso em: 01 ago. 2020.

14

GONZÁLEZ-OLABARRIA, J. R.; MOLA-YUDEGO, B.; COLL, L. Different factors for different causes: analysis of the spatial aggregations of fire ignitions in Catalonia (Spain). Risk Analysis, v. 35, n. 7, p. 1197-1209, 2015. https://doi.org/10.1111/risa.12339.

GROSSMAN, G. M.; KRUEGER, A. B. Environmental impacts of a North American free trade agreement. National bureau of Economic Research Working Paper - NbER, n. 3914. Cambridge, MA, 1991. https://doi.org/10.3386/w3914.

GROSSMAN, G. M.; KRUEGER, A. B. Economic growth and the environment. Quarterly Journal of Economics, v. 110, n. 2, 353-377, 1995. https://doi.org/10.2307/2118443.

GUO, F.; SELVALAKSHMI, S.; LIN, F.; WANG, G.; WANG, W.; SU, Z.; LIU, A. Geospatial information on geographical and human factors improved anthropogenic fire occurrence modeling in the Chinese boreal forest. Canadian Journal of Forest Research, v. 46, n. 4, p. 582-594, 2016a. https://doi.org/10.1139/cjfr-2015-0373.

GUO, F.; WANG, G.; SU, Z.; LIANG, H.; WANG, W.; LIN, F.; LIU, A. What drives forest fire in Fujian, China? Evidence from logistic regression and Random Forests. International Journal of Wildland Fire, v. 25, n. 5, p. 505-519, 2016b. https://doi.org/10.1071/WF15121.

HAUSMAN, J.; HALL, B. H.; GRILICHES, Z. Econometric models for count data with an application to the Patents - R&D relationship. Econometrica, v. 52, n. 4, p. 909-938, 1984. https://dx.doi.org/10.3386/t0017.

INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS. Programa queimadas. Disponível em: <http://queimadas.dgi.inpe.br//queimadas/portal>, 2020. Acesso em: 01 ago. 2020.

INTERNATIONAL MONETARY FUND. IMF data. Disponível em: < https://www.imf.org/en/Data>, 2020. Acesso em: 06 mar. 2020.

INTERGOVERNMENTAL PANEL ON CLIMATE CHANGE. Summary for Policymakers. Global Warming of 1,5 °C: an IPCC special report on the impacts of global warming of 1,5 °C above pre-industrial levels and related global greenhouse gas emission pathways, in the context of strengthening the global response to the threat of climate change, sustainable development, and efforts to eradicate poverty [MASSON-DELMOTTE, V.; ZHAI, P.; PORTNER, H.-O.; ROBERTS, D.; SKEA, J.; SHUKLA, P. R.; PIRANI, A.; MOUFOUMA-OKIA, W.; PÉAN, C.; PIDCOCK, R.; CONNORS, S.; MATTHEWS, J. B. R.; CHEN, Y.; ZHOU, X.; GOMIS, M. I.; LONNOY, E.; MAYCOCK, T.; TIGNOR, M.; e WATERFIELD, T. (eds.)]. In Press, Genebra, Suíça, pp. 32, 2018.

JUAN, P.; MATEU, J.; SAEZ, M. Pinpointing spatio-temporal interactions in wildfire patterns. Stochastic Environmental Research and Risk Assessment, v. 26, n. 8, p. 1131-1150, 2012 https://doi.org/10.1007/s00477-012-0568-y.

MANN, M. L.; BATLLORI, E.; MORITZ, M. A. et al. Incorporating anthropogenic influences into fire probability models: effects of human activity and climate change on fire activity in California. PLoS ONE, v. 11, n. 4, p. 1-21., 2016. https://doi.org/10.1371/journal.pone.0153589.

15

MARTÍNEZ-FERNÁNDEZ, J.; CHUVIECO, E.; KOUTSIAS, N. Modelling long-term fire occurrence factors in Spain by accounting for local variations with geographically weighted regression. Natural Hazards and Earth System Science, v. 13, n. 2, p. 311-327, 2013. https://doi.org/10.5194/nhess-13-311-2013.

MICHETTI, M.; PINAR, M. Forest fires across Italian regions and implications for climate change: a panel data analysis. Environmental and Resource Economics, v. 72, n. 1, p. 1-40, 2019. https://doi.org/10.1007/s10640-018-0279-z.

MORELLO, T. F.; RAMOS, R. M.; ANDERSON, L. O.; OWEN, N.; ROSAN, T. M.; STEIL, L. Predicting fires for policy making: Improving accuracy of fire brigade allocation in the Brazilian Amazon. Ecological Economics, v. 169, p. 1-14, 2020. https://doi.org/10.1016/j.ecolecon.2019.106501.

MURTHY, K. K.; SINHA, S. K.; KAUL, R.; VAIDYANATHAN, S. A fine-scale state-space model to understand drivers of forest fires in the Himalayan foothills. Forest Ecology and Management, n. 432, p. 902-911, 2019. https://doi.org/10.1016/j.foreco.2018.10.009.

NARAYANARAJ, G.; WIMBERLY, M. C. Influences of forest roads on the spatial patterns of human- and lightning-caused wildfire ignitions. Applied Geography, v. 32, n. 2, p. 878-888, 2012. https://doi.org/10.1016/j.apgeog.2011.09.004.

NUNES, A. N.; LOURENCO, L.; MEIRA, A. C. C. Exploring spatial patterns and drivers of forest fires in Portugal (1980-2014). The Science of the Total Environment, v. 573, p. 1190-1202, 2016. https://doi.org/10.1016/j.scitotenv.2016.03.121.

OLIVEIRA, S.; OEHLER, F.; SAN-MIGUEL-AYANZ, J.; CAMIA, A.; PEREIRA, J. M. C. Modeling spatial patterns of fire occurrence in Mediterranean Europe using multiple regression and random forest. Forest Ecology and Management, v. 275, p. 117-129, 2012. https://doi.org/10.1016/j.foreco.2012.03.003.

OLIVEIRA, S.; PEREIRA, J. M. C.; SAN-MIGUEL-AYANZ, J.; LOURENCO, L. Exploring the spatial patterns of fire density in Southern Europe using Geographically Weighted Regression. Applied Geography, v. 51, p. 143-157, 2014. https://doi.org/10.1016/j.apgeog.2014.04.002.

OLIVEIRA, G. M. B.; SILVA, I. W. G.; EVARISTO, A. M. C. F.; SERPA, M. C. A.; CAMPOS, A. N. S.; DUTRA, V.; NAKAZATO, L.; AGUIAR, D. M.; LABRUNA, M. B.; HORTA, M. C. Tick-borne pathogens in dogs, wild small mammals and their ectoparasites in the semi-arid Caatinga biome, northeastern Brazil. Ticks and Tick-borne Diseases, p. 1-7, 2020. https://doi.org/10.1016/j.ttbdis.2020.101409.

PENN WORLD TABLE, PWT. Data. Disponível em: < https://www.rug.nl/ggdc/productivity/pwt/>, 2020. Acesso em: 06 mar. 2020.

PRESTEMON, J. P.; BUTRY, D. T.; CHAS-AMIL, M. L.; TOUZA, J. M. Net reductions or spatiotemporal displacement of intentional wildfires in response to arrests? Evidence from Spain. International Journal of Wildland Fire, v. 28, n. 6, p. 397-411, 2019. https://doi.org/10.1071/WF18234.

16

QIANG, W.; NIU, S.; LIU, A.; KASTNER, T.; QIANG, B.; WANG, X.; CHENG, S. Trends in global virtual land trade in relation to agricultural products. Land Use Policy, v. 92, p. 1-12, 2020. https://doi.org/10.1016/j.landusepol.2019.104439.

RAPPAPORT, D. I.; MORTON, D. C.; LONGO, M.; KELLER, M.; DUBAYAH, R.; dos-SANTOS, M. N. Quantifying long-term changes in carbon stocks and forest structure from Amazon forest degradation. Environmental Research Letters, v. 13, n. 6, p. 1-12, 2018. https://doi.org/10.1088/1748-9326/aac331.

REZENDE, V. L.; PONTARA, V.; BUENO, M. L.; BERG, E. V. D; OLIVEIRA-FILHO, A. T. Climate and evolutionary history define the phylogenetic diversity of vegetation types in the central region of South America. Oecologia, v. 192, p. 191-200, 2020. https://doi.org/10.1007/s00442-019-04561-3.

RODRIGUES, M.; de la RIVA, J.; FOTHERINGHAM, S. Modeling the spatial variation of the explanatory factors of human-caused wildfires in Spain using geographically weighted logistic regression. Applied Geography, v. 48, p. 52-63, 2014. https://doi.org/10.1016/j.apgeog.2014.01.011.

SERRA, L.; JUAN, P.; VARGA, D.; MATEU, J.; SAEZ, M. Spatial pattern modelling of wildfires in Catalonia, Spain 2004-2008. Environmental Modelling & Software, v. 40, p. 235-244, 2013. https://doi.org/10.1016/j.envsoft.2012.09.014.

SONG, C.; KWAN, M-P.; SONG, W.; ZHU, J. A. Comparison between Spatial Econometric Models and Random Forest for Modeling Fire Occurrence. Sustainability, v. 9, n. 5, p. 819-839, 2017. https://doi.org/10.3390/su9050819.

STURTEVANT, B. R.; CLELAND, D. T. Human and biophysical factors influencing modern fire disturbance in northern Wisconsin. International Journal of Wildland Fire, v. 16, n. 4, p. 398-413, 2007. https://doi.org/10.1071/WF06023.

SU, Z., TIGABU, M., CAO, Q., WANG, G., HU, H., GUO, F. Comparative analysis of spatial variation in forest fire drivers between boreal and subtropical ecosystems in China. Forest Ecology and Management, v. 454, p. 1-11, 2019a. https://doi.org/10.1016/j.foreco.2019.117669.

SU, Z., HU, H., TIGABU, M., WANG, G., ZENG, A., GUO, F. Geographically weighted negative binomial regression model predicts wildfire occurrence in the Great Xing’an mountains better than negative binomial model. Forests, v. 10, n. 5, p. 377-392, 2019b. https://doi.org/10.3390/f10050377.

TASKER, K. A.; ARIMA, E. Y. Fire regimes in Amazonia: the relative roles of policy and precipitation. Anthropocene, v. 14, p. 46-57, 2016. http://dx.doi.org/10.1016/j.ancene.2016.06.001.

THE WORLD BANK. World development indicators. Disponível em: < https://databank.worldbank.org/source/world-development-indicators#>, 2020. Acesso em: 29 fev. 2020.

17

VADREVU, H. P.; EATURU, A.; BADARINATH, K. V. S. Spatial distribution of forest fires and controlling factors in Andhira Pradesh, India, using satellite datasets. Environmental Monitoring and Assessment, v. 123, p. 75-96, 2006. https://doi.org/10.1007/s10661-005-9122-4.

VASCONCELOS, M. J. P.; SILVA, S.; TOMÉ, M.; ALVIM, M.; CARDOSO PEREIRA, J. M. Spatial prediction of fire ignition probabilities: comparing logistic regression and neural networks, 2001. Photogrammetric Engineering and Remote Sensing, v. 67, n. 1, p. 73-81.

VEGA-NIEVA, D. J.; NAVA-MIRANDA, M. G.; CALLEROS-FLORES, E.; LOPEZ-SERRANO, P. M; BRISEÑO-REYES, J.; LOPEZ-SÁNCHEZ, C.; CORRAL-RIVAS, J. J.; MONTIEL-ANTUNA, E.; CRUZ-LOPEZ, M. I.; RESSL, R.; CUAHTLE, M.; ALVARADO-CELESTINO, E.; GONZÁLEZ-CABÁN, A.; CORTES-MONTAÑO, C.; PÉREZ-SALICRUP, D.; JARDEL-PELAEZ, E.; JIMÉNEZ, E.; ARELLANO-PÉREZ, S.; ÁLVAREZ-GONZÁLEZ, J. G.; RUIZ-GONZÁLEZ, A. D. Temporal patterns of active fire density and its relationship with a satellite fuel greenness index by vegetation type and region in Mexico during 2003-2014. Fire Ecology, v. 15, n. 28, p. 1-19, 2019. https://doi.org/10.1186/s42408-019-0042-z.

WOOLDRIDGE, J. M. Econometric Analysis of Cross Section and Panel Data. Massachusetts Institute of Technology, Cambridge, MA, 2002.

XIAO, Y.; ZHANG, X.; JI, P. Modeling forest fire occurrences using count-data mixed models in Qiannan autonomous prefecture of Guizhou Province in China. PLoS ONE, v. 10, n. 3, p. 1-12, 2015. https://doi.org/10.1371/journal.pone.0120621.

ZHANG, Y.; LIM, S.; SHARPLES, J. J. Modelling spatial patterns of wildfire occurrence in South-Eastern Australia. Geomatics, Natural Hazards and Risk, v. 7, n. 6, p. 1800-1815, 2016. https://doi.org/10.1080/19475705.2016.1155501.

ZHANG, Y.; LIM, S. Drivers of wildfire occurrence patterns in the inland riverine environment of New South Wales, Australia. Forests, v. 10, n. 6, p. 524-540, 2019. https://doi.org/10.3390/f10060524.

18

Apêndice A: Estatística descritiva das variáveis utilizadas.Países Variáveis Média Desvio-padrão Mín. Máx. %(2000 – 2016)

Argentina

Focos 38469,18 17232,24 65 69317 49486,15Agricultura 1413151 81076,11 1285100 1492540 15,71Agropecuária 27,25 1,63 25,03 29,89 7,67Floresta 297362,8 16173,98 272395,7 323642,1 -15,83Campos 151313,4 39011,49 0 161795,5 2,41Temperatura 0,46 0,32 -0,16 0,89 344,66Dens. Pop. 14,53 0,76 13,33 15,77 18,30Emprego 17,33 2,10 13,68 19,78 32,88Desemprego 10,56 4,06 7,1 19,59 -42,06PIBpc 17142,05 2386,29 12536,26 19817,45 24,21

Bolívia

Focos 35975,18 20137,98 10900 83119 181,50Agricultura 373532,9 3613,39 366170 377380 1,45Agropecuária 17,39 1,35 15,28 19,75 17,22Floresta 581098,5 19419,27 552644,9 609618,8 -9,34Campos 112877,3 29186,52 0 122327,2 5,84Temperatura 0,59 0,23 0,16 1,07 530,76Dens. Pop. 8,73 0,73 7,58 9,90 30,55Emprego 4,15 0,49 3,38 4,87 40,42Desemprego 3,62 1,26 2,01 5,4 -31,54PIBpc 4970,41 735,45 4147,59 6312,93 51,91

Brasil

Focos 238976,3 95289,4 101530 393915 81,44Agricultura 2735557 65986,21 2614060 2840830 8,46Agropecuária 27,91 1,70 23,91 30,01 25,49Floresta 5129150 91811,98 5015622 5308075 -5,50Campos 699188,1 180696,7 0 752319,2 5,28Temperatura 0,98 0,23 0,52 1,44 166,21Dens. Pop. 22,61 1,19 20,59 24,39 18,46Emprego 93,49 8,96 78,26 105,35 32,24Desemprego 8,43 1,31 6,67 11,61 18,52PIBpc 13541,24 1524,76 11467,52 15617,09 24,40

Chile

Focos 3155,17 1515,67 0 4795 30572,72Agricultura 156778,8 2348,48 151100 159350 4,18Agropecuária 10,82 1,51 7,39 12,44 -40,56Floresta 167742,8 7105,29 161197,4 183612,8 13,90Campos 50513,91 13017,3 0 53781,48 -0,10Temperatura 0,29 0,28 -0,29 0,77 558,23Dens. Pop. 21,97 1,10 20,16 23,66 17,34Emprego 6,59 0,92 5,30 8,00 50,81Desemprego 7,84 1,08 6,21 9,69 -26,41PIBpc 18533,68 2842,20 14233,69 22379,07 57,22

Colômbia

Focos 15169,35 7777,57 35 28073 30984,74Agricultura 429970,3 12405,3 416070 449871,6 -0,43Agropecuária 26,24 2,51 22,24 28,75 -17,36Floresta 613675,7 12020,14 601879 636086,7 -5,37Campos 158626 40879,21 0 169075,5 0,27Temperatura 0,80 0,31 0,21 1,56 615,98Dens. Pop. 39,19 2,29 35,38 42,60 20,41Emprego 19,24 2,37 16,17 22,89 41,47Desemprego 11,96 3,17 8,24 20,52 -59,30PIBpc 10493,54 1685,45 8274,16 13051,2 57,73

Equador Focos 2104,94 1158,42 0 3920 6807,40Agricultura 71896 7638,45 55160 80660 -31,61Agropecuária 23,01 2,51 17,59 27,71 -22,91Floresta 149555,5 4539,47 142364 156747,2 -9,17Campos 17404,72 4492,08 0 18792,13 -3,10

19

Países Variáveis Média Desvio-padrão Mín. Máx. %(2000 – 2016)Temperatura 0,64 0,30 0,11 1,36 1120,53Dens. Pop. 51,03 4,20 44,53 57,78 29,74Emprego 6,18 0,69 5,11 7,62 49,11Desemprego 6,44 2,75 3,08 11,44 -48,77PIBpc 9142,75 1142,91 7445,03 10816,84 39,29

Paraguai

Focos 23894,71 9473,40 8239 44774 171,61Agricultura 207761,2 8690,00 193460 218850 7,67Agropecuária 30,49 4,45 25,05 37,86 39,17Floresta 178377,8 14590,73 153544 198287,8 -22,56Campos 31450,24 8195,43 0 34819,6 12,21Temperatura 0,72 0,34 0,29 1,28 18,13Dens. Pop. 18,83 1,08 13,03 16,53 26,82Emprego 2,68 0,31 2,17 3,14 39,13Desemprego 5,59 1,47 4,09 9,39 -31,01PIBpc 9135,55 1210,28 7682,73 11254,03 39,93

Peru

Focos 10988,94 4763,53 373 18730 417,35Agricultura 235464,8 5064,39 227550 243740 2,43Agropecuária 17,67 0,79 15,98 18,41 -11,43Floresta 753437,8 7439,86 740937 764444,5 -3,07Campos 157275,1 40530,97 0 167585 0,58Temperatura 0,76 0,28 0,39 1,38 250,25Dens. Pop. 22,36 1,43 20,16 24,72 22,60Emprego 14,46 1,50 12,13 16,54 36,34Desemprego 4,19 1,01 2,96 6,07 -38,69PIBpc 9055,36 2020,36 6443,35 12118,49 86,48

Uruguai

Focos 755 411,98 1 1365 20900Agricultura 146567,5 2293,56 142300 149620 -3,39Agropecuária 122,28 10,11 107,69 136,60 -21,16Floresta 16451,18 1677,35 13790,52 18804,93 36,36Campos 109265,1 28157,56 0 116358,8 -0,41Temperatura 0,65 0,31 0,16 1,19 -68,90Dens. Pop. 19,09 0,23 18,84 19,54 3,69Emprego 1,49 0,15 1,27 1,68 26,36Desemprego 9,97 3,70 6,31 16,91 -41,18PIBpc 15439,13 3158,55 11274,78 19884,54 58,37

Venezuela

Focos 20283,94 5921,73 8271 33743 149,58Agricultura 215854,1 354,27 215000 216380 -0,16Agropecuária 20,88 1,06 18,73 21,86 10,03Floresta 495117,9 7678,92 483325,7 510676,1 -5,35Campos 167924,4 43273,42 0 178781,7 0,08Temperatura 0,76 0,30 0,22 1,43 537,77Dens. Pop. 30,65 2,44 26,72 34,33 28,91Emprego 11,87 1,51 9,15 13,84 49,78Desemprego 9,90 3,43 6,82 16,78 -46,27PIBpc 15813,44 1964,88 11974,82 18189,96 -9,98

Fonte: Elaborada com base nos dados da pesquisa.

20