ANPEC - Associação Nacional dos Centros de Pós-graduação ...



?rea 04: Economia Agrária e AmbientalEvidências Antropogênicas e Geográficas na Ocorrência dos Focos de Calor na América do Sul e Amaz?nia InternacionalWesley Leit?o 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) 98884-5470Guilherme IrffiProfessor do Departamento de Economia Aplicada e do Programa de Pós-Gradua??o 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?rea 04: Economia Agrária e AmbientalEvidências Antropogênicas e Geográficas na Ocorrência dos Focos de Calor na América do Sul e Amaz?nia InternacionalResumoO presente artigo discute os fatores relacionados à ocorrência dos focos de calor na América do Sul e Amaz?nia 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 est?o 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 mudan?a anual de temperatura conduzem a ocorrência dos focos na América do Sul, assim como a densidade populacional e o PIBpc favorecem estes eventos na Amaz?nia Internacional. Por outro lado, o nível de emprego reduz esses episódios. Em fun??o dos resultados, a coopera??o interpaíses pode contribuir para mitigar os efeitos das mudan?as climáticas e a prote??o do bioma Amaz?nico, por meio da gera??o de empregos e inser??o de pessoas no mercado de trabalho para redu??o dos focos de calor.Palavras-Chave: América do Sul, Floresta Amaz?nica, Focos de Calor, Incêndios Florestais. Classifica??o JEL: Q01, Q34, Q50, Q57, C23.Anthropogenic and Geographic Evidence on the Occurrence of Fire Hotspots in South America and the International AmazonAbstractThis 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, C23.1. Introdu??oA diversidade dos biomas na América do Sul propicia a igni??o dos focos de calor e a propaga??o 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), n?o exclusivamente à atividade do fogo, mas também à expans?o 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 Amaz?nia Internacional notificaram diversas queimadas deliberadas, sendo registrados 362 mil focos ativos de calor na América do Sul, com a contagem de 7,95 milh?es 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, Amaz?nia Internacional e Brasil (INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS – INPE, 2020).Entre agosto e setembro de 2019, as queimadas na Amaz?nia brasileira atingiram o seu ápice com 24.944 km? e 16.253 km2 incendiados, respectivamente. Nos demais biomas (Caatinga, Cerrado, Mata Atl?ntica, Pampa e Pantanal), a extens?o das queimadas alcan?ou 245.888 km2 (INPE, 2020), área superior ao território do Paraguai.Em raz?o dos incêndios florestais, 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: condi??es climáticas (MURTHY et al., 2019), topografia (ANDERSEN & SUGG, 2019) e vegeta??o (BOUBETA et al., 2019). As causas humanas, por sua vez, reúnem a atividade agropecuária (BOUBETA et al., 2015; MART?NEZ-FERN?NDEZ et al., 2013), a densidade populacional e de infraestrutura (PRESTEMON et al., 2019; SU et al., 2019a), educa??o (MICHETTI & PINAR, 2019; VADREVU et al., 2006) e indicadores econ?micos (CHEN et al., 2014; GUO et al., 2016a).Assim, a análise destas causas permite analisar a conserva??o dos recursos naturais e manuten??o dos servi?os ecossistêmicos. Neste ?mbito, as florestas desempenham os servi?os de produ??o de alimentos, madeira e combustível; conserva??o e regula??o da água; reten??o de nutrientes; sequestro de carbono; prote??o da biodiversidade; regula??o climática; ecoturismo; valores espirituais e tradicionais (AZNAR-SA?NCHEZ et al., 2018).Em face ao apresentado, o objetivo geral é identificar os principais indicadores antrópicos e geográficos associados à propaga??o dos focos de calor na América do Sul e na regi?o da Amaz?nia Internacional para o período de 2000 a 2016. Em termos específicos, esse artigo apresenta um panorama dos estudos que investigam esse tema, condensando informa??es sobre o meio biofísico, uso da terra, demografia e economia dos países sul-americanos.Para alcan?ar esses objetivos, optou-se por dividir o artigo em cinco se??es, incluindo essa introdu??o. 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 descri??o dos dados, bem como o modelo empírico, s?o apresentados na terceira se??o. Em seguida, s?o expostos, discutidos e analisados os resultados. Por fim, s?o apresentadas as conclus?es.2. Referencial TeóricoA atividade dos incêndios e focos de calor ocorre da combina??o de fatores antrópicos e de características biofísicas que potencializam ou limitam a presen?a 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 condi??es climáticas, aspectos vegetacionais e topografia.Em rela??o à topografia, regi?es de menor altitude (GUO et al., 2016a; ANDERSEN & SUGG, 2019) e com menor inclina??o do terreno (NARAYANARAJ & WIMBERLY, 2012; OLIVEIRA et al., 2014) propiciam os focos e incêndios de natureza humana. Entretanto, estas considera??es dependem da origem dos pontos de igni??o. González-Olabarria et al. (2015) ratificam que incêndios associados a queima de pastagens e atividades florestais s?o localizados em regi?es 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 rela??o 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 op?e às regi?es desenvolvidas que disp?em de menos material inflamável. Os campos, caracterizado pela presen?a de herbáceas, gramíneas e pequenos arbustos, é amplamente relacionado com a gera??o dos focos de calor e incêndios (BOUBETA et al., 2019; ELIA et al., 2019).Das condi??es meteorológicas, a a??o dos ventos (AGEE, 1993; COSTAFREDA-AUMEDES et al., 2017), a baixa precipita??o (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 rela??o aos indicadores antrópicos, destaca-se a conex?o entre o uso da terra e incêndios florestais (BOUBETA et al., 2015; ELIA et al., 2019; MART?NEZ-FERN?NDEZ et al., 2013; MORELLO et al., 2020; OLIVEIRA et al., 2012). Na agricultura, o fogo é empregado de forma intencional no gerenciamento e restaura??o das pastagens, práticas de pousio, e em conflitos criminosos ou atos de vandalismo. Os incêndios originados das atividades agrícolas descuidadas constituem as formas n?o intencionais (MART?NEZ-FERN?NDEZ et al., 2013; MORELLO et al., 2020).A pecuária desempenha papel crucial na gera??o dos focos de calor. Os incrementos no estoque de animais fomentam pontos de igni??o, pois à medida que se requerem novas áreas de pastagem é comum o uso do fogo em sua expans?o (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 parti??es elevam os riscos atrelados à igni??o dos incêndios (MART?NEZ-FERN?NDEZ et al., 2013). Comenta-se ainda a contribui??o das máquinas e utensílios agrícolas, identificada na literatura como proxy para intensidade do uso da terra (MART?NEZ-FERN?NDEZ 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 n?o é un?nime, Arga?araz et al. (2015) e Guo et al. (2016b) encontraram baixa frequência ou associa??o negativa com focos e incêndios. Para tal fato, Guo et al. (2016b) explicam que a rela??o contrária é advinda das grandes densidades populacionais concentradas em cidades ou em áreas desenvolvidas com atividade industrial, baixa cobertura florestal e com menor percentual da popula??o dedicada às atividades florestais.A presen?a humana também é avaliada a partir de fatores espaciais como a extens?o 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 dist?ncia, há uma associa??o negativa entre localiza??o dos focos de calor e dist?ncia para estradas (CATRY et al., 2009; ZHANG et al., 2016) e ferrovias (STURTEVANT & CLELAND, 2007; ZHANG et al., 2016).Um maior percentual da popula??o 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 alfabetiza??o est?o associadas a uma menor ocorrência dos focos de calor no estado de Andhra Pradesh (?ndia), ou seja, com níveis mais elevados de educa??o, os recursos naturais escassos, como as florestas, s?o protegidos. Em rela??o ao comportamento socioecon?mico, Prestemon et al. (2019) observaram que uma maior quantidade de pris?es 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 popula??o 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 recess?o econ?mica e pobreza, problemas socioecon?micos que reverberam em um aumento de conflitos que resultam em incêndios deliberados (OLIVEIRA et al., 2012; NUNES et al., 2016).Indicadores econ?micos e de degrada??o ambiental s?o comumente avaliados por meio da Curva de Kuznets Ambiental (CKA), estratégia que capta n?o linearidades entre as duas variáveis. Por esta raz?o, estudos observam rela??o 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 exporta??es de madeira é uma proxy para o seu nível de extra??o, que por sua vez podem se relacionar com os incêndios, dado que a transi??o entre interface florestal e agrícola ocorre após a capta??o do recurso. Morello et al. (2020) afirmam que a rela??o positiva entre degrada??o florestal e incêndios é também esperada para a extra??o 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 BiofísicoUso da TerraDemografiaEconomiaAltitude/Declividade (-)Campos/Florestas (+)Descargas elétricas (+)Precipita??o (-)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 (-)Pris?es (-)Taxa de alfabetiza??o (-)% 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 Regi?o de estudo: América do SulA área de estudo compreende dez dos treze países da América do Sul, e um subconjunto de na??es que formam a Amaz?nia Internacional (Figura 1). Os países que integram a área de estudo têm área total de 17,36 milh?es 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 por??o central coexistem o Cerrado, Chaco, Floresta Atl?ntica Semidecidual e Pantanal (REZENDE et al., 2020). Além destes, incluem-se os biomas de ?gua Doce (DODDS et al., 2019), Caatinga (OLIVEIRA et al., 2020), Pampas (BENEDUZI et al., 2019) e o Amaz?nico. Figura 1. América do Sul e regi?o da Amaz?nia 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 regi?o. No geral, as chuvas s?o abundantes, à exce??o de algumas zonas desérticas localizadas no Peru, norte do Chile, nordeste do Brasil e Patag?nia Argentina.A popula??o residente no continente sul-americano é de 422,04 milh?es de habitantes, com 71,9% deste total concentrada na Argentina, Brasil e Col?mbia. Em termos de adensamento populacional, os maiores valores s?o encontrados na Col?mbia, 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 s?o provenientes do sensor MODIS (Moderate Resolution Imaging Spectroradiometer) a bordo do satélite AQUA, sendo pré-processados e disponibilizados por meio do Programa Queimadas (INPE, 2020). Os dados incluem 6,62 milh?es de focos de calor no período de janeiro de 2000 a dezembro de 2016. A Figura 2 apresenta a evolu??o destes registros, na cor amarela para a área de estudo e na cor vermelha para a Amaz?nia Internacional, que reúne 83% destes pontos de igni??o. Observe que a década de 2000, a partir de 2002 apresenta uma evolu??o consistente dos focos de calor na regi?o.Figura 2. Evolu??o dos focos na América do Sul e Amaz?nia Internacional, 2000 a 2016.Fonte: Elaborada com base nos dados da pesquisa.Conforme Vega-Nieva et al. (2019), densidades maiores que dois focos/100 km2 s?o 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 raz?o para a alta densidade é o fato do Paraguai possuir um dos maiores períodos de esta??o 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 explicativasPara analisar as rela??es entre as variáveis relevantes na ocorrência dos focos de calor, utiliza-se o referencial teórico e as informa??es disponíveis para os países sul-americanos para os anos de 2000 a 2016. Os dados do meio biofísico e uso da terra s?o da FAO (2020). Para o uso da terra, identificaram-se a extens?o das áreas agricultáveis na forma de lavouras e pastagens permanentes medida em km2 e o rebanho da pecuária em termos do n? de cabe?as de animais/km2. Do meio biofísico, as variáveis s?o relacionadas à extens?o da cobertura florestal e do bioma Campos medidos em km2, além da mudan?a anual de temperatura avaliada em ?C.Da Penn World Table (PWT) (2020) obteve-se a densidade populacional, na raz?o n? de habitantes/km2. No campo econ?mico, utilizou-se o PIBpc, 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 rela??o entre as covariadas e focos de calor. A seta vermelha especifica uma correla??o positiva (auxilia na ocorrência dos focos) enquanto a seta verde indica correla??o negativa (reduz a ocorrência dos focos).Figura 4. Associa??o entre aspectos geográficos, indicadores antrópicos e focos de calor.Fonte: Elaborado pelos autores.3.4 Estratégia EmpíricaA rela??o 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=Xi,tβ+ui,t (1) ui,t=μi+vi,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 Xi,t corresponde a um vetor de variáveis defasadas em um ano para captar os aspectos geográficos e os indicadores antrópicos que possam ter rela??o com os focos de calor. O componente de erro do modelo (1) captura fatores n?o observados, sendo dividido em dois elementos (BALTAGI, 2005), o μi representa a heterogeneidade n?o-observada em cada país constante ao longo do tempo, enquanto vi,t é o componente de erro idiossincrático para cada país i no ano o os Focosi,t seguem um processo de contagem, s?o 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).Tabela 2. Modelos de Poisson e Binomial Negativo para dados em painel.ModeloEspecifica??oPoisson Fixed-Effects (PFE) &Poisson Random Effects (PRE)Yi,t=exp?(β'Xi,t)+ui,tui,t=μi+vi,tNegative Binomial Fixed Effects (NBFE)Yi,t=expβ'Xi,tδ+vi,tV[Yi,t|X]=expβ'Xi,t(1+δ)δ2Negative Binomial Random Effects (NBRE)Yi,t=μiexpβ'Xi,tφi+vi,tVYi,tX=μiexpβ'Xi,tφi(1+μi1φi)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 informa??o 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=-2Lφ,y+2k (3) BIC=-2Lφ,y+kln(n) (4)4. Análise e Discuss?o dos ResultadosA apresenta??o e discuss?o dos resultados s?o divididas em três subse??es. Na primeira s?o apresentadas as descritivas; na segunda, os resultados dos modelos empíricos para área de estudo e Amaz?nia Internacional; e, por fim, discute-se a relev?ncia destes resultados.4.1 Análise Descritivas dos DadosEm todos os países da amostra, o número dos focos ativos de calor apresentou varia??o 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 extens?o da cobertura florestal, apenas Chile e Uruguai apresentaram taxa de crescimento entre 2000 e 2016. Nos demais países, a redu??o atingiu valores de 15,83% e 22,56% respectivamente para a Argentina e Uruguai. Observando a mudan?a anual de temperatura, nove dos dez países da amostra apresentaram varia??o percentual positiva, à exce??o do Uruguai que experimentou varia??o negativa de 68,90%.Quanto à densidade populacional, todos os países apresentaram varia??o 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 exce??o da Venezuela, todos os países apresentaram varia??o percentual positiva, com o Peru registrando a maior taxa de 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 varia??o percentual positiva. O Chile apresentou a maior varia??o, de 50,81%, já o Brasil detém a maior média histórica com 93,49 milh?es de empregados/ano. No tocante ao total de pessoas desempregadas, à exce??o do Brasil, os demais países reduziram o contingente de desempregados entre 2000 e 2016.4.2 Análise dos Resultados: América do Sul e Amaz?nia LegalAnalisando 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 discuss?o dos resultados s?o dos par?metros do modelo NBFE (3).A cobertura florestal influencia na ocorrência dos focos de calor na América do Sul. Essa rela??o é direta, pois as florestas proveem combustível para a ocorrência dos pontos de igni??o, originados por causas humanas ou causas naturais (descargas elétricas ou erup??es vulc?nicas). Esse resultado também foi observado por Prestemon et al. (2019) para Galícia (Espanha) entre 1999 a 2014, por Andersen e Sugg (2019) para a regi?o 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 evapora??o 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 propor??o de pessoas engajadas no setor de presta??o de servi?os do que em rela??o ao setor primário da economia, cuja atividade tem vínculo com fontes de degrada??o ambiental.Tabela 3. Resultados dos Focos de Calor para a América do Sul.ModelosCovariadas PFE (1)PRE (2)NBFE (3)NBRE (4)ln(agri)-1,22*(0,02)---0,04(0,31)0,12(0,30)agro0,01*(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)temp0,41*(0,002)---1,01*(0,16)1,01*(0,16)d_pop0,08*(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)N170---170170AIC953741,2---3248,043529,99BIC953769,5---3279,403567,62Wald Test251649,63*---104,99*114,03*LR test of ------------LR test vs pooled---------49,05*Fonte: Elaborada com base nos dados da pesquisa.Notas: Erros-padr?o entre parênteses. Nível de signific?ncia: *< 0,05.Na regi?o da Amaz?nia Internacional de acordo com os critérios AIC e BIC o modelo NBFE (7) apresenta melhor especifica??o. Observe pela Tabela 4 que a agricultura, representada pela extens?o das áreas agrícolas, reduz a ocorrência dos focos de calor, um resultado n?o esperado visto que as evidências apontam uma associa??o positiva entre as duas variáveis (MART?NEZ-FERN?NDEZ et al., 2013; MORELLO et al., 2020). Neste sentido, em face ao efeito contrário obtido nesta pesquisa, sugere-se a ado??o de métricas relacionadas ao valor, volume da produ??o ou uma proxy para intensifica??o da agricultura como o crédito agrícola para atestar o real impacto.Regi?es densamente povoadas proporcionam um maior número dos focos de calor na regi?o da Amaz?nia 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 explica??o plausível é de que a press?o antropogênica dos grandes centros urbanos esteja se intensificando em regi?es rurais e florestais destes países.A atividade econ?mica, PIBpc, relaciona-se positivamente com a ocorrência dos focos de calor, isto indica que as atividades do setor florestal ocupam uma importante posi??o 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 interpreta??o é a mesma da se??o anterior.Tabela 4. Resultados dos Focos de Calor para a Amaz?nia Internacional.ModelosCovariadas 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)agro0,03*(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)temp0,53*(0,002)0,53*(0,002)1,08*(0,21)1,08*(0,20)d_pop0,11*(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)N102102102102AIC732872733072,82015,062188,96BIC732895,6733101,72041,312220,46Wald Test227021,98*226998,4473,25*76,99*LR test of ---140000------LR test vs pooled---------28,24*Fonte: Elaborada com base nos dados da pesquisa.Notas: Erros-padr?o entre parênteses. Nível de signific?ncia: *< 0,05.4.3 Discuss?es e Implica??es dos Focos de Calor A preven??o e mitiga??o dos efeitos dos focos de calor e incêndios florestais é uma quest?o complexa para a elabora??o das políticas de combate a incêndios, pois a variabilidade espacial dos pontos de igni??o, bem como os fatores humanos e geoambientais, dificultam a eficácia destas medidas.O meio biofísico é pe?a fundamental na análise dos riscos associados aos pontos de igni??o. Neste sentido, a extens?o da cobertura florestal propicia a ocorrência dos focos de calor na América do Sul e Amaz?nia Internacional. Um resultado relevante, pois o bioma Amaz?nico percorre oito países sul-americanos e, além da extens?o destas áreas, a biomassa florestal e a serapilheira s?o elementos importantes na propaga??o 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 1?C de aquecimento global acima dos níveis pré-industriais e, caso o ritmo atual seja mantido, provavelmente causar?o aquecimento de 1,5?C entre 2030 e 2052. Dessa forma, sem o declínio nas emiss?es globais de Gases de Efeito Estufa (GEE), as consequências do aquecimento global ampliar?o a ocorrência dos eventos climáticos extremos, como as chuvas intensas, inunda??es costeiras, secas, ondas de calor e incêndios florestais.Para ampliar acordos e mitigar os efeitos das mudan?as climáticas, está em vigor desde 2016 o The Paris Agreement, no qual os países da área de estudo e outras 184 na??es acordam na redu??o dos níveis vigentes de GEE. Por conseguinte, compete aos países amaz?nicos e n?o-amaz?nicos o monitoramento dos incêndios associados ao desmatamento, atividade que reduz o sequestro de carbono. Além disso, existe um largo trade-off entre o desenvolvimento econ?mico intrapaíses e o uso sustentável dos recursos naturais como, por exemplo, das florestas que s?o sumidouros de carbono.Sobre a natureza das rela??es entre fatores humanos e focos de calor, conclui-se que a densidade populacional e o PIBpc est?o associadas à ocorrência destes eventos. O efeito positivo do PIBpc levanta indícios de que a economia sul-americana é baseada na produ??o de produtos agrícolas. Segundo Qiang et al. (2020), a América do Sul é um grande exportador de terras virtuais, associado com a produ??o global agrícola entre 1986 e 2016, com destaque para Argentina e Brasil que se concentram na produ??o de oleaginosas.A densidade demográfica também afeta positivamente na ocorrência dos focos de calor na regi?o da Amaz?nia Internacional. Avalia-se que o ecossistema florestal se estenda entre 50% a 60% do território dos países Amaz?nicos (FAO, 2020) e que, além da presen?a direta medida pela densidade populacional, outras medidas indiretas da presen?a humana captadas pela presen?a de ferrovias, rodovias e linhas de transmiss?o de energia também possam desencadear incêndios nesta regi?o.Em rela??o 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 institui??es governamentais devem considerar a realiza??o de a??es de combate aos focos de calor em regi?es florestais e em áreas com alto nível de desemprego.5. Conclus?esA América do Sul destaca-se por sua biodiversidade presente em diversos biomas (Amaz?nico, Caatinga, Cerrado, Chaco, Floresta Atl?ntica Semidecidual, Pampas, Pantanal e biomas de ?gua Doce), porém, a degrada??o ambiental amea?a a regi?o com a evolu??o do desmatamento e grandes incêndios florestais. Em face a estas modifica??es ambientais, a compreens?o do regime dos focos de calor na regi?o propicia a manuten??o da biodiversidade e reduz os riscos associados aos sistemas humanos. Neste sentido, a análise dos focos de calor inicia da identifica??o de aspectos geossocioecon?micos 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 Amaz?nia Internacional, controlando por características geográficas e das atividades humanas por países entre 2000 e 2016. Os resultados evidenciam que a cobertura florestal e a mudan?a anual de temperatura acentuam os focos de calor, assim como a densidade populacional e o PIBpc influenciam estes eventos na Amaz?nia Internacional.Em face aos incrementos na mudan?a anual de temperatura, podem tornar mais severas a frequência e a intensidade dos focos de calor e incêndios, no curto e médio prazo, em raz?o aos eventos climáticos extremos. Como o nível de emprego atenua as ocorrências dos focos de calor, deve-se promover a inser??o de pessoas no mercado de trabalho para redu??o 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 coopera??o intergovernamental. Os riscos associados aos focos de calor podem comprometer o desenvolvimento da regi?o, pois podem impactar o meio ambiente, saúde e bem-estar populacional, além de acordos comerciais.ReferênciasAGEE, 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-GARC?A, C. Quantifying economic losses from wildfires in black pine afforestations of northern Spain. Forest Policy and Economics, v. 73, p. 153-167, 2016. , 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. , 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. , J. A.; BELMONTE-UREN?A, L. J.; LO?PEZ-SERRANO, M. J.; VELASCO-MUN?OZ, J. F. Forest ecosystem services: an analysis of worldwide research. Forests, v. 9, n. 8, p. 453-471, 2018. , B. Econometric Analysis of Panel Data, 3a edi??o. 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. , M., LOMBARD?A, M. J.; MAREY-P?REZ 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. , M.; LOMBARD?A, M. J.; MAREY-P?REZ, M.; MORALES, D. Poisson mixed models for predicting number of fires. International Journal of Wildland Fire, v. 28, n. 3, p. 237-253, 2019. , A. C.; TRIVEDI, P. K. Microeconometrics Using Stata. Stata press, College Station, Texas, 2009.CATRY, F. X.; REGO, F. C.; BAC?A?O, F.; MOREIRA, F. Modelling and mapping wildfire ignition risk in Portugal. International Journal of Wildland Fire, v. 18, n. 8, p. 921-931, 2009. , 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. , E.; COCERO, D.; RIA?O, D.; MARTIN, P.; MART?NEZ-VEJA, J.; de la RIVA, J.; P?REZ, 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. , 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. , 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. , 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. BRASILEIRA DE PESQUISA AGROPECU?RIA. Aqua Project Science. Disponível em: <;, 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. . FOOD AND AGRICULTURE ORGANIZATION OF THE UNITED NATIONS. Data. Disponível em: <;. Acesso em: 01 ago. 2020.GONZ?LEZ-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. , 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. , G. M.; KRUEGER, A. B. Economic growth and the environment. Quarterly Journal of Economics, v. 110, n. 2, 353-377, 1995. , 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. , 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. , 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. NACIONAL DE PESQUISAS ESPACIAIS. Programa queimadas. Disponível em: <;, 2020. Acesso em: 01 ago. 2020.INTERNATIONAL MONETARY FUND. IMF data. Disponível em: < ;, 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.; PO?RTNER, H.-O.; ROBERTS, D.; SKEA, J.; SHUKLA, P. R.; PIRANI, A.; MOUFOUMA-OKIA, W.; PE?AN, 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, Suí?a, 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 , 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. , 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. , 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. , 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. , 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. , 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. , A. N.; LOUREN?O, 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. , 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. , S.; PEREIRA, J. M. C.; SAN-MIGUEL-AYANZ, J.; LOUREN?O, L. Exploring the spatial patterns of fire density in Southern Europe using Geographically Weighted Regression. Applied Geography, v. 51, p. 143-157, 2014. , 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. WORLD TABLE, PWT. Data. Disponível em: < ;, 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. , 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. , 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. , 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. , 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. , 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. , 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. , 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. , 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. , 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. , K. A.; ARIMA, E. Y. Fire regimes in Amazonia: the relative roles of policy and precipitation. Anthropocene, v. 14, p. 46-57, 2016. WORLD BANK. World development indicators. Disponível em: < ;, 2020. Acesso em: 29 fev. 2020.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. , M. J. P.; SILVA, S.; TOM?, 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.; L?PEZ-SERRANO, P. M; BRISE?O-REYES, J.; L?PEZ-S?NCHEZ, C.; CORRAL-RIVAS, J. J.; MONTIEL-ANTUNA, E.; CRUZ-LOPEZ, M. I.; RESSL, R.; CUAHTLE, M.; ALVARADO-CELESTINO, E.; GONZ?LEZ-CAB?N, A.; CORTES-MONTA?O, C.; P?REZ-SALICRUP, D.; JARDEL-PELAEZ, E.; JIM?NEZ, E.; ARELLANO-P?REZ, S.; ?LVAREZ-GONZ?LEZ, J. G.; RUIZ-GONZ?LEZ, 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. , 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. , 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. , 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. êndice A: Estatística descritiva das variáveis utilizadas.PaísesVariáveisMédiaDesvio-padr?oMín.Máx.%(2000 – 2016)ArgentinaFocos38469,1817232,24656931749486,15Agricultura141315181076,111285100149254015,71Agropecuária27,251,6325,0329,897,67Floresta297362,816173,98272395,7323642,1-15,83Campos151313,439011,490161795,52,41Temperatura0,460,32-0,160,89344,66Dens. Pop.14,530,7613,3315,7718,30Emprego17,332,1013,6819,7832,88Desemprego10,564,067,119,59-42,06PIBpc17142,052386,2912536,2619817,4524,21BolíviaFocos35975,1820137,981090083119181,50Agricultura373532,93613,393661703773801,45Agropecuária17,391,3515,2819,7517,22Floresta581098,519419,27552644,9609618,8-9,34Campos112877,329186,520122327,25,84Temperatura0,590,230,161,07530,76Dens. Pop.8,730,737,589,9030,55Emprego4,150,493,384,8740,42Desemprego3,621,262,015,4-31,54PIBpc4970,41735,454147,596312,9351,91BrasilFocos238976,395289,410153039391581,44Agricultura273555765986,21261406028408308,46Agropecuária27,911,7023,9130,0125,49Floresta512915091811,9850156225308075-5,50Campos699188,1180696,70752319,25,28Temperatura0,980,230,521,44166,21Dens. Pop.22,611,1920,5924,3918,46Emprego93,498,9678,26105,3532,24Desemprego8,431,316,6711,6118,52PIBpc13541,241524,7611467,5215617,0924,40ChileFocos3155,171515,670479530572,72Agricultura156778,82348,481511001593504,18Agropecuária10,821,517,3912,44-40,56Floresta167742,87105,29161197,4183612,813,90Campos50513,9113017,3053781,48-0,10Temperatura0,290,28-0,290,77558,23Dens. Pop.21,971,1020,1623,6617,34Emprego6,590,925,308,0050,81Desemprego7,841,086,219,69-26,41PIBpc18533,682842,2014233,6922379,0757,22Col?mbiaFocos15169,357777,57352807330984,74Agricultura429970,312405,3416070449871,6-0,43Agropecuária26,242,5122,2428,75-17,36Floresta613675,712020,14601879636086,7-5,37Campos15862640879,210169075,50,27Temperatura0,800,310,211,56615,98Dens. Pop.39,192,2935,3842,6020,41Emprego19,242,3716,1722,8941,47Desemprego11,963,178,2420,52-59,30PIBpc10493,541685,458274,1613051,257,73EquadorFocos2104,941158,42039206807,40Agricultura718967638,455516080660-31,61Agropecuária23,012,5117,5927,71-22,91Floresta149555,54539,47142364156747,2-9,17Campos17404,724492,08018792,13-3,10Temperatura0,640,300,111,361120,53Dens. Pop.51,034,2044,5357,7829,74Emprego6,180,695,117,6249,11Desemprego6,442,753,0811,44-48,77PIBpc9142,751142,917445,0310816,8439,29ParaguaiFocos23894,719473,40823944774171,61Agricultura207761,28690,001934602188507,67Agropecuária30,494,4525,0537,8639,17Floresta178377,814590,73153544198287,8-22,56Campos31450,248195,43034819,612,21Temperatura0,720,340,291,2818,13Dens. Pop.18,831,0813,0316,5326,82Emprego2,680,312,173,1439,13Desemprego5,591,474,099,39-31,01PIBpc9135,551210,287682,7311254,0339,93PeruFocos10988,944763,5337318730417,35Agricultura235464,85064,392275502437402,43Agropecuária17,670,7915,9818,41-11,43Floresta753437,87439,86740937764444,5-3,07Campos157275,140530,9701675850,58Temperatura0,760,280,391,38250,25Dens. Pop.22,361,4320,1624,7222,60Emprego14,461,5012,1316,5436,34Desemprego4,191,012,966,07-38,69PIBpc9055,362020,366443,3512118,4986,48UruguaiFocos755411,981136520900Agricultura146567,52293,56142300149620-3,39Agropecuária122,2810,11107,69136,60-21,16Floresta16451,181677,3513790,5218804,9336,36Campos109265,128157,560116358,8-0,41Temperatura0,650,310,161,19-68,90Dens. Pop.19,090,2318,8419,543,69Emprego1,490,151,271,6826,36Desemprego9,973,706,3116,91-41,18PIBpc15439,133158,5511274,7819884,5458,37VenezuelaFocos20283,945921,73827133743149,58Agricultura215854,1354,27215000216380-0,16Agropecuária20,881,0618,7321,8610,03Floresta495117,97678,92483325,7510676,1-5,35Campos167924,443273,420178781,70,08Temperatura0,760,300,221,43537,77Dens. Pop.30,652,4426,7234,3328,91Emprego11,871,519,1513,8449,78Desemprego9,903,436,8216,78-46,27PIBpc15813,441964,8811974,8218189,96-9,98Fonte: Elaborada com base nos dados da pesquisa. ................
................

In order to avoid copyright disputes, this page is only a partial summary.

Google Online Preview   Download