SciELO - Scientific Electronic Library Online

 
vol.43 número especial 1Contributos da pequena agricultura através da metodologia dos Valores de Produção Padrão índice de autoresíndice de assuntosPesquisa de artigos
Home Pagelista alfabética de periódicos  

Serviços Personalizados

Journal

Artigo

Indicadores

Links relacionados

  • Não possue artigos similaresSimilares em SciELO

Compartilhar


Revista de Ciências Agrárias

versão impressa ISSN 0871-018X

Rev. de Ciências Agrárias vol.43 no.spe1 Lisboa dez. 2020  Epub 01-Dez-2020

https://doi.org/10.19084/rca.19028 

Artigo

Sistemas Vitícolas no Douro: Diferenças e Similaridades para a Eficiência

Viticulture Systems of Douro: Differences and Similarities for Efficiency

Ana Marta-Costa1 

Cátia Santos2 

Aníbal Galindro3 

Micael Santos1 

1 Universidade de Trás-os-Montes e Alto Douro (UTAD), Departamento de Economia, Sociologia e Gestão (DESG), Centro de Estudos Transdisciplinares para o Desenvolvimento (CETRAD), Vila Real, Portugal

2 COlab Vines&Wines, Associação para o Desenvolvimento da Viticultura Duriense (ADVID), Centro de Estudos Transdisciplinares para o Desenvolvimento (CETRAD), Vila Real, Portugal

3 Universidade de Aveiro (UA), Aveiro, Portugal


Resumo

O sector vitivinícola é um sector histórico em Portugal que desempenha um importante papel socioeconómico na Região Demarcada do Douro (RDD). O objetivo deste trabalho consiste em estudar as principais características dos sistemas adotados nesta região, com base num conjunto de 110 inquéritos presenciais e estimar a sua eficiência produtiva recorrendo ao Data Envelopment Analysis (DEA). Além disso, foi realizada uma análise de clusters (cluster k-means) para descobrir padrões desconhecidos nos dados e criar grupos de explorações homogéneas. A amostra assente numa grande diversidade de sistemas vitícolas, apresenta um número elevado de parcelas, com uma produção média de uvas de 5784 kg/ha representando um rendimento de 4315 €/ha, e de que resultaram seis clusters. A maioria das explorações constitui o cluster que se caracteriza pelo trabalho intensivo. O cluster com menor dimensão reúne os casos mais extremos e com elevados valores de capital. Já o grupo mais eficiente é aquele que apresenta todos os indicadores acima da média da amostra, com exceção da área utilizada. Através deste estudo, tornou-se possível reconhecer as características dos sistemas mais eficientes que podem ajudar os viticultores a adotarem os sistemas produtivos mais vantajosos, a fim de alcançar níveis mais elevados de competitividade.

Palavras-chave: Clusters; competitividade; eficiência; sistemas produtivos; viticultura

Abstract

The wine sector is a historical sector in Portugal that plays an important socioeconomic role in the Douro Demarcated Region. This work aims to study the main characteristics of the systems adopted in this region, based on a set of 110 face-to-face surveys and to estimate their productive efficiency using the Data Envelopment Analysis (DEA). In addition, a cluster k-means analysis was performed to uncover unknown patterns in the data and create homogeneous farm groups. The sample based on a large diversity of wine-growing systems has a large number of plots, with an average grape yield of 5784 kg/ha representing a yield of € 4315/ha, resulting in six clusters. Most isolated farms constitute the cluster that show intensive work. The smallest cluster brings together the most extreme cases and with the highest capital values. The most efficient group is the one that presents all indicators above the sample average, except for the area used. Through this study, it became possible to recognize the characteristics of the most efficient systems that can help winegrowers adopt the most advantageous production systems in order to achieve higher levels of competitiveness.

Keywords: Clusters; competitiveness; efficiency; productive systems; viticulture

INTRODUÇÃO

O setor vitivinícola desempenha um papel muito importante na estrutura de produção da agricultura portuguesa e da União Europeia. A produção de uva para a produção de vinho é a sua atividade mais representativa, com Itália, França e Espanha a ocupar a linha de frente da produção mundial e Portugal no 11º lugar do ranking (OIV, 2019).

No território nacional, o setor vitivinícola desempenha um papel socioeconómico de destaque, sendo responsável, de acordo com os dados do INE (2017), por 11% do valor agregado e fornecendo emprego a 8% da população. A importância do setor neste país deve-se às diversas e importantes regiões demarcadas, como o Douro, responsável pela produção vinhos de qualidade superior, principalmente de Denominação de Origem Protegida (DOP), e pelo vinho fortificado mundialmente famoso, o vinho do Porto (IVV, 2019).

A Região Demarcada do Douro (RDD) é a primeira região vinícola delimitada e regulamentada em todo o mundo, desde 1756. Está localizada no Nordeste de Portugal, na bacia do rio Douro e cercada por montanhas. Devido à heterogeneidade das características climáticas, topográficas e do solo, coexistem nesta região distintas formas de armação do terreno e de sistemas de condução da vinha que caracterizam a diversidade dos sistemas produtivos. A instalação da vinha nesta região exige a armação do terreno segundo soluções diversas, nomeadamente vinha em socalco (presença de muros xistosos), patamares e vinha ao alto. Em algumas zonas de planície é também possibilitada a existência de vinhas planas (Magalhães, 2012). Quanto às formas de condução utilizadas nas vinhas da RDD, evidenciam-se os cordões Royat, unilaterais ou bilaterais e, em menor proporção, as formas em guyot simples ou duplo (Magalhães, 2012).

A RDD é ainda dividida em três sub-regiões - Baixo Corgo, Cima Corgo e Douro Superior, com aproximadamente 250.000 ha de área total, dos quais 42.556 ha são ocupados por vinhedos contínuos (IVV, 2018). A colheita de 2018/19 contribuiu com 21% da produção de vinho português, sendo a região vinícola mais representativa do país (IVV, 2019).

No entanto, este setor carece de características nucleares que fazem com que o desempenho da produção de Portugal se afaste da linha de frente dos produtores mundiais de vinho (Galindro et al., 2018). Torna-se, por isso, necessário estudar as principais características dos sistemas produtivos adotados e reconhecer as características dos sistemas mais eficientes que podem ajudar os viticultores a adotarem sistemas produtivos mais vantajosos, a fim de alcançar níveis mais elevados de competitividade.

A área da exploração é um dos fatores que influencia a sua produtividade. Em Portugal, a RDD apresenta cerca de 21.400 explorações, cuja estrutura fundiária é muito diversa e assimétrica (Marta-Costa et al., 2018), dominando as explorações com áreas até 0,5 e entre 0,5 e 5 hectares (Galindro et al., 2018). Esta tendência é considerada um fator limitativo para a rentabilidade das explorações vitivinícolas, sendo a relação, entre área e produtividade, uma questão muito discutida na economia industrial, devido à sua complexidade e ambiguidade (Galindro et al., 2018).

Devido ao facto de grande parte da área da vinha na RDD localizar-se em encostas com elevado declive, esta região apresenta baixas produtividades associadas a elevados custos de produção. Estes, por sua vez, interligam-se com a tecnologia de produção e com a eficiência na utilização dos recursos produtivos, ambos condicionados pela dimensão das explorações vitícolas (Marta-Costa et al., 2018). Dentro dos encargos de exploração, a mão-de-obra tem um peso que vai de 70,6%, na vinha em patamares, a 93% na vinha tradicional não mecanizada. Os custos variáveis diretos unitários são cerca de 0,60 - 0,70 €/Kg de uva na vinha mecanizada a 1,08 €/Kg de uva na vinha não mecanizada (Rebelo, 2018).

Num setor vitícola cada vez mais concorrencial, principalmente a nível mundial onde os países do novo mundo estão cada vez mais competitivos, a busca por uma melhor eficiência produtiva é crucial (Tóth & Gál, 2014). A análise da eficiência surgiu com o trabalho de Farrell (1957) e tem vindo a ser emergente nos estudos empíricos com a evolução de metodologias cada vez mais robustas (Simar & Wilson, 2011; Kumbhakar et al., 2017). Diversos estudos de estimação da eficiência têm vindo a ser desenvolvidos no setor vitivinícola (Henriques et al., 2009; Brandano et al., 2012; Guesmi et al., 2012; Aparicio et al., 2013; Coelli & Sanders, 2013; Vidal et al., 2013; Fleming et al., 2014; Tóth & Gál, 2014; Fuensantana et al., 2015; Sellers-Rubio & Más-Ruiz, 2015; Sellers-Rubio et al., 2016; Goncharuk & Figurek, 2017; Urso et al., 2018). Nestes trabalhos a eficiência tem sido medida com a utilização dos outputs, nomeadamente a produção em volume ou em valor monetário, e os inputs passam essencialmente pela terra, trabalho, capital e consumos intermédios utilizados.

Porém, de acordo com Sellers-Rubio et al. (2016) as características heterogéneas dos sistemas de produção utilizados tornam difícil a estimação da eficiência produtiva. Os múltiplos efeitos da fisiologia da videira e das interações videira-ambiente-agronomia são amplamente reconhecidos e têm implicações no rendimento e na qualidade do bago, que por sua vez determinam os principais fatores que impulsionam a eficiência da vinha (Marta-Costa et al., 2017).

Geralmente os níveis de eficiência dos sistemas aplicados estão mais relacionados com os fatores microeconómicos, como as características da exploração e do agricultor (Conradie et al., 2006; Henriques et al., 2009); variedade de uva (Coelli & Sanders, 2013; Manevska-Tasevska, 2013); diversificação e especialização (Henriques et al., 2009; Coelli & Sanders, 2013); irrigação (Conradie et al., 2006; Henriques et al., 2009); e sistemas de condução (Moreira et al., 2011); mas também com fatores macroeconómicos, como o sistema financeiro; a qualidade do capital humano e o consumo per capita de vinho (József & Péter, 2014).

Este trabalho tem como objetivo estudar as principais características dos sistemas adotados na região do Douro e estimar a sua eficiência produtiva recorrendo ao DEA. Foi ainda realizada uma análise de clusters (cluster k-means) para descobrir padrões desconhecidos nos dados e criar grupos de explorações homogéneas.

O trabalho está dividido em quatro secções principais. Para além da introdução, segue-se a apresentação da metodologia utilizada, organizada, por sua vez, em três subsecções dedicadas à seleção e caracterização da amostra; à estimação da eficiência produtiva; e à análise de clusters. Na Secção 3 são expostos os resultados obtidos pela aplicação de cada uma das metodologias referidas anteriormente. Finalmente, as conclusões do trabalho desenvolvido são apresentadas na Secção 4.

MATERIAL E MÉTODOS

O desenvolvimento deste trabalho organizou-se nas três fases que se apresentam de seguida.

Seleção e Caracterização da Amostra

Para a seleção da amostra utilizaram-se como critérios principais a distribuição geográfica e a dimensão da exploração, por forma a garantir a diversidade e a heterogeneidade verificada nas explorações da RDD. Para o efeito, a amostra foi selecionada a partir dos dois concelhos com maior representatividade de área total de vinha, de cada uma das três sub-regiões (Cima Corgo, Baixo Corgo e Douro Superior) da RDD, de acordo com a informação obtida pelo IVV (dados não publicados). Posteriormente categorizaram-se as explorações de acordo com a sua dimensão e selecionaram-se um número semelhante de unidades produtivas por cada classe de área. As áreas de classe de vinha consideradas foram: (a) 1 ≤ área <5; (b) 5 ≤ área <10; (c) 10 ≤ área <20; e (d) ≥ 20 ha.

O tamanho total da amostra correspondeu a 110 explorações, constituído 31, 32, 30 e 17 inquéritos, respetivamente, de acordo com as classes de área expostas anteriormente. As explorações selecionadas com área igual ou superior a 20 ha foram em menor número devido à sua menor representatividade na RDD, em termos de número.

Os dados foram recolhidos através da realização de inquéritos presenciais aos viticultores e empresários das explorações selecionadas, sendo a informação recolhida relativa a 2017.

O inquérito foi estruturado nas seguintes seis secções:

identificação da empresa/exploração e do inquirido;

caracterização geral do empresário;

caracterização global da exploração e dos seus capitais fixos;

caracterização da vinha e seus outputs;

custos de produção por operação vitícola;

informação complementar.

A caracterização geral da amostra em estudo encontra-se no Quadro 1, cuja observação dos dados expostos confirma a heterogeneidade da amostra e dos sistemas utilizados na RDD.

Quadro 1 Caracterização geral da amostra recolhida em estudo 

Caracterização da amostra Médias Mínimo Máximo
Área média total/exploração (ha) 35 1,7 400
Área média de vinha/exploração (ha) 17 1 184
Número médio de parcelas de vinha 6 1 51

Fonte: Dados próprios.

Análise da eficiência

Para estimar a eficiência das explorações vitícolas, utilizou-se o DEA, visto ser uma metodologia mais simples que não implica uma forma funcional, com orientação para o input, com funções de distância radiais de Debreu-Farrell e utilizando o bootstrap (método de reamostragem) como inferência, através do software STATA (versão 14.2). A Equação (1) representa o modelo utilizado, com rendimentos constantes à escala:

(1)

Sendo θ a eficiência; k o vetor de pontos de dados; m o vetor de outputs; n o vetor de inputs; y a matriz K x M de dados disponíveis nos outputs; x a matriz K x N dos dados disponíveis dos inputs.

Nesta metodologia foram feitas duas estimações, utilizando como output a produção em quantidade (quilogramas) e em valor (euros). Para ambas, os inputs usados foram a área de vinha (hectares), o trabalho (dias), o capital (euros) e os consumos intermédios (Euros). As estatísticas descritivas das variáveis utilizadas encontram-se no Quadro 2.

Quadro 2 Estatísticas descritivas das variáveis de output e de input  

Variáveis Descrição Observações Média Desvio Padrão. Mínimo Máximo
Produção Produção de uvas (kg) 110 89897,44 152904,50 3388,64 900000,00
Rendimentos Rendimento das uvas (volume x preço) (euros) 110 71813,43 119761,20 3191,95 714929,10
Terra Área de vinha (hectares) 110 16,99 30,04 1,00 184,38
Trabalho Trabalho (dias) 110 985,75 2052,73 42,33 12602,64
Capital Amortizações (euros) 110 8051,81 11053,31 47,50 72701,03
Consumos Intermédios Valor dos bens e serviços como inputs (euros) 110 25121,85 46877,40 952,50 441163,40

Fonte: Dados próprios.

O DEA, visto como uma abordagem determinística, não aplica inferência aos níveis de eficiência estimados. Tal situação poderá resultar em eficiências superestimadas, devido esta ser uma metodologia de benchmarking e por a amostra poder não ter as melhores práticas incluídas (Simar & Wilson, 1998, 2000a). Para resolver o problema, aplicou-se a inferência nos níveis de eficiência estimados através da metodologia de bootstrap, utilizando um procedimento heterogéneo e a assunção de rendimentos constantes à escala indicados por testes realizados no STATA sugeridos por Badunenko e Mozharovskyi (2016).

Análise de clusters

Para a análise de clusters foi utilizado o algoritmo k-means devido à sua alta aplicabilidade e simplicidade. Este método assume que, dado um conjunto de n pontos de dados, num espaço m-dimensional real R m , um número inteiro k (com k < m) é escolhido. Neste trabalho consideraram-se as 110 observações das explorações vitícolas (n=110) e seis dimensões (m=6) relativas às características de produção (kg/ha); rendimento (€/ha); área de vinha (ha); mão-de-obra (dias/ha); custos reais (€/ha); e ativo total (€/ha).

O problema consiste em determinar o conjunto de pontos (k) em R m (centros) para minimizar a distância quadrática média de cada ponto de dados até o centro mais próximo. Neste trabalho foi seguida a formulação e a solução matemática proposta por Lloyd (1982). O agrupamento k-means foi aplicado através do software R (versão 3.6.1).

RESULTADOS E DISCUSSÃO

Caracterização dos sistemas produtivos

Na Figura 1 e Quadro 3 apresentam-se alguns indicadores calculados para a amostra de explorações vitícolas selecionada na RDD.

É possível observar que a amostra apresenta uma grande diversidade de características dos sistemas vitícolas. Relativamente à armação do terreno (Figura 1), verifica-se que em cerca de 31% das explorações visitadas, as vinhas são instaladas em patamares, denotando a prevalência de declives bastante inclinados. O facto de cerca de 37% das explorações apresentarem sistemas de armação misto, ou seja, numa mesma exploração estarem presentes mais do que um sistema de armação (socalcos, patamares, vinha ao alto e plano) evidencia a heterogeneidade das condições orográficas da região e, simultaneamente, da presença de várias parcelas numa mesma exploração. Relativamente ao sistema de orientação, 59 % das explorações utilizam o Cordão, sistema mais favorável à utilização de tração mecânica na vinha.

Figura 1 Características da amostra em estudo, quanto à armação do terreno e ao sistema de condução da vinha (Dados próprios). 

Os inquiridos apresentaram uma idade média de 52 anos e cerca de dois terços destes (67%) detêm uma formação secundária e/ou superior. De referir que estes resultados não caracterizam de forma fiel as características dos viticultores da região, visto que grande parte das vezes os inquéritos foram respondidos pelos gestores das explorações ou pelos filhos dos viticultores.

A produção média de uva da amostra foi de 5784 kg/ha, com rendimentos médios de 4315 €/ha e custos reais totais de 0,77 €/kg de uva. Relativamente aos custos reais com a mão-de-obra, o valor médio encontrado foi de 1868 €/ha, evidenciando as grandes necessidades de mão-de-obra afeta a esta região como referido na introdução.

Das explorações estudadas, apenas 3% se dedica ao modo de produção em agricultura biológica, verificando-se custos significativos com a aplicação de produtos químicos.

Quadro 3 Principais indicadores económicos, ambientais e sociais da amostra em estudo 

Indicadores sociais
Idade (anos) 52
Escolaridade do gestor/viticultor (secundário ou superior) (%) 67
Trabalho (dias/ha) 54
Mão-de-obra temporária (%) 42
Explorações exclusivamente com mão-de-obra familiar (%) 3
Viticultores com dedicação total à atividade vitícola (%) 63
Indicadores económicos
Área de benefício (%) 89
Produção de uva (kg/ha) 5784
Rendimentos (€/ha) 4315
Custos reais totais (€/ kg de uva) 0,77
Custos totais (€/ kg de uva) 1,17
Benefícios / custos reais 1,36
Benefícios / custos totais 0,87
Indicadores ambientais
Custos com fertilização (€/ha) 148
Custos com fitofármacos (€/ha) 356
Tração (h/ha) 31
Agricultura biológica (%) 3

Fonte: Dados próprios.

O Quadro 4 apresenta os principais indicadores por sistema de condução adotado. Os sistemas tradicional e guyot apresentam uma menor produção, mas refira-se que estão geralmente associados a áreas mais pobres. O primeiro evidencia ainda menores custos com os produtos químicos e menor utilização de tração.

Quadro 4 Principais indicadores por sistemas de condução 

Indicadores Cordão Guyot Tradicional Misto
Produção de uva (kg/ha) 6151 4967 3726 5675
Rendimentos (€/ha) 4458 3552 4031 4393
Benefícios / custos reais 1,3 1,3 1,9 1,3
Custos com fertilização (€/ha) 159 164 86 124
Custos com fitofármacos (€/ha) 358 532 224 291
Tração (h/ha) 32 35 19 31
Trabalho (dias/ha) 53 47 40 61

Fonte: Dados próprios.

Relativamente à armação do terreno, salienta-se, entre outros aspetos, a maior produção de uva nas áreas planas, acompanhada, como é óbvio, por maiores volumes de tração utilizada. As explorações que utilizam exclusivamente patamares apresentam também um bom rendimento por hectare, porém são as que se destacam com maiores níveis de fertilização e aplicação de produtos fitofarmacêuticos. Porém, é de referir, que a análise dos Quadros 4 e 5 deverá ser efetuada de forma cuidadosa, pois existe uma combinação muito variadas de fatores que influenciam os números observados, para além do sistema de condução e da armação do terreno.

Quadro 5 Principais indicadores por armação do terreno 

Indicadores Socalcos Patamares Vinha ao alto Plano Misto
Produção de uva (kg/ha) 4514 6138 4844 6933 5624
Rendimentos (€/ha) 3969 4608 3629 5110 4017
Benefícios / custos reais 1,3 1,3 1,3 1,3 1,4
Custos com fertilização (€/ha) 71 231 151 169 93
Custos com fitofármacos (€/ha) 289 393 263 267 395
Tração (h/ha) 24 33 30 36 31
Trabalho (dias/ha) 52 59 51 55 50

Fonte: Dados próprios.

Análise da eficiência produtiva

O Quadro 6 apresenta os valores estimados médios da eficiência no total e por subgrupos. Geralmente a eficiência apresenta valores entre 1 e 0 (eficiência média), mas a eficiência corrigida com a utilização do bootstrap, apresenta valores inferiores, sendo que este método de reamostragem presume que as melhores práticas do setor (de eficiência igual a 1) não estão incluídas na amostra.

Quadro 6 Valores estimados da eficiência no total e médias por subgrupos 

Amostra Obs, Produção Rendimentos
Eficiência Média Eficiência Média Corrigida Eficiência Média Eficiência Média Corrigida
Total da amostra 110 0,5636 0,5042 0,5298 0,4666
Sub-região Baixo Corgo 39 0,6169 0,5537 0,5689 0,5046
Cima Corgo 49 0,5524 0,4961 0,5112 0,4480
Douro Superior 22 0,4942 0,4344 0,5019 0,4406
Área de vinha [1;5] hectares 31 0,5598 0,4986 0,5086 0,4507
]5;10] hectares 34 0,5713 0,5094 0,5213 0,4519
]10;20] hectares 29 0,5726 0,5093 0,5802 0,5147
>20 hectares 16 0,5383 0,4948 0,4974 0,4417
Sistemas de condução da vinha Cordão 65 0,5732 0,5167 0,5197 0,4582
Guyot 13 0,5402 0,4478 0,5058 0,4365
Misto 27 0,5613 0,5110 0,5310 0,4712
Tradicional 5 0,5131 0,4507 0,7176 0,6297
Orientação do terreno Misto 41 0,5495 0,4993 0,5056 0,4513
Patamares 34 0,5725 0,5132 0,5503 0,4834
Plano 15 0,6485 0,5526 0,5558 0,4703
Socalcos 12 0,4775 0,4246 0,5267 0,4622
Vinha ao alto 8 0,5684 0,4905 0,4954 0,4445

Fonte: Dados próprios.

A eficiência produtiva não é muito elevada em ambas as análises (produção e rendimentos). No entanto, a eficiência é mais alta quando consideramos a produção em quilogramas como output (0,50) do que quando consideramos os rendimentos em euros. Esta discrepância acontece porque as duas variáveis são distintas, visto que, uma considera apenas o volume de produção das uvas em quantidade e a outra é a multiplicação dessa variável pelo preço da uva.

A região do Baixo Corgo apresenta melhores níveis de eficiência (0,55 e 0,50, respetivamente) que o Douro Superior (0,43 e 0,44) e a eficiência aumenta com o tamanho da exploração até aos 10 ou 20 hectares (0,51). As explorações com mais de 20 hectares parecem ser as menos eficientes (0,49 e 0,44). Este resultado está em linha com o trabalho de Galindro et al. (2018), visto que mostrou existir rendimentos crescentes à escala até aos cinco hectares e uma relação ambígua depois desse tamanho.

Em relação aos sistemas de produção, os resultados diferem, com o tradicional e o guyot a serem os sistemas menos eficientes em termos de produção (0,51 e 0,45) e o tradicional a ser o mais eficiente em termos de rendimentos (0,63). Em adição, o cordão tem os maiores níveis de eficiência (0,52) em termos de produção e o guyot tem os menores níveis de eficiência (0,44) em termos de rendimentos.

Analisando as orientações do terreno, o sistema de socalcos parece ser o menos eficiente (0,42) e o plano é o mais eficiente (0,55 e 0,47) em termos de produção, enquanto que em termos de rendimentos, a vinha ao alto tem os níveis mais baixos de eficiência (0,44) e o plano e os patamares apresentam níveis superiores de eficiência (0,56 e 0,48).

Identificação e análise de clusters

O Quadro 8 e a Figura 2 mostram o agrupamento das explorações em seis clusters.

Figura 2 Clusters obtidos pela aplicação do algoritmo k-means. Fonte: Dados próprios. 

O cluster número 1 é o menos representativo e o que agrupa as situações mais extremas, com ativos avassaladores e maiores custos reais, mas a menor área média e uma menor quantidade de mão-de-obra utilizada. Podemos considerar que este cluster reúne um pequeno grupo de explorações jovens com equipamentos novos e investimentos volumosos recentes. É o menos eficiente e é constituído unicamente por explorações do Baixo Corgo, com sistema de condução em cordão e armação do terreno em patamares.

Em oposição, o cluster número 5 compila o conjunto de explorações que apresentam um valor inferior de bens ativos. Tal facto deve comprometer os valores médios de produção e rendimento também substancialmente inferiores. Inclui explorações só do Baixo Corgo e do Douro Superior, com maiores percentagens de explorações em guyot e socalcos.

Já as explorações integradas no cluster número 4 são aquelas que apresentam maior produção e maiores níveis de eficiência. É também muito intensivo em trabalho (54,2 dias por hectare). Representa 14,5% da amostra com 16 explorações vitícolas e áreas médias de cerca de 16,9 hectares.

O grande cluster número 6 , com 41,1% da amostra, é uma réplica justa do desempenho geral das explorações vitícolas do Douro, uma vez que quase simula perfeitamente os valores médios do nosso conjunto de dados. É o terceiro cluster mais eficiente e metade das explorações apresentam sistemas de condução mistos. É dos mais intensivos em trabalho, apresenta baixos custos reais e baixos investimentos em capital. A área média é de 16,6 hectares.

O cluster número 3 (10,9% da amostra com 12 explorações) é formado essencialmente por explorações do Baixo Corgo em patamares. Tem os menores custos reais por hectare, também é intensivo em trabalho, tem baixos investimentos em capital e é o segundo cluster com as menores explorações com uma média de 8,8 hectares e também o segundo mais eficiente.

Finalmente, o cluster número 2 apresenta explorações marginais que estão bem abaixo da média da produtividade. É, por isso, um dos menos eficientes em termos de rendimento. É intensivo em trabalho e é formado por grandes explorações (média de 25,8 hectares por exploração).

Quadro 8 Clusters obtidos pela aplicação do algoritmo k-means 

Cluster Produção (kg) Rendimentos (€) Área Dias de trabalho Custos Reais (€) Capital (€) Eficiência (Produção) Eficiência (Rendimento) Tamanho
1 5531 3883 8,3 40,7 5706 101959 0,4030 0,4476 1,90%
2 4967 3738 25,8 52,3 4876 49088 0,4349 0,3810 19,10%
3 6544 4842 8,8 50 3028 27851 0,5216 0,5139 10,90%
4 6708 5095 16,9 54,2 4268 60381 0,6052 0,5464 14,50%
5 5327 3220 9,4 54,9 3325 8382 0,4837 0,4115 4,50%
6 5709 4308 16,4 54,9 3408 40049 0,5030 0,4715 41,10%
Média 5784 4315 16,9 53,6 3810 43088 0,5042 0,4666 100%

Fonte: Dados próprios.

CONCLUSÕES

A realização deste trabalho permitiu evidenciar a heterogeneidade de condições naturais e produtivas para as explorações da RDD.

A análise dessa heterogeneidade ao nível de uma amostra de 110 explorações permitiu confirmar a grande disparidade verificada de produções em quantidade e valor, dos custos obtidos e da utilização dos diversos fatores de produção, com destaque para a mão-de-obra, produtos químicos e tração mecânica. A utilização destes elementos associados aos sistemas de condução da vinha e de armação do terreno, bem como a interação com a dimensão da exploração e sua localização geográfica, são condicionantes dos níveis de eficiência verificados para as explorações. Atendendo a estes elementos, foi possível organizar a amostra em seis clusters.

De modo geral, a análise detalhada dos resultados obtidos, permite identificar as seguintes conclusões:

A eficiência mostrou aumentar ligeiramente com o tamanho da exploração até 10 ou 20 ha, sendo que os clusters com área média nesses intervalos também mostraram ser os mais eficientes.

A maior parte da amostra, e praticamente todos os clusters, são intensivos em mão de obra e usam uma média de dias de trabalho por hectare semelhante. O que se deve à região predominantemente de montanha com encostas acentuadas e por isso com alto declive, onde a mecanização é muito difícil.

Os custos reais entre clusters também pareceu díspar, podendo relacionar-se com a grande utilização de trabalho familiar não remunerado em algumas explorações.

Existe uma grande disparidade de investimentos de capital entre explorações vitícolas e por cluster.

O número de clusters identificado (6) traduz a grande heterogeneidade das explorações vitícolas existentes na amostra.

O cluster mais eficiente da amostra representa apenas 14,5% do total, evidenciando que muitas explorações têm ainda que melhorar os seus sistemas de produção e gestão para se tornarem mais eficientes.

REFERÊNCIAS BIBLIOGRÁFICAS

Aparicio, J.; Borras, F.; Pastor, J.T. & Vidal, F. (2013) - Accounting for slacks to measure and decompose revenue efficiency in the Spanish Designation of Origin wines with DEA. European Journal of Operational Research, vol. 231, n. 2, p. 443-451. https://doi.org/10.1016/j.ejor.2013.05.047Links ]

Badunenko, O. & Mozharovskyi, P. (2016) - Nonparametric frontier analysis using Stata. The Stata Journal, vol. 16, n. 3, p. 550-589. https://doi.org/10.1177/1536867X1601600302Links ]

Brandano, M.G.; Detotto, C. & Vannini, M. (2012) - Comparative efficiency of producer cooperatives and conventional firms in a sample of quasi-twin companies (No. 201228). Sardinia, Centre for North South Economic Research, University of Cagliari and Sassari. [ Links ]

Coelli, T. & Sanders, O. (2013) - The Technical Efficiency of Wine Grape Growers in the Murray-Darling Basin in Australia. In: Giraud-Héraud, E. & Pichery, MC. (Eds.) - Wine Economics. Applied Econometrics Association Series. London, Palgrave Macmillan, p. 231-249. https://doi.org/10.1057/9781137289520_12Links ]

Conradie, B.; Cookson, G. & Thirtle, C. (2006) - Efficiency and farm size in Western Cape grape production: Pooling small datasets. South African Journal of Economics, vol. 74, n. 2, p. 334-343. https://doi.org/10.1111/j.1813-6982.2006.00061.xLinks ]

Farrell, M.J. (1957) - The measurement of productive efficiency. Journal of the Royal Statistical Society: Series A (General), vol. 120, n. 3, p. 253-290. https://doi.org/10.2307/2343100Links ]

Fleming, E.; Mounter, S.; Grant, B.; Griffith, G. & Villano, R. (2014) - The New World challenge: Performance trends in wine production in major wine-exporting countries in the 2000s and their implications for the Australian wine industry. Wine Economics and Policy, vol. 3, n. 2, p. 115-126. https://doi.org/10.1016/j.wep.2014.12.002Links ]

Fuensantana, M.J.R.; Sancho, F.H. & Marco, V.S. (2015) - In vino veritas: competitive factors in wine-producing industrial districts. Journal of Regional Research, vol. 32, n. 7, p. 149-164. [ Links ]

Galindro, A.; Santos, M.; Santos, C.; Marta-Costa, A.; Matias, J. & Cerveira, A. (2018) - Wine productivity per farm size: a maximum entropy application. Wine Economics and Policy, vol. 7, n. 1, p. 77-84. https://doi.org/10.1016/j.wep.2018.03.001Links ]

Goncharuk, A.G. & Figurek, A. (2017) - Efficiency of winemaking in developing countries: evidence from the Ukraine and Bosnia and Herzegovina. International Journal of Wine Business Research, vol. 29, n. 1, p. 98-118. https://doi.org/10.1108/IJWBR-02-2016-0007Links ]

Guesmi, B.; Serra, T.; Kallas, Z. & Gil Roig, J. M. (2012) - The productive efficiency of organic farming: the case of grape sector in Catalonia. Spanish Journal of Agricultural Research, vol. 10, n. 3, p. 552-566. https://doi.org/10.5424/sjar/2012103-462-11Links ]

Henriques, P.D.S.; Carvalho, M.L.S. & Fragoso, R.M.S. (2009) - Technical efficiency of Portuguese wine farms. New Medit, A Mediterranean Journal of Economics, Agriculture and Environment, vol. 8, n. 1, p. 4-9. [ Links ]

IVV (2018) - Evolução da Área Total de Vinha - Portugal Continental. Instituto do Vinho e da Vinha. [cit. 2019.06.05]. < https://www.ivv.gov.pt/np4/35/ >. [ Links ]

IVV (2019) - Evolução da Produção Nacional de Vinho por Região Vitivinícola. Instituto do Vinho e da Vinha. [cit. 2019.09.29]. < https://www.ivv.gov.pt/np4/36/ >. [ Links ]

INE (2017) - População residente (N.º) por Local de residência (NUTS - 2013), Sexo e Grupo etário; Estimativas anuais da população residente. Instituto Nacional de Estatística. [cit. 2017.10.08 ]. < https://www.ine.p t>. [ Links ]

Kumbhakar, S.C.; Parmeter, C.F. & Zelenyuk, V. (2017) - Stochastic Frontier Analysis: Foundations and Advances. 1-103. [cit. 2019-09-27]. < http://www.bus.miami.edu/_assets/files/repec/WP2017-10.pdf > [ Links ]

Lloyd, S.P. (1982) - Least Squares Quantization in PCM. IEEE Transactions on Information Theory, vol. 28, n. 2, p. 129-137. https://doi.org/10.1109/TIT.1982.1056489Links ]

Magalhães, N. (Coord.) (2012) - Manual de Boas Práticas Vitícolas na Região Demarcada do Douro. IVDP e CCDR-N, 62 p. [ Links ]

Manevska-Tasevska, G. (2013) - Farmers’ knowledge attributes contribute to attaining higher farm technical efficiency: a transition economy case. The Journal of Agricultural Education and Extension, vol. 19, n. 1, p. 7-19. https://doi.org/10.1080/1389224X.2012.746001Links ]

Marta-Costa, A.; Martinho, V. & Santos, M. (2017) - Productive Efficiency of Portuguese Vineyard Regions. Regional Science Inquiry Journal, vol. IX, n. 2, p. 97-107. [ Links ]

Marta-Costa, A.; Santos, C.; Santos, M. & Galindro, A. (2018) - Vinha: estrutura de produção. In: Hogg, T. & Rebelo, J. (Eds.) - Rumo Estratégico para o setor dos vinhos do Douro e Porto, Volume 3 - Estudos de base. Vila Real, UTAD, p. 109-114. [ Links ]

Moreira, V.H.; Troncoso, J.L. & Bravo-Ureta, B.E. (2011) - Technical efficiency for a sample of Chilean wine grape producers: A stochastic production frontier analysis. Ciencia e Investigación Agraria, vol. 38, n. 3, p. 321-329. http://dx.doi.org/10.4067/S0718-16202011000300001Links ]

OIV (2019) - OIV Statistical Report on World Vitiviniculture: World Vitiviniculture Situation. Organização Internacional da Vinha e do Vinho. [cit. 2019.06.01]. < http://www.oiv.int/public/medias/6782/oiv-2019-statistical-report-on-world-vitiviniculture.pdf, acedido em 01/06/2019 >. [ Links ]

Rebelo, J. (2018) - Rentabilidade das explorações vitícolas: a relevância do fator trabalho. In: Hogg, T. & Rebelo, J. (Eds.), Rumo Estratégico para o setor dos vinhos do Douro e Porto, Volume 3 - Estudos de base. Vila Real, UTAD, p. 119-121. [ Links ]

Sellers-Rubio, R. & Más-Ruiz, F.J. (2015) - Economic efficiency of members of protected designations of origin : sharing reputation indicators in the experience goods of wine and cheese. Review of Managerial Science, vol. 9, n. 1, p. 175-196. https://doi.org/10.1007/s11846-014-0124-xLinks ]

Sellers-Rubio, R.; Alampi Sottini, V. & Menghini, S. (2016) - Productivity growth in the winery sector: evidence from Italy and Spain. International Journal of Wine Business Research, vol. 28, n. 1, p. 59-75. https://doi.org/10.1108/IJWBR-05-2015-0019Links ]

Simar, L. & Wilson, P.W. (2011) - Inference by the m out of n bootstrap in nonparametric frontier models. Journal of Productivity Analysis, vol. 36, n. 1, p. 33-53. https://doi.org/10.1007/s11123-010-0200-4Links ]

Tóth, J. & Gál, P. (2014) - Is the New Wine World more efficient? Factors influencing technical efficiency of wine production. Studies in Agricultural Economics, vol. 116, n. 2, p. 95-99. http://dx.doi.org/10.7896/j.1411Links ]

Urso, A.; Timpanaro, G.; Caracciolo, F. & Cembalo, L. (2018) - Efficiency analysis of Italian wine producers. Wine Economics and Policy, vol. 7, n. 1, p. 3-12. https://doi.org/10.1016/j.wep.2017.11.003Links ]

Vidal, F.; Pastor, J.T.; Borras, F. & Pastor, D. (2013) - Efficiency analysis of the designations of origin in the Spanish wine sector. Spanish Journal of Agricultural Research, vol. 11, n. 2, p. 294-304. https://doi.org/10.5424/sjar/2013112-3607Links ]

Recebido: 09 de Dezembro de 2019; Aceito: 20 de Fevereiro de 2020

(*E-mail:amarta@utad.pt)

Creative Commons License Este é um artigo publicado em acesso aberto sob uma licença Creative Commons