Nivel tecnológico de las unidades agrícolas familiares en las microrregiones del Nordeste de Brasil

inter Interações (Campo Grande) Interações (Campo Grande) 1518-7012 1984-042X Universidade Católica Dom Bosco Resumen El objetivo de esta investigación fue medir el nivel tecnológico de las unidades agrícolas familiares (UAF) en la región Nordeste de Brasil. Para ello, se creó un Índice Tecnológico en la UAF (ITUAF), utilizando la técnica de análisis factorial por el método del componente principal. Además de este índice, se aplica el análisis de agrupamientos para identificar clústeres tecnológicos entre las microrregiones del Nordeste. Para el nivel tecnológico, se definieron cinco niveles (“Demasiado Alto”, “Alto”, “Medio”, “Bajo” y “Muy Bajo”). Se seleccionaron 166 microrregiones y se utilizaron 18 variables como indicadores tecnológicos, utilizando la técnica de análisis factorial. El análisis de agrupamientos propuesto por el trabajo, para identificar los clústeres tecnológicos en las microrregiones, definió dos clústeres, denominados como “menos tecnológicos” (clúster 1) y “más tecnológicos” (clúster 2). Estos agrupamientos muestran que, en la región Nordeste, considerando las microrregiones estudiadas, la mayoría de ellas, es decir, el 56,63%, está inserta en el clúster 1, o sea, tiene un nivel tecnológico menos intenso en comparación con el clúster 2. En cuanto a los estados del Nordeste, la mayoría están en el clúster 2 (nivel técnico “más intenso”), es decir, Rio Grande do Norte, Paraíba, Pernambuco, Sergipe, Maranhão y Piauí tienen todas las microrregiones y, en consecuencia, sus UAF a nivel técnico “menos intenso”. 1 INTRODUÇÃO O uso da tecnologia é de extrema importância para aumentar a produtividade em qualquer setor da economia. Nas atividades agropecuárias, não é diferente. Entretanto, no Brasil, ainda há uma grande disparidade em relação à utilização de tecnologia na agropecuária, sendo que os estabelecimentos agropecuários com a produção voltada para a exportação, isto é, aqueles que compõem o agronegócio, utilizam altas tecnologias, enquanto setores agrícolas considerados tradicionais ou de subsistência, como é o caso da agricultura familiar, que produzem, na maior parte, para atender o consumo interno, dispõem de pouca ou quase nenhuma tecnologia. A heterogeneidade tecnológica na agropecuária no Brasil não é algo recente. Na década de 1970, já se mostrava bastante evidente no meio rural brasileiro. Conforme Souza et al. (2019), a partir desse momento, principalmente por impactos das políticas de modernização, constrói-se um contexto propício à expansão da lacuna entre os estabelecimentos agropecuários modernos e aqueles que se mantiveram num modelo de produção considerado tradicional. As políticas de modernização implantadas na agropecuária brasileira a partir da década de1970, com a chamada “Revolução Verde”, proporcionaram significativas mudanças na estrutura produtiva do setor. Segundo Rosário (2021), a partir de então, o processo de modernização da estrutura produtiva no meio rural brasileiro avançou com a introdução de máquinas, equipamentos e implementos mais modernos, insumos agrícolas, sementes selecionadas e novas formas de manejo, substituindo gradativamente a forma tradicional de produção, que era realizada geralmente em situações mais modestas, com a ajuda de animais, enxadas e maquinários simples. Conforme Graziano da Silva (1982), as políticas públicas de estímulo à modernização da agricultura no Brasil não atingiram as pequenas unidades agrícolas, especialmente as que se dedicam à produção de gêneros alimentícios de primeira necessidade. O mesmo se deu em relação às regiões do país, como o Sul e Sudeste, que passaram a conviver com altos níveis de tecnologias, aumentando as suas capacidades produtivas nas atividades agropecuárias, diferentemente de outras regiões, como o Nordeste, que não foi beneficiado com o mesmo nível tecnológico. A região Nordeste do Brasil, em termos climáticos, é marcada pela instabilidade pluviométrica, sobretudo na sua porção semiárida. Essa irregularidade das chuvas na região interfere de forma direta nas atividades agropecuárias, sendo mais sentida nos estabelecimentos agropecuários com pouca ou sem tecnologia; é o que ocorre na maior parte das unidades agrícolas familiares (UAF) nordestinas. Partindo da hipótese de que as UAF localizadas na região Nordeste do Brasil apresentam diferenças no nível tecnológico empregado no modo de produção, o objetivo geral da presente pesquisa consiste em mensurar o nível tecnológico desses estabelecimentos rurais inseridos nas microrregiões. Especificamente, o estudo busca construir um índice tecnológico que seja capaz de aferir o nível tecnológico entre as UAF e, por conseguinte, nas microrregiões onde estão situados esses estabelecimentos agropecuários; agrupar as microrregiões nordestinas em relação ao nível tecnológico, considerando cinco grupos distintos: nível “Muito Alto”, “Alto”, “Médio”, “Baixo” e “Muito Baixo; e hierarquizar as microrregiões do Nordeste brasileiro, de acordo com os níveis de tecnologias e grupos de patamares tecnológicos definidos no estudo. Mensurar o nível tecnológico nas UAF da região Nordeste do país é de grande relevância para que se tenha um diagnóstico da real condição tecnológica empregada na estrutura produtiva desses estabelecimentos agropecuários, e, assim, políticas públicas possam ser adotadas no intuito de reduzir as disparidades técnicas entre as UAF da região, aumentando a produção e a renda per capita nesses estabelecimentos rurais familiares. Esta pesquisa está estruturada em cinco (5) seções, a saber: a primeira é composta pela introdução; na segunda, são mostradas as características e a dimensão da agricultura familiar na região do Nordeste do Brasil; na terceira, apresenta-se a metodologia a ser aplicada para a atingir os objetivos delimitados pelo trabalho; na quarta, apresentam-se e discutem-se os resultados da pesquisa; e, por último, na quinta seção, apresentam-se as considerações finais do estudo. 2 CARACTERIZAÇÃO E TAMANHO DA AGRICULTURA FAMILIAR NA REGIÃO NORDESTE DO BRASIL A região Nordeste do Brasil está situada em grande parte do seu território no semiárido brasileiro. De acordo com a nova delimitação do semiárido brasileiro (INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA [IBGE], 2017), o Ceará possui mais de 95% dos seus municípios nesse ecossistema. Outros estados nordestinos também apresentam um percentual bem elevado em relação ao número de municípios inseridos nessa porção. A região semiárida nordestina é marcada pela instabilidade pluviométrica, que tem interferência direta nas atividades agropecuárias, sendo que é mais aguda nos estabelecimentos agropecuários com pouca ou sem tecnologia, é o que corre na maior parte das UAF da região, ou seja, na agricultura familiar. No Brasil, a agricultura familiar ficou renegada a uma condição secundária por muito tempo. Somente com a criação do Programa Nacional de Fortalecimento da Agricultura Familiar (PRONAF), em meados dos anos de 1990, que a agricultura familiar passa a ser reconhecida. Pode-se dizer que o PRONAF, como principal política pública de fomento da agricultura familiar, é o “divisor de águas” na produção familiar brasileira no campo. O reconhecimento da agricultura familiar no Brasil deu-se por meio de três formas principais; diferentes, porém complementares entre si. A primeira se refere ao aumento de sua importância política e dos atores que constituíram como seus representantes, o que ocorreu com a formação da Federação dos Trabalhadores na Agricultura Familiar (FETRAF), como organização específica de agricultores familiares, e, de outro lado, com a reorientação política da Confederação dos Trabalhadores da Agricultura (CONTAG), a qual, a partir da metade dos anos de 1990, passa a fazer parte da categoria agricultura familiar. A segunda diz respeito ao reconhecimento institucional favorecido pela criação de políticas públicas e pela lei da agricultura familiar. E uma terceira resultou do trabalho de reversão dos valores negativos que eram associados à agricultura familiar, tais como uma categoria atrasada, ineficiente e inadequada (PICOLOTTO, 2014). A agricultura familiar brasileira é bastante heterogênea, tanto em relação aos produtores quanto à produção. Essa heterogeneidade é mais evidente entre as regiões do país. Essa categoria de agricultura é composta por um universo de produtores rurais em que, num extremo, estão os pequenos agricultores de subsistência, que convivem com várias dificuldades para produzir até mesmo o básico para suprir suas necessidades alimentares, seja por falta de assistência técnica, seja, ainda, pelas adversidades climáticas, como é o caso do Nordeste brasileiro. Muitos desses trabalhadores rurais ainda usam técnicas rudimentares e obsoletas. No outro extremo, estão aqueles inseridos no agronegócio, que utilizam tecnologias de “ponta” tanto na agricultura quanto na pecuária. As UAF são fomentadoras de renda para as famílias rurais nordestinas. Deste modo, é imprescindível que as atividades agrícolas sejam praticadas de forma sustentável, de uma perspectiva econômica. Na condição de unidades de consumo, as UAF disponibilizam boa parte dos produtos que providenciarão a segurança alimentar da família. Como fomentadores de afeição à terra em que os antepassados sempre viveram, os integrantes UAF cumprem a função relevante de colaborar para que o êxodo rural não ocorra sempre que apareçam adversidades em relação às atividades produtivas (LEMOS et al., 2020). De acordo com os dados do último Censo Agropecuário, em 2017, na região Nordeste do Brasil, havia 2.322.719 estabelecimentos agropecuários. Deste total, 1.838.846 eram UAF, o que representa 79,17% do total desses estabelecimentos rurais nordestinos. No que se refere à área ocupada, 36,57% pertenciam às UAF, sendo que as Unidades Agrícolas Patronais (UAP) ocupavam uma área de 63,43%, ou seja, a área ocupada pelas UAP era 26,77% maior que a área ocupada pelos estabelecimentos agrícolas familiares. No tocante ao pessoal ocupado nos estabelecimentos rurais nordestinos, as UAF, em 2017, respondem pelo percentual de 73,84% contra 26,16% das UAP (IBGE, 2019). Essa estatística mostra a importância das UAF na ocupação dos postos de trabalho no meio rural do Nordeste brasileiro (Tabela 1). Tabela 1 Número, área e pessoal ocupado nos estabelecimentos rurais do Nordeste – 2017 Tipo de Agricultura Estabelecimentos Área Ocupada (Ha) Pessoal Ocupado Total (%) Total (%) Total (%) Familiar 1.838.846 79,17 25.925.743 36,57 4.708.670 73,84 Não Familiar 483.873 20,83 44.968.122 63,43 1.668.094 26,16 Total 2.322.719 100,00 70.893.865 100,00 6.376.764 100,00 Fonte: Censo Agropecuário 2017 (IBGE, 2019). No que diz respeito aos valores agregados da produção agropecuária em 2017, nos estabelecimentos rurais da região Nordeste do Brasil (Tabela 2), percebe-se que as áreas colhidas tanto com lavouras temporárias quanto com lavouras permanentes são majoritárias nas UAP, sendo que, para as lavouras temporárias, a área colhida nas UAP, em termos percentuais, é maior, cerca de 42,84%, comparando-se com as UAF da região (IBGE, 2019). Tabela 2 Valores agregados da produção agropecuária nas UAF e UAP do Nordeste – 2017 Variável UAF UAP Total Área colhida com lavouras temporárias (ha) 2.234.110 (28,58%) 5.582.255 (71,42%) 7.816.366 (100,00%) Área colhida com lavouras permanentes (ha) 618.170 (49,08%) 641.246 (50,92%) 1.259.416 (100,00%) Valor da produção vegetal (1.000,00, de 2017) 7.476.686 (23,08%) 24.919.733 (76,92%) 32.396.418 (100,00%) Valor da produção pecuária (1.000,00, de 2017) 6.157.396 (48,32%) 6.585.844 (51,68%) 12.743.239 (100,00%) Valor total da produção (1.000,00, de 2017) 15.866.979 (29,64%) 37.672.156 (70,36%) 53.539.135 (100,00%) Fonte: Censo Agropecuário 2017 (IBGE, 2019). No que concerne ao valor da produção vegetal nos estabelecimentos agropecuários nordestinos, as UAP também detêm o maior percentual, isto é, 76,92%, enquanto as UAF têm apenas 23,08% do valor total dessa produção. No que condiz ao valor da produção pecuária, as UAP lideram em relação às UAF, porém existe um certo equilíbrio percentual, dessa variável, entre os tipos de estabelecimentos rurais nordestinos, 48,32% e 51,68% para UAF e UAP, respectivamente. E, por fim, no que se refere ao valor da produção total das UAF e das UAP, a Tabela 2 mostra que as UAP apresentam, no período de 2017, uma diferença percentual de 40,72%, em comparação às UAF. Essa última estatística comprova que a agricultura patronal possui um maior impacto no PIB agropecuário do Nordeste brasileiro. 3 METODOLOGIA 3.1 Natureza e fonte de dados A base de dados usada na presente pesquisa é constituída de dados secundários do Censo Agropecuário 2017, disponibilizado pelo Instituto Brasileiro de Geografia e Estatística (IBGE, 2019). As variáveis empregadas na análise fatorial (AF) para auferir o nível tecnológico nas UAF, nas 166 microrregiões geográficas dos 9 (nove) estados da região Nordeste do Brasil, apresentam-se elencadas no Quadro 1. Quadro 1 Variáveis empregadas na análise fatorial Variáveis X01: Proporção de UAF com acesso à assistência técnica; X02: Proporção de UAF com uso de energia elétrica; X03: Proporção de UAF com tratores; X04: Proporção de UAF com uso de irrigação; X05: Área irrigada em UAF com uso de irrigação por área explorada; X06: Proporção de UAF com uso de adubação; X07: Proporção de UAF com uso de agrotóxicos; X08: Proporção de UAF com agroindústria rural; X09: Proporção de UAF que obtiveram financiamentos; X10: Valor de despesas com adubos e corretivos por área explorada em UAF; X11: Valor de despesas com sementes e mudas por área explorada em UAF; X12: Valor de despesas com agrotóxicos por área explorada em UAF; X13: Valor de despesas com medicamentos para animais por área explorada em UAF; X14: Valor de despesas com sal, ração e outros suplementos por área explorada em UAF; X15: Valor de produção por área explorada em UAF; X16: Valor de receitas ou rendas por área explorada em UAF; X17: Tratores, implementos e máquinas em UAF por área explorada; X18: Pessoal ocupado em UAF por área explorada. Fonte: Dados da pesquisa. 3.2 Análise fatorial O método adotado neste estudo para a construção de um índice para mensurar o nível tecnológico nas UAF da região Nordeste do Brasil foi a análise fatorial. A AF resulta em uma técnica multivariada que permite reduzir o número de variáveis originais que se correlacionam entre si, por meio da extração de fatores (construtos ou variáveis latentes), de tal sorte que esses fatores possam explicar de forma condensada as variáveis observadas utilizadas em um estudo. Essa técnica possibilita extrair um número de fatores, os quais são combinações lineares das variáveis originais, conservando a representatividade. A análise fatorial é utilizada para investigar os padrões ou as relações latentes para um número grande de variáveis e determinar se a informação pode ser resumida a um conjunto menor de fatores. O fator pode ser definido como uma combinação linear das variáveis originais. Por meio da AF, é possível “reduzir o número de dimensões necessárias para se descrever dados derivados de um grande número de medidas” (URBINA, 2007). Quando da realização da técnica de análise fatorial, é essencial verificar a adequabilidade dos dados no modelo. Para tal propósito, nesta pesquisa, foram realizados os testes de Kaiser- Meyer-Olkin (KMO) e o teste de esfericidade de Bartlett. O KMO varia entre 0 e 1 e representa a proporção da variância das variáveis, que pode ser explicada pelos fatores, sendo que, quanto mais próximo de 1, mais adequados os dados estão para se aplicar a técnica de análise fatorial. No Quadro 2, estão os valores do KMO e suas respectivas classificações com relação à adequabilidade da amostra. Quadro 2 Valores do KMO e adequabilidade da amostra KMO Adequabilidade da amostra < 0,5 Inaceitável [0,5 – 0,7] Medíocre [0,7 – 0,8] Bom [0,8 – 0,9] Ótimo > 9 Excelente Fonte: Hutcheson e Sofroniou (1999). Conforme Mingoti (2005), o teste de esfericidade de Bartlett testa a hipótese de que a matriz de correlação é uma matriz identidade. Isto é, a hipótese de que não há correlações entre as variáveis originais. Caso essa hipótese não seja rejeitada, a análise fatorial não poderá ser realizada. Ou seja, na análise fatorial, as variáveis observadas (originais) devem ser correlacionadas entre si, essa é uma condição necessária para que a técnica de análise fatorial possa ser realizada. Após ter definido o número de fatores (construtos), o passo seguinte é decidir qual a técnica a ser utilizada para calcular as cargas fatoriais. Essa é chamada extração de fatores. Existem várias técnicas de extração de fatores. A escolha dentre as várias possibilidades depende do tipo de dado que está sendo analisado e do objetivo da análise (MATOS; RODRIGUES, 2019). O método dos componentes principais é um dos mais triviais ou mais usados, por meio de combinações lineares das variáveis originais que sejam independentes entre si e expliquem o máximo da variância total dos dados. O primeiro componente, isto é, o primeiro fator, explica a maior porcentagem dessa variância, o segundo fator detém a segunda maior percentagem de explicação, e assim sucessivamente. O conjunto de todos os componentes explicam toda a variabilidade dos dados (MATOS; RODRIGUES, 2019). Segundo Maroco (2003), a solução fatorial encontrada para o modelo de análise fatorial nem sempre é interpretável. Os pesos fatoriais das variáveis nos fatores comuns podem ser tais, que não é possível atribuir um significado empírico para os fatores extraídos. Nesse sentido, o objetivo da rotação de fatores é produzir uma solução mais interpretável. Na rotação fatorial ortogonal, cada fator é independente (ortogonal) em relação a todos os outros, ou seja, a correlação entre eles é assumida como sendo zero (HAIR, 2005 apud MATOS; RODRIGUES, 2019). No termo ortogonal, que significa não relacionado, não existe correlação entre os fatores. Dessa forma, os fatores (construtos) são mantidos independentes durante a rotação, isto é, os eixos são perpendiculares (MATOS; RODRIGUES, 2019). Ainda conforme Field (2012 apud MATOS; RODRIGUES, 2019), os dois métodos mais importantes de rotação ortogonal são quartimax e varimax. A rotação quartimax tem como objetivo maximizar a dispersão da carga dos construtos de uma variável original por todos os fatores. Em relação à rotação varimax, é um processo antagônico, isto é, esse método de rotação tenta maximizar a dispersão das cargas dentro dos fatores. Dessa forma, procura carregar menos variáveis originais em cada construto, isso implica grupos de fatores mais interpretáveis. Varimax busca evitar que uma grande quantidade de variáveis originais reúna cargas altas em um único fator. Esse método é o mais utilizado. Nesta pesquisa, na extração dos fatores, será adotado o método de rotação ortogonal mais utilizado, ou seja, varimax. Na construção do índice de tecnologia que mede o nível tecnológico nas UAF situadas na região Nordeste do Brasil, proposto por esta pesquisa, utiliza-se o critério da soma ponderada e ordenamento. Esse índice pode ser obtido pela soma simples ou ponderada dos escores fatoriais, sendo visto nos trabalhos de Monteiro e Pinheiro (2004), Melo e Parré (2007), Fávero et al. (2009), Correia (2018), Souza et al. (2019). No presente estudo, foi identificado como Índice de Modernização das Unidades Agrícolas Familiares (IMUAF), expresso por: (1) IMUAF = ∑ i = 1 n w i F i ∑ i = 1 n w i Dessa forma, trata-se de um indicador gerado a partir da multiplicação dos valores de cada fator pelos respectivos percentuais de variância compartilhada pelas variáveis originais, de tal sorte que se obteve a seguinte equação para o índice elaborado neste estudo: ITUAF2 (2) β 1 F 1 i + β 2 F 2 i + β 3 F 3 i + β 4 F 4 i + β 5 F 5 i em que: ß1, ß2, ß3, ß4 e ß5 são os escores fatoriais ponderados pelas raízes características dos fatores. Tendo como base o que foi exposto e a Equação 1, obteve-se um índice que mensura o nível tecnológico nas UAF das 166 microrregiões do Nordeste brasileiro, classificando-as de forma hierarquizada, de acordo com o grau de tecnologia (“Muito Alto”, “Alto”, “Médio”, “Baixo e “Muito Baixo”) empregado em cada uma delas. No intuito de uma melhor compreensão em relação ao nível tecnológico nos estabelecimentos agrícolas familiares, nas 166 microrregiões selecionadas deste estudo, criou-se um intervalo com base na média (M) e no desvio-padrão (DP) dos valores dos índices de tecnologia nas microrregiões estudadas (Quadro 3). Quadro 3 Classificação do índice de modernização nas UAF nas microrregiões Nível Tecnológico Intervalos Muito Alto Índice > (M + DP) Alto Índice > (M + 0,5DP) Médio Índice = (M ± DP) Baixo Índice < (M - 0,5DP) Muito Baixo Índice < (M - DP) Fonte: Dados da pesquisa. 3.3 Análise de agrupamentos A análise de agrupamentos ou análise de cluster é uma técnica estatística que possibilita ao pesquisador separar ou classificar elementos observados em um grupo ou em número específico de subgrupos ou conglomerados (cluster) mutuamente exclusivos, de forma que os subgrupos formados tenham características de grande similaridade interna e dissimilaridade externa (MOORI et al., 2002). A análise de aglomerados (cluster) é uma técnica multivariada de classificação que objetiva agrupar objetos de acordo com as similaridades entre eles. Agrupa-se um conjunto de dados heterogêneos, em grupos com homogeneidade (BEM et al., 2015). Conforme Doni (2004), a maioria dos métodos da análise de cluster requer uma medida de similaridade entre os elementos a serem agrupados, normalmente, expressa como uma função distância ou métrica. Dentre as funções distâncias ou métricas usadas nos métodos de análise de agrupamentos, a Distância Euclidiana é mais comum. Ela consiste na distância geométrica no espaço multidimensional, dado que a distância euclidiana entre dois elementos X = [X1,X2,...,Xp] e Y = [Y1,Y2,...,Xp] é definida por: (3) d x y = ( X 1 − Y 1 ) 2 + ( X 2 − Y 2 ) 2 + ... + ( X p − Y P ) 2 Nesta pesquisa, para mensurar o nível tecnológico nas UAF, nas microrregiões nordestinas, utiliza-se a distância euclidiana, que pode ser calculada de acordo com a equação (2), ou seja, equivale à raiz quadrada da soma dos quadrados das diferenças de valores para cada variável. Em relação às técnicas analíticas de análise de clusters, existem basicamente duas, a saber: agrupamento hierárquico de clusters e agrupamento não hierárquico de clusters. O primeiro permite a obtenção de clusters tanto para sujeitos quanto para variáveis. Enquanto o segundo é somente válido para obtenção de clusters de sujeitos (MAROCO, 2003). Neste estudo, para realizar os agrupamentos, no caso de dois clusters definidos na pesquisa, optou-se pelo método não hierárquico, utilizando o procedimento das k-médias. Salienta-se que, primeiramente, aplicou-se o método de agrupamento hierárquico, sendo que o método não hierárquico se mostrou mais adequado para a análise dos dados da pesquisa. De acordo com Maroco (2003), o método não hierárquico se destina a agrupar sujeitos ou itens (e não variáveis) num conjunto de clusters cujo número é definido pelo pesquisador. Tal método apresenta como principal vantagem, em relação ao método hierárquico, a simplicidade com que é empregado a matrizes de dados muito grandes, sendo que não é necessário calcular uma nova matriz de dessemelhança em cada passo do algoritmo. 4 RESULTADOS E DISCUSSÃO 4.1 Extração dos fatores pelo método dos componentes principais Conforme a técnica de análise fatorial, para que um conjunto de dados seja representado, são considerados somente os fatores com autovalores ou raízes características maiores que 1. Na Tabela 3, pode-se observar, além dessa condição, outras estatísticas referentes às 18 (dezoitos) variáveis originais utilizadas desta pesquisa, como variância explicada pelo fator e variância acumulada. Essas variáveis originais condensaram-se em 5 (cinco) fatores que explicam 74,43% da variância total dos dados, sendo que 33,597% da variância total é explicada pelas variáveis originais na formação do primeiro fator (F1i), assim como 16,476%, na formação do segundo fator (F2i); 11,583%, na formação do terceiro fator (F3i); 7,131%, na formação do quarto fator ( ); e 5,648%, na formação do quinto fator (F5i). Tabela 3 Fatores extraídos pelo método dos componentes principais Fator Raiz característica Variância explicada pelo fator (%) Variância acumulada (%) 1 6,047 33,597 33,597 2 2,966 16,476 50,073 3 2,085 11,583 61,656 4 1,284 7,131 68,787 5 1,017 5,648 74,434 Fonte: Resultados da pesquisa. Outras estatísticas importantes na análise fatorial, para a constatação da adequabilidade dos dados, são os testes de KMO e de esfericidade de Bartlett. O teste de KMO apresentou um valor de 0,811, que considerado “ótimo”, de acordo a escala de teste apresentado no Quadro 2. Valores próximos a 1 significam que aplicação da técnica de análise fatorial é inteiramente adequada para o tratamento dos dados. Em contrapartida, valores menores que 0,5 indicam inadequação da técnica. Em relação ao teste de esfericidade de Bartlett, este se mostrou significativo, com um valor de 1.999,210, como está exposto no Quadro 4. Lembrando que o teste de esfericidade de Bartlett tem como objetivo constatar as correlações entre variáveis originais. Na Tabela 4, estão expostas as cargas fatoriais após ser realizada a rotação ortogonal pelo método de varimax e as comunalidades. As cargas fatoriais representam o peso que cada variável assume em cada fator na análise fatorial. Tabela 4 Cargas fatoriais após a rotação ortogonal e comunalidades na análise fatorial dos indicadores de uso tecnologias pelas UAF nas microrregiões nordestinas, 2017 Variável Cargas Fatoriais Comunalidades F1 F2 F3 F4 F5 X16 0,931 0,099 -0,086 0,153 0,006 0,907 X15 0,901 0,146 -0,176 0,191 -0,011 0,901 X18 0,812 -0,099 -0,428 -0,015 -0,009 0,852 X13 0,804 0,091 -0,047 0,007 -0,077 0,663 X14 0,780 -0,002 0,295 -0,051 -0,035 0,700 X10 0,735 0,406 -0,084 0,348 -0,016 0,832 X06 0,533 0,509 0,312 0,236 -0,087 0,704 X17 0,168 0,839 -0,131 0,117 0,087 0,770 X03 -0,181 0,826 0,076 0,010 -0,008 0,721 X11 0,455 0,674 0,037 0,162 -0,070 0,685 X12 0,316 0,559 -0,156 0,538 0,120 0,741 X02 0,011 -0,214 0,802 -0,039 0,189 0,726 X08 0,093 -0,169 -0,776 -0,255 -0,055 0,692 X09 -0,252 0,038 0,518 -0,207 0,485 0,611 X05 0,208 0,122 -0,060 0,826 0,014 0,744 X04 -0,022 0,099 0,243 0,789 0,148 0,714 X07 -0,030 0,085 -0,018 0,203 0,826 0,732 X01 0,009 -0,081 0,418 0,032 0,722 0,703 Fonte: Resultados da pesquisa. Com base nos valores das cargas fatoriais e considerando aqueles acima de 0,5, percebe-se que o primeiro fator está correlacionado com variáveis relacionadas com: receitas (X16), com despesas (X13, X14 e X10), com valor da produção (X15), com pessoal ocupado (X18) em UAF e com a proporção das UAF com uso de adubação (X6). No que se refere ao segundo fator, as cargas mais elevadas ocorrem nas seguintes variáveis: número de tratores, implementos e máquinas em UAF (X17); proporção das UAF com tratores (X3) e valor com despesas (X11 e X12) em UAF. No terceiro fator, cargas fatoriais com maior peso estão nas variáveis: proporção de UAF com uso de energia elétrica (X2); proporção de UAF com agroindústria (X8) e proporção de UAF que obtiveram financiamentos (X9). Em relação ao quarto fator, este é composto por duas variáveis, que são: área irrigada (X5) e proporção de UAF com tratores (X4). E, por fim, o quinto fator é composto por duas variáveis: proporção de UAF com uso de agrotóxicos (X7) e proporção de UAF com acesso à assistência técnica (X1). Em relação à associação dos fatores com os indicadores selecionados pela pesquisa, conclui-se que, no que se refere ao primeiro fator, pode-se afirmar que, proporcionalmente, esse está associado a indicadores econômicos. No que condiz ao segundo fator, está relacionado com indicadores técnicos e econômicos. A respeito do terceiro fator, esse está em maior porcentagem, vinculado a indicadores técnicos. No que concede ao quarto e ao quinto fator, os dois se ligam a indicadores técnicos. Na Tabela 5, estão os coeficientes de pontuação de cada componente em cada variável utilizada na pesquisa, ou seja, tem-se os escores fatoriais, que são uma espécie de média ponderada das variáveis observadas em cada uma das unidades amostrais, em que os pesos são dados pelas cargas fatoriais. Tabela 5 Matriz de coeficiente de pontuação do fator Variável Fator 1 2 3 4 5 X01 0,058 -0,041 0,058 -0,057 0,463 X02 0,075 -0,102 0,393 -0,018 -0,038 X03 -0,106 0,408 0,024 -0,150 -0,021 X04 -0,078 -0,119 0,081 0,499 -0,036 X05 -0,047 -0,132 -0,039 0,515 -0,065 X06 0,087 0,150 0,209 0,001 -0,141 X07 -0,002 0,011 -0,209 0,023 0,627 X08 0,015 -0,033 -0,396 -0,108 0,168 X09 0,004 0,082 0,155 -0,190 0,274 X10 0,115 0,066 -0,011 0,076 0,001 X11 0,045 0,255 0,051 -0,072 -0,056 X12 -0,022 0,134 -0,109 0,203 0,085 X13 0,193 -0,019 0,036 -0,091 -0,016 X14 0,220 -0,053 0,212 -0,118 -0,058 X15 0,189 -0,037 -0,048 0,008 0,049 X16 0,210 -0,054 0,000 -0,015 0,046 X17 -0,036 0,368 -0,093 -0,125 0,103 X18 0,193 -0,101 -0,183 -0,068 0,128 Fonte: Resultados da pesquisa. Tendo como base do que foi exposto, obteve-se um índice que mensura o nível tecnológico nas UAF das 166 microrregiões nordestinas pesquisadas, classificando-as de forma hierarquizada, de acordo com o nível de tecnologia (“Muito Alto”, “Alto”, “Médio”, “Baixo” e “Muito Baixo”), calculado a partir da equação 1, mencionada na seção 2 (metodologia) desta pesquisa. A classificação geral dessas microrregiões está exposta no apêndice 1 deste estudo. Em relação à formação de clusters envolvendo as 166 microrregiões estudadas nesta pesquisa, optou-se pela formação de dois clusters relacionados com as variáveis X1, X2, X3, X4, X5, X6, X7, X8 e X17 (quadro 1), por estarem mais diretamente relacionadas com a tecnologia empregada na produção agrícola nas unidades agrícolas familiares. Como se pode observar na Tabela 6, o cluster 1 é composto por 94 das 166 microrregiões pesquisadas, o que corresponde a 56,63%. Enquanto o cluster 2 é constituído por 72 das 166 microrregiões, isto é, 43,37%. Salienta-se que o cluster 1 é o que possui menor nível tecnológico, enquanto o cluster 2 possui maior nível tecnológico (ver no apêndice 1). Isso significa que, no Nordeste do Brasil, de acordo as microrregiões analisadas neste estudo, predomina as de menor nível tecnológico, tendo como base esses dois clusters. Tabela 6 Clusters tecnológicos das microrregiões da região Nordeste do Brasil Estados Cluster 1 Cluster 2 Microrregiões (%) Microrregiões (%) Maranhão 19/19 100,00 0/19 00,00 Piauí 13/13 100,00 0/13 00,00 Ceará 20/30 66,67 10/30 33,33 Rio Grande do Norte 4/16 25,00 12/16 75,00 Paraíba 5/20 25,00 15/20 75,00 Pernambuco 5/15 33,33 10/15 66,67 Alagoas 7/11 63,64 4/11 36,36 Sergipe 3/12 25,00 9/12 75,00 Bahia 18/30 60,00 12/30 40,00 Total 94/166 56,63 72/166 43,37 Fonte: Resultados da Pesquisa. Em relação aos estados que compõem a região Nordeste do Brasil, no que concede ao nível tecnológico nas microrregiões e nas suas respectivas UAF, Rio Grande do Norte (75,00%), Paraíba (75,00%), Pernambuco (66,00%) e Sergipe (75,00%) apresentam um melhor nível tecnológico (cluster 2) em relação aos demais estados nordestinos e suas respectivas UAF (cluster 1). Uma outra informação importante contida nos dados mostrados na tabela diz respeito aos estados do Maranhão e do Piauí. Esses estados não apresentam nenhuma das suas respectivas microrregiões no cluster de maior nível técnico, ou seja, no cluster 2. 5 CONSIDERAÇÕES FINAIS A pesquisa buscou, por meio de um índice, mensurar o nível de tecnologia nas UAF, nas microrregiões que pertencem à região Nordeste do Brasil, além da aplicação da análise de agrupamentos (análise de cluster) com o intuito de identificar clusters tecnológicos entre as microrregiões nordestinas. Foram selecionadas 166 microrregiões e utilizadas 18 variáveis como indicadores de tecnologia, fazendo uso da técnica de análise fatorial. Os resultados evidenciam que, de acordo com as variáveis utilizadas na pesquisa, os níveis de tecnologia definidos em “Muito Alto”, “Alto”, “Médio”, “Baixo” e “Muito Baixo” mostraram-se, de certa forma, equilibrados, principalmente nos níveis “Muito Alto” (14,46%), “Alto” (15,45%) e “Muito Baixo” (13,86%); já os níveis “Médio” e “Baixo” também não apresentaram grandes discrepâncias, com os respectivos percentuais, 36,75% e 23,49% das microrregiões. No que condiz à análise de agrupamentos (análise de cluster), proposta pelo trabalho para identificar os aglomerados de tecnologia nas microrregiões e nas suas respectivas unidades agrícolas familiares (estabelecimentos rurais familiares), definiram-se dois clusters, denominados como “menos tecnológico” (cluster 1) e “mais tecnológico” (cluster 2). Esses agrupamentos demonstram que, na região Nordeste, considerando as microrregiões estudadas, a maioria delas, ou seja, 56,63%, está inserida no cluster 1, isto é, possui um nível tecnológico menos intenso em relação ao cluster 2. Em relação aos estados do Nordeste do Brasil, a maior parte das microrregiões do Rio Grande do Norte, Paraíba, Pernambuco e Sergipe está no cluster 2 (nível técnico “mais intenso”). Supõe-se que as unidades agrícolas familiares destas microrregiões possuam uma maior produção per capita e mais elevada renda per capita em comparação com as UAF que fazem parte das microrregiões dos demais estados. Já a totalidade de microrregiões dos estados do Maranhão e Piauí faz parte do cluster 1 (nível técnico “menos intenso”). Esses estados precisam de atenção especial no que diz respeito à implantação de políticas públicas em suas microrregiões e nas suas respectivas UAF para fomento da produção e elevação da renda dos produtores familiares. De um modo geral, em relação ao nível de tecnologia nas unidades agrícolas familiares, das 166 microrregiões nordestinas pesquisadas, observa-se um certo equilíbrio, predominando-se o nível “Médio”. Posição Microrregião ITUAF Nível Posição Microrregião ITUAF Nível 10 Agreste de Itabaiana (SE) 1,79 Muito Alto 840 Cajazeiras (PB) -0,08 Médio 20 Mata Setentrional Pernambucana (PE) 1,32 Muito Alto 850 Itabaiana (PB) -0,08 Médio 30 Vitória de Santo Antão (PE) 1,29 Muito Alto 860 Serrinha (BA) -0,08 Médio 40 Carira (SE) 1,02 Muito Alto 870 Barro (CE) -0,09 Médio 50 Arapiraca (AL) 0,89 Muito Alto 880 Jequié (BA) -0,09 Médio 60 Campina Grande (PB) 0,79 Muito Alto 890 Caririaçu (CE) -0,10 Médio 70 Macaíba (RN) 0,78 Muito Alto 900 Serra do Teixeira (PB) -0,10 Médio 80 Pacajus (CE) 0,74 Muito Alto 910 Médio Oeste (RN) -0,12 Médio 90 Médio Capibaribe (PE) 0,71 Muito Alto 920 Angicos (RN) -0,12 Médio 100 São Miguel dos Campos (AL) 0,70 Muito Alto 930 Itaparica (PE) -0,12 Médio 110 Esperança (PB) 0,67 Muito Alto 940 Serrana do Sertão Alagoano (AL) -0,12 Médio 120 Vale do Ipojuca (PE) 0,67 Muito Alto 950 Pau dos Ferros (RN) -0,13 Médio 130 Ibiapaba (CE) 0,54 Muito Alto 960 Itapipoca (CE) -0,15 Médio 140 Alto Capibaribe (PE) 0,54 Muito Alto 970 Uruburetama (CE) -0,15 Médio 150 Boquim (SE) 0,54 Muito Alto 980 Japaratuba (SE) -0,15 Médio 160 Umbuzeiro (PB) 0,52 Muito Alto 990 Seabra (BA) -0,15 Médio 170 Penedo (AL) 0,52 Muito Alto 1000 Brumado (BA) -0,15 Médio 180 Agreste de Lagarto (SE) 0,50 Muito Alto 1010 Itapetinga (BA) -0,16 Médio 190 Meruoca (CE) 0,47 Muito Alto 1020 Guanambi (BA) -0,17 Médio 200 Propriá (SE) 0,46 Muito Alto 1030 Chorozinho (CE) -0,18 Médio 210 Baixo Curu (CE) 0,45 Muito Alto 1040 Sertão de Senador Pompeu (CE) -0,18 Médio 220 Garanhuns (PE) 0,43 Muito Alto 1050 Médio Curu (CE) -0,20 Baixo 230 Palmeira dos Índios (AL) 0,42 Muito Alto 1060 Sertão de Quixeramobim (CE) -0,20 Baixo 240 Sapé (PB) 0,41 Muito Alto 1070 Araripina (PE) -0,20 Baixo 250 Brejo Pernambucano (PE) 0,39 Alto 1080 Alagoana do Sertão do São Francisco (AL) -0,20 Baixo 260 Sergipana do Sertão do São Francisco (SE) 0,39 Alto 1090 Barreiras (BA) -0,20 Baixo 270 Santo Antônio de Jesus (BA) 0,39 Alto 1100 Euclides da Cunha (BA) -0,20 Baixo 280 Tobias Barreto (SE) 0,38 Alto 1110 Sertão do Moxotó (PE) -0,21 Baixo 290 Estância (SE) 0,37 Alto 1120 Paulo Afonso (BA) -0,21 Baixo 300 Lençóis Maranhenses (MA) 0,36 Alto 1130 Sobral (CE) -0,22 Baixo 310 Brejo Paraibano (PB) 0,35 Alto 1140 Imperatriz (MA) -0,23 Baixo 320 Baixo Cotinguiba (SE) 0,35 Alto 1150 Coreaú (CE) -0,23 Baixo 330 Vale do Ipanema (PE) 0,34 Alto 1160 Pajeú (PE) -0,23 Baixo 340 Batalha (AL) 0,32 Alto 1170 Juazeiro (BA) -0,23 Baixo 350 Rosário (MA) 0,31 Alto 1180 Salgueiro (PE) -0,24 Baixo 360 Agreste Potiguar (RN) 0,30 Alto 1190 Serra do Pereiro (CE) -0,25 Baixo 370 Mossoró (RN) 0,28 Alto 1200 Itaporanga (PB) -0,25 Baixo 380 Guarabira (PB) 0,28 Alto 1210 Canindé (CE) -0,26 Baixo 390 Ribeira do Pombal (BA) 0,28 Alto 1220 Várzea Alegre (CE) -0,26 Baixo 400 Mata Meridional Pernambucana (PE) 0,27 Alto 1230 Vitória da Conquista (BA) -0,26 Baixo 410 Alagoinhas (BA) 0,27 Alto 1240 Jacobina (BA) -0,27 Baixo 420 Cariri (CE) 0,26 Alto 1250 Gerais de Balsas (MA) -0,28 Baixo 430 Seridó Ocidental (RN) 0,22 Alto 1260 Piancó (PB) -0,28 Baixo 440 Seridó Oriental (RN) 0,21 Médio 1270 Santa Maria da Vitória (BA) -0,29 Baixo 450 Catolé do Rocha (PB) 0,20 Médio 1280 Ilhéus-Itabuna (BA) -0,29 Baixo 460 Entre Rios (BA) 0,20 Médio 1290 Sertão de Cratéus (CE) -0,30 Baixo 470 Nossa Senhora das Dores (SE) 0,19 Médio 1300 Senhor do Bonfim (BA) -031 Baixo 480 Cotinguiba (SE) 0,17 Médio 1310 Baixo Parnaíba Maranhense (MA) -0,34 Baixo 490 Porto Franco (MA) 0,15 Médio 1320 Ipu (CE) -0,34 Baixo 500 Cascavel (CE) 0,15 Médio 1330 Chapada do Araripe (CE) -0,34 Baixo 510 Brejo Santo (CE) 0,15 Médio 1340 Campo Maior (PI) -0,35 Baixo 520 Patos (PB) 0,13 Médio 1350 Itaberaba (BA) -0,35 Baixo 530 Curimataú Ocidental (PB) 0,13 Médio 1360 Baixo Parnaíba Piauiense (PI) -0,36 Baixo 540 Cariri Oriental (PB) 0,13 Médio 1370 Boquira (BA) -0,36 Baixo 550 Curimataú Oriental (PB) 0,09 Médio 1380 Médio Parnaíba Piauiense (PI) -0,37 Baixo 560 Serra de Santana (RN) 0,07 Médio 1390 Chapadas das Mangabeiras (MA) -0,38 Baixo 570 Sousa (PB) 0,07 Médio 1400 Bom Jesus da Lapa (BA) -0,38 Baixo 580 Feira de Santana (BA) 0,06 Médio 1410 Valença do Piauí (PI) -0,39 Baixo 590 Chapada do Apodi (RN) 0,05 Médio 1420 Picos (PI) -0,39 Baixo 600 Vale do Açu (RN) 0,05 Médio 1430 Cotegipe (BA) -0,39 Baixo 610 Mata Alagoana (AL) 0,05 Médio 1440 Coelho Neto (MA) -0,41 Muito Baixo 620 Irecê (BA) 0,04 Médio 1450 Chapadas do Alto Itapecuru (MA) -0,42 Muito Baixo 630 Baixo Jaguaribe (CE) 0,03 Médio 1460 Bertolínia (PI) -0,42 Muito Baixo 640 Santana do Ipanema (AL) 0,03 Médio 1470 São Raimundo Nonato (PI) -0,42 Muito Baixo 650 Catu (BA) 0,03 Médio 1480 Floriano (PI) -0,44 Muito Baixo 660 Baturité (CE) 0,01 Médio 1490 Alto Médio Gurguéia (PI) -0,44 Muito Baixo 670 Seridó Oriental Paraibano (PB) 0,01 Médio 1500 Alto Mearim e Grajaú (MA) -0,45 Muito Baixo 680 Borborema Potiguar (RN) 0,00 Médio 1510 Presidente Dutra (MA) -0,45 Muito Baixo 690 Valença (BA) -0,01 Médio 1520 Santa Quitéria (CE) -0,45 Muito Baixo 700 Umarizal (RN) -0,02 Médio 1530 Alto Parnaíba Piauiense (PI) -0,46 Muito Baixo 710 Petrolina (PE) -0,02 Médio 1540 Pio IX (PI) -0,46 Muito Baixo 720 Traipu (AL) -0,02 Médio 1550 Alto Médio Canindé (PI) -0,46 Muito Baixo 730 Livramento do Brumado (BA) -0,02 Médio 1560 Codó (MA) -0,47 Muito Baixo 740 Médio Jaguaribe (CE) -0,03 Médio 1570 Caxias (MA) -0,48 Muito Baixo 750 Baixa Verde (RN) -0,03 Médio 1580 Sertão de Inhamuns (CE) -0,48 Muito Baixo 760 Serra de São Miguel (RN) -0,04 Médio 1590 Barra (BA) -0,50 Muito Baixo 770 Cariri Ocidental (PB) -0,04 Médio 1600 Pindaré (MA) -0,52 Muito Baixo 780 Jeremoabo (BA) -0,04 Médio 1610 Médio Mearim (MA) -0,54 Muito Baixo 790 Lavras da Mangabeira (CE) -0,05 Médio 1620 Chapadas do Extremo Sul Piauiense (PI) -0,54 Muito Baixo 800 Serrana dos Quilombos (AL) -0,05 Médio 1630 Baixada Maranhense (MA) -0,61 Muito Baixo 810 Macau (RN) -0,06 Médio 1640 Itapecuru Mirim (MA) -0,61 Muito Baixo 820 Seridó Ocidental Paraibano (PB) -0,06 Médio 1650 Chapadinha (MA) -0,64 Muito Baixo 830 Iguatu (CE) -0,08 Médio 1660 Gurupi (MA) -0,65 Muito Baixo 2 Índice Tecnológico nas Unidades Agrícolas Familiares (UAF). REFERÊNCIAS BEM, J. S.; GIACOMINI, N. M. R.; WAISMANN, M. Utilização da técnica da análise de clusters ao emprego da indústria criativa entre 2000 e 2010: estudo da região de Consinos, RS. Interações, Campo Grande, v. 16, n. 1, p. 27-41, jan./jun. 2015. BEM J. S. GIACOMINI N. M. R. WAISMANN M. Utilização da técnica da análise de clusters ao emprego da indústria criativa entre 2000 e 2010: estudo da região de Consinos, RS Interações Campo Grande 16 1 27 41 jan./jun 2015 CORREIA, S. C. Índice da condição financeira dos estados (ICFE) a partir da análise fatorial por componentes principais: ranking de desempenho dos estados brasileiros. 2018. Monografia (Graduação em Ciências Contábeis) - Departamento de Ciências Contábeis, Universidade Federal do Rio Grande do Norte, Natal, 2018. CORREIA S. C. Índice da condição financeira dos estados (ICFE) a partir da análise fatorial por componentes principais: ranking de desempenho dos estados brasileiros 2018 Departamento de Ciências Contábeis, Universidade Federal do Rio Grande do Norte Natal Monografia (Graduação em Ciências Contábeis) DONI, M. V. Análise de cluster: métodos hierárquicos e de particionamento. 2004. Monografia (Bacharel em Sistemas de Informação) - Faculdade de Computação e Informática, Universidade Presbiteriana Mackenzie, São Paulo, 2004. DONI M. V. Análise de cluster: métodos hierárquicos e de particionamento 2004 Faculdade de Computação e Informática, Universidade Presbiteriana Mackenzie São Paulo Monografia (Bacharel em Sistemas de Informação), 2004. FÁVERO, L. P. L.; BELFIORE, P. P.; SILVA, F. L.; CHAN, B. L. Análise de dados: modelagem multivariada para tomada de decisões. Rio de Janeiro: Elsevier, 2009. FÁVERO L. P. L. BELFIORE P. P. SILVA F. L. CHAN B. L. Análise de dados: modelagem multivariada para tomada de decisões Rio de Janeiro Elsevier 2009 GRAZIANO SILVA, J. A modernização dolorosa: estrutura agrária, fronteira agrícola e trabalhadores no Brasil. Rio de Janeiro: Zahar Editores, 1982. GRAZIANO SILVA J. A modernização dolorosa: estrutura agrária, fronteira agrícola e trabalhadores no Brasil Rio de Janeiro Zahar Editores 1982 INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA [IBGE]. Censo Agropecuário. IBGE.Gov [online], Rio de Janeiro, 2019. INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA [IBGE] Censo Agropecuário IBGE.Gov Rio de Janeiro 2019 [online] INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA [IBGE]. Semiárido brasileiro. IBGE.Gov [online], Rio de Janeiro, 2017. Disponível em: http://www.ibge.gov.br. Acesso em: 12 fev. 2022. INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA [IBGE] Semiárido brasileiro IBGE.Gov Rio de Janeiro 2017 12 fev. 2022 [online] Disponível em: http://www.ibge.gov.br. LEMOS, J. J. S.; BEZERRA, F. N. R.; COSTA FILHO, J.; GURJÃO, N. O. Agricultura familiar no Ceará: evidências a partir do Censo Agropecuário de 2017. Revista Econômica do Nordeste, Fortaleza, v. 51 [suplemento especial], p. 93-112, ago. 2020. LEMOS J. J. S. BEZERRA F. N. R. COSTA J. FILHO GURJÃO N. O. Agricultura familiar no Ceará: evidências a partir do Censo Agropecuário de 2017 Revista Econômica do Nordeste Fortaleza 51 93 112 08 2020 [suplemento especial]. MAROCO, J. Análise estatística com a utilização do SSPS. 2. ed. Lisboa: Edições Sílabo, 2003. MAROCO J. Análise estatística com a utilização do SSPS 2 Lisboa Edições Sílabo 2003 MATOS, D. A. S.; RODRIGUES, E. C. Análise fatorial. Brasília: Enap, 2019. MATOS D. A. S. RODRIGUES E. C. Análise fatorial Brasília Enap 2019 MELO, C. O.; PARRÉ, J. L. Índice de desenvolvimento rural dos municípios paranaenses: determinantes e hierarquização. Revista de Economia Rural, Rio de Janeiro, v. 45, n. 2, p. 329-65, abr/jun. 2007. MELO C. O. PARRÉ J. L. Índice de desenvolvimento rural dos municípios paranaenses: determinantes e hierarquização Revista de Economia Rural Rio de Janeiro 45 2 329 365 abr/jun 2007 MINGOTI, S. A. Análise de dados através de métodos de estatística multivariada: uma abordagem aplicada. Belo Horizonte: Editora UFMG, 2005. MINGOTI S. A. Análise de dados através de métodos de estatística multivariada: uma abordagem aplicada Belo Horizonte Editora UFMG 2005 MONTEIRO, V. P.; PINHEIRO, J. C. V. Critério para implantação de tecnologias de suprimentos de água potável em municípios cearenses afetados pelo alto teor de sal. Revista de Economia Rural, Rio de Janeiro, v. 42, n. 2, p. 365-87, abr./jun. 2004. MONTEIRO V. P. PINHEIRO J. C. V. Critério para implantação de tecnologias de suprimentos de água potável em municípios cearenses afetados pelo alto teor de sal Revista de Economia Rural Rio de Janeiro 42 2 365 387 abr./jun 2004 MOORI, R. G.; MARCONDES, R. C.; ÁVILA, R. T. A análise de agrupamentos como instrumento de apoio à melhoria dos serviços aos clientes. Revista de Administração Contemporânea, Curitiba, v. 6, n. 1, p. 63- 84, jan./abr. 2002. MOORI R. G. MARCONDES R. C. ÁVILA R. T. A análise de agrupamentos como instrumento de apoio à melhoria dos serviços aos clientes Revista de Administração Contemporânea Curitiba 6 1 63 84 jan./abr 2002 PICOLOTTO, E. L. Os atores da construção da categoria da agricultura familiar no Brasil. Revista de Economia e Sociologia Rural, Piracicaba, v. 52, p. 5063-84, 2014. PICOLOTTO E. L. Os atores da construção da categoria da agricultura familiar no Brasil Revista de Economia e Sociologia Rural Piracicaba 52 5063 5084 2014 ROSÁRIO, I. A. Modernização agrícola: um estudo sobre o desenvolvimento e os desafios do município de Adustina (BA). 2021. 57 f. Monografia (Bacharel em Engenharia Agronômica) - Centro Universitário AGES (UniAGES), Paripiranga, 2021. ROSÁRIO I. A. Modernização agrícola: um estudo sobre o desenvolvimento e os desafios do município de Adustina (BA) 2021 57 f 57 f Centro Universitário AGES (UniAGES) Paripiranga Monografia (Bacharel em Engenharia Agronômica) SOUZA, P. M.; FORZAZIER, A.; SOUZA, H. M.; POCIANO, N. J. Regional differences of technology in family farming in Brazil. Revista de Economia e Sociologia Rural, Brasília, v. 57, n. 4, p. 594-617, 2019. SOUZA P. M. FORZAZIER A. SOUZA H. M. POCIANO N. J. Regional differences of technology in family farming in Brazil Revista de Economia e Sociologia Rural Brasília 57 4 594 617 2019 URBINA, S. Fundamentos da testagem psicológica. Porto Alegre: Artmed, 2007. URBINA S. Fundamentos da testagem psicológica Porto Alegre Artmed 2007