Escolar Documentos
Profissional Documentos
Cultura Documentos
Aguilar BalmoreAlirioCruz M
Aguilar BalmoreAlirioCruz M
INSTITUTO DE ECONOMIA
Campinas
2019
UNIVERSIDADE ESTADUAL DE CAMPINAS
INSTITUTO DE ECONOMIA
Campinas
2019
Ficha catalográfica
Universidade Estadual de Campinas
Biblioteca do Instituto de Economia
Mirian Clavico Alves - CRB 8/8708
INSTITUTO DE ECONOMIA
Defendida em 22/02/2019
COMISSÃO JULGADORA
Agradeço, a minha família de sangue que está em El Salvador, que foi base para o
desenvolvimento do meu caráter e para me tornar o homem que sou hoje. a minha família de
coração que me abraçou no Brasil, em especial, a minha companheira Suiani Febroni Meira
que me deu apoio incondicional durante a fase do mestrado.
a minha orientadora e amiga, Rosângela Ballini, que com muito apreço, dedicação
e paciência, me motivou e incentivou para eu ser sempre o melhor. Ao professor Bastiaan
Philip Reydon pelas muitas orientações e colocações nos debates durante os seminários.
aos professores Rodrigo Lanna e Antônio Márcio Buainain que compuseram a banca de
qualificação e pelas colocações que foram fundamentais para a conclusão desta Dissertação.
a meu amigo Temidayo James Aransiola, que esteve sempre me apoiando, aos colegas e
amigos do Núcleo de Economia Agrícola e do Meio Ambiente - NEA do Instituto de Economia
da Unicamp. Em especial a Mayara Davoli, Adâmara Santos, Gabriela Solidário, Rafael da
Silva, Marcelo Pignatari e Vahíd Shaikhzadeh.
O presente trabalho foi realizado com apoio da Coordenação de Aperfeiçoamento de
Pessoal de Nível Superior - Brasil (CAPES) - Código de Financiamento 001.
Resumo
O objetivo desta dissertação é caracterizar a agricultura familiar e avaliar o impacto do
acesso ao crédito das unidades produtivas familiares em El Salvador. Utiliza-se a base de
dados do IV Censo Agropecuário 2007-2008 de El Salvador correspondente a estabelecimentos
familiares. O procedimento metodológico consiste na delimitação de uma base para analisar a
agricultura familiar, considerando os critérios abordados na literatura e, a tipificação a partir
de uma análise univariada. Na sequência, para analisar o impacto do acesso ao crédito sobre
a produtividade da terra e do trabalho para grãos básicos das unidades produtivas familiares,
utiliza-se o Propensity Score Matching e as técnicas de pareamento por vizinho mais próximo,
Radius e Kernel. Os resultados apontam que a agricultura familiar contribui com 72,64% da
produção de grãos básicos e 37% na produção total. Os estabelecimentos familiares produzem
com baixa produtividade se comparados com a agricultura não familiar, se caracterizam por
estar sob condições de carência e fragilidade econômica, devido à baixa assistência técnica,
baixos canais de comercialização e baixo nível tecnológico, o que dificulta sua formação de
capital e a aquisição de conhecimentos para o desenvolvimento do setor rural e agrícola. Por
outro lado, encontrou-se evidência que o impacto do acesso ao crédito foi positivo sobre a
produtividade das unidades produtivas familiares, porém, ele foi muito pequeno e diferenciado
entre os tipos de AF, mas com magnitude diferente entre os estabelecimentos de subsistência
e os comerciais.
1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2 Agricultura Familiar em El Salvador: Delimitação e proposta tipológica para a
Agricultura Familiar (AF) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.1 Contextualização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.1.1 Processo de transformação econômica da região . . . . . . . . . . . . 21
2.1.2 Aspectos do setor agropecuário de El Salvador . . . . . . . . . . . . . 23
2.1.3 Estrutura agrária . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.1.4 Mercado de trabalho e pobreza . . . . . . . . . . . . . . . . . . . . . 28
2.2 Agricultura Familiar em El Salvador . . . . . . . . . . . . . . . . . . . . . . 29
2.2.1 Caracterização e definição da Agricultura Familiar em El Salvador se-
gundo o “Plan de Agricultura Familiar y Emprendedurismo Rural para
la Seguridad Alimentaria Nutricional (PAF) 2011-2014” . . . . . . . 29
2.3 Evidência empírica sobre crítérios de delimitação da Agricultura Familiar e de
construção tipológica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3.1 Críterios de delimitação da Agricultura Familiar . . . . . . . . . . . . 31
2.3.2 Tipologias de Agricultura Familiar . . . . . . . . . . . . . . . . . . . 33
2.4 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.4.1 Delimitação da Agricultura Familiar para El Salvador . . . . . . . . . 40
2.4.1.1 Tipificação da Agricultura Familiar de Subsistência (AFS) . 42
2.4.1.2 Delimitação e construção tipológica da Agricultura Familiar
Comercial (AFC) . . . . . . . . . . . . . . . . . . . . . . . . 43
2.5 Resultados: Dimensão, composição e caracterização da Agricultura Familiar
em El Salvador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.5.1 Distribuição geográfica da AF . . . . . . . . . . . . . . . . . . . . . . 49
2.5.2 Estrutura da produção agrícola . . . . . . . . . . . . . . . . . . . . . 50
2.5.3 Desempenho Agrícola dos estabelecimentos familiares . . . . . . . . . 55
2.5.4 Estrutura Agrária, Posse da Terra, Gestão e Formas de Organização
dos Estabelecimentos Familiares . . . . . . . . . . . . . . . . . . . . . 59
2.5.5 Insumos, Práticas Utilizadas e Assistência Técnica . . . . . . . . . . . 62
2.5.6 Acesso a Tecnologias, Mercados, e a Financiamento . . . . . . . . . . 65
2.6 Considerações Finais do Capítulo . . . . . . . . . . . . . . . . . . . . . . . . 70
2.6.1 Comentários: Aspectos Econômicos e Institucionais da AF Salvadorenha 73
3 Crédito e Produtividade: Impacto do Crédito sobre o Rendimento das Unidades
Produtivas Familiares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.2 Estrutura Institucional em Apoio à Agricultura Familiar . . . . . . . . . . . 77
3.2.1 Crédito Rural Orientado à Agricultura Familiar . . . . . . . . . . . . 77
3.3 Evidências Empíricas sobre a Importância do Crédito para a AF . . . . . . . 79
3.4 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.4.1 Estratégia Empirica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.4.1.1 Primeira Etapa: identificação dos modelos de pesquisa e o
efeito causal objetivo . . . . . . . . . . . . . . . . . . . . . . 83
3.4.1.2 Segunda Etapa: cálculo do Propensity Score . . . . . . . . . 87
3.4.1.3 Terceira Etapa: Qualidade e diagnostico do Propensity Score 89
3.4.1.4 Quarta Etapa: determinação do Matching ou reamostragem 92
3.4.1.5 Quinta Etapa: qualidade do Pareamento ou reamostragem . 95
3.4.1.6 Sexta Etapa: estimação e interpretação do efeito médio do
tratamento . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
3.4.1.7 Sétima Etapa: análise de sensibilidade e verificação da robus-
tez do efeito médio do tratamento . . . . . . . . . . . . . . . 99
3.4.2 Procedimento Técnico . . . . . . . . . . . . . . . . . . . . . . . . . . 100
3.4.3 Limitações Estruturais dos Dados Estatísticos Disponíveis . . . . . . 100
3.4.4 Fonte de dados e variáveis usadas no modelo . . . . . . . . . . . . . . 102
3.5 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
3.5.1 Estatísticas descritivas . . . . . . . . . . . . . . . . . . . . . . . . . . 103
3.5.2 Qualidade do Escore de Propensão e Qualidade do Pareamento . . . 105
3.5.2.1 Análise preliminar . . . . . . . . . . . . . . . . . . . . . . . 105
3.5.2.2 Escores de propensão e pareamento para a produtividade da
terra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
3.5.2.3 Escores de propensão e pareamento para a produtividade do
trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
3.5.3 Avaliação do Impacto do Acesso ao Crédito sobre o Rendimento das
Unidades Produtivas Familiares . . . . . . . . . . . . . . . . . . . . . 114
3.6 Considerações Finais do Capítulo . . . . . . . . . . . . . . . . . . . . . . . . 116
4 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
Referências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
ANEXO A Dados Sócio-econômicos de El Salvador . . . . . . . . . . . . . . . . 131
ANEXO B Resultados do Propensity Score Matching . . . . . . . . . . . . . . 134
B.0.1 Covariáveis Utilizadas e cálculo do propensity score . . . . . . . . . . 136
B.0.1.1 Escore de propensão - modelo 1 . . . . . . . . . . . . . . . . 136
B.0.1.2 Escore de propensão - modelo 2 . . . . . . . . . . . . . . . . 139
B.0.1.3 Escore de propensão - modelo 3 . . . . . . . . . . . . . . . . 141
B.0.1.4 Escore de propensão - modelo 4 . . . . . . . . . . . . . . . . 143
B.0.1.5 Escore de propensão - modelo 5 . . . . . . . . . . . . . . . . 146
B.0.1.6 Escore de propensão - modelo 6 . . . . . . . . . . . . . . . . 148
ANEXO C Implementação do Propensity Score Matching no Stata . . . . . . 151
C.1 Implementação do Propensity Score Matching - (PSM) no Software Stata . . 151
17
1 Introdução
(i) na segurança alimentar, (ii) na gestão dos espaços rurais, (iii) na preservação do meio
ambiente,(iv) na acumulação, geração de riqueza e ocupação, e (v) na sua resiliência.
Acrédita-se que, a baixa produtividade agrícola dos estabelecimentos familiares, possa
colocar em risco a segurança alimentar do país e, criar baixo dinamismo econômico no entorno
rural. Desta forma, o objetivo deste trabalho é caracterizar a Agricultura Familiar e avaliar o
impacto do crédito sobre a produtividade da Agricultura Familiar em El Salvador. Espera-se
contribuir com evidência empírica sobre o impacto potencial que representa o fornecimento de
recursos financeiros (canais formais de crédito) alocados para estes atores sócio-produtivos.
Duas perguntas nortearam esta pesquisa: o desempenho produtivo da Agricultura
Familiar (AF) é maior que o desempenho da Agricultura Não Familiar (ANF) e, quais são
as características deste setor? Qual é o impacto do acesso ao crédito sobre o rendimento das
unidades produtivas familiares?
A hipótese à primeira pergunta é que o desempenho produtivo da AF quando com-
parado à ANF, é fraco devido à falta de condições que favoreçam mudanças estruturais no
setor: ausência de políticas públicas, de instituições orientadas neste setor e a falta de re-
cursos diponíveis. Este último ponto, se relaciona de forma direta com a segunda hipotése
da segunda questão: existe um impacto positivo do crédito sobre a produtividade da AF. A
movilização dos recursos financeiros para suprir as necesidades operativas, administrativas e
de investimento para os estabelecimentos agrícolas, pode permitir um maior aproveitamen-
tos dos recursos financeiros e produtivos das unidades econômicas familiares, fornecendo ao
setor, eficiência (financiamento para capital operativo), capacidade produtiva (alocação efi-
ciente dos recursos disponíveis), maior competitividade (abertura para novos mercados) e o
acesso a fatores tecnológicos (financiamento a capital produtivo).
Para responder a primeira pergunta e verificar sua hipotése, é necessário identificar o
desempenho produtivo da Agricultura Familiar (AF) por meio da comparação das produtivi-
dades entre estabelecimentos agrícolas familiares e não familiares e conhecer as características
gerais do setor. Será utilizado o IV Censo Agropécuario 2007-2008 de El Salvador, específica-
mente os dados que correspondem a estabelecimentos agrícolas. Uma vez que a AF familiar
se divide em AF de Subsistência e AF Comercial, o censo, proporciona uma variável donde
se identificam os pequenos estabelecimentos associados ao conceito de AF de subsistência,
porém, carece de uma variável que especifique de forma direta aos estabelecimentos familiares
comerciais.
Diante desta situação, da ausencia de uma base de dados específica para a análise,
é realizada uma delimitação das observações de estabelecimentos comercias e, define-se aos
estabelecimentos familiares comerciais, e desta forma, se constrói um universo de dados para a
Capítulo 1. Introdução 19
por meio do método de Propensity Score Matching. Além disso, pretende-se analisar de forma
breve a atual política agrícola voltada para este setor.
O capítulo se divide em seis seções. A Seção 3.1 apresenta uma breve introdução do
capítulo, na Seção 3.2 se apresenta a estrutura institucional em apoio à Agricultura Familiar.
Na Seção 3.3 se apresentam algumas evidências empíricas sobre a importância do crédito
para a Agricultura Familiar Salvadorenha. A Seção 3.4 expõe a metodologia utilizada neste
trabalho, a qual apresenta os procedimentos para a estimação do pareamento do escore de
propensão e os algoritmos utilizados. Na Seção 3.5 são apresentados os resultados principais
da pesquisa e, por último, não Seção 3.6 são apresentadas as considerações finais.
21
2.1 Contextualização
2.1.1 Processo de transformação econômica da região
O meio rural salvadorenho ainda não supera problemas de caráter estrutural que
limitam o seu desenvolvimento econômico e social. A desarticulação da institucionalidade
pública, a falta de políticas públicas orientadas ao desenvolvimento rural, os problemas so-
cioeconômicos como a pobreza, a falta de governabilidade e participação cidadã, afetam a
democracia e o desempenho econômico e social do país. A isto se somam os problemas histó-
ricos que vem se arrastando do passado associados à desigualdade na distribuição dos ativos
produtivos, conforem Consejo Agropecuario Centroamericano (CAC) (2010). De um ponto
de vista histórico, a região da América Central iniciou um novo padrão de desenvolvimento
no qual é possível identificar quatro fatores associados a um processo de transformação con-
tínua: i) liberalização da economia; ii) reestruturação produtiva; iii) globalização financeira;
e iv) transformação estrutural interna.
A liberalização da economia implicou reduzir as medidas de proteção tarifárias para
facilitar as exportações, modelo que aumentou o Investimento Estrangeiro Direto (IED) e
trouxe uma diminuição dos custos de transporte e de comunicações. Se inicia uma forte
orientação para o mercado externo. Em El Salvador, este processo da exportação como driver,
dissociou-se do desenvolvimento rural, pois a região se inseriu nas cadeias globais de valor
com um baixo nível tecnológico baseado na agroexportação e na indústria de têxtil. O país,
se caracterizou nos últimos anos, por funcionar sob um baixo dinamismo do crescimento
econômico e uma generalização da pobreza concentrada nos espaços rurais. Este processo de
liberalização comercial tem trazido um crescimento desigual, incrementando as disparidades
sociais e territoriais dos espaços rurais e dos produtores agrícolas.
O IED aumentou, mas não apresentou resultados diretos e efetivos para o espaço
rural. A reestruturação produtiva e social ineficiente das economias internas, acompanhada
de uma “institucionalidade desarticulada e debilitada para atender devidamente as crescentes
demandas de serviços básicos da população”(Consejo Agropecuario Centroamericano (CAC)
Capítulo 2. Agricultura Familiar em El Salvador: Delimitação e proposta tipológica para a Agricultura
Familiar (AF) 22
Fonte: Elaboração própria com base nos dados do Banco Central de Reserva de El Salvador
(BCR)
crescimento do setor até os anos 2010. A partir desse ano, o setor apresentou uma tendência
decrescente.
Fonte: Elaboração própria com base nos dados do Banco Central de Reserva de El Salvador
(BCR)
A Figura 3 expõe que os grãos básicos representam uma quinta parte do setor agrope-
cuário, porte semelhante com outras produções agrícolas e a pecuária. A produção de grãos
básicos se mantém ao longo dos anos, ressaltando o “paradoxo latino-americano do cres-
cimento do PIB agrícola com a manutenção da pobreza”(SABOURIN et al., 2015, p. 22),
sobre tudo, a concentração da pobreza nas zonas rurais de El Salvador. Em 2008 a situação
da pobreza na área rural foi geral, pois o 49,0% estava em situação de pobreza, 17,5% em
extrema pobreza e 31,5% em situação de pobreza relativa, sendo esta proporção mantida até
o período recente.
Fonte: Elaboração própria com base nos dados do Banco Central de Reserva de El Salvador
(BCR)
máximo de 245 hectares. No contexto dos Acordos de Paz em 1992, ratificou-se a atribuição
de excedentes de 245 hectares, com modificações. De acordo com Flores (1998) a falta de
um Censo Agropecuário posterior ao III Censo de 1971, dificultou uma visão abrangente da
estrutura agrária para o processo da segunda fase.
Uma terceira fase, consequência do decreto 207 de 1980, atingiria propriedades com
vocação agrícola que gestionaram propriedades de até sete hectares e aquelas sob qualquer
forma de arrendamento e tamanho. Ou seja, a lei expropriava as terras que não eram explo-
radas por seus proprietários e as transferia aos produtores arrendatários que trabalhavam e
produziam nessas terras independentemente do tamanho. Foi encabeçada pela “Financiera
Nacional de Tierras Agrícolas” (FINATA), a qual concedia e financiava as propriedades com
50% à vista e 50% em bônus de acordo com o valor fiscal declarado da propriedade. Em 1982
a aplicação deste decreto foi modificada para autorizar o aluguer de terras durante o ciclo
agrícola e em 1997 outras leis foram revogadas com a finalidade de regular o arrendamento
de terras.
Segundo Pérez (2010) e Flores (1998) a reforma de 1980 não fez modificações impor-
tantes na abrangência de minifúndio e de pequenas propriedades. Porém, a partir de 1984,
os estratos de mais de 100 hectares aumentaram significativamente e os estratos entre 500-
2500 hectares considerados latifúndios desapareceram para 1984, rompendo com o sistema
latinfundista da época. Nos anos 1990, no contexto dos Acordos de Paz entre o exército e
a guerrilha salvadorenha, distribuiram-se terras aos ex-combatentes de guerra por meio do
Programa de Transferências de Terras (PTT 1991-2002). A tendência neoliberal promoveu a
iniciativa individual e o desenvolvimento dos mercados, fomentou a agricultura individual no
setor cooperativo e foram reduzidos os custos administrativos relacionadas com o processo
de reforma.
Entre 1982-1991 a distribuição das terras pela aplicação dos três decretos descritos
resultou em um endividamento das associações cooperativas e beneficiários individuais que
não lhes permitiria continuar suas operações. Entre 1989-1998 iniciou-se o Programa de
Promoção da Reativação Econômica e Social, implementou-se o Banco de Terras que também
distribuiu e redistribuiu terras no marco legal, além de outras instituições que ajudaram no
processo de reforma agrária. Ademais a dívida agrária foi suportada pelo sistema financeiro
para que as cooperativas adquirissem crédito.
Em 1992, as cooperativas se beneficiaram desta medida e o decreto 747, de acordo
com Pérez (2010), permitiu a partição de propriedades para a transferência individual e
coletiva sob o sistema de novas opções de posse de terra, dando liberdade para a definição da
forma de propriedade que desejavam praticar (individual, mista, coletiva, etc) e para os que
Capítulo 2. Agricultura Familiar em El Salvador: Delimitação e proposta tipológica para a Agricultura
Familiar (AF) 28
O grupo da AFS contribui com a segurança alimentar, com mais de 70% na produ-
ção nacional de grão básicos e outros itens, paradoxalmente concentra-se em altos níveis de
pobreza e altos níveis de desnutrição (MAG, 2011). O principal problema refere-se às rendas
muito baixas como consequência da baixa produção e produtividade, a baixa assistência téc-
nica, de acesso a créditos e outros incentivos financeiros, deficientes canais de comercialização
e escassa associatividade empresarial, levando a uma vulnerabilidade econômica, social e am-
biental. Por outro lado, na AFC o produtor vive no local ou em um lugar próximo, utiliza
mão de obra familiar como principal força de trabalho e contrata mão de obra externa de
forma eventual, sendo o destino principal o mercado, o que permite gerar renda a partir da
produção e satisfazer suas necessidades.
A contribuição da AF é fundamental em cinco frentes: (i) na segurança alimentar,
(ii) na gestão dos espaços rurais, (iii) na preservação do meio ambiente,(iv) na acumulação,
geração de riqueza e ocupação, e (v) na sua resiliência. A AF salvadorenha tem um papel
importante na sustentabilidade do país em termos de produção, contribuição da segurança
alimentar, geração de renda das famílias rurais, e geração de emprego. O “nível de vida das
famílias que vivem da agricultura, no longo prazo, depende fortemente de sua produtivi-
dade”(FAO, 2004, p. 41). Porém, a área rural “(...) concentra altos níveis de pobreza (...),
embora, paradoxalmente, produz uma elevada proporção dos alimentos consumidos pela po-
pulação”(FAO, 2012, p. 16). El Salvador tem experimentado níveis de pobreza muito altos;
a pobreza , entre 2006-2008, revelou que 35,1% da população estava em situação de pobreza.
método permite tratar sistemas complexos e sua estratificação. Escobar e Berdegué (1990)
sugerem que cada aproximação seja avaliada em função da sua eficiência operacional e a
partir dos supostos teóricos.
A análise univariada as vezes pode não tratar informações sobre condições socioeconô-
micas, culturais, ou hierárquicas, mas pode reduzir o emprego de informação redundante sobre
um mesmo fenômeno. Algumas aplicações de critérios univariados para classificação de es-
tabelecimentos agropecuários tem empregado, por exemplo, a composição da renda familiar,
tamanho da exploração, nível de capitalização, informações climáticas ou de solos. Esco-
bar e Berdegué (1990) expõem que um resultado prático pode sugerir também um critério
univariado como, por exemplo, para o caso da construção de uma tipologia.
Os autores sugerem elementos de tipificação e/ou classificação de sistemas de ex-
plorações ou estabelecimentos agropecuários a partir da determinação de um marco teórico
específico, seleção de variáveis que permitam operacionalizar um marco teórico, coleta de
dados, análises estatísticas multivariadas ou univariadas para a interpretação de dados e
resultados, validação da tipologia e classificação. Os tipos de variáveis de importância vão
desde o tamanho da propriedade, nível de capitalização, estrutura da mão de obra disponível
e empregada no estabelecimento, sistemas produtivos existentes nos estabelecimentos (sis-
tema de cultivo, animal etc), nível tecnológico, posse da terra, qualidade do solo, composição
da renda familiar, grau e articulação de mercados de produtores, localização geográfica e
agroecológica, capacidade de gestão, habilidades e metas dos produtores.
Para este estudo, utiliza-se a base de dados correspondente a estabelecimentos (explo-
rações) do IV Censo Agropecuário 2007-20088 . Se identificaram duas variáveis que permitiram
construir um universo de dados para a AF, em vista que, não existe uma base de dados espe-
cífica para este setor. Foi identificada a variável de pequenos produtores familiares associadas
ao conceito de AF de subsistência, porém, o censo carece de uma variável que especifique
de forma direta aos estabelecimentos familiares comerciais. Para criar um universo de AF,
se utiliza a variável dos estabelecimentos comerciais, e apartir deles, define-se aos estabeleci-
mentos familiares comerciais em função à forma de organização dos estabelecimentos (gestão
pelo produtor chefe de família) e em termos de acesso a fatores produtivos ou insumos (su-
perfície do estabelecimento), conforme sugestões da literatura. Posteriormente, procedesse à
estratificação da AF em função da capacidade produtiva do estabelecimeto, tomando como
base o nível de produtividade da terra, utilizando a análise univariada.
8
Daqui em diante, quando “produtores familires” for mencionado, será referente a estabelecimentos ou explo-
rações.
Capítulo 2. Agricultura Familiar em El Salvador: Delimitação e proposta tipológica para a Agricultura
Familiar (AF) 34
específica construída foi: i) Lares especializados ii) Lares diversificados, e iii) Lares rurais.
Para a base de dados da “Encuestas de Hogares de Propósitos Múltiples (EHPM)” dos anos
2000 e 2009, seria válida esta classificação, porém, para os dados do IV Censo Agropecuário
2007-2008, Cabrera (2013) não conseguiu esta tipificação devido à ausência de variáveis de
valor da produção e da renda monetária das famílias.
Os trabalhos descritivos por Mejía e Delgado (2014), Ruíz (2015) utilizaram os dados
do IV Censo Agropecuário de 2007-2008 para analisar a AF, considerando o universo com-
pleto dos produtores comerciais (que não grandes produtores) como Agricultores Familiares
Comerciais (AFC), sem fazer uma delimitação dos dados.
Passando a um marco de experiências regionais, o caso quiçá mais emblemático a
ressaltar seja o caso no Brasil. Em 1989 Kageyama e Bergamasco (1989) utilizaram o Censo
Agropecuário do Brasil de 1980, onde propuseram a primeira classificação entre AF e suas
tipologias. Se fez uma classificação dos estabelecimentos agropecuários via “uma variável
que pudesse refletir possíveis diferenças na forma de organizar a produção e valorizar o
patrimônio e/ou capital”(p. 56). Para reafirmar essa classificação, as autoras fizeram um
segundo procedimento “baseado na área total e na utilização de tratores” o que permitiu dar
suporte à hipótese de que ainda nesses grupos havia heterogeneidade.
Foram identificados dois tipos de unidades produtivas, as unidades familiares e as
unidades empresariais. As unidades empresariais ou empresas capitalistas são dirigidas por
um administrador contratado e usam necessariamente mão de obra familiar. Por sua vez,
a produção familiar ou unidade familiar de produção agrícola era caracterizada por serem
dirigidas pelo produtor chefe de família e utilizar mão de obra familiar, porém, existia hetero-
geneidade entre elas. As unidades de produção familiar agrícola foram classificadas com base
no peso relativo do trabalho assalariado ou contratado, o que permitiu estabelecer a seguinte
tipologia: i) estabelecimentos familiares puros; ii) estabelecimentos familiares complementa-
dos por empregados temporários; iii) empresas familiares que contratam força de trabalho
externa à família de forma permanente e as vezes temporários. Os estabelecimentos sem mão
de obra familiar foram classificados como menores a dois hectares, intensivos e extensivos.
Outro estudo importante é o proposto por Kageyama et al. (2014), que usaram o Censo
de 1985 para criar tipologias via variáveis de empregados permanentes, renda bruta monetária
e outras. O estudo baseou-se na presença de empregados permanentes e temporários em
relação à mão de obra. Em 2000, o Instituto Nacional de Colonização e Reforma Agrária e a
Organização das Nações Unidas para a Alimentação - INCRA-FAO (2000, p. 10) adotou uma
tipologia que permitisse “classificar os produtores a partir das condições básicas do processo
de produção” que explicassem suas reações externas e sua apropriação com a natureza. A
Capítulo 2. Agricultura Familiar em El Salvador: Delimitação e proposta tipológica para a Agricultura
Familiar (AF) 36
cial da AF. A FAO e BID (2007) expressam que a AF se diferencia da empresa agropecuária
pelo uso predominante da força de trabalho familiar, pelo acesso limitado a recursos da terra
e capital, pelo uso de múltiplas estratégias de sobrevivência e de geração de rendas e pela
sua heterogeneidade, especialmente sua articulação nos mercados de produtos.
No estudo de 2007 foi possível distinguir uma tipologia que permitisse considerar a
heterogeneidade da região latino-americana, ou seja, i) AF de Subsistência; ii) AF em Transi-
ção; iii) AF Consolidada. Segundo a FAO e BID (2007) as características de cada tipo de AF
se diferencia entre si, “pela quantidade, qualidade de terra e demais ativos a sua disposição,
como pelas estratégias que ditas bases de ativos e recursos que o condicionam”(p. 10). Estas
mesmas categorias têm outras denominações de acordo com a classificação de cada país, como
por exemplo, a “AF de Subsistência também é chamada de descapitalizada ou periférica; a
AF em Transição é chamada de especializada ou intermediária; a AF Consolidada é denomi-
nada de excedentária17 , comercial ou capitalizada”(Instituto Interamericano de Cooperación
para la Agricultura (IICA), 2016, p. 12).
Segundo a FAO e BID (2007) e o Instituto Interamericano de Cooperación para la
Agricultura (IICA) (2016), a AF de Subsistência, descapitalizada ou periférica são unidades
em que predomina a produção para o auto-consumo, tem limitado acesso a canais comerciais,
tem recursos escassos para garantir a produção das famílias, o que as induz a percorrer
a trabalho assalariado fora ou no interior da agricultura. Em caso de não variar os seus
ativos, não dinamiza sua demanda, a sua tendência seria a decomposição e assalariamento
pelo escasso potencial agropecuário. A AF em Transição, especializada, intermediária são
unidades que dependem da produção própria, seja para venda ou auto-consumo; também tem
certo acesso a recursos produtivos que permite garantir a sustentabilidade de sua unidade
produtiva e a produção familiar. Esta categoria tem uma situação instável no que diz respeito
à produção, acesso ao mercado e ao financiamento, pois dependem de políticas públicas para
conservar sua qualidade.
A AF Consolidada, excedentária, comercial, capitalizada, são unidades que têm sus-
tentabilidade produtiva própria, pois têm mais acesso a mercados tanto de tecnologia, capital
e de produtos, o que permite que tenham suficientes recursos produtivos para a produção de
excedentes que permitem a ampliação de escala e acumulação, ou seja, a capitalização da sua
unidade produtiva. Ademais, essas unidades têm bens de consumo suficientes para garantir
a produção da família.
17
Excedente.
Capítulo 2. Agricultura Familiar em El Salvador: Delimitação e proposta tipológica para a Agricultura
Familiar (AF) 39
2.4 Metodologia
Esta dissertação aporta uma delimitação da base de dados a partir do IV Censo
Agropecuário para a análise da Agricultura Familiar em El Salvador, uma vez que não existe
no país uma base específica para analisar tal setor. Existem dados para analisar a Agricultura
Familiar de Subsistência mas não para a Agricultura Familiar Comercial de forma direta, o
que representa uma limitação para analisar a estrutura como um todo.
Neste trabalho, será usado o IV Censo Agropecuário 2007-2008 divulgado pelo Mi-
nisterio de Economía (MINEC) (2008). Na Tabela 1 se apresentam as variáveis utilizadas
neste trabalho. Pretende-se utilizar a variável sobre pequenos estabelecimentos dos produto-
res associado ao conceito de AF de Subsistência. Para o caso da AF Comercial, será derivada
da variável correspondente a estabelecimentos comerciais em função a dois critérios: o tipo
de organização do produtor (gestão pelo produto chefe de familia) e pelo acesso a fatores
produtivos (tamanho do estabelecimento).
A estratificação/tipificação neste estudo, utilizará como metodologia a análise univa-
riada, tomando como referência, a produtividade da terra18 . Se considerará a concentração
da distribuição dos dados sobre produtividade como único critério principal de tipificação
para evitar sobrepor informações, isto é, para reduzir o emprego de informação que possa
ser redundante sobre o fenômeno. A seleção deste método se deve à limitação do censo em
dispor de variáveis como rentabilidade ou renda monetária dos estabelecimentos, pelo qual
se encontrou este método apropriado para uma análise exploratório deste setor. A escolha do
método pode conduzir a certo grau de arbitrariedade já apontado por Schneider (2014), de
modo que as limitações dos dados também se extrapolam para a análise.
Por tanto, será tipificada a Agricultura Familiar de Subsistência em categorias A e B,
e a Agricultura Familiar Comercial em categoria C e D conforme a análise univariada. Duas
observações merecem destaque. A primeira é que em El Salvador existe uma definição oficial
não-institucionalizada de AF definida pelo MAG (2011, p. 16) no PAF 2011-2014 a partir
do IV Censo Agropecuário de 2007-2008 divulgado pelo Ministerio de Economía (MINEC)
(2008). Esta caracterização e definição operativa não institucionalizada de Agricultura Fa-
miliar tipifica à AF em Agricultura Familiar de Subsistência (AFS) e Agricultura Familiar
Comercial (AFC).
A segunda observação identificada, é que, no censo para observações sobre produtores
(não estabelecimentos), a Agricultura Familiar de Subsistência (AFS) está delimitada no
cruzamento das variáveis “tiprodu=2” e “mlp=-2”, que correspondem a produtores que são
considerados como pequenos produtores, resultando em um total de 325.046 produtores nesta
categoria. Também identificou-se no cruzamento das variáveis “mlp=0” e “tiprodu=1”19 ,
18
Em relação ao método, Escobar e Berdegué (1990) sugerem que cada aproximação seja avaliada em função
da sua eficiência operacional e a partir dos supostos teóricos, e uma análise univariada pode ser prática na
construção de tipologias. Em relação ao tipo de variável para a estratificação, a tipificação por superfície
da terra do estabelecimento pode deixar de lado a heterogeneidade em termos de potencial produtivo. Para
resolver o problema de heterogeneidade, Schetjman (1981) elaborou um índice de rendimento para se apro-
ximar a uma homogeneização de grupos. Por sua parte, Salcedo et al. (2014) expõem que seria importante
incorporar o conceito de “produtividade da terra” para classificar os produtores familiares em tipologias.
19
Na metodologia proposta adotou-se “Produtores Comerciais (pequenos e medianos)” para “Produtores co-
merciais”.
Capítulo 2. Agricultura Familiar em El Salvador: Delimitação e proposta tipológica para a Agricultura
Familiar (AF) 41
um total de 69.427 produtores comerciais que não são grandes. O cruzamento das variáveis
“mlp=1” e “tiprodu=1” define os grandes produtores ou estabelecimentos agrícolas.
Categoría identificada
Tipo de produtor Subsistência Comercial Grande produtor
(mlp=-2) (mlp=0) (mlp=1) Total
Produtor comercial (tiprodu=1) 0,0 69.426,6 2.475,8 71.902
% 0,0 96,6 3,4 100
Produtor pequeno (tiprodu=2) 325.406,4 0,0 0,0 325.406
% 100,0 0,0 0,0 100
Total 325.406 69.427 2.475,8 397.309
% 81,9 17,5 0,6 100
Observações 397.308
Fonte: Elaboração própria com base nos dados do IV Censo Agropecuário 2007-2008
Fonte: Elaboração própria com base nos dados do IV Censo Agropecuário 2007-2008
atividades pecuárias (3.099). Portanto, identifica-se AFS de duas categorias a partir do nível
de produtividade dos estabelecimentos. Há uma AFS tipo A, que corresponde a 260.724
(80,89 %) estabelecimentos de subsistência pura ou infrasubsistência, e tipo B com 61.583
estabelecimentos (19,11%).
Em vista da ausência de uma base de dados oficial sobre AF Comercial, neste trabalho,
delimita-se a variável produtor comercial que não é grande produtor da base de dados do IV
Censo Agropecuário de El Salvador 2007-2009, usando critérios operativos. Portanto, como
exposto, deriva-se a categoria de AFC a partir das variáveis “mlp=0” e “tiprodu=1”, que são
estabelecimentos do tipo comercial pequeno e mediano.
O objetivo é deixar em evidência os estabelecimentos pequenos que são comerciais
que, neste trabalho, são catalogados de estabelecimentos familiares, além de diferenciá-los
dos estabelecimentos medianos que são denominados como estabelecimentos não familiares.
Os critérios de delimitação são fundamentados nos seguintes elementos: que o estabelecimento
Capítulo 2. Agricultura Familiar em El Salvador: Delimitação e proposta tipológica para a Agricultura
Familiar (AF) 45
seja administrado por um produtor individual como forma de organização, que o estabele-
cimento esteja na condição de pessoa física, e empregar mão de obra seja temporária ou
permanente de forma limitada.
Da Tabela 3 nota-se que os estabelecimentos comerciais pequenos-medianos, estão na
condição de pessoa física (variável “s01p05a” ou “s01p05adsc”). Porém, a administração do
estabelecimento não necessariamente é o produtor individual. A partir desta última variável
realiza-se a delimitação da AFC. A variável “s01p06adsc” trata do tipo de administração
do estabelecimento, ou seja, se ele é organizado por cooperativa, empresa ou corporação,
entidade de governo, ONG, outros e, por último a categoria de produtor individual. Portanto,
o primeiro critério de delimitação é que a gestão do estabelecimento seja dada pelo produtor
individual (“s01p06a=39”), ou seja, a unidade econômico-produtiva seja administrada pelo
chefe ou dono de família (produtor individual). Neste caso, o produtor individual assume a
responsabilidade de gestor do estabelecimento.
O segundo critério é baseado em função do número de trabalhadores por estabele-
cimentos agropecuários considerando a distribuição dos dados, conforme dois subcritérios.
O primeiro subcritério consiste em pequenos estabelecimentos comerciais que contratam de
0-20 unidades de trabalho (mão de obra) temporárias (variáveis “s19p02mt” e “s19p02ht”),
e que contratam de 0 a 4 empregados de forma permanente (“s19p02mf” e “s19p02hf”). Este
subcritério de utilização de mão de obra temporária é um tanto arbitrário, mas ele é adotado
por três razões.
Capítulo 2. Agricultura Familiar em El Salvador: Delimitação e proposta tipológica para a Agricultura
Familiar (AF) 46
Uma vez delimitada a AFC resta tipificá-las. A estratificação que aqui se expõe, pro-
põe uma tipificação deste universo em função do nível de produtividade dos estabelecimentos
pequenos. É necessário ressaltar uma diferença entre estabelecimentos familiares de subsis-
tência e estabelecimentos familiares comerciais, e é a predominância de tipos de cultivos
deste último. Como a AFC não cultiva somente grãos básicos, mas um conjunto de cultivos,
a tipificação toma como base a produtividade total para grãos básicos e outros cultivos.
Para calcular a produtividade da AFC, considera-se o cultivo de grãos básicos cons-
tituídos por feijão, sorgo, milho e arroz do código “s03a”, o cultivo de hortaliças de “s05a”,
cultivos agroindustriais anuais de “s06a”, cultivos orgânicos do código “s12a”, cana ou agroin-
dustrial semipermanente de “s07a” e o cultivo de frutas de “s08a”. Excluí-se desta análise o
cultivo de café, viveiros e estufas, além das atividades florestais.
Fonte: Elaboração própria com base nos dados do IV Censo Agropecuário 2007-2008
Fonte: Elaboração própria com base nos dados do IV Censo Agropecuário 2007-2008
Capítulo 2. Agricultura Familiar em El Salvador: Delimitação e proposta tipológica para a Agricultura
Familiar (AF) 50
Fonte: Elaboração própria com base nos dados do IV Censo Agropecuário 2007-2008
sequência temporal-geográfica de um ou vários cultivos de uma unidade de produção e sua interação com
esses recursos disponíveis (HIRAKURI et al., 2012; GARZA et al., 1993; SORIA V., 1976). Um sistema de
cultivo, pode ser um sub-conjunto do sistema de produção, e refere-se ao manejo associado a cultivos ou
práticas de determinadas espécies vegetais, mediante um conjunto de atividades e operações (GARZA et
al., 1993; HIRAKURI et al., 2012). Os sistemas de produção podem ser classificados de acordo com o tipo
de cultivo seja anual ou perene. Pode-se identificar os sistemas monocultivos (anuais) ou produção isolada,
sistema em sucessão de culturas (cultivos associados), sistema em rotação de culturas (cultivos associados),
sistema em consorciação de culturas ou policutivo (cultivo múltiplo) e sistema de integração (SORIA V.,
1976; HIRAKURI et al., 2012). O sistema agrícola de produção por sua vez, segundo Hirakuri et al. (2012),
refere-se à organização regional dos diversos sistemas de produção vegetal e ou animal, que permitem a
construção de arranjos produtivos e sistemas predominantes em cada região.
Capítulo 2. Agricultura Familiar em El Salvador: Delimitação e proposta tipológica para a Agricultura
Familiar (AF) 53
Tabela 7 – Estrutura agropecuária: Atividades Diversas
GRÃOS BÁSICOS
HORTALIÇAS E VEGETAIS
AGROINDUSTRIAIS PERMANENTES
E SEMIPERMANENTES
Fonte: Elaboração própria com base nos dados do IV Censo Agropecuário 2007-2008
Fonte: Elaboração própria com base nos dados do IV Censo Agropecuário 2007-2008
57
Capítulo 2. Agricultura Familiar em El Salvador: Delimitação e proposta tipológica para a Agricultura
Familiar (AF) 58
Entre os estabelecimentos que têm outros cultivos e alguns grãos básicos27 , produzem,
aproximadamente 822 mil toneladas, 49% do total produzido nesta categoria, e utilizam 64%
da superfície total. O rendimento foi de 41,37 toneladas por hectare, menor se comparado
com o rendimento dos estabelecimentos não familiares, de 76,88 toneladas por hectare. A
produtividade para esta categoria foi 54,18 toneladas por hectare. Os estabelecimentos de
subsistência apenas cultivam grãos básicos.
As informações de cultivo de grãos básicos e outros cultivos e alguns grãos básicos
correspondem em essência, aos estabelecimentos que cultivaram grãos básicos. A apresentação
desses dados desagregados é que há estabelecimentos que só cultivam grãos básicos, enquantos
que outros cultivam grãos básicos mas se dedicam a outras atividades. Do total da produção
de grãos básicos, 3.383.257,5 toneladas (soma da produção de cultivos de grãos básicos mais
a produção de outros cultivos e alguns grãos básicos), a AF produz 2.457.899 toneladas,
que correspondem ao 72,64%. Do total da superficie, 412.424,33 hectares, a AF utiliza para
a produção de grãos básicos, 392231,21 hectares, que correspondem ao 95,1% do total da
superficie.
As informações sobre outros cultivos excluindo grãos básicos observa-se que os esta-
belecimentos familiares comerciais (tipos C e D) utilizaram 16% da superfície total destinada
a outros cultivos excetuando grãos básicos, e produziram um pouco mais de meio milhão,
isto é, 12% da produção nesta categoria. Os estabelecimentos de subsistência (tipos A e B)
produzem apenas grãos básicos. No caso dos estabelecimentos não familiares, produziram
88% de outros tipos de produção, e utilizam 84% da superfície total para outros cultivos ex-
cluindo grãos básicos. A produtividade dos estabelecimentos familiares é de 50,92 toneladas
por hectare e dos não familiares 74,5, sendo que a produtividade total desta categoria é de
70,64 toneladas por hectare.
Na Tabela 11 são apresentadas as informações sobre o desempenho agrícola por tipo
de agricultura, o número de estabelecimento por categoria, o número mínimo e máximo de
estabelecimentos, assim como a produtividade que corresponde ao rendimento médio por
estabelecimento. Estas informações estão desagregadas por cultivos em total, grãos básicos,
e outros cultivos excluindo grãos básicos. Observa-se na Tabela 11 que o desempenho agrí-
cola por tipo de agricultura apresenta rendimento médio por estabelecimento maior para os
estabelecimentos não familiares, 44 toneladas por hectare. Para grãos básicos, o rendimento
médio por estabelecimento familiar foi de 4,52 toneladas por hectare, e para os não familiares
27
Outros cultivos e alguns grãos básicos, refere-se a estabelecimentos que também se dedicavam a outras
atividades, mas nesse cálculo, entrou só a produção de grãos básicos. Se desagregou do cultivo de grãos
básicos apenas para distinguir entre estabelecimentos que tinham como única atividade o cultivo de grãos
básicos, e aqueles que aparte de cultivar grãos básicas, se dedicavam a outras atividadades. Por isso a ao
considerar a produção de grãos básicos, será a soma da coluna B e a coluna C
Capítulo 2. Agricultura Familiar em El Salvador: Delimitação e proposta tipológica para a Agricultura
Familiar (AF) 59
foi 5,8 toneladas por hectare. Para outros cultivos excluindo grãos básicos, os estabelecimen-
tos familiares reportaram um rendimento médio por estabelecimento de 43,03 toneladas por
hectare, enquanto os não familiares tiveram um rendimento de 64,2 toneladas por hectare.
A superfície total utilizada para a agricultura familiar tem uma média máxima de 46
hectares, e a agricultura não familiar utiliza uma média de até 2.167 hectares. A produção
média máxima da agricultura familiar foi até 3.355 toneladas, em contraste com a agricultura
não familiar que produz em média um valor máximo de 175.527 toneladas. O rendimento total
médio e o rendimento médio por estabelecimento é maior entre agricultores não familiares
tanto para grãos básicos, como para outros cultivos.
Fonte: Elaboração própria com base nos dados do IV Censo Agropecuário 2007-2008
Capítulo 2. Agricultura Familiar em El Salvador: Delimitação e proposta tipológica para a Agricultura
Familiar (AF) 60
perfície para produção, ou seja, 20% dos estabelecimentos, concentram 80% da superfície
de estabelecimentos. Ainda, verifica-se que 10% dos estabelecimentos concentram acima de
70% da superfície total, 5% dos estabelecimentos com maiores hectares, concentram 62% da
superfície. Esta concentração da terra é corroborado pelo Índice de Gini, o qual resultou ser
igual a 0,75, o que demonstra uma desigualdade da distribuição da terra muito alta.
Tipo de cultivos Superfície utilizada Superfície utilizada em % Média por Mínimo Máximo
(mz)* (ha) estabelecimento (ha) (ha)
Grãos básicos 545.630,54 381.339,00 41,1% 1,03 0,00 304,72
Hortaliças 18.092,63 12.644,87 1,4% 0,70 0,07 51,72
Agroindustriais anuais 4.585,78 3.204,99 0,3% 1,53 0,07 196,04
Cana-de-açucar 92.295,03 64.504,63 7,0% 12,71 0,00 2.167,28
Outros agroindustriais 6.377,94 4.457,52 0,5% 4,85 0,07 594,06
Frutais 19.121,73 13.364,10 1,4% 1,91 0,00 279,56
Cultivos orgânicos 1.027,83 718,35 0,1% 34,50 0,21 594,06
Café 217.628,09 152.099,40 16,4% 0,38 0,00 1.650,09
Pecuária e outros 422.824,78 295.510,55 31,8% - - -
Total 1.327.584,36 927.843,40 100,0%
*Para converter de hectares a manzanas dividir hectares por 0,698896
Fonte: Elaboração própria com base nos dados do IV Censo Agropecuário 2007-2008
Hectares Totais
Setor agropecuário
até 1 de 1 - 3 de 3 -6 de 6 -10 de 10 - 20 de 20 - 40 de 40 -60 de 60 - 80 de 80 - 100 Mais de 100 Total
AF
AFS Tipo A 201.556 52.742 4.329 1.401 541 120 31 3 0 0 260.724
% 50,73 13,27 1,09 0,35 0,14 0,03 0,01 0,00 0,00 0,00 65,62
AFS Tipo B 51.279 9.601 547 96 33 27 0 0 0 0 61.583
% 12,91 2,42 0,14 0,02 0,01 0,01 0,00 0,00 0,00 0,00 15,50
AFC Tipo C 9.696 18.661 7.368 3.531 3.189 1.638 487 181 34 81 44.867
% 2,44 4,70 1,85 0,89 0,80 0,41 0,12 0,05 0,01 0,02 11,29
AFC Tipo D 1.447 1.617 714 340 308 191 36 13 2 8 4.676
% 0,36 0,41 0,18 0,09 0,08 0,05 0,01 0,00 0,00 0,00 1,18
ANF
ANF Mediano 132 560 588 403 405 440 85 76 10 20 2.718
% 0,03 0,14 0,15 0,10 0,10 0,11 0,02 0,02 0,00 0,01 0,68
ANF grande 18 35 30 47 71 150 152 98 63 261 925
% 0,00 0,01 0,01 0,01 0,02 0,04 0,04 0,02 0,02 0,07 0,23
Outros
Pecuária e outros 6.412 5.087 2.630 1.859 2.372 1.874 717 323 154 389 21.817
% 1,61 1,28 0,66 0,47 0,60 0,47 0,18 0,08 0,04 0,10 5,49
Total 270.540 88.304 16.205 7.678 6.919 4.439 1.509 694 262 759 397.309
% 68,09 22,23 4,08 1,93 1,74 1,12 0,38 0,17 0,07 0,19 100,00
Fonte: Elaboração própria com base nos dados do IV Censo Agropecuário 2007-2008
Fonte: Elaboração própria com base nos dados do IV Censo Agropecuário 2007-2008
Gênero
Mulher 29.143 6.879 4.032 593 40.647
% 7,84 1,85 1,08 0,16 10,93
Homem 231.581 54.704 40.835 4.083 331.202
% 62,28 14,71 10,98 1,10 89,07
Total 371.849,05
% 100,00
Tipo de organização
Cooperativa 0,00 0,00 0,00 0,00 0,00
Empresa ou corporação 0,00 0,00 0,00 0,00 0,00
Entidade de governo 0,00 0,00 0,00 0,00 0,00
ONG 0,00 0,00 0,00 0,00 0,00
Outros 0,00 0,00 0,00 0,00 0,00
Produtor Individual 260.724 61.583 44.867 4.676 371.849
% 70,12 16,56 12,07 1,26 100,00
Fonte: Elaboração própria com base nos dados do IV Censo Agropecuário 2007-2008
Fonte: Elaboração própria com base nos dados do IV Censo Agropecuário 2007-2008
Fonte: Elaboração própria com base nos dados do IV Censo Agropecuário 2007-2008
Fonte: Elaboração própria com base nos dados do IV Censo Agropecuário 2007-2008
ao estabelecimento, tanto quanto para a ANF, seguida de palestras e seminários que também
foram parte do tipo de assistência técnica que receberam os estabelecimentos. De forma clara,
Capítulo 2. Agricultura Familiar em El Salvador: Delimitação e proposta tipológica para a Agricultura
Familiar (AF) 66
pode-se observar um déficit de assistência técnica para agricultura nos anos 2007-2008.
Fonte: Elaboração própria com base nos dados do IV Censo Agropecuário 2007-2008
Estabelecimentos Familliares
Máquinas Ferramentas Equipamento Instalações
Tipo de atividades e capital físico TratoresRastelosSemeadoraAradosMotoserraIrrigaçãoFumigação ouColheita Para ArmazenamentoTratamento
mecânica Aspersão Secagem de agua de grãos
Atividades diversificadas 13% 9% 0% 16% 3% 10% 90% 31% 1% 1% 0%
Agroindustriais anuais 39% 24% 0% 23% 4% 12% 79% 11% 13% 0% 0%
Cana-de-açucar 78% 65% 1% 78% 3% 2% 85% 10% 1% 0% 0%
Frutas 7% 4% 0% 4% 7% 21% 60% 4% 4% 3% 0%
Grãos básicos 1% 0% 0% 1% 0% 3% 95% 29% 0% 0% 0%
Hortaliças 17% 11% 0% 20% 2% 50% 91% 4% 0% 1% 0%
Outros agroindustriais 5% 2% 0% 2% 9% 22% 40% 9% 2% 0% 0%
permanentes e semipermanentes
Estabelecimentos Não Familiares
Máquinas Ferramentas Equipamento Instalações
Tipo de atividades e capital físico TratoresRastelosSemeadoraAradosMotoserraIrrigaçãoFumigação ouColheita Para Almacenamento Tratamento
mecânica Aspersão Secagem de agua de grãos
Atividades diversificadas 42% 35% 6% 45% 18% 25% 89% 36% 8% 13% 1%
Agroindustriais anuais 97% 58% 45% 55% 0% 6% 100% 45% 3% 3% 0%
Cana-de-açucar 94% 87% 4% 90% 3% 9% 92% 10% 1% 1% 0%
Frutas 31% 13% 0% 23% 13% 66% 75% 10% 0% 4% 0%
Grãos básicos 72% 63% 10% 70% 5% 27% 92% 66% 2% 1% 1%
Hortaliças 6% 5% 0% 42% 0% 87% 96% 0% 0% 2% 0%
Outros agroindustriais 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
permanentes e semipermanentes
Fonte: Elaboração própria com base nos dados do IV Censo Agropecuário 2007-2008
67
Capítulo 2. Agricultura Familiar em El Salvador: Delimitação e proposta tipológica para a Agricultura
Familiar (AF) 68
Canais de comercialização
Tipo de Agricultura
Utiliza Não Utiliza Total
ANF 99,7% 0,3% 100%
AF 66,5% 33,5% 100%
Estrutura Agricola Cooperativa Atacadista Varejista Exportação Outro
AF 1,0% 36,3% 57,2% 0,1% 13,5%
AFS Tipo A 0,2% 29,6% 58,5% 0,0% 14,5%
AFS Tipo B 0,2% 33,0% 58,5% 0,0% 10,8%
AFC Tipo C 3,9% 59,2% 53,3% 0,1% 12,8%
AFC Tipo D 6,7% 64,6% 35,5% 0,1% 17,0%
ANF 16,0% 69,0% 25,9% 2,6% 26,7%
ANF Mediano 15,5% 69,8% 26,9% 1,0% 27,6%
ANF Grande 17,6% 66,9% 23,1% 7,3% 24,2%
Fonte: Elaboração própria com base nos dados do IV Censo Agropecuário 2007-2008
de trabalho. Observa-se que, durante maio de 2006 e abril de 2007, período que abarca a
pergunta sobre emprego no IV Censo Agropecuário, o maior número de vagas de trabalho
concedida foi maior nos estabelecimentos familiares. Tem-se que 62,75% dos produtores fami-
liares demandou força de trabalho, sendo que os não familiares demandaram 99,58% de vagas
de trabalho. Porém, 65,2% das vagas totais foi demanda por agricultores familiares e 34,8%
por não familiares. Ainda, verifica-se que 95% dos trabalhos demandados são temporários e
se concentram em homens (90%) e para atividades agrícolas (96%).
Fonte: Elaboração própria com base nos dados do IV Censo Agropecuário 2007-2008
caso, a demanda de trabalho, deve ser entendida como número de vagas oferecidas pelos
produtores e não necessariamente o número de empregados contratados. O número total de
vagas demandas foi de 1.247.704.
Ao ser analisadas as possibilidades financeiras dos estabelecimentos familiares, na
Tabela 24, observou-se que 10,49% dos estabelecimentos agropecuários solicitou crédito, ou
seja, 41.678 estabelecimentos agropecuários. Considerando o universo dos estabelecimentos
agrícolas, 38.343 estabelecimentos solicitaram crédito. Destes, 96,96% foram estabelecimentos
familiares (37.181) e 3,03% estabelecimentos não familiares (1.162). Dos estabelecimentos
familiares que solicitaram crédito, 98,49% tiveram crédito aprovado e dos estabelecimentos
não familiares 99,46% foi aprovado.
Tabela 24 – Acesso ao Financiamento da AF e ANF
Solicitação de Crédito
Solicitaram Não solicitaram Total
Estabelecimentos 41.678 355.631 397.309
% 10,49 89,51 100,00
Aprovação de Crédito
Aprovado Reprovado Total
Estabelecimentos 41.086 592 41.678
% 98,58 1,42 100,00
Fonte: Elaboração própria com base nos dados do IV Censo Agropecuário 2007-2008
Instituição de Crédito
Descrição ANF AF
Banco Privado 42,47% 31,84%
Banco Estatal 31,43% 22,40%
Cooperativa 14,47% 8,50%
ONG 3,23% 5,02%
Outras Financeiras 9,28% 9,32%
Emprestador Local 2,42% 24,37%
Destino de Crédito
Atividades Agrícolas 95,12% 97,61%
Atividades Pecuárias 11,88% 5,09%
Maquinário e Equipamento 5,67% 0,29%
Refinanciamento 0,95% 0,28%
Fonte: Elaboração própria com base nos dados do IV Censo Agropecuário 2007-2008
Por outro lado, houve evidências de concentração da terra. Segundo a curva de Lorenz,
10% dos produtores com maiores superfícies, concentra 70% da superfície total. O índice de
Gini resultou igual a 0,75, indicando uma desigualdade da distribuição da terra muito alta.
Também observou-se um déficit de assistência técnica (4,4% da AF recebe assistência técnica)
e há uma utilização desprezível de maquinário como tratores para a produção. Observou-se
também que 66,5% da AF utilizou canais de comercialização, e poucos estabelecimentos se
associaram a Cooperativas para comercializar os seus produtos. Uma contribuição da AF
foi a geração de 65,2% dos empregos totais. Em relação à solicitação de crédito, houve uma
proporção muito ampla que não solicitou credito, e dentre os que solicitaram crédito e foram
aprovados, destinaram a maior parte desse financiamento para as atividades agrícolas.
Sobre a produção, do total da produção de grãos basicos, a AF produziu 72,64% (cul-
tivos de grãos básicos + outros cultivos e alguns grãos básicos), sendo que a AFS produziu
48,34% e a AFC 24,3%. Da produção total, a AF como um todo, produziu 37% e a ANF 63%
da produção total. Em relação ao rendimento dos estabelecimentos familiares, observou-se
que houve uma baixa produtividade da AF em relação à ANF, com um uso limitado de
Capítulo 2. Agricultura Familiar em El Salvador: Delimitação e proposta tipológica para a Agricultura
Familiar (AF) 74
tecnologias, a concentração de pobreza persistiu nas zonas rurais, houve falta de incenti-
vos financeiros, de informação, baixo nível de capacitação tecnológica, baixo associativismo
como canal de comercialização, e a potencial existência de uma transmissão intergeracio-
nal das limitações produtivas dos estabelecimentos agropecuários. Porém, a AF forneceu um
abastecimento considerável de grãos básicos, contribuindo para a segurança alimentar e ges-
tão dos espaços rurais, sendo a principal fonte de renda e emprego no meio rural conforme
observamos.
nomia global, pois não somente é eficaz para aliviar a pobreza rural, mas, também é eficaz
para o crescimento industrial e para reduzir a pobreza urbana, pois nos países mais pobres,
a agricultura frequentemente é a maior fonte de emprego de toda a economia. A AF é chave
no fornecimento de emprego e a principal fonte de renda no meio rural e sua resiliência se faz
presente porque ainda com dificuldades econômicas a AF contribui significativamente para
a produção de grãos básicos, o que permite destacar a sua importância atual na segurança
alimentar, na sustentabilidade socioeconômica, e na gestão ambiental.
Os agricultores familiares, como novos atores sócio-produtivos, multifuncionais, têm
sido abordados em El Salvador por uma visão assistencialista ineficiente, que foi foco de
1997 até 2011. Estes novos atores têm a capacidade e o potencial de contribuir para a se-
gurança alimentar, sobre tudo porque, atualmente na América Central, “mais da metade da
população rural (...) vive em unidades produtivas, geralmente familiares, que produzem grãos
básicos, frequentemente combinados com outros cultivos ou atividades econômicas” (Consejo
Agropecuario Centroamericano (CAC) , 2010, p. 35), e tem o potencial de contribuir na ges-
tão sustentável dos recursos naturais, do meio ambiente, dos territórios e espaços rurais, da
conservação da biodiversidade, da proteção dos conhecimentos ancestrais das comunidades
desde o nível local territorial até o nível global.
A falta de apoio político e social pode comprometer às famílias agrícolas que contri-
buem com grande parte da produção de alimentos básicos. Em El Salvador, os agricultores
agropecuários apresentam uma serie de carências que não permitem um desenvolvimento sus-
tentável no longo prazo. A partir de 2011 iniciaram esforços por parte do governo para dar
maior prioridade aos pequenos produtores agrícolas por meio de políticas públicas orientadas
ao setor agrícola com maior apoio ao setor.
77
3.1 Introdução
Desde 1932, as políticas econômicas aplicadas em El Salvador consideravam ao pe-
queno produtor na concepção da economia camponesa e na utilização de conceitos como
colonização rural e a reforma agrária. De um ponto de vista histórico seria anacrônico con-
siderar essas categorias sob a abordagem da AF, pois cada época teve como protagonista
diversas mudanças na estrutura produtiva e nos espaços rurais. Ainda que tais agentes sócio-
produtivos mantenham características pretéritas, na atualidade se conjugam outros elementos
próprios do desenvolvimento do sistema econômico vigente.
Somente até 2011 foi abordada a concepção própria da AF com políticas específicas
orientadas ao setor rural para combatir a pobreza e a insegurança alimentar. Ainda que
este setor tenha sido considerado desde as primeiras décadas do século XX, ele somente
foi circunscrito em prol do desenvolvimento produtivo sob a implementação do “Plan de
Agricultura Familiar y Emprendedurismo Rural para la Seguridad Alimentaria Nutricional
(PAF) 2011-2014 ” em 2011, como política de Agricultura Familiar (AF).
Em El Salvador, a AF tem um papel muito importante na sustentabilidade do país em
termos de produção, contribuição da segurança alimentar e geração de renda e emprego. As
autoridades, recentemente, têm dado atenção ao setor da agricultura, porém, a produtividade
da AF ainda enfrenta desafios.
Com isso, a pergunta de pesquisa consiste em saber, qual é o efeito do crédito, advindo
de instituições formais e canais informais de financiamento1 , sobre a produtividade para grãos
básicos2 dos estabelecimentos considerados na categoria de AF em El Salvador? A hipótese
é, o acesso ao crédito teve um impacto positivo sobre o nível da produtividade da terra e
do trabalho dos estabelecimentos familiares de El Salvador, independente da procedência do
crédito (estatal ou privado, formal ou informal.).
1
Financiamento à AF por parte de instituições de oferta financeira privada, do Estado ou de pessoas físicas:
Banco privado, banco estatal, cooperativa, ONG, outras financeiras e emprestador local, Tabela 25.
2
Feijão, sorgo, milho e arroz.
Capítulo 3. Crédito e Produtividade: Impacto do Crédito sobre o Rendimento das Unidades Produtivas
Familiares 78
produção agrícola, permitindo o bom funcionamento dos mercados rurais, bem como desen-
volver e implementar tecnologias novas (SALCEDO; GUZMÁN, 2014). De acordo com Gra-
cias (2007), a concessão ao crédito desempenha um papel importante no desenvolvimento de
um país, “porque o financiamento às decisões de consumo e investimento geram um efeito
multiplicador nos setores da economia pois mobiliza recursos financeiros destes agentes para
os outros”(GRACIAS, 2007, p. 03).
Assim, o financiamento às atividades agrícolas é um fator determinante do cresci-
mento econômico e do desenvolvimento. No entanto, fontes de financiamento em El Salvador
são limitadas tanto para investimentos em tecnológicas, infraestrutura agrícola e outras ne-
cessidades dos produtores, que poderiam destinar o financiamento na potencialização de sua
produtividade.
Dessa maneira, esta dissertação busca avaliar o impacto do acesso ao crédito sobre
a produtividade de grãos básicos para agricultores familiares salvadorenhos, e destacar a
necessidade de uma política de crédito para estes produtores.
3.4 Metodologia
A objetivo central é estimar o impacto do acesso ao crédito sobre a produtividade
da terra e do trabalho para os estabelecimentos na categoria de Agricultura Familiar. Dado
que os dados são observacionais (desenho não experimental), adota-se como metodologia
o Propensity Score Matching. Este processo de avaliação de impacto consiste em medir o
efeito de um grupo de tratamento, isto é, os estabelecimentos que tiveram acesso ao crédito e
compará-lo com seu contrafactual (grupo de controle ou de comparação), a fim de determinar
se existe uma relação causal do crédito sobre a produtividade da terra e do trabalho (variáveis
de interesse).
A metodologia deste trabalho, propõe 7 etapas analíticas para que a inferência causal
seja confiável e, dessa forma, obter algumas conclusões. Primeiro estima-se um modelo de
Capítulo 3. Crédito e Produtividade: Impacto do Crédito sobre o Rendimento das Unidades Produtivas
Familiares 84
Regressão Linear Múltipla com base nos microdados do IV Censo Agropecuário 2007-2008
de El Salvador, para observar a direção e significância dos parâmetros.
A seguir, estima-se o Propensity Score por meio de um modelo probit tomando como
variável dependente a variável de tratamento binária que indica se o estabelecimento teve
acesso ao crédito ou não. Uma vez calculado o Propensity Score, realiza-se o diagnóstico da
estimativa do escore de propensão para verificar se atende certas propriedades de balance-
amento ou de equilíbrio (independência condicional das covariáveis). Uma vez calculado e
atendidas as condições do escore de propensão, realiza-se o pareamento (matching) por meio
de algoritmos, que permitem, posteriormente, determinar o contrafactual para o grupo de
tratamento e, dessa forma, estimar o efeito médio do tratamento sobre os tratados (ATT).
Antes da análise do ATT, procede-se o diagnóstico sobre a qualidade do pareamento
para após analisar o efeito do crédito sobre a produtividade dos estabelecimentos agrícolas
familiares. Por último realiza-se uma análise de sensibilidade sobre o ATT para verificar a
confiabilidade da estimativa de impacto.
Dados experimentais
Heinrich et al. (2010) e Sekhon (2007) expõem que nos modelos experimentais, a
designação para tratamento por meio de uma intervenção, participação em programa ou
em determinada política, é aleatória. Isso assegura que, ao serem comparados os grupos de
tratamento e grupos de controle, a única diferença entre estes seja o efeito da participação.
Quando é realizado um modelo experimental, cujo tratamento a um determinado indivíduo
é aleatório, permite que as características relevantes e não relevantes sejam balanceadas, isto
é, que as unidades estejam distribuídas igualmente entre tratados e não tratados.
Quando existe balanceamento entre as unidades tratadas e o grupo de comparação,
ambas unidades têm a mesma probabilidade de serem escolhidas (receber tratamento) as-
segurando a comparabilidade entre ambos indivíduos, uma vez que o grupo de comparação
constitui um adequado contrafactual (controle ou grupo de comparação) próximo da unidade
tratada. Isto significa que as médias dos controles e dos tratados não diferem, a exceção da
intervenção. Uma vez que se considera o tratamento como designado aleatoriamente, o status
de tratamento não é correlacionado com as variáveis observáveis e não observáveis, já que os
potencias resultados serão estatísticamente independentes do status de tratamento.
Deve-se destacar em primeiro lugar, que o objetivo é determinar se a produtividade
Capítulo 3. Crédito e Produtividade: Impacto do Crédito sobre o Rendimento das Unidades Produtivas
Familiares 85
𝑦𝑖 dos estabelecimentos agrícolas familiares 𝑖, foi afetada pelo acesso ao crédito 𝐶𝑖 . Ainda
pode ser realizada a seguinte pergunta: o que teria acontecido com a produtividade 𝑦𝑖 , dos
estabelecimentos agrícolas familiares 𝑖 que acessaram ao crédito 𝐶1𝑖 , caso não houvessem
tido a possibilidade de ter acessado ao crédito 𝐶0𝑖 . O resultado observado de 𝑦𝑖 pode ser
representado em termos de resultado potencial (MORGAN; WINSHIP, 2007; SEKHON,
2007; ANGRIST; PISCHKE, 2008). Tomando como referência a demonstração de Angrist e
Pischke (2008) tem-se que:
⎧
⎨ 𝑦1𝑖 , se 𝐶𝑖 = 1
𝑦𝑖 = (3.2)
⎩ 𝑦0𝑖 , se 𝐶𝑖 = 0
em que 𝑦0𝑖 é a produtividade do estabelecimento que não teve acesso ao crédito 𝐶0𝑖 (inde-
pendente de receber ou não), e 𝑦1𝑖 é o estado da produtividade do estabelecimento que teve
acesso ao crédito 𝐶1𝑖 ; (𝑦1𝑖 − 𝑦0𝑖 ) é o efeito causal do acesso ao crédito sobre a produtividade
do estabelecimento agrícola familiar 𝑖. De acordo com Angrist e Pischke (2008), quando o in-
teresse é analisar o impacto de uma determinada variável, não basta uma comparação direta
de médias, mesmo que a média da produtividade com o acesso ao crédito esteja relacionado
ao efeito causal médio, conforme:
𝐸(𝑦𝑖 |𝐶𝑖 = 1)−𝐸(𝑦𝑖 |𝐶𝑖 = 0) = [𝐸(𝑦1𝑖 |𝐶𝑖 = 1)−𝐸(𝑦0𝑖 |𝐶𝑖 = 1)]+[𝐸(𝑦0𝑖 |𝐶𝑖 = 1)−𝐸(𝑦0𝑖 |𝐶𝑖 = 1)]
(3.3)
com 𝐸(𝑦𝑖 |𝐶𝑖 = 1) − 𝐸(𝑦𝑖 |𝐶𝑖 = 0) sendo a diferença observada na produtividade média;
[𝐸(𝑦1𝑖 |𝐶𝑖 = 1) − 𝐸(𝑦0𝑖 |𝐶𝑖 = 1)] o efeito médio do tratamento sobre os tratados; e [𝐸(𝑦0𝑖 |𝐶𝑖 =
1) − 𝐸(𝑦0𝑖 |𝐶𝑖 = 1)] sendo o viés de seleção. O efeito médio do tratamento sobre os tratados
também pode ser expresso como:
o qual é o efeito causal médio do crédito sobre aqueles estabelecimentos agrícolas familiares
que receberam crédito, 𝐸(𝑦𝑖 |𝐶𝑖 = 1), e o que teria acontecido aos estabelecimentos que
receberam crédito, caso ele não tivesse acesso, 𝐸(𝑦𝑖 |𝐶𝑖 = 0). Esta diferença observada no
estado de acesso ao crédito, acrescentando o viés de seleção [𝐸(𝑦0𝑖 |𝐶𝑖 = 1) − 𝐸(𝑦0𝑖 |𝐶𝑖 = 1)],
é a diferença média entre os que tiveram acesso e os que não tiveram acesso ao crédito, e que
pode ser negativo ou positivo.
Capítulo 3. Crédito e Produtividade: Impacto do Crédito sobre o Rendimento das Unidades Produtivas
Familiares 86
em que 𝐸(𝑦1𝑖 − 𝑦0𝑖 ) mede o efeito do acesso ao crédito designado ou atribuído aleatoriamente
para a unidade tratada, sendo o mesmo que o efeito da atribuição ou acesso ao crédito em
um estabelecimento escolhido aleatoriamente, permitindo, assim, reduzir o viés de seleção.
Ainda que num primeiro momento possa resolver o viés de seleção, os dados experimentais
não estão livres de problemas, em especial, porque pode-se ter os chamados dados quase-
experimentais, já que “experiments often reveal things that are not what they seem on the
basis of naive comparisons alone”(ANGRIST; PISCHKE, 2008, p. 12).
Dados observacionais
De acordo com Silva (2018) os modelos econométricos lidam, na maioria das vezes,
com dados observacionais8 , que tentam se aproximar de dados experimentais, de modo a
identificar a relação entre um determinado tratamento ou controle, 𝐶𝑖 , e o resultado 𝑦𝑖 . No
enfoque quase-experimental, isto é, na ausência de aleatoriedade, os grupos de tratamento
podem diferir tanto no seu status de tratamento como também nos seus valores 𝑋𝑖 .
No caso de dados quase-experimentais, o interesse também é na avaliação de impacto
de algum programa, política ou intervenção específica, ou em conhecer o resultado de de-
terminado tratamento sobre uma variável de interesse. Em uma análise de Regressão Linear
Simples, quando é avaliada apenas a esperança condicional do status de tratado e não tra-
tado sobre o nível de produtividade, a questão é o viés de seleção. De acordo com Angrist e
Pischke (2008), tem-se:
𝑦𝑖 = 𝛽0 + 𝛾𝐶𝑖 + 𝜇𝑖 (3.7)
8
O autor distingue cinco modelos a serem considerados: Regressão Linear Múltipla, Regressão Descontínua,
Métodos de Análise Propensity Score Matching, Controle Sintético e Diferença em Diferença.
Capítulo 3. Crédito e Produtividade: Impacto do Crédito sobre o Rendimento das Unidades Produtivas
Familiares 87
em que 𝛽0 = 𝐸(𝑦0𝑖 ), 𝛾 = (𝑦1𝑖 − 𝑦0𝑖 ), 𝐶𝑖 é uma variável dummy que representa se o estabe-
lecimento teve ou não acesso ao crédito e 𝜇𝑖 = 𝑦0𝑖 − 𝐸(𝑦0𝑖 ) representa a parte aleatória de
𝑦𝑖 .
Avaliando a esperança condicional,
𝐸(𝑦𝑖 |𝐶𝑖 = 1) − 𝐸(𝑦𝑖 |𝐶𝑖 = 0) = 𝛾 + [𝐸(𝜇𝑖 |𝐶𝑖 = 1) − 𝐸(𝜇𝑖 |𝐶𝑖 = 0)] (3.10)
em que 𝛾 representa o efeito de tratamento e [𝐸(𝜇𝑖 |𝐶𝑖 = 1) − 𝐸(𝜇𝑖 |𝐶𝑖 = 0)] é o viés de
seleção. Ao se estimar a Regressão Linear Simples, o viés de seleção contínua a existir como
consequência da correlação entre o termo de erro da regressão dado por 𝜇𝑖 e o regressor 𝐶𝑖 ,
dado por:
Esta correlação reflete a diferença nos resultados potencias (sem tratamento) da pro-
dutividade entre aqueles que tiveram acesso ao crédito e aqueles que não tiveram acesso.
Este procedimento revela que em cenários observacionais os grupos de tratamento e
de controle quase nunca são equilibrados “because the two groups are not ordinarily drawn
from the same population”(SEKHON, 2007, p. 06). A Equação (3.11) não pode ser estimada
diretamente porque 𝑦0𝑖 não é observado para o tratado. De acordo com Sekhon (2007), a
estimativa pode ser feita assumindo que a seleção para tratamento depende de covariáveis
observáveis 𝑋𝑖 . Angrist e Pischke (2008) expõem que o problema do viés de seleção pode ser
contornado considerando também algumas proposições que fazem das estimativas de impacto
muito mais eficientes.
Dado um conjunto de variáveis explicativas, pode-se estimar o impacto marginal do
acesso ao crédito sobre a produtividade a partir de um modelo de Regressão Linear Múltipla.
Seguindo a notação de Angrist e Pischke (2008), tem-se:
𝑦𝑖 = 𝛽0 + 𝛾𝐶𝑖 + 𝛽1 𝑋𝑖 + 𝜇𝑖 (3.12)
Capítulo 3. Crédito e Produtividade: Impacto do Crédito sobre o Rendimento das Unidades Produtivas
Familiares 88
𝐸(𝑦𝑖 |𝑋𝑖 , 𝐶𝑖 = 1) − 𝐸(𝑦𝑖 |𝑋𝑖 , 𝐶𝑖 = 0) = 𝐸(𝑦1𝑖 − 𝑦0𝑖 |𝑋𝑖 ) + [𝐸(𝑦0𝑖 |𝑋𝑖 , 𝐶𝑖 = 1) − 𝐸(𝑦0𝑖 |𝑋𝑖 , 𝐶𝑖 = 1)]
(3.13)
De acordo com Angrist e Pischke (2008) e Sekhon (2007) a introdução de covariá-
veis permite atender a hipótese de independência condicional que afirma que assumindo a
suposição de independência condicional das características observadas, 𝑋𝑖 , a atribuição de
tratamento é independente, ou seja, 𝑦1 , 𝑦0 ⊥ 𝐶𝑖 | 𝑋𝑖 , e que existe sobreposição (overlap),
0 < 𝑃 𝑟(𝐷 = 1 | 𝑋𝑖 ) < 1, o viés de seleção pode desaparecer.
Dada esta condição de independência condicional sobre as covariáveis, o impacto do
crédito sobre a produtividade média tem uma interpretação causal, isto é:
Para estimar o impacto de uma determinada variável de forma eficiente, Sekhon (2007)
relata que se deve maximizar a homogeneidade unitária para conseguir um contrafactual mais
adequado. Isto pode ser feito através do pareamento de indivíduos de escore de propensão
similar. Inicialmente, calcula-se o escore de propensão 𝑝𝑠(𝑥𝑖 ), que estima a probabilidade
condicional de receber tratamento por meio de um modelo probit, que utiliza uma Função
de Distribuição Acumulada (FDA) normal padronizada:
1 ∫︁ 𝛽0 +𝛽1 𝑋𝑖 −𝑡2
𝑝𝑠(𝑥𝑖 ) = 𝑃 𝑟(𝐶𝑖 = 1 | 𝑋𝑖 ) = 𝑃 𝑟(𝐶𝑖 | 𝑋𝑖 = 𝑥𝑖 ) = √ 𝑒 2 𝑑𝑡 (3.15)
2𝜋 −∞
sendo a condição de tratamento 𝐶𝑖 = 1 se o estabelecimento 𝑖 da categoria da AF teve
acesso ao crédito e 𝐶𝑖 = 0 caso contrário (condição de controle). O vetor multidimensio-
nal 𝑋𝑖 representa as características de pré-tratamento de diversas covariáveis associadas às
características dos estabelecimentos. Os parámetros 𝛽0 e 𝛽1 são estimados pelo método de
máxima verossimilhança.
Segundo Becker e Ichino (2002), Resembaum e Rubin (1983), Dehejia e Wahba (1998),
Angrist e Pischke (2008), a Equação (3.15) fornece a probabilidade condicional de uma uni-
dade ser tratata, ou seja, a probabilidade condicional de uma unidade ser tratada, ou seja, a
probabilidade condicional de que um estabelecimento tenha acesso ao crédito. O propensity
score é estimado usando várias características estruturais dos estabelecimentos agrícolas e
características socioeconômicas dos produtores que administram a unidade agrícola.
Se o estabelecimento teve acesso ao crédito 𝐶𝑖 = 1 versus os que não teveram acesso,
𝐶𝑖 = 0, dado o vetor de covariáveis observadas multidimensional 𝑋𝑖 , tem-se:
com 𝑝𝑠(𝑥𝑖 ) sendo o propensity score; 𝐶𝑖 = 1, indica a probabilidade de que determinado esta-
belecimento agrícola familiar seja tratado, dadas suas características estruturais e individuais
observáveis. Segundo Resembaum e Rubin (1983), Dehejia e Wahba (1998), Becker e Ichino
(2002) e Guo e Fraser (2010) o problema da dimensionalidade se resolve estimando o escore
de propensão reduzindo para uma única dimensão. No entanto, a medida que o número de
variáveis matching aumenta, a dificultade se concentra na possibilidade de encontrar um par
ou parceiro do grupo de controle adequado para um dado grupo de tratamento.
Dado um determinado 𝑝𝑠(𝑥𝑖 ), para que a exposição ao tratamento seja aleatória,
segundo Becker e Ichino (2002) as observações tratadas e as unidades de controle devem ser
em média, observacionalmente idénticas, o que implica que devem satisfazer a hipótese do
Capítulo 3. Crédito e Produtividade: Impacto do Crédito sobre o Rendimento das Unidades Produtivas
Familiares 90
tenciais (𝑦𝑖 ) que são independentes da atribuição do tratamento (ou estado da participação
na intervenção) (𝐶𝑖 ), específica-se que:
em que 𝑦1𝑖 representa os resultados para participantes e 𝑦0𝑖 para não participantes. A re-
presentação (3.17) implica que as variáveis que influenciam a atribuição do tratamento são
observadas de forma simultânea tanto quanto os resultados potenciais. Ao incluir um vetor
de covariáveis observáveis 𝑋𝑖 corrige-se o viés de seleção. Uma vez que os dados considerados
neste trabalho são observacionais, a atribuição ao tratamento é independente, dado o escore
de propensão:
tratamento e de controle que tenham um escore de propensão idêntico, no qual são descar-
tados aqueles casos que possuem escores muito baixos ou muito acima da média. Ou seja,
não serão mantidas as probabilidades do grupo de tratamento que superam a máxima pro-
babilidade do grupo de controle (os indivíduos que sempre recebem tratamento), nem as
probabilidades do grupo de controle que são inferiores à mínima probabilidade do grupo de
tratamento (aqueles indivíduos que nunca recebem tratamento).
Segundo Guo e Fraser (2010) e Khandker et al. (2009) encontrar um matching ade-
quado pode resultar em descartar casos, ou seja, reduzir o tamanho da amostra, como con-
trapartida da utilização de dados não experimentais. Porém, esta restrição permite construir
observações comparáveis entre os grupos de tratamento e grupo de controle e obter um contra-
factual eficiente. Segundo Becker e Ichino (2002), o equilíbrio (balanceamento) das variáveis
de pré-tratamento, dado o 𝑝𝑠(𝑥𝑖 ), é:
𝐶𝑖 ⊥ 𝑋𝑖 | 𝑝𝑠(𝑋𝑖 ) (3.19)
Segundo Caliendo e Kopeinig (2008) e Khandker et al. (2009), para que a SSC seja
válida, deve-se ter:
o que permite que valores com o mesmo 𝑋𝑖 tenham a mesma probabilidade de serem am-
bos participantes e não participantes. Esta premissa é necessária para estimar o efeito de
tratamento médio (Figura 9).
𝑦0𝑖 ⊥ 𝐶𝑖 | 𝑋𝑖 (3.21)
De acordo com Becker e Ichino (2002), uma vez satisfeitas as premissas de balancea-
mento, a estimativa do 𝑝𝑠(𝑥𝑖 ) melhora a qualidade do pareamento. Conforme Guo e Fraser
(2010), uma vez obtido o escore de propensão 𝑝𝑠(𝑥𝑖 ), o objetivo central do matching é criar
uma nova amostra (reamostragem) de casos que compartilhem, aproximadamente, a mesma
probabilidade de serem designados ou de receber intervenção (tratamento). O pareamento
ou reamostragem consiste em combinar os escores de propensão de unidades de comparação
Capítulo 3. Crédito e Produtividade: Impacto do Crédito sobre o Rendimento das Unidades Produtivas
Familiares 94
O pareamento por vizinhos mais próximos é um método direto que consiste na escolha
de um indivíduo do grupo de comparação que é utilizado como um parceiro correspondente
para cada indivíduo tratado que esteja mais próximo em termos do escore de propensão. Há
NNM com reposição (with replacement) e sem reposição (without replacement).
De acordo com Caliendo e Kopeinig (2008) e Heinrich et al. (2010), no primeiro caso
um indivíduo não tratado pode ser usado mais de uma vez como par, e envolve um trade-off
entre viés e variância. Caso haja reposição, a qualidade média do matching aumenta e o viés
diminuirá. Por exemplo, segundo Caliendo e Kopeinig (2008), se houver muitos indivíduos
tratados com altos escores de propensão e poucos indivíduos de comparação (controle) com
altos escores de propensão, os resultados serão ruins, já que alguns participantes com altos
escores serão pareados com os não participantes com baixos escores. Isto pode ser superado
permitindo a reposição que, por sua vez, reduz o número de não participantes distintos usados
para construir o resultado contrafactual e, assim, aumentar a variância do estimador.
Portanto, este método pode ser utilizado quando a distribuição de determinado escore
de propensão for muito diferente entre o grupo de tratamento e o grupo de controle.
No segundo caso do NNM sem reposição, os indivíduos são considerados somente
uma vez, o que leva ao problema que as estimativas passam a depender da ordem em que as
observações são pareadas. Caliendo e Kopeinig (2008) sugerem que ao usar a abordagem do
NNM sem reposição, deve-se garantir que a apresentação seja feita aleatoriamente.
Utilizando a notação de Guo e Fraser (2010), sejam 𝑝𝑠(𝑥𝑖 ) o escore de propensão para
o participante tratado 𝑖, 𝑝𝑠(𝑥𝑗 ) o escore de propensão para o não participante ou controle
𝑗, 𝐼0 o conjunto de participantes controlados e 𝐼1 o conjunto de participantes tratados. O
Capítulo 3. Crédito e Produtividade: Impacto do Crédito sobre o Rendimento das Unidades Produtivas
Familiares 95
O 𝑁 (𝑝𝑠(𝑥𝑖 )) mostra as diferenças mínimas absolutas dos 𝑝𝑠(𝑥𝑖 ) entre todos os possíveis
pares de 𝑝𝑠(𝑥𝑖 ) entre os tratados 𝑖 e os controlados 𝑗. Segundo Guo e Fraser (2010), quando um
controle 𝑗 é encontrado para corresponder a um tratado 𝑖, o controle 𝑗 é removido do conjunto
de controles 𝐼0 sem reposição. Se para cada tratado 𝑖 existe um único controle correspondente
𝑗 que sirva como contrafactual e que se enquadra no 𝑝𝑠(𝑥𝑖 ), então o pareamento é similar ao
matching por vizinho mais próximo ou 1-para-1. Se para cada tratado 𝑖 houver 𝑛 participantes
encontrados em 𝑝𝑠(𝑥𝑖 ), a correspondência será de 1 para 𝑛 pares.
Caliendo e Kopeinig (2008) e Guo e Fraser (2010) indicam que o NNM enfrenta o
risco de calcular pareamentos ruins, caso os vizinhos mais próximos estiverem distantes. Isto
porque no NNM não é imposta uma restrição sobre a distância entre 𝑝𝑠(𝑥𝑖 ) e 𝑝𝑠(𝑥𝑗 ), uma vez
que o objetivo é que 𝑗 seja um vizinho próximo de 𝑖 em termos de 𝑝𝑠(𝑥). Isto significa que
mesmo que ‖𝑝𝑠(𝑥𝑖 ) − 𝑝𝑠(𝑥𝑗 )‖ seja grande ou muito diferente de 𝑗 e 𝑖 sobre o 𝑝𝑠(𝑥𝑖 ) estimado,
𝑗 será considerado um par para 𝑖.
Segundo Caliendo e Kopeinig (2008) e Khandker et al. (2009) o risco dos métodos
anteriores é que apenas um subconjunto de não participantes (controles) acabará satisfazendo
os critérios de estar no suporte comum e, assim, construir o resultado contrafactual de um
indivíduo tratado. O pareamento por Kernel são estimadores matching não parametricos que
utilizam médias ponderadas de todos os indivíduos no grupo de controle para construir o
resultado do contrafactual.
O algoritmo de Kernel compara o resultado dos estabelecimentos tratados com uma
média ponderada dos resultados dos estabelecimentos controlados (não tratados). Esta média
ponderada para o grupo de controle cria um contrafactual para cada indivíduo do grupo
tratado. O peso mais alto é atribuido aos indivíduos controlados com pontuação mais próxima
do indivíduo tratado. Segundo Becker e Ichino (2002) o método de Kernel utiliza para o
pareamento o seguinte peso:
𝑝𝑠(𝑥𝑗 ) − 𝑝𝑠(𝑥𝑖 )
𝐺( )
ℎ𝑛
𝐾(𝑖, 𝑗) = (3.25)
∑︀ 𝑝𝑠(𝑥𝑘 ) − 𝑝𝑠(𝑥𝑖 )
𝐺( )
𝑘∈𝐶 ℎ𝑛
com 𝐺(·) uma Função Kernel e ℎ𝑛 um parâmetro bandwidth. De acordo com Caliendo e
Kopeinig (2008) e Heinrich et al. (2010), a vantagem da utilização do pareamento por Kernel é
sua menor variância alcançada já que a maioria das informações são usadas. O pareamento por
Kernel permite um estimador consistente do resultado do contrafactual 𝑦0𝑖 . Uma desvantagem
é que algumas das observações usadas podem ser fracas correspondências11 .
O Kernel Matching pode ser visto como uma regressão ponderada com fator de pon-
deração dado pelos pesos do Kernel. Estes pesos dependem da distância entre cada indivíduo
do grupo de controle e a observação participante para o qual o contrafactual é estimado. Por
esta razão, Caliendo e Kopeinig (2008) e Khandker et al. (2009) consideram que a imposição
da condição de suporte comum tambem é de grande importância para o Kernel Matching 12 .
11
“A drawback of these methods is that some of the observations used may be poor matches”(CALIENDO;
KOPEINIG, 2008, p. 43).
12
Para maiores detalhes ver Caliendo e Kopeinig (2008).
Capítulo 3. Crédito e Produtividade: Impacto do Crédito sobre o Rendimento das Unidades Produtivas
Familiares 97
Garrido et al. (2014) expõe que depois do pareamento é necessário avaliar se os grupos
de tratamento e comparação estão equilibrados nas amostras pareadas para um determinado
escore de propensão. Como nas etapas anteriores de balanceamento, para essa análise é
proposto um teste para comparar as diferenças padronizadas, em que menores diferenças
entre o grupo tratado e o grupo de comparação e momentos de maior ordem são melhores.
Leuven e Sianesi (2003) implementaram um código no estata denominado psmatch2 o qual
permite avaliar a existência ou não de diferenças entre os grupos de tratamento e grupos de
controle, o viés, estatísticas t, p-valores, além de testar a hipótese nula de que o valor médio
de cada variável é o mesmo no grupo de tratamento e no grupo de não tratamento.
Outro diagnóstico importante é realizado por meio do balanço que incluem gráfi-
cos e razões de variância (Figura 10). Leuven e Sianesi (2003) sugerem ter uma variedade de
diagnósticos de balanceamento ou de equilíbrio para a verificação dos resultados, como a veri-
ficação se o escore de propensão foi especificado corretamente. No pacote psmatch2 é possível
construir as Funções de Distribuição de Densidade Kernel para examinar as distribuições dos
Capítulo 3. Crédito e Produtividade: Impacto do Crédito sobre o Rendimento das Unidades Produtivas
Familiares 98
escores de propensão pareados e analisar a semelhança entre ambos grupos. Isto permite
verificar se os pesos proporcionados no pareamento permitem uma aproximação eficaz dos
grupos de comparação em relação aos tratados, de modo que sejam equilibrados e, com isso,
reduzir o viés de seleção. Nestes gráficos, é possível observar e comparar, subjetivamente, os
grupos tratados e os grupos de comparação (contrafactuais).
𝑃 𝑆𝑀
𝜏𝐴𝑇 𝑇 = 𝐸𝑝𝑠(𝑥)|𝐷𝑖 =1 [𝐸(𝑦1 | 𝐷 = 1, 𝑝𝑠(𝑥)) − 𝐸(𝑦0 | 𝐷𝑖 = 0, 𝑝𝑠(𝑥))] (3.26)
𝑃 𝑆𝑀
com 𝜏𝐴𝑇 𝑇 sendo a média das diferenças nos resultados em relação às observações do suporte
comum que, de acordo com Caliendo e Kopeinig (2008), é ponderado adequadamente pela
distribuição do escore de propensão dos participantes. Os estimadores de (3.26) associados
aos algoritmos específicos de matching são:
1 ∑︁ 𝑇
𝜏𝑀 = 𝑤𝑖𝑗 𝑦𝑗𝐶 )
∑︁
(𝑦 − (3.27)
𝑁 𝑇 𝑖∈𝑇 𝑖 𝑗∈𝐶(𝑖)
o qual denota o número de controles combinados com a observação 𝑖 ∈ 𝑇 para 𝑁𝑖𝐶 e define
os pesos 𝑤𝑖𝑗 = 𝑁1𝐶 se 𝑗 ∈ 𝐶(𝑖) e 𝑤𝑖𝑗 = 0 caso contrário; 𝑀 se refere ao estimador por
𝑖
pareamento entre vizinhos próximos ou pareamento por Radius, e 𝑁 𝑇 denota o número
de unidades no grupo de tratados. De acordo com Becker e Ichino (2002) para derivar as
variâncias desses estimadores os pesos são considerados fixos e os resultados são tratados de
forma independente entre as unidades:
1 1 ∑︁
𝑉 𝑎𝑟(𝜏 𝑀 ) = 𝑉 𝑎𝑟(𝑦 𝑇
𝑖 ) + (𝑤𝑗 )2 𝑉 𝑎𝑟(𝑦𝑗𝐶 ) (3.28)
(𝑁 𝑇 )2 (𝑁 𝑇 )2 𝑗∈𝐶
Capítulo 3. Crédito e Produtividade: Impacto do Crédito sobre o Rendimento das Unidades Produtivas
Familiares 99
em que 𝑤𝑗 = Σ𝑖 𝑤𝑖𝑗 .
⎧ ⎫
∑︀ 𝐶 𝑝𝑠(𝑥𝑗 ) − 𝑝𝑠(𝑥𝑖 ) ⎪
𝑦𝑗 𝐺( )⎪
⎪
⎪
⎪ ⎪
1 ℎ
⎪ ⎪
∑︁ ⎨ 𝑗∈𝐶
⎬
𝑛
𝜏𝑘 = 𝑦𝑖𝑇 − (3.29)
𝑁𝑇 ⎪ ∑︀ 𝑝𝑠(𝑥𝑘 ) − 𝑝𝑠(𝑥𝑖 ) ⎪
𝐺( )
⎪
⎪ ⎪
⎪
⎪ ⎪
⎩
𝑘∈𝐶 ℎ𝑛 ⎭
Segundo Otsu e Rai (2017) e Adusumilli (2017), para o método dos vizinhos mais
próximos com base em uma métrica de distância (Euclideana, Mahalanobis, etc.) sobre o
conjunto completo de covariáveis existe inferência de Bootstraping consistente. Adusumilli
(2017, p. 02) “demonstrate consistency of a bootstrap procedure for matching on the estimated
propensity score. Both matching with and without replacement is considered”. O autor ainda
agrega que o “bootstrap inference is particularly advantageous when there is a high degree of
imbalance between the propensity scores of the treated and control samples”.
eles diferem em termos de uma covariável não observada, ou seja, têm chances diferentes de
receber tratamento se houver um viés oculto. Rosenbaum (2005), explica ainda que, em
experimentos onde a atribuição ou designação do tratamento é aleatória, tem-se Γ = 1 e,
portanto, não há necessidade de uma análise de sensibilidade.
Rosenbaum (2005) sugere que para cada valor de Γ deve-se atribuir limites quando se
realiza a inferência estatística, por exemplo, para Γ = 3, o p-valor verdadeiro é desconhecido,
mas deveria estar entre 0,0001 e 0,041. Desta forma, limites análogos podem ser calculados
para estimativas pontuais e intervalos de confiança.
Fonte: Elaboração própria com base nos dados do IV Censo Agropecuario 2007-2008
por meio de MQO estimado, será tendencioso, consequência do viés de seleção que é gerado
no processo de alocação creditícia.
Diante desta situação, a metodologia utilizada será por meio do escore de propensão
por pareamento (Propensity Score Matching), para reduzir o problema do viés de seleção.
Conforme a Tabela 27, 10% dos estabelecimentos agrícolas se consideram elegíveis, pelas
considerações já apontadas (dados observacionais); dos quais, 98,5% solicitou e obteve crédito
e, 1,5% solicitou crédito e não obteve. Desta forma, o conjunto de dados, acredita-se, seja
desequilibrado (desproporcional), pois o grupo de estabelecimentos agrícolas tratados é maior
que o grupo de estabelecimentos agrícolas de controle, evidênciando a existência de uma
situação sub-ótima das amostras.
A aplicação dos algoritmos de pareamento (Greedy Matching) ajudaram a contornar
o problema do desequilibrio dos dados. Portanto, serão utilizados os algoritmos utilizados,
incluem vizinhos mais próximos (com e sem reposição), Radius e Kernel.
Fonte: Elaboração própria com base nos dados do IV Censo Agropecuario 2007-2008
mentos que solicitaram crédito em 2006, relacionadas às suas atividades produtivas. Destes
agentes há dois grupos, aqueles que solicitaram crédito e efetivamente foram aprovados e
aqueles que solicitaram crédito e não foram aprovados. Destaca-se que o país não tinha um
Censo com o mesmo detalhamento deste desde 1971, quando se executou o III Censo Nacional
Agropecuário.
Na Tabela 28 são apresentaas as variáveis utilizadas para a modelagem econométrica
e suas respectivas descrições.
VARIAVEL DESCRIÇÃO
Nível de Produtividade da Terra A produtividade da terra (em logaritmo) é a relação entre as quantidades
para cada tipo de produto (produção), por tonelas, entre a área utilizada por
esse tipo de produto medido em hectares (ha).
Área Produtiva Variável contínua, medida em hectares, utilizadas ou gestionadas para o cul-
tivo
Municípios com Produtividade Acima da Média Variável dummy dos estabelecimentos que se localizam em municipios onde
a produtividade é acima da média
Responsável com 35 anos ou menos (d) Variável dummy que indica se o respósavel tem 35 anos ou menos
Asistência Técnica Variável dummy que indica se o estabelecimento teve assitência técnica ou
não
Número de Trabalhadores Variável continua que representa o número de trabalhadores por estabeleci-
mento
Numero de trabalhadores temporários Variável continua que representa o número de trabalhadores temporários por
estabelecimento
Material para semear Variável dummy que indica se os estabelecimentos utilizam material para
semear ou não
Colheitadeira mecânica Variável dummy que indica se o estabelecimento utiliza colheitadeira mecâ-
nica
Equipamento de fumagação e/ou aspersão Variável dummy que indica se o estabelcimento utiliza equipamento de fumi-
gação e/ou aspersão
Zona Ocidental
Zona Central Dummies regionais do país.
Zona Paracentral
Zona Oriental
3.5 Resultados
3.5.1 Estatísticas descritivas
De acordo com as estatísticas descritivas 98,5% dos estabelecimentos agrícolas fami-
lires tiveram acesso ao crédito e 1,5% não tiveram acesso ao crédito (Tabela 29). Destes,
74,2% dos que solicitaram e obtiveram crédito são estabelecimentos familiares de subsistên-
cia e 24,3% correspondem a estabelecimentos comerciais (Tabela 27). Entre a Agricultura
Familiar de Subsistência, 98,3% solicitou crédito e foi aprovado, enquanto que 1,7% dos esta-
belecimentos de subsistência não receberam crédito por falta de aprovação. Na Agricultura
Familiar Comercial, 99,2% tiveram o crédito aprovado, enquanto 0,8% não tiveram crédito
aprovado (Ver Tabela 29). Destaca-se que a maioria dos estabelecimentos familiares (95,12%)
destinaram o crédito para atividades agrícolas e, quantidades desprezíveis, para refinancia-
mento ou compra de máquinarias conforme a Tabela 25.
Fonte: Elaboração própria com base nos dados do IV Censo Agropecuario 2007-2008
Na Tabela 29 observa-se que o rendimento da terra para grãos básicos é maior para es-
tabelecimentos familiares comerciais que para os estabelecimentos familiares de subsistência.
Por outro lado, entre os estabelecimentos familiares, a presença de estabelecimentos comer-
ciais entre os municípios acima da média é maior. A produtividade média do trabalho por
estabelecimento é de 2,6 toneladas por trabalhador, com maior produtividade por unidade
de trabalho nos estabelecimentos comercias com 2,9 toneladas por unidade de trabalho. Ape-
Capítulo 3. Crédito e Produtividade: Impacto do Crédito sobre o Rendimento das Unidades Produtivas
Familiares 106
nas 12,3% de estabelecimentos familiares recebem assistência técnica, com uma porcentagem
maior entre os estabelecimentos comerciais (25,8%).
Também observa-se que a média de número de trabalhadores é de 3 indivíduos por
estabelecimento, sendo que a AF comercial tem uma média de 6 trabalhadores por estabele-
cimento. De forma geral, os estabelecimentos comercias e de subsitência utilizam proporções
semelhantes de material para semear e agroquímicos. A AF de subsistência praticamente não
utiliza tratores (0,0%) enquanto que 37,4% da AF comerial utiliza tratores na suas ativi-
dades agrícolas. Proporções similares de AF utilizam máquinas de colheitadeiras, em torno
de 40% e 94,5% dos estabelecimentos familiares utilizam equipamento de fumigação e/ou de
aspersão. Os estabelecimentos são localizados da seguinte forma: 31,7% encontra-se na zona
Ocidental, 24,6% na zona Central, 22,5% na zona Oriental, e 21,2% na zona Paracentral do
país.
Tabela 38 – Efeito do Crédito sobre a Produtividade (para grãos básicos) da Terra da Agri-
cultura Familiar
Este efeito foi estatísticamente significativo nos três algoritmos utilizados. No parea-
mento por vizinho mais próximo os estabelecimentos que tiveram acesso ao crédito tiveram
um aumento de 0,75% sobre o nível da produtividade da terra. Ainda que a magnitude do im-
pacto é pequeno, ele é mantido nos três algortimos de forma consistente, tanto em magnitudes
próximas como em sentido (sinal).
Este resultado indica, que o acesso a financiamento por parte dos estabelecimentos
familiares nacionais, apresentaram um impacto positivo e significativo sobre a produtividade
para grãos básicos. Porém, o efeito é pequeno, já que existem outros fatores associados às
características agregadas da unidades produtivas familiares que também afetam o nível de
produtividade dos estabelecimentos.
Nos estabelecimentos pertencentes à Agricultura Familiar de Subsistência, a aplicação
do pareamento por Radius e por Kernel resultaram em um impacto positivo e estatisticamente
significativo, do acesso ao credito sobre a produtividade da terra. No entanto, os estabele-
cimentos pertecentes à Agricultura Familiar Comercial apresentaram um impacto positivo e
significativamente diferente de zero de acesso ao crédito sobre a produtividade da terra para
o algoritmo por kernel.
Resultados, que também revelam um efeito diferenciado por tipo de AF, em magnitude
e significância, mas, com o sinal esperado. O acesso ao crédito afeta em magnitude maior
os estabelecimentos comerciais do que nos estabelecimentos de subsistência. Nota-se que
as unidades produtivas de subsistência possuem características estruturais mais vulneráveis,
consequência das condições socioeconômicas do setor rural. Este setor possui baixa assistência
técnica, baixo nível tecnológico, poucos canais de comercialização. Mesmo que a AF destine
o crédito a atividades agrícolas (97,61%), existem outras variáveis que influenciam o nível de
produtividade.
Por outro lado, a Tabela 39 apresenta o efeito médio do tratamento sobre os tratados -
ATT, ou seja, o impacto do acesso ao crédito sobre o nível de produção por unidade de traba-
lho (produtividade do trabalho). De forma geral, observa-se que houve um impacto positivo
do crédito sobre a produtividade do trabalho, para a AF Total. Para os estabelecimentos que
acessaram a crédito, houve um aumento de 0,8 unidades no nível de produçaõ por unidade
de trabalho (pareamento por vizinho mais próximo).
Por tipo de AF, os estabelecimentos familiares de subsistência e comerciais, apresenta-
ram o sinal esperado. Apenas o pareamento pelo algoritmo por kernel apresentou significância
estatística nos tipos de AF.
Capítulo 3. Crédito e Produtividade: Impacto do Crédito sobre o Rendimento das Unidades Produtivas
Familiares 118
Tabela 39 – Efeitos do Crédito sobre a Produtividade do Trabalho da Agricultura Familiar
ainda que o acesso ao crédito impactou positivamente, sua magnitude foi pequena, pois a pro-
dutividade não depende enteramente do crédito, já que existem outros fatores que também
contribuem para a produtividade.
Sobre a AF de Subsistência, o impacto do acesso ao crédito teve uma relação positiva
com a produtividade da terra, porém, sua magnitude foi menor. Estes estabelecimentos se
caracterizam por estar sob condições de carência e fragilidade econômica, o que indica que
ainda com acesso ao crédito, este por sí só não garante um aumento da produtividade.
O crédito pode potencializar a produtividade, mas também, pode fragilizar ainda mais a
situação destes ao aumentar o nível de dívidas das familias agrícolas. Os estabelecimentos
apresentam riscos associados a situações naturais e a condições estruturais que limitam as
garantias de pagamento, produto da volatilidade e baixa renda, associadas a uma baixa
produtividade e rentabilidade.
Ainda que o crédito seja destinado a atividades agrícolas, por sí só, ele não pondera
a produtividade. É necessário potencializar a assitência técnica, aumentar os canais de co-
mercialização e, elevar o nível tecnológico. Isto será possível se a AF de Subsistência como
unidade produtiva consegue aumentar sua produtividade, competividade e rentabilidade. É
necessária uma política específica dirigida a estes agricultores familiares para que possam
adquirir conhecimentos suficientes para o desenvolvimento da agricultura e para a formação
de uma estrutura produtiva agrícola autosuficiente.
Por outro lado, o impacto do acesso ao crédito sobre a produtividade do trabalho
se relaciona positivamente nos três modelos para os três algoritmos. No entanto, quando
analisado por tipo de AF, apenas para a técnica de pareamento por Kernel foi estatísticamente
significativo. A produtividade do trabalho também apresentou um coeficiente baixo, porém,
positivo.
Portanto, esta análise permite observar que existe um efeito positivo, porém, o efeito
tem magnitudes diferentes para os tipos de Agricultura Familiar existentes em El Salvador. É
importante destacar que, ainda que exista a necessidade de uma política dirigida de crédito,
ela por sí só não é suficiente. Em El Salvador, ainda que tardiamente, os esforços por poten-
cializar este setor no país começaram em 2011 por meio do programa denominado Programa
de Agricultura Familiar para el Encadenamiento Productivo do Ministerio de Agricultura y
Ganaderia de El Salvador. Estes esforços permitiram reduzir os riscos, aumentar o apoio e
identificar as dificuldades do setor a longo prazo.
120
4 Considerações Finais
Radius e Kernel. De forma geral, observou-se que o acesso ao crédito teve um impacto positivo
sobre o nível de produtividade da terra e do trabalho da Agricultura Familiar, o efeito foi
pequeno e muito diferenciado entre os grupos de AF de El Salvador.
122
Referências
ABADIE, A.; IMBENS, G. W. Large sample properties of matching estimators for average
treatment effects. Econometrica, v. 74, n. 1, p. 235–267, jan. 2006. Disponível em: <https:
//economics.mit.edu/files/11867>. Citado na página 98.
ADUSUMILLI, K. Strap inference for propensity score matching. Department of Econo-
mics, London School of Economics, Houghton Street, London, WC2A 2AE, UK., 2017.
Disponível em: <https://editorialexpress.com/cgi-bin/conference/download.cgi?db_name=
EEAESEM2017&paper_id=529>. Citado 3 vezes nas páginas 98, 151 e 173.
AGHÓN, G.; ALBURQUERQUE, F.; CORTÉS, P. Desarrollo económico local y descen-
tralización en América Latina: Análisis comparativo. Comisión Económica para América
Latina-CEPAL/la Sociedad Alemana de Cooperación Técnica (GTZ), 2001. Disponível em:
<https://repositorio.cepal.org/bitstream/handle/11362/2691/4/S2001704_es.pdf>. Citado
na página 73.
ANGRIST, J. D.; PISCHKE, J.-S. Mostly harmless econometrics: An empiricist’s companion.
Princeton university press, p. 290,, 2008. Disponível em: <http://www.development.wne.uw.
edu.pl/uploads/Main/recrut_econometrics.pdf>. Citado 7 vezes nas páginas 83, 84, 85, 86,
87, 88 e 151.
ANTÃO, R. d. S.; CAMPANHOLO, T. O crédito rural no contexto do desenvolvimento
econômico e social. Revista da Católica, v. 3, n. 5, p. 1–12, 2011. Citado na página 82.
Banco Central de Reserva de El Salvador (BCR). Las remesas familiares crecieron 10.3 % en
enero de 2018. BCR, 2018. Disponível em: <http://www.bcr.gob.sv/esp/index.php?option=
com_k2&view=item&id=1109:las-remesas-familiares-crecieron-103-en-enero-de-2018&
Itemid=168>. Citado na página 22.
Banco Central de Reserva de El Salvador (BCR). Informe Analítico de Comercio Exterior
de El Salvador. Enero 2019. [S.l.], 2019. Disponível em: <https://www.bcr.gob.sv/bcrsite/
uploaded/content/category/1411504524.pdf>. Citado na página 17.
Banco Mundial. El Salvador: panorama general. 2018. Disponível em: <http://www.
bancomundial.org/es/country/elsalvador/overview>. Citado na página 17.
BECKER, S. O.; ICHINO, A. Estimation of average treatment effects based on propensity
scores. The Stata Journal, New York, v. 2, n. 4, p. 358-377, 2002. Disponível em: <http:
//www.stata-journal.com/sjpdf.html?articlenum=st0026>. Citado 12 vezes nas páginas 87,
88, 89, 90, 91, 92, 93, 95, 97, 100, 151 e 154.
BRIGGEMAN, B. C.; TOWE, C. A.; MOREHART, M. J. Credit constraints: their exis-
tence, determinants, and implications for us farm and nonfarm sole proprietorships. Ame-
rican Journal of Agricultural Economics, v. 91, n. 1, p. 275-289,, 2009. Disponível em:
<http://pubag.nal.usda.gov/pubag/downloadPDF.xhtml?id=26846&content=PDF>. Ci-
tado na página 81.
Referências 123
CALIENDO, M.; KOPEINIG, S. Some practical guidance for the implementation of propen-
sity score matching. Journal of Economic Surveys, v. 22, n. 1, p. 31–72, 2008. Disponível em:
<https://EconPapers.repec.org/RePEc:bla:jecsur:v:22:y:2008:i:1:p:31-72>. Citado 11 vezes
nas páginas 89, 91, 93, 94, 95, 97, 98, 100, 101, 151 e 173.
CEPAL; FAO; IICA. Perspectivas de la agricultura y del desarrollo rural en las Améri-
cas: una mirada hacia América Latina y el Caribe, 2014. Capitulo 5. Comisión Econó-
mica para América Latina y el Caribe (CEPAL); Oficina Regional para América Latina
y el Caribe de la Organización de las Naciones Unidas para la Alimentación y la Agricul-
tura (FAO); Instituto Interamericano de Cooperación para la Agricultura (IICA), 2014. Dis-
ponível em: <https://repositorio.cepal.org/bitstream/handle/11362/37136/1/Perspectivas_
agricultura2014_es.pdf>. Citado na página 77.
Decreto Ejecutivo 153. Decreto Ley No 153 - Ley Básica de la Reforma Agrária. El Salvador.
1980. Disponível em: <http://www.fao.org/faolex/results/details/es/c/LEX-FAOC004997/
>. Citado na página 26.
Referências 124
Decreto Ejecutivo 154. Decreto No 154 - Medidas para implementar la ejecución de la primera
etapa de la Reforma Agrária. El Salvador. 1980. Disponível em: <http://www.fao.org/faolex/
results/details/es/c/LEX-FAOC004998>. Citado na página 26.
FALKOWSKI, J.; CIAIAN, P.; KANCS, d. Access to Credit, Factor Allocation and Farm
Productivity: Evidence from the CEE Transition Economies. [S.l.], 2009. Citado 2 vezes nas
páginas 78 e 81.
FAO. La FAO y la agricultura familiar: el caso de El Salvador. [S.l.], 2012. Citado na página
31.
FEIJÓ, R. L. The impact of a family farming credit: Program on the rural economy of
Brazil. Universidade de São Paulo, Ribeirão BR., 2001. Disponível em: <https://core.ac.uk/
download/files/153/6535862.pdf>. Citado na página 81.
FLORES, M. El salvador: trayectoria de la reforma agraria, 1980-1998. Revista Mexicana
de Sociología. Universidad Nacional Autónoma de México, 1998. Disponível em: <https:
//www.researchgate.net/publication/271782286>. Citado 2 vezes nas páginas 26 e 27.
GANGL, M. Rosenbaum sensitivity analysis for average treatment effects on the treated. [S.l.],
2004. Citado na página 100.
GARCIAS, M. D. O. Agricultura familiar e os impactos da restrição ao credito rural: uma
analise para diferentes niveis de mercantilização. Disertação: Escola Superior de Agricultura
“Luiz de Queiroz” Piracicaba, Universidade de Sao Paulo, 2014. Citado na página 81.
GARRIDO, M.; KELLEY, A.; PARIS, J.; ROZA, K.; MEIER, D.; MORRISON, R. S.;
ALDRIDGE, M. Methods for constructing and assessing propensity scores. Health Services
Research, v. 49, 10 2014. Citado 5 vezes nas páginas 95, 96, 98, 99 e 151.
GARZA, H. N.; COLIN, J.-P.; MILLEVILLE, P. Sistemas de Producción y Desarrollo Agrí-
cola. [S.l.]: Consejo Nacional de Ciencia y Tecnologia (CONACYT), del Ministére Francais de
la Recherche, del Colegio de Posgraduados y su Centro de Estudios del Desarrollo Rural y del
Instituto Francés de Investigación Cientifica para el Desarrollo en Cooperación (ORSTOM),
1993. Citado na página 51.
GRACIAS, E. M. El Manejo del Riesgo de Crédito. [S.l.], 2007. Disponível em: <http://
www.bcr.gob.sv/bcrsite/uploaded/content/category/1327998531.pdf>. Citado 3 vezes nas
páginas 78, 79 e 82.
GUIRKINGER, C.; BOUCHER, S. Credit constraints and productivity in peruvian agri-
culture. Agricultural Economics. p. 1-37, 2006. Disponível em: <https://www.uclouvain.be/
cps/ucl/doc/core/documents/guirkinger.pdf>. Citado 2 vezes nas páginas 78 e 81.
GUO, S.; FRASER, M. W. Propensity score analysis: Statistical methods and applications.
1st. ed. [S.l.]: Sage, 2010. Citado 6 vezes nas páginas 88, 91, 92, 93, 94 e 101.
HECKMAN, J.; ICHIMURA, H.; TODD, P. E. Matching as an econometric evaluation es-
timator: Evidence from evaluating a job training programme. Review of Economic Studies,
v. 64, n. 4, p. 261–294, 1998. Disponível em: <http://www.uh.edu/~adkugler/Heckmanetal.
pdf>. Citado na página 151.
HECKMAN, J. J.; ROBB, R. Alternative methods for evaluating the impact of interventions.
Journal of Econometrics 30 (1985) 239-267. North-Holland, 1985. Disponível em: <https:
//faculty.smu.edu/millimet/classes/eco7377/papers/heckman%20robb.pdf>. Citado na pá-
gina 89.
HECKMAN, J. J.; ROBB, R. Drawing inferences from self-selected samples. In: . [S.l.]:
Springer-Verlag New York 1986, 1986. cap. 7. Alternative Methods for Solving the Problem
of Selection Bias in Evaluating the Impact of Treatments on Outcomes, p. 63–107. Citado
na página 89.
Referências 126
HOFF, K.; STIGLITZ, J. A symposium issue on imperfect information and rural credit
markets. In: . THE WORLD BANK - ECONOMIC REVIEW, V. 4 Septembro, Number
3, 1990. cap. Introduction: Imperfec Information and Rural Credit Marketes - Puzzles and
Policy Perspectives, p. 235–250. Disponível em: <http://documents.worldbank.org/curated/
en/543971468759317437/pdf/multi-page.pdf>. Citado na página 79.
INCRA-FAO. Novo Retrato da Agricultura Familiar: O Brasil Redescoberto. [S.l.], 2000. Dis-
ponível em: <https://www.agencia.cnptia.embrapa.br/recursos/novoretratoID-3iTs4E7R59.
pdf>. Citado 2 vezes nas páginas 35 e 36.
JANN, B. Estimating Lorenz and concentration curves in stata. University of Bern Social
Sciences Working Paper No. 15,October 27, 2016. Disponível em: <http://repec.sowi.unibe.
ch/files/wp15/jann-2016-lorenz.pdf>. Citado na página 59.
KHANDKER, S.; G.B., K.; SAMAD, H. Handbook on impact evaluation: quantitative methods
and practices. [S.l.], 2009. Disponível em: <https://openknowledge.worldbank.org/handle/
10986/2693>. Citado 4 vezes nas páginas 91, 94, 95 e 151.
LEUVEN, E.; SIANESI, B. Psmatch2: Stata module to perform full Mahalanobis and propen-
sity score matching, common support graphing, and covariate imbalance testing. [S.l.], 2003.
Disponível em: <http://ideas.repec.org/c/boc/bocode/s432001.html>. Citado 5 vezes nas
páginas 95, 96, 100, 151 e 162.
LUNT, M. Propensity Analysis in Stata Revision. [S.l.], 2014. Disponível em: <https:
//personalpages.manchester.ac.uk/staff/mark.lunt/propensity_guide.pdf>. Citado 2 vezes
nas páginas 151 e 160.
MORGAN, S.; WINSHIP, C. Counterfactuals and Causal Inference: Methods and Princi-
ples for Social Research. Cambridge University Press, 2007. (Analytical Methods for Social
Research). ISBN 9781139465908. Disponível em: <https://books.google.com.br/books?id=
lFTP49c5wJoC>. Citado 3 vezes nas páginas 83, 87 e 151.
Organização das Nações Unidas para Agricultura e Alimentação (FAO). MARCO ESTRA-
TÉGICO DE MEDIANO PLAZO DE COOPERACIÓN DE LA FAO EN AGRICULTURA
FAMILIAR EN AMÉRICA LATINA Y EL CARIBE 2012 -2015. [S.l.], 2011. Citado 2 vezes
nas páginas 29 e 30.
OTSU, T.; RAI, Y. Bootstrap inference of matching estimators for average treatment effects.
Journal of the American Statistical Association, Taylor & Francis, v. 112, n. 520, p. 1720–
1732, 2017. Disponível em: <https://doi.org/10.1080/01621459.2016.1231613>. Citado 2
vezes nas páginas 98 e 151.
PAN, W.; BAI, H. Propensity Score Analysis: Fundamentals and Developments. Guilford
Publications, 2015. (Research Methods). ISBN 9781462519491. Disponível em: <https://
books.google.com.br/books?id=zbLGoAEACAAJ>. Citado na página 151.
RESEMBAUM, P. R.; RUBIN, D. B. The central role of the propensity score in observati-
onal studies for causal effects. Biometrika, Vol. 70, No. 1, p. 41-55,, 1983. Disponível em:
<http://www.stat.cmu.edu/~ryantibs/journalclub/rosenbaum_1983.pdf>. Citado 5 vezes
nas páginas 87, 88, 89, 97 e 151.
SEKHON, J. S. The neyman-rubin model of causal inference and estimation via matching
methods. In: . [S.l.]: The Oxford Handbook of Political Methodology, 2007. Citado 4
vezes nas páginas 83, 86, 87 e 151.
SINGH, I.; SQUIRE, L.; STRAUSS, J. Agricultural household models: Extensions, applicati-
ons, and policy. [S.l.]: The World Bank, 1986. Citado na página 79.
SORIA V., J. Los sistemas de agricultura en el istmo centroamericano. Rev. Biol. Trop., 24
(Supl.1): 57-58,, 1976. Citado na página 51.
SOTO, F. B.; RODRÍGUEZ, M. F.; FALCONI, C.; BID, B. et al. Políticas para la agricultura
familiar en américa latina y el caribe. Santiago (Chile) FAO, 2007. Citado na página 29.
STIGLITZ, J. E.; WEISS, A. Credit rationing in markets with imperfect information. The
American Economic Review, Vol. 71, No. 3. (Jun., 1981), pp. 393-410., 1981. Citado na
página 79.
Thi Thanh Tu, T.; Phu Ha, N.; Thi Hoang Yen, T. Socio-economic impact of rural credit
in northern vietnam: Does it differ between clients belonging to the ethnic majority and the
minorities? Asian Social Science; Vol. 11, No. 10, 2015. Citado na página 80.
Fonte: Elaboração própria com base nos dados do IV Censo Agropecuário 2007-2008
Tabela 41 – Características Gerais de El Salvador 2005-2017
Caracterização geral do país 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
Rendas médas por familias (em dólares ) 432,25 442,38 483,08 504,91 498,09 479,15 486,67 506,91 556,16 539,7 538,65 545,93 543,89
urbano 525,89 535,71 580,71 599,03 597,11 570,68 574,46 594,47 660,9 639,9 630,14 646,99 641,13
rural 279,42 284,21 293,55 305,76 303,88 304,75 321,59 338,55 361,82 356,8 373,96 368,61 385,71
Média de membros do núcleo familiar 4 4 4 4 4 4 4 4 4 4 4 4 4
Custo da Cesta Básica de Alimentos (CBA) em dolares
custo de 1 Cesta Básica de Alimentos (CBA) urbano 136,54 138,85 146,3 171,2 168,01 168,29 182,6 170,9 168,84 177,81 191,17 189,85 185,25
custo de 1 Cesta Básica de Alimentos (CBA) rural 87,53 101,17 110,69 127,9 120,91 118,42 143,9 131,40 119,5 121,69 132,13 128,78 123,06
Níveis de pobreza por familias (linha da pobreza 35,2% 30,70% 34,60% 40,00% 37,80% 36,50% 40,60% 34,50% 29,60% 31,80% 34,90% 32,70% 29,20%
medida em relação à CBA)
pobreza extrema ou absoluta (custo de 1 CBA) 12,3% 9,60% 10,80% 12,40% 12% 11,20% 12,20% 8,90% 7,10% 7,60% 8,10% 7,90% 6,20%
pobreza relativa (custo de 2 CBA) 22,8% 21,20% 23,80% 27,60% 25,80% 25,30% 28,30% 25,60% 22,50% 24,30% 26,80% 24,80% 23,00%
Níveis de pobreza urbano 30,9% 27,70% 29,80% 35,70% 33,30% 33,00% 35,40% 29,90% 26,20% 28,50% 32,70% 29,90% 27,40%
pobreza extrema ou absoluta (custo de 1 CBA) 9,7% 8,00% 7,90% 10% 9,20% 9,10% 8,90% 6,50% 5,70% 5,70% 7,00% 6,40% 5,30%
pobreza relativa (custo de 2 CBA) 21,3% 19,80% 21,90% 25,70% 24,10% 23,90% 26,50% 23,40% 20,50% 22,80% 25,70% 23,50% 22,20%
Níveis de pobreza rural 42,5% 35,80% 43,80% 49,00% 46,50% 43,20% 50,20% 43,30% 36,00% 37,90% 38,80% 37,50% 32,10%
pobreza extrema ou absoluta (custo de 1 CBA) 16,9% 12,2 16,30% 17,50% 17,50% 15,10% 18,40% 13,60% 9,80% 10,9% 10,10% 10,40% 7,70%
pobreza relativa ( custo de 2 CBA) 25,5% 23,6 27,5 31,50% 29,00% 28,10% 31,70% 29,80% 26,20% 27,0% 28,70% 27,20% 24,40%
Níveis de pobreza na Área metropolitana de San Salvador 25,0% 22,5 23,30% 24,80% 25,00% 23,70% 27,10% 23,00% 17,80% 21,30% 24,90% 22,00% 20,30%
pobreza extrema ou absoluta (custo de 1 CBA) 6,6% 5,6% 4,60% 4,10% 5,40% 4,50% 5,20% 3,70% 3,40% 2,60% 4,30% 3,30% 3,20%
pobreza relativa (custo de 2 CBA) 18,4% 16,8% 18,70% 20,60% 19,60% 19,20% 21,90% 19,30% 14,40% 18,70% 20,60% 18,70% 17,00%
Índice de Gini (Distribuição da renda) 0,48 0,48 0,46 0,44 0,41 0,40 0,38 0,37 0,36 0,34
Escolaridade média (em anos) 5,7 5,8 5,9 5,9 6 6,1 6,2 6,4 6,6 6,7 6,8 6,8 6,8
urbano 6,9 7 7 6,9 7,2 7,2 7,3 7,5 7,7 7,8 7,9 7,9 7,9
rural 3,8 3,9 4 4 4,1 4,2 4,4 4,6 4,7 4,9 5 5 5,1
Área Metropolitana de San Salvador (AMSS) 7,4 7,5 7,7 8 8,2 8,2 8,3 8,3 8,6 8,6 8,9 8,8 8,6
Aspectos demográficos
população no setor urbano 59,90% 59,90% 62,70% 64,80% 63,20% 62,50% 62,30% 62,60% 62,20% 62,30% 62,40% 61,70% 60,20%
populaçõa do setor rural 40,10% 40,10% 37,30% 35,20% 36,80% 37,50% 37,70% 37,40% 37,80% 37,70% 37,60% 38,30% 39,80%
População total do país 6.864.080 6.181.639 5.744.575 6.122.413 6.150.953 6.181.405 6.213.730 6.249.262 6.290.420 6.401.415 6.459.911 6.522.419 6.581.860
Fonte: Elaboração própria com base nos registros da "Dirección General de Estadísticas y Censos"(DIGESTYC) de 2005 a 2017
132
Tabela 42 – Mercado de Trabalho em El Salvador
Oferta do mercado de trabalho 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017
Situação do emprego
População em Idade para Trabalhar (PET) 5.330.401 5.462.100 3.738.671 3.980.187 4.065.439 4.127.560 4.212.174 4.308.637 4.391.453 4.527.736 4.616.655 4.710.551 4.780.530
(a partir dos 10 anos até 2006
e a partir dos 16 anos após 2007)
PET em % (PET / população total do país) 78% 88% 65% 65% 66,1% 66,8% 67,8% 68,9% 69,8% 71% 71,5% 72,2% 72,6%
População Economica Ativa (PEA) 2.792.632 2.874.608 2.320.946 2.495.908 2.551.667 2.580.284 2.641.133 2.724.754 2.795.156 2.842.997 2.867.966 2.931.653 2.960.788
PEA em % (Taxa global de participação = PEA/PET) 52,4% 52,6% 62,1% 62,7% 62,8% 62,5% 62,7% 63,2% 63,6% 62,8% 62,1% 62,2% 61,9%
Urbano 63,7% 62,8% 67,5% 68,90% 67,50% 67,0% 65,8% 66,40% 66% 66,30% 65,80% 65,40% 63,40%
Rural 36,3% 37,2% 32,5% 31,10% 32,50% 33,0% 34,2% 33,60% 34% 33,70% 34,20% 34,60% 36,60%
Emprego ou população ocupada 2.591.076 2.685.862 2.173.963 2.349.050 2.364.579 2.398.478 2.466.375 2.559.315 2.629.507 2.644.082 2.667.032 2.727.017 2.752.094
População ocupada em % (Empregados/PEA) 92,8% 93,4% 93,7% 94,1% 92,7% 93,0% 93,4% 93,9% 94,1% 93% 93% 93% 93%
População Econômica Inativa (1-(%PEA) = PEI) 47,6% 47,4% 37,9% 37,3% 37,2% 37,5% 37,3% 36,8% 36,4% 37,2% 37,9% 37,8% 38,1%
Situação de desemprego
Desemprego ou população desocupada 201.556 188.746 146.983 146.858 187.088 181.806 174.758 165.439 165.649 198.915 200.934 204.636 208.694
Tasa de desemprego nacional (Desempego/PEA) 7,2% 6,6% 6,3% 5,9% 7,3% 7,0% 6,6% 6,1% 5,9% 7,0% 7,0% 7,0% 7,0%
urbano 7,3% 5,7% 5,8% 5,5% 7,10% 6,8% 6,6% 6,20% 5,60% - - - -
Rural 7,1% 8,0% 7,4% 6,7% 7,80% 7,6% 6,6% 5,80% 6,60% - - - -
Situação de subemprego**
taxa de subemprego 32,1% 36,9% 28,4% 32,1% 34% 28,9% 32,70% 30.7%* 27.7%* 31%* 31.4%* 28.7%* 37.3%*
modalidade do subemprego visível (jornada) 5,6% 4,6% 5,0% 6,0% 7,10% 6,3% 3,10% 5,30% 5,30% 6,10% 6,40% 6,80% 6,80%
modalidade do subemprego invisível (renda) 26,5% 32,3% 23,4% 26,1% 26,90% 22,6% 29,60% 25,50% 22,50% 24,90% 25,00% 21,90% 30,50%
População total do país 6.864.080 6.181.639 5.744.575 6.122.413 6.150.953 6.181.405 6.213.730 6.249.262 6.290.420 6.401.415 6.459.911 6.522.419 6.581.860
*Para subemprego urbano.
**Subemprego está conformado pelos ocupados que tem dificuldade para trabalhar um número determinado de horas semanais, assim como obter uma retribuição que alcance pelo
menos o salário mínimo. O subemprego visível ou por jornada é conformada por pessoa que trabalham menos de 40 horas semanais de forma involuntária, o subemprego invisível ou
por renda, são as pessoas que trabalham 40 horas semanais ou mais, mas obtém rendas menores ao salário mínimo vigente.
Fonte: Elaboração própria com base nos registros da "Dirección General de Estadísticas y Censos"(DIGESTYC) de 2005 a 2017
133
134
135
Fonte: Resultados da pesquisa
ANEXO B. Resultados do Propensity Score Matching 136
Insumos Agrícolas
Material para semear 0,404 0,558
[0,424] [0,379]
Utilização de agroquimicos 0,679 0,877** 0,763** 0,877**
[0,418] [0,425] [0,389] [0,425]
Equipamento e maquinária Agrícola
Tratores 0,410*** 0,241 0,23
[0,144] [0,162] [0,158]
Colheitadeira mecanica 0,159* 0,133 0,469*** 0,198** 0,133 0,442***
[0,0920] [0,103] [0,152] [0,0907] [0,103] [0,151]
Equipamento de fumagação e/ou aspersão 0,185 0,356** 0,173 0,356**
[0,141] [0,159] [0,135] [0,159]
Dummies Regionais (+)
Zona Central 0,0973 0,0936 0,18 0,108 0,0936 0,131
[0,118] [0,134] [0,176] [0,118] [0,134] [0,179]
Zona Oriental -0,252** -0,222* -0,313* -0,219** -0,222* -0,350**
[0,105] [0,123] [0,167] [0,104] [0,123] [0,176]
Zona Paracentral -0,0941 -0,139 0,555** -0,0791 -0,139 0,514*
[0,128] [0,139] [0,259] [0,127] [0,139] [0,263]
Observações (com peso) 37180 28074 9107 37180 28074 9106
Erros Padrão entre colchetes.
* p<0.10, ** p<0.05, *** p<0.01, **** p<0.001
(+) Zona Ocidental como variável de referência
Nota: Note que os modelos 2 e 5 possuem as mesmas covariáveis. A escolha do modelo não é isolada, elas satisfa-
zem o balanceamento do escore de propensão. Outra observação é que, para o cálculo do escore de propensão por
meio do modelo probit, a variável de resultado (produtividade da terra ou do trabalho), é desconsiderada neste
cálculo; esta é uma das possíveis razões pelas quais, algum modelo pode convergir, uma vez que o propósito é a
construção de índice de propensão.
****************************************************
Algorithm to estimate the propensity score
****************************************************
------------------------------------------------------------------------------
credito | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
menos_35 | ,2203905 ,047726 4,62 0,000 ,1268492 ,3139318
s17p01 | ,3760951 ,072485 5,19 0,000 ,2340271 ,5181631
traba | ,0294752 ,0068689 4,29 0,000 ,0160124 ,042938
matsiemb | ,4036292 ,1592448 2,53 0,011 ,0915151 ,7157432
agroqui | ,6790514 ,1453318 4,67 0,000 ,3942063 ,9638964
tratores | ,4101061 ,0967427 4,24 0,000 ,2204939 ,5997182
cosechadora | ,1588461 ,0378337 4,20 0,000 ,0846934 ,2329989
fumasper | ,1852577 ,0636633 2,91 0,004 ,06048 ,3100354
zona_central | ,0972767 ,0515098 1,89 0,059 -,0036806 ,198234
zona_Orien~l | -,2518785 ,0458119 -5,50 0,000 -,3416682 -,1620888
zona_Parac~l | -,0940773 ,049158 -1,91 0,056 -,1904252 ,0022705
_cons | ,7663777 ,1979756 3,87 0,000 ,3783525 1,154403
------------------------------------------------------------------------------
******************************************************
Step 1: Identification of the optimal number of blocks
Use option detail if you want more detailed output
******************************************************
**********************************************************
Step 2: Test of balancing property of the propensity score
Use option detail if you want more detailed output
**********************************************************
Inferior |
of block | credito
of pscore | 0 1 | Total
-----------+----------------------+----------
,6 | 0 2 | 2
,8 | 0 19 | 19
,9 | 3 46 | 49
,95 | 36 1.123 | 1.159
,975 | 51 3.119 | 3.170
,9875 | 37 5.303 | 5.340
-----------+----------------------+----------
Total | 127 9.612 | 9.739
*******************************************
End of the algorithm to estimate the pscore
*******************************************
.
end of do-file
****************************************************
Algorithm to estimate the propensity score
****************************************************
------------------------------------------------------------------------------
credito | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
menos_35 | ,2891588 ,0660681 4,38 0,000 ,1596677 ,4186499
s01p02ed | ,0017821 ,0018506 0,96 0,336 -,001845 ,0054092
s17p01 | ,4005601 ,0912016 4,39 0,000 ,2218082 ,579312
agroqui | ,8770667 ,1529977 5,73 0,000 ,5771967 1,176937
ANEXO B. Resultados do Propensity Score Matching 140
******************************************************
Step 1: Identification of the optimal number of blocks
Use option detail if you want more detailed output
******************************************************
**********************************************************
Step 2: Test of balancing property of the propensity score
Use option detail if you want more detailed output
**********************************************************
Inferior |
of block | credito
of pscore | 0 1 | Total
-----------+----------------------+----------
,6 | 0 2 | 2
,8 | 1 10 | 11
,9 | 8 73 | 81
,95 | 19 798 | 817
,975 | 42 2.316 | 2.358
,9875 | 15 1.459 | 1.474
-----------+----------------------+----------
Total | 85 4.658 | 4.743
*******************************************
End of the algorithm to estimate the pscore
*******************************************
.
end of do-file
****************************************************
Algorithm to estimate the propensity score
****************************************************
------------------------------------------------------------------------------
credito | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
s01p02ed | ,0094518 ,0339541 0,28 0,781 -,0570971 ,0760007
idade2 | -,0000293 ,0003087 -0,09 0,924 -,0006344 ,0005758
menos_35 | ,2812333 ,237725 1,18 0,237 -,184699 ,7471657
tratores | ,2410821 ,111497 2,16 0,031 ,0225521 ,4596121
cosechadora | ,4690162 ,1132545 4,14 0,000 ,2470414 ,690991
zona_central | ,1797187 ,1394375 1,29 0,197 -,0935737 ,4530112
zona_Orien~l | -,3128034 ,114561 -2,73 0,006 -,5373388 -,088268
zona_Parac~l | ,5550429 ,2073474 2,68 0,007 ,1486495 ,9614364
_cons | 1,782507 ,918792 1,94 0,052 -,0182923 3,583306
------------------------------------------------------------------------------
******************************************************
Step 1: Identification of the optimal number of blocks
Use option detail if you want more detailed output
ANEXO B. Resultados do Propensity Score Matching 143
******************************************************
**********************************************************
Step 2: Test of balancing property of the propensity score
Use option detail if you want more detailed output
**********************************************************
Inferior |
of block | credito
of pscore | 0 1 | Total
-----------+----------------------+----------
,95 | 9 435 | 444
,975 | 6 213 | 219
,98125 | 4 168 | 172
,984375 | 1 252 | 253
,9875 | 14 1.093 | 1.107
,99375 | 8 2.794 | 2.802
-----------+----------------------+----------
Total | 42 4.955 | 4.997
*******************************************
End of the algorithm to estimate the pscore
*******************************************
.
end of do-file
****************************************************
Algorithm to estimate the propensity score
****************************************************
------------------------------------------------------------------------------
credito | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
menos_35 | ,2740535 ,0612162 4,48 0,000 ,1540719 ,3940351
s01p02ed | ,0030699 ,001698 1,81 0,071 -,0002581 ,0063979
s17p01 | ,4252693 ,0715053 5,95 0,000 ,2851216 ,5654171
fumasper | ,1731262 ,0622281 2,78 0,005 ,0511614 ,2950909
agroqui | ,7634277 ,1425501 5,36 0,000 ,4840348 1,042821
cosechadora | ,1980575 ,0372407 5,32 0,000 ,125067 ,2710479
zona_central | ,1078598 ,0513879 2,10 0,036 ,0071413 ,2085783
zona_Orien~l | -,2191557 ,0452866 -4,84 0,000 -,3079158 -,1303956
zona_Parac~l | -,0790608 ,048733 -1,62 0,105 -,1745758 ,0164542
_cons | 1,005334 ,1733563 5,80 0,000 ,6655623 1,345107
------------------------------------------------------------------------------
Percentiles Smallest
1% ,9554374 ,819934
5% ,9686192 ,8286598
10% ,9717349 ,8571243 Obs 9739
25% ,9808123 ,8585053 Sum of Wgt. 9739
******************************************************
Step 1: Identification of the optimal number of blocks
Use option detail if you want more detailed output
******************************************************
**********************************************************
Step 2: Test of balancing property of the propensity score
Use option detail if you want more detailed output
**********************************************************
Inferior |
of block | credito
of pscore | 0 1 | Total
-----------+----------------------+----------
,8 | 0 22 | 22
,9 | 1 18 | 19
,95 | 39 1.192 | 1.231
,975 | 49 3.858 | 3.907
,9875 | 38 4.522 | 4.560
-----------+----------------------+----------
Total | 127 9.612 | 9.739
*******************************************
ANEXO B. Resultados do Propensity Score Matching 146
.
end of do-file
****************************************************
Algorithm to estimate the propensity score
****************************************************
------------------------------------------------------------------------------
credito | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
menos_35 | ,2891588 ,0660681 4,38 0,000 ,1596677 ,4186499
s01p02ed | ,0017821 ,0018506 0,96 0,336 -,001845 ,0054092
s17p01 | ,4005601 ,0912016 4,39 0,000 ,2218082 ,579312
cosechadora | ,1334242 ,0404347 3,30 0,001 ,0541737 ,2126747
fumasper | ,3558986 ,0704184 5,05 0,000 ,217881 ,4939162
agroqui | ,8770667 ,1529977 5,73 0,000 ,5771967 1,176937
zona_central | ,0936372 ,0556226 1,68 0,092 -,015381 ,2026554
ANEXO B. Resultados do Propensity Score Matching 147
******************************************************
Step 1: Identification of the optimal number of blocks
Use option detail if you want more detailed output
******************************************************
**********************************************************
Step 2: Test of balancing property of the propensity score
Use option detail if you want more detailed output
**********************************************************
Inferior |
of block | credito
of pscore | 0 1 | Total
-----------+----------------------+----------
,6 | 0 2 | 2
,8 | 1 10 | 11
,9 | 8 73 | 81
,95 | 19 798 | 817
,975 | 42 2.316 | 2.358
,9875 | 15 1.459 | 1.474
-----------+----------------------+----------
Total | 85 4.658 | 4.743
*******************************************
End of the algorithm to estimate the pscore
*******************************************
.
end of do-file
****************************************************
Algorithm to estimate the propensity score
****************************************************
------------------------------------------------------------------------------
credito | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
s17p01 | ,2854966 ,1273561 2,24 0,025 ,0358833 ,53511
menos_35 | ,2758584 ,2395847 1,15 0,250 -,193719 ,7454357
s01p02ed | ,0106112 ,0342663 0,31 0,757 -,0565496 ,0777719
idade2 | -,0000421 ,0003117 -0,14 0,892 -,000653 ,0005688
matsiemb | ,5577618 ,1682198 3,32 0,001 ,2280571 ,8874665
tratores | ,2299101 ,1127213 2,04 0,041 ,0089804 ,4508399
cosechadora | ,4424026 ,1147531 3,86 0,000 ,2174907 ,6673146
zona_central | ,1314947 ,1411652 0,93 0,352 -,1451841 ,4081734
zona_Orien~l | -,3500753 ,1169048 -2,99 0,003 -,5792045 -,1209461
zona_Parac~l | ,5142649 ,2074527 2,48 0,013 ,1076651 ,9208648
_cons | 1,221801 ,9423692 1,30 0,195 -,6252089 3,068811
------------------------------------------------------------------------------
******************************************************
Step 1: Identification of the optimal number of blocks
Use option detail if you want more detailed output
******************************************************
ANEXO B. Resultados do Propensity Score Matching 150
**********************************************************
Step 2: Test of balancing property of the propensity score
Use option detail if you want more detailed output
**********************************************************
Inferior |
of block | credito
of pscore | 0 1 | Total
-----------+----------------------+----------
,8 | 0 3 | 3
,9 | 2 17 | 19
,95 | 9 411 | 420
,975 | 11 593 | 604
,9875 | 12 1.024 | 1.036
,99375 | 8 2.906 | 2.914
-----------+----------------------+----------
Total | 42 4.954 | 4.996
*******************************************
End of the algorithm to estimate the pscore
*******************************************
.
end of do-file
151
Neste trabalho foram realizadas sete etapas analíticas para avaliação de impacto por
meio do método Propensity Score Matching. A construção deste anexo técnico, constitui um
exemplo de implementação. Foi baseado em diversos manuais e artigos que auxiliaram a
comprensão sobre a aplicação, implementação e análise teórica desta abordagem.
Os autores Angrist e Pischke (2008), Sekhon (2007), Morgan e Winship (2007) e Hein-
rich et al. (2010) relatam sobre a diferença entre dados experimentais e dados observacionais;
os autores Becker e Ichino (2002), Resembaum e Rubin (1983), Angrist e Pischke (2008),
Lunt (2014) discurssam sobre a construção de escores de propensão.
Por outro lado, os autores Cerulli (2015), Khandker et al. (2009), Pan e Bai (2015),
Coma (2012), Vásquez (2008), Leuven e Sianesi (2003) realizaram trabalhos sobre a imple-
mentação de diversos comandos em Stata; Heckman et al. (1998), Otsu e Rai (2017) e Adu-
sumilli (2017) sobre estimação de efeitos médios; Becker e Ichino (2002), Pan e Bai (2015),
Lunt (2014), Garrido et al. (2014) e Caliendo e Kopeinig (2008) sugerem algumas etapas da
estimação do propensity score.
keep resultado2 lnrendimGB prodbgTR area3_tot mun_Ymedia menos_35 s01p02ed idade2 s17p01 ///
traba trabtemp matsiemb agroqui tratores cosechadora fumasper zona_Occidental zona_central ///
zona_Oriental trabtemp mlp AF AFcomercial factor
| Summary of lnrendimGB
credito | Mean Std. Dev. Obs.
------------+------------------------------------
0 | .04112453 .01914208 125
1 | .0474932 .02172354 9,205
------------+------------------------------------
Total | .04739673 .02169965 9,330
.
------------------------------------------------------------------------------
lnrendimGB | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
credito | .0063687 .0009309 6.84 0.000 .004544 .0081933
_cons | .0411245 .0009239 44.51 0.000 .0393137 .0429353
------------------------------------------------------------------------------
.
é, para se obter resultados similares aos reais e com variância mínima, é necessário que
sejam satisfeitas certas hipóteses: Linearidade nos parâmetros, Amostragem aleatória, Média
Condicional Zero, Colinearidade não perfeita e variância constante.
Supondo que o modelo satisfaça as hipotéses, pode-se dar uma interpretação aos
coeficientes. Os p-valores para a estatística do teste F e t, permitem observar que o ajuste do
modelo é significativo, isto é, que há significância simultânea ou conjunta dos parâmetros da
regressao, e afirmar que pelo menos uma das covariáveis contribui para explicar a variabilidade
de “lnrendimGB”.
-------------------------------------------------------------------------------
lnrendimGB | Coef. Std. Err. t P>|t| Beta
--------------+----------------------------------------------------------------
credito | .0034441 .0008821 3.90 0.000 .0193868
menos_35 | .0017425 .0002663 6.54 0.000 .0324983
s17p01 | .0019041 .0003363 5.66 0.000 .0285158
traba | .0004114 .000039 10.55 0.000 .0562011
matsiemb | .018105 .0049723 3.64 0.000 .0181544
agroqui | .0044371 .0017136 2.59 0.010 .012946
tratores | .0202029 .0004187 48.26 0.000 .259569
cosechadora | .0045415 .0002253 20.16 0.000 .1033369
fumasper | .000902 .0004862 1.86 0.064 .0092838
zona_central | .0048446 .0002658 18.22 0.000 .0958736
zona_Oriental | .0003291 .0002736 1.20 0.229 .0063422
_cons | .013955 .005131 2.72 0.007 .
-------------------------------------------------------------------------------
.
dummies para indicar se o estabelecimento usa tratores e colhedoras (cosechadora) tem maior
peso para o rendimento e o menor peso é para a dummy de equipamento e a dummy de
fumigação (fumasper) e Zona Oriental (𝑧𝑜𝑛𝑎 𝑂𝑟𝑖𝑒𝑛𝑡𝑎𝑙). Como demonstrado na metodologia,
não pode-se estabelecer uma relação causal entre crédito e produtividade quando os dados
não correspondem a observações experimentais.
****************************************************
Algorithm to estimate the propensity score
****************************************************
------------------------------------------------------------------------------
credito | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
menos_35 | .2148237 .0466228 4.61 0.000 .1234448 .3062027
s17p01 | .408715 .0713372 5.73 0.000 .2688967 .5485333
ANEXO C. Implementação do Propensity Score Matching no Stata 155
******************************************************
Step 1: Identification of the optimal number of blocks
Use option detail if you want more detailed output
******************************************************
**********************************************************
Step 2: Test of balancing property of the propensity score
Use option detail if you want more detailed output
**********************************************************
Inferior |
of block | credito
of pscore | 0 1 | Total
-----------+----------------------+----------
ANEXO C. Implementação do Propensity Score Matching no Stata 156
.9 | 2 17 | 19
.95 | 31 1,083 | 1,114
.975 | 68 3,933 | 4,001
.9875 | 37 5,511 | 5,548
-----------+----------------------+----------
Total | 138 10,544 | 10,682
*******************************************
End of the algorithm to estimate the pscore
*******************************************
.
end of do-file
O pscore estima, primeiramente o modelo probit (por default) por máxima verosi-
milhança. O valor do PS estimado representa a probabilidade de participar do tratamento
(acesso ao crédito), condicionada às covariáveis (vetor X), que permite eliminar o problema
da dimensionalidade. A opção do comando 𝑝𝑠𝑐𝑜𝑟𝑒(𝑝𝑟𝑜𝑝𝑒𝑛𝑠𝑖𝑡𝑦 𝑠𝑐𝑜𝑟𝑒1) permite armazenar
na variável “𝑝𝑟𝑜𝑝𝑒𝑛𝑠𝑖𝑡𝑦_𝑠𝑐𝑜𝑟𝑒1” o valor estimado do escore de propensão.
No modelo tem-se que os tratados (crédito=1) correpondem a 98,71% do total da
amostra, e os controles correspondem a 1,29% da amostra total. A regressão probit foi es-
timada com 4 iterações e calculou-se a probabilidade do tratamento, dado o conjunto de
covariáveis 𝑋𝑖 . Todas as variáveis mostraram ser significativas no modelo probit, (com pelo
menos 10% de significância. E importante destacar que os coeficientes não podem ser in-
terpretados diretamente e nem tampouco sua magnitude. O objetivo do propensity score é
reduzir a dimensionalidade, por meio de um modelo probit.
Os resultados denominados Estimated propensity score descrevem os percentis, o in-
tervalo do suporte comum, a Variância, a assimetria (Skewness), e a curtose. Neste caso, o
percentil 50% do escore de propensão é igual a 0,9878598, o que significa que 50% das ob-
servações que pertecem ao suporte comum, tem um índice de probabilidade igual ou menor
a 0,9878598. Das 25% observações do suporte comum, têm-se um escore de propensão de
0,9809146. A estatística Skewness = -0,979007, é um coeficiente de assimetria que indica que
a distribuição do escores de propensão tem uma assimetria negativa, isto é, a concentração
da frequência (massa de dados) se encontra do lado direito da curva, indicando a presença
de escores de propensão com valores altos.
ANEXO C. Implementação do Propensity Score Matching no Stata 157
******************************************************
Step 1: Identification of the optimal number of blocks
Use option detail if you want more detailed output
******************************************************
**********************************************************
Step 2: Test of balancing property of the propensity score
Use option detail if you want more detailed output
**********************************************************
Inferior |
of block | credito
of pscore | 0 1 | Total
-----------+----------------------+----------
.9 | 2 17 | 19
.95 | 31 1,083 | 1,114
.975 | 68 3,933 | 4,001
.9875 | 37 5,511 | 5,548
-----------+----------------------+----------
Total | 138 10,544 | 10,682
*******************************************
End of the algorithm to estimate the pscore
*******************************************
.
Observa-se que, no caso tratado nesta dissertação, inicialmente havia uma amostra
total de 10.691 observações correspondentes aos indivíduos tratados e não tratados. Ao impor
a restrição de suporte comum este número é reduzido à 10.682 observações, ou seja, durante
a sobreposição (overlap) apenas nove observações são descartadas
ANEXO C. Implementação do Propensity Score Matching no Stata 159
à direita também ilustra outra forma de observar e verificar o suporte comum ou overlap
limitado a esse intervalo.
∙ Teste de Hosmer-Lemeshow
number of groups = 5
Hosmer-Lemeshow chi2(3) = 3.12
Prob > chi2 = 0.3730
.
end of do-file
Dos resultados acima, tem-se que o valor da estatística qui-quiadrado foi igual a 3,12
e p-valor de 0,3730. Portanto, não rejeita-se 𝐻0 , o que significa a especificação do modelo
é adequada, sugerindo uma relação linear entre os fatores confounders e as chances de ser
tratado.
Caso a hipótese nula seja rejeitada, deve-se fazer uma nova especificação. Para isso,
um modelo é especificado com termos quadráticos e termos de interação entre as covariáveis
a partir da seguinte sequência de comandos:
------------------------------------------------------------------------------
| Robust
credito | dF/dx Std. Err. z P>|z| x-bar [ 95% C.I. ]
---------+--------------------------------------------------------------------
propen~1 | .2524458 .3877995 0.65 0.514 .985152 -.507627 1.01252
menos_35*| .004258 .0036377 1.06 0.288 .201501 -.002872 .011388
s17p01*| .0076639 .0037334 1.58 0.114 .131394 .000347 .014981
traba | .0005322 .000635 0.83 0.405 3.19797 -.000712 .001777
matsiemb*| -.0046572 .010144 -0.38 0.706 .960239 -.024539 .015225
agroqui*| .0055666 .0219993 0.29 0.769 .974561 -.037551 .048684
tratores*| .0080849 .0033757 1.78 0.074 .093102 .001469 .014701
cosech~a*| .0037662 .003577 1.02 0.307 .395912 -.003245 .010777
fumasper*| .0030677 .0056196 0.59 0.557 .918758 -.007947 .014082
zona_c~l*| .0031687 .0034681 0.86 0.388 .248855 -.003629 .009966
z~iental*| -.0037302 .0051668 -0.77 0.441 .228696 -.013857 .006397
---------+--------------------------------------------------------------------
obs. P | .9851487
pred. P | .9876735 (at x-bar)
------------------------------------------------------------------------------
(*) dF/dx is for discrete change of dummy variable from 0 to 1
z and P>|z| correspond to the test of the underlying coefficient being 0
.
end
sum propensity_score1
satisfeita, indica que as covariáveis observadas dentro de cada bloco são balanceadas, isto é, os
grupos de controle e de tratamento não são estatisticamente diferentes, pois os escores médios
de propensão entre tratados e de controle não diferem. Isto permite encontrar e combinar um
contrafactual (um não partipante) idêntico a um participante (tratado), ou seja, “this implies
that differences in the output between treated and control units should only be attributed
to the effect of the treatment variable.”(CERULLI, 2015, p. 134)
Na etapa 4, a partir do comando psmatch2 desenvolvido por Leuven e Sianesi (2003) é
incorporar o escore de propensão estimado anteriormente e armazenado na variável 𝑝𝑟𝑜𝑝𝑒𝑛𝑠𝑖𝑡𝑦 𝑠𝑐𝑜𝑟𝑒1.
A implementação do comando psmatch2 no Stata permite fazer um balanceamento
das covariáveis pós-pareamento da amostra, para, a seguir, ser empregadas técnicas matching
para a construção do grupo de comparação ou contrafactual.
qui psmatch2 $tratamento if AF==1, outcome($my_outcome1) pscore(propensity_score1) n(5) common radius cal(0.001)
----------------------------------------------------------------------------------------
Variable Sample | Treated Controls Difference S.E. T-stat
----------------------------+-----------------------------------------------------------
lnrendimGB Unmatched | .050588989 .042042051 .008546938 .00218305 3.92
ATT | .050385453 .043041908 .007343545 .003101023 2.37
----------------------------+-----------------------------------------------------------
Note: S.E. does not take into account that the propensity score is estimated.
----------------------------------------------------------------------------------------
Unmatched | Mean %reduct | t-test | V(T)/
Variable Matched | Treated Control %bias |bias| | t p>|t| | V(C)
--------------------------+----------------------------------+---------------+----------
propensity_score1 U | .9865 .98048 61.5 | 7.36 0.000 | 0.75*
M | .98641 .98642 -0.1 99.9 | -0.06 0.952 | 1.01
| | |
----------------------------------------------------------------------------------------
ANEXO C. Implementação do Propensity Score Matching no Stata 165
* if variance ratio outside [0.96; 1.04] for U and [0.96; 1.04] for M
-----------------------------------------------------------------------------------
Sample | Ps R2 LR chi2 p>chi2 MeanBias MedBias B R %Var
-----------+-----------------------------------------------------------------------
Unmatched | 0.035 46.78 0.000 61.5 61.5 61.5* 0.75 100
Matched | 0.000 0.00 0.952 0.1 0.1 0.1 1.01 0
-----------------------------------------------------------------------------------
* if B>25%, R outside [0.5; 2]
.
end of do-file
----------------------------------------------------------------------------------------
Unmatched | Mean %reduct | t-test | V(T)/
Variable Matched | Treated Control %bias |bias| | t p>|t| | V(C)
--------------------------+----------------------------------+---------------+----------
menos_35 U | .18785 .144 11.8 | 1.25 0.212 | .
M | .18678 .19182 -1.4 88.5 | -0.87 0.385 | .
| | |
s17p01 U | .16352 .072 28.6 | 2.76 0.006 | .
M | .15697 .09142 20.5 28.4 | 13.49 0.000 | .
| | |
traba U | 3.7936 2.888 24.7 | 2.86 0.004 | 0.85*
M | 3.7227 4.8373 -30.5 -23.1 | -16.25 0.000 | 0.37*
| | |
matsiemb U | .99924 .992 10.9 | 2.75 0.006 | .
M | .99923 .99331 8.9 18.2 | 6.57 0.000 | .
| | |
agroqui U | .99631 .984 12.4 | 2.20 0.028 | .
M | .99671 .99847 -1.8 85.7 | -2.42 0.016 | .
| | |
tratores U | .17253 .064 34.1 | 3.20 0.001 | .
M | .16563 .14359 6.9 79.7 | 4.12 0.000 | .
| | |
cosechadora U | .42862 .272 33.2 | 3.52 0.000 | .
M | .4253 .36413 13.0 60.9 | 8.47 0.000 | .
| | |
fumasper U | .93123 .888 15.1 | 1.89 0.059 | .
M | .93116 .97786 -16.3 -8.0 | -15.23 0.000 | .
| | |
zona_central U | .24674 .192 13.2 | 1.41 0.158 | .
M | .24411 .31612 -17.4 -31.6 | -10.87 0.000 | .
| | |
zona_Oriental U | .25804 .376 -25.5 | -2.99 0.003 | .
ANEXO C. Implementação do Propensity Score Matching no Stata 167
-----------------------------------------------------------------------------------
Sample | Ps R2 LR chi2 p>chi2 MeanBias MedBias B R %Var
-----------+-----------------------------------------------------------------------
Unmatched | 0.040 52.67 0.000 21.0 19.9 65.6* 1.21 100
Matched | 0.045 1134.60 0.000 12.0 11.0 49.9* 1.39 100
-----------------------------------------------------------------------------------
* if B>25%, R outside [0.5; 2]
.
end of do-file
.
Como observado nos resultados acima, há variáveis não podem ser pareadas, pois
as médias das variáveis de condicionamente são significativamente diferentes entre os grupos
pareados e os grupos de comparação (𝑡𝑟𝑎𝑏𝑎, ou 𝑡𝑟𝑎𝑡𝑜𝑟𝑒𝑠 por exemplo) uma vez que é rejeitada
a hipótese nula 𝐻0 .
A análise também pode incluir a verificação do suporte comum e ver as observações
não pertencem à região de sobreposição utilizando o comando:
Figura 18 – Pareamentos dos Grupos no do Suporte Comum por Vizinho mais Próximo
gen match=_n1
replace match=_id if match==.
duplicates tag match, gen(dup)
qui twoway (kdensity _pscore if _treated==1) ///
(kdensity _pscore if _treated==0 & dup>0 [aw=_weight], ///
lpattern(dash)), ///
title("Escore de Propensao DEPOIS do pareamento (NNM)", size(Medium small)) ///
legend( label( 1 "Tratados") label( 2 "Controle" )) ///
xtitle("Valor do Pscore", size(small)) ytitle("Funcao de Densidade (kernel)", size(small)) ///
saving("C:\Users\afterNNM.gph", replace)
----------------------------------------------------------------------------------------
Variable Sample | Treated Controls Difference S.E. T-stat
----------------------------+-----------------------------------------------------------
lnrendimGB Unmatched | .050588989 .042042051 .008546938 .00218305 3.92
ANEXO C. Implementação do Propensity Score Matching no Stata 169
Dos resultados acima, tém-se que 9.150 estabelecimentos dentro da região de suporte
comum, sendo 125 estabelecimentos que não foram tratados e 9.025 tratados. Verifica-se que
179 indivíduos ficaram fora do suporte comum.
Para testar a qualidade do pareamento, novamente, é utilizado o comando pstest.
----------------------------------------------------------------------------------------
Unmatched | Mean %reduct | t-test | V(T)/
Variable Matched | Treated Control %bias |bias| | t p>|t| | V(C)
ANEXO C. Implementação do Propensity Score Matching no Stata 170
--------------------------+----------------------------------+---------------+----------
propensity_score1 U | .9865 .98048 61.5 | 7.36 0.000 | 0.75*
M | .9866 .98659 0.1 99.8 | 0.09 0.932 | 1.00
| | |
----------------------------------------------------------------------------------------
* if variance ratio outside [0.96; 1.04] for U and [0.96; 1.04] for M
-----------------------------------------------------------------------------------
Sample | Ps R2 LR chi2 p>chi2 MeanBias MedBias B R %Var
-----------+-----------------------------------------------------------------------
Unmatched | 0.035 46.78 0.000 61.5 61.5 61.5* 0.75 100
Matched | 0.000 0.01 0.932 0.1 0.1 0.1 1.00 0
-----------------------------------------------------------------------------------
* if B>25%, R outside [0.5; 2]
.
end of do-file
Depois do pareamento por radius, observa-se na Figura, que as médias dos escores
de propensão entre os tratados e os de comparação são semelhantes, resultados análogos aos
obtidos pelo algoritmo de vizinhos mais próximos.
----------------------------------------------------------------------------------------
Variable Sample | Treated Controls Difference S.E. T-stat
----------------------------+-----------------------------------------------------------
lnrendimGB Unmatched | .050588989 .042042051 .008546938 .00218305 3.92
ATT | .050385453 .042106807 .008278646 .001778601 4.65
----------------------------+-----------------------------------------------------------
Note: S.E. does not take into account that the propensity score is estimated.
-----------+----------------------+----------
Untreated | 0 125 | 125
Treated | 81 9,123 | 9,204
-----------+----------------------+----------
Total | 81 9,248 | 9,329
.
end of do-file
----------------------------------------------------------------------------------------
Unmatched | Mean %reduct | t-test | V(T)/
Variable Matched | Treated Control %bias |bias| | t p>|t| | V(C)
--------------------------+----------------------------------+---------------+----------
propensity_score1 U | .9865 .98048 61.5 | 7.36 0.000 | 0.75*
M | .98641 .98074 57.9 5.8 | 39.77 0.000 | 0.77*
| | |
----------------------------------------------------------------------------------------
* if variance ratio outside [0.96; 1.04] for U and [0.96; 1.04] for M
ANEXO C. Implementação do Propensity Score Matching no Stata 173
-----------------------------------------------------------------------------------
Sample | Ps R2 LR chi2 p>chi2 MeanBias MedBias B R %Var
-----------+-----------------------------------------------------------------------
Unmatched | 0.035 46.78 0.000 61.5 61.5 61.5* 0.75 100
Matched | 0.060 1517.04 0.000 57.9 57.9 58.9* 0.77 100
-----------------------------------------------------------------------------------
* if B>25%, R outside [0.5; 2]
.
end
saving(after_kernel.gph, replace)
A partir dos resultados do Passo 5, sobre o pareamento por vizinho mais próximo,
tem-se:
----------------------------------------------------------------------------------------
Variable Sample | Treated Controls Difference S.E. T-stat
----------------------------+-----------------------------------------------------------
lnrendimGB Unmatched | .050588989 .042042051 .008546938 .00218305 3.92
ATT | .050385453 .043041908 .007343545 .003101023 2.37
----------------------------+-----------------------------------------------------------
Note: S.E. does not take into account that the propensity score is estimated.
Nos resultados acima1 , analisa-se os grupos pré e pós pareamento considerando a pro-
babilidade dos estabelecimentos terem tido acesso ao crédito. Nessa região de suporte comum
pós-pareamento, 81 observações excluídas, pois não estavam equilibradas com os escores de
propensão, e 9.248 observações compõem o suporte comum, dado que estão equilibradas.
O efeito médio do tratamento nos tratados (diferença=0,007343545) indica que, em
média, existe um impacto positivo e estatisticamente significativo, a um nível de significân-
cia de 5%, com uma estatística t = 2,37. Isto reflete que, os estabelecimentos que tiveram
acesso ao crédito, tiveram um impacto positivo sobre o nível de produtividade das unidades
produtivas agrícolas familiares. Os valores estimados, são similares aos não pareados.
Esse efeito, pode ser estimado diretamento pelo comando:
display(exp(.007343545)-1)*100
.7370575
------------------------------------------------------------------------------
| Observed Bootstrap Normal-based
| Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
_bs_1 | .0073435 .0032077 2.29 0.022 .0010565 .0136306
------------------------------------------------------------------------------
.
end of do-file
----------------------------------------------------------------------------------------
Variable Sample | Treated Controls Difference S.E. T-stat
----------------------------+-----------------------------------------------------------
lnrendimGB Unmatched | .050588989 .042042051 .008546938 .00218305 3.92
ATT | .050482575 .042787189 .007695387 .002232445 3.45
----------------------------+-----------------------------------------------------------
Note: S.E. does not take into account that the propensity score is estimated.
-----------+----------------------+----------
Untreated | 0 125 | 125
Treated | 179 9,025 | 9,204
-----------+----------------------+----------
Total | 179 9,150 | 9,329
.
end of do-file
De forma similar, o impacto do crédito foi positivo para estabelecimentos agrícolas que
tiveram acesso (tratados), com uma magnitude de 0,77250726%. A diferença entre tratados
e não tratados foi estatisticamente signifitiva a menos de 0,1%.
Aplicando o método bootstraping para a correção na variância, tem-se:
bootstrap r(att): psmatch2 $tratamento if AF==1, outcome($my_outcome1) pscore(propensity_score1) radius caliper(0.001) com
------------------------------------------------------------------------------
| Observed Bootstrap Normal-based
| Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
_bs_1 | .0076954 .0022692 3.39 0.001 .0032479 .0121429
------------------------------------------------------------------------------
.
end of do-file
----------------------------------------------------------------------------------------
Variable Sample | Treated Controls Difference S.E. T-stat
----------------------------+-----------------------------------------------------------
ANEXO C. Implementação do Propensity Score Matching no Stata 178
bootstrap r(att): psmatch2 $tratamento if AF==1, outcome($my_outcome1) pscore(propensity_score1) kernel kernel(normal) commo
------------------------------------------------------------------------------
| Observed Bootstrap Normal-based
| Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
_bs_1 | .0082786 .0017508 4.73 0.000 .0048472 .0117101
------------------------------------------------------------------------------
.
end of do-file
.
end of do-file