Aguilar BalmoreAlirioCruz M

UNIVERSIDADE ESTADUAL DE CAMPINAS
INSTITUTO DE ECONOMIA
BALMORE ALIRIO CRUZ AGUILAR
Agricultura Familiar em El Salvador: Caracterização e

Análise do Impacto do Crédito
Campinas
2019

Profa. Dra. Rosângela Ballini – orientadora
Dissertação de Mestrado apresentada ao Programa de Pós-Graduação em Desenvolvimento

Econômico do Instituto de Economia da Universidade Estadual de Campinas para obtenção
do título de Mestre em Desenvolvimento Econômico, área de Economia Agrícola e do Meio
Ambiente.
ESTE EXEMPLAR CORRESPONDE À VERSÃO FINAL

DA DISSERTAÇÃO DEFENDIDA PELO ALUNO
BALMORE ALIRIO CRUZ AGUILAR, ORIENTADA
PELA PROFA. DRA. ROSÂNGELA BALLINI.
Campinas
2019
Ficha catalográfica
Universidade Estadual de Campinas
Biblioteca do Instituto de Economia
Mirian Clavico Alves - CRB 8/8708
Aguilar, Balmore Alirio Cruz, 1989-

Ag93a AguAgricultura familiar em El Salvador : caracterização e análise do impacto do
crédito / Balmore Alirio Cruz Aguilar. – Campinas, SP : [s.n.], 2019.
AguOrientador: Rosângela Ballini.

AguDissertação (mestrado) – Universidade Estadual de Campinas, Instituto de
Economia.
Agu1. Agricultura familiar. 2. Créditos. 3. Produtividade. I. Ballini, Rosângela,

1969-. II. Universidade Estadual de Campinas. Instituto de Economia. III. Título.
Informações para Biblioteca Digital
Título em outro idioma: Family Agriculture in El Salvador : characterization and analysis of

the impacto of credit
Palavras-chave em inglês:
Family agriculture
Credit
Produtivity
Área de concentração: Desenvolvimento Econômico, Espaço e Meio Ambiente
Titulação: Mestre em Desenvolvimento Econômico
Banca examinadora:
Rosângela Ballini [Orientador]
Rodrigo Lanna Franco da Silveira
Jose Marangoni Camargo
Data de defesa: 22-02-2019
Programa de Pós-Graduação: Desenvolvimento Econômico
Identificação e informações acadêmicas do(a) aluno(a)

- ORCID do autor: https://orcid.org/0000-0001-7505-073X
- Currículo Lattes do autor: http://lattes.cnpq.br/9218320991154026
Powered by TCPDF (www.tcpdf.org)


Profa. Dra. Rosângela Ballini – orientadora
Defendida em 22/02/2019
COMISSÃO JULGADORA
Profa. Dra. Rosângela Ballini - PRESIDENTA

Universidade Estadual de Campinas (UNICAMP)
Prof. Dr. Rodrigo Lanna Franco da Silveira

Universidade Estadual de Campinas (UNICAMP)
Prof. Dr. Jose Marangoni Camargo

Universidade Estadual Paulista “Júlio de Mesquita Filho” (UNESP)
A Ata de Defesa, assinada pelos membros da
Comissão Examinadora, consta no processo de
vida acadêmica do aluno.
Dedico esta Dissertação a minha família, amigos e professores, em especial, a Henrique C.
Kawamura e Marcela N. Ferrario que acreditaram no meu potencial durante a graduação,
contribuindo para a realização deste sonho.
Agradecimentos
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.
Palavras-chaves: Agricultura Familiar; Crédito; Produtividade; Propensity Score Matching.

Abstract
The objective of this dissertation is to characterize family agriculture and evaluate the impact
of access to credit for family productive units in El Salvador. The database of the Fourth
Agricultural Census 2007-2008 of El Salvador corresponding to family establishments is used.
The methodological procedure consists of the delimitation of a basis for analyzing family
farming, considering the criteria addressed in the literature and the classification based on
a univariate analysis. Next, to analyze the impact of access to credit on the productivity of
land and labor for the basic grains of the family productive units, we use the Propensity
Score Matching and the matching techniques by nearest neighbor, Radius and Kernel. The
results suggest that family farming contributes 72.64% of the production of basic grains and
37% of total production. Family farms produce with low productivity when compared to
non-family agriculture, they are characterized by lack of conditions and economic fragility,
due to low technical assistance, low marketing channels and low level of technology, which
makes it difficult to train capital and the acquisition of knowledge for the development of
the rural and agricultural sector. On the other hand, there was evidence that the impact
of access to credit was positive on the productivity of the family productive units, however,
the effect was small and differentiated between the types of FA, with a different magnitude
between subsistence family agriculture and commercial family farming.
Keywords: Family agriculture; Credit; Productivity; Propensity Score Matching.

Resumen
El objetivo de esta disertación es caracterizar la agricultura familiar y evaluar el impacto del
acceso al crédito de las unidades productivas familiares en El Salvador. Se utiliza la base de
datos del IV Censo Agropecuario 2007-2008 de El Salvador correspondiente a establecimien-
tos familiares. El procedimiento metodológico consiste en la delimitación de una base para
analizar la agricultura familiar, considerando los criterios abordados en la literatura y la tipi-
ficación a partir de un análisis univariado. En seguida, para analizar el impacto del acceso al
crédito sobre la productividad de la tierra y del trabajo para los granos básicos de las unidades
productivas familiares, se utiliza el Propensity Score Matching y las técnicas de pareamiento
por vecino más cercano, Radius y Kernel. Los resultados apuntan que la agricultura familiar
contribuye con el 72,64 % de la producción de granos básicos y el 37 % en la producción
total. Los establecimientos familiares producen con baja productividad si se comparan con
la agricultura no familiar, se caracterizan por estar bajo condiciones de carencia y fragilidad
económica, debido a la baja asistencia técnica, bajos canales de comercialización y bajo nivel
tecnológico, lo que dificulta su formación de capital y la adquisición de conocimientos para el
desarrollo del sector rural y agrícola. Por otro lado, se encontró evidencia que el impacto del
acceso al crédito fue positivo sobre la productividad de las unidades productivas familiares,
no obstante, el efecto fue equeño y diferenciado entre los tipos de AF, con una magnitud
diferente entre los establecimientos de subsistencia y los comerciales.
Palabras clave: Agricultura Familiar; Crédito; Productividad; Propensity Score Matching
“The difficulty lies, not in the new ideas, but in escaping from the old ones (...) ”
(John Maynard Keynes
in The General Theory of Employment, Interest, and Money - 1935)
Lista de ilustrações
Figura 1 – Crescimento do PIB (a preços constantes de 1990) . . . . . . . . . . . . . 24

Figura 2 – setor agropecuário como proporção do PIB (a preços constantes de 1990) 25
Figura 3 – Evolução da Estrutura agropécuaria de El Salvador . . . . . . . . . . . . 25
Figura 4 – Histograma e Ogiva sobre a Distribuição da Produtividade da Terra para
a AFS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
Figura 5 – Histograma e Ogiva sobre a distribuição da produtividade da terra da AFC. 46
Figura 6 – Distribuição geográfica dos estabelecimentos familiares. . . . . . . . . . . 49
Figura 7 – Concentração da Agricultura Familiar por departamento 2007-2008 . . . 50
Figura 8 – Distribuição da Terra em El Salvador. . . . . . . . . . . . . . . . . . . . 60
Figura 9 – Suporte Comum para a Distribuição dos Escores de Propensão Estimados 91
Figura 10 – Qualidade do Pareamento dos Escores de Propensão antes e Depois do
Pareamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
Figura 11 – Pareamento dos Escores de Propensão - Modelo 1 . . . . . . . . . . . . . 108
Figura 17 – Suporte Comum para a Distribuição dos Escores de Propensão Estimados 159
Figura 18 – Pareamentos dos Grupos no do Suporte Comum por Vizinho mais Próximo 167
Figura 19 – Escores de Propensão Antes e Depois do Pareamento por Vizinho Próximo 168
Figura 20 – Pareamentos dos Grupos dentro do Suporte Comum por Radius . . . . . 170
Figura 21 – Escores de Propensão Antes e Depois do Pareamento por Radius . . . . 171
Figura 22 – Pareamentos dos Grupos dentro do Suporte Comum por Kernel . . . . . 173
Figura 23 – Escores de propensão Antes e Depois do Pareamento por Kernel . . . . . 174
Lista de tabelas
Tabela 1 – Bases de dados e variáveis do IV Censo Agropecuário 2007-2008 a serem

utilizadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Tabela 2 – Relação entre Tipo de Produtor e Categoria do Estabelecimento segundo
o IV Censo Agropecuário . . . . . . . . . . . . . . . . . . . . . . . . . . 41
Tabela 3 – Características Principais da Agricultura Familiar de Subsistência (AFS) 43
Tabela 4 – Estrutura Agropecuária de El Salvador . . . . . . . . . . . . . . . . . . . 48
Tabela 5 – Agricultura Não Familiar (ANF) e Agricultura Familiar (AF) . . . . . . 48
Tabela 6 – Quadro Resumo da Produção da Estrutura Agrícola . . . . . . . . . . . 51
Tabela 7 – Estrutura agropecuária: Atividades Diversas . . . . . . . . . . . . . . . . 52
Tabela 8 – Frutas, Grãos Básicos, Hortaliças e Vegetais . . . . . . . . . . . . . . . . 53
Tabela 9 – Agroindustriais Anuais e Agroindústrias Permanentes e Semipermanente 54
Tabela 10 – Estrutura Agrícola por Tipo de Cultivos . . . . . . . . . . . . . . . . . . 56
Tabela 11 – Desempenho Agrícola por Tipo de Agricultura . . . . . . . . . . . . . . . 56
Tabela 12 – Desempenho Agrícola para Tipo de Estabelecimento . . . . . . . . . . . 58
Tabela 13 – Distribuição da Superfície Total por Tipos de Cultivos . . . . . . . . . . 61
Tabela 14 – Distribuição da Superfície por Tipo de Agricultura . . . . . . . . . . . . 61
Tabela 15 – Posse da Terra por Tipo de Agricultura . . . . . . . . . . . . . . . . . . 62
Tabela 16 – Condição Jurídica, Gênero e Tipo de Organização da AF . . . . . . . . . 62
Tabela 17 – Utilização de Insumos para Atividades da AF e ANF . . . . . . . . . . . 63
Tabela 18 – Práticas Agrícolas para as Atividades da AF e ANF . . . . . . . . . . . 64
Tabela 19 – Assistência Técnica para AF e ANF . . . . . . . . . . . . . . . . . . . . 64
Tabela 20 – Utilização de Maquinários, Ferramentas, Equipamentos e Instalações da
AF e ANF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
Tabela 21 – Utilização de Máquinas, Ferramentas, Equipamentos e Instalações por
Tipo de Atividade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
Tabela 22 – Utilização de Canais de Comercialização . . . . . . . . . . . . . . . . . . 67
Tabela 23 – Demanda de Trabalho Temporário e Permanente da AF e a ANF . . . . 68
Tabela 24 – Acesso ao Financiamento da AF e ANF . . . . . . . . . . . . . . . . . . 69
Tabela 25 – Fonte e Destino de Financiamento da AF e ANF . . . . . . . . . . . . . 70
Tabela 26 – Seleção dos Dados a Serem Utilizados para a Pesquisa . . . . . . . . . . 101
Tabela 27 – Dados da Pesquisa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
Tabela 28 – Descrição das Variáveis Utilizadas . . . . . . . . . . . . . . . . . . . . . . 103
Tabela 29 – Estatísticas Descritivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
Tabela 30 – Efeito marginal do crédito como determinante do aumento da produtivi-
dade da terra e do trabalho para grãos básicos . . . . . . . . . . . . . . . 105
Tabela 31 – Escores de Propensão . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
Tabela 32 – Pareamento dos Escores de Propensão 𝑝𝑠(𝑥) - Modelo 1 . . . . . . . . . 107
Tabela 38 – Efeito do Crédito sobre a Produtividade (para grãos básicos) da Terra da
Agricultura Familiar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
Tabela 39 – Efeitos do Crédito sobre a Produtividade do Trabalho da Agricultura Fa-
miliar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
Tabela 40 – Distribuição e Produção de Grãos Básicos da AF . . . . . . . . . . . . . 131
Tabela 41 – Características Gerais de El Salvador 2005-2017 . . . . . . . . . . . . . . 132
Tabela 42 – Mercado de Trabalho em El Salvador . . . . . . . . . . . . . . . . . . . . 133
Tabela 43 – Efeitos Marginais dos Determinantes do Rendimento das Unidades Pro-
dutivas Agrícolas na Categoria de Agricultura Familiar em El Salvador . 135
Tabela 44 – Covariáveis Utilizadas para Calcular os Escores de Propensão . . . . . . 136
Sumário
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
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
El Salvador, é o país mais pequeno na região centroamericana, com uma extensão

territorial de 21,041 𝑘𝑚2 , uma população de 6.377.853 em 2017, segundo o Banco Mundial
(2018). Conforme o “Informe Analítico de Comercio Exterior de El Salvador, Enero de 2019”
do Banco Central de Reserva de El Salvador (BCR) (2019), o principal setor exportador da
economia salvadorenha é pautado no setor manufatureiro industrial (produto textil e confec-
ções, produtos alimenticios, fabricação de produtos plástico e papel, etc), que compõe o 96%
do total das exportações. Os produtos agrícolas de maior relevancia são para a agroexportação
da cana de açucar e o café.
Segundo o Banco Mundial (2018), dois terços do crescimento econômico observado,
foi impulsionado pelos setores da agricultura, pecuária, silvicultura, pesca, o setor manufatu-
reiro e mineiro e, o turismo e serviços. O crescimento econômico dos últimos anos, tem sido
modesto, em torno dos 2% nos últimos anos, refletindo-se no nível de pobreza rural e no alto
índice da pobreza relativa rural (Tabela 41), nas altas taxas da sub-utilização laboral (de-
semprego e subemprego, Tabela 42), e na alta dependência das remesas advidas das familias
que moram no exterior.
O setor agropecuário do país, nos últimos anos, apresentou uma tendência decrescente
como consequência das mudanças estruturais recentes, da pauta exportadora baseada na
dinâmica da indústria manufatureira, dos diferentes investimentos estrangeiros direcionados
a outros setores, dos poucos incentivos ao setor e, da atual estrutura produtiva agrícola
baseada em unidades produtivas de subsistência. A estrutura produtiva do setor agrícola, é
conformada predominantemente por pequenas unidades agrícolas familiares, cuja produção
agrícola é voltada para a subsistência, e em menor proporção, voltadas para o comercio local
e externo. De acordo com a Representación de la FAO en El Salvador (2011), os pequenos
produtores agrícolas familiares, utilizam a terra praticamente para o cultivo de grãos básicos,
contribuindo com 2% ao PIB do país e 28% do PIB agropecuário.
A motivação desta pesquisa, advêm da necessidade de conhecer algumas potenciali-
dades e fraquezas desde grupo de produtores, e sobretudo, da importância que este setor
representa para a economia salvadorenha. De fato, o setor rural é o espaço que apresenta
maior vulnerabilidade econômica e maior risco social. Não só pela elevada concentração de
pobreza verificada, mas também, porque as familias rurais agrícolas, contribuem de forma
significativa na produção nacional de grãos básicos (aproximadamente dois terços) e fornecem
mais de um terço da produção total. São identificadas cinco frentes de contribuição da AF:
Capítulo 1. Introdução 18
(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
AF. Os agricultores comerciais familiares, são identificados em termos do tipo de organização

dos estabelecimentos (gestão pelo produtor chefe de família) e pelo acesso a fatores produtivos
(superfície) conforme a literatura.
Uma vez delimitado este universo, se procede à estratificação da AF comercial e
de subsistência, em função da capacidade produtiva dos estabelecimentos, tomando como
base o nível de produtividade da terra, utilizando assim, a análise univariada. A estratifi-
cação/tipificação por meio da análise univariada permitira clasificar o universo da AF em
termos de produtividade, permitindo observar em certa forma, as diferenças de rendimento.
As limitações dos dados do censo, não permitem fazer uma tipificação mais robusta - em
termos de rentabilidade, por exemplo -, limitação que também extrapola a análise.
Esta delimitação e tipificação são apresentadas no Capítulo 2, o qual é organizado
em seis seções. A primeira (Seção 2.1) apresenta uma breve descrição dos processos de trans-
formação econômica da região da América Central para, a seguir, apresentar os aspectos do
setor agropecuário e da estrutura agrária de El Salvador. A Seção 2.2 expõe a AF desde a
perspectiva do “Plan de Agricultura Familiar y Emprendedurismo Rural para la Seguridad
Alimentaria Nutricional(PAF) 2011-2014 ”. A Seção 2.3, apresenta as evidências empíricas
sobre critérios de delimitação da Agricultura Familiar e como proceder para a construção
tipológica da AF.
Em seguida, a metodologia é apresentada na Seção 2.4, na qual são descritas as bases
de dados e as variáveis para a delimitação e posterior estrataficação da AF. A tipificação,
se realizará tomando como base as considerações teóricas expostas na Seção 2.3. Na Seção
(2.5) são apresentados os resultados da Agricultura Familiar de Subsistência e da Agricultura
Familiar Comercial e se analisa o desempenho produtivo entre Agricultura Familiar (AF) e
Agricultura Não Familiar (ANF). Na Seção 2.6 são apresentadas as considerações finais e
alguns comentários.
A avaliação do impacto do crédito sobre o rendimento das unidades produtivas famili-
ares é discutida no Capítulo 3. Para atingir tal objetivo é utilizado o IV Censo Agropecuário
2007-2008 de El Salvador e a delimitação da AF construida no Capitulo 2. O crédito anali-
sado considera as instituições formais e canais informais de financiamento1 e, é analisado o
impacto do crédito sobre a produtividade da terra e do trabalho destes agentes produtivos.
A partir dos resultados, trata-se de inferir a necessidade ou não, de um programa de crédito
rural específico orientado para a Agricultura Familiar. Portanto, os estabelecimentos serão
divididos em dois grupos: um de tratamento, ou seja, se recebeu algum tipo de crédito e outro
de controle caso não tenha recebido. O contrafactual para o grupo tratamento será estimado
1
Variável dummy que indica se o estabelecimento teve acesso a crédito ou não, independente da instituição
que forneceu o empréstimo.
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 Agricultura Familiar em El Salvador: Delimi-

tação e proposta tipológica para a Agricul-
tura Familiar (AF)
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
, 2010), resultou na vulnerabilidade socioeconômica dos territórios rurais. Isto se traduz na

falta de oportunidades e insatisfação de necessidades básicas da população rural e escassa
qualificação dos recursos humanos.
Os investimentos públicos têm melhorado a maioria dos espaços urbanos, porém, não
tem sido sustentáveis no tempo para os territórios rurais. A estrutura produtiva salvadorenha,
ainda conjuga espaços rurais pobres, insegurança, infraestrutura inadequada, falta de recur-
sos produtivos e serviços básicos, a dependencia das remesas familiares dos salvadorenhos
residentes nos Estados Unidos1 . Neste último ponto, se destaca que no ano 2000, segundo
Centro de Estudios Monetarios Latinoamericanos (CEMLA) (2009), as remessas representa-
ram 13,3% do PIB, e em 2006, 18,6%. Em 2018 o Banco Central de Reserva de El Salvador
(BCR) (2018) estimou a tendência crescente entre 2011 e 2018 de 8,2% a 10,3%. Esta fra-
gilidade, resulta em baixo dinamismo econômico, fuga de mão de obra qualifica e migrações
masiças.
Por outro lado, a reestruturação produtiva a partir dos anos noventa melhorou a
produção, a diversificação e o crescimento agroexportador. Mas este processo tem sido exclu-
dente, uma vez que a distribuição da renda é desigual e não ampliou oportunidades no setor
rural. Ademais, a implementação de políticas econômicas restritivas para o setor agropecuário
resultaram em um baixo investimento produtivo, social e tecnológico desde os anos 1980. De
forma geral, a agricultura sofreu um processo de tecnificação e agroindustrialização desigual
na inserção do comércio internacional e, em particular, da inserção dos espaços rurais.
A globalização financeira também teve um impacto sobre a economia nacional e as
condições socioeconômicas referentes à remuneração dos fatores produtivos e, à distribuição
da renda nos espaços rurais e agrícolas. A transformação estrutural interna se viu afetada pe-
los processos mencionados anteriormente. A estrutura agrária por exemplo, segundo Consejo
Agropecuario Centroamericano (CAC) (2010), ainda está baseado na concentração de recur-
sos e distribuição desigual da terra, e sua apropriação especulativa e improdutiva trouxeram
estagnação na agricultura e uma persistente pobreza rural.
Ademais a transformação produtiva da economia rural não trouxe necessariamente
um aumento sustentável do investimento agropecuário, o que levou à inércia da estrutura
sócio-produtiva da região, figurada na baixa produtividade laboral e uma “subvalorização do
rural” (Consejo Agropecuario Centroamericano (CAC) , 2010), o que se refletiu na persis-
tência do desemprego, subemprego e do emprego informal rural ou auto-emprego, associado
a uma baixa remuneração da força de trabalho rural. Por outro lado, a baixa produtividade
dos pequenos estabelecimentos, como a agricultura familiar “camponesa”, gerou uma baixa
1
Migraram como consequência do conflito armado (1980-1992).
Familiar (AF) 23
rentabilidade às famílias, com rendimentos estagnados, já que segundo Consejo Agropecua-

rio Centroamericano (CAC) (2010) a renda laboral rural média é a mais baixa de todos os
setores produtivos.
No campo político-institucional, as zonas rurais sofrem de estruturas institucionais
débeis, o que acentua as desigualdades socioeconômicas na região pela falta de investimento
público e de investimentos produtivos para esta região, pois o poder de decisão sempre tem se
concentrado nas grandes cidades. O Consejo Agropecuario Centroamericano (CAC) (2010)
aponta que este processo tem empobrecido, debilitado e fragmentado à Agricultura Fami-
liar, assim como também os tecidos sociais, provocando vulnerabilidade frente aos desastres
naturais, emigração da população em idade produtividade e falta de oportunidades para a
inclusão da juventude e mulheres rurais. Como sugere o Consejo Agropecuario Centroame-
ricano (CAC) (2010), precisa-se de uma “nova institucionalidade, aberta e articulada” que
integre o público à sociedade civil e estes, por sua vez, a atores relevantes como governos
locais, e organizações não governamentais, que visem um modelo econômico sustentável.
2.1.2 Aspectos do setor agropecuário de El Salvador

Uma particularidade da economia salvadorenha é que a dolarização adotada a partir de
2001 criou uma dependência dinâmica com a economia norte-americana, o que causou efeitos
imediatos. Isto coincidiu com uma primeira fase da economia da região da América Central,
na que Tijerino (2010) relacionou com a crise das empresas de internet e dos atentados
terroristas do 11 de setembro de 2001 nos Estados Unidos, o que teve impacto sobre o
desempenho da produção mundial e da região. Uma segunda fase também se deu a partir da
relação a importantes fluxos de capitais privados entre 2004-2007, que foi acompanhada pela
economia internacional.
Entre os anos 2006-2007 houve um incremento nos preços dos alimentos e do petróleo,
que por sua vez gerou um aumento na demanda global por estas commodities nos mercados
mundiais, em parte como consequência da expansão da economia chinesa e indiana, que
acabou com uma desaceleração muito acentuada a partir de 2008 (MORA; CODÍNEZ, 2013;
TIJERINO, 2010). Segundo Mora e Codínez (2013), a região da América Central sofreu
os efeitos via pressões inflacionárias que arriscaram o acesso a alimentos e serviços básicos
dos setores de rendas baixas. El Salvador e a região da América Central também entraram
em uma terceira fase, que foi recessiva, relacionada com a crise financeira internacional de
2008-2009.
Conforme Figura 1 observa-se que, a partir de 2007, os níveis de crescimento médio
tiveram uma tendência decrescente com um impacto negativo em El Salvador em 2009, que
Familiar (AF) 24
afetou, principalmente, o IED, as remessas provenientes dos Estados Unidos, e o dinamismo

turístico.
Figura 1 – Crescimento do PIB (a preços constantes de 1990)
Fonte: Elaboração própria com base nos dados do Banco Central de Reserva de El Salvador
(BCR)
As médias de crescimento, conforme a mesma Figura, entre 2010-2011, reportam um

período de recuperação da economia salvadorenha, após este periodo, houve uma queda até
20142 e um pequeno aumento depois desse ano. Segundo Mora e Meneses (2016), o setor
primário da economia no período 2004-2008 teve um crescimento de 5% e em 2010-2013
um crescimento de 0,9%. Durante este último período também houve um estagnamento do
crescimento médio do valor agregado da agricultura, da indústria e do setor de construção.
Segundo Mora e Codínez (2013), a inserção de El Salvador na economia internacional é
baseada em um baixo conteúdo tecnológico, baseado na agroexportação e na indústria têxtil,
uma intensiva migração e fluxos de remessas, com pouca capacidade de IED, volume baixo de
exportações e agroexportações e com um forte peso para o mercado regional, resultando em
baixos indicadores econômicos e sociais. Com a ressalva que o país realizou esforços para se
constituir em um centro logístico de transporte, de comunicações e finanças para a América
Central.
No plano do crescimento do setor agropecuário, a evolução deste setor desde 2000
oscila entre 11% e 12% como proporção do PIB conforme Figura 2. Em 2003 houve um
2
Nas Figuras 1 e 2, os anos 2014(p), 2015(p) e 2016(p) referem-se às cifras preliminares, ou seja, são dados
sujeitos a revisão até um periodo de três anos. Essas cifras se publicam em março de cada ano e correspondem
ao último período econômico (ano anterior) estimado.
Familiar (AF) 25
crescimento do setor até os anos 2010. A partir desse ano, o setor apresentou uma tendência
decrescente.
Figura 2 – setor agropecuário como proporção do PIB (a preços constantes de 1990)
(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.
2.1.3 Estrutura agrária

Segundo Pérez (2010) a estrutura agrária salvadorenha passou por dois momentos
históricos importantes: o primeiro foi a reforma liberal (“modelo econômico liberal”) de 1880,
“que expropriou as terras comunais a camponeses e indígenas e deu forma a um setor rural
das explorações agrícolas de monocultivos, cujo produto se destinaria à exportação”(p. 08).
O segundo se dá 100 anos depois, na crise do modelo exportador (modelo econômico de
Importação via Substituição de Importações (ISI)) e o início da guerra civil salvadorenha
em 1980. Doze anos depois, ocorreu o fim da guerra com os Acordos de Paz em 1992 e com
Familiar (AF) 26
Figura 3 – Evolução da Estrutura agropécuaria de El Salvador
(BCR)
a implementação de um modelo econômico neoliberal que descuidou do setor agropecuário

pela falta de apoio técnico e financeiro que o tornou menos rentável.
No período dos anos 1980, a reforma agrária de El Salvador se alinhou a projetos que
visavam o desenvolvimento econômico da América Latina, ao considerar-se que as estruturas
rurais e agrárias eram economicamente ineficientes. A reforma, também surgiu pela pressão
social por parte dos camponeses descontentes pelas injustiças sociais dos governos. Em 1980
foram promulgados os Decretos Executivos 153, 154, e 207 (Decreto Ejecutivo 153, 1980;
Decreto Ejecutivo 154, 1980; Decreto Ejecutivo 207, 1980) vigentes até hoje. As proposições
fundamentais desta Lei Básica da Reforma Agrária expõem que, a exploração ou estabeleci-
mento, tenha um mínimo de produção e produtividade de acordo com o nível médio nacional,
tomando em conta a conservação do espaço agrícola. As terras afetadas foram aquelas que
excediam os 100 hectares em imóveis com qualidade de terra classificadas por tipos de I a
IV e, terras com 150 hectares em qualidade de terra do tipo V a VII. O processo da reforma
agraria se deu em três fases.
A primeira fase, “afetou as propriedades maiores de 500 hectares” sob a posse de
um só dono, que atingiu 15% da produção agropecuária do país. A segunda fase afetou as
terras compreendidas entre 100 a 500 hectáres segundo a qualidade do solo. Porém, em 1982
“esta lei se suprimiu sem haver-se iniciado”(FLORES, 1998, p. 136–141) e se estipulou um
Familiar (AF) 27
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
Familiar (AF) 28
não queriam mudanças se propôs a alternativa de Cooperativas de Serviços Múltiplos ou de

Cooperativas Coletivas.
De forma geral, os entraves dos anos 1980-1990 se deviam por um lado, as pequenas
propriedades que estavam em condições vulneráveis, devido primeiramente à guerra, e após
pela falta de assistência técnica e financiamento, o que obrigava mulheres e idosos a arrendar
as suas terras para obter uma renda mínima. Com o decreto 207 referente à terceira fase da
reforma agrária, aplicado a qualquer propriedade arrendada e a qualquer tipo de tamanho,
atingiu estes pequenos proprietários, evidenciando uma diminuição ainda maior das pequenas
propriedades, em vista do dilema das zonas rurais agrícolas.
O problema dos anos 90 foi que, durante a transferência das terras, houve beneficiários
que vendiam suas terras o que levaria a uma nova concentração das terras em El Salvador.
Nos anos 2000, houve limitação ao acesso à terra devido à especulação no mercado de terras,
a dolarização vigente no país desde 2001 e a importância das remessas, a urbanização e
os projetos turísticos impulsionados pelo IED. O problema mais recente exposto por Pérez
(2010) é que até o ano de 2010 ainda existiam mais de 100 mil casos com problemas de
titulação de parcelas, o que gera insegurança jurídica e dificuldades para que os camponeses
tenham acesso a crédito para a produção.
Destaca-se que a reforma agrária é um mecanismo de distribuição e redistribuição
da terra no setor agropecuário que tenta gerar mudanças que afetam de forma positiva a
produção agrícola do país. É fato que uma estrutura agrária baseada, principalmente, em
minifúndio-latifúndio é insustentável, uma vez que os pequenos produtores contribuem de
forma significativa para a produção e a segurança alimentar do país.
2.1.4 Mercado de trabalho e pobreza

Em 2008, 40% das famílias estava em condições de pobreza, na qual 49% se concen-
trava na zona rural, 17,5% estava na categoria de pobreza absoluta, e 31,5% em pobreza
relativa e, em 2007, as porcentagens foram próximas. A escolaridade média também é muito
baixa no país, com média de 4 anos de estudo para a zona rural, e 7 para a zona urbana para
esses anos. Recentemente a pobreza ronda 30% das famílias, com maior concentração nas
zonas rurais. Nos últimos anos, a média de anos de estudo aumentou para 5 na zona rural e
8 anos de estudo para a zona urbana3 (Tabela 41, Anexo A).
3
O Informe revelado por meio da “Encuesta de Hogares de Propósitos Múltiples (EHPM)” considera em
extrema pobreza famílias cuja renda familiar não cobre o custo de uma cesta básica alimentar (CBA) e
famílias em condições de pobreza relativa são aquelas cuja renda familiar não cobre o custo da CBA estendido
(duas vezes o valor da CBA). Para o ano 2007, o custo da CBA por famílias urbanas foi de US$ 146,3 e para
famílias rurais US$ 110,69, com uma média de 4 membros por família. Para 2008, o custo da CBA foi de US$
171,2 na zona urbana e na zona rural foi de US$ 127,9 para uma média de 4 membros no núcleo familiar.
Familiar (AF) 29
Por outro lado, a oferta de trabalho representada pela População Economicamente

Ativa (PEA) foi de 2.874.608 pessoas para 2006 e para 2007 foi de 2.173.963 indivíduos. A
taxa global de participação derivada da PEA mostrou que para 2006, de cada 100 pessoas
em idade para trabalhar (PET) 52 estavam ofertando sua força de trabalho, das quais 93,4%
foi empregada e 6,6% esteve desempregada. Para 2007, de cada 100 pessoas em idade para
trabalhar, 62 estavam ofertando sua força de trabalho, das quais 93,7% foi ocupada e 6,3%
esteve em condições de desemprego. De forma geral, nos últimos 13 anos, a média de desem-
prego em El Salvador se manteve em patamares próximos a 7%. Porém, estas taxas foram
maiores para o setor rural, quando comparada com a taxa de desemprego do setor urbano
(Ver Tabela 42). Para o ano de 2006, a oferta de trabalho na área rural foi de 1.069.354
indivíduos e para o 2007 foi de 754.308 pessoas a partir dos dados extraídos da EHPM 4 .
Segundo Soto et al. (2007), na região da América Latina, em especial no setor agrícola,
há prevalência de empregos informais gerados por empresas modernas, o que incide sobre a
pobreza rural destes trabalhadores ocupados, além de não receber o salário mínimo legal. As
rendas são menores no setor rural e, em especial, as rendas dos trabalhadores agropecuários se
comparados com o resto dos trabalhadores de outros setores. Ainda que o custo de vida seja
relativamente menor, a zona rural, com predominância de produtores agrícolas, concentra as
maiores taxas de pobreza.
2.2 Agricultura Familiar em El Salvador

2.2.1 Caracterização e definição da Agricultura Familiar em El Salvador segundo
o “Plan de Agricultura Familiar y Emprendedurismo Rural para la Seguri-
dad Alimentaria Nutricional (PAF) 2011-2014”
O Consejo Agropecuario Centroamericano (CAC) (2010, p. 101) define a Agricultura
Familiar (AF) da América Central “como a produção de pequena escala, desenvolvida em
estabelecimentos que são unidades domésticas de produção e consumo, e têm mão de obra
familiar não remunerada como principal força de trabalho (...)” e participam dos distintos
mercados de produtos, insumos, mercado de terra, de trabalho, de crédito e de serviços. A
AF se caracteriza por três elementos: i) pela relação entre produção para o autoconsumo e
venda de produtos; ii) pela relação do trabalho dentro e/ou fora do estabelecimento (trabalho
agrícola ou não agrícola); e iii) diversificação de suas atividades de produção.
4
Estes dados não podem ser comparados com a Demanda de trabalho agropecuário do IV Censo Agropecuário
por serem de diferentes natureza. Porém, podem ajudar a dimensionar o tamanho do mercado de trabalho
salvadorenho. O Censo tem maior cobertura objetiva, com 60,3% do universo, se comparado com a Encuesta
de Hogares de Propósitos Múltiples, que abrange 1,1% do universo do segmento de domicilios.
Familiar (AF) 30
O informe do Consejo Agropecuario Centroamericano (CAC) (2010) identifica dois

tipos de AF: a “pequena Agricultura Familiar Empresarial e a Agricultura Familiar Campo-
nesa”(p. 35). A primeira é fortemente orientada para a produção de mercados internos ou
externos, que tende a se especializar e contribui para a geração de rendimentos monetários
para as famílias rurais. Ainda persiste na região a inserção de uma parcela minoritária mas
crescente em nichos de qualidade. A segunda, combina autoconsumo e venda de produtos
em proporções variáveis, além de outras atividades. Esta é importante por contribuir para
a produção de grãos básicos em pequena escala (milho, feijão, sorgo e arroz) e, atualmente,
mais da metade da população rural da região, mora em unidades produtivas familiares.
A AF da região da América Central de acordo com a Organização das Nações Unidas
para Agricultura e Alimentação (FAO) (2011) se caracteriza por ser uma unidade econômica
auto-gestionada, pelo uso de mão de obra familiar, pelo limitado acesso a terra e capital,
pela aplicação de estratégias de supervivência baseadas em rendas múltiplas, pela sua hete-
rogeneidade e por formar parte de um território rural especifico conformado por mercados e
redes de cooperação e dependência5 .
Em El Salvador, a Agricultura Familiar (AF) é definida pelo Ministerio de Agricultura
y Ganaderia(MAG, 2011) no “Plan de Agricultura Familiar y Emprendedurismo Rural para
la Seguridad Alimentaria Nutricional (PAF) 2011-2014”, como parte do plano Quinquenal
de desenvolvimento 2010-2014, o qual caracteriza as condições dos produtores familiares 6 . A
classificação e sua metodologia baseia-se no IV Censo Agropecuário de 2007-2008 divulgado
pelo (Ministerio de Economía (MINEC), 2008), utiliza os produtores agropecuários e reco-
nhece dois tipos de AF presentes no país: a Agricultura Familiar de Subsistência (AFS), e a
Agricultura Familiar Comercial (AFC).
De acordo com a caracterização do Plano de Agricultura Familiar (PAF) 2011-2014, a
AFS utiliza predominantemente mão de obra familiar e, eventualmente, contrata mão de obra
de forma externa, com algum vínculo com o mercado. De acordo com MAG (2011) a AFS
depende geralmente, da propriedade, produz para o autoconsumo, utiliza mão de obra familiar
com exclusividade, a extensão da propriedade não excede 3 hectares, o que não permite que
tenha uma renda mínima para suprir suas necessidades básicas. A AF7 é constituída por
“390.475 produtores sendo 325.044 produtores de subsistência e 65.431 produtores comerciais
[pequenos]” (MAG, 2011, p. 07). A agricultura não familiar utiliza exclusivamente mão de
obra assalariada e com vínculos fortes com o mercado e está composta por 5.113 produtores
sendo 3.030 produtores comercias (medianos) e 2.083 grandes produtores comerciais.
5
Ver Organização das Nações Unidas para Agricultura e Alimentação (FAO) (2011)
6
Neste trabalho se fará a análise por estabelecimento ou exploração.
7
Note que o PAF fala de produtores, não de estabelecimentos/explorações familiares.
Familiar (AF) 31
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.
2.3 Evidência empírica sobre crítérios de delimitação da Agricultura

Familiar e de construção tipológica
2.3.1 Críterios de delimitação da Agricultura Familiar
A categoria da Agricultura Familiar “é uma categoria política e, por conseguinte,
é diversa, ampla e extensível por decisão política” (SABOURIN et al., 2014, p. 27–28) e
distinta entre países e, as vezes, no interior do mesmo país, sendo necessária definí-la de um
ponto de vista operativo. Tendo como base a Schneider (2014, p. 07), a noção, definição
e compreensão da AF pode ser situada de três formas: i) por algum marco de referência
teórico; ii) por definições normativas, operativas, institucionais, ou empíricas; ou iii) por uma
definição política e social.
Nesta pequisa é tomada uma definição empiríca. A criação de uma definição norma-
tiva ou empírica pode permitir um certo grau de homogeneização entre as categorias ainda
que, com certas limitações pois, segundo Schneider (2014), esta tentativa conduz a certo
Familiar (AF) 32
grau de arbitrariedade e discriminação já que reduzem a heterogeneidade e diversidade. A

construção de uma definição “implicaria abster-se de juízos valorativos ou de propor formas
ideais de organização social, para centrar-se (...) no estudo dessa estrutura e sua dinâmica”
(MALETTA, 2011, p. 02).
Maletta (2011) indica que há aproximações ao conceito de agricultura familiar a par-
tir de algumas definições que permitiram soluções empíricas possíveis, como a “agricultura
predial, pequena escala, pequena escala da terra, ou capital ou a produção, padronização de
terras, trabalho familiar e assalariado, propriedade da terra”(p. 05–07). Salcedo et al. (2014,
p. 21–22) indicam que mesmo havendo definições dissimilares na América Latina, existem
elementos em comum em todas elas, a saber, aquelas que tem mão de obra predominante-
mente familiar, administração da unidade econômica-produtiva concedida ao chefe do lar e o
tamanho da exploração e/ou da produção. Estes elementos também são determinante para
a classificação da AF.
De acordo com Salcedo et al. (2014), a definição de mão de obra predominante familiar
como critério exclusivo de classificação deve relativizar-se pelo contexto em que as rendas não
agrícolas têm cada vez mais importância. O critério da gestão do estabelecimento por parte
do chefe da exploração pode ser de muita ajuda para critérios de acesso a políticas públicas.
O critério do tamanho da exploração definido mediante superfície de terra das explorações ou
estabelecimento, pode levar a considerações equivocadas, já que existe uma heterogeneidade
de qualidade de terra e solos agrícolas, recursos hídricos e produtividades diferentes. Salcedo
et al. (2014) expõe que seria importante incorporar o conceito de “produtividade da terra”
para classificar os produtores familiares em tipologias, pois teria maior peso que o tamanho
da propriedade.
A estratificação ou tipificação por meio da superfície da AF pode deixar de lado a
heterogeneidade em termos de potencial produtivo. Em 1980, Schetjman (1981) ao retratar
as tipologias “no Agro mexicano em 1980” e tratar da heterogeneidade em termos de po-
tencial produtivo da superfície de trabalho que possuem as diversas unidades, tratou de se
aproximar a uma homogeneização a partir da construção de um índice ou coeficiente sobre
os rendimentos do milho em áreas de irrigação ou milho de cultivo temporal, que media a
relação entre o rendimento médio de milho entre o rendimento médio nacional tanto para
cultivo de irrigação como para cultivo temporário.
As técnicas centrais para identificação de grupos objetivos e homogêneos podem ir
desde uma análise univariada a análise multivariada. Ambas análises válidas. Por exemplo,
a análise multivariada pode ser utilizada para redução da dimensão a partir da seleção de
atributos, visualização de dados, ou geração de agrupamentos homogêneos via clusters. Este
Familiar (AF) 33
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.
Familiar (AF) 34
2.3.2 Tipologias de Agricultura Familiar

Como descrito, o Consejo Agropecuario Centroamericano (CAC) (2010) define a
Agricultura Familiar na América Central como unidades produtivas domésticas de pequena
escala desenvolvidas em estabelecimentos e que tem mão de obra não remunerada como
principal suporte, podendo ser de dois tipos: “Pequena Agricultura Familiar Empresarial”
e “Agricultura Familiar Camponesa”. Particularmente em El Salvador, a definição oficial
não-institucionalizada9 de AF foi definida pelo MAG (2011, p. 16) no PAF 2011-2014, onde
foi identificada uma Agricultura Familiar de Subsistência (AFS) e uma Agricultura Fami-
liar Comercial (AFC). No país não existe uma tipificação detalhada que permita fazer uma
caracterização mais específica sobre a AF.
Uma primeira tentativa de tipificação teórica da AF em El Salvador foi realizada por
Tobar (2011) num breve relatório técnico que sugere caracterizar, especificamente, a tipologia
da Agricultura Familiar de Subsistência (AFS) por destino da produção via “proporções da
produção vendida” (quantidade vendida em relação às quantidades totais produzidas) de
grãos básicos. Para tal, o autor utilizou a base de dados do IV Censo Agropecuário a variável
“pequenos produtores”, sendo esta a mesma já classificada como AFS pelo MAG (2011).
A tipificação foi feita com base na comercialização ou venda da produção de grãos básicos
(feijão, sorgo, milho e arroz) dos pequenos produtores.
Tobar (2011) sugere 5 categorias teóricas de AF: i) AF de auto-consumo sem saída
agropecuária (AFA-NA), que concentra 26% do total de produtores pequenos que ven-
dem/comercializam 13% da produção de grãos básicos; ii) AF de auto-consumo para o mer-
cado (AFA-VM), na qual concentra-se 49% da produção pequena e vende 37% da produção
de grão básicos; iii) AF em Transição Diversificada e sem Organização (AFT-SO), onde se
concentra 24% da pequena produção e comercializa 58% da produção de grãos básicos; iv) AF
em Transição Diversificada e Gestão Empresarial Associativa (AFT-GE), categoria contida
na anterior e que requer maior detalhamento; v) Agricultura Familiar Consolida (AFC), na
qual, concentra-se 1% de pequenos produtores que comercializam 76% de grãos básicos.
Outro estudo a considerar, é o de Cabrera (2013) que utilizou as informações de
duas fontes de dados para realizar uma análise descritiva e comparativa da AF. A primeira
base de dados foi do IV Censo Agropecuário 2007-2008 cujo critério de classificação de AF
foi o nível de emprego que contratam. A segunda fonte foi a da “Encuestas de Hogares de
Propósitos Múltiples (EHPM)” dos anos 2000 e 2009, sendo que os critérios de classificação
foram ser auto-empregados em sua ocupação principal e se dedicar a atividades agropecuárias,
com exceção da pesca, das atividades cooperativas ou familiar não remunerado. A tipologia
9
Não existe nenhum decreto, regulamento ou lei que defina a AF, mas existe um plano da AF que define e
caracteriza os estabelecimentos familiares de forma geral.
Familiar (AF) 35
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
Familiar (AF) 36
metodologia publicada da delimitação do universo para os dados do Censo Agropecuário do

IBGE no Brasil para o ano 2000, foi feita com base a três elementos.
O primeiro caracteriza os agricultores por meio da condição de que o produtor é o
gestor do estabelecimento; segundo, que o trabalho familiar fosse superior ao trabalho contra-
tado, com base na relação entre as Unidades de Trabalho Familiar (UTF) 10 e as Unidades de
Trabalho Contratado (UTC)11 ; e o terceiro, que a área total dos estabelecimentos seja menor
à área máxima regional. Para definir uma tipologia, optou-se por construir dois indicado-
res: Renta Total (RT) dos estabelecimentos por produtor e Valor de Custo de Oportunidade
(VCO).
A Renda Total (RT) dos estabelecimentos foi definida como o Valor Bruto da Produ-
ção (VBP)12 mais a receita agropecuária indireta e o valor da produção da indústria rural,
descontados o valor das despesas. Isto permitiu separar a AF da não familiar ou patronal.
Esse indicador permitiu caracterizar os tipos de agricultores familiares em vista dos “distintos
graus de desenvolvimento socioeconômico e, portanto, com distintas lógicas de produção e
sobrevivência” (INCRA-FAO, 2000, p. 40) para poder captar aspectos de sua atividade pro-
dutiva como inserção no mercado, transformação de produtores agrícolas e auto-consumo.
Outro indicador denominado “Valor de Custo de Oportunidade (VCO)” mede o custo de
oportunidade de mão-de-obra que representa o valor da remuneração paga a um diarista na
agricultura13 . Desta forma, os tipos de AF estariam estratificados em tipo A, B, C, e D, em
função da relação entre RT e VCO.
Neste mesmo trabalho do INCRA-FAO (2000) também foi proposta uma estratifi-
cação complementar da AF14 . Sobre o mesmo universo de AF, segundo os autores, podem
ser feitas três classificações: i) pelo Grau de especialização como a relação da variação do
valor da produção do produto principal entre o VBP subdividida em superespecializados,
especializados, diversificados e muito diversificados; ii) Grau de Integração ao mercado dado
como a relação da variação da produção vendida entre o VBP subdividida em unidades muito
integradas ao mercado, integradas ao mercado, e pouco integrada ao mercado; e iii) as formas
de relações de trabalho nos respectivos estabelecimento 15 .
10
Pessoal ocupado da família de 14 anos ou mais e (Pessoal ocupado da família de menos de 14 anos)/2
11
(Sálarios + Valor da quota-parte entregue a parceiros empregados + Serviços de empreitada de mão-de-obra)
+ (Diária estadual x 260)
12
Somatória do Valor da produção colhida/obtida de todos os produtos animais e vegetais
13
O VCO = 1,2 x Diária média estadual x 260
14
Tanto o tipo A, B, C e D de AF pode ser subdivido pelo seu grau de especialização e as suas subcategorias,
como pelo seu Grau de integração ao mercado e suas subcategorias, ou pelas formas de relações de trabalho
e suas subcategorias.
15
Apenas mão-de-obra familiar, Mão-de-obra familiar + empregados temporários, Mão-de-obra familiar +
empregados temporários + empregados permanentes, Mão-de-obra familiar + empreitada de máquinas +
outros, Mão-de-obra familiar + demais combinações
Familiar (AF) 37
Em 2007, Buainain (2007), que também colaborou como consultor do INCRA-FAO

(2000), utilizou a mesma classificação no livro sobre “Agricultura Familiar e Inovação Tec-
nológica no Brasil : Características , Desafios e Obstáculos” no qual resume a diferenciação
regional da AF brasileira e contrói tipologias para captar a caracterização tecnológica da AF
e verificar o desempenho e a adoção de tecnologias neste setor.
Por outro lado, Kageyama et al. (2014, p. 09), a partir do Censo Agropecuário brasi-
leiro de 2006, realizou uma classificação da AF com quatro categorias para analisar algumas
caraterísticas de área, do valor da produção, da produtividade e das receitas dos estabele-
cimentos. A classificação foi baseada em duas variáveis: por pessoal ocupado contratado e
familiar nos estabelecimentos (permanentes, temporários, contratados por intermediários); e
pelos estabelecimentos de assentados. Tal classificação dos estabelecimentos agropecuários foi
diferenciada entre familiares e não familiares. Os estabelecimentos familiares foram de três
tipos: tipo 1 “assentado”, tipo 2 “exclusivamente familiar”, tipo 3 “familiar com contrato ou
misto”. Os estabelecimentos não familiares ou patronais foram do tipo 4, que são exclusiva-
mente contratados, sendo os não familiares mistos contratados maiores que os contratados
familiares 16 .
Schneider e Cassol (2013, p. 19–23) também fazem uma tipologia utilizando a base
de dados do Censo Agropecuário brasileiro de 2006. A tipologia que utilizaram foi orientada
pelos critérios do “Fondo Internacional de Desarrollo Agrícola (FIDA)”(SCHNEIDER, 2014,
p. 07), a qual constitui de : i) estabelecimentos familiares com residências rurais (EFRR); ii)
estabelecimentos familiares com múltiplas fontes de renda (EFMR); e iii) estabelecimentos
familiares especializados (EFE). O critério fundamental foi a diferenciação, considerando o
valor total da produção (com ou sem valor da produção) e a receita total do estabelecimento.
Schneider (2014) para analisar a AF em alguns países de América Latina (México, Guatemala,
Equador, Colômbia, Chile e Brasil) propõe uma classificação a partir de critérios baseados na
mão de obra familiar ou não familiar e no nível de renda que gera a produção agropecuária. Os
estabelecimentos agropecuários familiares foram tipificados da seguinte forma: i) AF rural ou
residência rural, que é uma unidade familiar rural que conta com renda da produção agrícola
entre 0%-20%; ii) AF diversificada ou pluriativa com renda, entre 21-25%; iii) residência com
renda de 25% proveniente da produção agrícola; iv) famílias com rendas predominantemente
agrícolas com 75% de renda da produção agrícola; v) AF especializada com renda da produção
agrícola de 51%-100%.
A FAO e BID (2007) estabeleceram um acordo de cooperação para a realização de
estudos técnicos para o desenvolvimento rural e, desta forma, criar novos instrumentos que
permitissem melhorar os programas destinados ao desenvolvimento rural da região, em espe-
16
Para maiores detalhes da metodologia ver Kageyama et al. (2014).
Familiar (AF) 38
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.
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.
Tabela 1 – Bases de dados e variáveis do IV Censo Agropecuário 2007-2008 a serem utilizadas

CódigoDescrição Nome da variável Característica
Grande produtor
mlp = -2 (Não aplica)
mlp ou mlpdsc mlp = 0 (Não)
mlp = 1 (Sim)
Identificação do produtor e Tipo de produtor
a exploração agropecuária tiprodu ou tiprodudsc tiprodu=1 (Comercial)
tiprodu=2 (Pequeno produtor)
s01
s01p05a ou s01p05adsccondição jurídica do produtor
s01p06a ou s01p06adsctipo de administração do produtor
Classificação Industrial Internacional
ciiu ou ciiudsc Uniforme (CIIU) das atividades econômicas
Gestão e utilização da área Descrição e Código de classificação do
s02b da exploração agropecuária tipexpid ou tipexpdsc fator de produção para a exploração
s03b s03p03, s03p07 superfície e quantidade de milho
s03p12, s03p15 superfície e quantidade de sorgo
s03p19, s03p20 superfície e quantidade de feijão
Grãos básicos s03p23, s03p24 superfície e quantidade de arroz
s05p21 superfície cultivada
s05b* Hortaliças s05p23 produção ou quantidade produzida
s06p02 e s06p02dsc Código e nome do cultivo
s06p21 superfície cultivada
s06 Cultivos agroindustriais anuais s06p22 produção
Agroindustriais semipermanentes
s07b e permanentes cana ou agroindustrial semipermanente
s08b Frutais
s12b Cultivos orgânicos cultivos orgânicos
s15b mid código de insumo ou prática
Insumos e práticas utilizadas mdsc descrição para o código de insumo ou prática
Maquinário , equipamento
s16b e instalações
s17b Assitência técnica
s18p01 solicitação de crédito
s18.b Crédito s18p02 aprovação de crédito
s19p02mt mão de obra temporária para mulher
s19p02ht mão de obra temporária para homem
s19p02mf mão de obra permanentes para mulher
s19p02hf mão de obra permanentes para homem
s19a Emprego Agrícola
actid ou actdsc classificação da atividade do produtor
mlpdsc descrição como grande produtor
s20b Comercialização mid código da rúbrica
mdsc descrição do código da rúbrica
*Para realizar o cálculo algumas bases de dados foram cruzadas. Por exemplo, a base "s05a"com
a base "s05b"contém o mesmo tópico sobre Hortaliças. Porém, a primeira é para produtores
individuais e a segunda para estabelecimentos ou explorações agropecuárias. Estes cálculos foram
realizados para obter as produtividades específicadas de cada produto.
Fonte: Elaboração própria com base no IV Censo Agropecuário de El Salvador 2007-2008

Familiar (AF) 40
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”.
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.
2.4.1 Delimitação da Agricultura Familiar para El Salvador

A base de dados do IV Censo Agropecuário de El Salvador está dividida em dois tipos
de informações. A que diz respeito a informações da exploração/estabelecimento agropecuário
e as informações que correspondem ao nível do produtor. As explorações/estabelecimentos
agropecuários, como descrito pelo Ministerio de Economía (MINEC) (2008) na divulgação
do Resumo do IV Censo Agropecuário de 2007-2008, são consideradas como uma “unidade
econômica de produção na qual se desenvolvem atividades agrícolas, pecuárias e aquicul-
tura”(p. 39). Esta exploração ou estabelecimento pode ser formada por terra ou não, ou seja,
a exploração depende ou não deste fator de produção.
Uma “exploração com terra” é uma unidade econômica produtiva que depende, ex-
clusivamente, do fator terra para desenvolver atividades agrícolas, em constraste com a “ex-
ploração sem terra”, que é o estabelecimento que se dedica à criação de animais e tem foco
na produção pecuária, seja sua localização na zona rural ou urbana. Outra característica é
a exploração agropecuária que pode estar constituída por uma ou várias propriedades loca-
lizadas no mesmo município ou ser administrada por uma pessoa ou um grupo de pessoas,
estejam estas na condição física ou jurídica.
Por outro lado, as informações associadas ao produtor agropecuário estariam carac-
terizadas como toda pessoa física ou jurídica que toma decisões na gestão administrativa
das atividades que se desenvolve na exploração agropecuária e, que assume diretamente as
responsabilidades técnicas e econômicas ou pode delegá-las a um gerente, administrador ou
mandador. A definição de produtor agropecuário não é distinta à forma de posse da terra,
que pode ser própria, alugada, emprestada, etc.
Na base de dados disponiveis do IV Censo Agropecuário registraram-se 397.309 esta-
belecimentos/explorações agropecuárias e 395.588 produtores. Neste trabalho é utilizada a
base de dados correspondente ao Estabelecimento Agropecuário que é uma unidade econô-
mica produtiva. Em tal sentido, pode-se ter uma leve superestimação dos dados.
Na Tabela 2, para fazer a diferenciação entre tipos de estabelecimentos20 , serão usadas
as variáveis “mlp” (sua equivalente “mlpdsc”) que distingue se o estabelecimento pertence a
categoria de grande produtor ou não. A variável “tiprodu” (sua equilvalente “tiprodudsc”)
diz respeito ao tipo de produção agropecuária, se é comercial ou de pequeno produtor.
20
Nos informes do PAF utilizam-se os produtores como categoria analítica. Nesta pesquisa como se afirmou,
será utilizada a base correpondente a estabelecimentos ou explorações agrícolas e ao se referir ao produtor,
estará sendo aludido ao estabelecimento agrícola.
Familiar (AF) 42
Ao cruzar as variáveis “tiprodu” e “mlp”, observa-se que o estabelecimento pode estar

na categoria de: pequeno produtor (“mlp=-2” e “tiprodu=2”) que é um produtor de subsistên-
cia, ou produtor comercial que pode ser dividido produtor comercial (“mlp=0” e “tiprodu=1 )
que não é grande, renomeado aqui de produtores comerciais pequenos e medianos, ou Grande
produtor comercial (“mlp=1” e “tiprodu=1”).
Tabela 2 – Relação entre Tipo de Produtor e Categoria do Estabelecimento segundo o IV

Censo Agropecuário
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
Como exposto no “Plan de Agricultura Familiar y Emprendedurismo Rural para la

Seguridad Alimentaria Nutricional (PAF) 2011-2014” o MAG (2011) define à AFS como
pequenos produtores de subsistência, que o Ministerio de Economía (MINEC) (2008) na
divulgação do IV Censo Agropecuário de 2007-2008 denominou de pequeno produtor na
variável “tiprodu=2” e “mlp=-2”, utilizando os microdados por tipo de produtores. Neste
trabalho, como apresentado, utilizam-se os microdados por tipo de estabelecimento que neste
caso correspondem a 325.406 estabelecimentos pertencentes à AF de subsistência. Portanto,
a delimitação dos estabelecimentos que pertence à AFS já está dada pelo cruzamento das
variáveis, restando apenas, a estratificação interna.
No entanto, para a definição da Agricultura Familiar Comercial, não se tem, ainda,
uma base específica delimitada. O MAG (2011) definiu no PAF 2011-2014 a AFC derivada
do produtor comercial que não pertence à categoria de grande produtor na base do IV Censo
Agropecuário 2007-2008. Especificamente, a variável “mlp=0” que não é grande produtor,
porém é comercial “tiprodu=1”, é constituída por 69.427 estabelecimentos comerciais deno-
minados de pequenos e medianos. Portanto, deste total de produtores comerciais (pequenos
e medianos) (“mlp=0” e “tiprodu=1) deriva-se a AFC21 . Os estabelecimentos que pertecem
à categoria de grandes produtores comerciais, ou seja, estabelecimentos não familiares, estão
definidos nas variáveis “mlp=1” e “tiprodu=1”, resultando em um total de 2.476.
21
As observações de produtores obviamente vão diferir do número de produtores expostos pelo MAG (2011)
no PAF 2011-2014.
Familiar (AF) 43
Diante disso, a delimitação e a tipologia adotada se circunscreve na definição e ca-

racterização operativa e oficial não-institucionalizada do PAF descritas nas Subseções 2.3.1
e 2.3.2, porém, com um universo de agricultores familiares comerciais diferente.
Ainda, com base em Schneider e Cassol (2013), admite-se a “hipótese que a Agricul-
tura Familiar da região não é estritamente camponesa e tampouco essencialmente capitalista
e/ou mercantilizada”(p. 09). Observa-se na Tabela 2 que a estrutura produtiva do setor agrí-
cola salvadorenho é composta por 81,9% de pequenos estabelecimentos de subsistência, 17,5%
de estabelecimentos comerciais pequenos e medianos e 0,6% de estabelecimentos comerciais
grandes.
2.4.1.1 Tipificação da Agricultura Familiar de Subsistência (AFS)
Em vista que a variável de Agricultura Familiar de Subsistência (conceito do PAF

2011-2014)22 já está definida na base de dados do IV Censo Agropecuário e pelo PAF, esta
seção se limita apenas à estratificação ou tipologia deste tipo de AF. Como se observa na
Tabela 3, os estabelecimentos de subsistência (AFS) são gestionados pelo produtor individual
e estão na condição de pessoa física.
O critério de tipificação se dá em relação à capacidade produtiva do estabelecimento
(produtividade) que corresponde ao rendimento medido em toneladas por hectare somente
para grãos básicos, pois os estabelecimentos de subsistência cultivam apenas estes. Ao mesmo
tempo, a tipificação com base na capacidade produtiva permite diferenciar o nível de eficiência
entre um grupo e outro. Não são objetos características como tamanho da superfície do
estabelecimento para evitar sobreposição de informações.
Para realizar a tipificação, tomou-se a base de dados “s03b” sobre os grãos básicos
(milho, sorgo, feijão e arroz), cujas variáveis são s03p03, s03p12, s03p19, s03p23 sobre a
superfície utilizada para semear grãos básicos; e a produção medida em toneladas nas variáveis
s03p07, s03p15, s03p20, s03p24. Assim, estratificou-se a AFS em função da produtividade. A
Figura 4 apresenta a dispersão unidimensional da produtividade da AFS, o qual mostra que
há uma distribuição assimétrica positiva, com baixa frequência de altos valores em relação à
produtividade.
Dessa forma escolheu-se este critério pois, aproximadamente, 80% dos produtores
familiares produz menos de 6 toneladas por hectares e 20% produz acima de 6 toneladas
por hectáres, até um máximo de 17,88 toneladas por hectare. A produtividade refere-se às
atividades agrícolas relacionadas a grãos básicos (322.307 estabelecimentos), excluindo as
22
Categoria equivalente a “Agricultura Familiar Camponesa”, conforme conceito de Consejo Agropecuario
Centroamericano (CAC) (2010).
Familiar (AF) 44
Tabela 3 – Características Principais da Agricultura Familiar de Subsistência (AFS)
Subsistência Pequenos-medianos* Grande

Características mlp = -2 mlp = 0 mlp = 1 Total
Condição Jurídica
Pessoa física 325.406 69.427 1.283 396.116
% 82,1 17,5 0,3 100
Perssoajurídica 0 0 1.193 1.193
% 0,0 0,0 100,0 100
Total 325.406 69.427 2.476 397.309
% 81,9 17,5 0,6 100
Tipo de administração
Cooperativa 0 0 288 288
% 0,0 0,0 100,0 100
Empresa ou corporação 0 0 856 856
% 0,0 0,0 100,0 100
Entidade de governo 0 0 31 31
% 0,0 0,0 100,0 100
Produtor individual 325.406 69.206 1.280 395.892
% 82,2 17,5 0,3 100
ONG’s 0 0 18 18
% 0,0 0,0 100,0 100
Outros 0 221 3 224
% 0,0 98,7 1,3 100
Total 325.406 69.427 2.476 397.309
% 81,9 17,5 0,6 100
*São os estabelecimentos comerciais renomeados como pequenos-medianos estabelecimentos
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%).
2.4.1.2 Delimitação e construção tipológica da Agricultura Familiar Comercial (AFC)
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
Familiar (AF) 45
Figura 4 – Histograma e Ogiva sobre a Distribuição da Produtividade da Terra para a AFS
Fonte: Resultados da pesquisa
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.
Familiar (AF) 46
A primeira é devido à concentração, já que 95,4% dos estabelecimentos comerciais

contrataram entre 1-480 trabalhadores temporários e 4,6% contrata zero trabalhadores tem-
porários. Ademais, há uma concentração de 93,6% estabelecimentos que empregam entre 0 a
20 trabalhadores temporários para atividades agrícolas sendo que 89% contratam entre 1-20
trabalhadores temporários e este valor sobe para 93,32% se considerado só o universo dos
que contratam. O segundo motivo foi por comparação, pois ao ver o contrato de mão de obra
temporária dos agricultores de subsistência, observa-se que foram contratados até 10 indiví-
duos e, no caso da agricultura familiar comercial, é razoável supor, que suas condições são
diferentes devido ao acesso ao mercado e poderiam contratar até o dobro de trabalhadores
temporários.
O terceiro motivo está associado ao conceito de AF do Consejo Agropecuario Centro-
americano (CAC) (2010) sobre “pequena Agricultura Familiar Empresarial” ao referir-se à
AFC. Viéytez (2002, p. 20) expõe que o critério de classificação da “Fundación Salvadoreña
para el Desarrollo Económico y Social” considera que uma unidade econômica como empresa
pequena é aquela que contrata até 20 pessoas. Ainda que na agricultura este número pode
ser diferente devido à estrutura específica do setor, os dois primeiros motivos apontam para
uma escolha razoável deste subcritério23 .
O segundo subcritério adotado é em função a dois motivos: um de concentração dos
dados correspondente ao uso de força de trabalho permanente ou fixo e, outro de comparação
da contratação de trabalho permanente da AFS. De acordo com os dados, 71,88% dos estabe-
lecimentos não utiliza mão de obra permanente e 28,12% contrata mão de obra permanente
ou fixa, sendo este número entre 1 e 65 empregados. De modo geral, 98,13% dos produtores
contratam entre 0 e 4 empregados permanentes. Dos 28,12% que contratam mão de obra
fixa, 93,34% utilizam entre 1 e 4 empregados, e 6,66% utilizam entre 5 e 65 empregados.
Neste trabalho, a delimitação leva em conta a definição dada pelo PAF, que caracteriza a
AFC como aquela que usa mão de obra externa de forma eventual agregada à variável re-
ferentes à mão-de-obra fixa tomando como limite a mesma quantia que os trabalhadores de
subsistência contratam (até 4) e o critério da maior concentração dos dados. Dessa forma,
têm-se que 63.886 unidades produtivas são pequenas (92,02%) de acordo com esses critérios,
e 5.541 (7.98%) unidades produtivas medianas. Assim, a partir da diferença de estabeleci-
mentos comerciais do tipo pequenos e medianos, o próximo passo é denominar os pequenos
estabelecimentos como familiares e os medianos como estabelecimentos não familiares.
23
Ainda que esta classificação seja válida para empresas não agrícolas, nada impede que também seja aplicada
a empresas agropecuárias na ausência de uma definição pontual sobre empresas agrícolas e, especificamente,
para os produtores individuais que não são considerados empresas, porém contratam um conjunto relativa-
mente pequeno de trabalhadores. Portanto, em vista da limitação de um critério de classificação de empresas
agropecuárias, se tomará como critério geral o critério exposto por Viéytez (2002, p. 51–52).
Familiar (AF) 47
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.
Figura 5 – Histograma e Ogiva sobre a distribuição da produtividade da terra da AFC.
A tipificação foi estabelecida de acordo com a concentração da distribuição dos dados

e a dedicação às atividades agrícolas (Figura 5). De acordo com a construção da variável,
do total de agricultores familiares comerciais (63.886), somente 49.542 estabelecimentos pos-
suem produtividade. Novamente, a produtividade alude às atividades agrícolas relacionadas
aos cultivos mencionados anteriormente (49.542 estabelecimentos), excluindo as atividades
pecuárias e outros (14.344 estabelecimentos). Portanto, a AFC tipo C é aquela cuja produ-
tividade da terra seja igual ou menor a 40 toneladas por hectare (90,56%) e, a AFC tipo D
se a produtividade foi maior a 40 toneladas por hectare (9,44%). Note que essas observações
limitam-se aos estabelecimentos que possuem produtividade, ou seja, aos estabelecimentos
agrícolas, desconsiderando a parte da pecuária.
Familiar (AF) 48
2.5 Resultados: Dimensão, composição e caracterização da Agricul-

tura Familiar em El Salvador
Como observado nas tabelas 4 e 5, a estrutura produtiva do setor agrícola em El
Salvador é predominantemente familiar, com um total de 371.849 (99,02%) e a Agricultura
Não Familiar (ANF) contêm 3.643 estabelecimentos, que correspondem a 0,98% do total de
estabelecimentos agrícolas. Esta seção tem como objetivo caracterizar a AF. Em resumo,
a AF corresponde a um total de 371.849 estabelecimentos, os quais estão distribuídos da
seguinte forma :
∙ Agricultura Familiar de Subsistência tipo A: nesta categoria há 260.724 estabelecimen-

tos que correspondem ao 70,12% do total de estabelecimentos familiares.
∙ Agricultura Familiar de Subsistência tipo B: esta categoria tem 61.583 estabelecimentos,

sendo uma proporção de 16,56% do total de estabelecimentos familiares.
∙ Agricultura Familiar Comercial tipo C: esta categoria corresponde a 12,07% do total,

ou seja, 44.867 estabelecimentos familiares.
∙ Agricultura Familiar Comercial tipo D: somam 4.676 estabelecimentos comerciais cuja

proporção é 1,26% em relação ao total de estabelecimentos familiares.
∙ Agricultura Não Familiar: constituída por estabelecimentos considerados como media-

nos (2.718) e grandes (925), sumarizando um total de 3.643 conforme a Tabela 4 .
Familiar (AF) 49
Tabela 4 – Estrutura Agropecuária de El Salvador
Estrutura Agropecuária Tipo de estabelecimentos

Comercial Comercial
Agricultura Familiar e Não Famliar Subsistência Pequenos e medianos Grande Total
A. Total de Estabelecimentos agricolas 322.307 52.260 925 375.492
Variaveis a utilizar (A = a + b)
% 85,8 13,9 0,3 100,0
Comercial
(a) Agricultura Familiar Subsistência Pequeno Total
Agriculcutura Familiar Total (AF) 322.307 49.542 371.849
% 87,0 13,0 100,0
AFS tipo A 260.724 260.724
AFS tipo B 61.583 61.583
AFC tipo C 44.867 44.867
AFC tipo D 4.676 4.676
Comercial Comercial
(b) Agriculgura Não Familiar mediano Grande Total
Agriculcutura Não Familiar (ANF) 2.718 925 3.643
% 75,0 25,0 100,0
Estabelecimento mediano 2.718,17 2.718,17
Estabelecimento grande 925,00 925,00
B. Total de Estabelecimentos pecuários 3.100 17.166 1.551 21.817

e outros (desconsiderado no trabalho) % 14,0 79,0 7,0 100,0
C. Total da estrutura produtiva 325.406 69.427 2.476 397.309

agropecuária do país ( C = A + B )
% 81,9 17,5 0,6 100,0
Tabela 5 – Agricultura Não Familiar (ANF) e Agricultura Familiar (AF)
Estrutura Agrícola Agricultura Não Familiar Agricultura Familiar Total

AFS tipo A 0 260.724 260.724
% 69,4
AFS tipo B 0 61.583 61.583
% 16,4
AFC tipo C 0 44.867 44.867
% 11,9
AFC tipo D 0 4.676 4.676
% 1,2
Estabelecimento mediano 2.718 0 2.718
% 0,7
Estabelecimento grande 925 0 925
% 0,3
Total 3.643 371.849 375.492
% 0,97 99,03 100
Familiar (AF) 50
2.5.1 Distribuição geográfica da AF

A Figura 6 ilustra a distribuição geográfica dos estabelecimentos familiares. Nota-se
que há uma predominância da Agricultura Familiar tipo A. As regiões do país que apresentam
maior presencia da AF são os departamentos de La Libertad, Usulutan, San Miguel, La Union
e Ahuachapam.
A zona oriental apresenta maior presença de AF e corresponde aos departamentos de
Usulutan, San Miguel, Morazan, e La Union. Observa-se em todos os departamentos uma
presença muito acentuada da Agricultura Familiar de Subsistência tipo A e tipo B. De forma
geral, existe uma distribuição similar da AF em todos os departamentos e regiões.
Figura 6 – Distribuição geográfica dos estabelecimentos familiares.
Fonte: Elaboração do autor
A concentração da AF pode-se observar na Figura 7. A Figura apresenta o intervalo

onde se encontra cada departamento. Por exemplo, os depatamentos de La Libertad concen-
tram 9,86 % da AF, Usulutam 8,87 % e San Miguel 8,73%, juntos concentram 27,46 %. O
departamento de Chalatenango ao norte do país concentra entre 4,66% e 5,26% dos esta-
belecimentos do país. De acordo com a Tabela 40 no Anexo A, os departamentos de Santa
Ana, Usulutan, La libertad e Ahuachapan concentram o 35,66% da Agricultura Familiar, e
producem 711.132,7 toneladas.
Familiar (AF) 51
Figura 7 – Concentração da Agricultura Familiar por departamento 2007-2008
Fonte: Elaboração do autor
2.5.2 Estrutura da produção agrícola

A AF tem um papel predominante na economia ao ter uma participação muito ativa na
produção de alimentos da cesta básica, além de se colocar como ator sócio-produtivo que con-
tribue com a segurança alimentar e nutricional do país. O IV Censo Agropecuário 2007-2008
ressalta a importância da AF na produção agrícola do país. A estrutura de produção agrícola
salvadorenha esta constituída de atividades diversas como frutas, grãos básicos, hortaliças,
cultivos orgânicos, agroindustriais anuais, agroindustriais semipermanentes e permanentes24 .
Para analisar a estrutura de produção agrícola25 de El Salvador, considera-se a pro-
24
Para analisar a produção da estrutura agrícola e classificar as atividades em rubricas, se realizou um cru-
zamento da variável “actid” ou sua equivalente “actdsc” que é um código para as “atividades do produ-
tor/estabelecimento” na base de dados “s19a” (base sobre emprego agrícola), e a variável “ciiu ou ciiudsc”
na base de dados “s01a” (base sobre características do produtor) que é o código da Classificação Industrial
Internacional Uniforme (CIIU) das atividades econômicas. Como mencionado, a produtividade calculada foi
feita na junção do Cultivo grãos básicos constituídos por feijão, sorgo, milho e arroz na base de dados “s03b”,
o cultivo de hortaliças da base “s05b”, cultivos agroindustriais anuais da base “s06b”, cultivos orgânicos da
base “s12b”, cana ou agroindustrial semipermanente da base de dados “s07b” e o cultivo de frutais na base
“s08b”. Nas tabelas sobre as atividades diversificadas se denominou “Outras culturas” aos estabelecimentos
que se dedicaram simultaneamente às atividades agrícolas e pecuárias, porém, somente foi considerada a
produção agrícola.
25
Defini-se como estrutura de produção agrícola, ou “sistema agrícola de produção”, ao conjunto de atividades
agrícolas que corresponde à produção de um determinado território. Por sua vez, um sistema de produção,
é “um conjunto de sistemas de cultivos” ou de criação no âmbito de uma propriedade rural, ou seja, de
explorações agrícolas que combinam produção agropecuária, fatores de produção, uma dimensão social, uma
região ecológica e estão interligados a um processo de gestão ou administrativo. Isto é definido em uma
Familiar (AF) 52
dutividade da AFS tipos A e B, que referem-se a grãos básicos e produtividade da AFC

tipo C e D relacionados a grãos básicos e outros cultivos. Para analisar o desempenho da
produção agrícola, construiu-se um índice que permite realizar uma relação de “maior ou
menor produtividade” da AF em relação à Agricultura Não Familiar (ANF). A produtividade
da terra mede a produção em toneladas por hectare sendo uma medida do rendimento dos
estabelecimentos. Neste trabalho, apresenta-se uma desagregação das atividades da estrutura
produtiva dos estabelecimentos familiares (AF) e não familiares (ANF) e para ter um pa-
râmetro de comparabilidade de produtividades, o indicador mencionado permite observar a
proporção relativa (em %) da produtividade da AF em relação à produtividade da ANF.
De forma resumida a Tabela 6 apresenta a produção da estrutura agrícola do país,
onde uma proporção de aproximadamente 80% utiliza superfícies para cultivos de grãos
básicos (arroz, feijão, milho e sorgo), que produz acima do 20% da produção total do país,
e a produtividade da terra do país é de 4,5 toneladas por hectare. O cultivo de hortaliças
utiliza 2,6% da superfície total e produz 5,4% da produção total, com uma produtividade de
1,9 toneladas por hectare.
Tabela 6 – Quadro Resumo da Produção da Estrutura Agrícola
Tipos de Cultivos Superficie em % Produção em % Rendimento

Em hectares Em toneladas Produção/superfície
Grãos básicos 381.339,0 79,4 1.699.198,0 20,8 4,5
Hortaliças 12.644,9 2,6 443.331,1 5,4 35,1
Agroindustriais anuais 3.205,0 0,7 6.002,2 0,1 1,9
Cana de açucar 64.504,6 13,4 5.609.252,0 68,6 87,0
Outros agroindustriais 4.457,5 0,9 33.608,2 0,4 7,5
Frutas 13.364,1 2,8 375.666,6 4,6 28,1
Cultivos orgânicos 718,3 0,1 6.196,9 0,1 8,6
Total 480.233,5 100,0 8.173.254,9 100,0 17,0
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.
Familiar (AF) 53
Tabela 7 – Estrutura agropecuária: Atividades Diversas
Agricultura Familiar (AF) Agricultura Não Familiar AF/ANF
ATIVIDADES DIVERSIFICADAS Área Produção Rendimento Área Produção Rendimento Relação-rendimento

hectares Toneladas (Ton./Ha) hectares Toneladas (Ton./Ha) ((AF/ANF) -1)x100
Outras culturas 87.531,88 733.704,54 8,38 19.440,92 1.266.571,94 65,15 -87,13

Abacate 37,72 923,30 24,48 10,74 792,81 73,83 -66,84
Gergelim (sesamo) 163,80 805,02 4,91 7,55 39,20 5,19 -5,36
Algodão 9,17 128,86 14,06 295,31 2.875,72 9,74 44,33
Atemóia, graviola, chirimoya 7,31 56,78 7,77 - - - -
Arroz para consumo 141,01 2.304,98 16,35 80,76 2.206,05 27,32 -40,16
Cacau 17,32 187,81 10,84 265,37 399,79 1,51 619,66
Café 3.910,41 50.261,26 12,85 4.692,29 175.600,35 37,42 -65,65
Cana de açúcar 4.607,87 273.837,85 59,43 18.384,98 1.501.553,28 81,67 -27,24
Cebola e cebolinha 1,69 28,73 16,98 - - - -
Pimentão doce e picante 0,87 6,71 7,69 2,10 114,23 54,37 -85,86
Coco 272,60 6.104,34 22,39 537,27 8.430,40 15,69 42,71
Outras hortaliças e vegetais 153,67 4.211,84 27,41 31,11 445,76 14,33 91,31
Árbores frutíferos e outras plantas 451,32 11.433,28 25,33 443,33 8.967,06 20,23 25,25
Pêssego 4,13 126,82 30,71 - - - -
Vagem (feijão de vagem) 3,21 54,39 16,93 - - - -
Espinafre, morango e outros vegetais de folhas 9,21 177,87 19,31 - - - -
Feijão para grão seco 683,97 14.953,60 21,86 27,01 334,29 12,38 76,62
Goiaba 2,26 148,77 65,87 4,04 105,68 26,16 151,83
Outros tipos de bananas 112,67 2.915,15 25,87 1,91 29,14 15,23 69,83
Chuchu 83,89 5.889,52 70,20 17,44 556,78 31,93 119,85
Henequen 79,39 252,96 3,19 41,93 60,00 1,43 122,68
Jacatupé 22,31 276,15 12,38 - - - -
Cajá "corona" 118,56 1.145,22 9,66 - - - -
Cajá de verão 12,32 227,98 18,51 - - - -
Kenaf 5,89 24,63 4,18 - - - -
Alface 1,54 31,53 20,48 15,00 4.088,37 272,53 -92,49
Limão 193,38 4.654,80 24,07 462,49 11.671,61 25,24 -4,62
Fernaldia pandurata (loroco) 47,35 502,38 10,61 - - - -
Milho para consumo 20.036,06 230.788,56 11,52 2.024,97 38.596,52 19,06 -39,57
Milho e gergelim - - - 1,95 62,27 31,96 -
Milho e Feijão 5.179,59 53.148,73 10,26 227,65 2.419,96 10,63 -3,47
Milho e sorgo 2.911,92 26.950,59 9,26 33,44 290,79 8,70 6,42
Tangerina e outros citricos 73,77 2.912,29 39,48 - - - -
Manga 11,26 254,97 22,65 - - - -
Amendoim 21,37 158,74 7,43 - - - -
Maracujá 7,57 207,02 27,34 4,66 213,23 45,79 -40,29
Caju 126,45 1.939,66 15,34 58,01 252,00 4,34 253,11
Melão 10,76 187,19 17,39 - - - -
Muruci (nancite) 2,30 85,03 36,97 - - - -
Laranja 1.076,71 35.629,25 33,09 321,62 14.879,58 46,26 -28,47
Palma chamaedorea elegans 6,98 245,09 35,12 - - - -
Batata 47,41 2.757,92 58,17 15,45 792,63 51,29 13,41
Cultivo de papaia 26,81 1.492,01 55,65 6,42 527,85 82,27 -32,36
Guaba (Inga Spuria) - - - 38,44 590,00 15,35 -
Pepino e outros 11,48 248,12 21,62 3,61 493,42 136,82 -84,20
Salsa e folha cilantro 7,14 208,26 29,15 - - - -
Abacaxi 4,75 118,76 25,01 - - - -
Abobrinha (pipian), abóbora (ayote), etc. 153,14 2.040,92 13,33 - - - -
Plantas para a extração de corantes 0,88 11,70 13,24 - - - -
Outras plantas 19,42 83,24 4,29 - - - -
Plantas utilizadas para fins medicinais 23,23 700,93 30,17 9,23 257,80 27,94 7,96
Banana da terra 122,83 3.725,55 30,33 - - - -
Rabanete 2,15 70,33 32,78 - - - -
Repolho 130,15 11.576,57 88,95 84,70 6.777,70 80,02 11,15
Melancia 586,40 11.890,04 20,28 49,34 760,80 15,42 31,50
Sorgo para consumo 178,15 1.210,10 6,79 44,73 269,00 6,01 12,95
Sorgo e feijão 9,54 47,01 4,93 - - - -
Sorgo para fabricar vassouras 4,75 16,85 3,55 - - - -
Tabaco 7,72 57,71 7,47 - - - -
Tomate 74,01 2.695,05 36,41 9,50 759,86 79,96 -54,46
Mandioca 1.145,78 24.345,97 21,25 24,70 531,84 21,53 -1,32
Alimentação de animais 3,28 43,85 13,35 - - - -
Exploração diversificada e culturas em geral 5.921,57 55.138,50 9,31 3.556,68 231.906,15 65,20 -85,72
Total 136.632,07 1.586.363,58 11,61 51.276,64 3.285.223,83 64,07 -81,88

Familiar (AF) 54
Tabela 8 – Frutas, Grãos Básicos, Hortaliças e Vegetais
FRUTAS Area Produçao Rendimento Area Produçao Rendimento Relação-rendimento

hectares Toneladas (Ton./Ha) hectáres Toneladas (Ton./Ha) ((AF/ANF) -1)x100
Abacate 161,77 1.791,46 11,07 11,18 56,00 5,01 121,13

Cacau 1,39 88,91 63,84 - - - -
Coco 431,26 10.386,61 24,08 171,91 6.149,25 35,77 -32,67
Árvores frutais e outras plantas 168,40 5.377,65 31,93 205,02 7.825,99 38,17 -16,34
Morango 15,78 601,98 38,16 - - - -
Goiaba 3,12 205,63 65,93 13,67 423,92 31,02 112,57
Outras bananas 50,36 1.443,88 28,67 - - - -
Cajá "corona" 63,24 698,45 11,04 50,32 735,00 14,61 -24,39
Cajá de verão 2,18 47,95 21,96 - - - -
Limão 94,81 2.533,78 26,73 155,73 4.979,96 31,98 -16,43
Tangerina e outros citricos 5,64 233,37 41,39 - - - -
Manga 37,48 1.014,65 27,07 - - - -
Maracujá 1,52 42,87 28,27 - - - -
Caju - - - 10,48 25,60 2,44 -
Muruci (nancite) - - - 0,44 39,74 89,43 -
Laranja 401,53 16.279,18 40,54 69,93 2.723,77 38,95 4,10
Mamão 25,02 1.731,48 69,20 - - - -
Abacaxi 6,74 298,99 44,36 - - - -
Banana da terra 198,30 7.260,92 36,62 28,09 2.461,70 87,64 -58,22
Total 1.668,53 50.037,76 29,99 716,77 25.420,92 35,47 -15,44
GRÃOS BÁSICOS
Culturas em geral 1,71 6,84 4,01 - - - -

Arroz para consumo 1.115,91 14.365,96 12,87 471,84 5.830,04 12,36 4,19
Feijão para grão seco 873,26 1.666,30 1,91 - - - -
Milho para consumo 105.376,98 475.442,38 4,51 222,47 2.074,54 9,33 -51,62
Milho e Feijão 89.747,38 356.164,07 3,97 25,74 165,46 6,43 -38,27
Milho e sorgo 62.319,09 261.513,33 4,20 134,34 923,93 6,88 -38,99
Sorgo para consumo 1.162,31 3.424,08 2,95 - - - -
Sorjo e feijão 259,52 916,43 3,53 - - - -
Alimentação de animais 28,12 51,05 1,82 - - - -
Total 260.884,29 1.113.550,44 4,27 854,38 8.993,96 10,53 -59,45
HORTALIÇAS E VEGETAIS
Culturas em geral 1,32 203,83 154,53 - - - -

Ervilha para grão seco 7,87 70,40 8,94 - - - -
Agrião 2,05 58,85 28,65 - - - -
Cebola e cebolinha 4,08 206,18 50,51 - - - -
Pimentão doce e picante 44,79 1.208,23 26,98 - - - -
Chipilin (vegetal de folha) 24,01 1.057,80 44,06 - - - -
Outras hortaliças e vegetais 160,40 7.010,44 43,71 2,13 125,38 58,82 -25,69
Vagem (feijão de vagem) 9,17 189,97 20,71 14,54 17,10 1,18 1.660,26
Espinafre, morango e outros vegetais de folhas 82,06 2.780,25 33,88 - - - -
Chuchu 139,58 7.834,74 56,13 3,58 315,42 88,00 -36,21
Hortelã 0,11 4,09 37,20 - - - -
Jacatupé 11,49 298,13 25,95 - - - -
Alface 0,37 69,90 189,58 3,91 926,30 236,67 -19,90
Fernaldia pandurata (loroco) 67,12 487,14 7,26 1,40 10,00 7,15 1,45
Milho e Feijão 17,00 109,47 6,44 - - - -
Melão 15,64 477,67 30,53 - - - -
Quiabo - - - 21,38 280,97 13,14 -
Batata 14,97 712,04 47,56 3,17 205,25 64,74 -26,55
Pepino e outros 17,95 747,62 41,64 5,12 140,75 27,47 51,57
Salsa e folha cilantro 44,74 1.463,76 32,72 - - - -
Abobrinha (pipian), abóbora (ayote), etc. 180,21 3.781,63 20,98 4,12 17,30 4,20 400,17
Rabanete 28,52 1.032,21 36,19 - - - -
Repolho 90,18 12.158,83 134,83 32,41 4.012,81 123,83 8,88
Melancia 108,46 3.347,53 30,86 - - - -
Tomate 73,55 3.905,95 53,10 4,23 205,10 48,54 9,41
Mandioca 146,60 4.496,23 30,67 65,70 2.222,50 33,83 -9,34
Cenoura 0,10 4,35 42,92 0,84 125,60 149,76 -71,34
Total 1.292,36 53.717,23 41,57 162,53 8.604,47 52,94 -21,49

Familiar (AF) 55
Tabela 9 – Agroindustriais Anuais e Agroindústrias Permanentes e Semipermanente
AGROINDUSTRIAIS ANUAIS Área Produção Rendimento Área Produção Rendimento Relação-rendimento

hectares Toneladas (Ton,/Ha) hectares Toneladas (Ton,/Ha) ((AF/ANF) -1)x100
Gergelim (sesamo) 14,56 24,89 1,71 - - - -

Algodão 1,66 4,64 2,79 1.147,70 2.240,82 1,95 42,90
Amendoim 11,23 28,38 2,53 - - - -
Plantas utilizadas para fins medicinais - - - 0,70 13,10 18,74 -
Rosa de jamaica 3,89 6,23 1,60 - - - -
Soja para grão 0,63 1,44 2,29 - - - -
Tabaco 0,44 2,87 6,58 - - - -
Total 32,40 68,46 2,11 1.148,40 2.253,92 1,96 7,64
AGROINDUSTRIAIS PERMANENTES
E SEMIPERMANENTES
Cana de açúcar 2.556,03 216.697,69 84,78 21.556,86 1.815.128,39 84,20 0,69

Outros permanentes e semipermanentes - - -
Tempate 22,73 - - - - - -
Achiote 6,31 1,15 0,18 - - - -
Bambú 33,36 1.242,78 37,26 - - - -
Henequen 113,70 331,74 2,92 - - - -
Caju 47,52 104,83 2,21 1.188,12 4.590,00 3,86 -42,90
Outras plantas 4,33 32,23 7,44 - - - -
Plantas utilizadas para fins medicinais 8,87 244,81 27,59 - - - -
Outras culturas 27,28 646,69 23,71 - - - -
Total 2.820,13 219.301,92 77,76 22.744,98 1.819.718,39 80,01 -2,80

A Tabela 7, apresenta a produtividade da terra das atividades diversas26 . Estas ati-

vidades referem-se a estabelecimentos que praticam tanto atividades agrícolas e pecuárias.
Como já destacado, neste trabalho são consideradas apenas a produtividade das atividades
agrícolas. De forma geral, destaca-se que os estabelecimentos familiares têm um rendimento
81,88% menor que os estabelecimentos não familiares nas atividades diversas de produção.
De forma específica, nota-se que uma produtividade maior dos agricultores familiares para o
algodão, cacau, coco, feijão para grão seco, goiaba, banana, chuchu, henequen, milho e sorgo,
caju, batata, repolho, melancia, e sorgo para consumo. Para as demais atividades produtivas,
a produtividade da terra da AF é menor na produção de atividades diversas.
Na Tabela 8, para a produção de frutas, os estabelecimentos familiares têm uma
produtividade maior para a produção de abacate, goiaba, bananas, e nancito. Porém, de forma
geral, também destaca-se que, a produtividade da terra dos estabelecimentos familiares que
cultivam frutas é de 15,44% menor que a produção de mesmo cultivo para estabelecimentos
não familiares. Para a produção de grãos básicos, os estabelecimentos familiares têm um
rendimento de 59,45% menor que o rendimento dos estabelecimentos não familiares. Para
qualquer tipo de produção de grãos básicos, observa-se um rendimento da terra menor para
este grupo familiar de produção, com exceção da produção de arroz para consumo. Para a
26
Os estabelecimentos pertencentes a esta categoria, se dedicavam também a atividades pecuárias. Por tal
motivo, algumas atividades como abacate se repetem também na tabela de frutas. Porém, na tabela apenas
prevalecem os estabelecimentos agrícolas
Familiar (AF) 56
produção de hortaliças e vegetais, o rendimento dos estabelecimentos familiares é de 21,49%

menor que o rendimento da produção não familiar. Entretanto, o rendimento foi maior para
a produção de feijão de vagem, fernaldia pandurata (loroco), pepino e outros, aboborinha,
repolho, e tomate. Na Tabela 9 observa-se que, a AF é voltada para a produção de cultivos
agroindustriais anuais e tem uma produtividade maior em relação à ANF. Por último, nota-se
que, para a produção de estabelecimentos agroindustriais permanentes e semipermanentes,
há uma produtividade menor para a AF.
2.5.3 Desempenho Agrícola dos estabelecimentos familiares

Nesta subseção é apresentado brevemente o desempenho dos estabelecimentos famili-
ares em El Salvador. A Tabela 10 apresenta a produção e o desempenho da estrutura agrícola
por tipo de cultivo. Na estrutura agrícola por tipo de cultivo, são apresentadas as informa-
ções para cultivo total, cultivo de grãos básicos, outros cultivos e alguns grãos básicos e
outros cultivos excluindo grãos básicos, sendo que para cada um dos tipos são apresentadas
a superfície, a produção e o rendimento.
Nas informações sobre cultivo total tem-se que a AF ocupa mais de quatrocentos mil
hectares, que correspondem a 84% da superfície total utilizada para cultivos, e produz mais
de três milhões de toneladas, que correspondem a 37% do total produzido, o que leva a um
rendimento total médio de 7,5 toneladas por hectare. A Agricultura Não Familiar (ANF)
utiliza menos de 100 mil hectares (76.903,70) para os seus cultivos, que correspondem ao
16,0% de superfície utilizada, e produz acima de cinco milhões de toneladas, isto é, 63% de
total produzido. Em questão de rendimento total médio, o estabelecimento não familiar tem
um rendimento total de 66,97 toneladas por hectare, rendimento muito maior se comparado
com a AF. De forma geral, a estrutura agrícola utiliza quase meio milhão de hectares e produz
acima de oito milhões de toneladas, tendo uma produtividade total de 17,02 toneladas por
hectare.
Nos estabelecimentos que só produzem grãos básicos verifica-se que, a AF utiliza 98%
da superfície total e contribui com 96% da produção de grãos básicos, com maior peso da
Agricultura Familiar de Subsistência tipos A e B, que fornecem 74,8% da produção de grãos
básicos, e os estabelecimentos familiares comerciais contribuem com 25,2% da produção. Os
estabelecimentos não familiares contribuem com 4% de produção de grãos básicos e utilizam
2% da superfície total. De forma geral, a produtividade da terra para os cultivos de grãos
básicos foi de 4,46 toneladas por hectare, sendo maior a produtividade da agricultura não
familiar, 7,07 toneladas por hectare, em relação à AF que teve um rendimento de 4,39 tone-
ladas por hectare. Destaca-se, aqui, a importância da contribuição da AF para a segurança
alimentar do país.
Tabela 10 – Estrutura Agrícola por Tipo de Cultivos
A. Cultivo Total
(A = B + C + D) B. Cultivo de Grãos básicos C. Outros cultivos e alguns graõs basicosD. Outros cultivos excluindo grãos basicos
Estrutura Agricola Superficie Produção Rendimento Superficie Produção RendimentoSuperficie Produção Rendimento Superficie Produção Rendimento
Hectares Toneladas Ton/ha Hectares Toneladas Ton/ha Hectares Toneladas Ton/ha Hectares Toneladas Ton/ha
Agricultura Familiar (AF) 403.329,733.023.039,40 7,50 372.356,831.635.693,89 4,39 19.874,38 822.205,11 41,37 11.098,51 565.140,40 50,92
0,84 0,37 0,98 0,96 0,64 0,49 0,16 0,12
AFS tipo A 251.633,60 900.923,80 3,58 251.633,60 900.923,80 3,58 0,00 0,00 0,00 0,00 0,00 0,00
62,4% 29,8% 67,6% 55,1% 0,0% 0,0% 0,0% 0,0%
AFS tipo B 43.324,55 321.680,10 7,42 43.324,55 321.680,10 7,42 0,00 0,00 0,00 0,00 0,00 0,00
10,7% 10,6% 11,6% 19,7% 0,0% 0,0% 0,0% 0,0%
AFC tipo C 95.747,73 921.056,70 9,62 75.247,45 401.253,20 5,33 15.230,79 416.718,90 27,36 5.269,50 103.084,60 19,56
23,7% 30,5% 20,2% 24,5% 76,6% 50,7% 47,5% 18,2%
AFC tipo D 12.623,85 879.378,80 69,66 2.151,23 11.836,79 5,50 4.643,60 405.486,21 87,32 5.829,02 462.055,80 79,27
3,1% 29,1% 0,6% 0,7% 23,4% 49,3% 52,5% 81,8%
Agricultura Não Familiar (ANF) 76.903,70 5.150.215,10 66,97 8.982,15 63.504,59 7,07 11.210,95 861.853,91 76,88 56.710,59 4.224.856,60 74,50
16,0% 63,0% 2,4% 3,7% 36,1% 51,2% 83,6% 88,2%
Estabelecimento mediano 16.662,31 852.110,10 51,14 4.909,20 30.459,39 6,20 3.793,29 262.472,11 69,19 7.959,82 559.178,60 70,25
21,7% 16,5% 54,7% 48,0% 33,8% 30,5% 14,0% 13,2%
Estabelecimento grande 60.241,39 4.298.105,00 71,35 4.072,96 33.045,20 8,11 7.417,66 599.381,80 80,80 48.750,77 3.665.678,00 75,19
78,3% 83,5% 45,3% 52,0% 66,2% 69,5% 86,0% 86,8%
Total 480.233,438.173.254,50 17,02 381.338,991.699.198,48 4,46 31.085,34 1.684.059,02 54,18 67.809,11 4.789.997,00 70,64
100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0%
Tabela 11 – Desempenho Agrícola por Tipo de Agricultura

Total (todos os cultivos) Grãos basicos Outros cultivos
Superficie Produção RendimentoRendimento Superficie Produção RendimentoRendimento Superficie Produção RendimentoRendimento
Tipo de agricultura média média médio total média média médio total média média médio total
Agricultura Familiar (AF) 1,08 8,13 5,86 7,50 1,02 4,47 4,52 4,39 1,60 81,24 43,03 50,92
Observações 371.849,00371.849,00 371.849,00 - 365.676,50365.676,50 364.892,20 - 6.956,85 6.956,85 6.956,85 -
mínimo 0,01 0,00 0,00 - 0,00 0,00 0,00 - 0,07 0,00 0,00 -
máximo 46,13 3.354,80 429,25 - 27,96 367,50 40,92 - 32,50 3.063,76 429,25 -
Agricultura Não Familiar (ANF) 21,11 1.413,73 43,96 66,97 4,49 31,72 5,78 7,07 32,81 2.444,29 64,15 74,50
Observações 3.642,99 3.642,99 3.642,99 - 2.001,81 2.001,81 1.914,53 - 1.728,46 1.728,46 1.728,46 -
mínimo 0,07 0,00 0,00 - 0,00 0,00 0,25 - 0,07 0,00 0,00 -
máximo 2.167,28 175.526,90 306,99 - 304,72 2.940,00 33,77 - 2.167,28 175.526,90 306,99 -
Total 375.492 366.807 8.685
57
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
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.
Tabela 12 – Desempenho Agrícola para Tipo de Estabelecimento
Cultivos total Grãos básicos

Tipo de estabelecimento Média Desvio-Padrão Mínimo Máximo Média Desvio-Padrão Mínimo Máximo
Familiar
AFS tipo A
Superfície 0,97 0,74 0,01 12,58
Produção 3,46 2,95 0,01 48,00
Rendimento médio por estabelecimento 3,64 1,30 0,02 6,00
Rendimento total médio 3,58 - - -
AFS tipo B
Superfície 0,70 0,54 0,01 5,59
Produção 5,22 3,87 0,05 44,00
Rendimento médio por estabelecimento 7,67 1,45 6,00 17,89
Rendimento total médio 7,42 - - -
AFC tipo C
Superfície 2,13 2,19 0,07 46,13 1,82 1,90 0,00 27,96
Produção 20,53 36,61 0,00 966,60 9,69 12,80 0,00 367,50
Rendimento médio por estabelecimento 9,83 8,55 0,00 39,99 5,32 2,64 0,00 39,35
(N= 4.091 grãos básicos)
Rendimento total médio 9,62 - - - 5,33 - - -
Observações 44.867 41.428
AFC tipo D
Superfície 2,70 4,31 0,07 44,73 1,11 1,77 0,00 16,77
Produção 188,08 323,29 2,80 3.354,80 6,10 9,97 0,00 120,00
Não Familiar
Estabelecimento mediano
Superfície 6,13 6,80 0,07 43,33 2,97 3,33 0,00 27,96
Produção 313,49 534,06 0,00 3.801,17 18,44 27,78 0,00 363,60
Estabelecimento grande
Superfície 65,14 143,76 0,07 2.167,28 11,64 25,38 0,00 304,72
Produção 4.647,50 11.544,85 0,00 175.526,90 94,41 252,97 0,00 2.940,00
(N= 299 grãos básicos)
Observações 925 350
Familiar (AF) 60
A Tabela 12 expressa o desempenho agrícola para tipo de estabelecimento. Lembrando

que na categorização da AF, foi tomado o critério da concentração de dados na distribuição
da produtividade da terra. Em tal sentido, tem-se o primeiro grupo constituído pelos tipos
A e B, e o segundo grupo pelos tipos C e D. O tipo A são os estabelecimentos que tem
um rendimento de zero a 6 toneladas por hectáre, o tipo B acima de 6 hectáres, o tipo C
tem um rendimento de até 40 toneladas por hectáre, e o tipo D um rendimento acima de 40
toneladas por hectáre. A Tabela 12 complementa as informações da Tabela 10 e apresenta os
rendimentos médios por estabelecimento e por tipo de agricultura. Os rendimentos mínimos e
máximos dos cultivos totais da AF são resultados da categorização feita neste trabalho. Para
o cultivo de grãos básicos, os rendimentos médios por estabelecimento são maiores entre a AF
de subsistência em comparação com os rendimentos da AF Comercial e os estabelecimentos
não familiares de porte mediano. Porém, observa-se que de forma geral, a ANF tem altos
rendimentos se comparados com cada categoria da AF.
2.5.4 Estrutura Agrária, Posse da Terra, Gestão e Formas de Organização dos

Estabelecimentos Familiares
O III Censo Agropecuário foi em 1971 e revelou que o número de produtores para essa
época foi de 270.868. No IV Censo Agropecuário 2007-2008, o número de produtores foi de
395.588, ou seja, 397309 estabelecimentos/explorações. Houve um aumento significativo na
estrutura agrária-produtiva, porém, alguns problemas de concentração da propriedade ainda
persistiram conforme a Curva de Lorenz e Índice de Gini28 (Figura 8). Tem-se que 50% dos
estabelecimentos concentram 8,6% da superfície total utilizada para produção (considerando
a superfície toda: cultivos, café, etc), e 80% dos estabelecimentos concentram 20% da su-
28
A curva de Lorenz é um gráfico de distribuição relativa que combina no eixo horizontal a distribuição
acumulada da população agropecuário, em %, e no eixo vertical a porcentagem acumulada da superfície
utilizada. Seja 𝑋, a superfície utilizada pelos estabelecimentos agropecuários. A função de distribuição
acumulada de 𝑋, é dada como 𝐹𝑋 (𝑥) = 𝑃 𝑟(𝑋 ≤ 𝑥) e a inversa da função distribuição é dada como
−1
𝑄𝑋 (𝑝) = 𝐹𝑋 (𝑥) = 𝑖𝑛𝑓 {𝑥|𝐹𝑋 (𝑥) ≥ 𝑝}, com 𝑝 ∈ [0, 1]. Para a variável continua 𝑋, da superfície dos
estabelecimentos. De acordo com Jann (2016.) a ordenada da curva de Lorenz relativa é dada por:
∫︀ 𝑄𝑃𝑋
𝑦𝑑𝐹𝑋 (𝑥)
𝐿𝑋 (𝑝) = ∫︀∞∞ (2.1)
∞
𝑥𝑑𝐹𝑋 (𝑥)
Um ponto na curva de Lorenz quantifica a proporção dos estabelecimentos que menos concentram
terras dado pelo 𝑝100 porcentagem da população, a qual é dada por:
∑︀𝑁
𝑖=1 𝑋𝑖 , 𝐼{𝑋𝑖 ≤ 𝑄𝑃
𝑋}
𝐿𝑋 (𝑝) = ∑︀𝑁 (2.2)
𝑖=1 𝑋𝑖
Com I(A) um indicador da função que tende a 1 se A é verdadeiro, ou 0 caso contrário.

O Índice de Gini (IG) é a razão entre a área sob a curva de perfeita igualdade “s”(linha de 45 graus), e
a Área sob a Curva de Lorenz k. O Índice de Gini é dado por (s/s+k). Neste caso deriva-se o IG da curva
de Lorenz, que tomará valores entre 0 e 1, sendo que mais próximo de 1, representa maior desigualdade
Familiar (AF) 61
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.
Figura 8 – Distribuição da Terra em El Salvador.
A Tabela 13 mostra a distribuição da superfície utilizada para os tipos de cultivo. A

estrutura se destina maioritariamente para monocultivos, voltados para a agroexportação do
país, como o caso de grãos básicos (41,1%), seguido de cana de açúcar (7,0%), café (16,4) e
Pecuária e outros (31,8%).
Na Tabela 14 são apresentadas as distribuições do setor agrícola em valores absolutos
e relativos em relação ao total. Pode-se notar que 68,09% dos estabelecimentos agropecuários
têm até 1 hectare, 22,23% têm de 1-3 hectares e, 4,08% têm de 3-6 hectares, de modo que
94,4% dos estabelecimentos tem até 6 hectares. Os estabelecimentos, na categoria de ANF,
concentram as superfícies mais extensas do país.
da distribuição da terra. O IG é dado por
∫︀ 1 ∫︁ 1
0
(𝑝 − 𝐿𝑋 (𝑝))𝑑𝑝
𝐼𝐺 = ∫︀ 1 =1−2 𝐿𝑋 (𝑝)𝑑𝑝 (2.3)
0
𝑝𝑑𝑝 0
Para maiores detalhes ver Hoffmann (1998).

Familiar (AF) 62
Tabela 13 – Distribuição da Superfície Total por Tipos de Cultivos
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
Tabela 14 – Distribuição da Superfície por Tipo de Agricultura
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
A Tabela 15 mostra a posse da terra em relação aos estabelecimentos da AF e ANF.

Pode-se observar que uma proporção maior da ANF é proprietária da terra (87%) se com-
parada com a AF (45%), e em relação ao acesso à terra na condição de alugadas, a AF tem
uma proporção maior (54%) em comparação com a ANF (21%). De forma desagregada, uma
proporação maior da AFC está na condição de proprietários se comparados com a AFS. Na
Tabela 16 é apresentado o tipo de administração dos estabelecimentos familiares, no qual a
condição jurídica é de pessoa física, e o tipo de organização dos estabelecimentos é o produ-
tor individual que chefia ou gestiona o estabelecimento em questão. A AF se caracteriza por
serem administradas por homens, 89%, e uma proporção pequena por mulheres, 11%.
Familiar (AF) 63
Tabela 15 – Posse da Terra por Tipo de Agricultura
Posse da terra Propria Alugada Arrendada Outras formas

Estrutura agrícola
AFS Tipo A 42% 56% 9%
AFS Tipo B 39% 57% 9%
AFC Tipo C 72% 40% 3% 8%
AFC Tipo D 80% 26% 3% 4%
ANF Mediano 86% 24% 4% 5%
ANF Grande 88% 12% 9% 6%
Tipo de Agricultura
ANF 87% 21% 5% 5%
AF 45% 54% 3% 9%
Nota: O estabelecimento pode aparecer em mais de uma categoria,
porque parte dele pode ser proprio e ao mesmo tempo alugado
Tabela 16 – Condição Jurídica, Gênero e Tipo de Organização da AF
Tipo A Tipo B Tipo C Tipo D Total

Condição Jurídica
Pessoa física 260.724 61.583 44.867 4.676 371.849
% 70,12 16,56 12,07 1,26 100,00
Pessoa jurídica 0,00 0,00 0,00 0,00 0,00
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
2.5.5 Insumos, Práticas Utilizadas e Assistência Técnica

Em relação à utilização de insumos (desconsiderando a pecuária), a Tabela 17 revela
que 11,6% da AF não utiliza algum tipo de insumo e 26% da ANF não emprega algum
tipo de insumo. A AF utiliza material para semear, constituído por sementes crioula (na-
tural ou nativa), semente melhorada, semente certificada e material vegetativo, e também
Familiar (AF) 64
utiliza agroquímicos como adubo ou fertilizante sólido ou líquido, fungicidas, bactericidas,

nematicidas e antibióticos na produção de suas culturas. A utilização destes dois tipos de
insumos, sementes e agroquímicos, é predominante na produção de grãos básicos e na maioria
das atividades agrícolas da AF. Por sua vez, a utilização de agente químico é utilizada em
proporções abaixo de 20% nas atividades da AF. De forma geral, tanto a AF como a ANF
utilizam preponderantemente agroquímicos nas suas atividades agrícolas, seguido de material
para semear.
Tabela 17 – Utilização de Insumos para Atividades da AF e ANF

AF ANF
Material agro- Agentes Não Material agro- Agentes Não
Insumo/Atividades para químicos Químicos utiliza para químicos Químicos utiliza
semear insumos semear insumos
Atividades diversificadas 98,6% 99,2% 11,6% 11,6% 86,2% 97,9% 26,8% 26,0%
Agroindustriais anuais 87,8% 83,5% 20,5% 16,8% 61,0% 97,1% 55,2% 52,3%
Cana-de-açucar 56,4% 99,1% 17,7% 8,3% 58,2% 99,9% 34,3% 23,4%
Frutas 41,8% 94,3% 6,4% 4,0% 48,9% 96,1% 7,7% 3,9%
Grãos básicos 99,9% 99,2% 0,4% 0,4% 100,0% 100,0% 24,7% 24,7%
Hortaliças 83,2% 99,4% 5,8% 5,6% 93,9% 95,2% 7,6% 7,6%
Outros agroindustrias
permanantes e semi- 40,6% 57,2% 0,0% 0,0% 0,0% 0,0% 0,0% 0,0%
permanentes
Referente às práticas agrícolas, a Tabela 18 mostra que todos os estabelecimentos

familiares e não familiares fazem preparação do solo e utilizam controle químico e aplicação
de adubo para as atividades agrícolas. A prática menos utilizada pelos estabelecimentos
familiares e não familiares é a irrigação por gotejamento e outros trabalhos para culturas.
Ao analisar a assistência técnica na Tabela 19, 4,8% dos estabelecimentos agrícolas
recebem assistência técnica e 95,2% não recebem nenhum tipo de assistência técnica. Mais
de um terço dos estabelecimentos não familiares recebem assistência técnica, e menos de
5% dos produtores familiares recebem assistência técnica. Dos estabelecimentos de AF que
receberam assistência técnica, têm-se que 50,2% foram assistidas pelo Centro Nacional de
Tecnologia Agropecuária e Florestal (CENTA) de El Salvador, que se encarrega de realizar
pesquisas técnicas por meio de ensaios e transferir tecnologias a tais produtores.
Ainda, dos estabelecimentos de AF, 22,0% foram auxiliadas pelo Ministério de Agri-
cultura y Ganaderia (MAG), e 1,7% recebeu assistência pelo Instituto Salvadorenho de Trans-
formação Agrária (ISTA), que se encarga de dar acompanhamento ao processo de transfor-
mação agrária do país. Por sua vez, os estabelecimentos de ANF receberam assistência maio-
ritariamente de cooperativas, de associação de outros produtores e de instituições financeiras
ou bancárias. A forma de assistência da AF se deu predominantemente sob a forma de visitas
Familiar (AF) 65
Tabela 18 – Práticas Agrícolas para as Atividades da AF e ANF
Prepação controle Irrigação Irrigação Irrigação Labores Proteção Resemeamento

do quimico por por por para de e
Tipo de atividades e praticas utilizadas solo e aplicação gravidade aspersão goteamento culturas cultivos plantação
de aduvo
Tipo de atividades Agricultura Familiar
Atividades diversificadas 100% 100% 5% 3% 1% 1% 5% 7%

Agroindustriais anuais 100% 100% 5% 0% 0% 0% 0% 7%
Cana de açucar 100% 100% 1% 2% 0% 0% 24% 20%
Frutais 100% 100% 9% 6% 4% 4% 6% 23%
Grãos básicos 100% 100% 1% 0% 0% 0% 0% 0%
Hortalizas 100% 100% 23% 17% 3% 3% 5% 15%
permanantes e semi permanentes 100% 100% 20% 0% 2% 2% 12% 13%
Tipo de atividades Agricultura Não Familiar
Atividades diversificadas 100% 100% 10% 12% 5% 5% 27% 33%

Agroindustriais anuais 100% 100% 3% 3% 0% 0% 3% 3%
Cana de açucar 100% 100% 6% 2% 0% 0% 36% 23%
Frutais 100% 100% 29% 33% 31% 31% 18% 56%
Grãos básicos 100% 100% 25% 2% 0% 0% 3% 17%
Hortalizas 100% 100% 23% 56% 5% 5% 8% 9%
permanantes e semi permanentes 0% 0% 0% 0% 0% 0% 0% 0%
Tabela 19 – Assistência Técnica para AF e ANF
Se teve Assistência Técnica

Tipo de agricultura
Não Recebeu Recebeu Total
ANF 63,6% 36,4% 100,0%
AF 95,6% 4,4% 100,0%
Total 95,2% 4,8% 100,0%
Instituições que forneceram Assistência Têcnica
Estrutura Agrícola MAG CENTA ISTA Cooperativa Associação ONG Instituição
Financeira
AF 22,0% 50,2% 1,7% 7,9% 4,2% 16,5% 1,8%
AFS Tipo A 18,4% 54,8% 1,8% 6,0% 2,4% 18,1% 0,9%
AFS Tipo B 16,7% 50,0% 2,8% 13,0% 2,2% 14,6% 3,1%
AFC Tipo C 28,5% 45,1% 1,4% 7,6% 6,4% 15,6% 2,4%
AFC Tipo D 25,6% 39,7% 1,0% 15,5% 12,3% 12,9% 2,1%
ANF 31,3% 20,2% 0,8% 13,6% 31,6% 9,3% 2,8%
ANF Mediano 29,2% 20,9% 0,5% 15,2% 29,0% 9,2% 2,1%
ANF Grande 34,8% 18,8% 1,4% 10,8% 36,2% 9,5% 4,1%
Forma de assistencia técnica
Tipo de agricultura
Visitas ao estabelecimento Palestras, seminarios Informação escrita
ANF 81,7% 38,2% 16,7%
AF 55,0% 46,5% 13,1%
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,
Familiar (AF) 66
pode-se observar um déficit de assistência técnica para agricultura nos anos 2007-2008.
2.5.6 Acesso a Tecnologias, Mercados, e a Financiamento

As Tabelas 20 e 21 mostram que 52,39% dos estabelecimentos não familiares usam
tratores para atividades diversicadas (42%), cultivos agroindustriais anuais (97%), cultivo de
cana-de-açúcar (94%) e cultivo de grãos básico (72%). Na AF apenas 3,39% deles usam trato-
res para suas atividades relacionadas também com atividades diversificadas (13%), cultivos
agroindustriais anuais (39%), cana-de-açúcar (78%), cultivo de frutas (7%), grãos básicos
(1%) e hortaliças (17%). Tanto o uso de semeadoras mecânicas como de rastelos é pouco
expressivo na AF em relação à ANF. Destaca-se que dos 2,55% dos estabelecimentos de AF
que usam rastelos, 65% é para cultivo de cana-de-açucar.
Tabela 20 – Utilização de Maquinários, Ferramentas, Equipamentos e Instalações da AF e

ANF
Capital Físico ANF AF

Maquinários
Tratores 52,39% 3,39%
Rastelos 44,99% 2,55%
Semeadora mecânica 5,77% 0,10%
Ferramentas
Arados 54,03% 4,25%
Moto-serra 14,42% 0,66%
Equipamentos
Para irrigação 23,60% 4,54%
Para fumigação ou aspersão 89,55% 93,81%
Para colheita 31,52% 29,28%
Instalações
Quintal para secagem 6,49% 0,25%
Armazenamento de agua 10,07% 0,29%
Salas de tratamento de grãos 0,83% 0,03%
A ferramenta mais utilizada pelos estabelecimentos não familiares é o arado (54,03%),

utilizado para o cultivo de cana-de-açúcar (90%) e grãos básicos (70%); 4,25% dos AF utilizam
como ferramenta arados para atividades relacionadas à cana-de-açúcar (78%), agroindustriais
anuais (23%) e hortaliças (20%).
Tabela 21 – Utilização de Máquinas, Ferramentas, Equipamentos e Instalações por Tipo de Atividade
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
67
Familiar (AF) 68
Em relação à utilização de equipamentos, os estabelecimentos não familiares utilizam

equipamento de irrigação (23,60%) para atividades relacionadas à culturas de frutas (66%),
grãos básicos (27%) e cultivo de hortaliças (87%). A agricultura familiar utiliza proporções
expressivas para cultivos de frutas (2%), para hortaliças (50,17%) e para cultivos agroin-
dústrias semipermanentes e permanentes (22%). A maioria dos estabelecimentos familiares
como não familiares utiliza equipamentos relacionados à fumigação ou aspersão para o cui-
dado de seus cultivos. Em relação a equipamentos usados para colheita de cultivos, 31,6%
dos estabelecimentos não familiares utilizam para grãos básicos (66%), para agroindustriais
anuais (45%) e para atividades diversas (36%); 28,25% dos produtores familiares utilizam
equipamentos para colheita de grãos básicos (29%) e para atividades diversas (31%). As
instalações para atividades mais utilizadas pela ANF são espaços para secagem de cultivos
(6,49%), para armazenamento de água (10,07%) e salas de tratamento de grãos (0,83%).
Os agricultores familiares utilizam poucas instalações, menos do 1% utilizam quintal para
secagem, ou armazenamento de água, ou salas de tratamento de grãos.
Em relação ao acesso ao mercado, na Tabela 22 observa-se que 66,5% dos estabele-
cimentos familiares utilizam canais de comercialização e 99,7% dos estabelecimentos não fa-
miliares também utilizam canais de comercialização. Os estabelecimentos familiares utilizam
as cooperativas em proporções mínimas como meio de comercialização, e os estabelecimen-
tos na categoria da AF de Subsistência não exportam, com exceção da AFC tipo C e D. A
AF de Subsistência, encontra-se em uma situação vulnerável devido à suas características
particulares de produção e recursos disponíveis.
Tabela 22 – Utilização de Canais de Comercialização
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%
A Tabela 23 mostra a relação ao mercado de trabalho, especificamente a demanda

Familiar (AF) 69
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%).
Tabela 23 – Demanda de Trabalho Temporário e Permanente da AF e a ANF
Contratou empregados temporarios ou permanentes
Estrutura agrícola Sim Não Total

63,44% 36,56% 100%
AF 62,75% 37,25% 98,1%
ANF 99,58% 0,42% 1,9%
Mercado de Trabalho AF ANF Total
Total trabalho (=100%) 813.314434.390,4 1.247.704
% 65,2% 34,8% 100,0%
Empregos com contrato fixo (= 5%) 29.282 34.979 64.261
Empregos com contrato temporário (=95%) 784.032 399.412 1.183.443
Distribuição do trabalho por gênero (=100%)813.314 434.390 1.247.704
Emprego homem =(90%) 763.735 306.564 1.070.299
Homens com contrato fixo 28.790 29.815 58.604
Homens com contrato temporário 763.735 306.564 1.070.299
Emprego mulher(=10%) 20.789 98.012 118.801
Mulher com contrato fixo 493 5.164 5.657
Mulher com contrato temporario 20.296 92.848 113.144
Distribuição agropecuária =(100%) 813.314 434.390 1.247.704
Trabalho para atividades agrícolas (=96%) 776.962 416.436 1.193.397
Homens com contrato temporario 741.471 299.319 1.040.790
Mulher com contrato fixo 347 4.239 4.586
Mulher com contrato temporário 20.091 92.260 112.351
Trabalho para atividades pecuárias (=4%) 36.352 17.954 54.307
Homens com contrato temporário 22.264 7.245 29.509
Mulher com contrato fixo 146 925 1.071
Mulher com contrato temporário 206 588 793
É importante ressaltar que a base de dados corresponde às vagas oferecidas pelos

produtores e não necessariamente representam o número de empregados. Por exemplo, se
um produtor durante o ano ofereceu 3 vagas de emprego e o contrato tem uma durabilidade
média de um mês, pode decorrer que, nesse ano essas mesmas pessoas tenham encontrado
emprego em outra fazenda ou estabelecimento que também ofereceu vagas temporárias. Neste
Familiar (AF) 70
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
Tipo de agricultura Aprovação do crédito por tipo de Agricultura

Aprovado Reprovado Total
AF 36.621 560 37.181
% 98,49 1,51 100,00
AFS Tipo A 21.777 408
AFS Tipo B 5.811 78
AFC Tipo C 8.164 68
AFC Tipo D 869 6
ANF 1.156 6 1.162
% 99,46 0,54 100,00
ANF Mediano 792 5
ANF Grande 364 1
Total 37.777 567 38.343
% 98,52 1,48 100,00
Ao observar o tipo de instituição financeira percorrido pelos produtores, Tabela 25,

constata-se que os estabelecimentos familiares têm financiamento de banco privado (31,84%),
de emprestador local (24,37%) e de banco estatal (22,40%). Os estabelecimentos não fa-
miliares que receberam financiamento, foram de banco privada (42,47%), de banco estatal
Familiar (AF) 71
(31,43%) e de cooperativas (14,47%). O destino de crédito para ambos tipos de estabeleci-

mentos (familiares e não familiares) foi para atividades agrícolas. Os estabelecimentos não
familiares destinaram 95,12% do financiamento para atividades agrícolas e a AF destinou
97,61% do crédito para atividades agrícolas. Quantidades irrisórias foram destinadas para
refinanciamento e para maquinário e equipamentos.
Tabela 25 – Fonte e Destino de Financiamento da AF e ANF
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%
2.6 Considerações Finais do Capítulo

Este capitulo contribui com a construção de um universo para análise da AF, a partir
dos dados do IV Censo Agropecuário 2007-2008 de El Salvador, e por meio da análise uni-
variado, foi possível obter a distribuição dos dados e estratificar a AF. De forma geral, cada
categoria dos estabelecimentos familiares se distribui-se de maneira homogênea nos departa-
mentos de El Salvador, com maior presença da AFS tipo A, a menos capitalizada, e menor
presença da AFC tipo D, mais capitalizada.
Tem-se que 79,4% da superfície cultivada é utilizada para grãos básicos; 13,4% para
cana-de-açúcar, 41,1% da superfície é utilizada para cultivo de grãos básicos (feijão, sorgo,
milho e arroz), 7,0% para cultivo de cana de açúcar, 16,4% para cultivo de café e 31,8%
para pecuária. A produtividade para atividades diversas foi de 81,88% menor para estabe-
lecimentos familiares em relação aos estabelecimentos não familiares. A produtividade de
frutas foi 15,44% menor para estabelecimentos familiares em relação aos não familiares; a
produtividade de grãos básicos foi maior para os estabelecimentos não familiares em 59,45%
em relação aos estabelecimentos familiares; situação similar para o cultivo de hortaliças e
vegetais, onde a produtividade da AF foi menor em 21,49% em relação à ANF. Em relação a
Familiar (AF) 72
agroindústria, a produtividade dos cultivos semipermanentes e permanentes da AF foi menor

em 2,80% em relação à ANF, a exceção dos cultivos agroindustriais anuais, que a AF teve
uma produtividade maior (7,64%) em relação à ANF.
De modo geral, a AF contribui com 96% da produção de grãos básicos (excluindo
outros cultivos e alguns grãos básicos), e a ANF com 4%. Excluindo grãos básicos, a ANF
contribui com 88% da produção de outros tipos de cultivos e a AF (tipos C e D) com 12%.
A AF corresponde a um total de 371.849 estabelecimentos, os quais estão distribuídos da
seguinte forma29 :
∙ Agricultura Familiar de Subsistência tipo A: nesta categoria, houve 260.724 estabele-

cimentos que corresponderam ao 70,12% do total de estabelecimentos familiares, com
cultivo apenas de grãos básicos. Teve uma produtividade total média (só cultiva grãos
básicos) de 3,58 toneladas por hectare e uma produtividade média por estabelecimento
de 3,64 toneladas por hectare. A superfície média foi de 0,97 hectares por estabeleci-
mento e o tamanho do estabelecimento variou entre 0,01 até 12,58 hectares. A produção
média foi de 3,46 toneladas por estabelecimento, com produção entre 0,02 e 6,00 tone-
ladas. Esta categoria de AF, contribuiu com 55,1% da produção total de grãos básicos.
∙ Agricultura Familiar de Subsistência tipo B: esta categoria tem 61.583 estabelecimen-

tos, uma proporção de 16,56% do total de estabelecimentos familiares e cultiva apenas
grãos básicos. Tem uma produtividade total média de 7,42 toneladas por hectare para
estabelecimento, uma produtividade média de 7,67 toneladas por estabelecimento. A
superfície media é 0,70 hectares por estabelecimento e o tamanho do estabelecimento
varia entre 0,01 e 5,59 hectares. A produção média é de 5,22 toneladas por estabele-
cimento e a produção entre 6 e 17,89 toneladas por estabelecimento. A AFS tipo B,
contribuem com 19,7% da produção total de grãos básicos.
∙ Agricultura Familiar Comercial tipo C: esta categoria correspondeu a 12,07% do total

da produção, com um total de 44.867 estabelecimentos familiares, cultiva grãos básicos
e outros itens. Para grãos básicos, esta categoria teve uma produtividade total média
de 5,33 toneladas por hectare para estabelecimento e uma produtividade média de 5,32
toneladas por estabelecimento. A superfície média foi de 1,82 hectares por estabeleci-
mento e o tamanho do estabelecimento variou entre 0,00 e 27,96 hectares. A produção
média foi de 9,69 toneladas por estabelecimento, e produção entre 0 e 367,50 tonela-
das por estabelecimento. Considerando outros itens, a produtividade total média foi de
9,62 toneladas e a produção média foi de 20,53 toneladas por estabelecimento, sendo
29
Os dados expostos a seguir correspondem às Tabelas 10, 11 e 12
Familiar (AF) 73
a produção entre 0 e 966,60 toneladas por estabelecimento. Em relação à produção de

grãos básicos, a AFC tipo C contribuiu com 24,5% da produção total de grãos básicos e
30,5% da produção total considerando outros itens. Por último, a superfície média por
estabelecimento foi de 2,13 hectares e o tamanho variou entre 0,07 e 46,13 hectares.
∙ Agricultura Familiar Comercial tipo D: aqui somam 4676 estabelecimentos comerciais,

cuja proporção foi de 1,26% em relação ao total de estabelecimentos familiares, cultiva
grãos básicos e outros itens. Para grãos básicos, teve uma produtividade total média
de 5,50 toneladas por hectare para cada estabelecimento e uma produtividade média
de 5,63 toneladas por estabelecimento. A superfície média foi de 1,11 hectares por
estabelecimento e o tamanho do estabelecimento variou entre 0,00 e 16,77 hectares. A
produção média foi de 6,10 toneladas por estabelecimento, e produção entre 0 e 120
toneladas por estabelecimento. Considerando outros itens, a produtividade total média
foi de 69,66 toneladas por hectare e a produtividade média foi de 67,47 toneladas por
estabelecimento, a produção média foi de 188,08 toneladas por estabelecimento, com
produção entre 2,80 e 3.354,80 toneladas por estabelecimento. Em relação à produção
de grãos básicos a AFC tipo D contribui com 0,7% da produção total de grãos básicos,
e 29,1% da produção total, considerando cultivos de grãos básicos, outros cultivos e
alguns grãos básicos e, outros cultivos excluindo grãos básicos. E por último, a superfície
media deste tipo de estabelecimento é 2,70 hectáres, e varia o tamanho entre 0,07 e
44,73 hectáres.
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
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.
2.6.1 Comentários: Aspectos Econômicos e Institucionais da AF Salvadorenha

De um ponto de vista microeconômico encontrou-se que existe uma carência de in-
centivos políticos e econômicos para a setor agropecuário e, em particular, para a AF. A
literatura referente a este tema, evidência este fato. Algumas deficiências do setor agropé-
cuario foram apontadas por Aghón et al. (2001, p. 13-14), para micro e pequenas empresas
latino-americanas, onde foi destacada algumas limitações como a falta de informação, baixo
nível de capacitação empresarial e tecnológico, carência de financiamento de longo e de mé-
dio prazo, baixa qualificação, baixo grau de associativismo e problemas do lado da oferta de
instrumentos de fomento produtivo como ineficiência, geração descoordenada e falta de visão
integrada dos territórios.
Constatou-se que essas características não são diferentes para a AF salvadorenha
na atualidade. Ao ser analisados os recursos disponíveis e os fatores de produção da AF
salvadorenha, pode-se destacar a resiliência como qualidade importante frente à concentração
da pobreza, baixa articulação institucional, incentivos econômicos e falta de políticas com
um foco para a integração da agricultura do país. É certo que a partir de 2011, o governo
começou a dar passos para fortalecê-la, porém, ainda está longe de melhorá-la pela falta de
investimentos apropriados para a região e para este setor agrícola em particular.
Ao analisar o fator terra, por exemplo, este é limitado, e na construção da curva
de Lorenz neste trabalho encontrou-se uma distribuição desigual da terra, concentração que
pode levar a uma apropriação improdutiva, e a presença da especulação das terras30 devido
à falta de uma boa gestão da estrutura agrária, e na ausência de uma “boa governança
fundiária”(REYDON; FELÍCIO, 2017, p. 15) que limita a “dimensão participativa (...) [e
a busca] da sustentabilidade socioeconômica e ambiental da terra”(idem). O Instituto In-
teramericano de Cooperación para la Agricultura (IICA) (2016) propõe que um primeiro
passo para fortalecer os recursos da AF é solucionar vínculos de posse da terra e incorporar
uma participação da AF na dinâmica dos territórios e na gestão deste, superar os modelos
30
Neste trabalho este tema foi tratado de forma superficial.
Familiar (AF) 75
de produção pouco sustentáveis, de baixa produtividade e sem inovação produtiva e tecno-

lógica para lograr competitividade ante a “instabilidade de preços agropecuários”(Instituto
Interamericano de Cooperación para la Agricultura (IICA), 2016, p. 05).
A falta de uma boa institucionalidade nos espaços rurais, na utilização ineficiente dos
recursos disponíveis (pela ausência de acompanhamento ou condições necessárias) e outros
fatores externos se traduzem em deseconomias de escala permanentes na agricultura fami-
liar, o que pode levar ao aumento dos seus custos médios de produção, ineficiência e pouca
rentabilidade, como consequência dessa subvalorização do espaço rural e a fragilidade insti-
tucional presente na zona rural. Isto resulta em um aumento do desemprego, subemprego e
emprego informais e a uma baixa qualidade dos empregos com níveis baixos de remuneração
nas economias rurais, o que leva “ao desenvolvimento deficitário dos mercados de trabalho
rurais”(Consejo Agropecuario Centroamericano (CAC) , 2010, p. 25–34).
Por outro lado, constatou-se neste trabalho, que a falta de capital físico (máquinas e
tecnologias) também é um problema presente dos pequenos estabelecimentos familiares de-
vido à falta de acesso ao mercado de alguns produtores que tem os canais de acesso limitado,
a falta de crédito e incentivos financeiros, o apoio de políticas públicas estatais que permitam
o acesso a bens de capital a estes produtores. Estas restrições para a produção, também
são determinadas pela limitação do acesso a tecnologias que não permitem a reestruturação
da economia rural. O acesso a tecnologias e a falta de informação, pela sua vez, também
limitam a agregação local de valor nos produtos, que tem um impacto sobre os rendimen-
tos/produtividade dos estabelecimentos produtivos, que são muito baixos em comparação
com a agricultura não familiar.
De um ponto de vista da globalização financeira, se faz cada vez mais acirrada a
concorrência nos mercados internacionais e nacionais, o que requer maior produtividade,
rentabilidade e competitividade da AF e exige novos vínculos locais e territoriais que integrem
programas de inovação produtiva e tecnológica para fazer frente a estas novas realidades. De
um ponto de vista macroeconômico, o setor agrícola salvadorenho dependiu historicamente
dos preços do café (RUÍZ, 2015), o que torna a economia instável e, ainda mais, com a
dolarização absoluta da economia em 2001 torna o cenário econômico mais vulnerável. Por
exemplo, diante de uma inflação de custos de insumos para produtos agrícolas, é inegável uma
diminuição da oferta de alimentos por parte de setores vulneráveis como a AF salvadorenha,
a qual, apesar de sua resiliência, apresenta déficits estruturais em termos de produtividade,
rentabilidade e concorrência, devido à limitação tecnológica e falta de incentivos financeiros,
que se traduzem também em problemas de médio prazo de segurança alimentar.
A FAO (2004) considera que o crescimento agrícola é chave para a expansão da eco-
Familiar (AF) 76
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 Crédito e Produtividade: Impacto do Crédito

sobre o Rendimento das Unidades Produtivas
Familiares
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
3.2 Estrutura Institucional em Apoio à Agricultura Familiar

3.2.1 Crédito Rural Orientado à Agricultura Familiar
O nível de vida das famílias salvadorenhas ligadas às atividades agropecuárias depende
de sua produtividade. Segundo a Organización de las Naciones Unidas para la Alimentación
y la Agricultura - Organización de las Naciones Unidas para la Alimentación y la Agricultura
(FAO) (2004) os países onde os produtores carecem de capacidade para efetuar investimentos
necessários para elevar sua produtividade não conseguem financiamento dos bancos devido
ao seu rendimento/salário serem baixos. A CEPAL et al. (2014) relata que a Agricultura
Familiar enfrenta problemas de baixos rendimentos na produção, o que limita seu acesso aos
mercados rurais e, especialmente, ao crédito que incentive e aumente sua produtividade.
O contexto de alocação creditícia para estes estabelecimentos agrícolas não tem sido
flexível; a oferta financeira privada para o setor agrícola concentra-se apenas nas unidades de
produção com renda diversificada e exige-se, muitas vezes, participação de um processo de
transformação dos produtos agropecuários. Os serviços financeiros do setor privado de apoio
às micro, pequenas e médias empresas (MPME) estão “concentrados no subsetor agroindus-
trial” (ECHARTE; PORTILLO, 2009, p. 12).
A oferta financeira do Estado para o setor agrícola tem-se concentrado no financia-
mento por meio de linhas de crédito agropecuário, considerado um ativo de risco, fornecido
pelo Banco de Fomento Agropecuário, especificamente, a pequenos e médios produtores qua-
lificados na categoria de risco A1, A2 ou B1 pela Superintendência do Sistema Financeiro
(SSF)3 . Os critérios para qualificar uma das categorias são: capacidade empresarial, responsa-
bilidade, situação econômica e financeira estável, capacidade de pagamento e fatores internos
e externos que podem afetar os resultados econômicos da empresa. Alguns destes critérios
excluem os agentes produtivos dentro da categoria de Agricultura Familiar.
As políticas públicas não necessariamente apresentam uma abordagem rural (VILLA-
LOBOS; LAZO, 2006). Mejía e Delgado (2014) afirmam que desde 1997 El Salvador impul-
sionou políticas agrícolas sob uma abordagem subsidiária e assistencialista, que consistia em
programas de entrega de pacotes de sementes e fertilizantes e, em alguns casos, assistência
técnica, a fim de aumentar a capacidade do país para a produção de grãos básicos. A histó-
ria das políticas agrícolas promovidas pelos governos entre 1997 e 2009 estão resumidos em
programas de entrega de pacotes agrícolas4 .
3
A1 são os Créditos Normais, A2 os Créditos Normais Declinantes e B os Créditos Subnormais. Esta qua-
lificação baseia-se nas Normas para Classificação de Ativos de Risco de Crédito e constitui as Reservas de
Saneamento (NCB-022). Disponível em < http://www.ssf.gob.sv/>
4
Subsídios de sementes e fertilizantes.
Familiares 79
O governo de Carlos Mauricio Funes Cartagena (2009-2014) buscou implementar uma

política agrícola diferente, de modo a atender vários tipos de produtores e, de maneira espe-
cial, a Agricultura Familiar de subsistência. O objetivo principal era contribuir para a redução
da pobreza e melhorar as condições de vida das famílias. No entanto, o Plano de Agricultura
Familiar 2011-2014 (PAF) tinha também como ação principal a entrega de pacotes incluindo
sementes de feijão, milho e fertilizantes, beneficiando, em 2013, 514.927 famílias.
Entretando, não é suficiente implementar uma política baseada apenas na entrega de
pacotes agrícolas devido a riscos enfrentados pelas famílias e limitações dos recursos disponí-
veis pelos agricultores familiares. Destaca-se além de riscos climáticos e dos cultivos, há riscos
de custos de produção devido a baixa produtividade, altos índices de pobreza concentrados
na zona rural e baixos níveis salariais abaixo do salário mínimo vigente no país.
Ainda que haja pacotes agrícolas deve-se ter a assistência técnica e acesso ao finan-
ciamento para potencializar a produção. Mesmo havendo instituições de fomento ao crédito,
ainda há diversas limitações que fazem com que os agricultores de pequena escala não cum-
prem com os requesitos exigidos, o que dificulta o acesso ao crédito.
Cardoso (1983) analisou as relações de crédito rural no processo do desenvolvimento
agrícola brasileiro e encontrou fatores que afetam a necessidade de crédito nesse setor. Se-
gundo o autor, a necessidade do crédito é determinada pelas características específicas do
setor agrícola. As razões que levam os agricultores a demandar financiamento são a necessi-
dade de capital na agricultura, dificuldades de poupança, riscos, expectativas e o bem-estar.
Falkowski et al. (2009), Echarte e Portillo (2009) afirmam que ao restrição de crédito5
é devido a informação assimétrica na relação de crédito entre um devedor e a instituição
financeira, pois a garantia de pagamento é importante para a concessão ao crédito. De acordo
com Comite Interinstitucional (CI) (2004), o crédito em El Salvador é definido pela forma da
carteira do setor financeiro baseado em critérios de risco, critérios de rentabilidade, garantias
de empréstimo ou segurança de recuperação e análise de risco para o financiamento.
Os autores Guirkinger e Boucher (2006) descobriram que a restrição ao crédito influi
na rentabilidade, de modo que afeta o bem-estar das famílias e as decisões de alocação
de recursos. A rentabilidade da AF é minimizada pela falta de incentivos financeiros aos
produtores rurais. A baixa rentabilidade, como resultado da falta de incentivos financeiros,
torna o setor da AF um financiamento de alto risco para os serviços financeiros públicos e
privados.
O crédito possibilita o acesso a fatores tecnológicos para a mudança estrutural na
5
Segundo Santos e Braga (2013) o crédito pode ser limitado por problemas não resolvidos de seleção adversa
ou risco moral.
Familiares 80
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.
3.3 Evidências Empíricas sobre a Importância do Crédito para a AF

Singh et al. (1986) consideram que é importante compreender e explicar o comporta-
mento das famílias agrícolas ao analisar as intervenções governamentais na economia rural,
seja por meio de políticas de preços ou por projetos de investimentos. Desta forma, a análise
do crédito sobre a produtividade da AF salvadorenha se insere neste estudo devido ao impor-
tante impacto que gera a produção agrícola familiar sobre a produção nacional, tanto para
a geração de emprego e renda, como para a segurança alimentar e nutricional dos territórios
do país.
A literatura internacional que avalia o impacto do crédito no setor agropecuário é
diversificada e relativamente extensa. Porém, em El Salvador os estudos sobre crédito rural
e AF são escassos. A ausência de estudos nesse tema para subsidiar o governo pode ser o
motivo pelo qual inexiste política pública direcionada para o setor rural, em particular, para
a Agricultura Familiar. Na atualidade existe uma tentativa para dar suporte a este setor,
mas ainda que não é suficiente.
O acesso ao crédito é um tema de suma importância para gerar uma sustentabilidade
de longo prazo nas unidades agrícolas familiares salvadorenhas. Em El Salvador, se observa
que uma proporção pouco expressiva dos estabelecimentos agrícolas familiares solicitam cré-
dito rural e, uma proporção maior não solicita por diversos motivos.
Segundo Stiglitz e Weiss (1981), a informação imperfeita no mercado de crédito pode
Familiares 81
provocar o racionamento de empréstimos. Hoff e Stiglitz (1990) apontam que o racionamento

de empréstimos (acesso ao crédito) aos potenciais mutuários (potencial agricultor devedor)
no mercado de crédito rural pode advir de diferentes situações que representam um risco
para as instituições de financiamento (bancos, comercios).
Em particular, agricultores sem garantias de pagamento ou com renda abaixo da
6
média , apresentam riscos de rendas voláteis e pequenas, decorrente das condições econômicas
e das condições climáticas que afetam a produção; os mercados segmentados, consequência da
inadimplência ou de eventos locais como fracasso de uma safra na área, afetam a percepção
dos creedores.
São elementos que impactam a disponibilidade de empréstimos nos mercados de cré-
dito rural. Este racionamento no mercado rural de crédito é a resposta do mercado a três
problemas, isolados, ou combinados: screening problem, incentives problem e enforcement pro-
blem. O primeiro, advierte sobre a dificuldade da detecção do risco de pagamento para cada
tomador, o segundo sobre o dispendioso que é garantir que os mutuários adotem medidas
que tornem mais provável o pagamento e, o terceiro, a dificuldade de obrigar o reembolso.
Sobre empréstimos rurais, Thi Thanh Tu et al. (2015) avaliaram o impacto socioe-
conômico do crédito rural no norte do Vietnã baseados nas minorias e maiorias étnicas. A
evidência revelou que, o crédito rural aumentou a renda, o emprego e, facilitou o acesso a mais
nutrição dos alimentos nas minorias. Porém, a intervenção de microcrédito na comunidade
de minorias étnicas parece se concetrar mais na criação de empregos e na nutriçao alimentar,
do que no aumento da renda. O efeito é diferente entre os grupos, uma vez que a maioria da
população pobre é autonôma, autossuficiente, mas carecem de capital e conhecimento sufici-
entes para o desenvolvimento da agricultura. Os efeitos no emprego e na melhora na renda
são fortemente determinados pelas características do agregado familiar.
Khandkera e Koolwalb (2016) encontraram que o microcrédito na agricultura em Ban-
gladesh, gerou um efeito positivo sobre a criação e o rendimento de gado, mas nenhum efeito
sobre os rendimentos das culturas. No entanto, os autores constataram que a presença de
restrições de crédito diminui significativamente a renda das culturas. A expansão do crédito,
segundo os autores, beneficiou às familias com menores propriedades, aumentado a renda
agrícola de atividades como a criação de gado que exigem menos terra, bem como a diver-
sificação de renda não-agrícola, e particularmente para agricultores marginais que possuem
pouca ou nenhuma terra.
Donkoh et al. (2016), avaliando a participação no Block Farm Credit Programme
(BFCP) no norte de Gana, concluiram que os agricultores mais experientes, aqueles que re-
6
Farmers without collateral or with below-average income
Familiares 82
ceberam maior número de visitas de extensão tem probabilidades positivas de entrarem no

programa e, que a entrada no programa leva ao aumento do valor da cultura. Outras carac-
teristicas também foram relevantes para o aumento da produção agrícola como o tamnaho
da fazenda, as quantidades de semeste e o uso de fertilizantes.
Petrick (2004) avaliou o racionamento de crédito por instituições financeiras rurais
para famílias polonesas. Neste estudo foi constatado uma relação positiva entre a falta de
garantias e assimetrias de informação entre credores e devedores, com a probabilidade de
restrições de crédito. Neste caso, a intervenção do governo seria importante para a criação
de um sistema de garantias de crédito para contrariar o problema colateral das garantias de
pagamento.
Avaliando o acesso ao crédito agrícola das economias em transição da Europa Cen-
tral e Oriental (CEE), Falkowski et al. (2009) encontraram um efeito positivo do crédito na
produtividade total dos fatores (PTF). Da mesma forma Sabasi e Kompaniyets (2015) deter-
minaram os impactos do crédito a um nível industrial nos Estados Unidos, encontrando que
a restrição de crédito vinculativa7 afeta negativamente a rentabilidade e a produção agrícola.
De acordo com Guirkinger e Boucher (2006), a restrição de crédito no norte do Perú
teve um impacto negativo sobre a produtividade agrícola em um contexto de mecanismos
fracos de segurança. Os autores explicam que o fortalecimento das instituições financeiras
formais significaria maiores retornos para o setor agrícola peruano. Da mesma forma, Brig-
geman et al. (2009), concluem que a relação entre a restrição de crédito e produção agrícola
e não-agrícola de empresas individuais nos Estados Unidos foi negativo.
No Brasil, Feijó (2001) verificou que o crédito, pelo Programa Nacional de Fortaleci-
mento da Agricultura Familiar (PRONAF) criado em 1996, impactou positivamente sobre o
crescimento médio da produtividade, quer por meio da utilização da produção por hectáre ou
pela produção de trabalho da AF nos anos de 1997 e 1998, permitindo que o programa im-
pactasse positivamente no desenvolvimento rural mediante disponibilidade de crédito agrícola
para os agricultores pobres.
Garcias (2014) por outro lado, analisou o impacto da restrição ao crédito rural para
os agricultores familiares do Brasil em diferentes níveis de mercantilização, e avaliou o efeito
do PRONAF no aumento da produtividade da terra e do trabalho. A conclusão do autor foi
que houve um efeito positivo da política de crédito rural sobre a produtividade da terra e do
trabalho para agricultores mais mercantilizados. Eusebio (2017) encontrou uma relação posi-
tiva entre o crédito outorgado via PRONAF aos produtores rurais no Brasil e o desempenho
econômico dos estabelecimentos agropecuários. O efeito, de acordo com o autor foi distinto
7
Binding credit-constraints.
Familiares 83
de região para região, mas sempre positivo.

Santos e Braga (2013) investigaram os impactos do crédito rural sobre a produtividade
da terra e do trabalho no Brasil sob uma perspectiva regional para o ano de 2006. Os autores
encontraram uma aplicação ineficiente da política pública em algumas regiões. Ziger (2013)
por sua vez, constatou que o crédito rural suscitou várias formas de desenvolvimento, já que
“promove o crescimento da produção e diversificação das unidades familiares, nos processos
de agregação de valor, industrialização e comercialização (...)”(ZIGER, 2013, p. 10)
Antão e Campanholo (2011, p. 10) expressaram que o crédito rural é um instrumento
para o desenvolvimento econômico e social dos produtores rurais e, consequentemente, para o
desenvolvimento da economia nacional. Desta forma, o crédito é uma ferramenta que viabiliza
o custo e o investimento, pois permite financiar mudanças nos sistemas de produção da AF
caracterizada pela baixa rentabilidade. Assim, “a concessão de crédito desempenha um papel
importante no desenvolvimento de um país” (GRACIAS, 2007, p. 03).
Portanto, o acesso ao crédito pode potencializar as oportunidades e incentivar os
agricultores rurais a investir em novas tecnologias e para procurar assessoria técnica, de
modo que o produtor possa diversificar sua produção e, consequentemente, emergir a novos
mercados por meio de contratos ou canais de comercialização, assim como potenciar sua
competitividade e ampliar o seu nível de rentabilidade.
Em resumo, a literatura tem indicado que o impacto que do crédito rural é positivo na
produtividade, seja crédito por parte do sistema financeiro privado ou estatal. Dessa forma,
a hipotése desta pesquisa, é que o acesso ao crédito influênciou de forma positiva o nível de
produtividade dos estabelcimentos agrícolas familiares de El Salvador.
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
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.
3.4.1 Estratégia Empirica

3.4.1.1 Primeira Etapa: identificação dos modelos de pesquisa e o efeito causal objetivo
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
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:
𝑦𝑖 = 𝑦0𝑖 + (𝑦1𝑖 − 𝑦0𝑖 )𝐶𝑖 (3.1)
⎧
⎨ 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:
𝐸(𝑦𝑖 |𝐶𝑖 = 1) − 𝐸(𝑦𝑖 |𝐶𝑖 = 0) = 𝐸(𝑦1𝑖 − 𝑦0𝑖 |𝐶𝑖 = 1) (3.4)
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.
Familiares 86
Supondo que a atribuição de crédito seja aleatória, tem-se:
𝐸(𝑦𝑖 | 𝐶𝑖 = 1) − 𝐸(𝑦𝑖 | 𝐶𝑖 = 0) = 𝐸(𝑦1𝑖 | 𝐶𝑖 = 1) − 𝐸(𝑦0𝑖 | 𝐶𝑖 = 0)

(3.5)
= 𝐸(𝑦1𝑖 | 𝐶𝑖 = 1) − 𝐸(𝑦0𝑖 | 𝐶𝑖 = 1)
em que a independência de 𝑦0𝑖 e 𝐶𝑖 , permite substituir 𝐸(𝑦0𝑖 | 𝐶𝑖 = 1) por 𝐸(𝑦0𝑖 | 𝐶𝑖 = 0).

Dessa forma, tem-se:
𝐸(𝑦1𝑖 | 𝐶𝑖 = 1) − 𝐸(𝑦0𝑖 | 𝐶𝑖 = 0) = 𝐸(𝑦1𝑖 − 𝑦0𝑖 | 𝐶𝑖 = 1)

(3.6)
= 𝐸(𝑦1𝑖 − 𝑦0𝑖 )
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.
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) = 𝛽0 + 𝛾 + (𝜇𝑖 |𝐶𝑖 = 1) (3.8)
𝐸(𝑦𝑖 |𝐶𝑖 = 0) = 𝛽0 + 𝐸(𝜇𝑖 |𝐶𝑖 = 0) (3.9)
Subtraindo (3.9) de (3.8), tem-se a diferença observada:
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:
𝐸(𝜇𝑖 | 𝐶𝑖 = 1) − 𝐸(𝜇𝑖 | 𝐶𝑖 = 0) = 𝐸(𝑦0𝑖 | 𝐶𝑖 = 1) − 𝐸(𝑦0𝑖 | 𝐶𝑖 = 0) (3.11)
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)
Familiares 88
em que, 𝑦𝑖 representa a variável de interesse (outcome of interest) – produtividade da terra ou

do trabalho - para o estabelecimento agrícola familiar 𝑖; 𝐶𝑖 indica se o estabelecimento recebeu
crédito (𝐶𝑖 = 1) ou não (𝐶𝑖 = 0); 𝛾 é o parâmetro do modelo que mede o impacto/efeito
do crédito; 𝑋𝑖 é um vetor-coluna que denota as características estruturais e individuais dos
estabelecimentos agrícolas familiares (variáves explanatórias); 𝛽0 e 𝛽1 são os parâmetros do
modelo; e 𝜇𝑖 é o termo aleatório do modelo.
Avaliando a esperança condicional da Equação (3.12), tem-se:
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:
𝐸(𝑦𝑖 | 𝑋𝑖 , 𝐶𝑖 = 1) − 𝐸(𝑦𝑖 | 𝑋𝑖 , 𝐶𝑖 = 0) = 𝐸(𝑦1𝑖 − 𝑦0𝑖 | 𝑋𝑖 ) (3.14)
Ainda que sejam condicionados esses fatores às covariáveis 𝑋𝑖 , a regressão estimada,

não atende inteiramente a suposição de sobreposição, 0 < 𝑃 𝑟(𝐷 = 1 | 𝑋𝑖 ) < 1, uma vez
que se quer encontrar indivíduos que tenham características observáveis muito semelhantes.
Assim, deve-se condicionar as covariáveis por meio da probabilidade condicional. Os autores
Resembaum e Rubin (1983), Dehejia e Wahba (1998) e Becker e Ichino (2002) expõem que
para conhecer o contrafactual, devem ser estabelecidos critérios de balanceamento, os quais
são descritos a seguir.
3.4.1.2 Segunda Etapa: cálculo do Propensity Score
Segundo Morgan e Winship (2007) a exposição causal acesso ao crédito, 𝐶𝑖 , pode

gerar dois resultados potenciais 𝑦1𝑖 e 𝑦0𝑖 . Porém, não se observa resultado potencial sob o
estado de tratamento para indivíduos observados no estado de controle, assim como não se
pode observar o resultado potencial sob o estado de controle para indivíduos no estado de
tratamento. De acordo com os autores, isto impossibilita estimar o efeito médio.
Familiares 89
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:
𝑝𝑠(𝑥𝑖 ) = 𝑃 𝑟(𝐶𝑖 = 1 | 𝑋𝑖 = 𝑥𝑖 ) = 𝐸(𝐶𝑖 | 𝑋𝑖 ) (3.16)
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
Familiares 90
equilíbrio (balanceamento). O 𝑝𝑠(𝑥𝑖 ) é uma medida de equilíbrio9 que sintetiza as dimensões

em um vetor 𝑋𝑖 , em que cada covariável é um finest score, propriedade esta, que permite que
o score equilibre as diferenças observadas no finest score entre os participantes tratados e de
controle.
3.4.1.3 Terceira Etapa: Qualidade e diagnostico do Propensity Score
Como discutido anteriormente, em modelagem com dados não experimentais (não

aleatórios), ou seja, dados observacionais, surge o problema do viés de seleção, sendo este
resolvido a partir da construção de um 𝑝𝑠(𝑥𝑖 ) que atribui uma probabilidade estimada por
meio de um modelo probit. Ao mesmo tempo o problema da dimensionalidade é resolvido
ao combinar unidades tratadas e de controle na base de um vetor multidimensional 𝑋𝑖 , ao
compactar as diversas covariáveis a uma única dimensão de probabilidade ou propensity score
𝑝𝑠(𝑥𝑖 ).
Porém, para que um 𝑝𝑠(𝑥𝑖 ) seja balanceado (equilibrado), é necessário que certas
suposições ou premissas expostas por Resembaum e Rubin (1983), Dehejia e Wahba (1998),
Becker e Ichino (2002) sejam satisfeitas. Estas suposições podem ser limitadas a um suporte
comum de observações com o mesmo escore de propensão que tenham a mesma distribuição
de características observáveis e não observáveis, independente do status do tratamento, isto
é, observações que tenham a mesma interseção das distribuições do 𝑝𝑠(𝑥𝑖 ). Esta imposição
de suporte comum na estimativa do escore de propensão melhora a qualidade do matching
e permite encontrar um contrafactual apropriado e, desta forma, estimar o efeito médio do
tratamento (ATT). Brevemente, essas premissas são:
∙ Suposição de Independencia Condicional (SIC)10
Esta suposição significa que o tratamento/participação de uma determinada polí-

tica/programa ou intervenção, condicionada às características observáveis, é independente
dos possíveis resultados. A seleção com características observáveis (selection on observables)
implica que as características não observáveis não influenciam no tratamento de determinada
intervenção.
Dado um conjunto de covariáveis observáveis (𝑋𝑖 ) que não são afetados pelo trata-
mento, mas que capturam todas as diferenças dos indivíduos, e as variáveis resultantes po-
9
Pode ser chamando de Balancing Measure ou também de The Coarsest Score.
10
Esta primeira suposição tem sido adotado por diversos autores sob diferentes denominações: como o pro-
blema fundamental de identificação “underlying identifying assumption”(CALIENDO; KOPEINIG, 2008),
como “unconfoundedness”(DEHEJIA; WAHBA, 1998; BECKER; ICHINO, 2002), “selection on observa-
bles”(HECKMAN; ROBB, 1985; HECKMAN; ROBB, 1986), “Conditional Independence Assumption -
CIA”(LECHNER, 2002a).
Familiares 91
tenciais (𝑦𝑖 ) que são independentes da atribuição do tratamento (ou estado da participação
na intervenção) (𝐶𝑖 ), específica-se que:
𝑦1𝑖 , 𝑦0𝑖 ⊥ 𝐶𝑖 | 𝑋𝑖 (3.17)
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:
𝑦1𝑖 , 𝑦0𝑖 ⊥ 𝐶𝑖 | 𝑝𝑠(𝑥𝑖 ) (3.18)
Isto implica aceitar que a participação ou a intervenção do programa ou política está

baseada inteiramente em características observadas. Se as características não observadas
determinarem a participação no programa ou intervenção, então a SIC será violada e o
pareamento por escore de propensão (PSM) não será um método apropriado.
Ao assumir a validade da SIC e o balanceamento do escore de propensação, a variável
resultante dos não partipantes 𝑦0𝑗 (controle) condicionada à 𝑋𝑖 possui a mesma distruibuição
que a variável do resultado potencial 𝑦0𝑖 (contrafactual). O estado contrafactual representa
o que teria acontecido com a produtividade das unidades produtivas familiares que não
receberam crédito (grupo de controle) caso eles tiveram acesso (grupo de tratamento), isto é,
𝐸 [𝑦0𝑖 | 𝐷𝑖 = 1, 𝑝𝑠(𝑥𝑖 )] = 𝐸 [𝑦0𝑖 | 𝐷𝑖 = 0, 𝑝𝑠(𝑥𝑖 )]. Neste trabalho assume-se que esta condição
é válida, uma vez que não é um critério diretamente testável, mas depende do conhecimento
da qualidade dos dados e das diversas estratégias que possam ser tomadas na hora de adotar
este método.
∙ Sobreposição de Suporte Comum (SSC)
A análise de avaliação de impacto, exige que exista um equilíbrio nos condicionantes,

isto é, um balanceamento no 𝑝𝑠(𝑥𝑖 ), em que as unidades produtivas familiares com um mesmo
𝑝𝑠(𝑥𝑖 ) tenham a mesma distribuição de características individuais, independente do estado
de participação ou da intervenção. Desta forma, os grupos tratados e de controle devem ser,
em média, observacionalmente idênticos.
De acordo com Coma (2012) e Becker e Ichino (2002), para que a premissa de ba-
lanceamento (equilíbrio) seja satisfeita, é necessário construir uma região entre grupos de
Familiares 92
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:
0 < 𝑃 𝑟(𝐶𝑖 = 1 | 𝑋𝑖 ) < 1 (3.20)
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).
∙ Suposição Fraca de Independencia Condicional (SFIC)
Quando o interesse é estimar o efeito médio no tratamento (ATT), pode-se relaxar a

Suposição de Independência Condicional (SIC) assumindo que:
𝑦0𝑖 ⊥ 𝐶𝑖 | 𝑋𝑖 (3.21)
e a premissa de Sobreposição de Suporte Comum Fraca, descrita a seguir, sejam satisfeitas.
∙ Sobreposição de Suporte Comum Fraca (SSCF)
Essa premissa pode ser representada por:
𝑃 𝑟(𝐶𝑖 = 1 | 𝑋𝑖 ) < 1 (3.22)

Familiares 93
Figura 9 – Suporte Comum para a Distribuição dos Escores de Propensão Estimados
Fonte: Adaptado de Khandker et al. (2009, p. 57)
Uma vez satisfeita as premissas de balanceamento do escore de propensão, é permitido

identificar o efeito do tratamento médio sobre os tratados (ATT). Alguns testes que verificam
o balanceamento do 𝑝𝑠(𝑥𝑖 ), como o proposto por Becker e Ichino (2002), consistem em estimar
o 𝑝𝑠(𝑥𝑖 ) e, a seguir, dividir em intervalos “q” igualmente espaçados pelo escore de propensão
(geralmente q = 5) e, dentro de cada intervalo, testar se a média do escore de propensão
entre unidades tratadas e controladas não difere. Se isto ocorrer, a restrição do suporte
comum satisfaz necessariamente a hipótese de equilíbrio. O teste também apresenta dentro
de cada quantil a distribuição do propensity score se a propensão e a média de 𝑋𝑖 forem os
mesmos.
Quando satisfeita a hipótese de balanceamento, é possivel proceder o pareamento, já
que se espera que este seja eficiente.
3.4.1.4 Quarta Etapa: determinação do Matching ou reamostragem
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
Familiares 94
(controles que permitem encontrar o contrafactual) com unidades tratadas. Os algoritmos de

pareamento diferem entre eles, seja pelos pesos atribuídos aos vizinhos (controles), seja pela
definição dos indivíduos tratados. Destaca-se que nenhum dos método é superior ao outro,
mas envolve um trade-off.
A literatura reconhece três modelos para analisar o escore de propensão 𝑝𝑠(𝑥𝑖 ): o
matching (greedy matching), a estratificação, e o weighting (GUO; FRASER, 2010). Para
fins deste estudo, será utilizada a metodologia por Greedy Matching que inclui as técnicas
do pareamento por Nearest-Neighbor, Radius e Caliper e Kernel. Baseados na exposição de
Becker e Ichino (2002), Dehejia e Wahba (1998), Heinrich et al. (2010), Caliendo e Kopeinig
(2008) e Guo e Fraser (2010) são expostos, brevemente, essas técnicas a seguir.
∙ Nearest-Neighbor Matching (NNM).
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
Familiares 95
𝑁 (𝑝𝑠(𝑥𝑖 )) contém os participantes de controle 𝑗 (ou seja, é definido 𝑗 ∈ 𝐼0 ) como um par

correspondente aos participantes tratados 𝑖 (𝑖 ∈ 𝐼1 ). O NNM é definido como:
𝑁 (𝑝𝑠(𝑥𝑖 )) = 𝑚𝑖𝑛 ‖𝑝𝑠(𝑥𝑖 ) − 𝑝𝑠(𝑥𝑗 )‖ , 𝑗 ∈ 𝐼0 . (3.23)

𝑖
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.
∙ Caliper Matching e Radius Matching
O método de pareamento denominado Caliper Matching impõe limite de tolerância na

máxima distância do 𝑝𝑠(𝑥𝑖 ). Desta forma, o caliper impõe uma condição de suporte comum
com escores próximos evitando, assim, pareamentos inadequados e aumentando a qualidade
dos matching. Entretanto, se menos pareamentos forem realizados, a variância das estimativas
aumentará. Desta forma, Guo e Fraser (2010) sugerem que para superar as deficiências de
escolher erroneamente 𝑗, deve-se selecionar 𝑗 como um matching para 𝑖 somente se a distância
absoluta dos 𝑝𝑠(𝑥𝑖 ) entre os pares atender a condição:
𝑅(𝑝𝑠(𝑥𝑖 )) = {𝑝𝑠(𝑥𝑗 ) | ‖𝑝𝑠(𝑥𝑖 ) − 𝑝𝑠(𝑥𝑗 )‖ < 𝑟} , 𝑗 ∈ 𝐼0 . (3.24)
sendo 𝑟 calibre pré-especificado o qual impõe o limite de tolerância na distância máxima de

pontuação de escore. Segundo Caliendo e Kopeinig (2008), a aplicação do Caliper Matching
significa que um indivíduo do grupo de comparação é escolhido como um parceiro correspon-
dente (com um escore de propensão próximo) para o indivíduo tratado dentro do intervalo
imposto pelo valor 𝑟. A desvantagem da combinação desta técnica é que não é conhecido a
priori o nível de tolerância razoável para a imposição do limite.
Familiares 96
Uma variante do Caliper Matching chamado de Radius Matching utiliza todos os

indivíduos de comparação (os controles) dentro do caliper, empregando o recurso da sobrea-
mostragem evitando, assim, o risco de pareamentos inadequados.
∙ Kernel Matching (KM).
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).
Familiares 97
3.4.1.5 Quinta Etapa: qualidade do Pareamento ou reamostragem
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.
Figura 10 – Qualidade do Pareamento dos Escores de Propensão antes e Depois do Parea-

mento
Fonte: Adaptado de Garrido et al. (2014, p. 1715)
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
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).
3.4.1.6 Sexta Etapa: estimação e interpretação do efeito médio do tratamento
Asumindo que o pareamento esteja balanceado e que ao mesmo tempo, um escore de

propensão atende as condições de indedependencia condicional e a sobreposição ou suporte
comum, ou seja, há “strong ignorability”(RESEMBAUM; RUBIN, 1983; CALIENDO; KO-
PEINIG, 2008), o valor estimado do Propensity Score Matching para ATT pode ser escrito
como:
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:
∙ Estimador para o Nearest-Neighbor Matching e para o estimador Radius Matching
Segundo Becker e Ichino (2002), tanto o estimador para o Nearest-Neighbor Matching

como o estimador Radius Matching podem ser escritos como:
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
Familiares 99
em que 𝑤𝑗 = Σ𝑖 𝑤𝑖𝑗 .
∙ Estimador para o Kernel Matching
O estimador de (3.26) aplicando o Kernel Matching é dado por:
⎧ ⎫
∑︀ 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 ⎭
De acordo com Garrido et al. (2014), a interpretação do efeito médio do tratamento

no tratado (ATT) depende dos erros-padrão. Quando o escore de propensão é estimado
antes do efeito do tratamento, tem-se que a incerteza da estimativa do escore de propensão
afeta o erro-padrão da estimativa do efeito do tratamento e isto pode levar a erros-padrão
conservadores ou excessivamente grandes, dependendo da estrutura dos dados13 .
Outro ponto tratado por Garrido et al. (2014), é que quando limitam-se as amostras a
um intervalo de suporte comum, essa condição afeta diretamente as estimativas do efeito do
tratamento e as estimativas do efeito médio só podem ser interpretadas a partir da represen-
tação dos grupos tratados e de comparação. Caliendo e Kopeinig (2008) apontam que a etapa
de estimação adiciona variação além da variabilidade dada pelo processo de amostragem.
Testar a significância estatística do efeito médio do tratamento e calcular os erros-
padrão é díficil, uma vez que a variância estimada do efeito de tratamento deve também
considerar a variância da estimativa do escore de propensão, do suporte comum e, se for o
caso, do pareamento sem reposição e a ordem em que os indivíduos tratados são pareados.
Lechner (2002b), Heinrich et al. (2010), Caliendo e Kopeinig (2008), e Abadie e Im-
bens (2006) sugerem ajustar os erros-padrão analíticos pelo erros-padrão obtidos por boots-
traping 14 . Como mencionado, os erros-padrão após a aplicação de métodos de pareamento
podem ser viesados, uma vez que existe uma variabilidade extra incoporada, seja pela ma-
nipulação dos dados ou pelo procedimento de estimação e, que estes erros-padrão analíticos
não capturam. O método de Bootstraping auxilia a corrigir este problema ao reestimar os
resultados incluindo os primeiros passos da estimativa do escore de propensão e, o suporte
comum.
13
“When a propensity score is estimated and the sample is weighted in a separate step by the propensity score,
standard errors can be adjusted by bootstrap methods”(GARRIDO et al., 2014, p. 1716).
14
Caliendo e Kopeinig (2008) apresentam três enfoques para estimar a variância dos efeitos de tratamento:
“Efficiency and Large Sample Properties of Matching Estimators”, “Variance Approximation by Lechner”
“Bootstrapping” e, adicionalmente, o enfoque de “Variance Estimators by Abadie and Imbens”.
Familiares 100
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”.
3.4.1.7 Sétima Etapa: análise de sensibilidade e verificação da robustez do efeito médio do

tratamento
Rosenbaum (2005) e Rosenbaum (2010) expõem que o método de pareamento, per-

mite remover o viés quando este é evidente nos dados disponíveis, ou seja, o viés visível
em desequilíbrios nas covariáveis observadas. Porém, os ajustes podem falhar no controle de
alguma covariável que não foi medida, quando se faz uma análise crítica.
De acordo com Garrido et al. (2014), Rosenbaum (2005), e Rosenbaum (2010) quando
os estimadores de pareamento se baseiam em premissas de seleção em observavéis (uncon-
foundedness), pode existir um viés oculto (hidden bias) que afeta a distribuição do grupo de
tratamento e de controle, o que faz com que os estimadores não sejam robustos contra esse
viés. Quando dados não experimentais são utilizados, o problema do viés oculto pode ser
resolvido a partir de uma análise de sensibilidade.
Garrido et al. (2014) descreve a análise de sensibilidade do efeito do tratamento es-
timado em relação às covariáveis não observadas, além de avaliar a sensibilidade do efeito
do tratamento sobre os tratados (ATT). Para tais propósitos, há dois enfoques utilizados na
literatura: o Selectivity or Hidden bias e o Common support. Nesta dissertação é empregado
o Sensitivity to Hidden Bias.
Este enfoque permite fazer inferência sobre como os efeitos do tratamento (processo
de seleção) podem ser alterados (influenciados) por fatores que não são observados (variável
não medida). Neste caso, presume-se que a probabilidade de receber tratamento não é ape-
nas determinada por fatores observáveis, mas também por um componente não observável.
O teste introduz um único parâmetro de sensibilidade Γ que mede o grau de afastamento
de designação aleatória dos tratamentos 𝑇𝑖 , permitindo, assim, avaliar a sensibilidade dos
resultados em relação ao viés oculto.
Segundo Rosenbaum (2005) em um estudo observacional com, por exemplo, Γ = 2,
isto é, se dois indivíduos foram pareados exatamente para as mesmas covariáveis observadas
𝑋𝑖 , então um pode ser duas vezes mais provável que o outro para receber o tratamento porque
Familiares 101
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.
3.4.2 Procedimento Técnico

No Anexo C são descritos, detalhadamente, os passos e procedimentos adotados neste
trabalho, além das interpretações dos resultados obtidos a partir dos comandos utilizados
na análise da estimação do Propensity Score Matching. O ajuste e análise foi realizada com
o software Stata versão 13 para a implementação do método. Foram utilizados três rotinas
independentes, porém, complementares denominadas pscore, psmatch2 e rbounds. O pacote
pscore desenvolvido por Becker e Ichino (2002), permite realizar um diagnóstico de pré-
pareamento satisfazendo a hipótese do balanceamento do escore de propensão calculado via
modelo probit.
O pacote psmatch2 desenvolvido por Leuven e Sianesi (2003), permite calcular direta-
mente o escore de propensão, porém, não permite uma análise prévia sobre o balanceamento
do propensity score. No entanto, neste pacote uma opção que permite introduzir algum escore
de propensão estimado pelo próprio usuário. Ademais, este pacote permite fazer um teste de
pré e pós pareamento e estima o efeito de tratamento sobre os tratados (ATT), possibilitando
calcular o ATT por meio de várias técnicas de pareamento como o vizinho mais próximo, o
pareamento por Kernel, e o pareamento por Radius.
Por último, o pacote rbounds desenvolvido por Gangl (2004) utiliza as estimativas
geradas pelo comando psmatch2, permitindo realizar uma análise de sensibilidade para o
ATT e, verificar a confiabilidade de tal estimativa.
Neste trabalho, realiza-se as sete etapas descritas anteriormente para realizar uma
avaliação de impacto por meio do método Propensity Score Matching.
3.4.3 Limitações Estruturais dos Dados Estatísticos Disponíveis

Quando se trabalha com dados de corte transversal (cross-section) é imposível ver o
estado atual e anterior do mesmo indivíduo. Para medir o efeito médio de uma intervenção
Familiares 102
sobre o resultado de indivíduos tratados e não tratados, é necessária a inclusão de covariáveis

para a construção de um contrafactual adequado. O contrafactual é construído com base
no grupo de controle, onde se buscam indivíduos que são idênticos aos indivíduos tratados.
Desta forma, se constrói uma nova amostra restrita a observações que cumpram certas con-
dições estatísticas. Para este tipo de análise, o Propensity Score Matching se encaixa dentro
de estimações não paramétricas, que permitem resolver três problemas fundamentais de da-
dos não experimentais: o viés de seleção, o problema da dimensionalidade e o problema da
identificação. Uma vez superadas estas limitações, procede-se com a estimação do Average
Treatment Effect on the Treated - ATT.
Segundo Caliendo e Kopeinig (2008) e Heinrich et al. (2010), assintoticamente, todos
os estimadores de Propensity Score Matching devem produzir os mesmos resultados pois com o
tamanho crescente da amostra, todos os matching se aproximam de correspondências exatas.
Porém, em amostras pequenas a escolha de um algoritmo específico ocorre normalmente um
trade-offs em termos de viés e eficiência ou entre viés e variância segundo Caliendo e Kopeinig
(2008).
A natureza da estrutura dos dados influencia diretamente este fato. Quando se traba-
lha com amostras pequenas, o desempenho dos estimadores depende da estrutura dos dados e
da implementação de diferentes métodos de estimação. Guo e Fraser (2010) expõem que uma
limitação dos escores de propensão é que eles podem produzir pareamentos inadequados pois
são necessárias muitas observações, de forma particular, nas unidades de controle. Caliendo e
Kopeinig (2008, p. 44–45) sugerem que “if there are only a few control observations, it makes
no sense to match without replacement”. Por outro lado, os autores também sugerem que “if
there are a lot of comparable untreated individuals it might be worth using more than one
NN15 (either by oversampling or KM16 ) to gain more precision in estimates”.
Neste trabalho os dados simulam uma situação de intervenção conforme a Tabela
26. Entre os indivíduos (estabelecimentos) que solicitaram crédito (10% das observações),
existem dois grupos, aqueles que tiveram acesso ao crédito e aqueles que não tiveram acesso
ao crédito (reprovados). Estes grupos têm um ponto em comum: ambos solicitaram. O grupo
que não solicitou crédito (90% das observações), é o grupo que será desconsiderado na análise.
Deve-se frisar que, a análise do crédito que se realiza no trabalho corresponde ao acesso
ao crédito dos estabelecimentos agricolas que solicitaram crédito a instituções públicas ou
privadas17 . Ao serem os participantes (solicitadores de crédito agricola) selecionados pelos
credores com base em características observáveis, o cálculo do impacto do acesso ao crédito
15
Nearest Neighbor
16
Kernel Matching
17
Oferta de crédito de instituições de financiamento formais e informais (pessoas jurídicas e físicas).
Familiares 103
Tabela 26 – Seleção dos Dados a Serem Utilizados para a Pesquisa
Solicitaram crédito (=37.181) Não solicitaram crédito (=334.668)
"Elegíveis"(10%)
Agricultura Familiar "Não elegíveis"(90%) Total
Acesso ao crédito Crédito negado
Total 36.621 560 334.668 371.849
Comercial 9.033 74 40.436 49.543
Subsistência 27.588 486 294.233 322.307
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.
Tabela 27 – Dados da Pesquisa

Solicitaram crédito (=37.181)
Obtiveram crédito Não obtiveram Crédito Total
Total 98,5% 1,5% 100%
Comercial 24,3% 0,2% 24,5%
Subsistência 74,2% 1,3% 75,5%
3.4.4 Fonte de dados e variáveis usadas no modelo

A unidade de interesse para a pesquisa é o estabelecimento agrícola. Os dados uti-
lizados são os microdados do IV Censo Agropecuário 2007-2008 de El Salvador publicados
em 2009 delimitados no Capítulo 2, os quais revelam informações dos departamentos e dos
municípios. Indicadores de produtividade para os rendimentos da terra e do trabalho foram
construídos.
O censo permite a construção da variável acesso ao crédito a partir dos estabeleci-
Familiares 104
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.
Tabela 28 – Descrição das Variáveis Utilizadas
VARIAVEL DESCRIÇÃO
Variável dummy que indica se o estabelecimento de AF teve acesso ao crédito

Acesso ao Crédito (yi*) aprovado (=1), ou não foi aprovado o acesso ao crédito (=0)
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).
Produtividade do Trabalho A produtividade do trabalho é a relação entre a produção total e o número

de trabalhadores empregados (nível de produção por unidade de trabalho)
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
Idade Variável contínua que indica a idade ao quadrado do encaregado do estabe-

lecimento
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
Utilização de agroquímicos Variável dummy que indica se o estabelecimento utiliza agroquímicos
Tratores Variável dummy que indica se o estabelecimento utiliza tratores
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
Fonte: Elaboração própria

Familiares 105
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.
Tabela 29 – Estatísticas Descritivas
AF Total AF Subsistência AF Comercial

Variáveis
Média Desvio-Padrão Média Desvio-Padrão Média Desvio-Padrão
Recebe crédito 0,985 0,122 0,983 0,13 0,992 0,09
ln(Rendimento da terra) 0,047 0,022 0,045 0,019 0,057 0,027
Área produtiva 1.603 1.496 1.390 0,99 2.311 2.401
MunicÍpios com produtividade acima da média 0,003 0,054 0,001 0,034 0,008 0,09
Responsável com 35 anos ou menos 0,204 0,403 0,226 0,419 0,136 0,343
Idade 48 14 47 14 50 13
Asistência técnica 0,123 0,328 0,083 0,276 0,246 0,431
Número de trabalhadores 3.030 3.123 2.102 1.882 5.893 4.249
Material para semear 0,993 0,082 1.000 0,014 0,973 0,162
Utilização de agroquímicos 0,995 0,067 0,996 0,066 0,995 0,071
Tratores 0,092 0,288 0 0 0,374 0,484
Colheitadeira mecânica 0,414 0,493 0,405 0,491 0,442 0,497
Equipamento de fumagação e/ou aspersão 0,945 0,229 0,96 0,197 0,898 0,302
Zona Ocidental 0,317 0,465 0,339 0,473 0,247 0,431
Zona Central 0,246 0,431 0,247 0,431 0,244 0,429
Zona Oriental 0,225 0,417 0,205 0,404 0,285 0,451
Produtividade do trabalho 2,648 2,721 2,525 2,189 2,927 3,640
Número de trabalhadores temporários 2,929 3,020 2,081 1,879 5,544 4,159
Observações 37.181 28.074 9.107
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-
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.
3.5.2 Qualidade do Escore de Propensão e Qualidade do Pareamento

3.5.2.1 Análise preliminar
Os seis modelos ajustados neste trabalho são apresentados na Tabela 43 e 44 do Anexo

B. Os modelos 1, 2 e 3 correspondem aos determinantes da produtividade da terra para a
AF Total, AF de Subsistência e AF Comercial respectivamente (Tabela 43, Anexo B). A
produtividade do trabalho foi estimada pelos modelos 4 (AF Total), 5 (AF de Subsistência)
e 6 (AF Comercial) (Tabela 43, Anexo B). Para a correção do viés de seleção foi incluido
um vetor de características observáveis, 𝑋𝑖 , e os resultados preliminares são apresentados na
Tabela 30.
De forma geral, os modelos OLS apresentaram uma relação positiva do acesso ao
crédito sobre a produtividade da terra o do trabalho. Para a produtividade do trabalho dos
estabelecimentos familiares comerciais, o efeito foi positivo, porém, não apresentou signifi-
cância estatistística. As características dos estabelecimentos familiares que definem o acesso
ao crédito são diferentes para cada grupo e para cada tipo de rendimento.
Vale dizer, que o modelo de regressão por MQO (modelo OLS) falha ao considerar o
viés de seleção, já que os solicitantes de crédito agrícola (“participantes”) são selecionados
pelos credores com base em característcas observáveis e, uma vez que agricultores que obtêm
crédito, em geral, possuem maior produtividade, as estimativas de MQO não serão confiáveis.
Portanto, a estimativa do impacto do crédito sobre a produtividade por meio de regressão
MOQ, será tendenciosa, decorrente do viés de seleção que é gerado no processo de alocação
creditícia.
Magalães et al. (2006) sobre este ponto, expõe que, quando os participantes de uma
Familiares 107
Tabela 30 – Efeito marginal do crédito como determinante do aumento da produtividade da
terra e do trabalho para grãos básicos
Variável explicativa ln(Rendimento da terra) Rendimento do trabalho
Total (1) Subsistência (2) Comercial (3) Total (4) Subsistência (5) Comercial (6)
Acesso ao Crédito 0,00362**** 0,00299**** 0,00645** 0,425*** 0,416*** 0,423
[0,000877] [0,000842] [0,00319] [0,150] [0,135] [0,448]
Observações 36369 28074 8295 27697 19254 8442
Erros Padrão entre colchetes.
* p<0.10, ** p<0.05, *** p<0.01, **** p<0.001
determinada intervenção são selecionados com base em características observaveis, estratégia

comum de intervenções que tem um público-alvo definido, há probabilidade de que nossas
estimativas anteriores, baseadas em MQO, não forneçam resultados confiáveis, uma vez que
falham em considerar o viés de seleção, pelo que, as estimativas podem ser tendenciosas, isto
é, não refletem o valor do parâmetro desejado.
Desta forma, nossas informações foram tratadas como dados observacionais (dados
não experimentais). Estimou-se um modelo probit utilizando o método da máxima verosimi-
lhança, incluindo um vetor de covariáveis observáveis18 , 𝑋𝑖 , conforme Tabela 44, Anexo B,
corrigindo, assim, o viés de seleção, ou seja, 𝑋𝑖 ⊥ 𝐶𝑖 | 𝑝𝑠(𝑥𝑖 ). A estimação do modelo probit,
permite calcular as probabilidades condicionais que possibilitam comparar indivíduos com
as mesmas características em relação a uma variável de tratamento utilizando o escore de
propensão (probabilidade condicional). Na Tabela 31 são apresentados os propensity score
calculados dos coeficientes das covariáveis para os modelos de produtividade da terra (mo-
delos 1, 2, 3) e produtividade do trabalho (modelos 4, 5 e 6).
Tabela 31 – Escores de Propensão

Produtividade da terra Produtividade do trabalho
Escore 1 Escore 2 Escore 3 Escore 4 Escore 5 Escore 6
Média 0,985 0,983 0,992 0,985 0,983 0,992
Désvio-padrão 0,011 0,012 0,009 0,01 0,012 0,01
Observações 9739 4743 4997 9739 4743 4997
Observações (com peso) 37180 28074 9107 37180 28074 9106
A estimação do escore de propensão foi realizada pelo comando 𝑝𝑠𝑐𝑜𝑟𝑒 e, os modelos

utilizados apresentaram um bom ajuste e os escores de propensão satisfazeram as condi-
ções de balanceamento (Veja B, Anexo C). Uma das limitações é que, frequentemente, para
estimar o escore de propensão, os modelos ajustados podem ser pouco parcimoniosos ou des-
considerar variáveis importantes. Destaca-se que ao calcular o escore de propensão, deve-se
18
As covariáveis não necessariamente são as mesmas usadas no modelo de Regressão Linear Múltipla.
Familiares 108
desconsiderar a variável de resultado, que no caso deste trabalho, são a produtividade da

terra e a produtividade do trabalho.
3.5.2.2 Escores de propensão e pareamento para a produtividade da terra
Após os pareamentos tem-se que os grupos de tratamento e de comparação estão

equilibrados nas amostras pareadas para os escores de propensão estimados, assumindo que
a atribuição ao tratamento é independente. Dado o escore de propensão, a probabilidade
condicional de ser tratado não depende de 𝑦𝑗𝑖 , 𝑃 𝑟[𝐶𝑖 = 1 | 𝑦𝑗𝑖 , 𝑝𝑠(𝑥𝑖 )]. Assim, o resultado 𝑦0𝑖
dado 𝐶𝑖 = 0 tem a mesma distribuição que 𝑦0𝑖 dado 𝐶𝑖 = 1, dada a probabilidade condicional
𝑝𝑠(𝑥𝑖 ).
As Tabelas 32, 33 e 34 apresentam o pareamento antes e depois dos escores de propen-
são para os modelos 1, 2 e 3 sobre produtividade da terra utilizando as técnicas de pareamento
por vizinhos mais próximos, pareamento por Radius e pareamento por Kernel. As Figuras
11, 12 e 13 ilustram os escores de propensão pré e pós pareamento, considerando a região
de suporte comum (gráficos (a)) e outros três gráficos ((b), (c) e (d)) correspondentes ao
pareamento por vizinho mais próximo, Radius e Kernel.
A hipótese nula de que o valor médio de cada variável é o mesmo no grupo de trata-
mento e no grupo de não tratamento não foi rejeitada para o pareamento por vizinhos mais
próximos e pareamento por Radius para os três modelos conforme Tabelas 32, 33 e 34.
Pode-se observar nos gráficos (b) e (c) das Figuras 11, 12 e 13 que os escores pareados
pelos algoritmos de vizinhos mais próximo e por Radius foram próximos para os grupos
tratados e não tratados para os três modelos sobre produtividade da terra.
No caso do pareamento dos escores de propensão por Kernel, os três algoritmos esti-
mados para os três modelos, conforme Tabelas 32, 33 e 34, levam a rejeição da hipótese nula.
Isto indica que o pareamento por essa técnica não está balanceado, uma vez que o valor médio
de cada variável é diferente no grupo de tratamento e no grupo de controle para os escores de
propensão. De modo que os escores de propensão pareados para os três modelos não foram
próximos para os grupos tratados e não tratados conforme o gráfico (d) das Figuras 11, 12 e
1319 .
19
Veja a interpretação das saídas no Anexo C
Familiares 109
Tabela 32 – Pareamento dos Escores de Propensão 𝑝𝑠(𝑥) - Modelo 1
Pareamento por escore Médias %reduct t-test
Algoritmo de propensão (1) Tratado Controle %bias |bias| t p>|t| V(T)/V(C)
Pareamento por vizinho Não pareado (U) 0,9865 0,9796 60,6 - 7,42 0,00 0,69*
mais próximo Pareado (M) 0,9867 0,9867 -0,1 99,8 -0,11 0,916 1,00
Pareamento por Não pareado (U) 0,9865 0,9796 60,6 - 7,42 0,00 0,69*
radius Pareado (M) 0,9867 0,9867 0,1 99,9 0,07 0,942 1.00
Pareamento por Não pareado (U) 0,9865 0,9796 60,6 - 7,42 0,00 0,69*
kernel Pareado (M) 0,9867 0,9802 57,2 5,6 41,66 0,00 0,62*
* Se a razão da variância fora de [0,96; 1,04] para U e [0,96; 1,04] para M
Figura 11 – Pareamento dos Escores de Propensão - Modelo 1

Familiares 110
Algoritmo de propensão (2) Tratado Controle %bias |bias| t p>|t| V(T)/V(C)
Pareamento por vizinho Não pareado (U) 0,98258 0,97549 44,7 5,23 0,00 0,42*
Pareamento por Não pareado (U) 0,98258 0,97549 44,7 5,23 0,00 0,42*
radius Pareado (M) 0,98252 0,98251 0,1 99,8 0,08 0,94 1.00
kernel Pareado (M) 0,98203 0,97744 29 35,1 17,4 0,00 0,49*

Familiares 111
Variável de propensão (3) Tratado Controle %bias |bias| t p>|t| V(T)/V(C)
Pareamento por vizinho Não pareado (U) 0,99156 0,9848 70 4,8 0,00 0,72*
mais próximo Pareado (M) 0,98987 0,98989 -0,3 99,6 -0,13 0,899 1
Pareamento por Não pareado (U) 0,99156 0,9848 70 4,8 0,00 0,72*
radius Pareado (M) 0,99078 0,99081 -0,3 99,5 -0,17 0,867 0.99
kernel Pareado (M) 0,98987 0,98502 50,3 28,2 21,84 0,00 0,75*

Familiares 112
3.5.2.3 Escores de propensão e pareamento para a produtividade do trabalho
As Tabelas 35, 36 e 37 apresentam o pareamento dos escores de propensão para os

modelos 4, 5 e 6, respectivamente, referentes à produtividade do trabalho. Os resultados foram
obtidos a partir da aplicação das técnicas por vizinhos mais próximos, Radius e Kernel.
As Figuras 14, 15 e 16 ilustram os escores de propensão pré e pós pareamento para
estes três modelos, considerando a região de suporte comum (gráfico (a)) e outros três gráficos
((b), (c) e (d)) correspondentes ao pareamento por vizinho mais próximo, Radius e Kernel.
De forma análoga aos resultados analisados anteriormente, para as técnicas de vizinhos
mais próximos e pareamento por Radius para os modelos de produtividade do trabalho, a
hipótese nula de que o valor médio de cada variável é o mesmo no grupo de tratamento e
no grupo de não tratamento não foi rejeitada conforme Tabelas 35, 36 e 37. Desta forma, o
pareamento dos escores de propensão para os três modelos sobre a produtividade do trabalho
por estas dois técnicas se deram de forma adequada.
Observa-se nos gráficos (b) e (c) das Figuras 14, 15 e 16 que os escores de propensão
pareados foram próximos para os tratados e não tratados, utilizando as técnicas por vizinho
mais próximo e por Radius.
No caso do pareamento dos escores de propensão por Kernel para os três modelos sobre
a produtividade do trabalho, conforme Tabelas 35, 36 e 37, levam a rejeição da hipótese nula.
Isto indica que o pareamento por essa técnica não está balanceado, uma vez que o valor médio
de cada variável é diferente no grupo de tratamento e no grupo de controle para os escores
de propensão.
De modo que os escores de propensão pareados não foram próximos para os tratados
e não tratados conforme gráfico d) das Figuras 14, 15 e 16.
Portanto, de forma geral, observou-se que os escores de propensão para os modelos
sobre a produtividade da terra e do trabalho foram pareadas adequadamente pelos algoritmos
de pareamento por vizinhos mais próximos e pareamento por Radius.
Para o caso dos escores de propensão dos modelos referentes a produtividade da terra
o trabalho pareadas por Kernel, os escores não se ajustaram adequadamente ao pareamento,
pelo que este foi desbalanceado.
Familiares 113
Pareamento por vizinho Não pareado (U) 0,98524 0,98042 49,4 4,61 0,00 0,96
mais próximo Pareado (M) 0,98539 0,98539 0 99,9 0,04 0,971 1
Pareamento por Não pareado (U) 0,98524 0,98042 49,4 4,61 0,00 0,96
radius Pareado (M) 0,98558 0,98555 0,3 99,4 0,21 0,835 1.00
Pareamento por Não pareado (U) 0,98524 0,98042 49,4 4,61 0,00 0,96
kernel Pareado (M) 0,98539 0,98063 48,8 1,3 32,82 0,00 0,74*
* Se a razão da variancia fora de [0,96; 1,05] para U e [0,96; 1,05] para M

Familiares 114
Pareamento por vizinho Não pareado (U) 0,98293 0,97689 47 3,56 0,00 0,64*
mais próximo Pareado (M) 0,982 0,98196 0,3 99,3 0,17 0,864 0,99
radius Pareado (M) 0,98266 0,98259 0,6 98,8 0,36 0,717 1,01
kernel Pareado (M) 0,982 0,97772 33,2 29,3 14,44 0,00 0,45*

Familiares 115
Pareamento por vizinho Não pareado (U) 0,99221 0,98466 74,6 5,52 0,00 0,56*
radius Pareado (M) 0,99212 0,99211 0,1 99,9 0,05 0,963 1,00
kernel Pareado (M) 0,99129 0,98507 61,5 17,5 28,75 0,00 0,61*

Familiares 116
3.5.3 Avaliação do Impacto do Acesso ao Crédito sobre o Rendimento das Uni-

dades Produtivas Familiares
Satisfeitas as condições de pré e pós pareamento dos escores de propensão para os
modelos 1 (AF Total), 2 (AF de Subsistência) e 3 (AF Comercial) sobre a produtividade
da terra e, os modelos 4 (AF Total), 5 (AF de Subsistência) e 6 (AF Comercial) sobre a
produtividade do trabalho, podemos calcular o impacto do acceso ao crédito.
Dado o escore de propensão, 𝑝𝑠(𝑥), a próxima etapa consiste em estimar o efeito médio
𝑃 𝑆𝑀
do tratamento nos tratados - ATT: 𝜏𝐴𝑇 𝑇 = 𝐸𝑝𝑠(𝑥)|𝐷𝑖=1 [𝐸(𝑦1 | 𝐷𝑖 = 1, 𝑝𝑠(𝑥)) − 𝐸(𝑦0 | 𝐷𝑖 =
1, 𝑝𝑠(𝑥))]. Os algoritmos dos vizinhos mais próximos, Radius e Kernel foram utilizadas para
o pareamento (Seção 3.5.2.2 e 3.5.2.3) e a análise de impacto. Todos os casos obtidos foram
com reposição. As Tabelas 38 e 39 apresentam os principais resultados da pesquisa.
Como discutido anteriormente, a AF em El Salvador agrupa-se em duas categorias:
Agricultura Familiar de Subsistência e Agricultura Familiar Comercial. Esta última, com
maiores características de mercantilização e mecanização. A Tabela 38 apresenta os impactos
do acesso ao crédito sobre a produtividade da terra para os estabelecimentos na categoria de
Agricultura Familiar. Quando considerada a categoria Agricultura Familiar como um todo
observa-se que o acesso ao crédito provocou um impacto positivo sobre a produtividade da
terra.
Tabela 38 – Efeito do Crédito sobre a Produtividade (para grãos básicos) da Terra da Agri-
cultura Familiar
Impacto do crédito Algoritmo de pareamento

Modelos
sobre a produtividade Vizinho mais próxmo Radius Kernel
Agricultura Familiar Total (1) Coeficiente (ATT) 0,00751*** 0,00771**** 0,00829****

Erros padrão bootstrap [0,00286] [0,00193] [0,00172]
Estatística z 2,62 4,00 4,8
N 9329 9329 9329
Agricultura Familiar de Subsitência (2) Coeficiente (ATT) 0,00328 0,00364* 0,00395**

Estatística z 1,25 0.85 1,98
N 4743 4743 4743
Agricultura Familiar Comercial (3) Coeficiente (ATT) 0,00763 0,00546 0,00907**

Erros padrão bootstrap [0,00557] [0,00448] [0.00370]
N 4587 4587 4587
Efeito do tratamento sobre os tratados ATT; Erros Padrão em corchete

(d) para mudanças discretas de variáveis dummy de 0 a 1
*p<0.10,**p<0.05,***p<0.01,****p<0.001

Familiares 117
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.
Familiares 118
Tabela 39 – Efeitos do Crédito sobre a Produtividade do Trabalho da Agricultura Familiar
Impacto do crédito Algoritmo de pareamento

modelo
sobre a produtividade Vizinho mais próxmo Radius Kernel
Agricultura Familiar Total (4) Coeficiente (ATT) 0,800*** 0,658** 0,732***

N 7868 7868 7868
Agricultura Familiar de e Subsitência (5) Coeficiente (ATT) 0,0459 0,10 0,578**

N 3200 3200 3200
Agricultura Familiar Comercial (6) Coeficiente (ATT) 0,303 0,289 0,726**

N 4668 4668 4668
Efeito do tratamento sobre os tratados ATT; Erros Padrão em corchete

(d) para mudanças discretas de variáveis dummy de 0 a 1
*p<0.10,**p<0.05,***p<0.01,****p<0.001
3.6 Considerações Finais do Capítulo

Este capítulo teve como objetivo analisar o efeito do acesso ao crédito sobre a pro-
dutividade da terra e do trabalho da Agricultura Familiar Salvadorenha, utilizando como
metodologia o pareamento por escore de propensão e os algoritmos Greedy Matching que
incluem vizinhos mais próximos (com reposição), Radius e Kernel. A aplicação de tal abor-
dagem busca reduzir o viés de seleção, a fim de investigar se o acesso ao crédito contribuiu
de forma positiva sobre o rendimento das unidades agrícolas familiares.
De modo geral, o acesso ao crédito teve um impacto positivo e estatísticamente signi-
ficativo sobre o nível de produtividade da terra da Agricultura Familiar Total. Este resultado
foi similar na aplicação dos três algoritmos. O impacto do crédito, mesmo sendo positivo,
ele foi muito pequeno e diferenciado entre os tipos de AF, sendo de maior magnitude nos
estabelecimentos familiares comerciais.
Empréstimos não tem efeito significativo sobre alguns resultados das unidades pro-
dutivas familiares (pareamento por vizinho mais próximo e por radius) comerciais. Apenas
o pareamento por kernel, apresentou significância estatística. Algumas hipóteses podem ser
levantadas a respeito deste fato. As características estruturais específicas afetam o resultado,
uma vez que as vantagens estruturais e econômicas não só favorecem o acesso ao crédito,
mas também potencializa a produtividade tanto da terra como do trabalho. Por outro lado,
Familiares 119
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
Este dissertação apresenta duas contribuições importantes: (i) uma delimitação da

Agricultura Familiar, a construção de uma tipologia dos estabelecimentos agrícolas familiares
e uma caracterização detalhada do setor; e (ii) a avaliação do impacto do acesso ao crédito
sobre o rendimento das unidades produtivas familiares. Desta forma, o objetivo geral da
pesquisa desta dissertação foi caracterizar a AF e avaliar o impacto do acesso ao crédito
sobre as unidades agrícolas familiares. Foi utilizada a base de dados corresponde ao IV Censo
Agropecuário de El Salvador 2007-2008 sobre estabelecimentos agrícolas.
No Capítulo 2, a delimitação da Agricultura Familiar considera os critérios abordados
na literatura e uma análise univariada para tipificação. Os resultados apontam que a estrutura
agrícola (desconsiderando a pecuária) é predominantemente familiar (99,03%) em relação à
estrutura total. A AF contribui significativamente para a produção agrícola, já que produz
72,64% da produção total de grãos básicos (AFS produz 48,34% e a AFC 24,3%). Da produção
total, a AF produz 37% e a Agricultura Não Familiar - ANF produz 63% da produção.
Também se encontraram evidências que a AF produz com baixa produtividade se
comparada com a Agricultura Não Familiar (ANF) e, o rendimento total médio e o rendimento
médio por estabelecimento é maior entre agricultores não familiares, tanto para grãos básicos
como para outros cultivos. Ainda que a pesquisa não aprofundou neste tema, encontrou-se
que existe uma alta concentração da terra de acordo com Indice de Gini que foi igual a 0,75.
Outra característica da AF é que os estabelecimentos são chefiados predominante-
mente por homens, 89%, e uma proporção pequena por mulheres, 11%. Há evidência de um
déficit de assistência técnica nos estabelecimentos familiares, já que 4,8% dos estabelecimen-
tos agrícolas receberam assistência técnica e, também, existe um baixo nível tecnológico e
ausência de recursos produtivos (capital físico) da AF, sobretudo, na AF de Subsistência que
evidenciou pouca utilização de máquinas nas suas atividades agrícolas. A AFS, encontra-se
em uma situação vulnerável devido a suas características particulares de produtividade e
limitados recursos disponíveis. Outro ponto importante da contribuição da AF é que 65,2%
dos empregos foram fornecidos pelos estabelecimentos familiares que se dedicam majoritari-
amente a atividades agrícolas (96%);
Por outro lado, o objetivo do Capítulo 3 foi analisar o efeito do acesso ao crédito sobre
a produtividade da terra e do trabalho, utilizando como base de dados, a delimitação realizada
no Capítulo 2 a partir do IV Censo Agropecuário 2007-2008. Foi utilizada como metodologia
o método Propensity Score Matching e as técnicas de pareamento vizinhos mais próximos,
Capítulo 4. Considerações Finais 121
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
BUAINAIN, A. M. Agricultura Familiar e inovação tecnológica no Brasil : Características ,

Desafios e obstáculos. [S.l.]: Editora UNICAMP, Campinas, SP;, 2007. Citado na página 36.
CABRERA, O. Evolución de la agricultura familiar en El Salvador. Serie Documentos de

Trabajo No 150. Grupo de Trabajo: Desarrollo con Cohesón Territorial. Programa Cohesión
Territorial para el Desarrollo. Rimisp, Santiago, Chile., 2013. Citado na página 34.
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.
CARDOSO, J. L. Crédito rural no contexto do desenvolvimento. Perspectivas: Revista de

Ciências Sociais, Universidade Estadual Paulista (UNESP), 1983. Citado na página 78.
Centro de Estudios Monetarios Latinoamericanos (CEMLA). Remesas internacionales

en El Salvador. [S.l.], 2009. Disponível em: <http://www.cemla-remesas.org/informes/
informe-elsalvador.pdf>. Citado na página 22.
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.
CERULLI, G. Econometric Evaluation of Socio-Economic Programs: Theory and Applicati-

ons. [S.l.], 2015. (Advanced Studies in Theoretical and Applied Econometrics). Disponível
em: <https://books.google.com.br/books?id=jLslCQAAQBAJ>. Citado 2 vezes nas pági-
nas 151 e 162.
COMA, M. R. Técnicas de evaluación de impacto propensity score matching y aplicacio-

nes prácticas con STATA. [S.l.], 2012. Disponível em: <https://dialnet.unirioja.es/servlet/
articulo?codigo=4929514>. Citado 2 vezes nas páginas 90 e 151.
Comite Interinstitucional (CI). El Salvador: Estrategia de crecimiento económico rural y re-

ducción de la pobreza. Tomo I. Documento para consulta. [S.l.], 2004. Citado na página
78.
Consejo Agropecuario Centroamericano (CAC) . Estrategia Centroamericana de Desarrollo

Rural Territorial (ECADERT): Crear oportunidades y desarrollar capacidades para la inclu-
sión. [S.l.]: Consejo Agropecuario Centroamericano (CAC), 2010. Citado 9 vezes nas páginas
21, 22, 23, 29, 33, 42, 45, 74 e 75.
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.
Decreto Ejecutivo 207. LEY PARA LA AFECTACION Y TRASPASO DE TIERRAS

AGRICOLAS A FAVOR DE SUS CULTIVADORES DIRECTO. Decreto Ley No 207,
28 de abril de 1980 Diario Oficial No 78, Tomo 267, del 28 abril de 1980. El Salva-
dor. 1980. Disponível em: <http://www.transparencia.gob.sv/institutions/ista/documents/
ley-principal-que-rige-a-la-institucion?status=301>. Citado na página 26.
DEHEJIA, R. H.; WAHBA, S. Propensity score-matching methods for noneexperimental

causal studies. National Bureau of Economic Research, Massachusetts Avenue. Cambridge,,
1998. Disponível em: <http://www.nber.org/papers/w6829.pdf>. Citado 4 vezes nas pági-
nas 87, 88, 89 e 93.
DONKOH, S. A.; ELIASU, A.; SETSOAFIA, E. D.; ANSAH, I. G. K. Participation and

output effect of a block farm credit programme in selected districts of northern ghana.
Agricultural Finance Review, Vol. 76 Issue: 3, pp.348-361, 2016. Disponível em: <https:
//www.emeraldinsight.com/doi/pdfplus/10.1108/AFR-01-2016-0005>. Citado na página
80.
ECHARTE, L.; PORTILLO, A. Informe de Diseño: MODELO DE CREDITO RURAL.

Consultoría de Crédito Rural para las Micro y Pequeñas Empresas del sector agropecuario.
[S.l.]: SIC Desarrollo, Trayectoria en consultoría Internacional., 2009. Citado 2 vezes nas
páginas 77 e 78.
ESCOBAR, G.; BERDEGUÉ, J. Tipificación de sistemas de producción agrícola. [S.l.], 1990.

Citado 2 vezes nas páginas 32 e 38.
EUSEBIO, G. d. S. Análise do Crérdito Rural no Desempenho Econôrmico dos Estabeleci-

mentos Agropecuários. Tese (Doutorado) — Universidade Estadual de Campinas, Instituto
de Economia, 2017. Citado na página 81.
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. Política de desarrollo agrícola Conceptos y principios. [S.l.]: ORGANIZACIÓN DE LAS

NACIONES UNIDAS PARA LA AGRICULTURA Y LA ALIMENTACIÓN, 2004. Citado
2 vezes nas páginas 31 e 74.
FAO. La FAO y la agricultura familiar: el caso de El Salvador. [S.l.], 2012. Citado na página
31.
FAO; BID. POLÍTICAS PARA LA AGRICULTURA FAMILIAR EN AMÉRICA LATINA

Y EL CARIBE: RESUMEN EJECUTIVO. [S.l.], 2007. Disponível em: <http://www.fao.
org/3/a-a1244s.pdf>. Citado na página 37.
Referências 125
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),
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
HEINRICH, C.; MAFFIOLI, A.; VÁZQUEZ, G. A Primer for Applying Propensity-

Score Matching. [S.l.], 2010. Disponível em: <https://pdfs.semanticscholar.org/c1af/
121ce5a7d52075722b87a5f012da83dc5502.pdf>. Citado 7 vezes nas páginas 83, 93, 95, 98,
100, 151 e 173.
HIRAKURI, M. H.; DEBIASI, H.; PROCÓPIO, S. d. O.; FRANCHINI, J. C.; CASTRO,

C. d. Sistemas de Produção: conceitos e definições no contexto agrícola. 2012. Citado na
página 51.
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.
HOFFMANN, R. Distribuição de renda: medidas de desigualdade e pobreza. [S.l.]: Volume

22 de Acadẽmica (São Paulo, Brazil) Volume 22 de Artistas Brasileiros, 1998. Citado na
página 60.
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.
Instituto Interamericano de Cooperación para la Agricultura (IICA). La agricultura familiar

en las Américas: Principios y conceptos que guían la cooperación técnica del IICA. [S.l.],
2016. Citado 3 vezes nas páginas 37, 73 e 74.
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.
KAGEYAMA, A.; BERGAMASCO, S. M. A estrutura da produção no campo em 1980. Pers-

pectivas: Revista de Ciências Sociais. São Paullo, 1989. Disponível em: <https://periodicos.
fclar.unesp.br/perspectivas/article/view/1904/1553>. Citado na página 34.
KAGEYAMA, A.; BERGAMASCO, S. M. P. P.; OLIVEIRA, J. A. de. Uma classificacao

dos estabelecimentos agropecuários do Brasil a partir do Censo de 2006. In: Aspectos multi-
dimensionais da agricultura brasileira: diferentes visões do Censo Agropecuário 2006. [S.l.]:
Ipea, 2014. Citado 2 vezes nas páginas 35 e 36.
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.
KHANDKERA, S. R.; KOOLWALB, G. B. How has microcredit supported agriculture?

evidence using panel data from bangladesh. Agricultural Economics 47 (2016) 15768, 2016.
Disponível em: <https://onlinelibrary.wiley.com/doi/pdf/10.1111/agec.12185>. Citado na
página 80.
Referências 127
LECHNER, M. Program heterogeneity and propensity score matching: An applica-

tion to the evaluation of active labor market policies. The Review of Economics
and Statistics, p. 20520, 2002. Disponível em: <https://pdfs.semanticscholar.org/2f34/
edbcb6f0f8a630db255c64a695ab11dbcc81.pdf>. Citado na página 89.
LECHNER, M. Some practical issues in the evaluation of heterogeneous labour market

programmes by matching methods. J. R. Statist. Soc. A (2002). Royal Statistical Soci-
ety., 2002. Disponível em: <https://rss.onlinelibrary.wiley.com/doi/pdf/10.1111/1467-985X.
0asp2>. Citado na página 98.
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.
MAG. Plan de Agricultura Familiar y Emprendedurismo Rural para la Seguridad Alimentaria

Nutricional (PAF). [S.l.]: Ministerio de Agricultura y Ganadería (MAG), 2011. Citado 5
vezes nas páginas 30, 33, 39, 41 e 42.
MAGALÃES, A. M.; NETO, R. S.; DIAS, F. d. M.; BARROS, A. R. A experiência recente

do PRONAF em Pernambuco: uma análise por meio de propensity score. Economia Apli-
cada, scielo, v. 10, p. 57 – 74, 03 2006. ISSN 1413-8050. Disponível em: <http://www.scielo.
br/scielo.php?script=sci_arttext&pid=S1413-80502006000100004&nrm=iso>. Citado na
página 106.
MALETTA, H. Tendencias y perspectivas de la agricultura familiar en América Latina. Do-

cumento de Trabajo No 90 Programa Dinámicas Territoriales Rurales. Documento de Trabajo
No 1 Proyecto Conocimiento y Cambio en Pobreza Rural y Desarrollo Rimisp – Centro La-
tinoamericano para el Desarrollo Rural., v. 1, 2011. Citado na página 31.
MEJÍA, E. P. M.; DELGADO, B. J. C. LA AGRICULTURA FAMILIAR EN EL CENTRO

DE LAS POLÍTICAS AGRÍCOLAS: Análisis del Plan de Agricultura Familiar (PAF) y
su Presupuesto El Salvador, 2011–2014. [S.l.]: FUNDACIÓN SALVADORE NA PARA LA
RECONSTRUCCIÓN Y EL DESARROLLO (REDES), 2014. Citado 2 vezes nas páginas
34 e 77.
Ministerio de Economía (MINEC). IV CENSO AGROPECUARIO 2007-2008: Microda-

tos. [S.l.], 2008. Disponível em: <http://sisan.conasan.gob.sv/anda/index.php/catalog/5/
datafile/F3#page=F1&tab=data-dictionary>. Citado 4 vezes nas páginas 30, 38, 40 e 41.
MORA, A.; CODÍNEZ, V. La crisis económica internacional: impactos en cen-

troamérica. Estado de la Región. Aporte especial. p. 191-210, 2013. Disponí-
vel em: <https://estadonacion.or.cr/files/biblioteca_virtual/centroamerica/004/
Informe-Regional-Cap4aporte_iverca.pdf>. Citado 2 vezes nas páginas 23 e 24.
Referências 128
MORA, A.; MENESES, K. Panorama económico. ESTADO DE LA REGIÓN.

p. 161-196, 2016. Disponível em: <https://www.estadonacion.or.cr/erca2016/assets/
cap-4-erca-2016-economico.pdf>. Citado na página 23.
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.
Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO). Capa-

citación en polÍtica agrícolas y alimentarias 2. Política de Desarrollo agrícola: conceptos y
principios. FAO, 2004. Disponível em: <http://www.fao.org/3/a-y5673s.pdf>. Citado na
página 77.
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.
PÉREZ, G. Tenencia de la tierra y democratización de la propriedad en El Salvador. San

Salvador, El Salvador: FUNDE, 2010, 2010. Disponível em: <http://www.repo.funde.org/
62/1/LIBROS-56.pdf>. Citado 3 vezes nas páginas 26, 27 e 28.
PETRICK, M. A microeconometric analysis of credit rationing in the polish farm sector.

European Review of Agricultural Economics, Oxford University Press, v. 31, n. 1, p. 77–101,
Representación de la FAO en El Salvador. La incorporación de la Agricultura Familiar en las

Cadenas de Valor. Documento técnico 5. [S.l.], 2011. Disponível em: <http://foris.fao.org/
preview/30322-0f6b6122dbb0e982c1b301f177a745160.pdf>. Citado na página 17.
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.
REYDON, B. P.; FELÍCIO, A. S. G. Fundamentos da governança fundiária. In: Gover-

nança de terras: da teoria à realidade brasileira. [S.l.]: Organização das Nações Unidas para
a Alimentação e a Agricultura (FAO) e a Secretaria Especial de Agricultura Familiar e do
Desenvolvimento Agrário (SEAD), Brasilia„ 2017. Citado na página 73.
Referências 129
ROSENBAUM, P. R. Observational study. in encyclopedia of statistics in behavioral science.

John Wiley & Sons, Ltd, Chichester, 2005, v. 3, p. 1451462, 2005. Disponível em: <http:
//www-stat.wharton.upenn.edu/~rosenbap/BehStatObs.pdf>. Citado na página 99.
ROSENBAUM, P. R. Design of Observational Studies. Springer Science+Business Media,
LLC 2010, 2010. Disponível em: <http://www.stewartschultz.com/statistics/books/Design%
20of%20observational%20studies.pdf>. Citado na página 99.
RUÍZ, S. CARACTERIZACIÓN DE LA AGRICULTURA FAMILIAR EN EL SALVADOR,
POL´TICAS Y RESULTADOS OBTENIDOS. 1989–2014. [S.l.]: La Confederación de Fede-
raciones de la Reforma Agraria Salvadoreña (CONFRAS) y el Comité Nacional de Agricul-
tura Familiar (CNAF) -CONFRAS-CNAF 01, 2015. Citado 2 vezes nas páginas 34 e 74.
SABASI, D.; KOMPANIYETS, L. Impact of credit constraints on profitability and
productivity in u.s. agricultura. Agricultural & Applied Economics Association’s 2015
(AAEA) Annual Meeting, San Francisco, California, CA,, 2015. Disponível em: <http:
//ageconsearch.umn.edu/bitstream/205689/2/Impact%20of%20credit%20constraints%
20on%20profitability%20and%20productivity%20in%20U.S.%20agriculture.pdf>. Citado
na página 81.
SABOURIN, E.; SAMPER, M.; COQ, J. L. Análisis transversal de las políticas sobre agri-
cultura familiar en América Latina. Comisión Económica para América Latina y el Caribe
(CEPAL)-IICA, 2014. Citado na página 31.
SABOURIN, E.; SAMPER, M.; SOTOMAYOR, O. Políticas públicas y agriculturas fami-
liares en América Latina y el Caribe: Nuevas perspectivas. [S.l.]: Red Politícas Públicas y
Desarrollo rural en América Latina/CIRAD/CEPAL/IICA/Cooperación Regional Francessa,
SALCEDO, S.; De La O, A. P.; GUZMÁN, L. El concepto de agricultura familiar en América
Latina y el Caribe. In: Agricultura Familiar en América Latina y el Caribe: Recomendaciones
de Política. [S.l.]: Organización de las Naciones Unidas para la Alimentación y la Agricultura
(FAO), 2014. Citado 3 vezes nas páginas 31, 32 e 38.
SALCEDO, S.; GUZMÁN, L. Agricultura familiar en américa latina y el caribe: recomenda-
ciones de política. Santiago: FAO, 2014. Citado na página 78.
SANTOS, R. D.; BRAGA, M. Impactos do crédito rural na produtividade da terra e do
trabalho nas regiões brasileiras. Economia Aplicada,v.17, n3, 2013, pp. 299-324, 2013. Citado
2 vezes nas páginas 78 e 81.
SCHETJMAN, A. Economía campesina y agricultura empresarial:. CEPAL-Ed. Siglo XXI.
México, 1981. Citado 2 vezes nas páginas 32 e 38.
SCHNEIDER, S. La Agricultura Familiar en América Latina: Un análisis comparativo. [S.l.],
2014. Citado 4 vezes nas páginas 31, 36, 37 e 39.
SCHNEIDER, S.; CASSOL, A. A agricultura familiar no brasil. Documento No 145 Grupo de
Trabajo: Desarrollo con Cohesión Territorial, Septiembre, 2013. Citado 2 vezes nas páginas
36 e 42.
Referências 130
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.
SILVA, G. P. d. Desenho de pesquisa. Brasília:, 2018. Disponível em: <http://repositorio.

enap.gov.br/bitstream/1/3330/1/Livro_Desenho%20de%20pesquisa.pdf>. Citado na pá-
gina 85.
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.
TIJERINO, J. R. América Central: Principales rasgos y tendencias del desempeño pro-

ductivo y del sector externo en la última década. CUARTO INFORME ESTADO DE
LA REGIÓN, 2010. Disponível em: <http://estadonacion.or.cr/files/biblioteca_virtual/
centroamerica/004/Rosales_2010b.pdf>. Citado na página 23.
TOBAR, J. Criterios de tipificación y caracterización de la Agricultura Familiar en El Sal-

vador. [S.l.], 2011. Citado 2 vezes nas páginas 33 e 34.
VÁSQUEZ, D. B. J. MICROECONOMETRÍA APLICADA. [S.l.], 2008. Citado na página

151.
VIÉYTEZ, E. B. de. Desafios y oportunidades de las PYMES salvadoreñas: construyendo

una agenda de desarrollo. [S.l.]: FUNDES, 2002. Citado na página 45.
VILLALOBOS, I.; LAZO, F. Políticas públicas y servicios financieros rurales en El Salvador.

Fondo Internacional de Desarrollo Agrícola (FIDA), Unidad Regional de Asistencia Técnica
(RUTA), Programa de Apoyo a los Servicios Financieros Rurales (serfirural)., 2006. Disponí-
vel em: <http://unpan1.un.org/intradoc/groups/public/documents/ICAP/UNPAN027968.
pdf>. Citado na página 77.
ZIGER, V. O crédito rural e a agricultura familiar: desáfios, estratégias e perspectivas. 2013.

Disponível em: <http://www.cresol.com.br/site/upload/downloads/183.pdf>. Citado na
página 81.
131
ANEXO A – Dados Sócio-econômicos de El

Salvador
A Tabela 40 apresenta informações sobre a produção de grãos básicos e a distribuição

por departamentos em porcentagem da AF em El Salvador. As Tabelas 41 e 42 apresentam
informações sobre características gerais e mercado de trabalho de El Salvador, no período de
2005 a 2017.
Tabela 40 – Distribuição e Produção de Grãos Básicos da AF
Departamento Produção em toneladas Distribuição em %

Santa Ana 189.512,5 8,48
Usulutan 188.567,1 8,87
La libertad 179.885,3 9,86
Ahuachapan 153.167,8 8,45
La Paz 124.637,1 6,58
San Vicente 123.832,3 5,26
Sonsonate 114.268,2 7,88
La Union 107.530,2 8,62
San Miguel 105.656,0 8,73
San Salvador 98.770,5 6,11
Chalatenango 95.756,3 5,16
Cabañas 87.050,3 4,66
Cuscatlan 78.258,9 5,21
Morazan 52.306,0 6,13
Total 1.699.198,5 100
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%
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%
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
ANEXO B – Resultados do Propensity Score

Matching
Neste anexo são apresentados os resultados obtidos a partir da modelagem realizada

nesta dissertação para obter-se o Propensity Score Matching.
Tabela 43 – Efeitos Marginais dos Determinantes do Rendimento das Unidades Produtivas Agrícolas na Categoria de Agricultura
Familiar em El Salvador
Variável dependente Variável dependente
ln(Rendimento da terra para Grãos Básicos) Rendimento do trabalho para Grãos Básicos
Variáveis explicativas AF Total (1)AF de Subsistência (2)AF Comercial (3) AF Total (4) AF de Subsistência (5)AF Comercial (6)
Acesso ao Crédito
Crédito 0,00362**** 0,00299**** 0,00645** 0,425*** 0,416*** 0,423
[0,000877] [0,000842] [0,00319] [0,150] [0,135] [0,448]
Características Individuais
Respónsavel com 35 anos ou menos 0,00175**** 0,00145*** 0,0017 0,132* 0,0677 0,353*
[0,000265] [0,000498] [0,00145] [0,0763] [0,0715] [0,201]
Idade 0,000167** 0,000503** 0,0532**** 0,0394**** 0,0914****
[0,0000695] [0,000198] [0,0107] [0,0102] [0,0275]
Idade ao quadrado -0,00000239**** -0,00000497*** -0,000419**** -0,000291*** -0,000752***
[0,000000635] [0,00000176] [0,0000971] [0,0000931] [0,000245]
Características Estruturais
Assistência técnica 0,00155**** 0,00187**** 0,122** 0,172*** 0,0983
[0,000335] [0,000398] [0,0479] [0,0562] [0,0909]
Número de trabalhadores 0,000443**** 0,000363**** 0,0000208
[0,0000388] [0,0000585] [0,0000704]
Municípios com produtividade acima da média 0,000495
[0,00321]
Insumos Agrícolas
Material para semear 0,0181**** 1,541 1,878*
[0,00494] [0,950] [1,057]
Utilização de agroquímicos 0,00604**** 0,00793**** 0,00116 0,748*** 0,478* 1,094
[0,00171] [0,00167] [0,00513] [0,280] [0,280] [0,697]
Equipamento e maquinária Agrícola
Tratores 0,0192**** 0,0170**** 0,959**** 0,888****
[0,000419] [0,000624] [0,0524] [0,0860]
Colheitadeira mecânica 0,00519**** 0,00552**** 0,00530**** 0,457**** 0,316**** 0,791****
[0,000226] [0,000230] [0,000608] [0,0340] [0,0325] [0,0842]
Equipamento de fumigação e/ou aspersão 0,00142*** 0,00379**** 0,149** 0,266****
[0,000484] [0,000560] [0,0703] [0,0803]
Dummies Regionais (+)
Zona Central 0,00750**** 0,00555**** 0,0146**** 0,392**** 0,313**** 0,636****
[0,000293] [0,000294] [0,000836] [0,0446] [0,0420] [0,117]
Zona Oriental 0,00306**** 0,00304**** 0,00306**** -0,240**** -0,396**** 0,0633
[0,000302] [0,000312] [0,000786] [0,0453] [0,0443] [0,110]
Zona Paracentral 0,00640**** 0,00729**** 0,00428**** 0,315**** 0,350**** 0,288**
[0,000305] [0,000309] [0,000845] [0,0464] [0,0442] [0,118]
Observações 36369 28074 8295 27697 19254 8442
Efeitos marginais. Erros Padrão entre colchetes.
* p<0.10, ** p<0.05, *** p<0.01, **** p<0.001
(+) Zona Ocidental como variável de referência
135
ANEXO B. Resultados do Propensity Score Matching 136
B.0.1 Covariáveis Utilizadas e cálculo do propensity score

Tabela 44 – Covariáveis Utilizadas para Calcular os Escores de Propensão
Probabilidade condicional de acesso ao crédito
Variável dependente = crédito
Covariáveis Produtividade da terra Produtividade do trabalho
Modelo 1 Modelo 2 Modelo 3 Modelo 4 Modelo 5 Modelo 6
Características Individuais
Responsavel com 35 anos ou menos 0,220** 0,289* 0,281 0,274** 0,289* 0,276
[0,104] [0,157] [0,305] [0,140] [0,157] [0,310]
Idade 0,00178 0,00945 0,00307 0,00178 0,0106
[0,00452] [0,0418] [0,00395] [0,00452] [0,0396]
Idade ao quadrado -0,0000293 -0,0000421
[0,000370] [0,000347]
Características Estruturais
Asistência técnica 0,376** 0,401* 0,425*** 0,401* 0,285*
[0,152] [0,224] [0,151] [0,224] [0,164]
Numero de trabalhadores 0,0295
[0,0184]
Municipios com produtividade acima da media
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.
B.0.1.1 Escore de propensão - modelo 1
. pscore $tratamento $x_model_1ep [iw=factor] if AF==1, pscore(propensity_score1) comsup blockid(m_blocos1)

(0 real changes made)
****************************************************
Algorithm to estimate the propensity score
****************************************************
The treatment is credito
credito | Freq. Percent Cum.

------------+-----------------------------------
0 | 127 1,30 1,30
1 | 9.613 98,70 100,00
------------+-----------------------------------
Total | 9.740 100,00
Estimation of the propensity score
Iteration 0: log likelihood = -2906,5996

Probit regression Number of obs = 37180

LR chi2(11) = 238,51
Prob > chi2 = 0,0000
Log likelihood = -2787,3437 Pseudo R2 = 0,0410
------------------------------------------------------------------------------
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
------------------------------------------------------------------------------
Note: the common support option has been selected

The region of common support is [,70677043, ,99994916]
Description of the estimated propensity score

in region of common support
Estimated propensity score

-------------------------------------------------------------
Percentiles Smallest
1% ,9540641 ,7067704
5% ,9672176 ,7869412
10% ,9738246 ,8036699 Obs 9739
25% ,9818571 ,811727 Sum of Wgt. 9739
50% ,9885751 Mean ,9862557

Largest Std. Dev. ,0119885
75% ,9936698 ,9998693
90% ,9970078 ,9998864 Variance ,0001437
95% ,9981867 ,9998901 Skewness -5,507364
99% ,999368 ,9999492 Kurtosis 77,69713
******************************************************
Step 1: Identification of the optimal number of blocks
Use option detail if you want more detailed output
******************************************************
The final number of blocks is 9
This number of blocks ensures that the mean propensity score

is not different for treated and controls in each blocks
**********************************************************
Step 2: Test of balancing property of the propensity score
**********************************************************
The balancing property is satisfied
This table shows the inferior bound, the number of treated

and the number of controls for each block
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
. pscore $tratamento $x_model_2ep [iw=factor] if mlp==-2, pscore(propensity_score2) comsup blockid(m_blocos2)

****************************************************
****************************************************

------------+-----------------------------------
0 | 85 1,79 1,79
1 | 4.658 98,21 100,00
------------+-----------------------------------
Total | 4.743 100,00


LR chi2(9) = 162,92
Prob > chi2 = 0,0000
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
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
cosechadora | ,1334242 ,0404347 3,30 0,001 ,0541737 ,2126747

fumasper | ,3558986 ,0704184 5,05 0,000 ,217881 ,4939162
zona_central | ,0936372 ,0556226 1,68 0,092 -,015381 ,2026554
zona_Orien~l | -,222279 ,050533 -4,40 0,000 -,321322 -,1232361
zona_Parac~l | -,1391672 ,0518466 -2,68 0,007 -,2407846 -,0375498
_cons | ,7683694 ,1893431 4,06 0,000 ,3972638 1,139475
------------------------------------------------------------------------------



-------------------------------------------------------------
1% ,9372221 ,7615133
5% ,9679958 ,7978343
10% ,9698544 ,8153066 Obs 4743
25% ,9779047 ,8417767 Sum of Wgt. 4743
50% ,9854561 Mean ,9824516

75% ,9892668 ,9985186
90% ,9932491 ,9985611 Variance ,0001542
95% ,9948152 ,9985611 Skewness -5,473342
99% ,9969395 ,9985611 Kurtosis 63,82208
******************************************************
******************************************************

**********************************************************
**********************************************************


Inferior |
of block | credito
-----------+----------------------+----------
,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 do-file
. pscore $tratamento $x_model_3ep [iw=factor] if AFcomercial==1, pscore(propensity_score3) comsup blockid(m_blocos3)

****************************************************
****************************************************

------------+-----------------------------------
0 | 42 0,84 0,84
1 | 4.955 99,16 100,00
------------+-----------------------------------
Total | 4.997 100,00



LR chi2(8) = 71,67
Prob > chi2 = 0,0000
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
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
------------------------------------------------------------------------------



-------------------------------------------------------------
1% ,9641434 ,961805
5% ,9705148 ,961805
10% ,9759732 ,961805 Obs 4997
25% ,9888248 ,961805 Sum of Wgt. 4997
50% ,9948918 Mean ,9914108

75% ,9975431 ,9998549
90% ,9990441 ,9998549 Variance ,0000777
95% ,9995959 ,9998634 Skewness -1,516566
99% ,9998029 ,9998634 Kurtosis 4,495664
******************************************************
******************************************************

**********************************************************
**********************************************************

Inferior |
of block | credito
-----------+----------------------+----------
,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 do-file
. pscore $tratamento $x_model_4ep [iw=factor] if AF==1, pscore(propensity_score4) comsup blockid(m_blocos4)

****************************************************
****************************************************

------------+-----------------------------------
0 | 127 1,30 1,30
1 | 9.613 98,70 100,00
------------+-----------------------------------
Total | 9.740 100,00


LR chi2(9) = 183,30
Prob > chi2 = 0,0000
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
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
------------------------------------------------------------------------------



-------------------------------------------------------------
1% ,9554374 ,819934
5% ,9686192 ,8286598
10% ,9717349 ,8571243 Obs 9739
25% ,9808123 ,8585053 Sum of Wgt. 9739
50% ,9868866 Mean ,9848933

75% ,9914111 ,9988731
90% ,9945394 ,9988731 Variance ,0001049
95% ,9962717 ,9988731 Skewness -3,961093
99% ,9977955 ,9988731 Kurtosis 41,18398
******************************************************
******************************************************

**********************************************************
**********************************************************

Inferior |
of block | credito
-----------+----------------------+----------
,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
*******************************************

*******************************************
.
end of do-file
. pscore $tratamento $x_model_5ep [iw=factor] if mlp==-2, pscore(propensity_score5) comsup blockid(m_blocos5)

****************************************************
****************************************************

------------+-----------------------------------
0 | 85 1,79 1,79
1 | 4.658 98,21 100,00
------------+-----------------------------------
Total | 4.743 100,00


LR chi2(9) = 162,92
Prob > chi2 = 0,0000
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
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
zona_Orien~l | -,222279 ,050533 -4,40 0,000 -,321322 -,1232361

zona_Parac~l | -,1391672 ,0518466 -2,68 0,007 -,2407846 -,0375498
_cons | ,7683694 ,1893431 4,06 0,000 ,3972638 1,139475
------------------------------------------------------------------------------



-------------------------------------------------------------
1% ,9372221 ,7615133
5% ,9679958 ,7978343
10% ,9698544 ,8153066 Obs 4743
25% ,9779047 ,8417767 Sum of Wgt. 4743
50% ,9854561 Mean ,9824516

75% ,9892668 ,9985186
90% ,9932491 ,9985611 Variance ,0001542
95% ,9948152 ,9985611 Skewness -5,473342
99% ,9969395 ,9985611 Kurtosis 63,82208
******************************************************
******************************************************

**********************************************************
**********************************************************

Inferior |
of block | credito
-----------+----------------------+----------
,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 do-file

pscore $tratamento $x_model_6ep [iw=factor] if AFcomercial==1, pscore(propensity_score6) comsup blockid(m_blocos6)
****************************************************
****************************************************

------------+-----------------------------------
0 | 42 0,84 0,84
1 | 4.955 99,16 100,00
------------+-----------------------------------
Total | 4.997 100,00



LR chi2(10) = 87,03
Prob > chi2 = 0,0000
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
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
------------------------------------------------------------------------------



-------------------------------------------------------------
1% ,9611706 ,886221
5% ,9699229 ,8930828
10% ,9769428 ,8930828 Obs 4996
25% ,9890186 ,9004311 Sum of Wgt. 4996
50% ,9952474 Mean ,9915478

75% ,9979193 ,9999343
90% ,9991976 ,9999362 Variance ,0001005
95% ,9995935 ,9999403 Skewness -2,848795
99% ,9998692 ,9999408 Kurtosis 17,69478
******************************************************
******************************************************

**********************************************************
**********************************************************

Inferior |
of block | credito
-----------+----------------------+----------
,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 do-file
151
ANEXO C – Implementação do Propensity

Score Matching no Stata
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.
C.1 Implementação do Propensity Score Matching - (PSM) no Soft-

ware Stata
Inicialmente, as variáveis a serem utilizadas na pesquisa devem ser definidas:
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
rename resultado2 credito
global my_outcome1 "lnrendimGB"

global tratamento "credito"
global x_model_1 "menos_35 s17p01 traba matsiemb agroqui tratores cosechadora fumasper zona_central zona_Oriental"
ANEXO C. Implementação do Propensity Score Matching no Stata 152
Passo 1: Identificação dos dados da pesquisa

O número de observações é de 9.330 estabelecimentos dentro da categoria da Agricul-
tura Familiar. Do total, 125 estabelecimentos não receberam crédito e 9.205 receberam. As
médias simples da produtividade revelam que a média da produtividade dos estabelecimentos
que receberam crédito é maior, sendo .0474932. Não podemos estabelecer uma relação causal
na média simples das variáveis.
. tabulate $tratamento [aw=factor] if AF==1, summarize($my_outcome1) means standard
| Summary of lnrendimGB
credito | Mean Std. Dev. Obs.
------------+------------------------------------
0 | .04112453 .01914208 125
1 | .0474932 .02172354 9,205
------------+------------------------------------
Total | .04739673 .02169965 9,330
.
Ao estimar uma regressão simples, observa-se que o impacto do crédito é positivo e

estatisticamente significativo.
. regress $my_outcome1 $tratamento [iw=factor] if AF==1
Source | SS df MS Number of obs = 36,370

-------------+---------------------------------- F(1, 36368) = 46.80
Model | .022007869 1 .022007869 Prob > F = 0.0000
Residual | 17.1022232 36,368 .000470255 R-squared = 0.0013
-------------+---------------------------------- Adj R-squared = 0.0013
Total | 17.1242311 36,369 .000470847 Root MSE = .02169
------------------------------------------------------------------------------
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
------------------------------------------------------------------------------
.
Analisando a hipótese do modelo de regressão linear simples, verifica-se que a correla-

ção entre os erros e a variável de produtividade é diferente de zero, o que indica que deve-se
controlar um conjunto de variáveis independentes e realizar alguns testes para comprovar a
veracidade da estimativa.
Observa-se que o crédito ainda sugere relação positiva e estatísticamente significativa
com o nível de produtividade. Para obter resultados confiáveis tanto em significância com
em ajuste (não viesados, ótimos-eficientes- e consistentes) dos parâmetros da população, isto
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”.
. reg $my_outcome1 $tratamento $x_model_1 [iw=factor] if AF==1, beta
Source | SS df MS Number of obs = 36,369

-------------+---------------------------------- F(11, 36357) = 406.84
Model | 1.87680835 11 .170618941 Prob > F = 0.0000
Residual | 15.2473884 36,357 .00041938 R-squared = 0.1096
-------------+---------------------------------- Adj R-squared = 0.1093
Total | 17.1241968 36,368 .000470859 Root MSE = .02048
-------------------------------------------------------------------------------
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 .
-------------------------------------------------------------------------------
.
O coeficiente de determinação (R2) indica que 10,96% da variabilidade de “lnren-

dimGB” é explicada conjuntamente pelas covariáveis. Sobre a significância estatística, observa-
se que todos os coeficientes das variáveis independentes tem, uma relação positiva e estatisti-
camente significativa, de modo que todas as variáveis contribuem isoladamente para explicar
a variabilidade de “lnrendimGB” - a exeção da variável independente “𝑧𝑜𝑛𝑎 𝑂𝑟𝑖𝑒𝑛𝑡𝑎𝑙”.
Também, foi calculado os coeficientes betas padronizados (valor original menos a
média, dividido pelo desvio padrão) os quais permitem ver a importância explicativa de
maior ou menor força sobre a variável dependente, isto é, qual variável independente tem
maior ou menor peso sobre a variância da variável dependente. Nota-se que as variáveis
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.
Passo 2: Estimação do “Propensity Score”

O passo anterior, permite realizar uma análise exploratória sobre a direção e sentido
dos sinais das variáveis. Para analisar esta segunda etapa, é utilizado o comando pscore desen-
volvido Becker e Ichino (2002), que permite construir o escore de propensão (probabilidade
condicional). Este comando possibilita analisar um processo de pré-tratamento da estima-
ção do escore de propensão. O pscore estima a probabilidade de acesso ao crédito (receber
tratamento) dos estabelecimentos agrícolas familiares.
. pscore $tratamento $x_model_1 [iw=factor] if AF==1, pscore(propensity_score1) comsup blockid(m_blocos1)

****************************************************
****************************************************

------------+-----------------------------------
0 | 138 1.29 1.29
1 | 10,553 98.71 100.00
------------+-----------------------------------
Total | 10,691 100.00
Iteration 0: log likelihood = -3027.8239


LR chi2(10) = 216.37
Prob > chi2 = 0.0000
Log likelihood = -2919.6377 Pseudo R2 = 0.0357
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
menos_35 | .2148237 .0466228 4.61 0.000 .1234448 .3062027
s17p01 | .408715 .0713372 5.73 0.000 .2688967 .5485333
traba | .0234111 .0063548 3.68 0.000 .0109559 .0358662

matsiemb | -.2648461 .1315069 -2.01 0.044 -.5225949 -.0070974
agroqui | .2259642 .1356564 1.67 0.096 -.0399174 .4918459
tratores | .43818 .0960008 4.56 0.000 .2500219 .6263381
cosechadora | .1796488 .0372816 4.82 0.000 .1065782 .2527194
fumasper | .1537938 .0629918 2.44 0.015 .0303322 .2772554
zona_central | .1504764 .0450605 3.34 0.001 .0621595 .2387933
zona_Orien~l | -.1821429 .0389324 -4.68 0.000 -.258449 -.1058369
_cons | 1.864459 .1027803 18.14 0.000 1.663014 2.065905
------------------------------------------------------------------------------
The region of common support is [.93158544, .99993834]


-------------------------------------------------------------
1% .9588134 .9315854
5% .9674121 .9375498
10% .9736698 .9419393 Obs 10,682
25% .9809146 .9451578 Sum of Wgt. 10,682
50% .9878598 Mean .9866472

Largest Std. Dev. .0092622
75% .9938799 .9998267
90% .9970701 .99987 Variance .0000858
95% .9983002 .9998874 Skewness -.979007
99% .9994024 .9999383 Kurtosis 3.914088
******************************************************
******************************************************

**********************************************************
**********************************************************

Inferior |
of block | credito
-----------+----------------------+----------
.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 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.
Passo 3: Qualidade e diagnóstico do Propensity Score

Identificação do número ótimo de blocos
A opção “𝑏𝑙𝑜𝑐𝑘𝑖𝑑(𝑚 𝑏𝑙𝑜𝑐𝑜𝑠1)” divide as observações em q número de blocos ou inter-

valos iguais de modo que a probabilidade média do grupo de controle não seja estatisticamente
diferente da probabilidade média do grupo de tratamento dentro de cada bloco. O número
de blocos por default é 5. No caso tratado neste trabalho foram estimados 9 blocos ótimos,
o qual é determinado a partir do escore médio de propensão calculado entre as unidades
tratadas e as de controle, de forma que este valor não seja estatisticamente diferente entre os
grupos tratados e os de comparação (controles que servem de contrafactual). Se não existe
diferença estatística entre os individuos tratados e os controlados, então tem-se a hipótese de
equilíbrio satisfeita. No resultado do comando pscore tem-se a seguinte informação:
******************************************************
******************************************************

Teste sobre as propriedades do balanceamento do propensity score
A opção comsup restringe a análise para atender a propriedade do equilíbrio (balance-

ado). Assim, restringe-se todos os estabelecimentos agrícolas tratados e de controles na região
de suporte comum. Nesta região, cada observação terá um determinado propensity score es-
timado na superposição ou interseção (overlap) das distribuições do escore de propensão. A
região estará composta por grupos de controle e de tratados com propensity score idênticos.
A exigência de ser ter um suporte comum implica descartar aquelas observações que
possuem escores muito baixos ou muito acima da média, ou seja, a probabilidade do grupo de
tratamento que supera a máxima probabilidade do grupo de controle (os indivíduos que sem-
pre recebem tratamento) e as probabilidade do grupo de controle que são inferiores à mínima
probabilidade do grupo de tratamento (aqueles indivíduos que nunca recebem tratamento).
O comando pscore apresenta um único índice de pontuação o qual combina os grupos
de tratamento e de comparação (controles) na região de suporte comum. A região do suporte
comum, neste caso, é dada pelo intervalo [.93158544, .99993834]. Essa região correspode às
estimativas do propensity score que se encontram nesse intervalo.
O suporte comum restringe as variáveis que formam parte da estimação do contrafac-

tual. Por fim, o teste da propriedade de balanceamento ou equilíbrio do escore de propensão
satisfaz o número ótimo final de blocos ou estratos determinados anteriormente. A proprie-
dade de equilíbrio permite melhorar a qualidade do pareamento, uma vez que as covariáveis
observáveis são balanceadas dentro de cada bloco do escore de propensão. Abaxio tem-se a
saída do comando pscore para este teste.
**********************************************************
**********************************************************

Inferior |
of block | credito
-----------+----------------------+----------
.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
*******************************************
*******************************************
.
Se a propriedade de balanceamento não for satisfeita, o algoritmo indica que as va-

riáveis não estão balanceadas nas estratificações (blocos). Neste caso, deve-se alterar a espe-
cificação do modelo (introduzindo ou excluindo variáveis) e estimar, novamente, o escore de
propensão.
Condição de suporte comum por meio de análise gráfica (pré-tratamento)
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
Outra forma de verificar a hipotése de balanceamento é por meio da análise gráfica

(Figura 17).
qui graph tw (kdensity propensity_score1 if $tratamento == 1) ///

(kdensity propensity_score1 if $tratamento == 0 , ///
lpattern(dash)), legend( label( 1 "Tratados") label( 2 "Controle" ) ) ///
xtitle("Valor do Pscore", size(small)) ytitle("Função de Densidade (kernel)", size(small)) ///
title("Região de Suporte Comum", size(medium)) subtitle("") ///
saving(sp_pre01.gph, replace)
qui psgraph, treated($tratamento) pscore(propensity_score1) bin(200) support(comsup) ///

saving(sp_pre02.gph, replace)
gr combine sp_pre01.gph sp_pre02.gph, ///

saving("C:\Users\sp_pre03.gph", replace)
graph export "C:\Users\sp_pre03.png", replace
Figura 17 – Suporte Comum para a Distribuição dos Escores de Propensão Estimados
Fonte: Resultado da pesquisa
A Figura 17 mostra dois gráficos. O gráfico à esquerda ilustra a função de densidade

de kernel, na qual observa-se a distribuição dos grupos, onde pode-se verificar que os escores
de propensão tendem a ser maiores nos tratados do que nos não tratados, com um overlap
de 0,93158544 a 0,99993834 e verifica-se que as probabilidades são próximas de 1. O gráfico
à direita também ilustra outra forma de observar e verificar o suporte comum ou overlap
limitado a esse intervalo.
Outros testes sobre qualidade do ajuste do modelo e diagnóstico do escore de propensão
Como analisado, se deve ter em conta, que a qualidade (balanceamento) do escore de

propensão depende também da especificação das variáveis inseridas no modelo econométrico.
Se o modelo estiver sub-especificado ou sobre-específicado, o escore é obtido e não são satis-
feitas as hipóteses de balanceamento do propensity score. A análise do Passo 1, auxília na
construção do modelo a ser ajustado. Note que, as variáveis do modelo de regressão móltipla
são as mesmas para a especificação do escore de propensão no modelo probit (com exceção
da variável de resultado). Observa-se que, caso a hipótese de equilibrio não seja satisfeita,
o comando pscore informa se a propriedade de balanceamento foi violada e as variáveis que
estão desbalanceadas em determinados blocos.
Há dois testes que ajudam a verificar se o escore de propensão é conveniente para
continuar com o pareamento: O Teste de Hosmer-Lemeshow e o teste no qual o propensity
score é tomado como variável independente.
∙ Teste de Hosmer-Lemeshow
De acordo com Lunt (2014), o teste de Hosmer-Lemeshow verifica se a forma funcional

do modelo está especificada de forma correta. De forma geral, este teste utiliza os valores da
probabilidade estimada para criar grupos que possuem as mesmas probabilidades estimadas
e analisar a qualidade do ajuste, a partir das hipotéses seguintes:
𝐻0 : Especificação do modelo correta
𝐻1 : Especificação do modelo não esta correta
estat gof, group(5) table
Probit model for credito, goodness-of-fit test
(Table collapsed on quantiles of estimated probabilities)

+------------------------------------------------------------------+
| Group | Prob | Obs_1 | Exp_1 | Obs_0 | Exp_0 | Total |
|-------+--------+----------+--------+----------+-------+----------|
| 1 | 0.9674 | 2281.406 | 2279.4 | 83.7452 | 85.8 | 2365.151 |
| 2 | 0.9737 | 1907.421 | 1903.4 | 53.28918 | 57.3 | 1960.71 |
| 3 | 0.9761 | 2336.135 | 2346.1 | 67.59622 | 57.7 | 2403.731 |
| 4 | 0.9786 | 2294.312 | 2299.8 | 56.63737 | 51.2 | 2350.95 |
| 5 | 0.9802 | 1619.578 | 1623.4 | 37.31686 | 33.5 | 1656.895 |
+------------------------------------------------------------------+
number of observations = 10682
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:
foreach var of varlist $x_model_1 {

foreach var2 of varlist $x_model_1 {
capture drop temp
gen temp = ‘var’ * ‘var2’
probit $tratamento $x_model_1 temp
di "Testing ‘var’ * ‘var2’"
estat gof, table group(5)
}
}
∙ Teste por controle do propensity score
Este teste analisa o nível de significância do propensity score. Quando calculado o

escore de propensão, o modelo probit é estimado novamente considerando o escore de pro-
pensão incorporado como variável independente. O propensity score estimado é armazenado
na variável 𝑝𝑟𝑜𝑝𝑒𝑛𝑠𝑖𝑡𝑦 𝑠𝑐𝑜𝑟𝑒1. A partir deste valor, estima-se o modelo probit e obtém-se os
coeficientes estimados. Se os coeficientes estimados não forem estatisticamente significativos,
é um indicativo de um escore estimado adequado.
dprobit $tratamento propensity_score1 $x_model_1 [pw=factor] if AF==1
(sum of wgt is 3.9190e+04)

Iteration 0: log pseudolikelihood = -825.28437
Probit regression, reporting marginal effects Number of obs = 10682

Wald chi2(11) = 56.59
Prob > chi2 = 0.0000
Log pseudolikelihood = -795.59769 Pseudo R2 = 0.0360
------------------------------------------------------------------------------
| 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
Ao observar os p-valores individualmente para cada variável, têm-se que, a um nível

de significancia do 5%, todas as variáveis não são estatísticamente significativas. Isto indica
que não existe diferença estística significativa entre os escores médios dos grupos de controle
e os grupo do tratamento, podendo, assim proceder a etapa de realização do pareamento.
sum propensity_score1
Variable | Obs Mean Std. Dev. Min Max

-------------+---------------------------------------------------------
propensity~1 | 10,682 .9866472 .0092622 .9315854 .9999383
.
end of do-file
O escore de propensão médio é de 0,9866472, indicando que a probabilidade média de

ter acesso ao crédito (participar do tratamento) é de 98,66%. Note que o escore de propensão,
ao ser uma probabilidade condicional de designação a um particular tratamento, pertence ao
intervalo de [0;1].
Passo 4: Aplicação do “Matching” ou reamostragem

As condições de balanceamento garantem que se possa aplicar o pareamento e, assim,
estimar um adequado grupo de comparação para os tratados. A hipotése de balanceamento
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.
∙ Pareamento por vizinho mais próximo com reposição (with replacement)
qui psmatch2 $tratamento if AF==1, outcome($my_outcome1) pscore(propensity_score1) n(1) com
∙ Pareamento por Radius
qui psmatch2 $tratamento if AF==1, outcome($my_outcome1) pscore(propensity_score1) n(5) common radius cal(0.001)
∙ Pareamento por Kernel
qui psmatch2 $tratamento if AF==1, outcome($my_outcome1) pscore(propensity_score1) kernel kernel(normal) common
O próximo passo consiste na verificação da qualidade do pareamento.
Passo 5: Avaliação da qualidade do pareamento (pos-matching)
∙ Pareamento por vizinho mais próximo com reposição (with replacement)
Como relatado no Passo 4, o comando psmatch2 permite introduzir um escore de pro-

pensão já estimado, a partir do comando pscore. Como a especificação é diferente, inicialmente
define-se a variável independente $tratamento na estrutura de estimação do pareamento.
Neste caso, a variável representa um indicador binário que expresa que o estabelecimento
familiar agrícola teve acesso ao crédito e, neste caso, assume o valor 1 ($tratamento=1), caso
contrário assume o valor de 0 ($tratamento=0).
Especificando a variável de resultado como outcome($my outcome1) que representa

a produtividade dos estabelecimentos familiares e introduzindo o escore (pscore) estimado
anteriormente, usa-se a opção com, a qual permite obter apenas as estimativas no suporte
comum (overlap).
set seed 2018

generate sort_id=uniform()
sort sort_id
psmatch2 $tratamento if AF==1, outcome($my_outcome1) pscore(propensity_score1) n(1) com
----------------------------------------------------------------------------------------
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.
psmatch2: | psmatch2: Common

Treatment | support
assignment | Off suppo On suppor | Total
-----------+----------------------+----------
Untreated | 0 125 | 125
Treated | 81 9,123 | 9,204
-----------+----------------------+----------
Total | 81 9,248 | 9,329
.
end of do-file
Dos resultados acima, observa-se que há 9.248 indivíduos (estabelecimentos) dentro

da região overlap, sendo 125 não tratados e 9.123 tratados. Houve 81 estabelecimentos que
não pertenceram à região de suporte comum (Off support). Dessa forma, tem-se que 9.123
estabelecimentos tratados foram pareados com o grupo de comparação.
O comando que permite analisar a qualidade do pareamento é o pstest, o qual pode ser
executado após o comando psmatch2. Com o comando pstest é possível realizar um teste de
balanceamento das covariáveis que afetam o modelo especificado, o qual consiste em verificar
a diferença de médias antes e depois do pareamento para os escores de propensão estimados.
pstest propensity_score1, sum both
----------------------------------------------------------------------------------------
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
| | |
----------------------------------------------------------------------------------------
* 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
A saída do Stata após o comando pstest contêm várias medidas de balanceamento

das covariáveis para o escore de propensão 𝑝𝑟𝑜𝑝𝑒𝑛𝑠𝑖𝑡𝑦 𝑠𝑐𝑜𝑟𝑒1 antes e depois do pareamento.
Destaca-se que o comando pstest considera apenas o balanceamento para o grupo tratado.
As hipóteses a serem analisadas são:
𝐻0 : Valor médio de cada variável é o mesmo no grupo de tratamento e no grupo de
não tratamento.
𝐻1 : Valor médio de cada variável é diferente no grupo de tratamento e no grupo de
não tratamento.
Dos resultados, primeiramente, observa-se que as amostras na condição de não parea-
mento (Unmatched - U), são não balanceados pois a hipótese nula foi rejeitada, o que indica
que o valor médio de cada variável é diferente no grupo de tratamento e no grupo de não
tratamento na situação de pré-pareamento.
É importante enfatizar que, ao se aplicar no Passo 2 o comando pscore, é estabelecido
um diagnóstico pré-pareamento para o escore de propensão e não para os escores de propensão
pareados. No balanceamento do escore de propensão é criada uma zona de suporte comum
(sub-amostra balanceada), com 9 blocos, sendo calculados para cada bloco, os escores de
propensão médios. Constata-se que esses valores não diferiam dos estabelecimentos tratados
e não tratados. Ainda que, estes blocos permitiram o cumprimento da hipótese de balance-
amento do escore de propensão, não existia um pareamento efetivo e nenhuma condição de
balanceamento dos escores de propensão pareados.
Dos resultados do pstest verifica-se que o escore de propensão estimado é equilibrado
(balanceado) após o pareamento (Matched - M), pois a estatística t (t=-0.06) e p-valor
(p>|t|=0.952) são não significativos, ou seja, a igualdade de médias entre os grupos tratados
e não tratados é equilibrada após o pareamento.
Ainda, na primeira parte dos resultados do pstest tem-se o viés padronizado (%bias)
na média antes e depois do pareamento. O viés padronizado (%bias) dos escores de propensão
𝑝𝑟𝑜𝑝𝑒𝑛𝑠𝑖𝑡𝑦 𝑠𝑐𝑜𝑟𝑒1 pareados (Matched - M) é inferior a 5% após a correspondência (%bias =

-0.1). Da segunda parte dos resultados pode-se observar que a diferença padronizada na média
da variável 𝑝𝑟𝑜𝑝𝑒𝑛𝑠𝑖𝑡𝑦 𝑠𝑐𝑜𝑟𝑒1 diminuiu 61.5% na sub-amostra não pareada (Unmatched -
U) para -0.1% na sub-amostra pareada. O viés absoluto (%𝑟𝑒𝑑𝑢𝑐𝑡 | 𝑏𝑖𝑎𝑠 |= 99.9) mostra,
também, essa redução, permitindo diminuir o desequilíbrio inicial pois o pareamento eliminou
a diferença entre os grupos tratados e não tratados.
Dessa forma, verifica-se que o pareamento considerando o escore de propensão, é equi-
librado, ou seja, o escore de propensão indica que as médias das variáveis de condicionamento
não são significativamente diferentes entre o pareado tratado e os grupos não tratados ou de
comparação. O grupo não tratado permite construir o contrafactual.
Há outras opções do comando ptests que podem ser utilizadas como medidas de
balanceamento, permitindo, assim, realizar o teste de diferença de médias antes e depois
para as covariáveis incluídas no escore de propensão e armazenadas em 𝑝𝑟𝑜𝑝𝑒𝑛𝑠𝑖𝑡𝑦 𝑠𝑐𝑜𝑟𝑒1.
pstest $x_model_1 if AF==1, summary both
----------------------------------------------------------------------------------------
--------------------------+----------------------------------+---------------+----------
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 | .
M | .26 .24553 3.1 87.7 | 2.25 0.025 | .

| | |
----------------------------------------------------------------------------------------
-----------------------------------------------------------------------------------
-----------+-----------------------------------------------------------------------
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:
psgraph, t(_treated) sup(_support) p(_pscore) bin(200) ///

saving(postratNNM.gph, replace)
graph export "C:\Users\postratNNM.png", replace
Figura 18 – Pareamentos dos Grupos no do Suporte Comum por Vizinho mais Próximo

A Figura 18 avalia a qualidade do pareamento, o qual mostra indivíduos não tratados,

indivíduos tratados e indivíduos tratados que não pertencem ao suporte comum. O gráfico
de suporte mostra a sobreposição (overlap) ou interseção dos estabelecimentos agrícolas que
estão fora do suporte comum (off support). Uma forma completa de observar a qualidade do
pareamento gráfico é pelos comandos:
qui twoway (kdensity propensity_score1 if $tratamento==1) ///

(kdensity propensity_score1 if $tratamento==0 , ///
lpattern(dash)), legend( label( 1 "Tratados") label( 2 "Controle" ) ) ///
xtitle("Valor do Pscore", size(small)) ytitle("Funcao de Densidade (kernel)", size(small)) ///
title("Escore de Propensao ANTES do pareamento", size(Medium small)) subtitle("") ///
saving("C:\Users\before.gph", replace)
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)
graph combine before.gph afterNNM.gph, ycommon ///

saving("C:\Users\pareaNNM.gph", replace)
graph export "C:\Users\pareaNNM.png", replace
A Figura 19 mostra os resultados antes e após o pareamento, onde são verificadas

as médias dos escores de propensão dos grupos de tratamento e controle muito semelhantes
após o pareamento. No primeiro gráfico observa-se que os grupos de tratamento e de con-
trole satisfazem a hipótese do balanceamento do propensity score, uma vez que os escores
de propensão do grupo de controle se aproximam dos escores de propensão dos grupos de
tratamento. O grafico à direita é o propensity score pós pareamento, o qual também confirma
um balanceamento, no qual o propensity score médio de cada variável é similar tanto no
estabelecimento tratado, quanto no não tratado (controle).
drop _pscore _treated _support _weight
psmatch2 $tratamento if AF==1, outcome($my_outcome1) pscore(propensity_score1) n(5) common radius cal(0.001)
----------------------------------------------------------------------------------------
----------------------------+-----------------------------------------------------------
Figura 19 – Escores de Propensão Antes e Depois do Pareamento por Vizinho Próximo
ATT | .050482575 .042787189 .007695387 .002232445 3.45

----------------------------+-----------------------------------------------------------

Treatment | support
-----------+----------------------+----------
Untreated | 0 125 | 125
Treated | 179 9,025 | 9,204
-----------+----------------------+----------
Total | 179 9,150 | 9,329
.
end of do-file
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.
----------------------------------------------------------------------------------------
--------------------------+----------------------------------+---------------+----------
M | .9866 .98659 0.1 99.8 | 0.09 0.932 | 1.00
| | |
----------------------------------------------------------------------------------------
-----------------------------------------------------------------------------------
-----------+-----------------------------------------------------------------------
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
De acordo com a tabela observa-se que as amostras na condição de não pareamento

(Unmatched - U), são não balanceados pois a estatística t (t=7.36) e o p-valor (p>|t|= 0.000
) foram estatisticamente significativas, ou seja, rejeita-se a 𝐻0 indicando que o valor médio de
cada variável é diferente no grupo de tratamento e no grupo de não tratamento na situação
de pré-pareamento.
Para o conjunto das sub-observações pareadas (Matched - M) os resultados não levam
a rejeição da 𝐻0 de que o valor médio de cada variável é o mesmo no grupo de tratamento
e no grupo de não tratamento. Tambem observamos que o viés padronizado (%bias) dos
escores de propensão “𝑝𝑟𝑜𝑝𝑒𝑛𝑠𝑖𝑡𝑦 𝑠𝑐𝑜𝑟𝑒1” pareados (Matched-M) é inferior a 5% após a
correspondência (%bias = 0.1).
A diferença padronizada na média da variável 𝑝𝑟𝑜𝑝𝑒𝑛𝑠𝑖𝑡𝑦 𝑠𝑐𝑜𝑟𝑒1 diminuiu de 61,5%
na sub-amostra não pareada (unmatched) para 0,1% na sub-amostra pareada. O viés ab-
soluto %𝑟𝑒𝑑𝑢𝑐𝑡 | 𝑏𝑖𝑎𝑠 |= 99, 8 mostra também essa redução do viés, permitindo reduzir o
desequilíbrio inicial porque o pareamento eliminou a diferença entre os grupos tratados e não
tratados.
As Figuras 20 e 21 forma geradas a partir da sequência dos comandos:

saving(postratradius.gph, replace)
graph export "C:\Users\postratradius.png", replace
tw Kdensity _pscore if _treated==1 [aw=_weight], ///

|| Kdensity _pscore if _treated==0 [aw=_weight], lpattern(dash) ///
,xtitle("Valor do Pscore", size(small)) ///
ytitle("Funcao de Densidade (kernel)", size(small)) ///
legend(label(1 "Tratado") ///
label(2 "Controle")) ///
Figura 20 – Pareamentos dos Grupos dentro do Suporte Comum por Radius
title("Escore de Propensao DEPOIS do pareamento (Radius)", size(Medium small)) subtitle("") ///

saving(after_radius.gph, replace)
graph combine before.gph after_radius.gph, ycommon ///

saving("C:\Users\parearadius.gph", replace)
graph export "C:\Users\parearadius.png", replace
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.
psmatch2 $tratamento if AF==1, outcome($my_outcome1) pscore(propensity_score1) kernel kernel(normal) common
----------------------------------------------------------------------------------------
----------------------------+-----------------------------------------------------------
ATT | .050385453 .042106807 .008278646 .001778601 4.65
----------------------------+-----------------------------------------------------------

Treatment | support
Figura 21 – Escores de Propensão Antes e Depois do Pareamento por Radius
-----------+----------------------+----------
Untreated | 0 125 | 125
Treated | 81 9,123 | 9,204
-----------+----------------------+----------
Total | 81 9,248 | 9,329
.
end of do-file
Dos resultados obtidos por pareamento por Kernel, 81 estabelecimentos se encon-

tram fora da região de suporte comum. Na região de suporte comum tem-se que dos 9.248
estabelecimentos, 125 são não tratados e 9.123 os tratados.
A qualidade do pareamento por k=Kernel, é dada pelos resultados abaixo.
----------------------------------------------------------------------------------------
--------------------------+----------------------------------+---------------+----------
M | .98641 .98074 57.9 5.8 | 39.77 0.000 | 0.77*
| | |
----------------------------------------------------------------------------------------
-----------------------------------------------------------------------------------
-----------+-----------------------------------------------------------------------
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
Verifica-se que há uma redução do viés, porém, a hipótese nula é rejeitada.

Como realizado anteriormente, pode-se realizar a análise gráfica para a qualidade do
pareamento (Figura 22 e 23):

saving(postrakernel.gph, replace)
graph export "C:\Users\postrakernel.png", replace
Figura 22 – Pareamentos dos Grupos dentro do Suporte Comum por Kernel
tw Kdensity _pscore if _treated==1 [aw=_weight], ///

|| Kdensity _pscore if _treated==0 [aw=_weight], lpattern(dash) ///
,xtitle("Valor do Pscore", size(small)) ///
ytitle("Funcao de Densidade (kernel)", size(small)) ///
legend(label(1 "Tratado") ///
label(2 "Controle")) ///
title("Escore de Propensao DEPOIS do pareamento (kernel)", size(Medium small)) ///
subtitle("") ///
saving(after_kernel.gph, replace)
graph combine before.gph after_kernel.gph, ycommon ///

saving("C:\Users\pareakernel.gph", replace)
graph export "C:\Users\pareakernel.png", replace
Figura 23 – Escores de propensão Antes e Depois do Pareamento por Kernel
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, pois a maioria das
informações são usadas. Ademais o pareamento por Kernel permite um estimador consistente
do resultado do contrafactual 𝑌0𝑖 . Porém, uma desvantagem é que algumas das observações
usadas podem ser fracas correspondências.
Ainda que o escore de propensão dentro da região do suporte comum foi balanceado,
verifica-se que o pareamento é desbalanceado. Ante esta situação, Adusumilli (2017) sugere
que se realize inferência a partir do método do bootstraping, dado o alto grau de desquilíbrio
entre os escores de propensão das amostras tratadas e de comparação.
Passo 6: Estimação e Interpretação do Efeito do Crédito sobre a Produtividade
∙ Pareamento por vizinho mais próximo

A partir dos resultados do Passo 5, sobre o pareamento por vizinho mais próximo,
tem-se:
----------------------------------------------------------------------------------------
----------------------------+-----------------------------------------------------------
ATT | .050385453 .043041908 .007343545 .003101023 2.37
----------------------------+-----------------------------------------------------------

Treatment | support
-----------+----------------------+----------
Untreated | 0 125 | 125
Treated | 81 9,123 | 9,204
-----------+----------------------+----------
Total | 81 9,248 | 9,329
.
end of do-file
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
Houve um impacto positivo do acesso ao crédito sobre a produtividade da agricultura

familiar, o que significa que, aqueles estabelecimentos que tiveram acesso ao crédito, obti-
veram em média, um aumento de 0,737% na produtividade, indicando que o crédito elevou
1
Testou-se outras especificações do algorimo, com triming (trim(20)) e caliper (caliper(0.001)) e os resultados
do pareamento e do efeito do ATT foram muito similares a estes. O caliper indica a distancia máxima
entre o pareamento e o trimming impõe o suporte comum. Os resultados foram similares, mostrando pouca
sensibilidade a estas restrições.
a produtividade de forma positiva e estatisticamente significativa. A participação em um

programa de crédito pode impactar positivamente os produtores familiares.
Os erros padrão foram ajustados por meio do método bootstraping, o qual permite
obter uma estimativa do efeito médio do tratamento sobre os tratados, contornando, assim,
o viés incorporado na estimativa como consequência de uma variância maior:
bootstrap r(att): psmatch2 $tratamento if AF==1, outcome($my_outcome1) pscore(propensity_score1) n(1) com
(running psmatch2 on estimation sample)
Bootstrap replications (50)

----+--- 1 ---+--- 2 ---+--- 3 ---+--- 4 ---+--- 5
.................................................. 50
Bootstrap results Number of obs = 9329

Replications = 50
command: psmatch2 credito, outcome(lnrendimGB) pscore(propensity_score1) n(1) com

_bs_1: r(att)
------------------------------------------------------------------------------
| 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
Observa-se um pequeno aumento do erro padrão de 0,003101023 para 0,0032077. A

significancia estatística se manteve, assim como o coeficiente (diferença) de impacto.
Os resultados a partir do pareamento por Radius, são:
----------------------------------------------------------------------------------------
----------------------------+-----------------------------------------------------------
ATT | .050482575 .042787189 .007695387 .002232445 3.45
----------------------------+-----------------------------------------------------------

Treatment | support
-----------+----------------------+----------
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

----+--- 1 ---+--- 2 ---+--- 3 ---+--- 4 ---+--- 5
.................................................. 50

Replications = 50
command: psmatch2 credito, outcome(lnrendimGB) pscore(propensity_score1) radius caliper(0.001) com

_bs_1: r(att)
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
_bs_1 | .0076954 .0022692 3.39 0.001 .0032479 .0121429
------------------------------------------------------------------------------
.
end of do-file
Como mencionado anteriormente, uma vangagem que apontada na literatura é a uti-

lização do Kernel Matching, pois este algoritmo gera uma média ponderada de todas as ob-
servações (subamostras) que estão dentro do suporte comum imposto e ,assim, os controles
recebem menor peso estiverem muito distantes das unidades tratadas.
----------------------------------------------------------------------------------------
----------------------------+-----------------------------------------------------------

ATT | .050385453 .042106807 .008278646 .001778601 4.65
----------------------------+-----------------------------------------------------------

Treatment | support
-----------+----------------------+----------
Untreated | 0 125 | 125
Treated | 81 9,123 | 9,204
-----------+----------------------+----------
Total | 81 9,248 | 9,329
.
end of do-file
Na avaliação sobre a qualidade do pareamento, nota-se que o pareamento por Kernel

realizou pareamentos inadequados. A inferencia por meio do procedimento bootstraping é
indicado nestes casos quando há um desbalanceamento entre os propensity score tratados e
não tratados.
bootstrap r(att): psmatch2 $tratamento if AF==1, outcome($my_outcome1) pscore(propensity_score1) kernel kernel(normal) commo

----+--- 1 ---+--- 2 ---+--- 3 ---+--- 4 ---+--- 5
.................................................. 50

Replications = 50
command: psmatch2 credito, outcome(lnrendimGB) pscore(propensity_score1) kernel kernel(normal) common bwidth(0.06)

_bs_1: r(att)
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
_bs_1 | .0082786 .0017508 4.73 0.000 .0048472 .0117101
------------------------------------------------------------------------------
.
end of do-file
Passo 7: Análise de sensibilidade e verificaçaõ da robustez do efeito médio do

tratamento
A análise de sensibilidade para Selectivity or Hidden bias pode ser gerada a partir do
comando psmatch2. Uma limitação deste comando, é que este realiza o teste de sensibilidade
apenas para pareamentos correspondentes 1 a 1, ou seja, no caso do algoritmo de pareamento

por NNM com reposição. O teste para o efeito ATT, cria limites superiores e inferiores de
níveis de significâncias para a estimativa do ATT na presença de heterogeneidade não obser-
vada (unobserved heterogeneity) ou viés oculto (hidden bias) entre os grupos de tratamento
e de controle.

qui psmatch2 $tratamento if AF==1, outcome($my_outcome1) pscore(propensity_score1) n(1) com
gen delta=$my_outcome1 - _$my_outcome1 if _treat==1 & _support==1
rbounds delta, gamma(1 (1) 3)
Rosenbaum bounds for delta (N = 9123 matched pairs)
Gamma sig+ sig- t-hat+ t-hat- CI+ CI-

----------------------------------------------------------------------
1 0 0 .006799 .006799 .006175 .007401
2 1 0 -.002102 .015717 -.002752 .016376
3 1 0 -.007173 .020875 -.007857 .021571
* gamma - log odds of differential assignment due to unobserved factors

sig+ - upper bound significance level
sig- - lower bound significance level
t-hat+ - upper bound Hodges-Lehmann point estimate
t-hat- - lower bound Hodges-Lehmann point estimate
CI+ - upper bound confidence interval (a= .95)
CI- - lower bound confidence interval (a= .95)
.
end of do-file
A variável delta calcula para o estabelecimento agrícola a diferença entre o resultado

real e o resultado potencial. O teste Wilcoxon signed-rank, calculado pelo comando rbounds,
estima os valores máximos e mínimos dos p-valores, usando os valores máximos e mínimos
dos pontos estimados de Hodges-Lehmann. Gamma mostra o valor específico para a análise
de sensibilidade. O limite superior representado por sig +, mantém o nivel de significância de
1%, até um valor de Γ = 3. Neste caso a estimativa gerada pelo pareamento é confiável, pois
os resultados são ainda significativos. O Γ = 3 significa que, se três estabelecimentos agrícolas
foram pareados para as mesmas covariáveis observadas 𝑋𝑖 , então um estabelecimento pode
ser três 3 mais provável que o outro para receber tratamento porque eles diferem em termo
de uma covariável observada.

Aguilar BalmoreAlirioCruz M

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aguilar BalmoreAlirioCruz M

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE ESTADUAL DE CAMPINAS

BALMORE ALIRIO CRUZ AGUILAR

Agricultura Familiar em El Salvador: Caracterização e

BALMORE ALIRIO CRUZ AGUILAR

Agricultura Familiar em El Salvador: Caracterização e

Profa. Dra. Rosângela Ballini – orientadora

Dissertação de Mestrado apresentada ao Programa de Pós-Graduação em Desenvolvimento

ESTE EXEMPLAR CORRESPONDE À VERSÃO FINAL

Aguilar, Balmore Alirio Cruz, 1989-

AguOrientador: Rosângela Ballini.

Agu1. Agricultura familiar. 2. Créditos. 3. Produtividade. I. Ballini, Rosângela,

Informações para Biblioteca Digital

Título em outro idioma: Family Agriculture in El Salvador : characterization and analysis of

Identificação e informações acadêmicas do(a) aluno(a)

Powered by TCPDF (www.tcpdf.org)

BALMORE ALIRIO CRUZ AGUILAR

Agricultura Familiar em El Salvador: Caracterização e

Profa. Dra. Rosângela Ballini – orientadora

Profa. Dra. Rosângela Ballini - PRESIDENTA

Prof. Dr. Rodrigo Lanna Franco da Silveira

Prof. Dr. Jose Marangoni Camargo

Palavras-chaves: Agricultura Familiar; Crédito; Produtividade; Propensity Score Matching.

Keywords: Family agriculture; Credit; Productivity; Propensity Score Matching.

Figura 1 – Crescimento do PIB (a preços constantes de 1990) . . . . . . . . . . . . . 24

Tabela 1 – Bases de dados e variáveis do IV Censo Agropecuário 2007-2008 a serem

El Salvador, é o país mais pequeno na região centroamericana, com uma extensão

AF. Os agricultores comerciais familiares, são identificados em termos do tipo de organização

2 Agricultura Familiar em El Salvador: Delimi-

, 2010), resultou na vulnerabilidade socioeconômica dos territórios rurais. Isto se traduz na

rentabilidade às famílias, com rendimentos estagnados, já que segundo Consejo Agropecua-

2.1.2 Aspectos do setor agropecuário de El Salvador

afetou, principalmente, o IED, as remessas provenientes dos Estados Unidos, e o dinamismo

Figura 1 – Crescimento do PIB (a preços constantes de 1990)

As médias de crescimento, conforme a mesma Figura, entre 2010-2011, reportam um

Figura 2 – setor agropecuário como proporção do PIB (a preços constantes de 1990)

2.1.3 Estrutura agrária

Figura 3 – Evolução da Estrutura agropécuaria de El Salvador

a implementação de um modelo econômico neoliberal que descuidou do setor agropecuário

não queriam mudanças se propôs a alternativa de Cooperativas de Serviços Múltiplos ou de

2.1.4 Mercado de trabalho e pobreza

Por outro lado, a oferta de trabalho representada pela População Economicamente

2.2 Agricultura Familiar em El Salvador

O informe do Consejo Agropecuario Centroamericano (CAC) (2010) identifica dois

2.3 Evidência empírica sobre crítérios de delimitação da Agricultura

grau de arbitrariedade e discriminação já que reduzem a heterogeneidade e diversidade. A

2.3.2 Tipologias de Agricultura Familiar

metodologia publicada da delimitação do universo para os dados do Censo Agropecuário do

Em 2007, Buainain (2007), que também colaborou como consultor do INCRA-FAO

Tabela 1 – Bases de dados e variáveis do IV Censo Agropecuário 2007-2008 a serem utilizadas

Fonte: Elaboração própria com base no IV Censo Agropecuário de El Salvador 2007-2008

2.4.1 Delimitação da Agricultura Familiar para El Salvador

Ao cruzar as variáveis “tiprodu” e “mlp”, observa-se que o estabelecimento pode estar

Tabela 2 – Relação entre Tipo de Produtor e Categoria do Estabelecimento segundo o IV

Como exposto no “Plan de Agricultura Familiar y Emprendedurismo Rural para la

Diante disso, a delimitação e a tipologia adotada se circunscreve na definição e ca-

2.4.1.1 Tipificação da Agricultura Familiar de Subsistência (AFS)

Em vista que a variável de Agricultura Familiar de Subsistência (conceito do PAF

Subsistência Pequenos-medianos* Grande

2.4.1.2 Delimitação e construção tipológica da Agricultura Familiar Comercial (AFC)

Figura 4 – Histograma e Ogiva sobre a Distribuição da Produtividade da Terra para a AFS

Fonte: Resultados da pesquisa

A primeira é devido à concentração, já que 95,4% dos estabelecimentos comerciais

Figura 5 – Histograma e Ogiva sobre a distribuição da produtividade da terra da AFC.

Fonte: Resultados da pesquisa