Abstract The research aimed to measure the technological level of family agricultural units (UAF) in the Northeast region of Brazil. For this, a Technological Index was created in the UAF (ITUAF), using the technique of factor analysis by the main component method. In addition to this index, the analysis of clusters is applied to identify technological clusters among the northeastern microregions. For the technology level, five levels were defined (“Too High”, “High”, “Medium”, “Low”, and “Very Low”). One hundred sixty-six microregions were selected, and 18 variables were used as technology indicators, using the factor analysis technique. The cluster analysis proposed by the work to identify the technology clusters in the microregions defined two clusters, denominated as “less technological” (cluster 1) and “more technological” (cluster 2). These clusters show that in the Northeast region, considering the microregions studied, most of them, namely, 56.63%, are inserted in cluster 1, that is, it has a less intense technological level compared to cluster 2. Regarding the northeastern states, most are in cluster 2 (technical level “more intense”), that is, Rio Grande do Norte, Paraíba, Pernambuco, Sergipe, Maranhão, and Piauí have all microregions and, consequently, their UAF at the “less intense” technical level.

Resumen El objetivo de esta investigación fue medir el nivel tecnológico de las unidades agrícolas familiares (UAF) en la región Nordeste de Brasil. Para ello, se creó un Índice Tecnológico en la UAF (ITUAF), utilizando la técnica de análisis factorial por el método del componente principal. Además de este índice, se aplica el análisis de agrupamientos para identificar clústeres tecnológicos entre las microrregiones del Nordeste. Para el nivel tecnológico, se definieron cinco niveles (“Demasiado Alto”, “Alto”, “Medio”, “Bajo” y “Muy Bajo”). Se seleccionaron 166 microrregiones y se utilizaron 18 variables como indicadores tecnológicos, utilizando la técnica de análisis factorial. El análisis de agrupamientos propuesto por el trabajo, para identificar los clústeres tecnológicos en las microrregiones, definió dos clústeres, denominados como “menos tecnológicos” (clúster 1) y “más tecnológicos” (clúster 2). Estos agrupamientos muestran que, en la región Nordeste, considerando las microrregiones estudiadas, la mayoría de ellas, es decir, el 56,63%, está inserta en el clúster 1, o sea, tiene un nivel tecnológico menos intenso en comparación con el clúster 2. En cuanto a los estados del Nordeste, la mayoría están en el clúster 2 (nivel técnico “más intenso”), es decir, Rio Grande do Norte, Paraíba, Pernambuco, Sergipe, Maranhão y Piauí tienen todas las microrregiones y, en consecuencia, sus UAF a nivel técnico “menos intenso”.

Resumo O objetivo desta pesquisa foi mensurar o nível tecnológico das unidades agrícolas familiares (UAF) da região Nordeste do Brasil. Para tanto, criou-se um Índice Tecnológico nas UAF (ITUAF), utilizando a técnica de análise fatorial pelo método de componentes principais. Além desse índice, aplica-se a análise de agrupamentos com o intuito de identificar clusters tecnológicos dentre as microrregiões nordestinas. Para o nível de tecnologia, foram definidos cinco níveis (“Muito Alto”, “Alto”, “Médio”, “Baixo” e “Muito Baixo”). Foram selecionadas 166 microrregiões e utilizadas 18 variáveis como indicadores de tecnologia, fazendo-se uso da técnica de análise fatorial. A análise de agrupamentos proposta pelo trabalho, para identificar os aglomerados de tecnologia nas microrregiões, definiu dois clusters, denominados como “menos tecnológico” (cluster 1) e “mais tecnológico” (cluster 2). Esses agrupamentos demonstram que, na região Nordeste, considerando as microrregiões estudadas, a maioria delas, ou seja, 56,63%, está inserida no cluster 1, isto é, possui um nível tecnológico menos intenso em relação ao cluster 2. No tocante aos estados nordestinos, a maioria está no cluster 2 (nível técnico “mais intenso”), ou seja, Rio Grande do Norte, Paraíba, Pernambuco, Sergipe, Maranhão e Piauí possuem todas as microrregiões e, por consequência, suas UAF no nível técnico “menos intenso”.

Resumo O setor da pecuária é fortemente influenciado pelos fenômenos climáticos, e a instabilidade pluviométrica se torna um entrave à capacidade produtiva, sobretudo dos municípios pertencentes ao semiárido. Os produtores planejam e organizam sua produção a partir de experiências passadas e criam expectativas quanto ao futuro. Este trabalho avaliou a forma como as variáveis exógenas (pluviometria e preços) interferiam nas previsões dos produtores de leite no Ceará, no período de 1974 a 2019. Geraram-se projeções acerca das variáveis endógenas sobre as quais os produtores de leite tinham poder de decisão (rebanho e produtividade). Embora eles não tivessem poder de decisão sobre o preço médio, que é determinado exogenamente pelo mercado, o estudo fez estimativas das formas de projeções também para essa variável. Estimou-se a maneira como provavelmente a pluviometria pudesse afetar as previsões das variáveis associadas à produção de leite. Utilizou-se do método ARIMA, proposto por Box e Jenkins (1976), para captar o comportamento das variáveis com base em séries históricas (1974-2019). Os resultados confirmaram o impacto indireto das chuvas e dos preços sobre as variáveis endógenas de decisão. As trajetórias das expectativas de produção e dos valores projetados, bem como os testes estatísticos realizados, sinalizaram a robustez dos ajustamentos feitos na pesquisa.

Abstract The livestock sector is strongly influenced by weather phenomena and rainfall instability becomes an obstacle to productive capacity, especially in municipalities belonging to the semiarid region. Producers plan and organize their production based on past experiences, and from these experiences, they create their expectations for the future. This work evaluated how exogenous variables (rainfall and prices) interfere in the forecasts of dairy farmers in Ceará in the period from 1974 to 2019. Projections are generated about the endogenous variables over which dairy farmers have decision-making power (herd and productivity). Although they do not have decision-making power over the average price, which is exogenously determined by the market, the study estimated the forms of projections for this variable as well. It was also estimated how rainfall likely affects the predictions of variables associated with milk production. The ARIMA method proposed by Box and Jenkins (1976) was used to capture the behavior of variables based on their historical series (1974-2019). The results confirmed the indirect impact of rainfall and prices on the endogenous decision variables. The trajectories of production expectations and projected values, as well as the statistical tests performed, indicated the robustness of the adjustments made in the survey.