4.2.1 Análise do Índice de Moran
Segundo o critério de Baumont (2004), é preciso avaliar as significâncias das matrizes de pesos fazendo um paralelo entre as variáveis dependentes em estudo. Desse modo, na Tabela 14 constam os melhores resultados os quais estão nas matrizes de contiguidade Rook de ordem 1; estas matrizes mostram maiores índices de Moran significativos para todos os períodos em análise. Portanto, os resultados, a partir de agora, foram modelados seguindo a melhor opção mostrada pela matriz de ponderação espacial. Tabela 14 – Índice de Moran da produtividade agrícola total cearense por subperíodos, Ceará
W
Subperíodos para Análise Absoluta Subperíodos para Análise Condicional 1996- 2002 2003- 2007 2008- 2012 2013- 2017 1996- 2017 1996- 2006 2006- 2017 1996- 2017 Queen 0,18 0,48 0,49 0,18 0,31 0,19 0,23 0,31 p-valor 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 Rook 0,19 0,49 0,50 0,18 0,31 0,19 0,24 0,31 p-valor 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
54
4.2.2 Análise de Autocorrelação Espacial
A Figura 5 apresenta os mapas de clusters LISA bivariados (BiLISAs), para a taxa de crescimento da produtividade total agrícola, e a produtividade agrícola total inicial nos subperíodos da análise de convergência absoluta.
Figura 5 – BiLISAs para a taxa de crescimento da produtividade total agrícola e a produtividade agrícola total inicial dos municípios do Ceará por períodos
Fonte: Elaboração própria.
Legenda:*, ** e *** correspondem, respectivamente, aos níveis 1%, 5% e 10% de significância.
Em primeiro lugar, verifica-se a existência de dependência espacial entre taxa de crescimento da produtividade total agrícola e a produtividade agrícola total inicial, indicada pela significância estatística em todos os períodos e pela magnitude do valor do Índice de Moran acima de |0,10| em praticamente todos os subperíodos analisados, com exceção do período 1996-2017 (|0,43|).
55
Em segundo lugar, vale ressaltar que o sinal positivo do Índice de Moran em 2003-2007 e 2008-2012 revela que a produtividade está concentrada ao longo do território cearense. Já em 1996-2002, 2013-2017 e 1996-2017, o sinal negativo mostra que a produtividade agrícola não está concentrada ao longo do território, mas possui alguns pontos de aglomeração (clusters).
Cabe destacar que a correlação negativa existente entre essas variáveis é um indício de que há um processo de convergência absoluta de produtividade, ou seja, a hipótese é de que, ao longo do período, há uma tendência de redução das desigualdades entre a produtividade dos municípios cearenses; significando ainda que municípios com altas produtividades agrícolas no período inicial possuem vizinhos com baixas taxas de crescimento e vice-versa.
A partir disso, permite-se fazer uma análise do comportamento dos agrupamentos por mesorregiões e microrregiões do Estado (Anexo A). O Noroeste Cearense é marcado por agrupamentos de municípios com alta produtividade ou Alto-Alto (AA) nas microrregiões Litoral de Camocim e Acaraú, Itapipoca, Ibiapina, Ipu e Coreaú ao longo dos subperíodos, os quais rodeiam municípios com baixa produtividade, caracterizados como Baixo-Alto (BA) no mapa, nas mesmas microrregiões. Tais características se repetem no Norte Cearense, em que as microrregiões Baturité, Baixo Curu, Médio Curu e Cascavel têm municípios AA, as microrregiões Canindé e Médio Curu com municípios BA e alguns municípios de Baturité se agrupam pela baixa produtividade (Baixo-Baixo ou BB).
A mesorregião Metropolitana de Fortaleza mostra um comportamento constante ao longo do tempo com municípios AA e BA nas microrregiões de Fortaleza e Pacajus. Desempenho oposto ao observado em Sertões Cearenses que mostra um grande aglomerado (praticamente em todas as microrregiões) de municípios de baixa produtividade, ou BB.
Já na mesorregião de Jaguaribe, são identificados principalmente municípios AA e BA nas microrregiões de Baixo Jaguaribe, Litoral de Aracati e Serra do Pereiro. O Centro- Sul Cearense mostrou poucas aglomerações AB em microrregiões como Iguatu e Lavras da Mangabeira. Assim como o Sul Cearense, com municípios AB e BA em Cariri, Brejo Santo, Chapada do Araripe e BB em Caririaçu e Chapada do Araripe.
56
A Figura 6 mostra os LISA MAPs bivariados entre as taxas de crescimento da produtividade total agrícola e das variáveis explicativas para o modelo em que se analisa a convergência condicional.
Figura 6 – BiLISAs para a taxa de crescimento da produtividade total agrícola e as variáveis explicativas do modelo nos municípios do Ceará, período 1996-2017
Fonte: Elaboração própria.
Legenda:*, ** e *** correspondem, respectivamente, aos níveis 1%, 5% e 10% de significância.
Em razão da significância do Índice de Moran para a variável Tratores (Tratores), Mão de Obra (MDO) e Área Explorada (Area), pode-se observar que existe autocorrelação espacial entre a taxa de crescimento da produtividade total agrícola do município com tais variáveis explicativas dos seus vizinhos. Já para assistência técnica, que se mostrou insignificante quando analisada isoladamente, nada se pode inferir.
A estatística de Tratores igual a -0,12 sugere correlação negativa entre as variáveis, ou seja, indicam que municípios com alta taxa de crescimento do fator capital físico possuem vizinhos com baixas taxas de crescimento e vice-versa. O mesmo acontece com MDO, onde seu coeficiente negativo (-0,05) mostra que municípios com altos níveis do fator trabalho possuem vizinhos com baixas taxas de crescimento e vice-versa.
Isto indica convergência condicional, significando que, quando condicionada a tais fatores, a desigualdade na produtividade agrícola cearense tende a diminuir no longo prazo. O mesmo não acontece com Area em que, quando analisada isoladamente, seu sinal positivo não indica convergência, apesar de significativo.
Agora, analisando os tipos de associações espaciais formadas, pode-se destacar grupos de alto nível (AA e AB) para a variável Tratores, MDO e Área nas microrregiões de Ibiapaba, Ipu, Litoral de Camocim e Médio Curu (Noroeste Cearense); Baturité e Chorozinho (Norte Cearense), Fortaleza e Pacajus (Metropolitana de Fortaleza); Sertão de Crateús, Sertão
57
de Inhamuns e Sertão de Senador Pompeu (Sertões Cearenses); Baixo Jaguaribe e Litoral de Aracati (Jaguaribe); e Cariri (Sul Cearense).
4.2.3 Análise dos Testes e Diagnósticos
O que diferencia a econometria espacial da tradicional é a agregação dos efeitos espaciais no modelo. Para Almeida (2012), tal incorporação gera violações de hipóteses do Modelo Clássico de Regressão Linear, como a presença de dependência espacial que viola a hipótese de média condicional zero, que pode acarretar na ineficiência do estimador, pois os erros são dependentes entre pares de regiões e induz a emergência de heterocedasticidade. Em busca do modelo mais adequado, aplica-se o Teste dos Multiplicadores de Lagrange na regressão por meio de MQO, conforme mostrado na Tabela 15.
Tabela 15 – Resultados do teste dos Multiplicadores de Lagrange para cada subperíodo, Ceará
Modelo para Análise Absoluta Modelo para Análise Condicional
1996-2002 2003-2007 2008-2012 2013-2017 1996-2017 1996-2006 2006-2017 1996-2017 Índice de Moran 4,17* 9,12* 8,98* 4,80* 7,31* 3,55* 5,43* 6,18* p-valor 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 ML SAR 12,06* 84,85* 85,54* 8,01* 42,03* 5,93** 25,17* 33,16* p-valor 0,00 0,00 0,00 0,00 0,00 0,01 0,00 0,00 RML SAR 3,32*** 11,62* 13,08* 10,44* 5,93* 3,01*** 0,09 4,39** p-valor 0,06 0,00 0,00 0,00 0,00 0,08 0,77 0,04 ML SEM 15,33* 77,11* 74,89* 20,60* 48,86* 10,43* 25,70 33,24** p-valor 0,00 0,00 0,00 0,00 0,00 0,00 0,43 0,03 RML SEM 6,59** 3,89** 2,43 23,03* 12,76* 7,51* 0,62 4,46* p-valor 0,01 0,05 0,12 0,00 0,00 0,00 0,43 0,00 LM SARMA 18,65* 88,73* 87,97* 31,05* 54,79* 13,44* 25,79* 4,46* p-valor 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 Breusch Pagan 1,06 5,44 0,05 0,98 0,05 9,40 7,74 3,39 p-valor 0,30 0,02 0,83 0,32 0,82 0,11 0,17 0,12 LIK -127,31 -139,66 -227,09 -191,94 -226,50 -107,77 -192,37 -153,37 AIC 258,62 283,31 458,17 387,88 457,01 227,55 396,74 318,74 SC 265,05 289,74 464,60 394,31 463,44 246,84 416,03 338,03
Fonte: Elaboração própria.
Para os subperíodos 1996-2002, 2013-2017, 1996-2017, 1996-2006 e 1996-2017, o modelo mais adequado é o SEM; para o subperíodo 2003-2007 e 2008-2012, o melhor modelo é o SAR; já para 2006-2017, o SARMA é o adequado. Tais resultados podem ser corroborados pela observação dos resultados quando aplicados critérios de informação Akaike
Information Criterion (AIC), Schwarz Criterion (SC) e do valor da função de verossimilhança
58
O conjunto de testes para averiguar a presença de autocorrelação espacial é útil tanto para auxiliar a identificação do modelo econométrico espacial quanto para a tarefa de validação ou diagnóstico desse modelo, como a existência de heterocedasticidade. Conforme se verifica aplicando o teste Breusch-Pagan, considerando um nível de significância de 5%, não se rejeita a hipótese de homocedasticidade dos erros. Logo, assume-se a ausência de heterocedasticidade em quase todos os períodos, com exceção apenas de 2003-2007. Os resultados dos modelos são discutidos a seguir.
4.2.4 Análise das Convergências
4.2.4.1 Convergência Absoluta
Após seguir todos os critérios brevemente explicitados, foi possível estimar os modelos de β-convergência absoluta, tal como pode ser observado na Tabela 16.
Tabela 16 – Resultados econométricos dos modelos SEM e SAR para convergência absoluta em cada subperíodo, Ceará
Coeficientes Modelo SEM Modelo SAR
1996-2002 2013-2017 1996-2017 2003-2007 2008-2012 α 0,22* 0,19** 0,03 -0,10* -0,36* (0,00) (0,02) (0,81) (0,00) (0,00) β -0,17* -0,40* -0,33* 0,03 0,12** (0,00) (0,00) (0,00) (0,36) (0,01) λ 0,38* 0,45* 0,57* - - (0,00) (0,00) (0,00) - - W_ρ - - - 0,65* 0,68* - - - (0,00) (0,00) Breusch-Pagan 0,78 0,30 0,14 3,15 0,26 (0, 38) (0, 58) (0,70) (0,07) (0, 61) LIK -120,46 -181,93 -205,86 -106,39 -191,12 AC 244,93 367,87 415,71 218,78 388,23 SC 251,36 374,30 422,14 228,42 397,88
Fonte: Elaboração própria.
Legenda: *= significativo a 1%; **= significativo a 5%.
Ao se analisar a estimativa do parâmetro β, para ambos os modelos, torna-se possível observar a existência ou não de convergência em relação à produtividade média agrícola cearense. Apenas no subperíodo 2003-2007, observa-se que o parâmetro estimado não se mostrou estatisticamente significante; um indicativo de que a taxa de convergência é nula no subperíodo.
59
Nos subperíodos 1996-2002, 2013-2017 e 1996-2017, as estatísticas de β sinalizaram uma relação negativa, apresentando convergência absoluta, segundo Baumol (1986). Ou seja, os municípios com produtividade agrícola inicial maior terão menores taxas de crescimento, convergindo para uma maior paridade em longo prazo. O contrário acontece no subperíodo 2008-2012, em que o β é positivo, não indicando convergência, segundo os mesmos critérios.
Para os parâmetros estatisticamente significativos e que indicaram convergência absoluta, permite-se calcular as taxas de convergências (Tabela 17) e fazer algumas inferências.
Tabela 17 – Taxas de Convergências Absolutas para os subperíodos estatisticamente significativos, Ceará
Subperíodo Taxa de Convergência Absoluta*
1996-2002 0,027
2013-2017 0,102
1996-2017 0,018
Fonte: Elaboração própria.
*A taxa de convergência (θ) foi computada segundo a fórmula: θ = ln (β + 1)/(-k) ), em que k é o número de anos
do período. Rey e Montouri (1999).
O subperíodo 1996-2002 engloba anos importantes para a economia agrícola brasileira de pós-implantação do Plano Real e do Programa Nacional de Fortalecimento da Agricultura Familiar (PRONAF), inferindo-se que tais acontecimentos podem ter contribuído para a composição de tal convergência (2,7%).
O subperíodo de 2013-2017, apesar de caracterizado como de escassez no Ceará e incluir épocas de recessão para a economia brasileira, principalmente em 2015 e 2016, mostrou elevada contribuição para a convergência da produtividade agrícola no Ceará, com uma taxa de convergência absoluta de 10,2%. Aponta-se como possível causa de tal resultado o aprimoramento da agricultura irrigada voltada, principalmente, para a exportação, segundo dados de exportações da Agência de Desenvolvimento do Estado do Ceará (ADECE).
Analisando-se o período como um todo, ou seja, 1996-2017, conclui-se que a taxa de convergência absoluta mostrou-se crescente em cerca de 2%, significando que no longo prazo, há uma tendência na diminuição da desigualdade entre a produtividade dos municípios cearenses e que, a uma taxa de 2%, a produtividade destes municípios converge para uma média ou um estado estacionário.
60
4.2.4.2 Convergência Condicional
Uma vez detectada a convergência absoluta, torna-se interessante verificar de que forma os fatores de produção influenciam neste contexto, por meio de variáveis que os representem. Neste sentido, na Tabela 18 apresentam-se os resultados obtidos por meio do modelo que leva em consideração a inclusão de variáveis que buscam condicionar o crescimento da taxa de produtividade agrícola.
Tabela 18 – Resultados econométricos dos modelos SEM e SARMA para Convergência Condicional em cada subperíodo, Ceará
Coeficientes Modelo SEM Modelo SARMA
1996-2006 1996-2017 2006-2017 α 0,52* 4,41* 0,75* (0,00) (0,00) (0,00) β -0,25* -0,71* -0,28 (0,00) (0,00) (0,36) λ 0, 41* 0,52* 0,92* (0,00) (0,00) -(0,00) W_ρ - - -0,61* - - (0,00) Assit. tec. -0,02 0,09* -0,02 (0,27) (0,00) (0,21) Tratores 0,01 0,11* 0,01 (0,95) (0,00) (0,94) MDO - 0,03 0,13* -0,03 (0,69) (0,03) (0,61) Area -0,06 0,52* -0,07 (0,57) (0,00) (0,51) Breusch Pagan 9,57 11,30 6,50 (0, 10) (0, 19) (0,26) LIK - 101,40 - 138,99 - 181,11 AC 214,81 289,99 374,21 SC 234,09 309,28 393,50
Fonte: Elaboração própria.
Legenda: *= significativo a 1%; **= significativo a 5%.
Pode-se observar que apenas no subperíodo 2006-2017, o β estimado não é estatisticamente significante, deste modo, a taxa de convergência é nula.
O coeficiente negativo e significativo (ao nível de 1%) de β, nos subperíodos 1996-2006 e 1996-2017, indica um processo de convergência condicional, ou seja, os municípios estariam convergindo para a sua produtividade agrícola de equilíbrio, dadas suas
61
características específicas. Nesse caso, dois municípios só alcançariam produtividades idênticas, caso apresentassem, no período inicial, características idênticas.
Analisando-se o período que engloba todos os anos (1996-2017), as variáveis explicativas mostraram-se estatisticamente significantes ao nível de 1% ou 5%. Os coeficientes positivos destas retratam uma relação análoga com a variável a ser explicada. Ou seja, em longo prazo, à medida que as taxas de assistência técnica, número de tratores, mão de obra e área explorada crescem no município vizinho, a taxa produtividade agrícola total também será crescente e o contrário é recíproco.
Para os subperíodos que indicaram β negativo (convergência condicional) e estatisticamente significante, permitem-se calcular as taxas de convergências, apresentadas na Tabela 19.
Tabela 19 – Taxa de Convergência Condicional para os subperíodos estatisticamente significativos, Ceará
Subperíodo Taxa de Convergência Condicional*
1996-2006 0,026
1996-2017 0,056
Fonte: Elaboração própria.
*A taxa de convergência (θ) foi computada segundo a fórmula: θ = ln (β + 1)/(-k) ), em que k é o número de anos
do período. Rey e Montouri (1999).
Diante do exposto, pode-se fazer um comparativo entre as taxas de convergências no período que contempla todos os anos estudados (1996-2017). Quando são agregadas variáveis que simbolizam os fatores de produção (Assistec, Tratores, MDO e Area), que teoricamente influenciam no crescimento da taxa de produtividade agrícola, a taxa de convergência (condicional) resulta significativamente maior (cerca de 5,60%), quando se compara com o modelo em que não as toma com condicionantes (que se mostrou crescente em cerca de 2%).
62
5 CONCLUSÕES
A pesquisa aqui apresentada propôs uma análise do comportamento da produtividade agrícola das microrregiões do Nordeste e dos municípios cearenses, buscando evidências a respeito do padrão espacial da produtividade e da existência de convergência desta variável.
Cabe destacar que uma das limitações deste estudo se refere ao uso de microrregiões nordestinas, uma vez que o ideal seria o uso de municípios, dado que o número maior de observações retrata cada vez mais o real efeito da convergência. Porém, atualmente isso é inviável devido à indisponibilidade de dados. Portanto, trabalhos futuros podem enriquecer os resultados aqui encontrados se realizarem a análise por municípios, além da agregação de mais variáveis no modelo de convergência condicional.
A Análise Exploratória dos Dados Espaciais (AEDE) para a região Nordeste confirmou a hipótese segundo a qual a distribuição espacial da produtividade da terra não é aleatória, ao identificar que microrregiões com elevada produtividade são rodeadas por microrregiões com produtividade também elevada, e microrregiões com produtividade baixa são cercadas por microrregiões de baixa produtividade. E, mediante a análise do mapa de
clusters ou LISA, foi possível identificar alguns agrupamentos principalmente nos Estados de
Rio Grande do Norte, Paraíba, Pernambuco e Sergipe.
Para os dados da região Nordeste, constatou-se um processo de convergência absoluta da produtividade agrícola em aproximadamente 1%, significando que em longo prazo, a uma taxa de 1%, a produtividade das microrregiões nordestinas converge para uma média ou um estado estacionário. Além disso, constatou-se a existência de um processo de dependência espacial entre as microrregiões, evidenciando que o crescimento da produtividade de uma determinada microrregião afeta, positivamente, o crescimento da produtividade das microrregiões circunvizinhas.
A hipótese de convergência condicional também foi confirmada para as microrregiões do Nordeste, assim como a taxa de aproximadamente 1%. Isso porque as variáveis estruturais inseridas no modelo não mostraram significância suficiente para explicar a convergência condicional da produtividade.
Para o Estado do Ceará, a AEDE permitiu verificar a existência acentuada de dependência espacial entre taxa de crescimento da produtividade total agrícola e a produtividade agrícola total inicial, indicada pela significância estatística e pela magnitude do valor do Índice de Moran. Esta constatação, a priori, permite fazer uma análise do
63
comportamento dos agrupamentos por microrregiões do Estado, em que foram detectadas grupos de alta e de baixa produtividade ao longo dos períodos estipulados. Além disso, identificou-se que a variação dos fatores de produção se autocorrelacionaram com a taxa de produtividade agrícola total dos municípios.
Os resultados obtidos se mostraram favoráveis à existência de convergência absoluta e condicional, 2% e 5,6%, respectivamente, da produtividade agrícola dos municípios cearenses no período total de análise (1996-2017). Estes valores sugerem que a produtividade agrícola está convergindo absolutamente para a média a uma taxa de 2% e que os municípios estão tendendo a uma taxa de 5,60% para a sua produtividade agrícola de equilíbrio, dadas suas características específicas. Essas evidências mostram que, apesar de serem em curtos passos, os municípios estão caminhando para a diminuição das desigualdades no setor de produção agrícola.
Assim, as evidências apresentadas na análise preliminar a respeito da mensuração da convergência 𝛽 da produtividade agrícola da região Nordeste e do Ceará, pode contribuir para a literatura regional em dois aspectos relevantes: a) a incorporação dos efeitos espaciais explícitos no modelo, ou seja, mensura a convergência do setor agrícola, levando-se em conta a interação das regiões com o seu entorno, o que permite verificar a existência de polos e agrupamentos; e b) em contraste com a grande maioria dos trabalhos que tratam habitualmente sobre convergência de renda, inova na utilização da produtividade agrícola como variável de convergência.
O Ceará não é caracterizado como uma potência agrícola, mas o setor primário possui uma contribuição importante para a geração de emprego e renda no Estado. Dadas as características naturais do seu território, o Estado possui grande heterogeneidade na distribuição espacial de fatores que determinam a produtividade agrícola. A convergência obtida mostra que as desigualdades espaciais da produtividade agrícola estão diminuindo, identificadas no estudo por meio da modelagem espacial.
No entanto, deve-se considerar que nos últimos anos o desempenho da agricultura cearense foi afetado em função de condições climáticas adversas decorrentes de estiagens e secas, durante o período de 2012 a 2018, que resultaram em reduções da produtividade agrícola ao longo desses anos.
A evidência de dependência espacial, detalhada nos mapas de LISA, entre as microrregiões e os municípios implica que os ganhos em termos de políticas não são restritos a uma determinada localidade, mas, sim, são transbordados para as regiões vizinhas. Neste sentido, pode-se orientar a adoção de polos regionais de desenvolvimento agrícola. Este tipo
64
de estratégia, adotando-se um referencial espacial/geográfico e a definição de polos especializados, pode permitir que a alocação de recursos seja mais eficiente.
Dada a grande heterogeneidade do território brasileiro, torna-se imprescindível a produção de conhecimento que oriente estratégias de desenvolvimento em nível regional, incorporando características próprias de cada região. Espera-se que os resultados obtidos, nesta dissertação, possam incentivar ainda mais o desenvolvimento de análises sobre a evolução da produtividade agrícola no Ceará e em outros estados da região Nordeste.
65
REFERÊNCIAS
AGÊNCIA DE DESENVOLVIMENTO DO ESTADO DO CEARÁ (ADECE). Exportações
do Ceará com foco no agronegócio. Fortaleza: [s.n.], 2017. Disponível em:
https://www.adece.ce.gov.br/2014/07/30/agronegocio/. Acesso em: 06 nov. 2018.
ALBUQUERQUE, P. H. M. et al. Conglomerados espaciais. 2008. 117f. Dissertação (Curso de Pós-Graduação em Estatística) — Universidade Federal de Minas Gerais, Minas Gerais, 2008.
ALMEIDA, E. Econometria espacial aplicada. Campinas: Alínea, 2012.
ALMEIDA, E. S. de; PEROBELLI, F. S.; FERREIRA, P. G. C. Existe convergência espacial da produtividade agrícola no Brasil? Revista de Economia e Sociologia Rural, Brasília, v. 46, n. 1, p. 31 – 52, 2008.
ANSELIN, L. et al. Simple diagnostic tests for spatial dependence. Regional Science and
Urban Economics, v. 26, p. 77 – 104, 1996.
ANSELIN, L. Spatial Econometrics: Methods and Models. Holanda: Springer, v. 4, 1988. ARAÚJO, T. B. D. Dossiê Nordeste I. Estudos Avançados, USP, São Paulo, v.11, n. 29, p. 1 – 32, 1997.
BARRO, R. J.; SALA-I-MARTIN, X. Economic growth and convergence across the United States. Journal of Political Economy, v. 86, n. 4, p. 549 – 580, 1990.
BAUMOL, W. J. Productivity growth, convergence, and welfare: what the long-run data show. American Economic Association, v. 76, n. 5, p. 1072 – 1085, 1986.
BAUMONT, C. Spatial effects in housing price models: do housing prices capitalize urban development policies in the agglomeration of Dijon (1999)?. Research Report – Laboratoire d’économie et de gestion (LEG). Dijon, 2004. 26 p.
BAUMONT C.; ERTUR C.; GALLO J. L. Spatial convergence clubs and the european regional growth process, 1980–1995. In: Fingleton B. (ed.) European Regional Growth. Advances in Spatial Science. Springer, Berlin, Heidelberg, cap. 4, p. 131 – 158, 2003.
BRAGAGNOLO, C.; BARROS, G. S. de C. Impactos dinâmicos dos fatores de produção e da produtividade sobre a função de produção agrícola. Revista de Economia e Sociologia
Rural, Piracicaba-SP, v. 53, n. 1, p. 31 – 50, 2015.
CAVALCANTE, A. L. et al. Indicadores Econômicos do Ceará 2017. Fortaleza: IPECE, p, 1 – 107, 2017.
CHAVES, L. A. História do Estado. Sobral: INTA, 2016. Disponível em: http: //md.intaead.com.br/geral/historia-do-estado/pdf/Historia%20do%20Estado%20Livro.pdf. Acesso em: 30 jul. 2019.
DALL’ERBA, S. Productivity convergence and spatial dependence among spanish regions.
66
ELIAS, D. A Agropecuária do Estado do Ceará no Contexto da Globalização. In: AMORA, B. Z. (org.). Ceará: Enfoques geográficos. Fortaleza: EdUECE, 1999.
ELIAS, D. (org.). O Novo Espaço da Produção Globalizada: o Baixo Jaguaribe (Ce). Fortaleza: Universidade Estadual Do Ceará. Uece, 2002.
ELIAS, D.; PEQUENO, R. Reestruturação econômica e nova economia política da urbanização no Ceará. Mercator - Revista de Geografia da UFC, Universidade Federal do Ceará, Fortaleza, v. 12, n. 28, p. 95 – 112, 2013.
FAGERBERG, J.; GODINHO, M. Innovation and catching-up. In: J., F.; D.C., M.; R, N. (ed.). The Oxford Handbook of Innovation. Ottawa: Oxford University Press, p. 514 – 544, 2003.
FAGNANI, E. A Política Social do Governo Lula (2003-2010): perspectiva histórica. SER
Social, v. 13, n. 28, p. 41-80, 2011.