Ubicación

La investigación se llevó a cabo en los municipios de Rancho Grande, Matiguás y Río Blanco, localizados en el norte-centro de Nicaragua (Figura 1).

Fuente: elaboración propia

Figura 1 Área de investigación. 

Rancho Grande

Es un municipio de Matagalpa con una superficie de 598.2 km²; se encuentra ubicado sobre las coordenadas 13º 14' de latitud norte y 85º 33' de longitud Oeste. En este municipio se recolectó información de 15 comunidades: Achiote Central, Achiote Arriba, Buenos Aires, Carpa 2, Carpa 3, Colonia 1, Colonia 2, Cuyuca, El Comején, El Cortijo, El Rosario, La Nueva, San Francisco, Caño Blanco y El Cacao.

Matiguás

Es un municipio ubicado en el departamento de Matagalpa, con una superficie de 1532 km² y se halla ubicado en las coordenadas a 85° 27’ de longitud oeste y 12° 50’ de latitud norte. En este municipio se colectó información de tres comunidades: La Patriota, El Corozo y El Congo.

Río Blanco

Es un municipio ubicado en el departamento de Matagalpa, con una superficie de 652.5 km², este se encuentra en las coordenadas 85° 13’ longitud oeste, 12° 55’ latitud norte. En este municipio se recolectó información de cinco comunidades: Manceras, El Guabo, Cuatro Esquinas, San Pedro de Wanawana y El Anzuelo.

Población objeto de estudio

Los productores involucrados en este estudio son miembros de las cooperativas La Campesina y Ríos de Agua Viva, que forman parte del programa 2017-2021 Abastecimiento Sostenible de Alimentos a las Ciudades, ejecutado por Rikolto Internacional VECO. Participaron 375 productores de la Cooperativa Cacaotera La Campesina R. L., con sede en el municipio de Matiguás y 548 de la Cooperativa de Servicios Múltiples Ríos de Agua Viva, ubicada en el municipio de Rancho Grande.

Muestreo

Se utilizó el muestreo aleatorio, como método probabilístico para la obtención de información tanto cualitativa como cuantitativa; se aplicó un diseño completamente al azar para una proporción, haciendo, el cálculo del tamaño de la muestra, con una función propia, realizada en el software R estudio (R Core Team, 2019), a partir de la siguiente fórmula:

Donde

n = Tamaño de muestra (140).

p = Probabilidad de que los elementos presenten la característica (0.5).

q = Probabilidad de que los elementos no presenten la característica (0.5).

N = Número de elementos en la población donde se va a muestrear (923).

B = Sesgo permitido (0.10).

z = Valor que depende del alfa o probabilidad de cometer error tipo I (0.05).

El formulario de la encuesta se creó en Kobotoolbox (Pham et al., 2018). La encuesta se realizó en el año 2018, proceso que estuvo a cargo de 13 encuestadores apoyados por el investigador y coordinados por la agencia de cooperación Rikolto internacional. Se relevó o colectó la información en el territorio; posteriormente se descargó en la base de datos en el programa Excel y el análisis se hizo en R studio.

Análisis de Correspondencia Múltiple

El ACM es una herramienta utilizada en investigaciones de comportamiento y ciencias sociales y tiene como objetivo determinar la relación entre dos más variables categóricas (Kamalja y Khangar, 2017). Análisis de Correspondencias Múltiples (ACM), el cual es una técnica de interdependencia entre variables predominantemente categóricas que tiene por finalidad la reducción de dimensiones mediante la elaboración de mapas perceptuales (Tapasco Alzate y Giraldo García, 2016). El ACM es particularmente relevante y de mucha utilidad cuando existen muchas variables cualitativas colectadas (^{Salvatore, Natalia y Giulia, 2019}). Asimismo, el ACM compara individuos a través de las modalidades de las variables que los identifican en el estudio. Un grupo de individuos que es similar si asumen aproximadamente las mismas variables. La asociación entre variables se presenta porque son casi los mismos individuos quienes asumen las mismas modalidades de diferentes variables. Es una representación gráfica de la asociación entre variables categóricas dos a dos. El ACM es una descomposición de la nube de puntos de la varianza o inercia total del espacio de individuos (filas) o del espacio de las modalidades (columnas), en ciertas direcciones ortogonales, de tal forma que, en cada dirección, se maximice la inercia explicada. Esto permite realizar una discriminación de variables, ya que la influencia de cada variable está dada por su varianza, por lo que, las modalidades situadas a mayor distancia tienen la mayor inercia, luego son las más influyentes. Esta reducción de variables permite interpretar la variación presente en los resultados, con el menor número de variables, detectando, igualmente, las que se encuentran correlacionadas (^{Díaz y Morales, 2012}).

En esta investigación se utilizó un total 28 variables socioeconómicas, por lo tanto se determinó el uso del ACM, que permitió identificar las variables que más afectan el rendimiento del cacao. El primer paso para el análisis, fue agrupar las variables en diez dimensiones como una medida de discriminación de la información, posteriormente se seleccionaron las dos primeras dimensiones, de acuerdo a los sugerido por investigadores que utilizan esta herramienta de análisis, debido a que los mapas perceptuales con más dimensiones complejizan el análisis y son más difícil de interpretar (Morales Jacob, 2004). La presente investigación proviene de la información obtenida de la encuesta realizada por Rikolto (agencia internacional de cooperación de Bélgica). En la aplicación participó el investigador y 13 encuestadores, por lo que la selección de variables no fue aspecto a considerar. Sin embargo, identificar una metodología adecuada para el análisis fue de gran relevancia, tomando en cuenta la cantidad de variables.

Las variables socioeconómicas consideradas en este estudio fueron: edad, género, nivel de escolaridad, acceso a créditos para financiar la producción en caso que lo necesite, acceso a información de mercado, acceso a información sobre los patrones climáticos, acceso a información sobre el cultivo del cacao, acceso a información sobre salud y nutrición, acceso a la atención médica, acceso a celular, números de cuartos en el hogar, principal material del piso de la residencia, combustible que utiliza en el hogar para cocinar, acceso a cualquier apoyo formal o informal, en este caso se considera formal el acceso a crédito y asesoría técnica, e informal el apoyo en la mano de obra de la familia, amigos y la comunidad en las diferentes actividades de manejo del cultivo), participación en la toma de decisiones en su organización de productores, método de producción, pertenencia a una organización de productores o cooperativa, información sobre prácticas para el manejo de cultivos o animales, a través de capacitaciones, otro cultivo que se produce en la finca, producción de animales como una fuente de ingreso adicional, crianza de ganado vacuno para obtener ingresos, crianza de aves para obtener ingresos, crianza de cerdos para obtener ingresos, importancia del cultivo de cacao para sus ingresos, comparación de rendimiento del cacao. Ver descripción de variables en Cuadros 1, 2, 3, 4, 5 y 6.

Regresión Logística Multinomial

El objetivo principal de utilizar RLM es para realizar predicciones y para hacer inferencia de los resultados. La regresión logística multinomial es una extensión de la regresión logística binomial. Es utilizada cuando la variable dependiente exhibe más de dos variables categóricas. Una de las ventajas de la regresión logística multinomial es que los estadísticos diagnósticos son fácilmente interpretables y el error de normalidad no es considerado (^{Ashok y Balasubramanian, 2014}). Igual que otros procedimientos de análisis de datos, se puede realizar un análisis inicial de la información, que puede incluir una evaluación multivariada cuidadosa. Además, este análisis es novedoso ya que no considera los supuestos de normalidad, linealidad y homocedasticidad considerados en las regresiones múltiples (^{Starkweather y Kay-Moske, 1992}).

Análisis de Correspondencia Múltiple

La dos primeras dimensiones explican conjuntamente un 19.5% de la inercia total entre variables (Cuadro 7). Para la presentación del mapa perceptual se seleccionan las dos primeras dimensiones, esto se hace con el objetivo de tener una mejor visualización de la relación entre las variables y cuales presentan mayor inercia. En la dimensión uno las variables de mayor inercia son, el número de cuartos, comparación de rendimiento y apoyo recibido por los productores, y en la dimensión dos son el número de cuartos, celular e información de mercado, respectivamente. Sin embargo, de todas las variables encontradas en las dos dimensiones; comparación de rendimiento y apoyo recibido por los productores son las que mayor correlación presentan (Figura 2). Luego de identificar las dos variables (comparación de rendimiento y apoyo que puede ser formal (apoyo del gobierno, organización de productores) e informal (familia, amigos, comunidad), se realizó una RLM.

Resultados de la Regresión Logística Multinomial

Se realizó un modelo de regresión logística multinomial, teniendo como variable dependiente la variable comparación rendimiento y, como variables independientes apoyo y rendimiento. Para la variable comparación rendimiento se usó como referencia el nivel incrementó mucho. En el caso de las variables independientes Rstudio, que es el programa utilizado para el análisis, ordena los niveles de apoyo recibidos de manera alfabética y usa como referencia el primero en el orden. Para la variable apoyo, se usa como referencia el apoyo formal e informal.

A continuación se estableció un cuadro con la abreviación de las variables o niveles de comparación en el modelo para mejor visualización de las ecuaciones.

Comparación en el Rendimiento “Disminuyó un Poco” Contra “Disminuyó Mucho”

Comparación en el Rendimiento “Igual” Contra “Disminuyó Mucho”

Comparación en el Rendimiento “Incrementó Mucho” Contra “Disminuyó Mucho”

Comparación en el Rendimiento “Incrementó Poco” Contra “Disminuyó Mucho”

Interpretación y discusión de los resultados de la regresión logística multinomial

Para el análisis de los resultados de la regresión logística se calculó una media de las probabilidades, para entender mejor como los diferentes niveles de apoyo afectan el rendimiento, según la valoración de los productores (Cuadro 7), asimismo se graficaron los cinco modelos establecidos para una mejor visualización de los resultados encontrados (Figura 2).

Analizando los cinco niveles de rendimiento en el cacao, establecidos en este estudio, se observa que los cambios en el rendimiento son diversos y están lógicamente en dependencia del tipo de apoyo recibido por el productor cacaotero.

Se encontró, que cuando los productores reciben apoyo formal e informal, existe una probabilidad de 61%, de que los rendimientos disminuyen un poco. En cambio cuando los productores no tienen apoyo, existe la probabilidad de 40% y 39% de que los rendimientos disminuyan mucho o un poco respectivamente. Asimismo, se encontró que cuando el productor recibe apoyo de manera formal, exclusivamente, existe la probabilidad del 38% de que los rendimientos disminuyan mucho y finalmente se observa que los rendimientos incrementan un poco cuando los productores reciben apoyo de manera informal, con una probabilidad del 65 por ciento.

Los resultados del presente estudio nos muestran, que los rendimientos del cultivo del cacao son afectados en el norte centro de Nicaragua. Esto se ve reflejado en dependencia del tipo o nivel de apoyo recibido por los productores cacaoteros.

Estos hallazgos coinciden con varias investigaciones, que analizan los cambios en los rendimientos de acuerdo con el apoyo recibido. Analizando el apoyo formal, la investigación de ^{Aneani y Ofori-Frimpong (2013)}, mencionan que la asesoría técnica, no afecta el rendimiento. De manera igual, ^{Ngong y Wujung, (2019)}, en su investigación en Camerún, encontraron que el acceso a crédito tiene una relación inversa a la producción de cacao. Así ^{Castillo et al. (2020)}, en su estudio en Nicaragua sobre eficiencia técnica, encontró una relación inversa del acceso a crédito y la eficiencia técnica en la producción cacaotera.

Aunque se puede observar que el resultado, es contrario a la teoría, ya que la lógica indica, que un incremento en el acceso al crédito y la asesoría técnica tiene un efecto directo en la producción y el rendimiento de un cultivo. Por lo tanto, las razones que se pueden sugerir, es que esto puede deberse al mal uso del crédito, así como, la falta de garantía, principalmente de los productores cacaoteros que en su mayoría producen a pequeña escala (^{Vaast and Somarriba, 2014}). Como consecuencia el productor es llevado a una situación de vulnerabilidad debido a que el crédito puede llegar a ser una carga para las familias, produciendo un efecto negativo y afectando así, la producción y el rendimiento del cultivo. Estas argumentaciones están en línea con ^{Veloz-Cordero, (2021)}, quien afirma que la falta de garantía de los productores de cacao, les lleva a recurrir a prestamistas informales. Igualmente, ^{Lahiri-Dutt y Samanta (2006)}, mencionan que el crédito en la zona rural de la India, no tiene una impacto significativo en la obtención de activos y en la producción ya que los pequeños agricultores terminan en un ciclo vicioso de endeudamiento. También, es mencionado que la asesoría técnica, es una variable que no es significativa en los rendimientos en el cacao, según investigación realizada en Ghana por ^{Aneani y OforiFrimpong (2013)}.

Por el contrario, y como la teoría y según la lógica, ^{Bemieh (2013)} afirma que la falta de crédito ha sido un obstáculo en la producción y la productividad del cacao en Camerún, de la misma manera lo confirma ^{Lawal, Nwanji, Asaleye, Ahmed y Camarero (2016)} y ^{Mukete et al. (2016)}, encontrándose que el acceso a crédito mejora el bienestar de la familias productoras de cacao.

Las ventajas y beneficios del crédito, según referencia de investigaciones, coinciden que la disminución de los rendimiento se ven afectados cuando los productores acceden al crédito, pero este en cierta medida no es utilizado apropiadamente, así como también por la falta de apoyo.

Este problema lo enfrentan los pequeños productores de cacao del ejido de Francisco I Madero del plan Chontalpa en Tabasco, los cuales no reciben ningún apoyo formal en capacitación y asistencia técnica (Córdoba et al., 2011). Asimismo, Gómez et al. (2015), mencionan que el 68.8% de los productores en Chiapas realizan las actividades culturales en el cacao con recursos propios y solo el 31.2% han recibido apoyo financiero para la actividad productiva. De la misma ^{Segovia (2014)}. menciona que el 88.6% realiza las actividades de manejo por cuenta propia, de tal manera que, este es un problema bien generalizado en la actividad cacaotera de muchos países.

Finalmente, se encontró que el apoyo informal, principalmente en lo referente a las actividades de manejo del cultivo, en la que, los productores de cacao realizan sus actividades por cuenta propia, ya sea apoyándose con los miembros del núcleo familiar o por la ayuda de vecinos. Esta dinámica y realidad de las familias cacaoteras, es lo que puede explicar el resultado en esta investigación. Este estudio revela que el apoyo informal recibido por el productor está relacionado con un incremento en los rendimientos del cacao. Este aspecto de ayuda informal lo señala, ^{Córdova-Avalos, Estrella y Ortiz (2001)}, que menciona que el apoyo familiar representa el 40% de la mano de obra en el cultivo del cacao y solo el 28% de mano de obra es contratada, para esto solicitan dinero por adelantado a intermediarios, en calidad de préstamos que son pagados al momento de la cosecha.