nueva página del texto (beta)
Español (pdf)
Artículo en XML
Referencias del artículo
Traducción automática
Enviar artículo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
El sistema vaca-cría es una actividad económica tradicional en el estado de Chihuahua; sin embargo, en la última década su rentabilidad ha decrecido debido a la baja productividad de los pastizales. Al respecto, en Chihuahua ha sido documentado el impacto de la precipitación y temperatura en la productividad de pastizales desérticos y semidesérticos1,2,3. Por ejemplo, estudios han reportado que en el periodo 2009-2011 hubo sequía extrema, la segunda más intensa en 60 años4-7, donde la precipitación (58 mm) en 2011 fue la más baja en registros históricos8. Así mismo, el Monitor de Sequía de América del Norte9 documentó que el 85 % de los municipios de Chihuahua estuvieron en sequía extrema hasta el mes de abril del año 2012. En promedio, las precipitaciones han disminuido 60 % en la última década para las tres ecorregiones de Chihuahua, reduciendo la producción de pastizales, la captación de agua para abrevadero y la productividad ganadera (menor porcentaje de parición y alta mortalidad)10. Por destacar, posterior a la sequía en 2011 se afectaron más de 2.5 millones de ganaderos con pérdidas superiores a los 500,000 millones de dólares11.
En relación, la variabilidad climática, los cambios de uso del suelo y el sobrepastoreo provocan que la disponibilidad de forraje sea crítica en las ecorregiones ganaderas desérticas de Chihuahua12. Esta problemática ha suscitado una baja rentabilidad del hato y un retroceso en el capital financiero de grandes y pequeños productores, reflejándose en altos costos de producción y baja exportación de becerros, por lo que es necesario una modelación que pronostique los principales riesgos económicos y el comportamiento del hato. De no tomar medidas oportunas, en el estado podrían afectarse 36,758 núcleos agrarios, 25,346 ejidos y 11,412 predios particulares, los cuales tienen más del 28 % de la superficie total del Estado13. De las 24.7 millones hectáreas de Chihuahua, 18 millones son de agostadero, que contribuye con 6.36 % al producto interno bruto (PIB) estatal y, junto con el estado de Durango, Guanajuato, Zacatecas y Veracruz, aportan el 44.7 % al PIB nacional agropecuario, donde Chihuahua destaca por participar como el principal exportador de becerros del país14.
Basado en lo anterior, es necesario diseñar un modelo que permita definir y cuantificar los riesgos en la ganadería estatal, incluyendo las sequias asociadas a los efectos del cambio climático. La utilización de herramientas y métodos geoespaciales, así como la integración de modelos econométricos permiten analizar variables relacionadas con las características ambientales y productivas de los pastizales, al comparar datos cualitativos y cuantitativos15,16. Así, modelos biofísicos pueden usarse para analizar el crecimiento y disponibilidad de la vegetación y su interacción con datos climáticos y socioeconómicos17,18, así como para analizar el impacto de un cambio aleatorio en alguna de las variables del sistema vaca-cría19, y proponer soluciones a los riesgos en la productividad ganadera en un futuro determinado.
No obstante, la determinación de riesgo mediante modelos y simulaciones, es una herramienta escasamente usada y poco adoptada en las investigaciones pecuarias para la región norte de México. Por ello, el objetivo de esta investigación fue elaborar un modelo matemático integrado por indicadores ambientales y socioeconómicos que evalúe el comportamiento de la densidad ganadera del sistema vaca-cría en los pastizales de tres ecorregiones del estado de Chihuahua.
Área de estudio
En el estado de Chihuahua se estudiaron tres regiones ecológicas: Desierto, Valles Centrales o Semiárida y Sierra Tarahumara. La región del desierto tiene un clima seco semicálido; las temperaturas exceden 40 °C durante el verano y -5 °C en invierno. En la zona serrana predomina un clima subhúmedo semifrío a subhúmedo templado, con nevadas invernales abundantes; esta zona montañosa sobrepasa los 2,400 msnm, con serranías alargadas y angostas de 200 a 1,000 m sobre la llanura. En las llanuras occidentales, las temperaturas mínimas son las más bajas del estado con -20 °C, la precipitación varía de 300 a 550 mm y predomina un clima subhúmedo templado a semidesértico templado20.
Obtención de los datos y variables
La información base del análisis y la generación del modelo se conformó por un panel de 64,062 predios, distribuidos en los 67 municipios de Chihuahua, con datos anuales tomados en el periodo 2008-2013 de las tres ecorregiones. Así, variables económicas, sociales y ambientales se utilizaron para estudiar el comportamiento de la densidad ganadera.
Variables ambientales
Índice Diferenciado de Vegetación Normalizada (NDVI; valores medios de predios ejidales y privados de julio a octubre; como indicador el ciclo de recuperación natural de los pastizales en las zonas áridas y desérticas del estado2). Las imágenes se tomaron de LANDSAT 7 ETM y LANDSAT 8 (tamaño de imagen 30 x 30 m de resolución), aplicando corrección geométrica, radiométrica y atmosférica para disminuir el efecto de ruido21; precipitación y temperatura (Precip y Temp; representados por la cantidad de milímetros cúbicos acumulados anualmente por municipio, así como la temperatura media mensual); y tamaño de la superficie (número de hectáreas del predio).
Variables económicas
Densidad ganadera (Dg; unidades animal (UA)/ha predio). Capacidad de carga14 basados en la información estatal del Registro Agrario Nacional y paneles regionales de productores (esta variable puede estar subestimada porque algunos productores no reportaron sus unidades animal, debido a la inseguridad en el Estado en 2008); comportamiento económico en los predios (Prod; promedio de la producción pecuaria, comparada con la densidad ganadera existente, periodo 2008-2013; ingresos netos por exportaciones); costos pecuarios (Cost; egresos promedio por municipio, fijos y variables, de las explotaciones).
Variables sociales
Variable Ejido RAN22 (representación dicotómica de los tipos de tenencia con mayor número de explotaciones en Chihuahua). Esta variable se clasificó en predios privados y ejidales para comparar la producción ganadera de los productores pecuarios en el Estado, tomando valor 1 para los predios identificados como ejidos y 0 para los privados; número de productores pecuarios capacitados en predios privados y ejidales en 2010-2012 también fue incluido (programa de Desarrollo de Capacidades, Innovación Tecnológica y Extensionismo Rural establecido por SAGARPA23). Para identificar la tendencia temporal del modelo se generó una variable binaria (Post2011; variable dicotómica del cambio estructural posterior al año de impacto 20119; donde 1 se asignó a todos los años posteriores al 2010 y 0 a los anteriores).
Especificación del modelo
Considerando las variables Dg y NDVI, la variable binomial Post2011 se creó mediante el Test Chow; ésta es la desviación entre el periodo final e inicial (al considerar el año 2011 como línea base; Post2011=1). Así, el coeficiente de Dg se definió como la pendiente de la línea base del periodo y, el coeficiente de Dg_post2011 fue la desviación de la pendiente entre ambos grupos. De esta manera, la hipótesis nula fue que los periodos tienen iguales parámetros para la densidad ganadera y para el intercepto. El modelado de esta investigación se llevó a cabo en tres etapas, debido a la falta de ajuste para el norte de México de los modelos integrados (variables ambientales e imágenes satelitales), y la poca disponibilidad de factores socioeconómicos. El primer modelo definido fue:
Ln (Dg)t= β0 + β1Yeart + δ1Post2011(t)+ δ2Post2011(t) *Yeart + ξ …………………………………………(1)
Donde Ln= indica presencia de logaritmo natural en los parámetros β0 y β1; (Dg)t= variable dependiente (unidades animal/ha/año); Yeart= variable entera que capta la tendencia; Post2011t= variable de cambio, toma valor cero (t=0) para los años que transcurren antes de la sequía y valor uno (t=1) para los años posteriores al 2011; t= marca el año seleccionado; β0= refleja el cambio en el coeficiente de la “pendiente”; β1= alteración en la media de la variable endógena; δ1= parámetro de agrupación del primer periodo; δ2= parámetro de agrupación del segundo periodo; ξ= término de error. La hipótesis de que existió un cambio en la media como resultado en la tendencia de la serie temporal es descrita por medio de la prueba de F, la cual tiene como hipótesis nula que δ1 - δ2= 0.
Para la segunda etapa y después de la estimación del cambio estructural en la serie de datos donde todos los parámetros fueron establecidos e integrados, se obtuvo el siguiente modelo:
Ln (Dg)it= β0 + β1LnNDVIit +β2LnPrecipitit + β3LnTempit + β4LnSizeit + β5Ejidoit + β6LnCostit + β7LnProdit + β8post2011it + ξit …………………………………………(2)
Siendo: Ln (Dg)it= logaritmo natural de la variable dependiente (unidades animal/ha/año/predio); β0= la ordenada al origen; β1LnNDVIit= disponibilidad de materia vegetal (año/predio); β2LnPrecipitit= precipitación media; β3LnTempit= temperatura media anual; β4LnSizeit= superficie de los predios (ha/predio); β5Ejidoit= variable descriptiva, toma 0 (ejido=0) para los predios privados y 1 para los predios comunales (ejido=1); β6LnCostit= egresos netos de las explotaciones (miles de pesos/predio); β7LnProdit= ingresos netos por unidad animal (miles de pesos/UA); β8post2011it= variable de cambio, toma valor cero (t=0) para los años que transcurren antes de la sequía y valor uno (t=1) para los años posteriores al 2011.
El modelo especificado presentó algunos desafíos para su estimación, ya que algunas de las variables explicativas son endógenas. En particular, el NDVI depende de la precipitación y temperatura de la zona; por lo tanto, potencialmente correlacionado con los términos de error del índice.
Interacciones entre las variables generales y las dicotómicas de tiempo (post2011) y de tipo (ejido) fueron integradas, y el comportamiento general de las explotaciones se explicó. Así, tres variables binarias (dicotómicas) se establecieron en las zonas para identificar el comportamiento no observado de la variable dependiente (Dg); entonces, k-1 zonas descritas en el modelo se obtuvieron y, el valor de P de la prueba de F para conocer la significancia conjunta de las variables dicotómicas en el modelo (n1= n2 =… =nk=0) no se pudo rechazar, por lo tanto se afirma que las variables dicotómicas son significativas. Finalmente en la tercera etapa, el modelo estimado fue:
LnDgit = β1LnNDVIit + β2LnPrecipitit + β3LnTempit + β4LnSizeit + β5 Ejidoit + β6LnCostit + β7LnProdit + β8LnNDVI_Ejidoit + β9LnCost_Ejidoit + β10LnProd_Ejidoit + β11LnNDVI_post2011it + β12LnProd_post2011it + β13LnCost_post2011it + β14LnBenef-2010it + β15LnBenef-2011it + β16LnBenef-2012it + β17post2011it + δ2z2 +δ3z3 +ξit …………………………………………(3)
Además de los parámetros de la ecuación (2), las siguientes variables se incorporaron: β8LnNDVI_ Ejidoit= relación de la disponibilidad vegetal y el tipo de tenencia del predio (kg/ha/predio); β9LnCost_ Ejidoit= relaciona el egreso neto de los predios definidos con tenencia ejidal; β10LnProd_Ejidoit= el ingreso neto por unidad animal en los predios con tenencia ejidal; β11LnNDVI_post2011it= la producción de materia vegetal posterior al año 2011; β12LnProd_post2011it= ingreso neto económico por unidad animal posterior al año 2011; β13LnCost_post2011it= el egreso neto por unidad animal posterior al año 2011; β14LnBenef-2010it= interacción de los beneficiarios para el año 2010; β15LnBenef-2011it= número de beneficiarios del programa para el año 2011; β16LnBenef-2012it= iteración de los beneficiarios para el año 2012; β17post2011it= variable binaria que agrupa el periodo posterior al año de sequía (2011).
En cuanto al signo y valor esperado de los parámetros de la ecuación (3), se espera que la Dg sea menor en los predios catalogados como ejidales24 (β5<0) y, que la variación de la precipitación provoque que la densidad animal sea menor cuando la precipitación disminuya (β2<0), y a medida que la disponibilidad de materia vegetal aumente, se incremente la Dg (β1>0).
También, para observar si existió una mejora en la planificación y utilización de los predios, posterior a la implementación del programa de capacitación, se estableció una relación negativa cuando el ingreso de la producción (β7<0) y los costos de la actividad ganadera (β6<0) aumentaron.
Análisis del modelado
Para elaborar el modelo econométrico y desarrollar los patrones de conducta de las variables se utilizó el software STATA®25. La definición del modelo regresivo involucró el análisis de efectos fijos y aleatorios para controlar la heterogeneidad de los datos de un panel; esto a través del modelo general de regresión lineal (comando regress), modelo con un efecto aleatorio y fijo (comando xtreg), modelo de efectos fijos autoregresivo de grado 1 (AR1; comando xtregar) y los modelos para controlar problemas de heterogeneidad, autocorrelación, heterocedasticidad y correlación contemporánea (comando xtgls y xtpcse). El tratamiento a las imágenes satelitales y los análisis radiales para las variables de precipitación y temperatura se realizó con ArcGIS 9.3®26.
Un cambio estructural se reflejó para la serie de datos en el comportamiento de la densidad ganadera (Dg) municipal de Chihuahua en el segundo periodo (2011-2013); resultado obtenido del análisis de la Dg en los periodos 2008-2010 y 2011-2013 (se rechazó la hipótesis nula δ1 = δ2; ecuación 1). Para la especificación del modelo en la segunda fase de análisis (ecuación 2), los efectos aleatorios ui fueron relevantes (prueba Breusch Pagan y Hausman), por lo que resultó pertinente estimarlos. Por lo tanto, la diferencia entre los coeficientes de efectos aleatorios y fijos del modelo no fue sistemática, lo que sugirió utilizar el modelo con efectos aleatorios.
Finalmente, en la tercera fase de la estimación y análisis del tercer modelo (ecuación 3) derivado del análisis de las variables estudiadas en las tres ecorregiones, con el método xtpcse para la Dg posterior al año 2011 (Cuadro 1), y fijando un nuevo ciclo de producción y las diferencias en el manejo del hato ganadero (según el tipo de tenencia predial y la zona donde se ubica la explotación), se establecieron los siguientes cinco planteamientos:
Cuadro 1. Estimación y análisis del modelo para las ecorregiones de Chihuahua
1 Regress: comando que analiza la variable independiente x observada en el tiempo t para cada unidad de análisis i en un modelo general de regresión lineal; Xtreg: comando que analiza la variable independiente x observada en el tiempo t para cada unidad de análisis i en un modelo regresivo con efecto fijo y aleatorio; Xtregar: comando que analiza la variable independiente x observada en el tiempo t para cada unidad de análisis i en un modelo autoregresivo de grado 1 (AR1) con efectos fijos; Xtgls: comando que analiza la variable independiente x observada en el tiempo t para cada unidad de análisis i en un modelo con estimadores de mínimos cuadrados generalizados factibles; Xtpcse: comando que analiza la variable independiente x observada en el tiempo t para cada unidad de análisis i en un modelo con errores estándar corregidos para panel. Nivel de significancia en los parámetros: *P<0.05; **P<0.01; ***P<0.001.
2 La interpretación de los coeficientes o parámetros del modelo están desglosados en el tercer modelo (ecuación 3).
Si el NDVI incrementa en una unidad porcentual en las ecorregiones del estado, Dg aumenta 0.7140 unidades porcentuales con un nivel de significancia menor a 0.001. Un estudio27 afirma que la disminución del NDVI en zonas semiáridas se traduce en pérdidas no solo económicas, sino ambientales; y una limitante encontrada del NDVI en el monitoreo de la sequía es el desfase entre el déficit de precipitaciones y la respuesta de la variable28, lo que podría afectar la relación entre la Dg y NDVI.
En los predios catalogados como ejidales se identificó una menor capacidad de carga (-0.5955). La variable dependiente (unidades animal/ha/año/predio) posterior al año 2011 no mostró incrementos significativos al aumentar NDVI disponible en las explotaciones; esto debido a la alta precipitación, ya que Dg incrementó 0.3462. Con un nivel de P<0.05 los valores de Dg presentaron una disminución de -0.6933 cuando aumentó la temperatura media mensual.
Cuando la Dg es más alta en las ecorregiones evaluadas, el porcentaje de unidades de producción con tipo de tenencia ejidal es mayor (0.5646). Para disminuir en ellos el efecto del incremento en los costos netos, se aumentó el número de unidades animal por hectárea (0.0376). Sin embargo, la tendencia posterior al año de sequía (2011) es el decremento de Dg (-0.0283) cuando los costos de producción aumentan una unidad porcentual.
Los predios ejidales en condiciones de sequía severa (los cuales no cuentan con capacitación técnica o ingresos estables) revela el aumento del consumo de materia vegetal para conservar el número de cabezas en el hato, sin importar el sacrificio de los pastizales29. El número de capacitaciones técnicas mostró un efecto significativo (P<0.05) sobre el comportamiento de la Dg en las ecorregiones. Lo anterior posiblemente por efecto de ajuste en la carga animal. Sin embargo, para el año 2010 existió un incremento de 0.0358 en las unidades animal por hectárea en Chihuahua; esto puede ser por efecto del repoblamiento del hato25.
La zona semiárida de Chihuahua indicó una pérdida en Dg en comparación con la zona desértica (-0.3305; P<0.001). Con relación al tamaño de las explotaciones, se puso en evidencia que los predios con más terreno manejaron una menor carga ganadera (-0.7019).
Existió una recuperación de las unidades animal por hectárea posterior al año de sequía y, se obtuvo un incremento del 1.3535; sin embargo, este aumento se reflejó hasta el año 2013. En el 2012 existieron pérdidas marcadas, principalmente en los primeros meses del año. Este método sólo considera la disposición espacial de los individuos para hacer los conglomerados30. Por lo anterior, para el año 2012 los egresos se incrementaron, posiblemente por gastos de suplementación energética y vitamínica del ganado. La producción, entendida de ganado, refleja un decremento notorio (Figura 1).
Dg= densidad ganadera; UA= unidad animal (miles).
Figura 1. Tendencias de la producción y egresos ganaderos en el estado de Chihuahua respecto a la densidad ganadera.
La recuperación para el año 2013 hace suponer que existió un nuevo ciclo de recuperación en los pastizales y una inversión asociada, reflejada en los egresos registrados con respecto a la producción económica de los predios ganaderos. Así mismo, se informa31 que parámetros sobre los coeficientes técnicos relacionados con las necesidades de alimentación, son relativos a los aportes nutricionales y el crecimiento del pasto.
En este sentido, diversos estudios32,33,34 demuestran que el aumento en el riesgo sobre los patrones de recuperación de pastizales es influenciado por factores como cambios en uso del suelo, tecnificación y capacitación de productores34; así mismo, los cambios climáticos extremos (sequía y temperaturas extremas) afectan la productividad de los pastos35,36, que directamente impactan la productividad ganadera en las ecorregiones.
CONCLUSIONES E IMPLICACIONES
Se generó un modelo (ecuación 3) con indicadores socioeconómicos y ambientales para el comportamiento de la densidad ganadera en las ecorregiones del estado de Chihuahua; existió un cambio estructural en la densidad ganadera, la disponibilidad vegetal y la capacidad de carga animal por hectárea disminuyeron. La estimación de la densidad indicó una recuperación posterior al periodo de sequía, y se esperaría que la disponibilidad de los pastos mejore con la recuperación vegetal en un nuevo ciclo ambiental (manteniendo el resto de variables constantes). Los fenómenos meteorológicos extremos presentaron un cambio estructural en 2012; además, la vulnerabilidad no siempre está relacionada con el tipo de tenencia predial, sino que las variables de capacitación rural a productores y el ingreso per cápita, influyen en la densidad ganadera. Las nuevas tecnologías geoestadísticas y modelos econométricos facilitan el modelado para la gestión de riesgos e impacto de la sequía en la ganadería extensiva.
