Estructura de presentación

Economía de la Producción
1. Introducción
2.
2 Economía de la producción
Rodolfo Bongiovanni 3. Econometría espacial
4. Sustentabilidad

¿Qué son los Agronegocios? ¿Qué son los Agronegocios?

"La suma total de las operaciones
involucradas en la manufactura y
Negocios Agroindustria
distribución de la producción agrícola,
operaciones
p de la p
producción en el campo;
p
AGRONEGOCIOS
en el almacenaje, procesamiento y
distribución de los commodities agrícolas y
las manufacturas hechas con los mismos."
(Davis & Goldberg, 1957).

Producción

Tres partes de los Agronegocios Tres partes de los Agronegocios

1. Negocios agropecuarios propiamente 2. “Pre-tranquera”
dichos, o “tranqueras adentro”
ƒ Industrias y comercios que
ƒ Productores rurales,, proveen bienes y servicios para
la producción, como por ej.,
• pequeños, medianos o grandes, • fabricantes de
fertilizantes,
• personas físicas o jurídicas (empresas). • agroquímicos,
• asesoramiento, etc.

1
 Tres partes de los Agronegocios
3. “tranqueras afuera”: comercio, Estructura de presentación
transporte, procesamiento e
industrialización de los productos 1. Introducción
hasta alcanzar el consumidor final
final. 2 Economía de la producción
2.
ƒ frigoríficos, 3. Econometría espacial
ƒ industrias textiles, de calzados, 4. Sustentabilidad
ƒ procesadores,
ƒ distribuidores de alimentos,
ƒ supermercados.

The Economics of Production

Autor: Bruce R Beattie; C R Taylor; Myles J Watts
The analysis of response in
Editorial: Malabar, Fla. : Krieger Pub., 2009.
crop and livestock
Edition/Format: Libro : Inglés (eng) : 2nd ed
production
ISBN: 9781575242958 1575242958
Número OCLC: 233813757 Autor: John
h L Dillon;
ll Jockk R Anderson
d
Descripción: xvi, 299 p. : ill. ; 24 cm. Editorial: Oxford, England ; New York :
Pergamon Press, 1990.
Contenido: Technical aspects of production: the
Edition/Format: Libro : Inglés (eng) : 3rd ed
productivity functions -- Economic aspects of
ISBN: 008037493X : 9780080374932
production: the input perspective -- Economic
0080374948 : 9780080374949
aspects of production: the output perspective --
Número OCLC: 20693446
Multiproduct production -- Monopoly and
Descripción: xii, 251 p. : ill. ; 24 cm.
monopsony -- Duality theory.

Introducción
Economía de la Producción
ƒ Se ocupa de los procesos de decisión
entre producciones alternativas,
ƒ Qué producir,
ƒ Cuánto
C á t producir,
d i y
ƒ Combinación óptima de recursos.
ƒ Principal herramienta: 60
Rendimiento, q/ha

la curva de respuesta 55

50
o función de 45

producción 40
0 20 40 60 80 100
11 N, Kg/ha 12

2
 Introducción
60

Introducción 60

Rendimiento, q/ha

Rendimiento, q/ha
55 55

Curva de respuesta Supuestos

50 50

45 45

40 40
0 20 40 60 80 100 0 20 40 60 80 100
N, Kg/ha N, Kg/ha

ƒ Descripción cuantitativa de las 1) hay una relación causal entre

diferentes posibilidades de producción insumos (xi) y productos (y);
ƒ Relación técnica entre un factor de 2) hay rendimientos decrecientes para
producción
d ió variable
i bl y un producto,
d t y cada insumo (xi);
brinda el o los productos esperados 3) hay retornos a escala decrecientes,
para cada nivel de insumo(s) (un incremento proporcional de todos
ƒ y = f (xi) los insumos resultará en un incremento
ƒ y: cantidad producida menos que proporcional en el
ƒ xi: factores variables de producción producto).
13 14

Introducción 60

Introducción
Rendimiento, q/ha

Curva de respuesta o
55

50

Máxima rentabilidad ƒπ = pyy - Σ pixi - F

función de producción
45

40
0 20 40 60 80 100
N, Kg/ha

ƒ Para maximizar la rentabilidad con respecto

ƒ permite controlar el nivel de insumos a un insumo en particular (x1), se toma la
para alcanzar un objetivo deseado, primer derivada de π, y se despeja
ƒ por lo general es el de maximizar la x1: ∂π /∂x1 = py (∂y/∂x1) - p1.
rentabilidad (π): ƒ La condición para máxima rentabilidad es:
ƒ maximizar la diferencia entre el valor ∂y/ ∂x1 = p1 /py.
ƒ Es decir, cuando el valor marginal del insumo
del producto y el costo de los insumos:
es igual a la relación de precios (p1 /py), o
ƒ π = py y - Σ pi xi - F cuando el valor marginal del producto es
igual al costo del insumo marginal:
15
p y ∂y = p 1 ∂x 1 16

Introducción
Formas de respuesta
Máxima rentabilidad
ƒ En el punto de máximo rendimiento ƒ Son pocas las formas usadas,
físico, el producto marginal del insumo dependiendo de:
es cero, por lo que no puede pagar el a) las características técnicas de la
costo de insumos. respuestat (biológicas,
(bi ló i químicas,
í i
60 60
nutricionales, etc.),
b) la información disponible, y
Rendimiento, q/ha
Rendimiento, q/ha

55 55

50 50 c) el uso que se intente dar a la

N=63
45 45 información producida.
40 40
0 20 40 60 80 100 0 20 40 60 80 100
N, Kg/ha N, Kg/ha
17 18

3
 Formas de respuesta Formas de respuesta
1) Lineal 2) Cuadrática
y = a + bx
y = a + bx + cx 2

b
MPP
a

19 20

Formas de respuesta Formas de respuesta

3) Exponencial o Cobb-Douglas 4) Lineal y plateau
y = min[ a + bx, m]
y = ax1 1
b

TPP

MPP
Para productores de bajos recursos
APP Cuando existen consideraciones ambientales

21 22
x

Formas de respuesta Formas de respuesta

5) Cuadrática y plateau 5) Cuadrática y plateau
Respuesta de rendimiento al pH ilustrando tres estadios de producción
(Bongiovanni & Lowenberg-DeBoer, 2000)
y = min[a + bx + cx , m]
2
Respuesta cuadrática Plateau Caída lineal

9
8
.

7
6
Maíz
5
Rendim, t/ha

4
3
Soja

2
1
0
3 3.5 4 4.5 5 5.5 6 6.5 7 7.5 8 8.5 9
pH Suelo

Rendimiento relativo del maíz Rendimiento relativo de la soja

⎧− 0.8287 + 0.5318 * pH − 0.0391* pH 2 , pH ≤ 6.8⎫ ⎧− 0.7510 + 0.5003 * pH − 0.0367 * pH 2 , pH ≤ 6.8⎫
=⎨ ⎬ =⎨ ⎬
23 ⎩ 0.98, pH > 6.8 ⎭ ⎩ 0.95, > 6.8 ⎭ 24

4
 Formas de respuesta Formas de respuesta
2) Cuadrática 2) Cuadrática
ƒ La rentabilidad con una respuesta
ƒ La cuadrática es la más usada para cuadrática es:
estudiar los procesos de producción, ƒ π = py (α+βX+γX²) - pX X - F.
porque: ƒ La
L primer
i d
derivada
i d es:
ƒ es la que presenta la mayor ƒ ∂π / ∂X = py (β+2γX) - pX = 0, y
significancia estadística, ƒ La cantidad óptima de insumo es:
ƒ se ajusta mejor a la teoría biológica y ƒ β+2γX = pX/ py
económica del proceso de respuesta, ƒ 2γX = pX/ py-β
ƒ es una de las más fáciles de calcular. ƒ X* = [(pX / py) - β] / 2γ.
25 26

Formas de respuesta
2) Cuadrática
Análisis económico
El mayor retorno al N se obtiene con N=63
Ej.: curva de respuesta de trigo en
Lincoln, (Melgar y otros, 2001). 60

Y =42.07+0.407
42.07+0.407*N N-0.0028
0.0028*N2
Rendimiento, q//ha

55
60
Precios Precios
50
Rendimiento, q/ha

Tipo cambio (pesos por U$S) 2,95 $/U$S Tipo cambio (pesos por U$S) 2,95 $/U$S
Precio trigo promedio marzo 03 39,00 $/q 55 N=73 Precio trigo promedio marzo 03 39,00 $/q
N=63
Gastos comercialización 14% % Gastos comercialización 14% %
Precio neto del trigo = 33,54 $/q Precio neto del trigo = 33,54 $/q
Urea, 46% N = 0,74 $/kg 50 Urea, 46% N = 0,74 $/kg 45
N elemental = 1,6033 $/kg N elemental = 1,6033 $/kg
Interés anual 24% % Interés anual 24% %
N elemental con interés 1,7957 $/kg N elemental con interés 1,7957 $/kg
45 40
X* = -β / 2γ. 40 X* = [(pX / py) - β] / 2γ. 0 20 40 60 80 100
X* = (-0,4079)/(-0,0028*2) 0 20 40 60 80 100 X* = (1,7967/33,54)-0,4079)/(-0,0028*2) N, Kg/ha
X* = 73 N, Kg/ha X* = 63
27 28

Funciones de producción
Método del balance sitio-específicas

NFert = (NTotal 4,5 t/ha - NRes - NMin) / Eficiencia •Si dentro de un lote (o región) hay
variabilidad, significa que hay
N a aplicar: (135-36-80)/0,6 = 32 kg N/ha
30 kg/t
diferentes curvas de respuesta.
p
•Usando el monitor de rendimiento
Retorno al N x método balance: $1.694
se pueden elaborar curvas de
Retorno al N x método curva: $1.779
respuesta por área.
Diferencia: $ 85
•Cada área dentro del lote tendrá su
precio trigo
$33,54
a
42,07
b
0,407
N
32
c
-0,0028
N^2
1024
Pn
1,7956522
No
32 $1.694,23 dosis óptima económica
$33,54 42,07 0,407 63,12 -0,0028 3983,917 $1,80 63,12 $1.779,17
30

5

Estructura de presentación
1. Introducción
2. Economía de la producción
3. Econometría espacial
4. Sustentabilidad
Econometría
„ Parte de la ciencia económica que
aplica las técnicas matemáticas y
estadísticas a las teorías económicas,
para su verificación y solución de los
problemas económicos mediante
modelos.
33
Autocorrelación espacial
„ Se presenta cuando la variable dependiente o el error
en un punto se correlaciona con la variable
dependiente o el error en otros puntos del lote.
„ Formalmente: E[yi yj] ≠ 0, o E[εi εj] ≠ 0 para los
puntos vecinos i y j, donde i y j se refieren a
observaciones individuales y donde yi(j) es el valor
de la variable de interés.
„ En rendimientos, es la similitud de valores para
ubicaciones similares: valores altos o bajos de
rendimiento tienden a estar rodeados de
observaciones vecinas con valores similares.
„ La presencia de auto-correlación espacial implica que
una muestra contiene menos información que una no
auto-correlacionada (Anselin y Bera, 1998).
35
Introducción al problema
• Uno de los problemas es que la estadística
tradicional asume que las observaciones son
independientes.
• En datos geográficos
geográficos, este supuesto de
independencia ya no es válido.
• Las observaciones georeferenciadas están
claramente relacionadas con las
observaciones vecinas.
• La econometría espacial ha desarrollado
modelos con diferentes formas de correlación
espacial entre observaciones vecinas. 32
Econometría espacial
„ Especialidad dentro de la Econometría
que se ocupa del tratamiento de la
interacción espacial (autocorrelación
espacial) y de la estructura espacial
(heterocedasticidad) en los modelos de
regresión (Anselin, 1999).
34
Autocorrelación espacial
Ej: Exámenes finales
• Dado que la clase se enseña por el mismo profesor
y del mismo libro, se espera que haya respuestas
similares entre los estudiantes.
• Estas
E t cosas en común ú ddeben
b ser tenidas
t id en cuenta,
t
para evitar errores en las especificaciones de
modelos que comparen respuestas una a una.
• Por ej., los estudiantes que estudian juntos suelen
tener el mismo conocimiento, lo que causa que sus
respuestas estén correlacionadas.
• Es habitual que estos estudiantes se sienten juntos,
formando un cluster (efecto “variable omitida” en
la interpretación de los resultados). 36
6
 Autocorrelación espacial Heterocedasticidad
Ej: Exámenes finales „ La varianza del término error no es constante para
• Los estudiantes que copian de sus vecinos muestran todos los valores de la variable independiente de
el mismo conocimiento, lo que causa interés (es decir, no es homocedástica).
autocorrelación (efecto “derrame”). Además, el „ La p
precisión de un OLS es incorrecto,, porque
p q asume
copiado
i d tiene
ti autocorrelación
t l ió espacial
i l (vecin@).
( i @) un término de error con varianza constante.
• Si dos estudiantes se copian todas las respuestas y „ Los estimadores OLS no están sesgados, pero ya no
entregan el mismo examen, entonces no hay dos son los más eficientes.
distintos, sino uno solo (problema de información „ Los tests estadísticos t y F indican otra cosa (en otro
para interpretar el contentido). sentido), y la R2 es incorrecta.
• Los dos estudiantes deberían ser unificados en un „ Si un modelo ignora la presencia de estos efectos
solo examen (perdiendo un grado de libertad). espaciales, produce un problema de mala
especificación.
37 38

Heterocedasticidad Econometría espacial

„ Es muy frecuente encontrar este problema en
el análisis espacial de datos:
„ De unidades espaciales irregulares (con
diferente superficie)
superficie),
„ Cuando hay diferencias sistemáticas en las
relaciones que se están modelando (ej.:
regímenes espaciales como tipos de suelo
o topografía), o
„ Cuando hay una desviación espacial en los
parámetros del modelo (ej.: expansión
espacial). 39
Los supuestos de Geostadística y de
Econometría Espacial son distintos:
El objetivo de la Geostadística es crear mapas
y estimar superficies. Define la variabilidad
espacial como un proceso continuo, resultando
en un “campo” de observaciones espaciales.
El objetivo de la Econometría Espacial es el
análisis deductivo y la comprobación de hipótesis.
Define la covarianza como la interacción entre
objetos espaciales discretos (polígonos,
cuadrículas) 40

„ Matriz de
ponderadores Modelo autoregresivo 1
espaciales. 1 2 3

„ Cada observación es 4 5 6

ponderada por sus 7 8 9

Modelo “de ponderación espacial”: la
ocho vecinos. 0 1 0 1 1 0 0 0 0 autocorrelación espacial está en la variable
1 0 1 1 1 1 0 0 0
dependiente, y :
„ Mientras que en 0
1
1
1
0
0
0
0
1
1
1
0
0
1
0
1
0
0
Geoestadística, W = 1 1 1 1 0 1 1 1 1 Y = ρ Wy + X β + ε
las observaciones 0 1 1 0 1 0 0 1 1
están 0 0 0 1 1 0 0 1 0
0 0 0 1 1 1 1 0 1
relacionadas 0 0 0 0 1 1 0 1 0 coeficiente variable variables coeficientes
dentro de un autoregresivo dependiente explanatorias estimados
rango de espacial ponderada
distancia: espacialmente
41 42

7
 Modelo autoregresivo 2
Modelo de error espacial: la autocorrelación
espacial está en el término de error aleatorio, ε
Y=Xβ+ε
Donde: ε = λ Wε + μ
coeficiente término de μ ~ N (0,σ 2 I)
autoregresivo error spacial H0 : λ = 0
43
Modelos de regresión espacial
• La econometría espacial fue el método con
mayor significancia estadística.
• Los métodos de regresión polinomial con
tendencia y de vecinos cercanos corrigieron
la estructura espacial en los errores
residuales, pero no fueron eficientes.
• Los resultados de econometría espacial y
de geoestadística fueron muy similares,
pero los de econometría espacial tuvieron
mayor cantidad de coeficientes estimados
significativos al 5%.
45
Conclusiones de Lambert et al.
• Los cuatro métodos dan coeficientes y
tests similares. La elección depende de la
facilidad de uso y de la disponibilidad de
software
software.
• La respuesta sitio-específica del cultivo
varía de año en año, dependiendo del
clima.
• La elección de la cantidad óptima de
fertilizante requiere usar técnicas de
manejo del riesgo.
47
Modelos de regresión espacial
• Lambert, Lowenberg-DeBoer y Bongiovanni
(2002) comparan cuatro metodologías que
incorporan la correlación espacial en modelos
de regresión:
1) econometría espacial o estadística
espacial
2) regresión polinomial con tendencia
3) análisis de vecinos cercanos; y
4) geoestadística.
44
Conclusiones de Lambert et al.
• Los ensayos deben tener un diseño
experimental. La “extracción de datos”
(data mining) para zonas de manejo no han
tenido éxito.
éxito
• La respuesta varía dentro y entre lotes.
La cantidad óptima de insumos también
varía.
• OLS proporciona coeficientes estimados
razonables de la variación espacial, pero
con baja significancia estadística.
46
Extracción de datos
• Extracción de datos. Uno de los problemas
con los cultivos es que el rango de variables
naturales suele no ser suficiente como para
estimar curvas de respuesta
respuesta.
• El trabajo de Florax et al. (2002) muestra
los problemas de este método:
• Usaron rendimientos para estimar la
respuesta del mijo al P y K del suelo, pero
los coeficientes son irracionales, porque el
contenido de P y K era muy bajo: < 6 ppm.
48
8
Variabilidad espacial de la respuesta

• Estudios de respuesta realizados en Argentina

y en Minnesota muestra la gran variabilidad
de respuesta dentro de un mismo lote.
• La limitante no son los datos de rendimiento
rendimiento,
sino los programas para hacer el análisis.
• Los datos de Argentina fueron analizados con
SpaceStat, un software compatible con
Windows y ArcView® 3.1 , con interfase DOS.
• http://www.terraseer.com/Spacestat.html

49 50

SpaceStat

51 52

Regresión tradicional OLS Conclusiones de Lambert et al.

• Los coeficientes OLS (Ej: con Excel) y los de
regresión espacial deberían ser similares
porque no están sesgados.
• El problema con OLS es que la desviación
estándar se infla con la correlación espacial
y los tests estadísticos no son significativos.
• La regresión espacial tiene más variables
estadísticamente significativas que OLS.
• Esto facilita la toma de decisiones económicas,
porque los coeficientes son más confiables.
53
• Es posible estimar las respuestas sitio-
específicas del cultivo usando datos de
monitor de rendimiento, siempre y cuando se
haga con un diseño experimental
experimental, como
por ejemplo ensayos en franjas.
• La mayor limitante es el software
disponible, que no es fácil de usar.
• Se requieren habilidades especiales en la
interpretación de datos.
• La correlación espacial de las
observaciones no puede ser ignorada. 54

9
 55

http://geodacenter.asu.edu/software/downloads

Luc Anselin

58

Respuesta al N,
Próxima clase Ejemplos: ensayos a campo,
Material didáctico para enseñanza-aprendizaje: Manuales del software y desde 1998-99
http://geodacenter.asu.edu/learning/tutorials

59 60

10
Diseño experimental: Diseño experimental:
Los lotes se dividen en por lo La dosis de N es constante en toda la
menos tres posiciones topográficas franja a lo largo de las tres posiciones:
Loma
Loma
8-10 m Pendiente
Pendiente Bajo
3-8 m

Bajo 0-3 m 61 62

El ancho del fertilizador

determinó el ancho de la Cosecha: Mapa de
cuadrícula que se usó: rendimiento (puntos)

98m
9.8 Loma
Pendiente
7m

Bajo

De aquí es de donde surge el ancho del polígono 63 64

Cuadrícula para promediar puntos de Cosecha: Mapa de

rendimiento y crear shapefiles
rendimiento (cuadrículas)
9,8 x 9,8 m
Rotación: 10,5º

Loma
Pendiente
Bajo

Los extremos del ensayo y los outliers se borran

Se usan los promedios dentro de las celdas en lugar de los puntos
65 66

11
 Sistema de información geográfica
Test diagnóstico (SpaceStat):
Gráfico de Moran :
Indica
autocorelación
positi a en el
positiva
cuadrante
superior
derecho

• http://geodacenter.asu.edu/software/downloads 67
68

Regresión: Regresión:
Cross Section Time-Series, modelo "error espacial"
COEFF S.D. z-value Prob
La Morocha Modelo OLS Modelo SAR
98-99 COEFF S.D. t-value Prob COEFF S.D. z-value Prob Variables Kg ha -1
Variables Kg ha -1 Kg ha -1 Constant 3809.39 0.7088 53.7422 0.0000
Constante 5332.61 0.3544 150.47 0.0000 *** 5126.66 1.0530 48.6869 0.0000 ***
N 22.6497 0.0126 17.9473 0.0000 *** 20.5482 0.0065 31.5785 0.0000 *** N 16.9894 0.0161 10.5664 0.0000
N² -0.0723 0.0001 -7.7624 0.0000 *** -0.0540 0.0000 -11.2576 0.0000 *** N² -0.0881 0.0001 -7.6021 0.0000
j E
Bajo 1316.94 0.4907 26.8391 0.0000 *** 419.39 0.8290 5.0589 0.0000 ***
Pendiente E -914.35 0.4728 -19.33 0.0000 *** -269.47 0.5081 -5.3031 0.0000 *** B j E
Bajo 388 77 0.0000
388.77 0 0000 5 6769
5.6769 0 0000
0.0000
Loma -402.59 0.5378 -7.4857 0.0000 *** -149.92 0.6878 -2.1796 0.0293 ** Pendiente E -629.48 0.7446 -8.4540 0.0000
N x Bajo E -3.3419 0.0175 -1.9129 0.0559 * -1.3395 0.0101 -1.3236 0.1856
N x Pendiente E 2.3907 0.0168 1.4226 0.1550 2.2662 0.0080 2.8414 0.0045 *** Loma 240.71 0.8668 2.7771 0.0055
N x Loma 0.9512 0.0192 0.4959 0.6200 -0.9267 0.0094 -0.9818 0.3262 N x Bajo E 7.2797 0.0000 3.0062 0.0000
N² x Bajo E -0.0059 0.0001 -0.4519 0.6514 -0.0171 0.0001 -2.2803 0.0226 **
N² x Pendiente E -0.0018 0.0001 -0.1484 0.8820 -0.0010 0.0001 -0.1741 0.8618 N x Pendiente E -0.6473 0.0213 -0.3032 0.7617
N² x Loma 0.0077 0.0001 0.5466 0.5847 0.0182 0.0001 2.6355 0.0084 *** N x Loma -6.6324 0.0245 -2.7030 0.0069
Lambda N/A N/A N/A N/A 92.4822 0.0108 85.4199 0.0000 ***
Medidas de ajuste Prob Prob N² x Bajo E -0.0724 0.0000 0.0000 0.0000
R² ajustada 0.73 0.45 N² x Pendiente E 0.0190 0.0002 1.2270 0.2198
F-Test / Likelihood Ratio Test 539.39 0.0000 457.93 0.0000
Log Likelihood test -5107 -4060 N² x Loma 0.0534 0.0002 3.0311 0.0024
Akaike Information Criteria 10233 8138 Año 1998-99 2046.03 0.8003 25.5660 0.0000
Schwartz Criterion 10281 8186 69 70

Tests z grupales: Resultados:

Modelo VARIABLE Diferencia Varianza z-value Prob
de error Constante -856.6300 1.0996 -8.1700 0.0000
espacial
N -15.1162 0.0008 -5.4000 0.0000 Respuesta del maíz al N por posición
Cross- N² -0.0237 0.0000 -1.1900 0.1178
Section 75 75 Low E
Pendiente E 103.1150 1.6095 0.8100 0.2082
Time- Slope E
Series Loma 1269.3910 2.2360 8.4900 0.0000
65 65 Hilltop
N x Pend. E -2.7562 0.0014 -0.7500 0.2277
Yield, quintals/ha

N x Loma -11.2452 0.0018 -2.6600 0.0039

55 Low E 55
N² x Pend. E 0.0007 0.0000 0.0300 0.4889
N² x Loma 0.0702 0.0000 2.3300 0.0100 Slope E
45 45
Los resultados de los tests z grupales indican Hilltop

que los estimadores de la regresión son 35

0 20 40 60 80 100 120 140
35
0 20 40 60 80 100 120 140

significativamente diferentes entre años N, Kg/ha N, Kg/ha

1998-99, Húmeda, 963 mm 2000-01, seca, 624 mm

al 5% de significancia, porque los valores z
son mayores que z: Prob. = 0.05/(9*2) = 0.002778 71
Promedio 15 años: 839 mm.
72

12
 Resultados: Resultados:
Respuesta del maíz al 1er Kg de N Dosis óptimas de N
25 22.81 25 18.70
19.21 19.62
180 170.14 180
20 20 160 139.88 160
140 140
Kg
Corn, K

15 15
120 120
5.02 100 82.90

Kg/ha
Corn, Kg

10 10 100

Kg/ha
80 80
5 5
60 60
33.03
0 0 40 40
Low E Slope E Hilltop Low E Slope E Hilltop 0.00 0.00
20 20
-5
0 0
Low E Slope E Hilltop Low E Slope E Hilltop
-10 -7.56
Campaña húmeda Campaña Seca Campaña húmeda Campaña Seca
La respuesta es mayor La respuesta es mayor La loma recibe la dosis El bajo E recibe la dosis
en la pendiente E en el bajo E 73 Más alta más alta 74

Resultados: Resultados:
Retorno económico al N
100 88.35 85.19 100
90
80
90
80
Costo de indiferencia de la DV ($/ha)
70 70
60 60 Promedio
$/ha

$/ha

50 40.10
50
40
30
40
30
1998-99 2000-01 ponderado
15.29
20 20
10
0
10
0.00 0.00
36.81 17.31 2.09
0
Low E Slope E Hilltop Low E Slope E Hilltop

Campaña húmeda Campaña Seca

La pendiente E tiene los El bajo E tiene los
retornos al N más altos retornos más altos N
75 76

Análisis de
Resumen de resultados:
sensibilidad:
OLS SAR
Costo Interacciones Costo Interacciones
Campo Campaña indiferencia significativas indiferencia significativas
-1 -1
$ ha con N $ ha con N
Las Rosas 1998-99 3.28 0 7.65 3
Costo de indiferencia de la DV 2000 01
2000-01 5 99
5.99 2 4 31
4.31 3
Seco-Seco Seco-Húm. Húm.-Húm. Húm.-Seco La Morocha 1998-99 30.38 0 36.81 3
2000-01 20.84 4 17.31 4
$/ha El Piquete 1998-99 5.27 7 9.89 3
2000-01 N/A 0 N/A 1 al 10%
17.31 -25.35 36.81 -100.00

La predicción tiene que ser correcta casi el 77% Con SAR, la DV es más rentable y con más
del tiempo para que la rentabilidad de la DV sea interacciones estadísticamente significativas.
equivalente a la de la dosis uniforme.
77 78

13
Los modelos que usaron el brillo de las
fotografías aéreas y la relación rojo/NIR
resultaron en poco ajuste, signos Estructura de presentación
opuestos y falta de significancia de los
coeficientes estimados 1. Introducción
2. Economía de la producción
3. Econometría espacial
4. Sustentabilidad

Los resultados de elevación (en

lugar de áreas) fueron similares
79

Definiciones: Definiciones:
Sustentabilidad Sustentabilidad
Hartwick (1987) y Solow (1974):
“...habilidad de mantener constante el
La sustentabilidad abarca los impactos
consumo o la productividad a través de la económicos, ambientales, y
sustitución entre los recursos naturales y sociológicos del desarrollo (Caffey, 2001)
otras
t fformas d
de capital
it l creados
d por ell
hombre en el proceso productivo” Ecología

ONU (1972):
“…destinada a satisfacer las necesidades del
presente sin comprometer la capacidad de Sustentabilidad

Economía
futuras generaciones para satisfacer sus Sociología

propias necesidades.”
81 82

Definiciones: Sustentabilidad:
Agricultura Sustentable Debate ético:
(1989):
“Agricultura sustentable, en el largo plazo:
1. mejora la calidad del medio ambiente y de
La agricultura no puede ser
los recursos naturales de los que depende sustentable
t t bl sii se usan
la agricultura; prácticas no rentables o no
2. satisface las necesidades básicas de aceptables socialmente.
alimentación humana y de fibras;
3. es económicamente viable; y
4. mejora la calidad de vida de los
productores y de la sociedad en general”
83 84

14
 Sustentabilidad: Ejemplo de Argentina
Debate ético y A.P.
Si aceptamos que los insumos externos
Análisis Económico. Objetivo: maximizar rentabilidad
son necesarios, la A.P.:
π = ∑ Areai * [Pc * (α i + β i * N i + γ i * N i2 ) −r N *N i ]
4

1. Proporciona herramientas para manejar

i =1
eficiente los ins
insumos
mos q
quee deben importarse.
impo ta se
2. En vez de aplicar indiscriminadamente en Resultados.
Dosis Retorno ($/ha)
dosis uniformes, permite acercarse al Uniforme “agronómica” (36,8 kg) $495,44
balance biológico ideal. Uniforme “económica” (79,1 kg) $498,29
3. Requiere aceptar que la tecnología y el Variable (sin costo de $6/ha) $502,94
Variable (con costo de $6/ha) $496,94
conocimiento también son insumos Costo de indiferencia de la D.V. $7,51
externos. 85 86

Ejemplo de Argentina
Impacto ambiental.
Supuesto:
Restricción en la cantidad máxima de
fertilizante: 60 t. de N en 1.000 ha
(dosis uniforme máxima de 60 kg/ha)

Análisis Económico. Objetivo: maximizar rentabilidad

π = ∑ Areai * [Pc * (α i + β i * N i + γ i * N i2 ) −r N *N i ]
4

i =1 4
sujeto a una restricción: ∑N
i =1
i ≤ N Total
87 88

Ejemplo Ejemplo

Cantidades totales de N aplicadas con dosis uniforme y Análisis de sensibilidad:

con dosis variable (DV) bajo la restricción ambiental de
un máximo de 60 toneladas de N en 1.000 hectáreas. Resultados para restricciones de 60, 45 y 30
toneladas de N en 1.000 hectáreas:
C tid d total
Cantidad t t l de
d N aplicada
li d UUniforme
if DV N
DV-N Diferencia
Dif i
Bajo Este (Kg) 27% 15915 0 -15915 Retorno neto ($ / 1000 ha) Uniforme DV-N Diferencia
Pendiente Este (Kg) 21% 12704 5274 -7431
Dosis óptima "económica" 498293 502945 4652
Loma (Kg) 20% 12221 15981 3760
Pendiente Oeste (Kg) 32% 19160 38871 19711
Restricción de 60 kg/ha 497845 502792 4946
Total (Kg de N en 1000 has) 60000 60000 0 Restricción de 45 kg/ha 496518 501434 4915
Restricción de 30 kg/ha 494351 498613 4262

89 90

15
Conclusiones Conclusiones

El manejo sitio-específico del • El ejemplo de Argentina muestra cómo se

Nitrógeno puede: puede usar la información y la DV para
mantener la rentabilidad y reducir la
1) Reducir la cantidad de fertilizante cantidad
tid d de
d N aplicada.
li d
aplicada, • El análisis de sensibilidad indica que la AP es
2) Reducir la cantidad de N en áreas una alternativa modestamente rentable
sensibles, y para un amplio rango de restricciones, aún
cuando la cantidad de N se restringe a
3) Mantener constante la rentabilidad.
menos de la mitad de la dosis óptima.
91 92

Conclusiones ¿Preguntas?
La agricultura de precisión no
reemplaza otras prácticas de
la agricultura sustentable...

...sino que es un complemento,

que agrega más información y
proporciona más y mejores
oportunidades de manejo.
¡Gracias!
rodolfo_bongiovanni@yahoo.com

rbongiovanni@correo.inta.gov.ar
93

16