See

discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/294823761

Causas directas de la deforestación en las

tierras bajas de Bolivia - un análisis de
dinámicas espaciales

Article · October 2012

CITATIONS READS

0 368

5 authors, including:

Robert Müller Daniel Müller

Georg-August-Universität Göttingen Leibniz Institute of Agricultural Development…
17 PUBLICATIONS 242 CITATIONS 126 PUBLICATIONS 2,930 CITATIONS

SEE PROFILE SEE PROFILE

Florian Schierhorn Gerhard Gerold

Leibniz Institute of Agricultural Development … Georg-August-Universität Göttingen
21 PUBLICATIONS 342 CITATIONS 137 PUBLICATIONS 1,225 CITATIONS

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Governing oil palm landscapes for sustainability View project

Community management of tropical forests View project

All content following this page was uploaded by Robert Müller on 17 February 2016.

The user has requested enhancement of the downloaded file.

 Cuales son las causes directas de deforestación en las tierras bajas de Bolivia?
Un análisis de dinámicas espaciales

Robert Müllera,*, Daniel Müllerb,c, Florian Schierhornc, Gerhard Gerolda, Pablo Pachecod

* e-mail: robemule@yahoo.com
a
Institute of Geography, Department of Landscape Ecology,
Georg-August-Universität Göttingen, Goldschmidtstr. 5, 37077 Göttingen, Germany
b
Geomatics Lab, Geography Department, Humboldt-Universität zu Berlin,
Unter den Linden 6, 10099 Berlin, Germany
c
Leibniz Institute of Agricultural Development in Central and Eastern Europe (IAMO),
Theodor-Lieser-Str. 2, 06120 Halle (Saale), Germany
d
Center for International Forestry Research (CIFOR), Jalan CIFOR Situ Gede, Bogor Barat
16115, Indonesia

Resumen
Los bosques en las tierras bajas de Bolivia están expuestos a una deforestación muy seria, causada por diferentes
tipos de agentes y usos de suelo. Identificamos las tres causas directas de deforestación más importantes: La
mayor parte de deforestación se debe a la expansión de la agricultura mecanizada, seguida por la ganadería y la
agricultura manual. Aplicamos un modelo de regresión logística multinomial espacial (es decir, un modelo
basado en correlaciones estadísticas) para analizar los factores que influyeron en la expansión de cada una de las
causas directas de deforestación entre 1992 y 2004. Reforzamos estos análisis cuantitativos con un análisis
cualitativo de los procesos históricos que han configurado los patrones de uso de suelo hasta hoy en dia. Los
resultados del modelo de regresión logística sugieren que la expansión de la agricultura mecanizada corresponde
principalmente a un buen acceso a mercados de exportación, suelos fértiles y una precipitación intermedia. La
expansión de la agricultura manual está mayormente asociada con un clima más húmedo, suelos fértiles y la
cercanía de mercados locales. La conversión de bosques en pastizales para la ganadería parece ser bastante
independiente de condiciones ambientales y puede ser explicada en primer plano por el acceso a mercados
locales. Restricciones de uso de suelo – como las áreas protegidas – parecen prevenir la expansión de la
agricultura mecanizada, pero tienen poco efecto en la expansión de la agricultura manual y la ganadería. Un
análisis de tendencias de deforestación hacia el futuro permite identificar posibles centros de expansión de cada
una de las causas directas de deforestación.
El análisis cuantitativo permite entender los patrones espaciales de expansión agrícola entre 1992 y 2004;
mientras la interpretacióon de factores históricos muestra que el momento en el cual ocurre la deforestación, así
como la cantidad de bosques deforestados, depende a menudo de intervenciones políticas y factores históricos.

Publicación original: - Müller R, Müller D, Schierhorn F, Gerold G, Pacheco P (2012): Proximate causes of
deforestation in the Bolivian lowlands – an analysis of spatial dynamics. Regional Environmental Change.
September 2012, Volume 12(3): 445-459, http://link.springer.com/article/10.1007%2Fs10113-011-0259-0
Introducción
La reducción de la deforestación es una tarea de importancia global para mitigar el cambio climático y
conservar la biodiversidad (IPCC 2007). Bolivia se encuentra entre los diez países que perdieron más
bosque en la última década en números absolutos (FAO 2011). Aún así, quedan unos 400.000 km2 de
bosques tropicales de llanura intactos y con una biodiversidad muy alta (Killeen et al. 2007). La
deforestación resulta de diferentes usos de suelo realizados por diversos actores (Killeen et al. 2008).
Para comprender mejor los procesos y patrones de deforestación, analizamos los factores
determinantes de la expansión de los tres usos de suelo que son las primeras causas de la deforestación
en Bolivia, a saber: la agricultura mecanizada, la agricultura manual y la ganadería. A continuación
nos referimos a estas categorías como “causas directas de deforestación”. Estas causas directas
permiten explicar una parte muy importante de la deforestación en Bolivia y son relacionados con los
típicos grupos de actores. En otros estudios en la Amazonía Brasileña se aplicaron categorías similares
(ver por ejemplo Kirby et al. 2006). En el presente estudio aplicamos un análisis de regresión logística
multinomial a la conversión de los bosques en las tierras bajas de Bolivia entre 1992 y 2004,
utilizando las tres causas directas de deforestación como variables dependientes. El modelo permite
cuantificar los efectos de diferentes factores espaciales que influyen sobre la conversión de bosques
mediante la interpretación de coeficientes de correlación (Chomitz and Gray 1996; Müller y Zeller
2002; Munroe et al. 2004). Además, los resultados de la regresión pueden servir de base para elaborar
escenarios de deforestación en el futuro.

Un mejor conocimiento de las tendencias futuras de uso de suelo es importante para la toma de
deciciones políticas e intervenciones de gestión, por ejemplo en el contexto del mecanismo REDD
(Reducción de Emisiones por Deforestación y Degradación, ver Miles y Kapos 2008). No obstante,
hay que tener en cuenta que un análisis de regresión únicamente permite sacar conclusiones acerca de
las asociaciones estadísticas entre variables dependientes e independientes, sin explicar las
interacciones causales subyacentes entre dichas variables. Para ampliar los conocimientos de los
actuales cambios de uso de suelo y de los resultados de la regresión, analizamos el efecto de los
procesos históricos de uso de suelo, como por ejemplo programas estatales dirigidos al desarrollo de la
agricultura en cinco zonas de las tierras bajas de Bolivia.
El objetivo general de este estudio es comprender los procesos y las condiciones del cambio de uso de
suelo en las tierras bajas de Bolivia, basándonos por un lado en un análisis cuantitativo de regresión
para estudiar los cambios recientes, y por otro en un análisis cualitativo que permite determinar los
cambios históricos de uso de suelo. Los resultados sirven para proyectar patrones de deforestación
futura, que a su vez se pueden utilizar para desarrollar estrategias e instrumentos políticos dirigidos a
reducir la presión sobre los bosques existentes.

Material y métodos
Área de studio y uso de suelo histórico
El area de estudio incluye todos los bosques en las tierras bajas de Bolivia. Las tierras bajas se definen
como áreas por debajo de 500 msnm, cubriendo 670.000 km2 entre los Andes al Oeste y los países
vecinos en todas las demás direcciones. Actualmente, éste área incluye aproximadamente 400.000 km2
de bosque, correspondiendo al 90 % de la cobertura boscosa original. La tasa anual de deforestación
entre 1992 y 2004 se situó cerca del 0,5 % (Killeen et al. 2007), tasa comparable a la deforestación en
la Amazonía Brasileña en el mencionado periodo (FAO 2010). Las áreas sin cobertura natural de
bosque o donde los bosques se cortaron antes del 1992 se excluyeron del análisis (las savanas del Beni
al norte, el Pantanal al sureste así como las formaciones de Cerrado Chiquitano en el este).
Figura 1: Las tierras bajas de Bolivia. Fuente: Adaptado de Killeen et al. (2007) y USGS (2004).

Para el análisis cualitativo de los procesos históricos que han configurado los patrones de uso de suelo,
dividimos los bosques de las tierras bajas en cinco zonas (Figura 1). Previos estudios de Ibisch et al.
(2003), Montes de Oca (2004), Killeen et al. (2008), Navarro y Maldonado (2002) y Pacheco (1998)
proponen divisiones similares, aunque más detalladas.

La zona norte del área objeto de estudio (llamada “Norte Amazónico”) está cubierta por bosques
húmedos amazónicos y cuenta con una densidad poblacional muy baja. Hace 100-150 años, durante el
auge de la explotación de goma, se establecieron barracas gomeras que atrajeron una población
proveniente mayormente de otras zonas de las tierras bajas de Bolivia (Gamarra Téllez 2004).
Recientemente ha tenido lugar una migración desde el altiplano y de los valles del occidente boliviano.
Desde el colapso final de la economía gomera a mediados de los años ochenta, los usos de suelo más
importantes consisten en la extracción de la castaña (nuez de Brasil) y la extracción forestal (Stoian y
Henkemans 2000). La deforestación se debe principalmente a la ganadería en pastos originariamente
forestados (Pacheco et al. 2009).

La zona noroeste del área objeto de estudio (llamada “bosques preandinos del Norte”) comprende
bosques amazónicos muy húmedos. La mayoría de los habitantes son colonizadores nacionales que
llegaron en los últimos 30 años provenientes del occidente boliviano; cultivan arroz y cultivos
perennes tales como el plátano que requieren pocos insumos externos. Se trata de una migración
planeada y apoyada por los gobiernos entre los años 1960 y 1970 (Eastwood y Pollard 1985; Thiele
1995). Después, la migración mayormente ocurrió de manera espontánea por motivos de pobreza, por
ejemplo después del colapso de la minería de estaño en 1985 (Pacheco 2006a).
En la zona de Chapare (al este de Cochabamba, alrededores de Ivirgarzama, Figura 1), también juega
un papel importante el cultivo de la coca. En esta zona existen asimismo varias extensas TCOs
(Tierras Comunitarias de Origen) que pertenecen a diferentes pueblos indígenas de las tierras bajas.

Las áreas alrededor de Santa Cruz de la Sierra (“alrededores de Santa Cruz”) constituyen una zona
heterogénea en cuanto a vegetación, uso de suelo y población. Se encuentra en la zona transicional
entre los bosques amazónicos al norte, los bosques semi-deciduos de la Chiquitania al este y los
bosques secos de Chaco al sur (Navarro y Maldonado 2002). Los suelos aluviales al este del Río
Grande son muy fértiles (Gerold 2004). Tradicionalmente, la caña de azúcar ha sido el cultivo
principal cerca de Santa Cruz (Pacheco 2006a).
Desde 1980, la producción industrializada de soja se ha convertido en el uso de suelo más importante
(Hecht 2005); las condiciones preferenciales en los mercados andinos e incentivos a la exportación en
el contexto del ajuste estructural promovieron su desarrollo (Pacheco 2006a), así como un programa
de desarrollo financiado por donantes multilaterales (Baudoin et al. 1995; Gerold 2007). Otros usos de
suelo incluyen la ganadería y la agricultura manual (Pacheco 1998).
La mayor parte de la población de las tierras bajas vive en esta zona, especialmente dentro y cerca de
la ciudad de Santa Cruz, la ciudad más grande y con mayor crecimiento en Bolivia. Su población es
heterogénea y se compone de gente originaria de las tierras bajas, del occiente asi como de
inmigrantes de diferentes partes del mundo (Sandoval et al. 2003).

La zona al este del área objeto de estudio se llama “Chiquitania”; se caracteriza por bosques semi-
deciduos en suelos pobres del Escudo Precámbrico. Muchos de los asentamientos actuales los
fundaron los Jesuitas hace unos 300 años (Tonelli Justiniano 2004). El uso de suelo predominante en
el presente y el pasado es la ganadería, que se realiza tanto en pastizales naturales como en pastizales
que originariamente eran bosques (Killeen et al. 2008). La industria maderera también es un sector
económico importante. La población se compone mayormente de descendentes de indígenas de las
tierras bajas.

La parte sur del área objeto de estudio (“Chaco”) está escasamente poblada, con excepción del pie de
monte andino al oeste. La vegetación predominante consiste en los bosques secos de Chaco. Una gran
parte de la zona pertenece al parque nacional “Kaa-Iya del Gran Chaco”. Únicamente en el oeste hay
suficientes precipitaciones para permitir la ganadería y la agricultura (Killeen et al. 2008).

Tres causas directas de deforestación

Siguiendo el concepto de Geist y Lambin (2002), definimos tres mayores causas directas de
deforestación. Basamos la definición de las causas directas en las prácticas predominantes de uso de
suelo, estrechamente relacionadas con grupos sociales específicos.
La agricultura mecanizada se refiere a la producción intensiva de cultivos industriales anuales,
principalmente soja, caña de azúcar y arroz. El cultivo de soja suele combinarse con otros cultivos
como girasol o trigo en la época seca, y en las parte más húmedas también se realizan dos cosechas de
soja al año (CAO 2008).
La agricultura mecanizada se realiza típicamente en unidades de producción extensas, usando
maquinaria pesada y grandes inversiones financieras. Los agentes típicos son empresas bolivianas,
brasileñas o multinacionales, terratenientes nacionales medianos así como productores de origen
extranjero, sobre todo menonitas y japoneses.
Hasta cierto punto, la agricultura mecanizada, especialmente alrededor de San Julián (al sur de
Ascensión de Guarayos), también es practicada por colonos nacionales, tradicionalmente asociados a
la agricultura manual. La producción generalmente lleva al procesamiento de aceites o torta de soja en
Bolivia y su exportación a los mercados andinos. La agricultura mecanizada se concentra en el este y
el norte de la ciudad de Santa Cruz. En los 1990, la agricultura mecanizada se extendió sobre todo
hacia la planicie aluvial al este del Río Grande, aunque recientemente avanza más hacia el norte de
Santa Cruz (Killeen et al. 2007; Müller et al. 2011).
La agricultura a pequeña escala incluye diferentes formas de producción manual; principalmente se
cultivan arroz, maíz y cultivos perennes como el plátano. Los agentes correpondientes muchas veces
producen simultáneamente para su subsistencia y para los mercados. Sólo exportan una parte muy
pequeña de su producción. Esta categoría también comprende la crianza de ganado a pequeña escala.
Típicamente se cultivan unas dos hectáreas al año por familia en un sistema de chaqueo, muchas veces
abandonando los campos de cultivo despúes de pocos años. La mayoría de los productores a pequeña
escala son colonos nacionales provenientes del altiplano y de los valles interandinos (Killeen et al.
2008, que ocupan en primer lugar las áreas húmedas al pie de los Andes y al norte de Santa Cruz. En
esta última zona, los colonos están empezando a mecanizar la producción – donde esto ocurre, los
sistemas se incluyen bajo la categoría de “agricultura mecanizada”. La población de indígenas de las
tierras bajas es muy pequeña y su contribución a la producción agrícola así como a la deforestación es
muy baja (Pacheco 2006b).
La ganadería lleva a reemplazar los bosques por pastizales, mayormente para la producción de carne
para el mercado nacional (CAO 2008). En este artículo, solamente analizamos la expansión de la
ganadería en zonas boscosas y no consideramos la ganadería en las pampas naturales1. Casi toda la
producción se vende en el mercado nacional; en 2008, una sola empresa se dedicó a la exportación de
carne de res (CADEX 2008), dado que Bolivia no está oficialmente libre de la fiebre aftosa. El tamaño
de las unidades de producción varía desde pocas hasta varios miles de hectáreas. No obstante, un
sondeo de ganado realizado por el Servicio Nacional de Sanidad Agropecuaria e Inocuidad
Alimenticia (SENASAG) mostró que más del 50% del ganado en las tierras bajas pertenece a
estancias con más de 1.000 animales. En promedio, los niveles tecnológicos de producción y la
eficacia son bajos (Merry et al. 2002).
La ganadería se realiza en todas las tierras bajas, pero como causa de deforestacion es especialmente
importante en la Chiquitania y en el Norte Amazónico. La mayoría de los ganaderos son bolivianos,
pero el capital brasileño juega un rol importante, especialmente cerca de la frontera con Brasil (ver
Killeen et al. 2008).

El mapa de las causas directas de deforestación

Para elaborar un mapa de la expansión de las causas directas de deforestación, se aplicaron diferentes
pasos para atribuir estas categorías a las áreas deforestadas entre 1992 y 2004 (Figura 2). Se asume
que este periodo es suficientemente largo para reflejar tendencias fiables; también contamos con datos
aptos para este periodo. Tanto las áreas deforestadas como las áreas con bosque estable se
identificaron en base a Killeen et al. (2007), quienes distinguieron bosque y no-bosque en las tierras
bajas en cinco observaciones diferentes en el tiempo, incluyendo 1992 y 2004. Excluimos las clases

1
Estimamos que existen unas 1,5 miliones de cabezas de ganado en pastizales sembreados, basado en (CAO
2008).
“Cerrado” y “Deforestation in Cerrado” definidos por Killeen et al. (2007), porque estos tipos de
vegetación no cuentan con un dosel continuo, lo que complica la percepción de la deforestación.
Killeen et al. (2007) usaron una clasificación no-supervisada de imágenes Landsat manualmente
corregida, y validaron los resultados con videografía aérea. Para la zona del departamento de Santa
Cruz usamos un mapa existente de uso de suelo (Museo Noel Kempff y Prefectura de Santa Cruz
2008) para clasificar todas las áreas deforestadas entre 1992 y 2004; el mencionado mapa distingue
siete clases de usos agrícolas en reemplazo de bosques en 2005, que reclasificamos a las tres causas
directas de deforestación definidas en el presente estudio. El mapa tiene características similares al
mapa de Killeen et al. (2007) y fue preparado por la misma institución, el Museo de Historia Natural
Noel Kempff Mercado en Santa Cruz. Se basa en la clasificación de 20 imágenes de satélite Landsat y
fue mejorado en cooperación con las asociaciones mas importantes de productores agrícolas (Museo
Noel Kempff y Prefectura de Santa Cruz 2008). Fuera del departamento de Santa Cruz, utilizamos
diferentes fuentes para la localización de las causas directas de deforestación. Una primera
clasificación preliminar se basa en la descripción de los usos de suelo tradicionales referidos en la
descripción del área de estudio y en las estadísticas agrícolas de la CAO (2008). Las áreas
deforestadas en los Bosques Preandinos del Norte se atribuyeron a la agricultura a pequeña escala, las
áreas deforestadas en otras zonas (fuera de Santa Cruz) a la ganadería. Las estadísticas agrícolas de la
CAO (2008) demuestran que en 2004 prácticamente no existía agricultura mecanizada fuera del
departamento de Santa Cruz y que la producción de cultivos fue muy baja en el Norte Amazónico.

Paso Fuente de información

Delinear las áreas deforestadas entre 1992 y 2004 Teledetección por Kiilleen et al. (2007)

Atribuir las áreas deforestadas dentro del Mapa de uso de suelo en 2005 en Santa Cruz
departamento de Santa Cruz a las tres causas (Museo Noel Kempff y Prefectura de Santa Cruz
directas de deforestación 2008)

Atribuir las áreas deforestadas en el resto del área Uso de suelo tradicional prevaleciente (ver sección
de studio a las tres causas directas de deforestación sobre el área de estudio) y estadísticas agrícolas del
CAO (2008)

Refinar los resultados Instituto Nacional de Reforma Agraria INRA

(Pacheco 2006b); sondeo de ganado (Servicio de
Sanidad Animal SENASAG); evaluación visual de
imágenes de satélite CBERS en el Norte Amazónico
y en los Bosques Preandinos del Norte

Control cuantitativo de calidad Imágenes de satélite CBERS

Figura 2 Procedimiento para elaborar un mapa de las causas directas de deforestación. Fuente:
Autores.

Esta clasificación inicial se perfeccionó con datos espaciales no publicados del INRA (Instituto de
Reforma Agraria) que muestran el proceso de saneamiento en las tierras bajas (ver Pacheco 2006b) y
distinguen las tierras de producción de cultivos y ganaderas. Los resultados se ampliaron incorporando
datos de un sondeo no publicado del SENASAG que indica el número de cabezas de ganado por cada
propiedad en Bolivia. Finalmente, realizamos una evaluación visual de áreas críticas (Bosques
Preandinos del Norte y Norte Amazónico) usando imágenes satelitales CBERS (China-Brazil Earth
Resource Satellite, INPE 2010). La banda pancromática de CBERS (HRC, high-resolution camera)
tiene una resolución de 2,5 m y permite distinguir entre pastizales y agricultura mediante un análisis
visual cualitativo de criterios como forma, uniformidad y reflectancia de áras deforestadas. Los
patrones de deforestación por agricultura a pequeña escala generalmente consisten en muchas
pequeñas “manchas” rectangulares con diferentes densidades de vegetación. En cambio, las áreas
deforestadas para ganadería suelen ser más grandes y uniformes, frecuentemente con árboles
singulares remanentes y pequeños estanques de agua (ver ejemplos en el anexo).
Realizamos una validación cuantitativa del mapa final para el área dentro del departamento de Santa
Cruz, donde el mapa se basa en Museo Noel Kempff y Prefectura de Santa Cruz (2008). Se utilizaron
18 escenas CBERS HRC distribuidas en todo el departamento de Santa Cruz. Para cada una de las
causas directas de deforestación identificada en el mapa final, se seleccionaron 150 píxeles de manera
aleatoria dentro del área cubierta por las 18 imágenes de satélite. Las causas directas de deforestación
en los 450 píxeles se identificaron mediante una interpretación visual de las imágenes de satélite, y los
resultados se compararon con el mapa final. Encontramos una coincidencia del 88 % (promedio
ponderado del user's accuracy; el allocation disagreement fue del 6,5 % y el quantity disagreement
del 5,5 %, ver Pontius y Millones (2011) y detalles en el anexo).
Puede haber pequeños errores debido al tamaño diminuto de algunos claros para la agricultura a
pequeña escala o por cambios de usos agrícolas dentro del periodo analizado (1992-2004), por
ejemplo cuando desbosques por agricultura a pequeña escala fueron cubiertos por bosque secundario
antes del 2004.

Figura 3 Causas directas de deforestación y permanencia de bosque entre 1992 y 2004. Fuente:
Autores, basado en Fuentes indicadas en figura 2.
El mapa resultante (Figura 3) aproxima el cambio de uso de suelo en las tierras bajas basado en el
mejor nivel de datos e información actualmente disponibles. La Tabla 1 resume las contribuciones de
cada una de las causas directas a la deforestación entre 1992 y 2004.
La agricultura mecanizada causó el mayor impacto (54 %), seguida por la ganadería (27 %) y la
agricultura a pequeña escala (19 %). Killeen et al. (2008) encontraron una contribución mucho mayor
de la agricultura a pequeña escala, principalmente porque atribuyeron la deforestación en el noreste de
Bolivia a comunidades indígenas. En base a las diferentes fuentes mencionadas y nuestro
conocimiento del área, nosotros la atribuimos mayormente a la ganadería.

Tabla 1: Contribuciones de las tres causas directas a la deforestación entre 1992 and 2004. Fuente:
Autores.

Uso de Suelo Área Deforestada Porcentaje de la deforestation

2 a
(km ) total (%)
Agricultura mecanizada 10.110 53,7
Agricultura a pequeña 3.560 18,9
escala
Ganadería 5.170 27,4
Total deforestado 18.840 100,0
a 2
Bosque remanente 1992-2004: 399.060 km

Regresión logística multinomial

Elaboramos un modelo logístico multinomial espacialmente explícito (ver por ejemplo Chomitz y
Gray 1996; Hosmer y Lemeshow 2000; Menard 2002; Long y Freese 2006). La regresión logística
multinomial es la herramienta más apta en este caso porque la variable dependiente tiene una forma
categórica, estando compuesta de cuatro categorías no ordenadas: conversión de bosque a agricultura
mecanizada, agricultura a pequeña escala, ganadería así como bosque estable como catagoría base.
Nuestro análisis de regresión trata de explicar estas cuatro categorías en función de una serie de
variables independientes incluyendo factores geofísicos, socioeconómicos y políticos. Los coeficientes
de regresión se presentan con referencia a bosque estable como categoría base.
Para cada una de las causas directas, los resultantes coeficientes de regresión indican la dirección y la
fuerza de la influencia de cada variable independiente sobre la conversión de bosques y permiten
ordenar los factores segun su importancia (Munroe y Müller 2007).
La significancia de los coeficientes se mide por z-statistics (Long y Freese 2006). Presentamos los
resultados como coeficientes logit estandarizados y como odds ratios. Los coeficientes
estandardizados se pueden utilizar para comparar los efectos relativos de las diferentes variables
independientes y se calculan mediante la multiplicación de los coeficientes logit de una variable no
estandarizada por su desviación estándar (Long y Freese 2006; Müller et al. 2011).
La resolución espacial del análisis de regresión es de 500 m. También experimentamos con una
resolución más gruesa de 1 km para examinar posibles sesgos, sin encontrar diferencias significativas
en los resultados. Para corregir los efectos de una posible auto correlación espacial en la variable
dependiente, también calculamos modelos que sólo incluyeron celdas no adyacentes, mediante la
selección de cada segunda o cada tercera celda en ambas dirrecciones este-oeste y norte-sur (Besag
1974). Nuevamente no se hallaron diferencias significativas. Los coeficientes de correlación entre
variables independientes nunca sobrepasaron un valor de 0,8, establecido como límite crítico por
Menard (2002). Solamente dos pares de variables mostraron una correlación encima de 0,5: Riesgo de
sequía y suelos fértiles (0,74) así como suelos fértiles con suelos pobres (0,52). La exactitud de la
adaptación del modelo se examinó calculando el valor AUC (area under the curve of the receiver
operating characteristic, AUC ROC, Pontius y Schneider 2001; Pontius y Pacheco 2004).
Un valor AUC de 0,5 indica una exactitud igual a un modelo aleatorio, mientras un valor de 1 indica
una coincidencia perfecta. Con los coeficientes generados con el modelo también elaboramos mapas
de probabilidad de deforestación futura, aplicando las ecuaciones modeladas a los valores de las
variables independientes para todas las celdas del área de estudio.

Variables independientes
Las variables independientes incluyen factores geofísicos, costos de transporte y restricciones de uso
de suelos (tabla 2). La selección de variables se basa en el análisis de diversos estudios de
deforestación tropical (por ejemplo Geist y Lambin 2002; Kaimowitz y Angelsen 1998; Kirby et al.
2006; Mertens et al. 2004) y nuestra experiencia de campo en el área de estudio. Para reducir posibles
sesgos de endogenidad, es decir, sesgos causados por una influencia de la variable dependiente sobre
variables independientes, todas las variables independientes fueron definidas según su estado al inicio
del periodo evaluado. Cuando no disponemos de datos exactos de 1992, utilizamos la información mas
apta disponible, por ejemplo un mapa de concesiones forestales de 1997.

Variables geofísicas
Precipitación
Las variables con referencia a precipitación (Figura 4) se basan en un mapa de la precipitación anual
presentado en Soria-Auza et al. (2010). Este mapa se generó con una modelación que combina datos
de promedios a largo plazo de estaciones pluviométricas con topografía. Tranformamos los datos de
precipitación y creamos dos variables para representar mejor las condiciones climáticas que ponen
límites a la producción agrícola (Müller et al. 2011). La variable exceso de lluvia indica la cantidad de
lluvia que sobrepasa los 1.700 mm en pasos de 100 mm, es decir, un área con 1.800 mm de
precipitación recibe el valor de uno y un área con 2.000 mm recibe un valor de tres. Áreas con
precipitación por debajo de 1.700 mm reciben un valor de cero. La variable riesgo de sequía se
aproxima por el monto de precipitación por debajo de 1.100 mm en pasos de 100 mm, es decir un área
con 800 mm recibe un valor de tres. Áreas con una precipitación por encima de 1.100 mm reciben un
valor de cero.

Fertilidad de suelo
La fertilidad de suelo se representa por dos variables binarias basadas en tres categorías generalizadas
de suelo (Figura 4). Primero, definimos una variable llamada suelos ferralíticos con el valor uno para
los suelos del Escudo Precámbrico en la Chiquitania y los suelos pobres en el Norte Amazónico. En
estas áreas, los procesos de ferralización y deslave de arcilla formaron mayormente Ferralsols,
Plinthosols and Acrisols (Gerold 2001; Gerold 2004), con baja disponibilidad de nutrientes y bajos
contenidos de materia orgánica. Delimitamos la zona correspondiente en base al mapa geológico de
Bolivia (Servicio Geológico de Bolivia 1978) y el mapa de vegetación de Navarro y Ferreira (2007).
Después generamos una variable binaria llamada suelos fértiles donde el valor uno se refiere a una
zona de suelos aluviales entre el Río Grande y el Escudo Precámbrico hasta el sur de Bolivia; aquí se
encuentran Fluvisols con alta disponibilidad de nutrientes y altos contenidos de materia orgánica
(Gerold 2001). Los límites de esta zona se definieron siguiendo el criterio de expertos (Gerold 2001;
Gerold 2004; ver Müller et al. 2011). Las áreas donde ambas variables binarias tienen el valor cero
corresponden a los suelos aluviales con una fertilidad intermediaria que tienen una importante
influencia de ríos de aguas blancas (várzea); aquellas áreas fueron delimitadas según el criterio de los
autores con apoyo del mapa de Navarro y Ferreira (2007).

Figura 4 Riesgo de sequía, exceso de lluvia y fertilidad de suelos. Fuente: Autores; datos
pluviométricos de Soria-Auza et al. (2010).

Pendiente
Utilizamos el modelo digital de elevación Shuttle Radar Topography Mission (SRTM, USGS 2004)
para calcular los valores de la variable pendiente en grados en cada celda de cuadrícula. Los valores de
elevación del modelo SRTM se basan en la altura de la vegetación. Por esto, los valores de pendiente
en el borde de bosques parecen muy altos por la diferencia en alturas entre el piso y las copas de los
árboles. Para evitar este sesgo, juntamos todos los valores de pendiente entre 0-5° en un sola clase
(denominada “5°”) y agrupamos valores superiores en pasos de 1° de 6° - 46° (ver Müller et al. 2011).

Acceso a mercados
Calculamos costos de transporte como indicador del acceso a mercados (ver Figura 5). Para evitar
problemas originados por la endogeneidad de caminos (es decir, cuando se construyen caminos para
desarrollar ciertas áreas todavía forestadas, ver Müller y Zeller 2002), únicamente incluimos carreteras
mayores que conectan asentamientos principales (ver Müller et al. 2011). Para calcular los costos de
transporte, utilizamos una red de caminos de los 1990s que distingue entre carreteras pavimentadas y
caminos de tierra (Figura 5, basado en datos no publicados de la autoridad Boliviana de infraestructura
caminera Servicio Nacional de Caminos).
Los costos de transporte aplicados ascienden a 0,05 US$/(t km) para carreteras pavimentadas, 0,1 para
caminos de ripio y tierra y 0,5 para áreas sin caminos (Müller et al. 2011). Estimamos unos costos
promedios para transportar productos agrícolas desde el lugar de producción hasta los mercados
locales y los mercados de exportación. La variable coste de transporte a mercados locales se define
como costos de transporte en US$ por tonelada hasta el asentamiento más cercano con más de 5.000
habitantes.
La variable coste de transporte a mercados de exportación se define por los costos de transporte en
US$ por tonelada a los puertos principales de exportación de productos agrícolas, es decir la
“Hidrovía” por el Río Paraguay hacia el Atlántico y la carretera al Pacífico por las tierras altas de
Bolivia.
Para calcular la probabilidad de una futura deforestación, modificamos la red de caminos cambiando
la clase de determinados caminos de ripio y tierra a carretera pavimentada según la construcción de
caminos observada en los últimos años o planes de pavimentación en un futuro cercano (Figura 5).
También incluimos los costos de transporte a través de la carretera bi-oceánica en el Norte Amazónico
para incluir la futura accesibilidad a mercados de exportación.

Figura 5 Variables independientes relativas al acceso a mercados y restricciones de uso de suelo.

Fuentes: SERNAP, INRA y autores.

Variables relativas a restricciones de uso de suelo

Todas las variables relacionadas a restricciones de uso de suelo se muestran en la Figura 5. La variable
parques nacionales incluye a todas las áreas protegidas administradas por la autoridad nacional de
áreas protegidas (Servicio Nacional de Áreas Protegidas, SERNAP) con categoría de protección
estricta (parques nacionales, reservas de flora y fauna y áreas núcleo de reservas de biósfera). La
variable ANMIs (Áreas Naturales de Manejo Integrado) también representa áreas protegidas
administradas por el SERNAP, pero con un estatus de protección inferior. Los datos de parques
nacionales y ANMIs fueron facilitados directamente por el SERNAP y muestran el estado al principio
de los años 1990. La variable concesiones forestales resume áreas donde actores privados obtuvieron
el derecho a explotar madera durante un periodo de 40 años según la ley forestal de Bolivia (No.
1700). El mapa de concesiones forestales proviene de la anterior agencia forestal del estado
(Superintendencia Forestal) y muestra las concesiones en 1997. La variable TCOs se refiere a
propiedades rurales de comunidades indígenas; los datos correspondientes fueron facilitados por el
INRA y reflejan la situación al principio de los años 1990.

Variables potencialmente importantes que no se pudieron incluir

Existen otros factores adicionales que probablemente tengan influencia sobre los patrones de
deforestación en Bolivia, pero de los que no disponemos de datos apropiados. Entre ellos destacan el
riesgo de inundaciones, el drenaje de suelos y la tenencia de tierras (Müller et al. 2011). El proceso de
saneamiento de tierras en Bolivia aún no ha concluido (INRA 2010): en las áreas pobladas ya
deforestadas suele ser más avanzado que en las áreas boscosas con pocos habitantes. El uso de datos
incompletos podría haber causado un sesgo, motivo por el cual se excluyeron tales datos. Tampoco
utilizamos la variable “distancia a deforestación anterior” que frecuentemente tiene un alto valor
explicativo en modelos de deforestación (ver por ejemplo Kirby et al. 2006). No obstante y a parte de
su relevancia intrínseca, esta variable también representa a otras variables independientes que
formaron los patrones de deforestación en periodos anteriores. Por esto surgen problemas de
correlación cuando se incluye la variable “distancia a deforestación anterior” (ver Mertens et al. 2004;
Müller et al. 2011).

Tabla 2: Estadísticas descriptivas de variables independientes. Número de observaciones: 1,668,104.

Fuente: Autores

Variable Unidad Promedio Desviación Mínimo Máximo Año de la

estándar información
Exceso de lluvia 100 mm 1,22 3,44 0 43
Riesgo de sequía 100 mm 0,86 1,72 0 7
Suelos fértiles Binario 0,15 0,36 0 1
Suelos pobres Binario 0,61 0,49 0 1
Pendiente Grados 5,09 0,87 5 46
Costos de transporte US$/t 35,89 22,11 0 118,1 Red de
a mercados locales caminos a
mediados de
los 1990
Costos de transporte US$/t 118,05 32,37 30,2 203,8 Red de
a mercados de caminos a
exportación (puertos mediados de
marítimos) los 1990
Parques nacionales Binario 0,12 0,32 0 1 Principio de los
1990
ANMIs Binario 0,07 0,25 0 1 Principio de los
1990
Concesiones Binario 0,11 0,32 0 1 1997
forestales
TCOs Binario 0,09 0,28 0 1 Principio de los
1990
Probabilidad de deforestación futura
Generamos mapas de deforestación futura aplicando las ecuaciones modeladas a los valores de las
variables independientes en todas las celdas dentro del área de estudio que tuvieron bosque en el 2004.
Para las variables que representan el acceso a los mercados, utilizamos la red de caminos actualizada
(ver sección acceso a mercados). También elaboramos un mapa de uso de suelo pronosticado para
2030, asumiendo que para cada una de las tres causas directas de deforestación se deforesta la misma
superficie que entre 1992 y 2004. Es decir, asumimos que la tasa de deforestación así como su
contribución a la deforestación permanecen constantes (como en la tabla 1).
Las probabilidades adaptadas generadas a través de la regresión se interpretan como valores netamente
relativos de la probabilidad, mientras que la cantidad de conversión de bosques esperada se obtiene
mediante un proceso independiente (ver Pontius y Batchu 2003).
En el primer paso seleccionamos las celdas con las mayores probabilidades de deforestación para cada
causa directa hasta llegar a 2,17 veces el número de celdas deforestadas entre 1992 y 2004 (dado que
los 12 años entre 1992 y 2004 tienen que multiplicarse por 2,17 para llegar a los 26 años que median
entre 2004 y 2030). Este procedimiento llevó a una selección múltiple de algunas celdas, como si los
bosques fueran convertidos por más que una de las causas directas. En estos casos seleccionamos la
categoría con la probabilidad de deforestación más alta. Para las categorías no seleccionadas,
utilizamos celdas adicionales mediante una reducción del límite inferior de probabilidad. Este proceso
ha sido repetido hasta llegar al número esperado de celdas deforestadas para cada una de las
categorías. El mapa resultante muestra la probabilidad futura de deforestación por cada una de las
causas directas. El método aplicado aquí es similar al método del modelo CLUE-S (Verburg y
Veldkamp 2004).

Resultados
Dinámicas de cambio de uso de suelo
Los resultados de la regresión multinomial caracterizan las dinámicas de expansión de las tres causas
directas de deforestación (Tabla 3). Para nueve de las once variables independientes, los valores de
coeficientes estandarizados más altos corresponden a la agricultura mecanizada, lo que indica que el
poder explicativo del conjunto de variables independientes es el más alto para esta causa directa de
deforestación. Esta observación es también respaldada por el hecho de que el valor AUC es más alto
para el modelo de agricultura mecanizada (AUC=0,97, ver también anexos).
Los resultados de nuestro modelo sugieren que la agricultura mecanizada se expandirá principalmente
en áreas con un buen acceso a los mecardos de exportación y condiciones ambientales favorables.
Suelos fértiles incrementan la probabilidad de expansión de la agricultura mecanizada por el factor 15
(odds ratio = 14,77), mientras que en suelos pobres, resulta casi 50 veces menos probable que en el
resto del área. Un incremento de la precipitación anual en 100 mm en áreas húmedas reduce la
probabilidad de expansión de la agricultura mecanizada en un 50 %, y una reducción de la
precipitación por 100 mm en áreas áridas tiene un efecto similar.
Un aumento de la pendiente en un grado reduce la probabilidad de expansión de la agricultura
mecanizada en un 32 %. Las áreas con restricciones de uso de suelo frenan la agricultura mecanizada
de forma muy clara; se observa poca expansión en ANMIs, concesiones forestales o TCOs.
Prácticamente no hay agricultura industrializada en parques nacionales – esto explica el valor tan alto
del coeficiente. Este fenómeno también puede indicar que las áreas protegidas se establecieron en
regiones con baja aptitud para la agricultura mecanizada.
Tabla 3: Coeficientes logit estandarizados y odds ratios (en paréntesis). Fuente: Autores.

Unidad Agricultura Agricultura a Ganadería

mecanizada pequeña
escala
Exceso de lluvia 100 mm -2,56a 0,24 -0,06
(0,48) (1,07) (0,98)
Riesgo de sequía 100 mm -1,55 -2,82 -0,31
(0,40) (0,19) (0,84)
Suelos fértiles Binario (1/0) 2,69 2,24 1,40
(14,77) (9,40) (4,06)
Suelos pobres Binario (1/0) -3,85 -1,91 0,40
(0,021) (0,15) (1,48)
Pendiente Grados -0,34 -0,19 -0,15
(0,68) (0,81) (0,85)
Costos de transporte a mercados US$/t -0,35 -1,41 -1,83
locales (0,98) (0,94) (0,92)
Costos de transporte a mercados de US$/t -0,99 -0,87 -0,14
exportación (puertos marítmos) (0,97) (0,97) (1,00)
Parques nacionales Binario (1/0) -51,21 -0,10 -1,17
(0,00) (0,91) (0,31)
ANMIs Binario (1/0) -7,55 -1,61 -2,06
(0,001) (0,20) (0,13)
Concesiones forestales Binario (1/0) -1,63 -0,71 -0,78
(0,20) (0,49) (0,46)
TCOs Dummy -7,09 -0,77 -0,87
Binario (1/0) (0,001) (0,46) (0,42)
a
Coeficientes de variables binarias no estandarizados. Celdas sin cobertura de bosque en 1992 fueron excluidas.
Todos los coeficientes son significantes a nivel del 99 %. N = 1.668.104.

La expansión de la agricultura a pequeña escala se puede asociar principalmente al acceso a los

mercados locales, suelos fértiles y un clima húmedo. Un alto riesgo de sequía limita la probabilidad de
expansión de la agricultura a pequeña escala. En comparación con los demás usos de suelo, la
efectividad de las restricciones de uso es notablemente menor en el caso de la agricultura a pequeña
escala. La probabilidad de deforestación se reduce solamente en un 9 % por la presencia de áreas
protegidas. Las concesiones forestales y TCOs también muestran poca efectividad en cuanto a la
expansión de la agricultura a pequeña escala. El valor AUC es de 0,96, indicando una excelente
calidad de calibraje del modelo.
La expansión de la ganadería muestra una menor dependencia de las condiciones ambientales. El
promedio de los valores de coeficientes es notablemente menor que para las demás causas directas y el
valor AUC es de 0,84. Aunque los suelos fértiles incrementan la probabilidad de ganadería por el
factor cuatro, también se observa un efecto positivo por suelos pobres. Este resultado aparentemente
paradójico se explica probablemente por la baja competencia con otros usos de suelo en estas áreas. El
acceso a los mercados locales es importante para el patrón de expansión de la ganadería – una
reducción de los costos de transporte en 1 US$ por tonelada incrementa la probabilidad de expansión
en un 8 %. De hecho, se nota que la ganadería ha expandido en casi todas las áreas accesibles a lo
largo de las tierras bajas de Bolivia. El efecto de restricciones de uso de suelo sólo supera por poco el
de la agricultura a pequeña escala.
Probabilidad de deforestación futura
La evaluación de los mapas de probabilidad (Figura 6) muestra que la expansión de la agricultura
mecanizada tiende a concentrarse cerca de áreas ya bajo este uso de suelo y también al norte de
Ascención de Guarayos, cerca de la frontera con Brasil (Puerto Suarez) así como cerca de San
Buenaventura al norte del los bosques preandinos. La agricultura a pequeña escala probablemente se
expandirá en los Bosques Preandinos del Norte, pero cierta expansión también es pronosticada en
áreas con potencial de agricultura mecanizada. El potencial de expansión de la ganadería se distribuye
de manera más uniforme y amenaza prácticamente todos los bosques accesibles en las tierras bajas. La
probabilidad es especialmente alta en el Norte Amazónico, la Chiquitania y al suroeste de las tierras
bajas cerca de Villamontes. Estos resultados corresponden a la observación de que la ganadería es
relativamente independiente de condiciones ambientales. El mapa de probabilidad claramente
identifica las áreas cerca de Cobija, Riberalta, Concepción, San Ignacio de Velasco, San José de
Chiquitos y Villamontes como las más amenazadas por la conversión a pastizales para ganadería.

Figura 6 Probabilidades de expansion agrícola entre 2004 y 2030. Fuente: Autores.

En la parte derecha inferior de la figura 6, estas observaciones se combinan para representar el uso de
suelo pronosticado en el año 2030. El mapa muestra una expansión de las tres categorías de uso de
suelo cerca a las áreas donde actualmente ya se encuentran (comparando con Figura 3); es decir, la
agricultura mecanizada probablemente expanderá cerca de Santa Cruz, la agricultura a pequeña escala
en los Bosques Preandinos del Norte y la ganadería cerca de capitales de provincia en la Chiquitania y
en el Norte Amazónico. Adicionalmente, se ve una probable expansion de la agricultura mecanizada
hacia áreas cerca de Puerto Suarez y San Buenaventura. (No mostramos un mapa de probabilidad para
la categoría de bosque estable porque nuestro interés se centra en las probabilidades de deforestación.)

Discusión y evaluación cualitativa de los resultados de

regresión
El modelo logit multinomial permitió evaluar los factores espaciales que promovieron la deforestación
entre 1992 y 2004. Estos resultados son útiles porque dan pautas valiosas sobre las transiciones de uso
de suelo en el pasado reciente (tabla 3) y dan información sobre posibles escenarios futuros (Figura 6).
A continuación, primeramente discutimos la plausibilidad de los resultados del modelo y luego
conectamos estos resultados con el contexto del uso de suelo histórico en las tierras bajas de Bolivia
para analizar posibles factores históricos que no pueden ser representados por el modelo. No sorprende
que la expansión pronosticada de cada tipo de uso de suelo se concentra cerca de áreas ya bajo del
mismo uso de suelo, mostrando una creciente concentración espacial de las dinámicas de uso de suelo
en el área de estudio. El resultado resulta interesante en cuanto la distancia a la deforestación anterior
no ha sido incluida como variable independiente en el modelo. En el caso de la agricultura
mecanizada, el modelo pronostica posibles nuevos centros de expansión cerca de Puerto Suarez y San
Buenaventura (Figura 6). En los alrededores de Puerto Suarez, suelos aluviales con una fertilidad
intermedia y un buen acceso a mercados de exportación a través del Río Paraguay promueven la
expansión de la agricultura mecanizada. Adicionalmente, empresas transnacionales han iniciado
plantaciones experimentales de soja (CIAT Santa Cruz, Centro de Investigación Agrícola Tropical,
comunicación personal). En los alrededores de San Buenaventura, hay planes de establecer un
complejo agro-industrial para la producción y el procesamiento de caña de azúcar desde hace mucho
tiempo, y estos planes han sido reactivados por el gobierno actual (Malky y Ledezma 2010). Aquí, los
suelos tienen una calidad intermedia, pero el acceso a La Paz es bastante bueno. Por esto, la expansión
pronosticada de la agricultura mecanizada hacia estas dos áreas realmente representa probables
dinámicas futuras. El uso de suelo pronosticado para 2030 no solamente se basa en los resultados de la
regresión que muestran patrones espaciales, sino también en la hipótesis que la deforestación va a
seguir a la misma velocidad observada en el pasado. Esto es solo uno de muchos posibles escenarios
porque un cambio de factores macroeconómicos o políticos puede alterar la demanda de productos
agrícolas de manera contundente. Por ejemplo, la futura expansión de la agricultura mecanizada
dependerá de condicionces macroeconómicas como los precios de los productos agrícolas, tasas de
cambio o el éxito de los gobiernos bolivianos para negociar condiciones favorables de exportación
(ver Morton et al. 2006; Nepstad et al. 2006; Pacheco 2006a).

A continuación, pretendemos complementar la discusión de resultados de la regresión con un análisis

de dinámicas espaciales en un contexto histórico, para identificar factores adicionales que
probablemente influenciarán los patrones de uso de suelo en las diferentes zonas del área de estudio
(ver Liu et al. 2007). El desarrollo del Norte Amazónico se originó por el auge de goma hace 150 a 100
años. La ganadería primeramente se practicó como una actividad para abastecer las barracas de goma
(Gamarra Téllez 2004). Pero con el tiempo la ganadería se extendió hacia muchas areas accesibles,
muchas veces por caminos abiertos para la extracción de madera. En consecuencia, el acceso a los
mercados locales parece ser el factor más importante formando los partones de expansión de la
ganadería hasta hoy en día. Esto parece plausible y confirma los resultados del modelo de regresión
que indica una relativa indiferencia hacia las condiciones ambientales. Adicionalmente, el bajo grado
de desarrollo de otras actividades agrícolas en el Norte Amazónico – probablemente también a causa
de la competencia de la economía de la castaña (nuez de Brasil) – coincide con el resultado del modelo
en que la ganadería es prácticamente la única forma viable de producción en los suelos pobres del
Escudo Precámbrico.
Los patrones de uso de suelo en los Bosques Preandinos del Norte fueron originalmente formados por
asentamientos de migrantes nacionales (colonos) desde el occidente de Bolivia que practicaron la
agricultura a pequeña escala; estos asentamientos inicialmente habían sido planeados a nivel
gubernamental. Un factor importante para el establecimiento de estos asentamientos probablemente
fue la relativa cercanía a las áreas de origen de los colonos porque éstos suelen mantener nexos fuertes
con sus tierras de procedencia en los valles interandinos y el altiplano. Por este motivo el modelo de
regresión podría sobrestimar la importancia de condiciones climáticas para la expansión de la
agricultura a pequeña escala, dado que no tiene en cuenta la persistencia de nexos culturales.
En las Cercanías de Santa Cruz, los menonitas y los japoneses son agentes importantes de la
agricultura mecanizada. Entre 1950 y 1970, las tierras fueron asignadas a estos colonos de origen
extranjero con el objetivo de fomentar la producción de caña de azúcar y algodón para el mercado
nacional como parte del programa político de substitución de importaciones (Pacheco 2006a).
Estos programas influenciaron los patrones de agricultura mecanizada notablemente, pero – ya que el
potencial agrícola del área fue conocido – también promovieron la occupación de tierras dentro del
potencial espacial identificado por el modelo de regresión. Lo mismo es válido para el programa de
apoyo al desarrollo agrícola por donantes multilaterales al inicio de los 1990 dentro de la llamada
“zona de expansión” al este de Santa Cruz de la Sierra (Baudoin et al. 1995; Hecht 2005; Gerold
2007).
En la Chiquitania, donde la ganadería es la actividad económica predominante, los patrones de uso de
suelo fueron originalmente implantados por misiones de Jesuítas (Tonelli Justiniano 2004). Igual que
en el Norte Amazónico, el predominio de la ganadería se debe probablemente a la pobre calidad de los
suelos que representa una limitación importante para otras actividades agrícolas, lo que también encaja
con los resultados de la regresión.
La discusión muestra que el modelo de regresión y los mapas de probabildad de deforestación futura
llevan a resultados plausibles, pero solamente reflejan una parte de las dinámicas de cambio de uso de
suelo. Un análisis histórico del uso de suelo permite descubrir factores que no pueden ser incluídos en
un modelo de regresión. Tales factores no solamente influenciaron los procesos en el pasado, sino que
también pueden ser importantes para desarrollos futuros, con el potencial de causar importantes
desviaciones de las predicciones de uso de suelo. Por ejemplo, es posible que el fuerte apoyo político
del gobierno actual a los colonos del occidente de Bolivia así como el interés de ganar influencia
política en el Norte Amazónico lleve a una expansión más fuerte de la agricultura a pequeña escala
que el señalado en nuestro modelo.

Conclusiones
Investigamos las dinámicas espaciales de la expansión de las tres principales causas directas de
deforestación en las tierras bajas de Bolivia. La agricultura mecanizada fue la primera causa de
deforestación, seguida por la ganadería y la agricultura a pequeña escala. Para el periodo entre 1992 y
2004 estimamos un modelo multinomial de regresión logística con las tres causas directas de
deforestación como categorías de variables dependientes. El conjunto de variables independientes
incluye la aptitud agrícola de las diferentes áreas debida a factores ambientales, la accesibilidad y las
restricciones de uso de suelo. Los resultados de la regresión se aplican para pronosticar la futura
expansión agrícola hacia los bosques en todas las tierras bajas. En un análisis cualitativo
complementario analizamos los factores históricos que han formado los patrones de uso de suelo. De
esta manera, los resultados de la regresión se pusieron en un contexto más amplio, enriqueciendo la
discusión de los resultados de la regresión y permitiendo un análisis más profundo del riesgo futuro de
deforestación.
Los resultados del modelo sugieren que la agricultura mecanizada se expandirá en áreas con un buen
acceso a los mercados internacionales y condiciones ambientales favorables, mientras restricciones de
uso de suelo efectivamente previenen la expansión de la agricultura mecanizada. La futura conversión
de bosques en agricultura mecanizada se dará probablemente al norte y sur de su extensión actual,
pero también se podrían abrir nuevas fronteras de agricutura mecanizada cerca de Puerto Suarez y San
Buenaventura. La expansión de la agricultura a pequeña escala es pronosticada para áreas con un
clima húmedo, suelos fértiles y un buen acceso a los mercados locales. Las restricciones de uso de
suelo tienen poco efecto sobre esta categoría. En el futuro, la agricultura a pequeña escala
probablemente seguirá expandiéndose en los Bosques Preandinos del Norte. La conversión de bosques
en pastizales para la ganadería se muestra relativamente independiente de factores ambientales; el
factor determinante es el buen acceso a los mercados locales. Las restricciones de uso de suelo
tampoco tienen mucho efecto sobre la ganadería. Su expansión futura probablemente afectará los
bosques accesibles en prácticamente todas las tierras bajas.
Nuestros resultados pueden servir para desarrollar políticas destinadas a la reducción de la
deforestación, por ejemplo en el contexto de REDD. Un elemento importante para tales políticas
podría ser un plan nacional de uso de suelo que permite la expansión hacia ciertas áreas aptas y lo
restringe en otras áreas. Así se podría evitar la apertura de nuevas fronteras agrícolas, especialmente
en el caso de la agricultura mecanizada.
La regulación de la agricultura a pequeña escala, que en el pasado causó una deforestación mucho
menor, podría ser incluso mas difícil dado que las restricciones de uso de suelo se respetan poco y los
costos de monitoreo pueden llegar a ser altos debido al gran número de actores. La mitigación de la
deforestación causada por la agricultura a pequeña escala puede ser importante en el Norte
Amazónico, donde existe el riesgo de una expansión significativa a pesar de la baja aptitud de suelos.
Para reducir la conversión de bosques a pastizales para la ganadería, que amenaza bosques en muchas
partes de las tierras bajas, la aplicación consecuente de las leyes existentes parece ser una medida
adecuada y podría evitar grandes desbosques ilegales (Superintendencia Forestal 2006).
El análisis de regresión presentado aquí ayuda a distinguir dinámicas específicas de conversión de
bosques por diferentes causas directas. El modelo también permite calcular la probabilidad de una
futura expansión agrícola. Sin embargo, se destaca también la importancia de tomar en cuenta el
contexto histórico. Especialmente los momentos y las cantidades de deforestación se explican mejor
por factores históricos como la implementación de programas políticos, que no se pueden incluir en
modelos. Los modelos de regresión constituyen herramientas importantes para analizar los patrones de
recientes cambios de uso de suelo de manera cuantitativa. Pero un análisis complementario dentro de
un contexto histórico puede aumentar considerablemente el valor de los resultados para aplicaciones
políticas y una gestión eficaz.
Agradecimientos
Estamos agradecidos al Museo de Historia Natural Noel Kempff Mercado en Santa Cruz de la Sierra y
a Conservación Internacional Bolivia por compartir sus extensos datos de deforestación. Varias
instituciónes bolivianas y personas individuales ayudaron con datos y apoyo durante el trabajo de
campo, especialmente el Centro de Investigación y Promoción del Campesinado (CIPCA), la
Fundación Amigos de la Naturaleza (FAN), la Fundación NATURA Bolivia y la Fundación para la
Conservación del Bosque Seco Chiquitano (FCBC). Peter Böhner contribuyó con un mapa de
precipitación promedia anual. Dos revisores anónimos ayudaron a mejorar el artículo con comentarios
valiosos. También agradecemos a la Deutsche Forschungsgemeinschaft (DFG) por el financiamiento.

Referencias
Baudoin M, Gerold G, Hecht S, Quintanilla O, Roca C (1995) Evaluación del Proyecto Tierras Bajas del Este:
Proyecto de Manejo de Recursos Naturales y de Producción Agropecuaria. World Bank; Kreditanstalt fur
Wiederaufbau, CORDECRUZ. World Bank, Washington DC
Besag JE (1974) Spatial interaction and the statistical analysis of lattice systems. Journal of the Royal Statistical
Society Series B 36: 192-236
CADEX (Cámara de Exportadores de Santa Cruz) (2008) Statistical information on Bolivia exports, available on
request. CADEX, Santa Cruz, Bolivia
CAO (Cámara Agropecuaria del Oriente) (2008) Números de nuestra tierra. Statistical agricultural information
available on CD-ROM at the Cámara Agropecuaria del Oriente, Santa Cruz, Bolivia
Chomitz K, Gray D (1996) Roads, land use and deforestation: A spatial model applied to Belize. Word Bank
Economic Review 10 (3): 487-512
Eastwood D, Pollard H (1985) The Development of Colonization in Lowland Bolivia: Objectives and
Evaluation. Boletín de Estudios Latinoamericanos y del Caribe 38: 61-83
FAO (Food and Agriculture Organization of the United Nations) (2010). Global Forest Resources Assessment
2010. Food and Agriculture Organization of the United Nations, Rome www.fao.org/forestry/fra/fra2010/en/.
Accessed November 2009
Gamarra Téllez M. (2004) Amazonía Norte de Bolivia - Economía Gomera. Colección Colegio Nacional de
Historiadores de Bolivia, producciones CIMA editores. La Paz, Bolivia.
Geist HJ, Lambin EF (2002) Proximate Causes and Underlying Driving Forces of Tropical Deforestation.
Bioscience 52: 143–150
Gerold G (2001) The pedo-ecological consequences of different land use-systems in the Lowlands of Bolivia
(Dep. of Santa Cruz). In: García-Torres L, Benites J, Martinez-Vilela A (Eds.) Conservation Agriculture, A
Worldwide Challenge, vol 2, ECAF-Madrid, pp 275-279
Gerold G (2004) Soil: The foundation of biodiversity. In: Ibisch PL, Mérida G (eds.) Biodiversity: the richness
of Bolivia. Fundación Amigos de la Naturalzea, Santa Cruz, Bolivia, pp 17-31
Gerold G (2007) Agrarkolonisation – Entwicklungschancen durch Globalisierung oder Raubbau natürlicher
Ressourcen. Kieler Geographische Schriften 117: 23-52
Hecht S (2005) Soybeans, Development and Conservation on the Amazon Frontier. Development and Change 36
(2): 375–404
Hilbe JM (2009) Logistic Regression Models. Chapman & Hall/CRC, Boca Raton
Hosmer D, Lemeshow S (2000) Applied Logistic Regression (2nd Edition). John Wiley & Sons Inc., New York
Ibisch PL, Beck SG, Gerkmann B, Carretero A (2003) Ecorregiones y ecosistemas. In: Ibisch PL, Mérida L (eds)
Biodiversidad: La riqueza de Bolivia. Editorial FAN, Santa Cruz de la Sierra, Bolivia, pp. 47–88
INPE (Instituto Nacional de Pesquisas Espaciais) (2010): Collection of CBERS satellite images.
http://www.inpe.br/index.php. Accessed December 2010
INRA (Instituto Nacional de Reforma Agraria) (2010) Notas de Prensa. http://www.inra.gob.bo. Accessed
February 2011
IPCC (Intergovernmental Panel on Climate Change) (2007) Climate Change 2007: The Physical Science Basis.
http://www.ipcc.ch/ipccreports/ar4-wg1.htm. Accessed February 2010
Kaimowitz D, Angelsen A (1998) Economic Models of Tropical Deforestation: A Review. Center for
International Forestry Research. Bogor, Indonesia
Killeen TJ, Calderon V, Soria L, Quezada B, Steininger MK, Harper G, Solórzano L, Tucker C (2007) Thirty
Years of Land-Cover Change in Bolivia. AMBIO 36 (7): 600-606
Killeen TJ, Guerra A, Calzada M, Correa L, Calderon V, Soria L, Quezada B, Steininger MK (2008) Total
Historical Land-Use Change in Eastern Bolivia: Who, Where, When, and How Much? Ecol Soc 13 (1): 36.
http://www.ecologyandsociety.org/vol13/iss1/art36/. Accessed June 2009
Kirby KR, Laurance WF, Albernaz AK, Schroth G, Fearnside PM, Bergen S, Venticinque EM, da Costa C
(2006) The future of deforestation in the Brazilian Amazon. Futures, 38 (4): 432-453
Long JS, Freese J (2006) Regression Models for Categorical Dependent Variables Using Stata. Stata Press,
College Station, TX
Liu J, Dietz T, Carpenter SR, Alberti M, Folke C, Moran E, Pell AN, Deadman P, Kratz T, Lubchenco J, Ostrom
E, Ouyang Z, Provencher W, Redman CL, Schneider SH, Taylor WW (2007) Complexity of Coupled Human
and Natural Systems. Science 317: 1513-1516
Malky A, Ledezma J (2010) Factibilidad económica y financiera de la producción de caña de azúcar y derivados
en el norte del departamento de La Paz. Conservation Strategy Fund, Serie Técnica 18, La Paz, Bolivia
Menard S (2002) Applied logistic regression analysis (2nd edition). Thousand Oaks, CA.
Mertens B, Kaimowitz D, Puntodewo A, Vanclay J, Mendez P (2004) Modeling Deforestation at Distinct
Geographic Scales and Time Periods in Santa Cruz, Bolivia. International Regional Science Review 27 (3):
271-296
Merry FD, Hildebrand PE, Pattie P, Carter DR (2002) An analysis of land conversion from sustainable forestry
to pasture. A case study in the Bolivian Lowlands. Land Use Policy, 19(3): 207–219
Miles L, Kapos V (2008) Reducing Greenhouse Gas Emissions from Deforestation and Forest Degradation:
Global Land-Use Implications. Science 320: 1454-1455
Montes de Oca I (2004) Enciclopedia Geográfica de Bolivia. Editora Atenea. La Paz, Bolivia
Morton DC, DeFries RS, Shimabukuro YE, Anderson LO, Arai E, del Bon Espirito-Santo F, Freitas R, Morisette
J (2006) Cropland expansion changes deforestation dynamics in the southern Brazilian Amazon. Proceedings
of the National Academy of Sciences 103(39): 14637 - 14641
Müller R, Müller D, Schierhorn F, Gerold G (2011) Spatiotemporal modeling of the expansion of mechanized
agriculture in the Bolivian lowland forests. Applied Geography 31(2): 631-640
Müller D, Zeller M (2002) Land-use dynamics in the Central Highlands of Vietnam: A spatial model combining
village survey data with satellite imagery interpretation. Agricultural Economics 27 (3): 333-354
Munroe DK, Müller D (2007) Issues in spatially explicit statistical land-use/cover change (LUCC) models:
Examples from western Honduras and the Central Highlands of Vietnam. Land Use Policy (24): 521-530
Munroe DK, Southworth J, Tucker CM (2004) Modeling Spatially and Temporally Complex Land Cover
Change: The Case of Western Honduras. Professional Geographer 56(4): 544-559
Museo Noel Kempff and Prefectura de Santa Cruz (2008) Cobertura y Uso Actual de la Tierra. Land use map of
the Santa Cruz department. Santa Cruz, Bolivia.
www.museonoelkempff.org/sitio/descargar_archivo.php?id=3134. Accessed June 2011
Navarro G, Ferreira W (2007) Mapa de Vegetación de Bolivia a escala 1:250.000. On CD-ROM. The Nature
Conservancy (TNC), RUMBOL. Cochabamba, Bolivia
Navarro G, Maldonado M (2002) Geografía ecológica de Bolivia. Vegetación y ambientes acuáticos. Fundación
Simón I. Patiño. Cochabamba, Bolivia
Nepstad DC, Stickler CM, Almeida OT (2006) Globalization of the Amazon soy and beef industries:
opportunities for conservation. Conserv. Biol. 20: 1595–1603
Pacheco P (1998) Estilos de desarrollo, deforestación y degradación de los bosques en las tierras bajas de
Bolivia. CIFOR, CEDLA, TIERRA. La Paz, Bolivia
Pacheco P (2006a) Agricultural expansion and deforestation in lowland Bolivia: the import substitution versus
the structural adjustment model. Land Use Policy 23: 205-225
Pacheco P (2006b) Acceso y uso de la tierra y bosques en Bolivia: sus implicaciones para el desarrollo y la
conservación. UDAPE, La Paz, Bolivia
Pacheco P, Ormachea E, Cronkleton P, Albornoz MA, Paye L (2009) Trayectorias y tendencias de la economía
forestal extractiva en el norte amazónico de Bolivia. CIFOR, CEDLA, RRI. La Paz, Bolivia
Pontius RG, Batchu K (2003) Using the relative operating characteristic to quantify certainty in prediction of
location of land cover change in India. Transactions in GIS 7(4): 467-484
Pontius RG, Millones M (2011) Death to Kappa: birth of quantity disagreement and allocation disagreement for
accuracy assessment. International Journal of Remote Sensing 32 (15): 4407-4429
Pontius RG, Pacheco P (2004) Calibration and validation of a model of forest disturbance in the Western Ghats,
India 1920 - 1990. GeoJournal 61(4): 325-334
Pontius RG, Schneider L (2001) Land-cover change model validation by an ROC method for the Ipswich
watershed, Massachusetts, USA. Agriculture, Ecosystems and Environment 85: 239–248
Sandoval CD, Sandoval AV, del Río MA, Sandoval F, Mertens C, Parada C (2003) Santa Cruz – Economía y
poder. Fundación PIEB. La Paz, Bolivia
Soria-Auza RW, Kessler M, Bach K, Barajas-Barbosa PM, Lehnert M, Herzog S, Böhner J (2010) Impact of the
quality of climate models for modelling species occurrences in countries with poor climatic documentation: a
case study from Bolivia. Ecological Modelling 221: 1221-1229
Stoian D, Henkemans AB (2000) Between Extractivism and Peasant Agriculture: Differentiation of Rural
Settlements in the Bolivian Amazon. International Tree Crops Journal 10 (4): 299-319
Servicio Geológico de Bolivia (1978) Mapa Geológico de Bolivia, 1:1,000000. Servicio Geológico de Bolivia.
La Paz, Bolivia
Superintendencia Forestal (2006) Avance de la deforestación en Bolivia. Tasa anual de deforestación en los años
2004 y 2005. Superintendencia Forestal, Santa Cruz de la Sierra, Bolivia
Thiele G (1995) La dinámica del asentamiento campesino en la frontera agrícola en Santa Cruz. Revista Ruralter
(13/14): 109-146
Tonelli Justiniano O (2004) Reseña histórica social y económica de la Chiquitania. Editorial El País. Santa Cruz,
Bolivia
USGS (U.S. Geological Survey) (2004) 3 Arc Second SRTM Elevation model, Unfilled Unfinished 2.0. Global
Land Cover Facility, University of Maryland, Maryland. http://www.landcover.org/data/srtm/. Accessed
November 2009
Verburg PH, Veldkamp A (2004) Projecting land use transitions at forest fringes in the Philippines at two spatial
scales. Landscape Ecology 19 (1): 77-98
Verburg PH, Kok K, Pontius RG, Veldkamp A (2006) Modeling land-use and landcover change. In: Lambin EF,
Geist HJ (Eds.) Land-use and land-cover change: local processes and global impacts, Springer, Berlin, pp. 117-
135
Anexo
Validación del mapa de las causas directas de deforestación (figura 3)

Dentro del area del departamento de Santa Cruz, se realizó una validación cuantitativa del mapa final,
ya que en esta área el mapa se basa en Museo Noel Kempff y Prefectura de Santa Cruz (2008). La
validación utilizó 18 escenas del satélite CBERS HRC (China-Brazil Earth Resource Satellite, High
Resolution Camera), con una resolución de 2,5 metros. Las imágenes están distribuídas sobre todo el
departamento de Santa Cruz. Para cada una de las causas directas de deforestación identificada en el
mapa final, se seleccionaron 150 píxeles de manera aleatoria, dentro de las 18 escenas CBERS HRC.
En este conjunto de 450 píxeles, se identificaron las causas directas de deforestación mediante una
evaluación visual de las imágenes de satélite, y los resultados se compararon con el mapa final. Se
encontró una coindicendia de 88% (como promedio ponderado del user’s accuracy). El allocation
disagreement fue de 6.5% y el quantity disagreement de 5.5% (ver Pontius and Millones 2011).

Patrones de deforestación por la agricultura a pequeña escala generalmente consisten un varios

rectangulos de diferentes tamaños y reflectacias, mientras pastizales establecidos para ganadería
tienden a ser más largos, más uniformes y a menudo con árboles remanentes aíslados así como pozos
de agua. La agricultura mecanizada es caracterizada por claros extensos con formas geométricas;
muchas veces se distinguen surcos y cortinas rompeviento (pero también existen desmontes para
ganadería en callejones parecidos a cortinas rompeviento). Las reflectancias pueden variar
considerablemente debido al mosáico de diferentes fases en el calendario agrícola.

Tabla 4: Matriz de confusión según Pontius and Millones (2011)

Mapa de causas directas de deforestación

Agricultura Producer's accuracy
Agricultura a pequeña Producer's adjustada por tamaño de
mecanizada escala Ganadería Total accuracy clases
Agricultura
mecanizada 129 3 9 141 91% 96%
Interpretación Agricultura a
CBERS pequeña
escala 3 139 8 150 93% 87%
Ganadería 18 8 133 159 84% 77%
Total 150 150 150 450
User's
accuracy 86% 93% 89%

Tabla 5: Evaluación de a exactitud (accuracy assessment, según Pontius and Millones 2011)

Resultados adjustados por tamaños de clase

Promedio ponderado del user’s accuracy (proportion
agreement) 88.0%
Allocation disagreement 6.5%
Quantity disagreement 5.5%
Figura 7: Ejemplos para la identificación de las causas directas de deforestación con imágenes CBERS
HRC (agricultura mecanizada en rojo, agricultura a pequeña escala en rosado y ganadería en amarillo)

a) Norte de Santa Cruz

b) Sur de Santa Cruz

c) Este de Riberalta
View publication stats

Figura 3 in mejor resolución: Causas directas de deforestación 1992-2004