ADMINISTRACIÓN DE UN RECURSO PESQUERO RENOVABLE

MEDIANTE MODELOS DE OPTIMIZACIÓN ESTOCÁSTICA.

Víctor Albornoz
Departamento de Industrias
Universidad Técnica Federico Santa María
Av. Santa María 6400. Santiago.
victor.albornoz@ind.utfsm.cl

Cristian Canales
División de Evaluación de Pesquerías Nacionales
Instituto de Fomento Pesquero
Av. Blanco 839. Valparaíso.
ccanales@ifop.cl

Resumen En este trabajo se resume lo realizado por los autores para el manejo
de la pesquería del langostino en Chile, en relación con el cálculo de una cuota de
captura anual para este recurso renovable, mediante la formulación y resolución
de un modelo de Programación Estocástica No-Lineal en Dos-Etapas, bajo
condiciones de incertidumbre en las tasas de crecimiento y niveles máximos que
puede alcanzar la población. La incertidumbre es incorporada a través de una
variable aleatoria discreta (escenarios) cuyos valores y probabilidades se obtienen
haciendo uso de una técnica de muestreo. Se exhibe los principales resultados
alcanzados en el empleo de esta metodología.

Palabras clave: Programación Estocástica, Manejo de Recursos Renovables y

Naturales

1. Introducción
En el presente trabajo se describe la metodología empleada por los autores para la
planificación y control de la explotación del langostino (colorado y amarillo), que
permite un manejo sustentable de este recurso natural en el largo plazo. A nivel
mundial, Chile es la quinta potencia pesquera según el volumen de capturas,
detrás de Japón, Rusia, China y Estados Unidos. A su vez, los recursos
económicos generados por el sector pesquero chileno representan
aproximadamente un 10% del total de las exportaciones. El año 2001, por
ejemplo, aportó 1861,1 millones de dólares. Las capturas corresponden a cuatro
tipos de recursos marinos: peces, algas, moluscos y crustáceos. Dentro de estos
últimos existen más de 20 especies que se comercializan y exportan, como ser
camarones, langostinos, centollas y langostas, por mencionar sólo algunos. En el
caso particular del langostino (colorado y amarillo), desde 1993 a la fecha su
extracción está regulada por la Ley General de Pesca y Acuicultura No.18.892 del
Ministerio de Economía Fomento y Reconstrucción, que estableció cuotas
máximas de captura (en porcentaje) por armador, correspondiéndole a la
Subsecretaría de Pesca fijar una cuota anual de captura en toneladas.
La intervención del Estado en la actividad pesquera extractiva persigue dos
grandes objetivos, primero, la conservación biológica de los recursos y los
ecosistemas marinos que los sostienen, de modo de garantizar la sustentabilidad
en el largo plazo, y segundo, reducir las deficiencias económicas asociadas a la
sobre inversión general en el sector.
Este trabajo contempla la formulación y posterior resolución de modelos de
Programación Estocástica de Dos Etapas para la determinación de una cuota de
extracción anual, sobre un determinado horizonte de planificación de largo plazo.
Dichos modelos permiten obtener una solución que maximiza los beneficios
relacionados con la explotación de la especie pero, al mismo tiempo, provee una
solución que garantiza la conservación biológica del recurso.

2. Modelo de Programación Estocástica en Dos-Etapas

La Programación Estocástica reúne la literatura que estudia, formula y resuelve
modelos de Programación Matemática bajo condiciones de incertidumbre. Más
particularmente, modelada la incertidumbre a través de una variable aleatoria, un
modelo con recurso en Dos-Etapas permiten tomar decisiones en dos etapas o
niveles de decisión. En la primera etapa hay decisiones que se toman antes de
conocer la realización de la variable aleatoria, es decir, que es independiente de
la realización particular que finalmente vaya a tomar el vector de parámetros
aleatorio, la cuota de captura del primer año de planificación en nuestro caso. En
tanto, las variables de decisión de la segunda etapa, toman su valor dependiendo
de la variable aleatoria, en respuesta al medio, y corresponden esencialmente a
las cuotas de captura y los niveles de biomasa de la especie a partir del segundo
año de planificación, para cada realización (escenario) de la variable aleatoria.
En el modelo propuesto, la incertidumbre está presente a través de un vector
aleatorio =(r,K), cuyas componentes representan la tasa de crecimiento de la
biomasa y el tamaño máximo que podría alcanzar la población, respectivamente.
En el trabajo se considera  como una variable aleatoria discreta finita.
La obtención de una cuota de captura anual se basa naturalmente en el
conocimiento de la dinámica de la población, durante todo el horizonte de
planificación, la cual es expresada por medio de un modelo dinámico para el
nivel de biomasa al final de cada periodo, que toma en cuenta la biomasa del
periodo anterior (o el nivel inicial, al final del primer periodo), una cierta
velocidad de crecimiento de la población y la captura efectuada en el periodo.
De manera muy resumida, los modelos propuestos contemplan la maximización
de los beneficios (esperados), dados por la diferencia entre los ingresos
asociados a la cuota captura resultante en cada año y los distintos costos
asociados al problema: sueldos, mantenimiento de naves, seguros, combustible,
material de pesca, gastos en puerto, etc. Por su parte, las principales restricciones
expresan para cada periodo y escenario, el nivel de biomasa al final de un
periodo, los límites inferiores y superiores de captura permitidos y el umbral
mínimo de escape (biomasa mínima crítica). Ahora bien, al no incorporar
beneficios sociales en un modelo como los utilizados inicialmente para la
captura de este crustáceo, también se estudió un modelo que conjuntamente
minimiza la variabilidad en la captura (promedio) entre un año y otro, para no
producir un impacto mayor en la población que depende de la extracción del
recurso.

3. Resultados
Mediante el algoritmo Sampling Importance Resampling SIR, se generó
diferentes escenarios para el vector de parámetros aleatorio a partir de
estadísticas existentes de series de desembarques del recurso registrados por el
Servicio Nacional de Pesca (SERNAPESCA), series de biomasa existentes
(estimadas), por medio de cruceros de evaluación directa realizados por el
Instituto de Fomento Pesquero (IFOP) y de series de capturas por unidad de
esfuerzo registradas por IFOP . Se considera un horizonte de planificación de
T=10 años. Las diferentes experiencias computacionales se efectuaron mediante
el uso del lenguaje de modelado AMPL, en combinación con el solver MINOS.
Se resolvió modelos deterministas, que resultan de escoger como único
escenario el valor promedio del vector aleatorio  y, modelos de programación
estocástica para distintos conjuntos de escenarios. Los valores óptimos de los
modelos resueltos permiten verificar que la solución óptima de un modelo
determinista, es en general optimista respecto de aquellos en que se ha
incorporado explícitamente la presencia de la incertidumbre a través de un
conjunto de escenarios. Otros hechos significativos se relacionan con los niveles
de captura observados tanto en los primeros como en los últimos años del
horizonte de planificación (para cada escenario), que incluso llevan a sugerir la
veda temporal de una de las especies estudiadas (langostino amarillo).

4. Referencias
Albornoz, V. y Canales, C. (2002). Planificación de la Conservación y
Explotación del Langostino Colorado usando un Modelo de Optimización
Estocástica No-Lineal con Recurso. Información Tecnológica 13 (4) 183-190
Birge, J. and Loveaux, F. (1997). Introduction to Stochastic Programming.
Springer Verlag, New York, USA.
Canales C. (2001). Formulación de un modelo de programación estocástica
como herramiento de planificación y control de la explotación del langostino
colorado sobre un horizonte de largo plazo. Memoria de Ingeniero Civil
Industrial, Universidad Técnica Federico Santa María, Valparaíso, Chile
Fazzi, R. (2002). Formulación de modelos de programación estocástica para la
planificación de la explotación del langostino amarillo. Memoria de Ingeniero
Civil Industrial, Universidad Técnica Federico Santa María, Valparaíso, Chile
Fourer, R., Gay, D.M., and Kernigham, B.W. (2002). AMPL: a modeling
language for mathematical programming, 2nd ed. The Scientific Press, USA.
McAllister, M. y J. Lanelli. 1997. Bayesian stock assessment using catch-age
data and the sampling-importance resampling algorithm. Can. L. Fish. Aquat.
Sci. 54: 284-300
Quinn T. J y Deriso, R.B. (1999). Quantitative Fish Dynamic. Oxford University
Press, New York
Schaefer , M.B. (1957) A study of the dynamics of populations important to the
management of commercial marine fisheries. Int. Amer. Trop Tuna Comm.
Bull. 1, 25-56