Embed Size (px)
Citation preview
Impacto económico del cambio climático sobre la agricultura
peruana
Laura Alvarado
Abril de 2014
Conversatorio: Vulnerabilidad de la Agricultura ante el Cambio
Climático en el Perú: Amenazas y Oportunidades”
CEPES
1. Antecedentes
2. Metodología
3. Resultados
4. Valoración económica del impacto del CC en la agricultura
5. Conclusiones
Contenido
- 2 -
Objetivo Proyección del PBI para medición temporal de impactos del CC en la economía peruana
Producto 4
Ganadería
Agricultura
Pesca
Minería e hidrocarburos
Valoracióneconómicadel impactodel cambio climático
Actividades
Energía
Turismo
Salud
Infraestructura
Condiciones para la productividad
PBI SC PBI 2100
PBI SC PBI sectoriales
1. Antecedentes
- 3 -
Escenarios: A1B, A2 y B1
1. Antecedentes
- 4 -
Horizontes temporales de análisis:2011-20402041-20702071-2100
Tasas:0,5% 2% y 4%
-Objetivo: medir el impacto del CC en la agricultura.
-¿qué cultivos elegir?
-Criterio: importancia en PBI agrícola, VBP: 7 cultivos:
-Papa, arroz, maíz amarillo duro, café, caña de azúcar, plátano y maíz amiláceo.
1. Antecedentes
- 5 -
Participación en el PBI, VBP agrícola y superficie sembrada de los principales cultivos, 2009
NombreTipo de cultivo
PBI agrícola Participación
%
Valor bruto de la producción (VBP)
agrícola total a/
Superficie
Cosechada b/
Participación %
Ranking Miles de Ha Ranking
Papa Transitorio 10.55 13.3 1 289.9 4
Arroz Transitorio 7.46 9.4 2 388.7 1
Café Permanente 5.63 7.1 3 349.6 2
Caña de azúcar
Permanente 4.84 6.1 4 77 7
Plátano Permanente 3.73 4.7 5 156.1 6
Maíz amarillo duro
Transitorio 3.65 4.6 6 295.8 3
Maíz amiláceo
Transitorio 1.51 1.9 7 201.3 5
TOTAL - 37.4 47.1 - - -
1. Antecedentes
Cultivo Región
Papa
PunoHuánucoLa LibertadCajamarca Junín Cusco Apurímac Ayacucho
Arroz
PiuraLambayequeSan MartinLa LibertadAmazonasArequipaCajamarcaTumbesAncash
Café
JunínCajamarcaSan MartínCuscoAmazonasPascoPunoAyacuchoPiura
1.Antecedentes
1. AntecedentesCultivo Región
Caña de azúcar
La LibertadLambayequeLimaAncash
Plátano
LoretoSan MartínJunínUcayaliAmazonasHuánucoPascoCajamarcaCuscoMadre de DiosPuno
Maíz amarillo duro
LimaLa LibertadLambayequeSan MartínAncashPiuraLoretoUcayali
Maíz amiláceo
CuscoCajamarcaApurímac HuancavelicaLa LibertadHuánucoAyacucho
2. Metodología
2.1 El modelo
• Enfoque de la función de producción.
• Q = b0 + b1S+b2T + b3T2 + b4PP + b5PP2
Producción (Q)
Superficie cosechada (S)
Variables climáticas temperatura (T) y precipitación (PP),
2. Metodología
• Comportamiento de U invertida: cóncavo.
• Por qué utilizar Producción y no rendimiento?
• Estimaciones con Rendimiento no tuvieron laforma funcional esperada, R2 y coeficientespoco significativos.
• Proyecciones con rendimiento presentaronimpactos positivos que se contradice con loesperado.
2. Metodología
• Se acordó emplear como variable producción.
• Prueba de causalidad de Granger: confirmaque S es variable explicativa de Q.
• Existen estudios que han empleado éstavariable y no necesariamente rendimiento.Por ejemplo, Ramírez et al, 2009; Ordaz et al,2010a; Mora, 2010.
2. Metodología
2.2 Data
• Ministerio de Agricultura (MINAG): cifras deproducción y superficie cosechada a escaladistrital para el período 2000-2011. Estereporte contiene el análisis de la informaciónagrícola de cultivos y regiones seleccionadas.
• Data climática: para ese periodo SENAMHI
• Proyecciones de data climática: CDC
2. Metodología
2.2 Data
• Variable dependiente registrada con periodicidadanual.
• Los datos de clima registrados para el período defloración de cada cultivo seleccionado.
• Al incluir el periodo de floración se está capturando demanera más precisa la relación entre indicadoresclimáticos y la producción agrícola.
• El registro de producción por cultivos y zonas seencuentra limitado por la disponibilidad de lainformación climática.
2. Metodología
Qit = b0 + b1Sit +b2TMit + b3TMit2 + b4TNit + b5TNit
2 +b6PPit + b7PPit2+uit
• Qit = Producción del distrito i en el año t• Sit = Superficie cosechada del distrito i en el año t• TMit = Temperatura máxima promedio para el distrito i en el año t• TMit
2 = Temperatura máxima promedio al cuadrado para el distrito i en el año t
• TNit = Temperatura mínima promedio para el distrito i en el año t• TNit
2 = Temperatura mínima promedio al cuadrado para el distrito i en el año t
• PPit = Precipitación para el distrito i en el año t• PPit
2 = Precipitación al cuadrado para el distrito i en el año t
2. Metodología
• Usando los siguientes criterios (en el ordenindicado), se escogió el mejor modelo paracada cultivo
• (i) signo esperado acorde a la teoría, (ii)criterio Akaike y Schwarz más bajo, (iii)probabilidad individual y grupal significativos,y (iv) buena bondad de ajuste del modelo.
2. Metodología
• Una vez obtenido la mejor especificación paracada cultivo, se procedió a usar diferentestécnicas para analizar los datos de panel,como son el modelo de datos agrupados, el deefectos fijos, y el de efectos aleatorios.
PapaProducción MCO agrupado Efectos fijos Efectos aleatorios
Intercepto-1336.65(0.00)***
-521.90(0.00)**
-1088.28(0.00)***
S13.83
(0.00)***12.49
(0.00)***13.39
(0.00)***
TN143.66
(0.00)***14.11(0.79)
91.32(0.00)***
TN2 -5.02(0.00)***
-0.05(0.98)
-1.79(0.37)
Num. obs. 2282 2282 2282R2 0.93 0.97 0.76
Probabilidad F 0.00 0.00 0.00TN óptima1/ 14.32 140.99 25.37
Gráfico Cóncavo Cóncavo Cóncavo
Qit = -1336.649 + 13.83832Sit +143.6632TNit -5.016227TNit2 +uit
3. Resultados
ArrozProducción MCO agrupado Efectos fijos Efectos aleatorios
Intercepto-9894.98(0.00)***
15509.13(0.07)
5833.13(0.29)
S7.86
(0.00)***8.45
(0.00)***8.32
(0.00)***
TM875.63
(0.00)***-1177.20
(0.07)-440.24(0.32)
TM2 18.19(0.00)***
20.82(0.08)
7.57(0.38)
Num. obs. 1079 1079 1079R2 0.96 0.99 0.93
Probabilidad F 0.00 0.00 0.00TM óptima1/ 24.07 28.27 29.06
Gráfico Cóncavo Convexo Convexo
Qit = -9894.98+ 7.86Sit +875.63TMit -18.19TMit2 +uit
MADProducción MCO agrupado Efectos fijos Efectos aleatorios
Intercepto-8720.37(0.00)***
-6269.89(0.18)
-6576.02(0.06)
S4.74
(0.00)***4.69
(0.00)***4.67
(0.00)***
TN1058.41
(0.00)***731.87(0.15)
756.23(0.05)**
TN2 -30.12(0.00)***
-20.00(0.14)
-20.76(0.06)
Num. obs. 467 467 467R2 0.68 0.91 0.75
Probabilidad F 0.00 0.00 0.00TN óptima1/ 17.56 18.27 18.21
Gráfico Cóncavo Cóncavo Cóncavo
Qit = -8720.37+ 4.74Sit +1058.4TNit -30.12TNit2+uit
Maíz amiláceoProducción MCO
agrupadoEfectos fijos Efectos aleatorios
Intercepto -496.38(0.31)
401.91(0.36)
S0.87
(0.00)***0.94
(0.00)***0.93
(0.00)***
TM6.54
(0.00)***-21.55(0.64)
-13.57(0.73)
TM2 -0.22(0.00)***
0.22(0.84)
0.05(0.96)
PP0.39
(0.00)***-0.70(0.27)
-0.61(0.33)
PP2-0.001**
(0.05)0.001(0.51)
0.001(0.59)
Num. obs. 1409 1409 1409
R2 0.91 0.96 0.65Probabilidad F 0.00 0.00 0.00
TM óptima1/ 14.86 14.84 13.26
PP óptima2/ 150 148 105.12
Gráficos Cóncavos Convexos Convexos
Qit= 0.87Sit+6.54TMit -0.23TMit2+0.387PPit-0.001PPit
2 +uit
CaféProducción MCO agrupado Efectos fijos Efectos aleatorios
Intercepto-320.49
(0.00)***206.05(0.42)
120.70(0.54)
S0.94
(0.00)***0.98
(0.00)***0.97
(0.00)***
TM21.23
(0.00)***-23.69(0.22)
-18.10(0.26)
TM2 -0.35(0.00)***
0.49(0.18)
0.42(0.19)
Num. obs. 936 0936 936R2 0.99 0.99 0.95
Probabilidad F 0.00 0.00 0.00TM1/ 29.59 23.94 21.65
Gráfico Cóncavo Convexo Convexo
Qit = -320.49+0.94Sit +21.24TMit -0.36TMit2+uit
Caña de azúcarProducción MCO agrupado Efectos fijos Efectos aleatorios
Intercepto25276.66(0.00)***
-2986.36(0.20)
10590.66(0.25)
S6.97
(0.00)***9.24
(0.00)***8.01
(0.00)***
TM-1984.04(0.00)***
355.80(0.05)**
-847.22(0.20)
TM2 39.03(0.00)***
-8.33(0.04)**
17.35(0.14)
Num. obs. 94 94 94R2 0.88 0.98 0.54
Probabilidad F 0.00 0.00 0.00TM óptima1/ 25.41 21.31 24.41
Gráfico Convexo Cóncavo convexo
Qit = -2986.36+9.24Sit +355.80TMit-8.33TMit2+uit
PlátanoProducción MCO agrupado Efectos fijos Efectos aleatorios
Intercepto385.94
(0.00)***-265.27
(0.00)***255.38(0.53)
S12.36
(0.00)***12.39
(0.00)***13.01
(0.00)***
TM-50.27
(0.00)***25.07
(0.00)***-36.08(0.36)
TM2 1.16(0.00)***
-0.70(0.00)***
0.67(0.48)
Num. obs. 889 889 889R2 0.99 0.99 0.92
Probabilidad F 0.00 0.00 0.00TM óptima1/ 21.65 17.84 27.10
Gráfico Convexa Cóncavo Convexo
Qit = -265.27+12.39Sit +25.07TMit-0.70TMit2+uit
• Las mejores estimaciones sirvieron pararealizar las proyecciones de producción porcultivo, incorporándose a las funciones losdatos de clima proyectados por el CDC paralos tres escenarios climáticos con susrespectivos modelos.
• Con ello, se obtiene las proyecciones deproducción por cultivo y escenarios al 2100.
• Los resultados arrojan que el impacto del cambioclimático en la agricultura generará disminuciones en laproducción para todos los cultivos y para todos losescenarios siendo más severo en el escenario A2 conexcepción del café que tiene un comportamientodistinto pues en los primeros años crecerá laproducción y luego disminuirá.
• En conclusión se puede decir que el impacto delcambio climático en la agricultura podría sersignificativo pues afecta la producción de la mayoría delos productos analizados.
4. VE del impacto
PBI AGRICULTURA SCC Y VARIACIONES EN PBI CCC POR ESCENARIO
PBI AGRICULTURA SIN CC Y PBI CON CC POR ESCENARIO
Para cada cultivo seleccionado se obtuvo el precio promedio real del periodo 2000-2011, MINAG
Pérdidas acumuladas por cambio climático en el sector agricultura en los años 2040, 2070 y 2100 (en millones de soles) a tasas de descuento de 0,5%, 2,0% y 4,0%
Pérdidas acumuladas por cambio climático en el sector agricultura como % del PBI agrícola 2011 en los años 2040, 2070 y 2100 a tasas de descuento de 0.5%, 2.0% y 4.0%
Escenario2011-2040 2011-2070 2011-2100
0.50% 2% 4% 0.50% 2% 4% 0.50% 2% 4%
A1B-2,717
-2,121
-1,567
-6,555
-4,101
-2,420
-6,699
-5,128
-2,676
A2-2,045
-1,577
-1,145
-6,042
-3,607
-2,001
-7,030
-6,550
-2,395
B1-2,047
-1,517
-1,051
-4,020
-2,499
-1,455
-4,384
-2,974
-1,566
Escenario2011-2040 2011-2070 2011-2100
0.50% 2% 4% 0.50% 2% 4% 0.50% 2% 4%
A1B 28% 22% 16% 67% 42% 25% 69% 53% 28%
A2 21% 16% 12% 62% 37% 21% 72% 67% 25%
B1 21% 16% 11% 41% 26% 15% 45% 31% 16%
Participación sectorial en pérdidas del 2011-2100, con tasa de descuento de 0.5%
A1B A2 B1
5. Conclusiones
• El impacto del CC en el sector agrícola se mide por lareducción de ingresos a causa de la disminución deproducción agrícola (a causa de cambios en la temperaturay precipitación) que provoca disminución en los ingresos desiete productos priorizados por su relevancia en el PBIsectorial que al representar el 37% del PBI se tuvo querealizar la respectiva conversión a fin de tener una cifrarepresentativa.
• Los resultados indican que para el escenario A2 sepresentan perdidas más significativas.
• Analizando todos los escenarios y tasas de descuento sepuede concluir que el impacto del cambio climático en elsector agricultura sea considerable pues se estimanpérdidas que oscilan entre el 16% y el 72% del PBI Agrícola.
5. Conclusiones
• Las estimaciones no incluyen ninguna adaptación ni cambiosexternos, como uso de nuevas tecnologías.
• Conforme a las proyecciones, se prevé cambios en los futurospatrones climáticos, los cuales se espera que generen pérdidas enel sector agrícola siempre y cuando la distribución actual de canastade cultivos se mantenga en el futuro.
• No obstante, es posible que más adelante aquellos cultivos quesean muy susceptibles a las futuras alteraciones climáticas seansustituidos por otros cultivos menos susceptibles.
• De esta forma, no se tiene claro si esta última opción sea, desde elpunto de vista económico y/o agronómico, la más apropiada. Estees un tema que debería ser estudiado en las diferentes regionesagrícolas del país.
5. Conclusiones
• Realizando un análisis a nivel agregado por sectores, seobtuvo que la agricultura es el tercer sector más afectado porel cambio climático, después de la pesca y ganadería. Estosresultados son esperables, dado que precisamente estossectores se encuentran más directamente expuestos a lascondiciones naturales del entorno.
• Necesidad de realizar estudios por regiones y cultivospriorizados: AGMIP-Perú.
• Costa Norte, valle del Mantaro y sierra sur (Puno).
