Download Diapositiva 1 - Observatorio de Cambio Climático

Conversatorio: Vulnerabilidad de la Agricultura ante el Cambio
Climático en el Perú: Amenazas y Oportunidades”
CEPES
Impacto económico del cambio
climático sobre la agricultura
peruana
Laura Alvarado
Abril de 2014
Contenido
1.
2.
3.
4.
Antecedentes
Metodología
Resultados
Valoración económica del impacto del
CC en la agricultura
5. Conclusiones
-2-
1. Antecedentes
Objetivo
Proyección del PBI para medición temporal
de impactos del CC en la economía peruana
Actividades
Ganadería
Energía
Agricultura
Pesca
Minería e
hidrocarburos
Valoración
económica
del impacto
del cambio
climático
PBI SC
PBI 2100
PBI SC
PBI sectoriales
Turismo
Condiciones para
la productividad
Infraestructura
Producto 4
Salud
-3-
1. Antecedentes
Horizontes temporales de análisis:
2011-2040
2041-2070
2071-2100
Tasas:
0,5% 2% y 4%
Escenarios:
A1B, A2 y B1
-4-
1. Antecedentes
-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.
-5-
1. Antecedentes
Participación en el PBI, VBP agrícola y superficie sembrada de los principales
cultivos, 2009
Nombre
Tipo de
cultivo
PBI agrícola
Participación
%
Valor bruto de la
producción (VBP)
agrícola total a/
Participación
Ranking
%
Superficie
Cosechada b/
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
-
37.4
47.1
-
-
-
TOTAL
1.Antecedentes
Cultivo
Papa
Arroz
Café
Región
Puno
Huánuco
La Libertad
Cajamarca
Junín
Cusco
Apurímac
Ayacucho
Piura
Lambayeque
San Martin
La Libertad
Amazonas
Arequipa
Cajamarca
Tumbes
Ancash
Junín
Cajamarca
San Martín
Cusco
Amazonas
Pasco
Puno
Ayacucho
Piura
1. Antecedentes
Cultivo
Caña de azúcar
Plátano
Maíz amarillo duro
Maíz amiláceo
Región
La Libertad
Lambayeque
Lima
Ancash
Loreto
San Martín
Junín
Ucayali
Amazonas
Huánuco
Pasco
Cajamarca
Cusco
Madre de Dios
Puno
Lima
La Libertad
Lambayeque
San Martín
Ancash
Piura
Loreto
Ucayali
Cusco
Cajamarca
Apurímac
Huancavelica
La Libertad
Huánuco
Ayacucho
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 la
forma funcional esperada, R2 y coeficientes
poco significativos.
• Proyecciones con rendimiento presentaron
impactos positivos que se contradice con lo
esperado.
2. Metodología
• Se acordó emplear como variable producción.
• Prueba de causalidad de Granger: confirma
que S es variable explicativa de Q.
• Existen estudios que han empleado ésta
variable 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 de
producción y superficie cosechada a escala
distrital para el período 2000-2011. Este
reporte contiene el análisis de la información
agrícola 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 periodicidad
anual.
• Los datos de clima registrados para el período de
floración de cada cultivo seleccionado.
• Al incluir el periodo de floración se está capturando de
manera más precisa la relación entre indicadores
climáticos y la producción agrícola.
• El registro de producción por cultivos y zonas se
encuentra limitado por la disponibilidad de la
información climática.
2. Metodología
Qit = b0 + b1Sit +b2TMit + b3TMit2 + b4TNit + b5TNit2 +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
• TMit2 = 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
• TNit2 = Temperatura mínima promedio al cuadrado para el distrito i
en el año t
• PPit = Precipitación para el distrito i en el año t
• PPit2 = Precipitación al cuadrado para el distrito i en el año t
2. Metodología
• Usando los siguientes criterios (en el orden
indicado), se escogió el mejor modelo para
cada 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 para
cada cultivo, se procedió a usar diferentes
técnicas para analizar los datos de panel,
como son el modelo de datos agrupados, el de
efectos fijos, y el de efectos aleatorios.
3. Resultados
Papa
Producción
Intercepto
S
TN
TN2
Num. obs.
R2
Probabilidad F
TN óptima1/
Gráfico
MCO agrupado
-1336.65
(0.00)***
13.83
(0.00)***
143.66
(0.00)***
-5.02
(0.00)***
2282
0.93
0.00
14.32
Cóncavo
Efectos fijos
-521.90
(0.00)**
12.49
(0.00)***
14.11
(0.79)
-0.05
(0.98)
2282
0.97
0.00
140.99
Cóncavo
Efectos aleatorios
-1088.28
(0.00)***
13.39
(0.00)***
91.32
(0.00)***
-1.79
(0.37)
2282
0.76
0.00
25.37
Cóncavo
Qit = -1336.649 + 13.83832Sit +143.6632TNit -5.016227TNit2 +uit
Arroz
Producción
Intercepto
S
TM
TM2
Num. obs.
R2
Probabilidad F
TM óptima1/
Gráfico
MCO agrupado
-9894.98
(0.00)***
7.86
(0.00)***
875.63
(0.00)***
18.19
(0.00)***
1079
0.96
0.00
24.07
Cóncavo
Efectos fijos
15509.13
(0.07)
8.45
(0.00)***
-1177.20
(0.07)
20.82
(0.08)
1079
0.99
0.00
28.27
Convexo
Qit = -9894.98+ 7.86Sit +875.63TMit -18.19TMit2 +uit
Efectos aleatorios
5833.13
(0.29)
8.32
(0.00)***
-440.24
(0.32)
7.57
(0.38)
1079
0.93
0.00
29.06
Convexo
MAD
Producción
Intercepto
S
TN
TN2
Num. obs.
R2
Probabilidad F
TN óptima1/
Gráfico
MCO agrupado
-8720.37
(0.00)***
4.74
(0.00)***
1058.41
(0.00)***
-30.12
(0.00)***
467
0.68
0.00
17.56
Cóncavo
Efectos fijos
-6269.89
(0.18)
4.69
(0.00)***
731.87
(0.15)
-20.00
(0.14)
467
0.91
0.00
18.27
Cóncavo
Efectos aleatorios
-6576.02
(0.06)
4.67
(0.00)***
756.23
(0.05)**
-20.76
(0.06)
467
0.75
0.00
18.21
Cóncavo
Qit = -8720.37+ 4.74Sit +1058.4TNit -30.12TNit2+uit
Maíz amiláceo
MCO
agrupado
Producción
Efectos fijos
Efectos aleatorios
PP2
0.87
(0.00)***
6.54
(0.00)***
-0.22
(0.00)***
0.39
(0.00)***
-0.001**
(0.05)
496.38
(0.31)
0.94
(0.00)***
-21.55
(0.64)
0.22
(0.84)
-0.70
(0.27)
0.001
(0.51)
401.91
(0.36)
0.93
(0.00)***
-13.57
(0.73)
0.05
(0.96)
-0.61
(0.33)
0.001
(0.59)
Num. obs.
R2
Probabilidad F
1409
0.91
0.00
1409
0.96
0.00
1409
0.65
0.00
TM óptima1/
14.86
14.84
13.26
PP óptima2/
150
148
105.12
Gráficos
Cóncavos
Convexos
Convexos
Intercepto
-
S
TM
TM2
PP
Qit= 0.87Sit+6.54TMit -0.23TMit2+0.387PPit-0.001PPit2 +uit
Café
Producción
Intercepto
S
TM
TM2
Num. obs.
R2
Probabilidad F
TM1/
Gráfico
MCO agrupado
-320.49
(0.00)***
0.94
(0.00)***
21.23
(0.00)***
-0.35
(0.00)***
936
0.99
0.00
29.59
Cóncavo
Efectos fijos
206.05
(0.42)
0.98
(0.00)***
-23.69
(0.22)
0.49
(0.18)
0936
0.99
0.00
23.94
Convexo
Qit = -320.49+0.94Sit +21.24TMit -0.36TMit2+uit
Efectos aleatorios
120.70
(0.54)
0.97
(0.00)***
-18.10
(0.26)
0.42
(0.19)
936
0.95
0.00
21.65
Convexo
Caña de azúcar
Producción
Intercepto
S
TM
TM2
Num. obs.
R2
Probabilidad F
TM óptima1/
Gráfico
MCO agrupado
25276.66
(0.00)***
6.97
(0.00)***
-1984.04
(0.00)***
39.03
(0.00)***
94
0.88
0.00
25.41
Convexo
Efectos fijos
-2986.36
(0.20)
9.24
(0.00)***
355.80
(0.05)**
-8.33
(0.04)**
94
0.98
0.00
21.31
Cóncavo
Qit = -2986.36+9.24Sit +355.80TMit-8.33TMit2+uit
Efectos aleatorios
10590.66
(0.25)
8.01
(0.00)***
-847.22
(0.20)
17.35
(0.14)
94
0.54
0.00
24.41
convexo
Plátano
Producción
Intercepto
S
TM
TM2
Num. obs.
R2
Probabilidad F
TM óptima1/
Gráfico
MCO agrupado
385.94
(0.00)***
12.36
(0.00)***
-50.27
(0.00)***
1.16
(0.00)***
889
0.99
0.00
21.65
Convexa
Efectos fijos
-265.27
(0.00)***
12.39
(0.00)***
25.07
(0.00)***
-0.70
(0.00)***
889
0.99
0.00
17.84
Cóncavo
Qit = -265.27+12.39Sit +25.07TMit-0.70TMit2+uit
Efectos aleatorios
255.38
(0.53)
13.01
(0.00)***
-36.08
(0.36)
0.67
(0.48)
889
0.92
0.00
27.10
Convexo
• Las mejores estimaciones sirvieron para
realizar las proyecciones de producción por
cultivo, incorporándose a las funciones los
datos de clima proyectados por el CDC para
los tres escenarios climáticos con sus
respectivos modelos.
• Con ello, se obtiene las proyecciones de
producción por cultivo y escenarios al 2100.
• Los resultados arrojan que el impacto del cambio
climático en la agricultura generará disminuciones en la
producción para todos los cultivos y para todos los
escenarios siendo más severo en el escenario A2 con
excepción del café que tiene un comportamiento
distinto pues en los primeros años crecerá la
producción y luego disminuirá.
• En conclusión se puede decir que el impacto del
cambio climático en la agricultura podría ser
significativo pues afecta la producción de la mayoría de
los productos analizados.
4. VE del impacto
PBI AGRICULTURA SIN CC Y PBI
CON CC POR ESCENARIO
PBI AGRICULTURA SCC Y VARIACIONES EN
PBI CCC 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%
Escenario
A1B
A2
B1
2011-2040
0.50%
2,717
2,045
2,047
2011-2070
2%
2,121
1,577
1,517
4%
1,567
1,145
1,051
0.50%
6,555
6,042
4,020
2011-2100
2%
4,101
3,607
2,499
4%
2,420
2,001
1,455
0.50%
6,699
7,030
4,384
2%
5,128
6,550
2,974
4%
2,676
2,395
1,566
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%
Escenario
2011-2040
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 20112100, con tasa de descuento de 0.5%
A1B
A2
B1
5. Conclusiones
• El impacto del CC en el sector agrícola se mide por la
reducción de ingresos a causa de la disminución de
producción agrícola (a causa de cambios en la temperatura
y precipitación) que provoca disminución en los ingresos de
siete productos priorizados por su relevancia en el PBI
sectorial que al representar el 37% del PBI se tuvo que
realizar la respectiva conversión a fin de tener una cifra
representativa.
• Los resultados indican que para el escenario A2 se
presentan perdidas más significativas.
• Analizando todos los escenarios y tasas de descuento se
puede concluir que el impacto del cambio climático en el
sector agricultura sea considerable pues se estiman
pérdidas que oscilan entre el 16% y el 72% del PBI Agrícola.
5. Conclusiones
• Las estimaciones no incluyen ninguna adaptación ni cambios
externos, como uso de nuevas tecnologías.
• Conforme a las proyecciones, se prevé cambios en los futuros
patrones climáticos, los cuales se espera que generen pérdidas en
el sector agrícola siempre y cuando la distribución actual de canasta
de cultivos se mantenga en el futuro.
• No obstante, es posible que más adelante aquellos cultivos que
sean muy susceptibles a las futuras alteraciones climáticas sean
sustituidos por otros cultivos menos susceptibles.
• De esta forma, no se tiene claro si esta última opción sea, desde el
punto de vista económico y/o agronómico, la más apropiada. Este
es un tema que debería ser estudiado en las diferentes regiones
agrícolas del país.
5. Conclusiones
• Realizando un análisis a nivel agregado por sectores, se
obtuvo que la agricultura es el tercer sector más afectado por
el cambio climático, después de la pesca y ganadería. Estos
resultados son esperables, dado que precisamente estos
sectores se encuentran más directamente expuestos a las
condiciones naturales del entorno.
• Necesidad de realizar estudios por regiones y cultivos
priorizados: AGMIP-Perú.
• Costa Norte, valle del Mantaro y sierra sur (Puno).
Gracias
[email protected]