Embed Size (px)
Citation preview
Evaluación económica de tecnologías forrajerasen Colombia: Avena Altoandina andArachis pintoi CIAT 22260
Economic evaluation of forage technologies in Colombia:Avena Altoandina and Arachis pintoi CIAT 22260
Evaluación económica de tecnologías forrajeras en Colombia: Avena Altoandina and
Arachis pintoi CIAT 22260
Economic evaluation of forage technologies in Colombia: Avena Altoandina and Arachis pintoi
CIAT 22260
Karen Enciso
Stefan Burkart
Esta obra está bajo una Licencia Creative Commons Atribución 4.0 Internacional.
2
Information related to this report
CRP: Livestock
Flagship: FP3 – Feeds and Forages
Cluster: 3.4 – Facilitating the delivery and uptake of feed and forage technologies
Activity: P1684 – Activity 3.4.1: Business models and novel knowledge diffusion
approaches to enhance feed and forage technology adoption
Deliverable:
• D17371 – Report on 2 Cost-benefit analyses for improved forage technologies
(Avena Altoandina, Arachis pintoi CIAT 22260) in Colombia
Summary: This document aims to assess the financial viability of two new forage options
released in Colombia as a result of different evaluation and selection processes conducted
by AGROSAVIA and its partners. The following varieties were evaluated from an economic
perspective: (i) Avena Altoandina for intensified dairy production in the high-altitude tropics
of Colombia; and ii) Arachis pintoi CIAT 22260 for a double-purpose production system in
the foothills of the Colombian Orinoquía region. The methodology is based on a
discounted free cash flow model, the estimation of financial feasibility indicators, and an
analysis that is based on Monte Carlo simulation, to consider the risk level of critical
variables of the model. In the case of Arachis, we included potential impacts of climate
change in the model. The results provide a valuable information source for livestock
producers, extensionists, policy and other actors for making informed decisions on
whether or not invest in these new technologies.
Acknowledgements: This work was done as part of the CGIAR Research Program on
Livestock. We thank all donors that globally support our work through their contributions
to the CGIAR system.
3
Parte A)
Evaluación económica: Avena Alto andina
Contenido
1. Introducción ..................................................................................................................................... 4
2. Descripción de la tecnología: Avena AV25T (Alto andina) ................................................ 7
3. Metodología ...................................................................................................................................... 9
3.1. Modelo de flujo de caja libre descontado ...................................................................... 9
3.1.1. Supuestos modelo ............................................................................................................ 9
3.2. Análisis cuantitativo de riesgos ....................................................................................... 13
3.2.1. Simulación Monte Carlo ................................................................................................ 13
4. Resultados ....................................................................................................................................... 16
4.1. Modelo flujo de caja descontado ........................................................................................ 16
4.2. Indicadores de rentabilidad y análisis de riesgo .................................................................. 20
5. Conclusiones .................................................................................................................................. 24
7. Anexos .............................................................................................................................................. 28
4
1. Introducción
En Colombia, la producción láctea ocupa un importante renglón económico y social del país.
Contribuye con el 12% del PIB agropecuario y 36,7% del PIB pecuario, y genera un 20% de
los empleos en el sector agropecuario (UPRA, 2020). De acuerdo a FEDEGAN (2018), existen
cerca de 319.402 familias productoras de leche, donde predominan pequeños productores
o de subsistencia (con menos de 10 animales). La leche en el país se produce bajo dos
sistemas diferenciados y vinculados a las condiciones ambientales específicas: i) la lechería
especializada ubicada en regiones del trópico alto (más de 2000 m.s.n.m), aporta el 45% del
total de la leche con el 6% del inventario bovino; y ii) el doble propósito en trópico bajo
(menos de 1200 m.s.n.m), que aporta el 55% de la leche con el 39% del inventario (FEDEGAN
2018, FEDEGAN, 2020a).
El sector lácteo ha presentado un comportamiento creciente en las últimas dos
décadas, pasando de 5.295 millones de litros en el 2000 a 7.257 millones en 2019
(crecimiento del 35%). Sin embargo, la producción se encuentra altamente ligado al
comportamiento climático en las diferentes zonas productoras (FEDEGAN, 2020b; 2018).
Esto es, depende del régimen de lluvias y periodos de sequía que afectan la disponibilidad y
calidad de los forrajes usados en la alimentación animal (FEDEGAN, 2018; Tapasco et al.,
2015). A nivel nacional entre los meses de abril y agosto se obtienen los mayores volúmenes
de producción y, entre noviembre y marzo se registra un descenso sensible (FEDEGAN,
2018). Además, ante fenómenos climáticos extremos, la probabilidad de sequias e
inundaciones, y frecuencias de estrés por calor se incrementan, con consecuencias
significativas en la producción (Thornton et al., 2009). Por ejemplo, ante un episodio de El
Niño, la producción de leche en promedio ha caído en un 4.9% en el territorio nacional
(UNGRD, 2016).
En los sistemas de lechería especializada, la base de alimentación predominante es
el pastoreo de Kikuyo (Cenchrus clandestinus) y el uso de suplementación con concentrados
comerciales, representando, este último, un porcentaje importante de los costos de
5
producción (Cárdenas 2003; Campuzano et al., 2018). El pasto Kikuyo, si bien ha demostrado
tener buenas características en términos de adaptabilidad y productividad (producción de
biomasa y calidad nutricional), se ve afectada por las heladas y el ataque del chinche de los
pastos (Collaria scenica) (Barreto, Osorio & Ferreira, 2010 citado por Campuzano et al., 2018).
A lo que se suma el manejo deficiente de las praderas, principalmente en términos de
fertilización, que restringen la producción (Correa, Pabón & Carulla, 2008 citado por
Campuzano et al., 2018). En consecuencia, se presentan importantes cuellos de botella
relacionados al déficit de forraje en distintos momentos del año, y los altos costos de
producción de la alimentación animal.
Situación que se agravaría ante un escenario de cambio climático para la región. El
IDEAM pronostica para los departamentos de Cundinamarca, Boyacá, y Antioquia (los cuales
agrupan el 40% de la producción nacional principalmente bajo lechería especializada)
aumentos en el nivel de precipitación superiores al 4% y en la temperatura de mínimo 2 °C
(IDEAM, PNUD, MADS, DNP, CANCILLERÍA. 2015). Variaciones que llevarían a una menor
eficiencia en la utilización del agua y posiblemente un mayor estrés hídrico para el pasto
Kikuyo (Vargas Martinez, et al., 2018), afectando, por tanto, la producción ganadera en esas
regiones.
En este sentido, AGROSAVIA inicio, en el año 2005, la evaluación y selección de
materiales de Avena con atributos apropiados de producción y calidad para mejorar la
eficiencia y reducir la estacionalidad de la producción de leche en el trópico alto colombiano
(Campuzano et al., 2018). Lo anterior se realizó en el marco del proyecto de investigación
“Evaluación y selección de nuevas especies forrajeras para mejorar la eficiencia de los sistemas
ganaderos del Trópico Alto Colombiano”. Proyecto que inicio con la evaluación de 18 genotipos
con potencial forrajero para la producción bajo condiciones de trópico alto. Como resultado,
se identificó Alto andina como material promisorio para liberación.
El presente estudio tiene como objetivo evaluar desde una perspectiva económica, la
viabilidad de la avena Alto andina como estrategia de alimentación en época critica para los
6
sistemas de leche en trópico alto. Específicamente, suministrada como ensilaje para
suplementación bajo dos porcentajes del total de la dieta: 35% y 65%. Esto fue contrastado
frente a un escenario tradicional de pastoreo 100% en Kikuyo. Este documento se encuentra
estructurado de la siguiente manera: después de esta introducción, se presentan las
principales características de la variedad evaluada. A continuación, se explica la metodología,
los supuestos y las fuentes de datos utilizados. En una cuarta sección, se presentan los
resultados del análisis económico, seguido de la discusión y conclusiones del estudio.
7
2. Descripción de la tecnología: Avena AV25T (Alto andina)
La Avena Alto andina fue identificada como una alternativa promisoria para cubrir los
requerimientos de alimento en épocas críticas de los sistemas de producción de leche en el
trópico alto colombiano (Campuzano et al., 2018). Particularmente para la producción en las
subregiones de la Sabana de Bogotá, alto de Chicamocha, valles de Ubaté y Chiquinquirá, y
altiplano de Nariño (Campuzano et al., 2018). La avena Alto andina se caracterizó, en
comparación a las avenas testigo (Avenar, Cajicá, y Cayusé), en presentar menor tiempo de
floración, mayor producción de biomasa (20% superior), resistencia al volcamiento, bajo
nivel de incidencia a la roya, y valores superiores de proteína (Campuzano et al., 2018).
En el presente estudio, se evalúa la avena Alto andina suministrada como ensilaje
para suplementación en épocas de escases de alimento, bajo dos porcentajes del total de la
dieta: 35% (Dieta Amarilla) y 65% (Dieta Roja). Esto se comparó frente a un escenario
tradicional de pastoreo en Kikuyo (Dieta Azul) (ver Tabla 1). Los datos de productividad de la
Avena Alto andina se obtuvieron de evaluaciones en campo realizadas por AGROSAVIA
durante el año 2008. Específicamente estas se llevaron a cabo en la finca “Buenos Aires”,
ubicada en el municipio de Tibasosa, departamento de Boyacá. La productividad fue
evaluada en 15 vacas de raza Holstein bajo un sistema de lechería especializada en
condiciones de trópico alto.
Tabla 1. Composición de las dietas evaluadas con Avena Alto andina.
Categoría Composición Dietas
Azul Amarilla Roja
Forraje (%) Kikuyo 100% 65% 35%
Ensilaje de Avena 0% 35% 65%
Suplemento
(kg/vaca/día)
Concentrado Standar
70 6.0 6.0 6.0
Semilla de Algodón 0.5 0.5 0.5
Harina Alfalfa 0.5 0.5 0.5
Consumo
(kg/vaca/día)
Kikuyo 57.5 33.4 16.7
Ensilaje de Avena 0.0 12.0 25.9
Suplemento 7.0 7.0 7.0
8
En la Figura 1 se presenta la información correspondiente a los indicadores técnicos
de productividad animal para cada una de las dietas. Estos indicadores muestran que la
inclusión del ensilaje con Avena Alto andina permite reducir la cantidad de forraje requerido
para alimentar un animal y, por tanto, reducir el área de pastoreo en un 42% y 71%
respectivamente a los porcentajes de ensilaje del 35% y 65% (incremento de la carga animal
en los mismos porcentajes). Además, según información técnica, la Avena alto andina
permitió reducir la tasa de disminución de la producción de láctea en épocas críticas y, al
final, incrementar la producción de leche por unidad de superficie. Cabe resaltar que, de los
tratamientos evaluados, la mayor variabilidad en la producción animal fue para la dieta azul,
medido por los indicadores de desviación estándar y coeficiente de variación.
Figura 1. Producción de leche por ciclo* en las dietas evaluadas con avena Alto andina.
Fuente: Elaboración propia con base en datos de Agrosavia. *Cada ciclo corresponde a un
periodo de evaluación de 7 días.
21.2
20.020.2
22.021.7
21.2
18.9
19.4
18.7
0
50
100
150
200
250
300
350
400
16.0
17.0
18.0
19.0
20.0
21.0
22.0
23.0
1 2 3 1 2 3 1 2 3
Azul Amarilla Roja
Pro
ducc
ión l
t/d
ia/h
a
Pro
med
io l
t/d
ia/v
aca
9
3. Metodología
3.1. Modelo de flujo de caja libre descontado
El análisis económico se basó en un modelo de flujo de caja libre descontado y la estimación
de los indicadores de rentabilidad como el valor presente neto (VPN), y la tasa interna de
retorno (TIR). Estos indicadores se obtienen suponiendo los valores más probables de las
variables del modelo (asociadas a los beneficios y costos). El análisis se realiza comparando
los indicadores de rentabilidad de la tecnología (T1) frente a los indicadores del escenario
tradicional (T2) para la región de estudio.
El flujo de caja permite ordenar y sintetizar la secuencia de ingresos, costos e
inversiones asociada a las tecnologías evaluadas. Específicamente, las siguientes categorías
de costos por hectárea han sido consideradas: costos totales de establecimiento, y
mantenimiento de cada tratamiento, costos de oportunidad del capital y costos de
operación (sanidad animal, suplementación, personal fijo y ocasional). Por otro lado, los
beneficios se derivan de la producción de leche en un sistema doble propósito, según los
indicadores de respuesta animal obtenidos para cada variedad (Figura 3).
3.1.1. Supuestos modelo
Para la construcción del flujo de caja es necesario establecer diferentes supuestos de tipo
económico y técnico. A continuación, se presenta la explicación detallada para cada uno de
ellos.
3.1.1.1. Supuestos económicos
Horizonte de evaluación. Se establece de acuerdo a la vida útil de los principales activos
para cada variedad. En el caso de la evaluación de la Avena Alto andina, se tomó un periodo
de evaluación de seis años (entre el 2020 y 2025), según la vida productiva de las vacas
Holstein utilizadas en la lechería especializada en el trópico alto colombiano (M. Sotelo, CIAT,
comunicación personal).
10
Tasa de descuento. Se considera el costo de financiamiento como el costo de capital de
cada alternativa, según la línea de crédito del Fondo para el Financiamiento del Sector
Agropecuario –FINAGRO. Por lo tanto, se establece la siguiente tasa DTF1 + 5% e.a. La
proyección de la tasa de descuento en los periodos correspondientes, se realizó siguiendo
las proyecciones de la DTF, según el Informe Anual de Proyecciones Económicas Colombia
2020 (Bancolombia, 2019).
Mano de obra permanente. Se establece según los ponderadores de mano de obra de
FEDEGAN (2003). Esto es, en lechería especializada por cada 100 animales se necesitan 7,8
empleos permanentes.
Salario mano de obra permanente. Se tiene en cuenta el salario base 2019, el auxilio de
transporte, los aportes a la seguridad social, las prestaciones sociales y parafiscales, esto es:
$1.386.033 al mes. Para la proyección del salario durante el periodo de análisis se asumió la
regla universal: variación % SMLV = inflación esperada + variación (%) observada de la
productividad laboral (PL) (ANIF, 2019). Se supone una PL del 1%, según estimaciones
históricas de la Asociación Nacional de Instituciones Financieras (ANIF, 2019).
Impuestos. Se considera el impuesto a la renta según lo dicta la ley 2010 del 2019. Acá se
establece una tarifa del 32% para 2020, 31% para 2021 y 30% para 2022, quedando fija en
este último valor para los años posteriores.
Moneda a precios corrientes. Se tiene en cuenta la inflación para la estimación de los flujos
de ingresos y costos, en el periodo de evaluación. En el caso de los ingresos, se tiene en
cuenta la proyección del Índice de Precios al Consumidor- IPC estimadas por Bancolombia
(2019) para el periodo 2020-2023. Para los costos de producción, se tiene en cuenta el Índice
de Precios al Productor-IPP.
1 “Es la tasa de interés promedio de captación en Colombia de las tasas de interés para los depósitos a término fijo en los últimos 90 días de parte de los bancos comerciales, corporaciones financieras, compañías de financiamiento comercial y corporaciones de ahorro y vivienda, la cual se utiliza como tasa de referencia” (FINAGRO, 2020)
11
Precio de la leche. La información de los precios fue obtenida de la Unidad de Seguimiento
a los Precios de la leche para la Región 1, donde predominan los sistemas de producción de
lechería especializada. Los precios se proyectaron de acuerdo a las proyecciones del IPC.
Adicionalmente, dado el efecto de un fenómeno climático sobre la variación en los precios
de la leche. Se asumió un margen de variación del IPC ante un posible fenómeno del Niño
de la siguiente manera:
1. Se asumió el spread del IPC versus el IPC de la leche del 2018 como el spread que
tendría el precio de la leche frente al IPC nacional en el escenario que no se
presente el fenómeno del Niño.
2. Se asumió el spread del IPC versus el IPC de la leche del 2015-2016 como el spread
que tendría el precio de la leche frente al IPC nacional en el escenario que si se
presente el fenómeno del Niño.
3. Se considera variaciones en el IPC del 7% con fenómeno e inferiores al 1%s sin
fenómeno.
4. El IPC y el IPC de la leche se obtuvieron de las estadísticas del DANE (DANE, 2020).
3.1.1.2. Supuestos técnicos
Costos de suplementación. En las tres dietas se realiza suplementación con concentrado
Standard 70, semilla de algodón y harina de Alfalfa, a una cantidad de 6 kg, 0.5 kg, y 0.5 kg
/animal/día respectivamente. Esta cantidad se asume constante durante todo el año e igual
para los tres tratamientos evaluados. Se estima un costo de $8.460 vaca/día y de $3.087.900
vaca/año.
Periodicidad de cultivo de Altoandina. Se cultiva dos veces al año: en marzo y abril,
octubre y noviembre. Se elabora el ensilaje de avena y se ofrece a los animales en periodos
de heladas o sequias durante el año para cubrir la oferta de forraje requerida en la dieta:
meses de diciembre a febrero, y de abril a junio. Es decir, se supone un consumo de la avena
para un total de 180 días durante un año para las dietas Roja y Amarilla. Es necesario
12
resultar, que la planeación de la siembra de la avena Altoandina debe ir ligado a un plan de
finca para cumplir este supuesto. Si la oferta de forraje es baja se planea realizar dos
siembras, de lo contrario los productores realizan una siembra de avena especialmente
entre marzo y abril.
Costos establecimiento Avena Alto andina. El costo de un kilogramo de ensilaje de la
avena Alto andina incluye los costos requeridos en su establecimiento y los costos
requeridos en el proceso de ensilaje. Se estima un costo por kg de Materia Seca-MS
producido de $ 231 (Ver Anexo 1).
Periodicidad de renovación de praderas Kikuyo. Se supone la renovación una vez cada
dos años, según la tendencia en la región (J. Castillo, AGROSAVIA, comunicación personal).
Esto se realiza con el fin de mejorar la calidad física y química del suelo, así como recuperar
la capacidad productiva del pasto Kikuyo.
Costo renovación Kikuyo. Acá se incluye el análisis de suelo, labranza vertical para
descompactar y airear el suelo, y la aplicación de correctivos y fertilizantes. Se estima, para
este caso, un costo total de $670.467 por hectárea. Cabe resaltar que, dentro de los costos
de renovación, los fertilizantes y correctivos pueden llegar a variar considerablemente entre
zonas, según los resultados del análisis de suelo respectivo. Según Sánchez et al. (2013), este
rubro vario entre $201.000 a $1.120.300 por hectárea, en diferentes fincas que se
encontraban bajo un sistema de producción de leche en el trópico alto colombiano. Por lo
tanto, se incluye los costos de fertilización como variable incierta en el análisis de riesgos.
Compra de animales. Se considera el costo de la adquisición de las vacas Holstein como la
inversión inicial que debe realizar el productor. Se estima el costo de compra de una vaca de
primer parto en $3.000.000 y su precio de descarte a los 6 años, al terminar su vida
productiva, es de $1.500.000 (M. Sotelo, CIAT, comunicación personal). Se supone un periodo
de producción de leche de 305 días y un periodo de intervalo entre partos de 401-450 días.
El precio de adquisición se amortizó para el periodo de análisis y el precio de descarte fue
ajustado por la inflación a 6 años y agregado en el último año.
13
Costos sanitarios. Los costos sanitarios incluyen las vacunas, desparasitantes, vitaminas y
tratamiento de mastitis que necesita una vaca en su vida productiva. Los productos, dosis,
frecuencias y costos son recomendaciones del experto en sistemas lecheros de Colombia (A.
Ruden, CIAT, comunicación personal), considerando el Plan sanitario tradicional de un hato
lechero. Se estima un costo por vaca por año de $623.579 (Ver Anexo 2).
3.2. Análisis cuantitativo de riesgos
El riesgo se define como la posibilidad de que el retorno real de una inversión sea menor al
retorno esperado (Park, 2007). Por ende, la rentabilidad se asocia a la variabilidad de los
flujos de beneficios y costos, y estos a su vez de la aleatoriedad de las principales variables
del proyecto (p. ej. rendimientos, precios de mercado). Particularmente, los proyectos a nivel
rural son actividades de riesgo, cuyos resultados dependen de un conjunto amplio de
variables, en muchos casos, no controladas por el productor (p. ej. factores climáticos). En
este sentido, se hace necesario la incorporación de niveles de riesgo asociados a los
indicadores de rentabilidad de cada una de las alternativas evaluadas. Para ello, se realiza
un modelo de simulación Montecarlo. A continuación, se describe el método de análisis, y
los supuestos usados.
3.2.1. Simulación Monte Carlo
La simulación Monte Carlo es un método en el que se genera una muestra aleatoria de
resultados para una distribución de probabilidad específica (Park, 2007). Este método
permite ver todos los resultados posibles, y evaluar el impacto del riesgo sobre los
indicadores de rentabilidad en los proyectos de inversión. Para realizar la simulación es
necesario determinar las variables de entrada aleatorias (aquellas que pueden tener más de
un posible valor), y los posibles valores rango para cada una. A estas variables se le asigna
una distribución de probabilidad según su comportamiento empírico, literatura o basado en
entrevistas de expertos. Las variables simuladas, los valores rango, y las distribuciones de
probabilidad utilizadas, se presentan más adelante en la sección 3.2.1.2.
14
En la simulación se asignan aleatoriamente valores de las variables identificadas
como críticas, de acuerdo a sus funciones de distribución de probabilidad, para
posteriormente calcular los indicadores de rentabilidad determinados (salidas del modelo).
La simulación Monte Carlo se realizó en el software @Risk (Paladise Corporation). Para todas
las alternativas evaluadas se realizaron 5.000 simulaciones o iteraciones, con un nivel de
confianza del 95%.
3.2.1.1. Criterios de decisión
Como criterios de decisión se utilizan los valores medios y la varianza de los indicadores de
rentabilidad resultado de la simulación. El uso del criterio de valor medio se basa en la ley
de los grandes números, la cual establece que si se realizan muchas repeticiones de un
experimento, el resultado promedio tenderá hacia el valor esperado (Park, 2007). La varianza
de los indicadores determina el grado de propagación o dispersión a ambos lados del valor
medio (Park, 2007). Es decir, cuanto menor es la varianza, menor es la variabilidad (potencial
de pérdida) asociada a los indicadores.
𝑉𝑃𝑁(𝑀𝑒𝑑𝑖𝑜) =∑𝐸(𝐹𝐶𝑡)
(1 + 𝑟)𝑡
𝑛
𝑡=0
𝑉𝑎𝑟 =∑𝑉𝑎𝑟(𝐹𝐶𝑡)
(1 + 𝑟)2𝑡
𝑛
𝑡=0
𝑇𝐼𝑅(𝑀𝑒𝑑𝑖𝑜) =∑𝐸(𝐹𝐶𝑡)
(1 + 𝑟 ∗)𝑡
𝑛
𝑡=0
= 0
Donde,
E (FCt): Valor esperado del Flujo de beneficios netos para el período t
Var (FCt): Varianza del flujo de beneficios netos para el periodo t.
r: Tasa de descuento real
r*: Tasa interna de retorno
t: horizonte del proyecto
15
También se realiza la estimación del indicador VPN en riesgo (VaR) y se estima la
probabilidad de éxito de las tecnologías evaluadas (Prob (VPN(Medio) > 0). El VaR se define
como la máxima perdida esperada que podría sufrir el proyecto de inversión en un intervalo
de tiempo y con un cierto nivel de confianza (Manotas & Toro, 2009). Adicionalmente, se
realizó un análisis de sensibilidad mediante un diagrama de tornado, el cual perturba cada
variable para medir el impacto de cada una sobre la varianza en el resultado del modelo.
Esto con el fin de identificar dentro de las variables definidas como críticas, aquellas con
mayores efectos sobre los indicadores de rentabilidad.
3.2.1.2. Variables simuladas Avena Alto andina
El estudio considera que tan sensible son los resultados económicos a cambios en las
principales variables del modelo. En la siguiente tabla se presentan las variables
identificadas como riesgosas y las distribuciones y parámetros usados en su modelación.
Para la modelación de la variable de producción de leche para las dos dietas evaluadas, se
realizó un ajuste de distribución de los datos en el software @Risk.
Tabla 2. Variables simuladas en el Modelo Montecarlo
No Variable Distribución Valor más
probable
Límite
inferior
Límite
superior
1 Precio litro leche Triangular 1.155 1.051 1.258
2 Productividad leche dieta Azul Pert 20,48 17,63 23,32
3 Productividad leche dieta
Amarilla
Pert 21,67 19,09 24,24
4 Productividad leche dieta Roja Pert 19,01 16,85 21,17
5 Costos de
fertilizantes/correctivos
renovación Kikuyo
Triangular 297.800 201.000 1.120.300
6 Periodicidad fenómeno del
Niño
Uniforme
discreta
2 7
7 Variación % de la tasa de
descuento
Triangular 0% 1% 2%
8 Variación porcentual del IPC Triangular -0,50% 0% 0,50%
16
4. Resultados
4.1. Modelo flujo de caja descontado
En la Tabla 3, 4 y 5 se presentan los flujos de caja descontado para la dieta Azul, Amarilla y
Roja, respectivamente. Los modelos incluyeron los costos variables e ingresos asociados al
establecimiento de cada tecnología. Los ingresos estuvieron dados por la venta de leche
cruda bajo un sistema de producción de lechería especializada, según los parámetros
técnicos presentados en la Figura 1. Los rendimientos promedio año fueron de 31.522,
57.316 y 101.543 litros por hectárea, lo que significó un ingreso bruto por venta de leche
cruda de 33,5 millones en la dieta Azul, 66,4 millones en la dieta Amarilla, y 101.5 millones
en la Roja.
Dentro de los costos de producción, la mayor participación fue del rubro de alimentación
(52%±3%), seguido de la mano de obra (23%±1%), los medicamentos (10%), la amortización
de la inversión (ganado y praderas) (7,9%), los insumos para praderas (1,2%±0.5%), y otros
costos (5%). El costo unitario de la leche producida fue de 1.009 en la dieta Azul, 963 en la
dieta Amarilla, y 1.111 en la dieta Roja, permitiendo una utilidad neta hectárea año de 4,5
millones, 9,6 millones y 8,6 millones, respectivamente. Desde un punto de vista puramente
técnico, la dieta Roja presenta los mejores indicadores de producción animal por hectárea.
Sin embargo, al estimar costos e indicadores de viabilidad económica, la dieta amarilla
resulta ser más eficiente (mejor costo unitario de producción y mayor productividad vaca
día) y, por tanto, se obtiene un mayor margen de ganancia por litro de leche producido.
Tabla 3. Flujo de caja libre descontado Dieta Azul
Concepto $COP 2019 2020 2021 2022 2023 2024 2025
A. Ingresos por venta de
leche
36.570.1
29
36.756.6
36
36.760.3
12
36.800.7
48
38.333.5
00
38.375.6
66
Precio leche ($/lt) 1.159 1.165 1.165 1.167 1.215 1.217
Producción de leche (lt) 31.544 31.544 31.544 31.544 31.544 31.544
Productividad por
lt/Vaca*día 20 20 20 20 20 20
Carga animal vacas/ha 5 5 5 5 5 5
17
Días de producción de
leche anual 305 305 305 305 305 305
B. Costos marginales de la
dieta
29.584.6
66
30.235.9
87
31.550.1
90
31.563.7
82
33.979.5
98
34.001.1
07
MOD
6.551.49
9
6.846.31
6
7.234.62
8
7.454.85
8
7.847.56
0
8.094.21
6
Materiales 552.474 - 570.238 - 618.583 -
Suplementos
15.842.6
18
16.095.3
07
16.352.0
28
16.612.8
42
17.738.3
62
18.021.2
89
Costos sanitarios
3.199.29
9
3.250.32
8
3.302.17
1
3.354.84
0
3.582.13
1
3.639.26
6
Arrendamiento Ha
1.466.25
0
1.519.03
5
1.566.12
5
1.616.24
1
1.667.96
1
1.721.33
6
Amortización
2.525.00
0
2.525.00
0
2.525.00
0
2.525.00
0
2.525.00
0
2.525.00
0
(A-B) Beneficio marginal
6.985.46
3
6.520.64
9
5.210.12
2
5.236.96
6
4.353.90
2
4.374.55
9
Impuestos (ley de
crecimiento) 32% 31% 30% 30% 30% 30%
Beneficio neto
4.750.11
5
4.499.24
8
3.647.08
5
3.665.87
6
3.047.73
1
3.062.19
1
Amortización
2.525.00
0
2.525.00
0
2.525.00
0
2.525.00
0
2.525.00
0
2.525.00
0
Inversión adquisición del
ganado
15.150.00
0
Valor de rescate del ganado
9.044.94
6
Flujo de caja resultante
-
15.150.00
0
7.275.11
5
7.024.24
8
6.172.08
5
6.190.87
6
5.572.73
1
14.632.1
38 DTF EA 4.83% 5.12% 5.14% 4.94% 4.91% 4.91%
Spread EA 5% 5% 5% 5% 5% 5%
Tasa de descuento (EA) 10,1% 10,4% 10,4% 10,2% 10,2% 10,2%
Factor de descuento 1.101 1.215 1.341 1.478 1.628 1.793
Flujo de caja descontado
6.609.44
5
5.781.63
0
4.601.77
2
4.189.04
4
3.423.14
1
8.159.40
0
Tabla 4. Flujo de caja libre descontado Dieta Amarilla
Concepto $COP 2019 2020 2021 2022 2023 2024 2025
A. Ingresos por venta de
leche
66.447.
426
66.786.3
08
66.792.9
86
66.866.4
59
69.651.4
47
69.728.0
63
Precio leche ($/lt) 1.159 1.165 1.165 1.167 1.215 1.217
Producción de leche (lt) 57.316 57.316 57.316 57.316 57.316 57.316
18
Productividad por
lt/Vaca*día 22 22 22 22 22 22
Carga animal vacas/ha 9 9 9 9 9 9
Días de producción de
leche anual 305 305 305 305 305 305
B. Costos marginales de la
dieta
51.535.
177
52.615.6
60
54.383.5
46
54.836.7
43
58.624.6
93
59.129.6
69
MOD
11.286.7
40
11.794.6
44
12.410.5
79
12.843.0
22
13.462.0
28
13.944.4
91
Materiales 552.474 - 570.238 - 618.583 -
Suplementos
27.293.2
22
27.728.5
49
28.170.8
20
28.620.1
44
30.559.1
59
31.046.5
78
Costos sanitarios
5.511.66
4
5.599.57
5
5.688.88
8
5.779.62
6
6.171.19
5
6.269.62
6
Costo kg Avena
1.627.30
0
1.653.25
5
1.679.62
4
1.706.41
5
1.822.02
4
1.851.08
5
Arrendamiento Ha
1.466.25
0
1.489.63
7
1.513.39
7
1.537.53
5
1.641.70
3
1.667.88
9
Amortización
4.350.00
0
4.350.00
0
4.350.00
0
4.350.00
0
4.350.00
0
4.350.00
0
(A-B) Beneficio marginal
14.912.
249
14.170.6
48
12.409.4
41
12.029.7
16
11.026.7
54
10.598.3
94
Impuestos (ley de
crecimiento) 32% 31% 30% 30% 30% 30%
Beneficio neto
10.140.
329
9.777.74
7
8.686.60
8
8.420.80
1
7.718.72
8
7.418.87
6
Amortización
4.350.0
00
4.350.00
0
4.350.00
0
4.350.00
0
4.350.00
0
4.350.00
0
Inversión adquisición del
ganado
26.100.0
00
Valor de rescate del
ganado
15.582.3
82
Flujo de caja resultante
-
26.100.0
00
14.490.
329
14.127.7
47
13.036.6
08
12.770.8
01
12.068.7
28
27.351.2
58 DTF EA 4,83% 5,12% 5,14% 4,94% 4,91% 4,91%
Spread EA 5% 5% 5% 5% 5% 5%
Tasa de descuento (EA) 10,1% 10,4% 10,4% 10,2% 10,2% 10,2%
Factor de descuento 1.101 1.215 1.341 1.478 1.628 1.793
Flujo de caja descontado
13.164.
470
11.628.4
91
9.719.81
1
8.641.33
8
7.413.41
2
15.252.0
34
19
Tabla 5. Flujo de caja libre descontado Dieta Roja
Concepto 2019 2020 2021 2022 2023 2024 2025
A. Ingresos por venta de
leche
117.721.
982
118.322.
365
118.334.
197
118.464.
364
123.398.
405
123.534.
143
Precio leche ($/lt) 1.159 1.165 1.165 1.167 1.215 1.217
Producción de leche (lt)
101.543.
53 101.544 101.544 101.544 101.544 101.544
Productividad por
lt/Vaca*día 19 19 19 19 19 19
Carga animal vacas/ha 17 17 17 17 17 17
Días de producción de
leche anual 305 305 305 305 305 305
B. Costos marginales de
la dieta
105.612.
882
107.815.
591
110.750.
273
112.343.
285
119.399.
008
121.153.
848
MOD
22.625.3
74
23.643.5
16
24.804.4
99
25.745.0
93
26.905.9
86
27.953.0
95
Materiales 552.474 - 570.238 - 618.583 -
Suplementos
54.711.9
31
55.584.5
86
56.471.1
60
57.371.8
75
61.258.8
20
62.235.8
98
Costos sanitarios
11.048.6
69
11.224.8
95
11.403.9
32
11.585.8
25
12.370.7
64
12.568.0
78
Costo kg Avena
7.040.65
8
7.152.95
7
7.267.04
7
7.382.95
6
7.883.15
1
8.008.88
8
Arrendamiento Ha
1.466.25
0
1.489.63
7
1.513.39
7
1.537.53
5
1.641.70
3
1.667.88
9
Amortización
8.720.00
0
8.720.00
0
8.720.00
0
8.720.00
0
8.720.00
0
8.720.00
0
(A-B) Beneficio marginal
12.109.1
00
10.506.7
74
7.583.92
4
6.121.08
0
3.999.39
7
2.380.29
6
Impuestos (ley de
crecimiento) 32% 31% 30% 30% 30% 30%
Beneficio neto
8.234.18
8
7.249.67
4
5.308.74
7
4.284.75
6
2.799.57
8
1.666.20
7
Amortización
8.720.00
0
8.720.00
0
8.720.00
0
8.720.00
0
8.720.00
0
8.720.00
0
Inversión ganado
52.320.0
00
Valor de rescate del
ganado
31.236.4
08
Flujo de caja resultante
-
52,320,0
00
16.954.1
88
15.969.6
74
14.028.7
47
13.004.7
56
11.519.5
78
41.622.6
15 DTF EA 4,83% 5,12% 5,14% 4,94% 4,91% 4,91%
Spread EA 5% 5% 5% 5% 5% 5%
20
Tasa de descuento (EA) 10,1% 10,4% 10,4% 10,2% 10,2% 10,2%
Factor de descuento 1.101 1.215 1.341 1.478 1.628 1.793
Flujo de caja descontado
15.402.8
86
13.144.5
74
10.459.5
28
8.799.64
3
7.076.08
8
23.210.2
50
4.2. Indicadores de rentabilidad y análisis de riesgo
El resumen de los principales indicadores financieros obtenidos de la simulación Montecarlo
se presentan en la Tabla 6. Bajo los supuestos utilizados en la modelación, las tres dietas
resultan en alternativas viables a nivel económico (VPN>0). Sin embargo, los mejores
indicadores estuvieron asociados a una dieta de suplementación con avena Alto andina al
35%. La dieta Amarilla tuvo un VPN medio superior en un 128% y 55% a la dieta Azul y Roja
respectivamente, e indicadores de dispersión más pequeños según el indicador Coeficiente
de Variación (C.V=29%).
Tabla 6. Indicadores de rentabilidad del modelo de simulación para las dietas evaluadas
Criterio Indicador Dieta Azul Dieta Amarilla Dieta Roja
Valor Presente Neto-NPV
Medio1 17.054.695 38.951.535 25.061.077
D.E2 6.953.141 11.442.701 19.455.712
VaR (2.457.256) 4.476.295 (33.442.584)
C.V3 41% 29% 77%
Prob (VPN<0)4 0,3% 0% 10,1%
Tasa Interna de Retorno-TIR Medio1 40,8% 50% 23,5% 1 Valor medio del VPN y la TIR obtenido en la simulación (5000 iteraciones); 2D. E:
Desviación estándar del VPN con respecto al valor medio; 3 Cociente entre la desviación
estándar y el valor medio del VPN; 4 probabilidad de tener un VPN menor a cero (nivel de
confianza del 95%).
Con respecto a la probabilidad de no obtener factibilidad financiera de las tres dietas, los
resultados de la distribución de probabilidad del VPN se presentan en la Figura 2. Acá se
observa la amplitud de la variación para el indicador de VPN con un nivel de confianza del
95%. En el caso de la dieta Azul, el indicador puede tomar valores negativos cercanos a $2,5
millones y valores positivos cercanos a $37,8 millones, con una probabilidad de pérdida
económica menor al 1%. En la dieta Amarilla, la curva de distribución se desplaza hacia la
21
derecha, con un rango que varió entre $7.416.339 y $66.369.511. La curva para el indicador
en la dieta roja presento un comportamiento más disperso alrededor del valor medio,
alcanzando valores mínimos cercanos a -33 millones y máximos de 89 millones, donde el
10% de los escenarios simulados presentaron un VPN<0.
Figura 2. Densidad de probabilidad indicador VPN para las dietas evaluadas
4.2. Análisis de sensibilidad
En las tres dietas evaluadas, los indicadores de viabilidad económica resultan altamente
sensibles a cambios en la variable producción de leche día. Esto es, el 70%, 62,9% y 60% de
las variaciones en el indicador VPN de la dieta Azul, Amarilla y Roja son explicadas por las
variaciones en la producción de leche día. La segunda variable de mayor impacto es el precio
de la leche, la cual explicar en promedio el 30% de las variaciones del VPN. Siendo, la dieta
Roja la más sensible ante cambios en el precio de la leche (38,7%), lo que sugiera que esta
dieta tendría un mayor riesgo frente a condiciones de mercado que causen reducciones en
el precio.
.
22
Figura 3. Sensibilidad de la varianza – Dieta Azul
Figura 4. Sensibilidad de la varianza – Dieta Amarilla
23
Figura 5. Sensibilidad de la varianza – Dieta Roja
24
5. Conclusiones
El uso de avena Alto andina en los sistemas de producción de leche, como estrategia de
suplementación en épocas de escases de alimento demostró ser una alternativa viable a
nivel técnico y económico. La mayor disponibilidad de alimento en las dietas con Alto andina
permitió incrementar la capacidad de carga en un porcentaje de 42% y 71% para los
porcentajes del total de la dieta del 35% y 65% respectivamente. A esto se suman las
características de la Alto andina como tolerancia a la roya (Puccinia spp.), tolerancia a la
sequía y resistencia a las heladas, que la convertiría en una opción con menos
probabilidades de afectación ante las condiciones específicas de clima y plagas presentes en
el trópico alto colombiano. Además, en un adecuado proceso de conservación de la avena
(silo, ensilaje) podría durar hasta 3 años. Reduciendo, por tanto, la estacionalidad en la
producción, y mejorando los parámetros productivos.
En comparación a la producción de leche en la dieta Azul (Escenario de control), la
dieta Amarilla permitió incrementar la producción día en un 5.8% y la producción por
hectárea en un 82.3%, y la dieta Roja redujo la producción día en un 7.7%, pero incremento
la producción por hectárea en un 220%. La menor producción por vaca en una dieta con el
65% de avena Alto andina pudo ser consecuencia de los mejores indicadores de calidad del
pasto Kikuyo, en comparación al ensilaje de avena. Las dietas con Alto andina, también
mostraron indicadores de riesgo, medido por el coeficiente de variación en la producción de
leche, más bajos respecto a la dieta Azul.
A nivel económico los resultados señalaron a la dieta Amarilla como la mejor
alternativa, arrojando un VPN medio superior en un 89% y una menor variabilidad para dicho
indicador (CV=29%). De igual manera, los indicadores de riesgo VaR (Valor en Riesgo al 95%
de confianza) y Prob (VPN<0), fueron más favorables para esta dieta. Estos resultados se
asocian a la mayor eficiencia en términos de costos de producción, lo que permite
incrementar el margen de ganancia por litro de leche producido. Siendo, por tanto, la dieta
Amarilla con un 35% de avena Alto andina la mejor alternativa desde un punto de vista
25
económico, dado los mejores indicadores bajo diferentes escenarios de rendimientos y
condiciones de mercado.
Los resultados de este estudio son claves para proporcionar recomendaciones a los
productores primarios sobre alternativas de suplementación en periodos de escases de
alimento. La alternativa de suplementación con avena Alto andina contribuye a mejorar
tanto la eficiencia en la producción como la rentabilidad al enfrentar el problema de la
estacionalidad en la producción láctea y al aumentar los ingresos de los productores,
además de ser una dieta menos riesgosa frente a la dieta tradicional.
26
6. Referencias
ANIF (Asociación Nacional de Instituciones Financieras)-Centro de Estudio Económicos. 2019.
Productividad multifactorial y laboral en Colombia [Informe semanal No. 1466]
Campuzano, LF; Castro, E; Castillo, J; Torres, D; Cuesta PA; Portillo, PA; Nieto, DF; Yepes, DB. 2018.
Avena Forrajera Alto andina: nueva variedad de avena forrajera para el trópico alto colombiano
[Manual de liberación]. Corporación colombiana de investigación agropecuaria (AGROSAVIA).
Cárdenas, EA. 2003. Estrategias de la Investigación en forrajes en tierra fría en Colombia y avances
en la Universidad Nacional de Colombia-Bogotá. Revista Medicina Veterinaria Zootecnia 50: 20-
24.
FEDEGAN. 2003. Índice de costos ganaderos. CARTA FEDEGÁN.
FEDEGAN. 2018. Ganadería colombiana hoja de ruta 2018 – 2022. Recuperado de:
http://static.fedegan.org.co.s3.amazonaws.com/publicaciones/Hoja_de_ruta_Fedegan.pdf
FEDEGAN. 2020a. Orientación del hato ganadero [Base de datos]. Recuperado de:
https://www.fedegan.org.co/estadisticas/inventario-ganadero
FEDEGAN. 2020b. Producción y acopio de leche en Colombia [Base de datos]. Recuperado de:
https://www.fedegan.org.co/estadisticas/produccion-0
Grupo Bancolombia- Dirección de Investigaciones Económicas, Sectoriales y de Mercados. 2019.
Informe Anual de Proyecciones Económicas Colombia 2020. Recuperado de:
https://bit.ly/37TKcGJ
IDEAM, PNUD, MADS, DNP, CANCILLERÍA. 2015. Escenarios de Cambio Climático para Precipitación y
Temperatura para Colombia 2011-2100 Herramientas Científicas para la Toma de Decisiones –
Estudio Técnico Completo: Tercera Comunicación Nacional de Cambio Climático
Manotas, DF; Toro, HH. 2009. Análisis de decisiones de inversión utilizando el criterio valor presente
neto en riesgo (VPN en riesgo). Revista Facultad de Ingeniería Universidad de Antioquia, 49: 199-
213.
Park, C. S. 2007. Contemporary Engineering Economics (4th ed). Prentice Hall, Upper Saddle River,
N.J
27
Sánchez, L; Benavides, JC; Londoño, CE; Castillo, J; Torres, D. 2013. Recuperación de suelos y
praderas en sistemas de producción de leche especializada de trópico alto. Corporación
Colombiana de Investigación Agropecuaria (CORPOICA)
Tapasco, J; Martínez, J; Calderón, S; Romero, G; Ordóñez, DA; Álvarez, A; Sanchez-Aragón, L; Ludeña,
CE. 2015. Impactos económicos del cambio climático en Colombia: sector ganadero [Monografía
No. 254]. Banco Interamericano de Desarrollo. Washington D.C.
Thornton, PK; Van de Steeg, J; Notenbaert, A; Herrrero, M. 2009. The impacts of climate change on
livestock and livestock systems in developing countries: A review of what we know and what we
need to know. Agricultural Systems, 101: 113-127.
Unidad de Planificación Rural Agropecuaria (UPRA).2020. Cadena láctea colombiana: Análisis
situacional Cadena láctea [presentación]. Recuperado de:
http://www.andi.com.co/Uploads/20200430_DT_AnalSitLecheLarga_AndreaGonzalez.pdf
Unidad Nacional para la Gestión del Riesgo de Desastres-Colombia (UNGRD). 2016. Fenómeno El
Niño Análisis Comparativo 1997-1998//2014-2016.
Vargas Martínez JJ; Sierra Alarcón AM; Mancipe Muñoz EA; Avellaneda Avellaneda Y. 2018. El Kikuyo,
una gramínea presente en los sistemas de rumiantes en trópico alto colombiano. Revista CES
Medicina Zootecnia, 13 (2): 137-156.
28
7. Anexos
Anexo 1. Estimación de costos para la siembra, cosecha y ensilado de la avena forrajera
Alto andina en una finca del Altiplano Cundiboyacense (Costo por hectárea).
Descripción Unid ValorUnit V.Total
Análisis de Suelo 1 90,000 90,000
Subtotal 90,000
Maquinaria Horas
Desbrozadora 6 50,000 300,000
Renovador de Praderas 5 50,000 250,000
Rastrillo Californiano 3 50,000 150,000
Subtotal 700,000
Herbicida preemergente Lts
Panzer 1 40,000 40,000
Esteron 47 1 25,000 25,000
Subtotal 65,000
Correctivos y Fertilizantes Bultos
Urea 2 70,000 140,000
Sulfato de Magnesio (25 kg) 1 40,000 40,000
DAP 1 85,000 85,000
Borax 0.02 500,000 10,000
Subtotal 275,000
Semilla kg/ha
Avena Altoandina 80 6,000 480,000
Subtotal 480,000
Mano Obra Jornal
Jornales 2 40,000 80,000
Subtotal 80,000
Subtotal establecimiento 1,690,000
Ensilaje en Bolsa (1ha) Horas Forraje para ensilar+/-50t.ha1
Cosecha/Picado (30% de Materia Seca) 9 50,000 450,000
Subtotal 450,000
Embolsado unidad
Bolsas 600 1,000 600,000
Subtotal 600,000
Maquinaria Días
Silo Pack 2 100,000 200,000
Subtotal 200,000
Aditivos L
Glicerina 30 800 24,000
Sill All 0.09 350,000 31,500
Subtotal 55,500
Jornales embolsados Días
Embolsado 8 35,000 280000
29
Subtotal 280,000
Subtotal ensilaje 1,585,500
TOTAL, SIEMBRA Y ENSILAJE ($/ha) 3,275,500
Forraje Verde producido (kg/ha) 46,545
Ensilaje obtenido (kg/ha) 41,891
Materia Seca (33,79%) 14,155
COSTO ($Kg/Forraje Verde) 78
COSTO ($Kg/Materia Seca) 231
Anexo 2. Costo de insumos plan sanitario
Producto Present
ación Costo
Costo
dosis Periodicidad
Vece
s/añ
o
Costo/vaca*a
ño
Fiebre Aftosa Unidad 1,064 1,064 cada 6 meses 2 2,128
Carbón (covexin
10 sepas) Frasco
111,600 2,232
Anualmente 1 2,232
Complejo
reporductivo Frasco 62,900 6,290
Anualmente 1 6,290
Fenbendazol 25% Frasco
218,900 1,095
Mayores de 6 meses 1 1,095
Ivermectina 3.15% Frasco 70,900 1,418
Anualmente o cada vez
que se seca 1 1,418
Toltrazuril 5% Frasco
114,900
1,500.0
0
Anualmente o cada vez
que se seca 1 1,500
Vitamina B12 Frasco 22,900 458 Cada 6 meses 2 916
Espiramicina Frasco 32,000 16,000 diaria durante 8 días 8 128,000
Penicilina G Frasco 7,500 7,500
diaria durante 8 días (4
por pezón) 32 240,000
Cloxaciclina
Benzatinica Frasco 7,500 7,500
diaria durante 8 días (4
por pezón) 32 240,000
Total costo
sanitario 623,579
30
Parte B)
Evaluación económica: Arachis pintoi CIAT 22160
Contenido
1. Introducción ................................................................................................................................... 31
2. Cambio climático y ganadería .................................................................................................. 34
3. Descripción de la tecnología: Arachis pintoi CIAT 22160 .................................................. 37
4. Metodología .................................................................................................................................... 39
4.1. Modelo de flujo de caja libre descontado .................................................................... 39
4.1.1. Supuestos modelo .......................................................................................................... 39
4.2. Análisis cuantitativo de riesgos ....................................................................................... 42
4.2.1. Modelo simulación Monte Carlo ................................................................................. 43
4.3. Evaluación económica bajo los escenarios de CC: RCP 2.6 y 8.5 ........................... 45
4.3.1. Producción de forraje bajo los escenarios de CC: RCP 2.6 y 8.5 .......................... 45
4.3.2. Producción de leche ....................................................................................................... 46
4.3.3. Evaluación económica bajo los escenarios de CC ................................................... 48
5. Resultados ....................................................................................................................................... 49
5.1. Modelo flujo de caja descontado ........................................................................................ 49
5.1.1. Indicadores de rentabilidad y análisis de riesgo ...................................................... 52
5.1.2. Análisis de sensibilidad .................................................................................................. 53
5.2. Modelo económico bajo los escenarios de CC: RCP 2.6 y 8.5. ...................................... 54
5.2.1. Producción de biomasa bajo los escenarios de CC: RCP 2.6 y 8.5. ...................... 54
5.2.2. Producción de leche bajo los escenarios de CC: RCP 2.6 y 8.5. ............................ 57
5.2.3. Indicadores de rentabilidad bajo los escenarios de CC: RCP 2.6 y 8.5 ................ 57
6. Discusión y conclusiones ........................................................................................................... 59
7. Referencias ..................................................................................................................................... 62
8. Anexos .............................................................................................................................................. 66
31
1. Introducción
En zonas del Piedemonte de la Orinoquia colombiana, la producción ganadera se realiza bajo
condiciones de suelo mal drenados, donde predominan sistemas de pastoreo extensivos
bajo Brachiaria humidicola cv. Humidicola. Gramínea con un amplio rango de adaptación a
condiciones de saturación temporal de agua y con buena producción de forraje (Rincón et
al., 2018). Sin embargo, presenta baja calidad nutricional, lo cual se refleja en indicadores
productivos deficientes en la región (Rincón et al., 2018). A lo anterior se suma la presencia
de degradación de las pasturas dado las prácticas de manejo no adecuadas de las mismas
(sobrepastoreo y falta de fertilización) y la baja fertilidad de los suelos (Rincón et al., 2018).
En consecuencia, la falta de alimentación es considerada una de las principales limitaciones
que enfrenta la producción ganadera en esta región, especialmente durante la temporada
seca.
Este contexto se agrava bajo un escenario de cambio climático para la región. De
acuerdo con las proyecciones climáticas para la Orinoquia a 2100, la precipitación anual se
reducirá y las temperaturas máximas aumentarán, llevando a que los periodos cálidos
(periodos de estrés por calor) sean aún más cálidos (DEAM, PNUD, MADS, DNP, CANCILLERÍA.
2015). Estos pronósticos afectarían la producción ganadera principalmente a través de: i)
cambios en la producción de biomasa y calidad de los forrajes, lo que se traduce en una
disminución en la producción de leche y carne; y ii) estrés calórico en los animales, que
conlleva a pérdidas importantes en la producción, el crecimiento, desarrollo y reproducción
(CIAT & CORMACARENA. 2017).
En este sentido, surge la necesidad cada vez más apremiante, de implementar
sistemas de producción más intensivos y eficientes, que permitan mejorar la productividad
y la capacidad de adaptación de la actividad ganadera. Entre las estrategias promisorias para
ello se encuentra la inclusión de leguminosas forrajeras en los sistemas ganaderos, con
efectos positivos tanto a nivel productivo, ambiental, y de mitigación y adaptación al cambio
climático (Schultze-Kraft et al., 2018). Por un lado, el mayor contenido de proteína en las
32
leguminosas mejora el valor nutritivo y la eficiencia en la alimentación animal, que a su vez
reduce las emisiones de metano entérico (Dickie et al., 2014). Por otro lado, las leguminosas
aportan Nitrógeno al suelo que mejora la fertilidad y persistencia de los forrajes (Rao et al.,
2014). Además de otros beneficios como: mejora la estructura del suelo, la infiltración de
agua, incremento en la acumulación de carbono, favorece la actividad biológica, y contribuye
al control de malezas y la conservación del suelo (Rao et al., 2014; Schultze-Kraft et al., 2018).
Como parte de los esfuerzos en investigación para identificar leguminosas forrajeras
adaptadas a las condiciones específicas de saturación temporal de agua del Piedemonte
llanero, Agrosavia inició, en el año 2013, la evaluación de 22 materiales. Después de tres
años de evaluaciones agronómicas, se seleccionó la variedad de Arachis pintoi CIAT 22160
como material promisorio para liberación. Este material presentó características deseables
en términos de mayor producción, menor presencia de malezas, mayor área foliar y, la
ausencia de plagas y enfermedades (Rincón & Pesca, 2017). Características que, de acuerdo
a evaluaciones de productividad animal realizadas por Agrosavia en la región, permitieron
mejorar la producción de leche respecto a la producción tradicional con B. humidicola como
monocultivo (Rincón & Pesca, 2017). Lo que podría llevar a mejorar los indicadores de
rentabilidad de las fincas ganaderas.
El presente estudio tiene como objetivo evaluar desde una perspectiva económica, la
rentabilidad de la producción ganadera bajo un sistema en asocio Arachis - B. humidicola (T1),
en relación a la producción en monocultivo con B. humidicola (T2). Específicamente para la
producción de leche en un sistema doble propósito en la zona del piedemonte llanero. La
proyección de los retornos económicos se realiza teniendo en cuenta los cambios en las
características de forraje para ambos tratamientos (producción de Materia Seca), en
respuesta a los cambios de variables climáticas proyectados, según los escenarios de cambio
climático para la región RCP (2.6 y 8.5) 2. También se incluye los posibles efectos sobre la
2 “Un escenario de CC se define como una representación de clima futuro de acuerdo a los supuestos del nivel de
emisiones de GEI, las cuales dependen a su vez del crecimiento demográfico, el desarrollo socioeconómico o el
cambio tecnológico” (CIAT &CORMACARENA, 2017, p. 44).
33
variación de los precios ante la presencia de eventos climáticos. Esta información permitirá
identificar los indicadores de rentabilidad en cada sistema, y el tratamiento con mayor
capacidad de adaptación bajo escenarios de cambio climático. Esta información es clave
para la toma de decisiones de adopción por parte del productor ganadero.
Este documento se encuentra estructurado de la siguiente manera: después de esta
introducción, se profundiza en la relación entre variabilidad climática y ganadería, resaltando
los impactos via producción de forrajes y precios. En segundo lugar, se presentan las
principales características de la variedad evaluada. A continuación, se explica la metodología
a utilizar, los supuestos y las fuentes de datos utilizados. En una cuarta sección, se presentan
los resultados del análisis económico para el escenario actual, y las estimaciones bajo los
escenarios RCP (2.6 y 8.5). Finalmente se presenta la discusión y conclusiones del estudio.
34
2. Cambio climático y ganadería
En los últimos años, se ha evidenciado un aumento progresivo en la temperatura promedio
del planeta y variaciones en los regímenes de lluvia, lo que ha ocasionado que muchas de
las dinámicas naturales hayan estado cambiando de manera cada vez más notoria. Este
fenómeno ha sido denominando por la comunidad científica mundial como el cambio
climático (CC) y se atribuye al aumento en la concentración de gases efecto invernadero (GEI)
en la atmósfera y en la estratosfera (IPCC, 2013). El sector ganadero contribuye a esta
problemática al aportar el 14.5% del total de emisiones de GEI (Gerber et al., 2013), sumando,
además impactos sobre la degradación del suelo y del agua, y reducción de la biodiversidad
(Steinfels et al., 2009). No obstante, al mismo tiempo cambios de temperatura y precipitación
afectan considerablemente la producción ganadera. Esto a través de impactos directos en la
productividad de los forrajes, la disponibilidad de agua, la reproducción, el crecimiento del
animal, producción animal, la presencia de enfermedades y la biodiversidad (Garnett, 2009;
Rojas-Downing, et al., 2017; Thornton, et al., 2009). Se estima que, a nivel mundial, la
variabilidad climática podría afectar a más de 600 millones de personas que dependen de la
ganadería para su subsistencia (Thornton et al., 2002).
En Colombia, se han presentado aumentos en la temperatura media entre el 0.4°C y
1°C para el periodo de 1901 y 2012, e incrementos en el nivel de precipitación para el norte
y centro del país en orden de 10 y 50% en el periodo 1951 y 2010 (IDEAM, PNUD, MADS, DNP,
CANCILLERÍA, 2015). Se prevé hacia 2100, según los diferentes escenarios de CC, aumentos
en la temperatura media de 1°C, incrementos en el nivel de precipitación de 10- 40% para la
región Andina, y disminuciones en la precipitación en orden del 10-40% para el norte del
país, la Amazonia y la Orinoquia (IDEAM, PNUD, MADS, DNP, CANCILLERÍA, 2015).
Estas predicciones sobre cambios en las variables climáticas tendrían importantes
consecuencias sobre la producción ganadera en el país. De acuerdo a Tapasco et al., (2015)
el sector ganadero en Colombia podría enfrentar pérdidas en la producción de leche y carne
de hasta 7.6 y 2,2% respectivamente. Para la región de la Orinoquia, CIAT & CORMACARENA
35
(2017) el impacto del CC llevaría a cambios en la composición y calidad de las especies
forrajeras (hasta un 60%), pérdida de ganancia de peso y de la producción láctea del ganado
bovino, bajas tasas de natalidad e incremento en la tasa de mortalidad. Además, no solo los
cambios medios proyectados pueden tener un impacto, los cambios en la frecuencia y
severidad de eventos climáticos extremos pueden tener consecuencias significativas (p. ej.
aumento en la frecuencia de estrés por calor, eventos de sequias e inundaciones) (Thornton
et al., 2009).
El efecto de dichos fenómenos climáticos también se refleja a nivel macroeconómico
vía precios. Ante eventos climáticos, los precios de los alimentos tienden a variar, generando
presiones inflacionarias transitorias (Melo et al., 2017). Por ejemplo, ante reducciones del
nivel de precipitación causada por un fenómeno del Niño, se genera una reducción de la
oferta agrícola, que a su vez lleva al aumento transitorio de los precios (Melo et al., 2017).
Para el caso colombiano, Abril, Melo, y Parra (2017) se encargaron de cuantificar el impacto
del clima en la inflación de los alimentos. Según estos resultados, después de presentarse
un fenómeno como El Niño y la Niña, el crecimiento de la inflación de los alimentos reaccionó
significativamente (principalmente cuando la intensidad del evento es fuerte), en mayor
medida entre cuatro y cinco meses después, y su respuesta es asimétrica dependiendo del
signo y el tamaño del choque.
Este efecto inflacionario no ha sido ajeno en la producción láctea en el país. Por
ejemplo, a causa del fenómeno del Niño del año 2015 y 2016, categorizado de intensidad
fuerte, la variación del IPC para la leche fue superior al 7%, frente a variaciones inferiores al
1% presentado en años sin fenómeno. La variación en los costos de producción durante este
periodo también fue significativa, esto es, el IPP para la leche cruda fue mayor al 6%, respecto
a variaciones alrededor del 1% en años sin fenómeno (Figura 1). Afectando directamente los
ingresos percibidos por los productores y el poder adquisitivo de los hogares en el país.
36
Figura 1. Comportamiento IPC e IPP de la leche frente a eventos climáticos. Fuente:
Elaboración propia con base en los datos del DANE (2020a, 2020b)
0.53% 0.57%
4.06%
7.39%7.06%
0.83%
0.26%
5.39%
-2%
0%
2%
4%
6%
8%
10%
12%
14%
0%
1%
2%
3%
4%
5%
6%
7%
8%
2012 2013 2014 2015 2016 2017 2018 2019
Sin evento El Niño intensidad fuerte Sin evento La Niña
Intensidad
débil
El Niño
Intensidad
débil
IPC-leche IPP-leche cruda
37
3. Descripción de la tecnología: Arachis pintoi CIAT 22160
La leguminosa forrajera Arachis pintoi CIAT 22160 fue identificado como material promisorio
para mejorar la calidad en la alimentación bovina en la Orinoquia Colombiana (Rincón &
Pesca, 2017). Específicamente, para la producción ganadera en la zona del piedemonte
llanero bajo condiciones de drenaje deficiente. La leguminosa se caracterizó por presentar
buena producción y calidad de forraje, buena adaptación con la gramínea B. humidicola, alta
cobertura del suelo, persistencia, buena competencia con malezas, y tolerancia a plagas y
enfermedades (Rincón & Pesca, 2017).
En el presente estudio se evalúa la leguminosa Arachis pintoi CIAT 22160 en asocio
con la gramínea B. humidicola (T1) para la producción de leche en un sistema doble
propósito. Esto se comparó frente a la producción tradicional de pastoreo en B. humídicola
como monocultivo (T2). Los datos de productividad para ambos tratamientos se obtuvieron
de evaluaciones en campo llevados a cabo por Agrosavia, en la zona de los Llanos Orientales
de Colombia. Específicamente en la finca “Arrayanes” y la finca “El Recreo” en la zona del
Piedemonte Llanero, bajo condiciones de suelos mal drenados. La productividad animal se
midió en vacas lactantes bajo un sistema doble propósito, llevadas a cabo desde el mes de
febrero del 2016 a abril del 2017 para la finca “Arrayanes”, y desde octubre del 2019 a febrero
del 2020 en la finca “El Recreo”.
En la Figura 1 se presentan la producción promedio día por vaca y por hectárea en la
finca “Arrayanes”. De acuerdo a este indicador, la inclusión de la leguminosa en el sistema
permitió incrementar la producción de leche por hectárea en promedio en un 52%.
Particularmente, durante los meses de mínima precipitación (del mes enero a marzo), la tasa
de reducción en la producción fue más lenta para el sistema con la leguminosa.
38
Figura 2. Producción de leche promedio en la finca “Arrayanes” del Municipio Castilla La
Nueva. (Fuente: Elaboración propia con base en datos proporcionados por Agrosavia)
0.0
2.0
4.0
6.0
8.0
10.0
12.0
14.0
16.0
18.0
0.0
1.0
2.0
3.0
4.0
5.0
6.0
7.0
8.0
9.0
Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic Ene Feb Mar Abr
2016 2017
lt/h
a/d
ia
lt/v
aca/
dia
T1 T2 T1_ha T2_ha
39
4. Metodología
4.1. Modelo de flujo de caja libre descontado
El análisis económico se basó en un modelo de flujo de caja libre descontado y la estimación
de los indicadores de rentabilidad como el valor presente neto (VPN), y la tasa interna de
retorno (TIR). Estos indicadores se obtienen suponiendo los valores más probables de las
variables del modelo (asociadas a los beneficios y costos). El análisis se realiza comparando
los indicadores de rentabilidad de la tecnología (T1) frente a los indicadores del escenario
tradicional (T2) para la región de estudio.
El flujo de caja permite ordenar y sintetizar la secuencia de ingresos, costos e inversiones
asociada a las tecnologías evaluadas. Específicamente, las siguientes categorías de costos
por hectárea han sido consideradas: costos totales de establecimiento, y mantenimiento de
cada tratamiento, costos de oportunidad del capital y costos de operación (sanidad animal,
suplementación, personal fijo y ocasional). Por otro lado, los beneficios se derivan de la
producción de leche en un sistema doble propósito, según los indicadores de respuesta
animal obtenidos para cada variedad.
4.1.1. Supuestos modelo
Para la construcción del flujo de caja es necesario establecer diferentes supuestos de tipo
económico y técnico. A continuación, se presenta la explicación detallada para cada uno de
ellos.
4.1.1.1. Supuestos económicos
Horizonte de evaluación. Se establece de acuerdo a la vida útil de los principales activos
para cada variedad. Para la evaluación de T1 y T2 se tomó un periodo de diez años (entre
2020 y 2029), según la vida productiva de las pasturas mejoradas (Holmann & Estrada, 1997).
Es necesario resaltar que pasturas bajo manejo adecuado (en términos de pastoreo y
fertilización) pueden tener un periodo productivo mucho mayor.
40
Tasa de descuento. Se considera el costo de financiamiento como el costo de capital de
cada alternativa, según la línea de crédito del Fondo para el Financiamiento del Sector
Agropecuario –FINAGRO. Por lo tanto, se establecen la siguiente tasa DTF3 + 5% e.a. La
proyección de la tasa de descuento en los periodos correspondientes, se realizó siguiendo
las proyecciones de la DTF, según el Informe Anual de Proyecciones Económicas Colombia
2020 (Bancolombia, 2019).
Mano de obra permanente. Se establece según los ponderadores de mano de obra de
FEDEGAN (2003). Esto es, en un sistema doble propósito, por cada 100 animales se necesitan
4,8 empleos permanentes.
Salario mano de obra permanente. Se tiene en cuenta el salario base del año 2019, el
auxilio de transporte, los aportes a la seguridad social, las prestaciones sociales y
parafiscales, esto es: $1.386.033 al mes. Para la proyección del salario durante el periodo de
análisis se asumió la regla universal: variación % SMLV = inflación esperada + variación (%)
observada de la productividad laboral (PL) (ANIF, 2019). Se supone una PL del 1%, según
estimaciones históricas de la Asociación Nacional de Instituciones Financieras (ANIF, 2019).
Moneda a precios corrientes. Se tiene en cuenta la inflación para la estimación de los flujos
de ingresos y costos, en el periodo de evaluación. En el caso de los ingresos, se tiene en
cuenta la proyección del Índice de Precios al Consumidor- IPC estimadas por Bancolombia
(2019) para el periodo 2020-2023. Para los costos de producción, se tiene en cuenta el Índice
de Precios al Productor-IPP (DANE, 2020b).
Precio de la leche. La información de los precios fue obtenida de la Unidad de Seguimiento
a los Precios de la leche para la Región 2, donde predominan los sistemas de producción de
doble propósito (MADR, 2020). Los precios se proyectaron de acuerdo a las proyecciones del
IPC. Adicionalmente, dado el efecto de un fenómeno climático sobre la variación en los
3 “Es la tasa de interés promedio de captación en Colombia de las tasas de interés para los depósitos a término fijo en los últimos 90 días de parte de los bancos comerciales, corporaciones financieras, compañías de financiamiento comercial y corporaciones de ahorro y vivienda, la cual se utiliza como tasa de referencia” (FINAGRO, 2020)
41
precios de la leche. Se asumió un margen de variación del IPC ante un posible fenómeno del
Niño de la siguiente manera:
5. Se asumió el spread del IPC versus el IPC de la leche del 2018 como el spread que
tendría el precio de la leche frente al IPC nacional en el escenario que no se
presente el fenómeno del Niño.
6. Se asumió el spread del IPC versus el IPC de la leche del 2015-2016 como el spread
que tendría el precio de la leche frente al IPC nacional en el escenario que si se
presente el fenómeno del Niño.
7. El IPC y el IPC de la leche se obtuvieron de las estadísticas del DANE (DANE, 2020a,
2020b).
4.1.1.2. Supuestos técnicos
Sistema productivo. La productividad animal se midió en vacas lactantes bajo un sistema
doble propósito. Dado que la productividad fue medida solo para la producción de leche día,
se suponen los demás indicadores técnicos iguales para ambos tratamientos. Estos son
valores promedios reportados para la región de estudio: i) periodo de intervalo entre partos
de 550 días; ii) edad y peso al destete del ternero de 9 meses y 150 kg, respectivamente; y
iii) tiempo de lactancia de 8,5 meses. Estos indicadores fueron verificados por investigadores
de Agrosavia para la región.
Costo de suplementación. Los animales se suplementaron con sal mineralizada al 8% a
una cantidad de 80 gramos/animal/día durante todo el año. También se suministró ensilaje
de pasto de corte en el momento de ordeño a una cantidad de 2 kilogramos/animal/día,
durante 180 días en el año aproximadamente. El costo de los insumos se estima en $142.560
por animal al año para ambos tratamientos.
Costos establecimiento pradera B. humidicola. Acá se incluyen los costos asociados al
análisis de suelo, alquiler de maquinaria, insumos y mano de obra requeridas en la
42
preparación del suelo, fertilización, control de malezas y siembra del material. El costo se
estima en $1.477.000 por hectárea (Ver Anexo 1).
Costos establecimiento pradera B. humidicola + Arachis pintoi. Se suman a los rubros
requeridos en el establecimiento de la pradera sola, el material vegetativo y la mano de obra
para la siembra de la leguminosa. El costo se estimó en $2.107.000 por hectárea (Ver Anexo
2).
Manejo de praderas. El periodo de ocupación en la pradera asociada con Arachis pintoi
estuvo entre 4 y 6 días, dependiendo de la disponibilidad de forraje y el periodo de descanso
varió entre 15 y 21 días, con el manejo tradicional del productor. La carga animal fue de 2
animales/ha en T1 y de 1.5 animales/ha para T2.
Mantenimiento de los tratamientos. Para mantener los niveles de productividad de las
pasturas, se realiza fertilización de mantenimiento y control de malezas cada año en ambos
tratamientos. En el caso de la pradera asociada se aplica 100 kg/ha de Fosfato Diamónico
(DAP) y 100 kg/ha de Sulgamac. En el caso de la gramínea en monocultivo, a lo anterior se
adicionan 100 kg/ha de urea. El costo estimado es de $704.500 y $532.500 para la pradera
sola y asociada respectivamente. Estos valores incluyen la mano de obra requerido en la
aplicación de fertilizantes y control manual de malezas (Ver Anexo 3 y 4).
4.2. Análisis cuantitativo de riesgos
El riesgo se define como la posibilidad de que el retorno real de una inversión sea menor al
retorno esperado (Park, 2007). Por ende, la rentabilidad se asocia a la variabilidad de los
flujos de beneficios y costos, y estos a su vez de la aleatoriedad de las principales variables
del proyecto (p. ej. rendimientos, precios de mercado). Particularmente, los proyectos a nivel
rural son actividades de riesgo, cuyos resultados dependen de un conjunto amplio de
variables, en muchos casos, no controladas por el productor (p. ej. factores climáticos). En
este sentido, se hace necesario la incorporación de niveles de riesgo asociados a los
43
indicadores de rentabilidad de cada una de las alternativas evaluadas. Para ello, se realiza
un modelo de simulación Montecarlo como se describe a continuación.
4.2.1. Modelo simulación Monte Carlo
La simulación Monte Carlo es un método en el que se genera una muestra aleatoria de
resultados para una distribución de probabilidad específica (Park, 2007). Este método
permite ver todos los resultados posibles, y evaluar el impacto del riesgo sobre los
indicadores de rentabilidad en los proyectos de inversión. Para realizar la simulación es
necesario determinar las variables de entrada aleatorias (aquellas que pueden tener más de
un posible valor), y los posibles valores rango para cada una. A estas variables se le asigna
una distribución de probabilidad según su comportamiento empírico, literatura o basado en
entrevistas de expertos. Las variables simuladas, los valores rango, y las distribuciones de
probabilidad utilizadas, se presentan más adelante en la sección 4.2.1.2.
En la simulación se asignan aleatoriamente valores de las variables identificadas como
críticas, de acuerdo a sus funciones de distribución de probabilidad, para posteriormente
calcular los indicadores de rentabilidad determinados (salidas del modelo). La simulación
Monte Carlo se realizó en el software @Risk (Paladise Corporation). Para los tratamientos
evaluados se realizaron 5.000 iteraciones con un nivel de confianza del 95%.
4.2.1.1. Criterios de decisión
Como criterios de decisión se utilizan los valores medios y la varianza de los indicadores de
rentabilidad resultado de la simulación. El uso del criterio de valor medio se basa en la ley
de los grandes números, la cual establece que si se realizan muchas repeticiones de un
experimento, el resultado promedio tenderá hacia el valor esperado (Park, 2007). La varianza
de los indicadores determina el grado de propagación o dispersión a ambos lados del valor
medio (Park, 2007). Es decir, cuanto menor es la varianza, menor es la variabilidad (potencial
de pérdida) asociada a los indicadores.
44
𝑉𝑃𝑁(𝑀𝑒𝑑𝑖𝑜) =∑𝐸(𝐹𝐶𝑡)
(1 + 𝑟)𝑡
𝑛
𝑡=0
𝑉𝑎𝑟 =∑𝑉𝑎𝑟(𝐹𝐶𝑡)
(1 + 𝑟)2𝑡
𝑛
𝑡=0
𝑇𝐼𝑅(𝑀𝑒𝑑𝑖𝑜) =∑𝐸(𝐹𝐶𝑡)
(1 + 𝑟 ∗)𝑡
𝑛
𝑡=0
= 0
Donde,
E (FCt): Valor esperado del Flujo de beneficios netos para el período t
Var (FCt): Varianza del flujo de beneficios netos para el periodo t.
r: Tasa de descuento real
r*: Tasa interna de retorno
t: horizonte del proyecto
También se realiza la estimación del indicador VPN en riesgo (VaR) y se estima la
probabilidad de éxito de las tecnologías evaluadas (Prob (VPN(Medio) > 0). El VaR se define
como la máxima perdida esperada que podría sufrir el proyecto de inversión en un intervalo
de tiempo y con un cierto nivel de confianza (Manotas & Toro, 2009). La probabilidad de éxito
se define como la proporción de resultados positivos de todas las interacciones (NPV>0, el
proyecto es viable económicamente).
Adicionalmente, se realizó un análisis de sensibilidad mediante un gráfico de tornado, el cual
perturba cada variable para medir el impacto de cada una sobre el indicador de rentabilidad.
Esto con el fin de identificar dentro de las variables definidas como críticas, aquellas con
mayores efectos sobre los indicadores de rentabilidad.
4.2.1.2. Variables simuladas
El estudio considera que tan sensible son los resultados económicos a cambios en las
principales variables del modelo. En la siguiente tabla se presentan las variables
identificadas como riesgosas y las distribuciones y parámetros usados en su modelación.
45
Para la modelación de la variable de producción de leche para las dos dietas evaluadas, se
realizó un ajuste de distribución de los datos en el software @Risk.
Tabla 7. Variables simuladas en el modelo Montecarlo
No Variable Distribución Valor más
probable
Límite
inferior
Límite
superior
1 Precio litro leche Triangular 1,140 1,103 1,177
2 Productividad leche día T1 Pert 6,5 5,16 7,84
3 Productividad leche día T2 Pert 5,7 4,42 6,98
4 Costos establecimiento T1 Triangular 2,107,000 1,896,300 2,317,700
5 Costos establecimiento T2 Triangular 1,477,000 1,329,300 1,624,700
6 Periodicidad fenómeno del
Niño
Uniforme
discreta
2 7
7 Variación % de la tasa de
descuento
Triangular 0% 1% 2%
8 Variación porcentual del IPC Triangular -0,50% 0% 0,50%
4.3. Evaluación económica bajo los escenarios de CC: RCP 2.6 y 8.5
4.3.1. Producción de forraje bajo los escenarios de CC: RCP 2.6 y 8.5
El efecto del cambio climático en la productividad ganadera se determinó mediante la
comparación de la producción de biomasa de los forrajes para una línea base (escenario
actual) y la producción de biomasa bajo escenarios de cambio climático (RCP 2.6 y 8.5). Para
identificar los principales factores ambientales que afectan la productividad de los
tratamientos evaluados, así como la magnitud del efecto, se realizó un análisis de varianza
(ANOVA). A cada uno de estos factores ambientales les fue aplicado el delta identificado en
ambos escenarios de cambio climático (RCP 2.6 y 8.5), para estimar la producción de
biomasa mensual por hectárea. Este delta hace referencia al cambio de las variables
climáticas entre un escenario y otro. Es importante señalar que en el modelo solo se están
teniendo en cuenta los cambios en las variables atmosféricas de los RCP, manteniendo
constantes los supuestos de manejo de las praderas y suelo, nivel tecnológico, inversión en
mano de obra y características de los animales.
46
Adicional a los posibles cambios a nivel productivo de las especies, el cambio de las
condiciones ambientales bajo los escenarios de CC puede alterar la distribución potencial de
las especies. Es decir, las especies tenderían a modificar su distribución hacia latitudes y
altitudes diferentes a las que se encuentran actualmente (Walther et al., 2005; Gutierrez &
Trejo, 2014). Para identificar este posible efecto, se utilizó el modelo de máxima entropía
Maxent versión 3.4.1 (Phillips et al., sf). El modelo permite construir los ambientes esperados
en el futuro, y determinar, en el caso de la leguminosa Arachis pintoi, si tendrá condiciones
similares a los ambientes actuales.
El modelo Maxent requiere dos entradas de información: i) puntos de presencia de la especie
en todo el mundo y, ii) variables bioclimáticas. Los puntos de distribución actual de Arachis
pintoi fueron descargados de GBIF (Global Biodiversity Information Facility), con más de 600
puntos de presencia, que luego de limpieza de outlayers y datos anómalos, alcanzó poco
más de 300 puntos totales. La segunda entrada del modelo Maxent fueron las variables
bioclimáticas para los RCP 2.6 y 8.5 obtenidas de Navarro-Racines et al., (2020). Estas
variables representan tendencias anuales (p. e. temperatura y precipitación media anual),
estacionalidad (p. e. rango anual de temperatura y precipitación) y factores ambientales
extremos o limitantes (p. e. temperatura del mes más frio y más cálido, precipitación de la
humedad). En el Anexo 5 se presenta el listado completo de las variables bioclimáticas
usadas en el modelo.
4.3.2. Producción de leche
A partir de las estimaciones de producción de forraje bajo los escenarios de CC (Sección
3.3.1.), se realizó la estimación de la producción de leche en el modelo LIFE –SIM (versión
Dairy 15.1), desarrollado por el Centro Internacional de la Papa (CIP). Este modelo permite
estimar la producción lechera con base las características de los animales, los forrajes, y las
condiciones climáticas (temperatura, humedad y velocidad del viento) (León-Velarde, et al.,
2006). En las Tabla 2 y 3 se presenta la información ingresada en el modelo. El análisis no
47
consideró episodios de estrés calórico en los animales, que también podrían afectar la
producción de leche.
Tabla 2. Entradas del modelo LIFE-SIM para el componente animal.
Variable Valor
A) Información existente
Intervalo entre partos (días) 550
Edad al destete ternero (meses) 9
Peso al destete del ternero (kg) 150
Tiempo de lactancia (meses) 8.5
Número de lactancias Entre 9 y 10
Peso UA (Kg) 400
B) Información estimada
Edad de los animales (años) 3
Peso después del parto (kg) 380
Duración de la gestación (días) 282
Peso estimado al nacimiento (kg) 28
Pérdida de peso en el periodo de lactancia
(%) 8
Peso esperado al próximo parto (kg) 412.2
Grasa en leche (%) 3
Proteína en leche (%) 3.1
Sólidos no grasos (%) 8.7
Animal fur thickness (mm) 2
48
Tabla 3. Entradas del modelo LIFE-SIM variables atmosféricas.
E n e
F e b
M a r A b r M a y
J u n
J u l A g o s S e p
O c t N o v
D i c
Temperatura media (°C)
E.A 26.1 26.6 26.7 25.7 25.4 24.8 24.6 25 25.5 25.5 25.7 25.6
RCP 2.6 28.3 28.7 28.6 27.6 27.3 26.5 26.4 27 27.3 27.6 27.7 27.5
RCP 8.5 28.6 29.2 29 27.9 27.6 26.9 26.7 27.3 27.7 27.9 28 27.9
Velocidad del viento (Km/h)
E.A 6 6.3 5.6 5 4.6 4.8 4.9 4.5 4.9 4.5 4.5 5.4
RCP 2.6 6.4 6.8 6.0 5.4 4.9 5.2 5.3 4.8 5.3 4.8 4.8 5.8
RCP 8.5 6.5 6.9 6.1 5.4 5.0 5.2 5.3 4.9 5.3 4.9 4.9 5.9
Humedad (%)
E.A 68.5
2
62.3
6
74.7
5
81.5
9
84.1
6
85.5
5
81.9
5
82.8
0
78.5
0
79.6
7
80.5
4
78.6
7
RCP 2.6 74.0 67.3
5
80.7
3
88.1
2
90.8
9
92.3
9
88.5
0
89.4
2
84.7
8
86.0
4
86.9
8
84.9
6
RCP 8.5 74.8 68.1
0
81.6
3
89.1
0
91.9
0
93.4
2
89.4
9
90.4
1
85.7
2
87.0
0
87.9
5
85.9
0
E.A: Escenario actual
4.3.3. Evaluación económica bajo los escenarios de CC
Con base en los resultados de la producción de leche bajo los escenarios de CC, se realizó la
estimación de los indicadores de rentabilidad para ambos tratamientos. Esto de acuerdo a
la metodología presentada en la sección 3.1. y 3.2.
49
5. Resultados
5.1. Modelo flujo de caja descontado
En la Tabla 4 y 5 se presentan los flujos de caja descontado para T1 y T2, respectivamente.
Los modelos incluyeron los costos variables e ingresos asociados al establecimiento de cada
tecnología, bajo un sistema de producción doble propósito. Los ingresos estuvieron dados
por la venta de leche cruda y la venta de terneros destetos (150 kg) cada 550 días (IEP). El
promedio de producción por hectárea año fue de 2.373 litros para T1 y 1.560 para T2,
equivalentes a un ingreso bruto relacionado a la venta de leche cruda de 2.7 millones y 1,7
millones (diferencia del 58%).
Dentro de los costos de producción, la mayor participación fue del rubro de mano de obra
(63%), seguido de insumos para praderas (21%), suplementos (8,5%), medicamentos (1,2%)
y otros costos (5%). El costo unitario de la leche producida fue de 743 en T1, y 1.008 en T2,
equivalentes a una diferencia del 35% entre ambos. La utilidad neta promedio año fue de
$695.658 para T1 y -$22.814 para T2. Bajo los supuestos incluidos, la producción bajo T2
resulta no rentable, consecuencia de los bajos indicadores productivos bajo este sistema.
Sin embargo, es importante resaltar la connotación a nivel social de los sistemas doble
propósito en el país. Esto dado el flujo de caja que brinda la venta de leche, su alto valor
nutricional y las bajas barreras de acceso al negocio resulta atractiva para muchos
productores que derivan de allí su sustento familiar. Dentro de este ejercicio se incluye los
costos requeridos de mano de obra (permanente y ocasional), valorados con el salario
mínimo más prestaciones. Sin embargo, estos costos podrían reflejar el costo de
oportunidad de la mano de obra familiar que, en muchas ocasiones, no son incluidas dentro
de las estructuras de costos, sino que representan el ingreso del hogar.
Tabla 4. Flujo de caja libre descontado T1
Concepto $COP 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029
A. Ingresos
2.715.73
9 4.268.982 4.316.976
2.732.86
5 4.426.185 4.483.285
2.741.89
4 4.602.742 4.665.212 3.656.727
Ingresos por venta de leche
2.715.73
9 2.729.589 2.729.862
2.732.86
5 2.735.871 2.738.881
2.741.89
4 2.744.910 2.747.929 2.750.952
Precio leche ($/lt) 1.145 1.151 1.151 1.152 1.153 1.154 1.156 1.157 1.158 1.160
Producción de leche (lt) 2.373 2.373 2.373 2.373 2.373 2.373 2.373 2.373 2.373 2.373
Ingresos venta de terneros
1.485.90
0 1.539.392 1.587.114
1.637.90
1 1.690.314 1.744.404
1.800.22
5 1.857.832 1.917.283 905.776
Precio kg 4.953 5.131 5.290 5.460 5.634 5.815 6.001 6.193 6.391 6.595
Peso ternero destete (kg) 150 150 150 150 150 150 150 150 150 150
B. Costos marginales
1.783.22
6 2.398.910 2.483.521
2.563.01
0 2.647.405 2.735.149
2.826.38
1 2.921.244 3.019.888 2.472.629
MOD Jornal ocasional 120.000 125.400 131.168 136.546 142.281 148.257 154.484 160.972 167.733 174.778
Jornal permanente ordeño 1.489.517 1.556.545 1.628.146
1.694.90
0 1.766.086 1.840.261
1.917.55
2 1.998.089 2.082.009 2.169.454
Materiales Insumos mantenimiento 412.000 418.571 425.248 432.030 438.921 445.922 453.034 460.260 467.601 475.060
Suplementos 258.840 262.968 262.968 262.968 262.968 262.968 262.968 262.968 262.968 262.968
Costos sanitarios 34.870 35.426 35.991 36.565 37.148 37.740 38.342 38.954 39.575 40.207
(A-B) Beneficio marginal 932.513 1.870.071 1.833.455 169.855 1.778.781 1.748.136 - 84.488 1.681.497 1.645.324 1.184.099 Beneficio neto 932.513 1.870.071 1.833.455 169.855 1.778.781 1.748.136 - 84.488 1.681.497 1.645.324 1.184.099
Establecimiento T1 2.107.000 Inversión adquisición del
ganado 6.000.000
Valor de rescate del ganado
$
3.000.000
Flujo de caja resultante
-$
8.107.000
$
932.513
$
1.870.071
$
1.833.455
$
169.855
$
1.778.781
$
1.748.136 -$ 84.488
$
1.681.497
$
1.645.324 $ 4.184.099 Tasa de descuento (EA) 11,1% 11,4% 11,4% 11,2% 11,2% 11,2% 11,2% 11,2% 11,2% 11,2%
Flujo de caja descontado 839.196 1.510.343 1.328.659 110.656 1.042.068 920.929 - 40.024 716.311 630.281 1.441.325
51
Tabla 5. Flujo de caja libre descontado T2
Concepto $COP 2019 2020 2021 2022 2023 2024 2025 2026 2027 2028 2029
A. Ingresos 1.786.121 2.949.774 2.985.745 1.797.384 3.067.097 3.109.644 1.803.322 3.198.680 3.245.254 2.488.611
Ingresos por venta de leche 1.786.121 1.795.230 1.795.409 1.797.384 1.799.362 1.801.341 1.803.322 1.805.306 1.807.292 1.809.280
Precio leche ($/lt) 1.145 1.151 1.151 1.152 1.153 1.154 1.156 1.157 1.158 1.160
Producción de leche (lt) 1.560 1.560 1.560 1.560 1.560 1.560 1.560 1.560 1.560 1.560
Ingresos venta de terneros 1.114.425 1.154.544 1.190.335 1.228.426 1.267.736 1.308.303 1.350.169 1.393.374 1.437.962 679.331.66
Precio kg 4.953 5.131 5.290 5.460 5.634 5.815 6.001 6.193 6.391 6.595
Peso ternero destete (kg) 150 150 150 150 150 150 150 150 150 150
B. Costos marginales de la dieta 1.411.895 2.188.254 2.261.199 2.330.033 2.402.930 2.478.623 2.557.224 2.638.852 2.723.629 1.962.944
MOD Jornal ocasional 120.000 125.400 131.168 136.546 142.281 148.257 154.484 160.972 167.733 174.778
Jornal permanente ordeño 1.191.613 1.245.236 1.302.517 1.355.920 1.412.869 1.472.209 1.534.042 1.598.472 1.665.607 1.735.563
Materiales Insumos mantenimiento 584.500 593.823 603.294 612.917 622.693 632.625 642.715 652.966 663.381 673.962
Suplementos 194.130 197.226 197.226 197.226 197.226 197.226 197.226 197.226 197.226 197.226
Costos sanitarios 26.152 26.569 26.993 27.424 27.861 28.305 28.757 29.216 29.681 30.155
(A-B) Beneficio marginal 374.225 761.520 724.546 - 532.649 664.167 631.021 - 753.902 559.828 521.624 525.667 Beneficio neto 374.225 761.520 724.546 - 532.649 664.167 631.021 - 753.902 559.828 521.624 525.667
Establecimiento T2 1.477.000 Inversión adquisición del ganado 4.500.000 Valor de rescate del ganado $ 2.250.000
Flujo de caja resultante -$ 5.977.000 $ 374.225 $ 761.520 $ 724.546 -$ 532.649 $ 664.167 $ 631.021 -$ 753.902 $ 559.828 $ 521.624 $ 2.775.667 Tasa de descuento (EA) 11,1% 11,4% 11,4% 11,2% 11,2% 11,2% 11,2% 11,2% 11,2% 11,2%
Flujo de caja descontado 336.776 615.033 525.061 - 347.006 389.091 332.426 - 357.144 238.485 199.821 956.153
5.1.1. Indicadores de rentabilidad y análisis de riesgo
El resumen de los principales indicadores financieros obtenidos de la simulación Montecarlo
se presentan en la Tabla 6. Bajo los supuestos utilizados en el modelo, la inclusión de la
leguminosa en T1 permite obtener unos mejores indicadores económicos e indicadores de
riesgo más bajo, de acuerdo a los indicadores: coeficiente de variación (C.V.) y VaR.
Tabla 6. Indicadores de rentabilidad del modelo de simulación para T1 y T2
Criterio de decisión Indicador T1 T2
Valor Presente Neto-VPN
Medio1 395.988 $(3.087.033)
D.E2 1.283.012 $905.946
C.V3 3,24 0,29
VarR (2.958.320) $(5.371.697)
Máximo 4.325.168 $(635.424)
Prob <04 40% 100%
Tasa Interna de Retorno -TIR Medio1 12,2% - 1 Valor medio del VPN y la TIR obtenido en la simulación (5000 iteraciones); 2D. E:
Desviación estándar del VPN con respecto al valor medio; 3 Cociente entre la desviación
estándar y el valor medio del VPN; 4 probabilidad de tener un VPN menor a cero (nivel de
confianza del 95%)
Con respecto a la probabilidad de no obtener factibilidad financiera de los tratamientos, los
resultados de la distribución de probabilidad del VPN se presentan en la Figura 4, las cuales
reflejan la amplitud de la variación para el indicador de VPN. Para T1, en el 60,9% de los
escenarios generados durante la simulación se obtuvo un VPN>0. Mientras que, para T2 la
inversión resulto no rentable en los escenarios generados.
53
Figura 3. Densidad de probabilidad indicador VPN para T1 y T2.
5.1.2. Análisis de sensibilidad
En la Figura 4 y 5 se presentan gráficos de contribución a la varianza del indicador VPN
resultados de la simulación. Esta grafica representa la correlación que tiene cada variable de
entrada simulada en el modelo sobre el indicador de rentabilidad VPN. Como se observa, la
rentabilidad de los tratamientos medidos por el indicador VPN es altamente sensible ante
cambios en la variable producción de leche para ambos tratamientos. La correlación entre
el indicador VPN y la variable producción de leche es positiva, esto es, cambios en la
producción día afectan al indicador en más del 90% para ambos tratamientos. Esto dada la
alta dependencia de los ingresos de la producción de leche y los niveles de productividad
bajo este sistema.
54
Figura 4. Contribución a la varianza VPN para T1
Figura 5. Contribución a la varianza VPN para T2
5.2. Modelo económico bajo los escenarios de CC: RCP 2.6 y 8.5.
5.2.1. Producción de biomasa bajo los escenarios de CC: RCP 2.6 y 8.5.
En la Figura 5 se presentan las estimaciones de producción de materia seca para los
escenarios evaluados. De acuerdo a estos resultados, los cambios de las variables climáticas
55
en los escenarios RCP tiene notorios impactos sobre la productividad de los tratamientos.
Para T1, en promedio la producción de biomasa se redujo en 7,74% y 16,62%
respectivamente bajo RCP 2.5 y 8.5. En el caso de T2, las reducciones fueron del 14,95% y
35,27% respectivamente bajo RCP 2.5 y 8.5. Los factores ambientales más influyentes sobre
la productividad de los tratamientos fueron: temperatura media y bio 3 para T1 y,
precipitación 7 y bio 3 para T2 (Ver Anexo 6. Resultados análisis de varianza)
Figura 5. Producción de Materia Seca para T1 y T2 en el escenario actual y de CC (2.6 y 8.5)
Adicional a los posibles cambios a nivel productivo del Arachis pintoi, el cambio de las
condiciones ambientales bajo los escenarios de CC puede llegar a alterar su distribución
potencial. De acuerdo a los resultados del modelo Maxent, la leguminosa Arachis pintoi bajo
el escenario 2.6 (al año 2050) describe un desplazamiento de las zonas con aptitud hacia
zonas más altas de los que actualmente ocupa (Figura 6). Esto significa una disminución de
su aptitud en la sabana para lugares como el piedemonte y zonas andinas. En el RCP 8.5,
además de un desplazamiento de las áreas de aptitud, se describe una reducción total del
área potencial para Arachis pintoi (Figura 7).
0
200
400
600
800
1000
1200
1400
ene Feb mar abr may jun jul ago sep oct nov dic
Seca (kg/MS/ha) Lluvias (kg/MS/ha)
T1 E.A
T1 RCP2.6
T1 RCP 8.5
T2 E.A.
T2 RCP 2.6
T2 RCP 8.5
56
Figura 6. Áreas de aptitud estimada de Arachis pintoi para el año 2050 bajo RCP 2.6
Figura 7. Áreas de aptitud estimada de Arachis pintoi para el año 2050 bajo RCP 8.5
57
5.2.2. Producción de leche bajo los escenarios de CC: RCP 2.6 y 8.5.
Lo efectos sobre la producción de biomasa de los tratamientos se traduce en una marcada
disminución en la producción de leche, en ambos tratamientos (Tabla 5). Bajo T1, durante
los primeros tres meses del año, considerados temporada seca, se presenta una
disminución cercana a 23% en la producción de leche bajo el RCP 2.6 con respecto al
escenario actual. El RCP 8.5, siendo el menos optimista describe una reducción de 33% en la
producción de leche. Estas reducciones se evidencian de manera menos marcada durante
los meses de lluvias; sin embargo, siguen siendo relevantes para los bajos volúmenes que
se producen en este sistema. En el caso de T2, el cambio de las variables climáticas lleva a
una reducción del 63% y 67% para los escenarios RCP 2.6 y 8.5 respectivamente, durante la
temporada seca. En la temporada de lluvias, el efecto en la productividad es superior al 40%
para ambos escenarios RCP.
Tabla 8. Cambios en la producción de leche bajo escenarios evaluados
Tratamiento Escenario
Producción de leche en
temporada seca
(promedio litros vaca-
1día-1)
Producción de leche en
temporada húmeda
(promedio litros vaca-
1día-1)
T1
E.A. 5.49 5.59
2050 RCP 2.6 4.2 5.4
2050 RCP 8.5 3.66 4.53
T2
E.A. 4.97 5.1
2050 RCP 2.6 1.83 2.93
2050 RCP 8.5 1.63 2.35
5.2.3. Indicadores de rentabilidad bajo los escenarios de CC: RCP 2.6 y 8.5
La reducción en la producción de leche bajo los escenarios de cambio climático, llevan a un
desplazamiento a la izquierda de las curvas de distribución para el indicador VPN en ambos
tratamientos (respecto al escenario actual) (Figura 8 y 9). Los ingresos netos se reducen entre
el 60% y 90% para T1, y entre 113% y 131% para T2 en los escenarios 2.6 y 8.5
58
respectivamente. Si bien la inclusión de la leguminosa al sistema tiene importantes efectos
positivos a nivel productivo y por tanto de desempeño económico. Ante un escenario de
cambio climático, la inversión tanto de T1 y T2 resultan no rentables.
Figura 8. Distribución de probabilidad VPN para T1 bajo los CC
Figura 9. Distribución de probabilidad VPN para T2 bajo los CC
59
6. Discusión y conclusiones
La inclusión de la leguminosa Arachis Pintoi CIAT 22160 en un monocultivo de B.
humidicola permitió mejorar los parámetros técnicos del sistema productivo, lo que se
tradujo en mejores indicadores económicos. A nivel productivo, T1 permio incrementar la
producción de leche día en promedio en un 14% respecto al sistema en monocultivo. Esto
como resultado del mayor aporte de proteína cruda a la dieta (9.2% frente a 6.6%), y la menor
proporción de FDA (30% frente a 38%) que favorece la digestibilidad y, por tanto, el mayor
aprovechamiento del forraje. Todo lo anterior permitió mejores indicadores financieros
respecto al escenario base (T2). Los resultados indican que la inversión en el establecimiento
de T1 es rentable, con un VPN medio de COP$ $396,041 y una TIR del 12.2%. Por lo tanto, la
inclusión de la leguminosa resulta ser una alternativa viable para mejorar la eficiencia en la
producción respecto a la producción bajo monocultivo.
Las mejoras de los indicadores económicos en el sistema T1 se asociaron también a
mejoras en los indicadores de riesgo. Esto es, la probabilidad de tener pérdidas económicas
se redujo del 100% al 39.1%. Adicionalmente, el análisis de sensibilidad señala a la variable
producción de leche día con el mayor impacto de los indicadores de desempeño económico.
Siendo T2 el más sensible ante pequeñas reducciones de la producción de leche. Cambios
de tan solo el 1% en la producción de leche lleva a cambios en los indicadores de rentabilidad
de más del 90% en T1 y T2. Teniendo en cuenta que los procesos de adopción en forrajes
son decisiones a largo plazo, donde pueden ocurrir cambios en las condiciones de mercado
o ambientales (p. ej. cambio climático), resulta clave tecnologías con menor riesgo para
incentivar la adopción.
A partir de las modelaciones realizadas bajo los escenarios de CC, es notorio el
impacto que tienen las variables atmosféricas sobre la producción de forrajes, tanto en su
distribución como en la cantidad ofrecida a los animales. Respecto a la cantidad de biomasa,
esta se redujo en un rango de 7.74%-16.6% pata T1 y de 14.95%-35.3% para T2,
respectivamente bajo RCP 2.5 y 8.5. Presentando los mayores porcentajes de pérdida
60
durante temporada seca. Estos efectos sobre la productividad de los forrajes son resultado
de una combinación en el incremento de las temperaturas, variaciones en el nivel de
precipitación y en las concentraciones de CO2 atmosférico bajo los escenarios de CC
(Thornton, et al., 2009; Rojas-Downing, et al., 2017). Pero no solo la calidad de los forrajes se
verá afectada, sino también el área potencial de distribución de las especies. De acuerdo a
los resultados de la modelación en Maxent para la leguminosa Arachis pintoi, las condiciones
ambientales propicias para la leguminosa van a cambiar. Esto es se observa un
desplazamiento hacia zonas más altas de las que actualmente ocupa esta variedad. Esto
podría llevar a que lleguen nuevas especies colonizadoras o de mejor capacidad de
adaptación a las condiciones de 2050.
Si bien el impacto bajo los escenarios de CC fueron relevantes en ambos
tratamientos, T1 demostró tener una mayor capacidad de adaptación. Estos mejores
resultados se pueden atribuir al efecto coadyuvante entre la leguminosa y la gramínea,
asociado al aporte de N de la leguminosa mediante el proceso de fijación biológica de N. Lo
anterior se refleja en mejores rendimientos y persistencia de la gramínea, con el co-beneficio
de mitigar las emisiones de GEI: i) reducción de emisiones de metano dada la mejora en la
dieta, y ii) la reducción en el uso de fertilizantes sintéticos y, por tanto, en las emisiones de
Óxido Nitroso. Además, la leguminosa tiene impactos positivos en la estructura y
composición del suelo, que reduciría la vulnerabilidad del sistema ante eventos climáticos.
Los efectos sobre la producción de biomasa en los tratamientos se tradujeron en una
marcada disminución en la producción de leche. Siendo T2 el sistema más afectado bajo los
escenarios de CC: la producción cae en promedio en un 56% para T2 respecto a una caída
del 19% para T1. Estos impactos en la producción llevarían a importantes pérdidas
económicas en los sistemas de producción bovina en la región, según los resultados del
análisis económico. Dado los bajos niveles de productividad y parámetros técnicos en la
ganadería de doble propósito, los márgenes de rentabilidad son intrínsecamente sensibles
ante pequeños cambios en los niveles de producción.
61
En resumen, la inclusión de la leguminosa resulta en una alternativa viable para mejorar
los indicadores técnicos y económicos respecto a un sistema de Humidícola como
monocultivo. Sin embargo, resulta no ser suficiente ante un escenario de CC. De acuerdo al
Plan Regional de Cambio Climático para la Orinoquia, las medidas regionales de adaptación
y mitigación al cambio climático deberán incluir una seria de estrategias localizadas bajo un
enfoque integral. Es decir, además de alternativas para mejorar las deficiencias nutricionales
del ganado (p. ej. leguminosas forrajeras, bancos de proteína, o desechos de cultivos), es
necesario implementar estrategias como; i) mejoramiento genético para mayor rusticidad
de los animales; ii) establecimiento de árboles dispersos en los potreros que permita reducir
el impacto del estrés calórico en el ganado; iii) cosecha de agua que permitan garantizar la
disponibilidad de agua para consumo animal en épocas secas; y iv) rehabilitación de
pasturas introducidos para aumentar el contenido de carbono en el suelo y reducir
emisiones.
Como se mencionó a nivel metodológico, los diferenciales en términos de beneficios
se midieron solo sobre la producción de leche. Sin embargo, la mejora en la calidad de la
alimentación por la inclusión de la leguminosa también se puede asociar a la mejora de otros
parámetros técnicos en el sistema como tasa de natalidad y mortalidad, e intervalo entre
partos. Así mismo, el mayor aporte de proteína en la dieta animal se asocia a una mejora en
la calidad composicional de la leche (Roncallo et al., 2012), y, por tanto, un incremento en el
precio percibido por el ganadero de acuerdo al esquema de pago de la leche (resolución 17
de 2012). Todo lo anterior con efectos en términos de ingresos para el productor asociados
al sistema con leguminosa, que podría ser incluido en próximos estudios económicos.
62
7. Referencias
Abril, D.S., Melo, L.F., and Parra, D. (2017). “Impactos de los fenómenos climáticos sobre el precio de
los alimentos en Colombia”. Cano, C.G., Iregui, A.M., Ramirez, M.T., Tribin, A.M. (Eds.), In: El
desarrollo equitativo, competitivo y sostenible del sector agropecuario en Colombia. Banco de
Desarrollo de América Latina
ANIF (Asociación Nacional de Instituciones Financieras-Centro de Estudio Económicos). (2019).
Productividad multifactorial y laboral en Colombia [Informe semanal No. 1466]
Bancolombia- Dirección de Investigaciones Económicas, Sectoriales y de Mercados. 2019. Informe
Anual de Proyecciones Económicas Colombia 2020. Recuperado de: https://bit.ly/37TKcGJ
CIAT & CORMACARENA. 2017. Plan Regional Integral de Cambio Climático para la Orinoquía. CIAT
[publicación No. 438]. Centro Internacional de Agricultura Tropical (CIAT), Cali, Colombia.
DANE (2020a). Índice de precios al consumidor (IPC) [Base de datos]. Recuperado de:
https://www.dane.gov.co/index.php/estadisticas-por-tema/precios-y-costos/indice-de-precios-al-
consumidor-ipc/ipc-historico
DANE (2020b). Índice de precios al Productor (IPP) [Base de datos]. Recuperado de:
https://www.dane.gov.co/index.php/estadisticas-por-tema/precios-y-costos/indice-de-precios-
del-productor-ipp
FEDEGAN. 2003. Índice de costos ganaderos. CARTA FEDEGÁN.
Garnett, T. (2009). Livestock-related greenhouse gas emissions: impacts and options for policy
makers. Environmental Science & Policy, 12 (4): 491-503. doi:10.1016/j.envsci.2009.01.006
Gerber, P.J., Steinfeld, H., Henderson, B., Mottet, A., Opio, C., Dijkman, J., Falcucci, A., Tempio, G.
(2013). Tackling Climate Change Through Livestock: A Global Assessment of Emissions and
Mitigation Opportunities. FAO, Rome.
Gutierrez, E., and Trejo, I. (2014). Efecto del cambio climático en la distribución potencial de cinco
especies arbóreas de bosque templado en México. Revista Mexicana de Biodiversidad, 85(1);
179-188.
63
Holmann, F., Estrada, R. (1997). Alternativas Agropecuarias en la Región Pacifico Central de Costa
Rica: Un modelo de Simulación Aplicable a Sistemas de Doble Propósito. Lascano, C & Holmann,
F (Eds.), En: Conceptos y Metodologías de Investigación en Fincas con Sistemas de Producción
Animal de Doble Propósito. Cali, Colombia. 134-150.
IDEAM, PNUD, MADS, DNP, CANCILLERÍA. (2015). Escenarios de Cambio Climático para Precipitación
y Temperatura para Colombia 2011-2100 Herramientas Científicas para la Toma de Decisiones –
Estudio Técnico Completo: Tercera Comunicación Nacional de Cambio Climático.
IDEAM, PNUD, MADS, DNP, CANCILLERÍA. 2018. Segundo Informe Bienal de Actualización de
Colombia a la Convención Marco de las Naciones Unidas para el Cambio Climático (CMNUCC).
Bogotá, DC: IDEAM, PNUD, MADS, DNP, CANCILLERÍA, FMAM. Disponible en:
http://www.ideam.gov.co/documents/24277/77448440/PNUD-IDEAM_2RBA.pdf/ff1af137-2149-
4516-9923-6423ee4d4b54 (Acceso octubre 30, 2020).
IPCC (Intergovermental Panel on Climate Change). (2013). Climate change 2013: The physical science
basis. Stocker, T.F., Qin, D., Plattner, G.-K. , Tignor, M., Allen, SK., Boschung, J., Nauels, A., Xia, Y.,
Bex, V., Midgley, P.M. (Eds.). Contribution of Working Group I to the Fifth Assessment Report of
the Intergovernmental Panel on Climate Change, Cambridge University Press, Cambridge, United
Kingdom and New York, NY, USA. 1535 p.
León-Velarde, C., Cañas, R., Quiroz, R., Osorio, J., Guerrero, J., and Pezo, D. (2006). LIFE-SIM: Livestock
Feeding Strategies Simulation Models. International Potato Center (CIP)
MADR (2020). Unidad de seguimiento de precios de la leche [Base de datos]. Recuperado de:
http://uspleche.minagricultura.gov.co/
Manotas, D.F., and Toro, H.H. (2009). Análisis de decisiones de inversión utilizando el criterio valor
presente neto en riesgo (VPN en riesgo). Revista Facultad de Ingeniería Universidad de
Antioquia, 49: 199-213.
Melo, S.F., Riveros, L.C., Romero, G., Álvarez, A.C., Diaz, C., Calderón, S.L. (2017). Efectos económicos
de futuras sequías en Colombia: Estimación a partir del Fenómeno El Niño 2015 [Documento
466]. Dirección de Estudios Económicos. Departamento Nacional de Planeación-DNP.
64
Navarro-Racines, C., Tarapues, J., Thornton, P., Jarvis, A., and Ramirez-Villegas, J. (2020). High-
resolution and bias-corrected CMIP5 projections for climate change impact
assessments. Scientific Data 7, 7. doi: 10.1038/s41597-019-0343-8
Park, C.S. (2007). Contemporary Engineering Economics (4th ed). Prentice Hall, Upper Saddle River, N.J
Phillips, S.J., Dudík, M., Schapire, R.E. s.f. Maxent software for modeling species niches and
distributions (Version 3.4.1). Disponible en:
http://biodiversityinformatics.amnh.org/open_source/maxent/ (Acceso 10/02/2020)
Rao, I., Van der Hoek, R., Peters, M., Castro, A. (2014). Tropical forage-based systems for climate-
smart livestock production in Latin America, Rural 21.
Rincón, A., Flórez, H., Ballesteros, H., and León, L.M. (2018). Efectos de la fertilización en la
productividad de una pastura de Brachiaria humidicola cv. Llanero en el Piedemonte de los Llanos
Orientales de Colombia. Tropical Grasslands-Forrajes Tropicales, 6(1): 158–168. doi:
10.17138/TGFT(6)158-168
Rincón, A., and Pesca, A. (2017). Productividad animal de una leguminosa forrajera seleccionada
para pastoreo en suelos con drenaje deficiente [Informe final de meta]. Corporación colombiana
de investigación agropecuaria (Corpoica).
Rojas-Downing, M; Pouyan, A; Harrigan, T; Woznicki, SA. 2017. Climate change and livestock: Impacts,
adaptation, and mitigation. Climate Risk Management, 16:145-163.
Roncallo, B; Sierra, A.M; Castro, E. 2012. Rendimiento de forraje de gramíneas de corte y efecto
sobre calidad composicional y producción de leche en el Caribe seco. Revista Corpoica –Ciencia y
Tecnología Agropecuaria 13 (1): 71-78.
Schultze-Kraft, R; Rao, I. M; Peters, M; Clements, R. J; Bai, C; & Liu, G. 2018. Tropical forage legumes
for environmental benefits: An overview. Tropical Grasslands-Forrajes Tropicales: 6(1); 1.
DOI:10.17138/TGFT(6)1-14
Steinfeld, H; Gerber, P; Wassenaar, T; Castel, V; Rosales, M; Haan, C. 2009. La larga sombra del
ganado problemas ambientales y opciones. Environmental Modeling and Assessment (14).
DOI:10.1007/s10666-008-9149-3
65
Tapasco, J; Martínez, J; Calderón, S; Romero, G; Ordóñez, DA; Álvarez, A; Sanchez-Aragón, L; Ludeña,
CE. 2015. Impactos económicos del cambio climático en Colombia: sector ganadero [Monografía
No. 254]. Banco Interamericano de Desarrollo. Washington D.C.
Thornton, PK; Kruska, RL; Henninger, N; Kristjanson, PM; Reid, RS; Atieno,F; Odero, A; Ndegwa, T.
2002. Mapping Poverty and Livestock in the Developing World. International Livestock Research
Institute. Nairobi, Kenya, 124 p.
Thornton, PK; Van de Steeg, J; Notenbaert, A; Herrero, M. 2009. The impacts of climate change on
livestock and livestock systems in developing countries: A review of what we know and what we
need to know. Agricultural Systems, 101: 113-127.
Walther, G; Beibner, S; Burga, A. 2005. Trends in the upward shift of alpine plants. Journal of
Vegetation Science, 16: 541-548. DOI:10.7550/rmb.37737
66
8. Anexos
Anexo 1. Costos de establecimiento de una hectárea en B. humidicola (precios 2020)
Descripción Unid Cantidad ValorUnit V.Total
Análisis de suelo análisis 1 $ 120,000 $ 120,000
Preparación de suelo
Pase de cincel rígido Pase 1 $ 120,000 $ 120,000
Pase de rastra Pase 1 $ 100,000 $ 100,000
Pase de pulidor Pase 1 $ 90,000 $ 90,000
Pase de encaladora para siembra
de la gramínea Pase 1 $ 70,000 $ 70,000
Insumos
Fertilización establecimiento
Abono Paz del Rio Bulto (50 kg) 10 $ 26,000 $ 260,000
Cal dolomitica Bulto (50 kg) 8 $ 12,000 $ 96,000
Yeso agricola Bulto (50 kg) 3 $ 27,000 $ 81,000
Cloruro de potasio Bulto (50 kg) 1 $ 85,000 $ 85,000
Control de malezas
Glifosato Litro 2 $ 20,000 $ 40,000
Siembra
Semilla B. humidicola Kg 5 $ 75,000 $ 375,000
Mano de obra
Siembra de pastura y mezcla de
insumos con semilla de pasto Jornal 1 $ 40,000 $ 40,000
TOTAL ESTABLECIMIENTO DE
PRADERA $ 1,477,000
Anexo 2. Costos de establecimiento de una hectárea de asociación Arachis pintoi y B.
humidicola (precios 2020)
Descripción Unid Cantidad ValorUnit V.Total
Analisis de suelo Análisis 1 120,000 120,000
Preparación de suelo
Pase de cincel rígido Pase 1 120,000 120,000
Pase de rastra Pase 1 100,000 100,000
Pase de pulidor Pase 1 90,000 90,000
Pase de encaladora para
siembra de la graminea Pase 1 70,000 70,000
Insumos
Fertilización establecimiento
Abono Paz del Rio Bulto (50 kg) 10 26,000 260,000
Cal dolomitica Bulto (50 kg) 8 12,000 96,000
Yeso agricola Bulto (50 kg) 3 27,000 81,000
Cloruro de potasio Bulto (50 kg) 1 85,000 85,000
Control de malezas
67
Glifosato Litro 2 20,000 40,000
Siembra
Semilla B. humidicola kg 5 75,000 375,000
Material vegetativo Arachis kg 300 500 150,000
Mano de obra
Ahoyado siembra de Arachis Jornal 10 40,000 400,000
Aplicación de fertilizantes Jornal 1 40,000 40,000
Aplicación de herbicidas Jornal 1 40,000 40,000
Siembra de pastura (Mezcla
de insumos con semilla de
pasto) Jornal 1 40,000 40,000
TOTAL ESTABLECIMIENTO DE
PRADERA 2,107,000
Anexo 3. Costos de mantenimiento anual de B. humidicola (promedio para la región). Año
2019
Descripción Unid Cantidad ValorUnit V.Total
Insumos 584,500
Fertilización mantenimiento año 1
Fosfato Diamónico (DAP) Bulto (50 kg) 2 105,000 210,000
Kieserita Bulto (50 kg) 2 65,000 $ 130,000
Cloruro de potasio Bulto (50 kg) 1 72,500 72,500
Urea Bulto (50 kg) 2 86,000 172,000
Mano de obra 120,000
Mezcla de fertilizantes y
aplicación manual Jornal 1 40,000 40,000
Control manual de malezas Jornal 2 40,000 80,000
Total $ 704,500
Anexo 4. Costos de mantenimiento anual de B. humidicola + A. pintoi (promedio para la
región). Año 2019
Descripción Unid Cantidad ValorUnit V.Total
Insumos 412,000
Fertilización mantenimiento año 1
Fosfato Diamónico (DAP) Bulto (50 kg) 2 105,000 210,000
Kieserita Bulto (50 kg) 2 65,000 130,000
Cloruro de potasio Bulto (50 kg) 1 72,000 72,000
Mano de obra 120,000
Mezcla de fertilizantes y
aplicación manual Jornal 1 40,000 40,000
Control manual de malezas Jornal 2 40,000 80,000
Total 532,000
68
Anexo 5. Variables bioclimáticas usadas en el modelo Maxent
BIO1 = Annual Mean Temperature
BIO2 = Mean Diurnal Range (Mean of monthly (max temp - min temp))
BIO3 = Isothermality (BIO2/BIO7) (×100)
BIO4 = Temperature Seasonality (standard deviation ×100)
BIO5 = Max Temperature of Warmest Month
BIO6 = Min Temperature of Coldest Month
BIO7 = Temperature Annual Range (BIO5-BIO6)
BIO8 = Mean Temperature of Wettest Quarter
BIO9 = Mean Temperature of Driest Quarter
BIO10 = Mean Temperature of Warmest Quarter
BIO11 = Mean Temperature of Coldest Quarter
BIO12 = Annual Precipitation
BIO13 = Precipitation of Wettest Month
BIO14 = Precipitation of Driest Month
BIO15 = Precipitation Seasonality (Coefficient of Variation)
BIO16 = Precipitation of Wettest Quarter
BIO17 = Precipitation of Driest Quarter
BIO18 = Precipitation of Warmest Quarter
BIO19 = Precipitation of Coldest Quarter
Monthly mean temperature
Monthly mean precipitation
69
Anexo 6. Análisis de Varianza (ANOVA) T1 (Izquierda) y T2 (Derecha).
70
