Los efectos de los biocombustibles en la seguridad ...En primer lugar debo dedicarle esta tesis a Dios por darme la vida y guiarme a lo largo de mi caminar. A Luisa Jaramillo Q.E.D

Los efectos de los biocombustibles en la seguridad alimentaria en

Colombia: Una aproximación con Dinámica de Sistemas.

Juan Esteban Martínez Jaramillo

Universidad Nacional de Colombia

Facultad de Minas, Departamento de Ciencias de la Computación y de la Decisión

Medellín, Colombia

2015

The effects of biofuels in food security in Colombia: A system

dynamic approach.

Juan Esteban Martínez Jaramillo

Tesis presentada como requisito parcial para optar al título de:

Magister en Ingeniería – Ingeniería de Sistemas

Director:

Ph.D Santiago Arango Aramburo

Codirectora:

Ph.D Diana Patricia Giraldo Ramírez

Línea de Investigación:

Investigación de Operaciones

Grupo de Investigación:

Ciencias de la Decisión

Universidad Nacional de Colombia

Facultad de Minas, Departamento de Ciencias de la Computación y de la Decisión

Medellín, Colombia

2015

En primer lugar debo dedicarle esta tesis a

Dios por darme la vida y guiarme a lo largo de

mi caminar.

A Luisa Jaramillo Q.E.D. por mostrarme cuál

es el secreto de la felicidad y en donde radica

la verdadera sabiduría.

A mis padres, por creer en mí y apoyarme en

mi deseo de hacer la diferencia desde la

educación.

A mi hermana y mi primo JF cuya compañía

ha sido fundamental en los momentos de

dificultad.

Agradecimientos

En primer lugar debo agradecerle al profesor Santiago Arango Aramburo, director de

este trabajo, por haber creído en mí, por su apoyo incondicional, por el valor agregado

expresado en la ética de trabajo y humanidad que transmite con su ejemplo al tratar a

sus estudiantes, por motivarme y preocuparse porque sea un profesional integral que

busque darle siempre lo mejor a la sociedad.

A la universidad Nacional de Colombia, que me otorgó la Beca de Facultad, con la cual

pude ayudarme a financiar el posgrado.

A Diana P. Giraldo por el apoyo en la construcción de esta tesis, apoyando el desarrollo

de esta tesis aportando sus conocimientos en Seguridad Alimentaria y por su dirección

como codirectora.

A Luisa Diez, por todo el apoyo incondicional, su amistad durante todos estos semestres,

su apoyo académico y motivación en los momentos de crisis.

A la profesora Gloria Patricia Jaramillo Álvarez por compartir su conocimiento en el área

de decisiones.

VIII Los efectos de los biocombustibles en la seguridad alimentaria en Colombia: Una

aproximación con Dinámica de Sistemas

Resumen

En esta tesis se evalúan los efectos que tiene la producción de biocombustibles en la

seguridad alimentaria en Colombia, donde la decisión en el uso de la tierra y el uso final

de la materia prima agrícola son las variables clave para analizar los efectos que tiene la

política de producción de biocombustibles sobre la seguridad alimentaria. Para la

evaluación se construyó un modelo partiendo del desarrollado por Girlado (2013). El

modelo desarrollado considera la interacción por el uso de la tierra entre la producción

alimentaria, biocombustibles y ganadería. Las simulaciones muestran como los efectos

que tienen los biocombustibles en la Seguridad Alimentaria están sobrevalorados. Para

el caso del uso de la tierra el modelo arroja un aumento del 12,4%, para el precio de los

alimentos un incremento del 3,3% y para la proporción de población vulnerable NBA un

crecimiento del 1,59%. Por último los resultados muestran como una política en el uso

eficiente de la tierra en el caso pecuario puede tener un mayor impacto en el desempeño

tanto en la seguridad alimentaria como en la producción de biocombustibles en

Colombia.

Palabras clave: Seguridad Alimentaria, Biocombustibles, Modelo, Dinámica de

Sistemas, Simulación, Escenarios

Resumen y Abstract IX

Abstract

In this thesis is evaluated the effects of biofuel production on food security in Colombia. A

revision of the literature allowed us to identify the decision of use of land use and the final

use of agriculture commodities as key variables to analyze the effect of biofuel production

policies on food security. A model was constructed for the evaluation based on a previous

one developed by Giraldo (2013). The model developed model takes into account the

interaction on the use of land between food production, biofuel production and livestock

farming. The simulations show that the effects of biofuels in Food Security are

overestimated. The model shows an increase in land use of 12.4%, food prices grows in

3.3% and the proportion of vulnerable population in food basic needs rises in 1.59%. At

the same time, results shows how a policy focused on the efficient use of land for

livestock policies could have a larger impact on performance, in terms of food security

and biofuel production in Colombia.

Keywords: Food Security, Biofuels, Model, System Dynamics, Simulation,

Scenarios

Contenido XI

Contenido

Pág.

Introducción .................................................................................................................... 1

1. El mercado de los biocombustibles y la seguridad alimentaria ........................... 5 1.1 Antecedentes de la seguridad alimentaria en el mundo ..................................... 5

1.1.1 Políticas públicas en seguridad alimentaria tomadas por algunos países de América Latina y el Caribe ......................................................................................... 9 1.1.2 Antecedentes de la seguridad alimentaria en Colombia ................................... 9

1.2 Antecedentes de los biocombustibles en el mundo .......................................... 12 1.2.1 Antecedentes de los biocombustibles en Colombia ....................................... 15 1.2.2 Políticas públicas en el sector de biocombustibles en Colombia .................... 17

2. El problema de la cuantificación de los efectos de la producción de BC en la SA: Antecedentes, teoría y propuesta de investigación............................................. 21

2.1 Estado del arte y marco teórico ........................................................................ 21 2.2 Modelos usados para el entendimiento en las relaciones existentes entre BC y SA ......................................................................................................................... 23

2.2.1 Statistical time series models: ........................................................................ 24 2.2.2 Economic cost-benefit analysis: ..................................................................... 25 2.2.3 Perfect Storm ................................................................................................. 26 2.2.4 Framework for ecological-economic world food system analysis (OFID-IIASA)26 2.2.5 Modelos de simulación .................................................................................. 28

2.3 Problema de investigación ............................................................................... 29 2.4 Objetivos de la investigación estudio ................................................................ 31

2.4.1 Objetivo general............................................................................................. 31 2.4.2 Objetivos específicos ..................................................................................... 31

2.5 Hipótesis de investigación ................................................................................ 31

3. Metodología ............................................................................................................ 33 3.1 Selección de la metodología de investigación .................................................. 33 3.2 Método de simulación en Dinámica de Sistemas.............................................. 35 3.3 Proceso de modelación en dinámica de sistemas ............................................ 36

4. Modelo propuesto en dinámica de sistemas para analizar los efectos de los BC en la SA en Colombia .................................................................................................... 39

4.1 Formulación de la hipótesis dinámica ............................................................... 39 4.1.1 Seguridad alimentaria en Colombia ............................................................... 40 4.1.2 Producción de biocombustibles en Colombia ................................................. 43

XII Los efectos de los biocombustibles en la seguridad alimentaria en Colombia:

Una aproximación con Dinámica de Sistemas

4.1.3 Relación entre el sistema alimentario y el sistema de biocombustibles en Colombia ..................................................................................................................46

4.2 Descripción del modelo formal de simulación ................................................... 48 4.2.1 Producción de materia prima para biocombustibles .......................................51 4.2.2 Producción de biocombustibles ......................................................................52 4.2.3 Decisión del uso de las materias primas.........................................................53 4.2.4 Sistema de tierras agrícolas ...........................................................................54 4.2.5 Costos de producción biocombustibles ..........................................................55

4.3 Validación del modelo planteado ...................................................................... 56 4.3.1 Validación de la estructura .............................................................................58 4.3.2 Validación del comportamiento .......................................................................62

5. Simulación de escenarios y análisis .....................................................................65 5.1 Introducción de biocombustibles en el sistema agroalimentario (BC) ................ 65 5.2 Simulación de escenarios en el sistema agroalimentario-biocombustibles en Colombia ..................................................................................................................... 69 5.3 Resultados de la simulación de escenarios....................................................... 71

6. Conclusiones y recomendaciones ........................................................................77

Bibliografía .....................................................................................................................81

A. Anexo: Datos adicionales de soporte a la descripción del problema. ................91

B. Anexo: Parámetros, ecuaciones del modelo y diagrama de flujos y niveles del modelo. 101

C. Anexo: Soporte para las pruebas de validación ................................................. 131

Contenido XIII

Lista de figuras

Pág.

Figura 1-1. Personas subnutridas en 2013 por regiones en el mundo (en millones) ......... 6

Figura 1-2. Índice de Producción Agrícola en el Mundo 2000-2012 (2004-2006 = 100) .... 8

Figura 1-3. Variación anual del IPC alimentos en Colombia ........................................... 11

Figura 1-4. Producción y consumo de biocombustibles en el mundo 2000-2011 ............ 14

Figura 1-5. Evolución de las hectáreas cultivadas de caña de azúcar y palma de aceite en

Colombia. ....................................................................................................................... 16

Figura 1-6. Evolución en la producción de biodiesel en Colombia. ................................. 16

Figura 1-7. Evolución en la producción de alcohol anhidro de caña ............................... 17

Figura 1-8. Evolución precio del etanol y biodiesel en Colombia por galón. .................... 19

Figura 2-1. Resumen del modelo Perfect Storm, perspectiva de Headey & Fan (2010). 26

Figura 2-2. Framework for ecological-economic world food system analysis .................. 27

Figura 4-1. Diagrama causal del modelo global de la seguridad alimentaria en Colombia

....................................................................................................................................... 43

Figura 4-2. Diagrama causal del modelo global de la producción de biocombustibles en

Colombia. ....................................................................................................................... 45

Figura 4-3. Diagrama causal de la relación del sistema alimentario y la producción de

biocombustibles. ............................................................................................................. 47

Figura 4-4. Pruebas para la validación formal de un modelo en Dinámica de Sistemas. 57

Figura 4-5. Prueba de condiciones extremas. Cuotas de Mezcla = 0 ............................. 60

Figura 4-6. Prueba de valores extremos. Rentabilidad Biocombustibles = 0................... 61

Figura 4-7. Resultado pruebas extremas sobre la población. ......................................... 61

Figura 4-8. Comparación área sembrada caña de azúcar histórico vs. simulado ........... 63

Figura 4-9. Comparación productos agricultura histórico vs. simulado ........................... 63

Figura 5-1. Comportamiento del escenario base v.s Giraldo (2013) para Tierra en uso

agrícola, ......................................................................................................................... 66

Figura 5-2. Comportamiento del escenario base v.s Giraldo (2013) para precio percibido

de los alimentos ............................................................................................................. 67

Figura 5-3. Comportamiento del escenario base v.s Giraldo (2013) para proporción de

población vulnerable al acceso de NBA ......................................................................... 68

Figura 5-4. Tierra en uso biomasa escenario BC y producción de biocombustibles ....... 69

Figura 5-5. Comparación entre escenarios. Tierra en uso agrícola................................. 72

Figura 5-6. Comparación entre escenarios. Producción biodiesel .................................. 73

Figura 5-7. Comparación entre escenarios. Producción etanol ....................................... 74

Figura 5-8. Comparación entre escenarios. Tierra en uso biomasa ................................ 74

Figura 5-9. Comparación entre escenarios. Precio percibido de los alimentos ............... 75

XIV Los efectos de los biocombustibles en la seguridad alimentaria en Colombia:


Figura 5-10. Comparación entre escenarios. Proporción población vulnerable NBA ....... 76

Contenido XV

Lista de tablas

Pág. Tabla 1-1. Tasa de crecimiento del PIB agropecuario y nacional a precios constantes.

Base 2005 ...................................................................................................................... 10

Tabla 3-1. Comparación de diferentes técnicas de simulación ....................................... 34

Tabla 4-1. Resultados de validación del comportamiento. .............................................. 64

Tabla 5-1. Parámetros usados para los escenarios optimista BC y pesimista BC .......... 70

Tabla 5-2. Parámetros usados para los escenarios optimista agro y pesimista agro ...... 70

Tabla 5-3. Parámetros para el escenario ganadería. ...................................................... 71

Contenido XVI

Lista de abreviaturas

Abreviatura Término

ACPM Diésel

ALC América Latina y el Caribe

BC Biocombustibles

CEPAL Comisión Económica para Ámerica Latina y el Caribe

CO2 Dióxido de carbono

COP Peso colombiano

CORPOICA Corporación Colombiana de Investigación Agropecuaria

DANE Departamento Administrativo Nacional de Estadística

DC Diagrama causal

DNP Departamento Nacional de Planeación

DS Dinámica de sistemas

E10 Mezcla del 10% de biocombustible



EE.UU. Estados Unidos

EIA Agencia Internacional de la Energía

FAO

Organización de las Naciones Unidas para la Alimentación

y la Agricultura

FAOSTAT División estadística de la FAO

FEDEBIOCOMBUSTIBLES Federación Nacional de Biocombustibles de Colombia

FIDA Fondo Internacional de Desarrollo Agrícola

http://www.dane.gov.co/

Resumen y Abstract XVII

Ha Hectáreas

ICBF Instituto Colombiano de Bienestar Familiar

IIASA International Institute for Applied Systems Analysis

IICA Instituto Interamericano de Cooperación para la Agricultura

IPC Índice de precios al consumidor

IPCC Panel Intergubernamental del Cambio Climático

IVA Impuesto de valor agregado

Lt Litro

Mb Miles de barriles

MMb Millones de barriles

NBA Necesidades básicas alimenticias

PIB Producto interno bruto

PROCIANDINO

Programa para la cooperación para la investigación

agrícola y la transferencia tecnológica en la subregión

andina

SA Seguridad alimentaria

SMMLV Salario mínimo mensual legal vigente

Ton Tonelada

http://www.iica.int/

Introducción

Los precios de los commodities, entre ellos los alimentos, presentan comportamientos

inestables y volátiles (Arango, 2006). Un ejemplo fue el alza en los índices de los precios

de los alimentos en la primera década del tercer milenio. La comunidad científica ha

estado preocupada por explicar este fenómeno por lo que nuevas teorías han surgido

tratando de entender estas dinámicas. Algunos estudios muestran los comportamientos

cíclicos y la correlación entre los mercados energéticos y la cadena de producción de los

alimentos (Deaton & Laroque, 1992; IEA, 2003). Los precios de los alimentos y los

energéticos, desde el año 2000, se han incrementado sostenidamente y algunos autores

han propuesto que este comportamiento podría indicar correlación entre estos

commodities (Kim, 2009). Al mismo tiempo se ha experimentado un alza en la demanda

de energéticos sustitutos a derivados del petróleo, en especial para el sector transporte,

en este caso se ha visto como la producción de biocombustibles de primera generación

se ha incrementado significativamente (Acosta, 2008; Acosta & Chapparro, 2009; Rosillo-

Calle & Walter, 2006). Este comportamiento incremental en el nivel de producción de

combustibles podría persistir en el futuro; de hecho, las proyecciones a nivel global

muestran que para el año 2050 podrían llegar a ser 5 veces el registrado en el año 2005

(Demirbas, 2008). Los factores asociados a que se multiplique la producción se asocian

a: políticas gubernamentales, volatilidad en los precios del petróleo, seguridad

energética, el ser un recurso renovable amigable con el ambiente, entre otros (Demirbas,

2008; Liao, Heijungs, & Huppes, 2012; Sandvik, 2008).

Para que los biocombustibles sean competitivos y poder cumplir los objetivos que los

gobiernos se han trazado en el nivel de producción, se requiere de políticas públicas que

incentiven a los productores. Los incentivos más comunes son: incentivos financieros,

fijación de precios y exenciones en impuestos (Demirbas, 2008; Sorda, Banse, &

Kemfert, 2010). Estas políticas han llevado al aumento a nivel global de biodiesel y

bioetanol, aumentando el área cultivada, trayendo como efecto el cambio en el uso final

de los bienes agrícolas, pasando de alimentación a la producción de biocombustibles.

2 Introducción

Los biocombustibles han servido como alternativas económicas y de desarrollo social en

el sector agrícola en los países en vía de desarrollo. Sin embargo, no es claro el impacto

social que ha tenido (Peters & Thielmann, 2008), algunos sectores han denunciado

problemas sociales derivados de estas políticas. Algunos de los efectos colaterales que

han sido denunciados están en el orden laboral y de violencia (Altieri & Bravo, 2012).

Por el otro lado, la Seguridad Alimentaria es un aspecto crítico para la población, esto

debido a que es un estado necesario para alcanzar el bienestar general de la población.

Sin Seguridad Alimentaria, el tejido social es vulnerable a tal punto que corre un alto

riesgo de disolverse. Este tema es de suma importancia para las políticas

gubernamentales, donde se han desarrollado diferentes definiciones y perspectivas de

esta condición. De hecho, desde la Conferencia Mundial de la Alimentación de 1974 se

han desarrollado un poco más de 200 diferentes aproximaciones y definiciones para la

Seguridad Alimentaria, mostrando que es un tema complejo y controversial (Carr, 2006;

Smith, Pointing, & Maxwell, 1992). La FAO (The Food and Agriculture Organization of

The United Nations) ha venido publicando los datos de las personas que están

clasificadas en subnutrición. Las tendencias se han revertido mientras que en el periodo

1989-2009 se aumentó en un 37% las personas sub alimentadas, pasando de 744,5

millones de personas a 1020 millones (Godfray et al., 2010), en los años 2009-2013 se

disminuyó en un 16,8% llegando a una cifra de 848 millones de subnutridos. A pesar de

las disminuciones en los últimos años, la cantidad de personas en esta condición es un

13,8% superior a la registrada en el año 1989 (FAO, FIDA, & PMA, 2013).

Según Rena (2005) la Seguridad Alimentaria posee 4 dimensiones (disponibilidad de

alimentos, acceso a los alimentos, utilización de los alimentos y estabilidad). En este

sentido, es posible tener la cantidad suficiente de alimentos para cumplir la demanda

pero por cuestiones de precio, distribución, limitación de ingresos u otros factores pueden

no ser accesibles. Adicional, se puede acceder a la cantidad de alimentos para no sentir

hambre pero no garantizan que tengan los nutrientes necesarios para una buena

alimentación (utilización de los alimentos) mientras que la estabilidad permite que haya

seguridad en la producción (FAO et al., 2013; Rena, 2005).

La disponibilidad de alimentos enfrenta actualmente grandes retos debido a varios

factores. En primer lugar, se cuenta con una población creciente en el mundo que

Introducción 3

requiere que se produzcan más alimentos para poder suplir la demanda que representa

la nueva población. Adicionalmente, la degradación de la tierra y el cambio climático ha

perjudicado la producción de alimentos (Fischer, Hizsnyik, Prieler, Shah, & van

Velthuizen, 2009). Otro factor clave es el aumento en el poder adquisitivo lo que

representa un aumento en la demanda de alimentos de origen vegetal, materias primas y

carne. Especialmente, el aumento en el consumo de carne trae consecuencias como la

sustitución en la tierra destinada para la agricultura, transformada en tierra dedicada a la

ganadería (Godfray et al., 2010; Latham, 2000). La mayor demanda por alimentos,

impone presión sobre los recursos necesarios para la producción tales como las tierras

arables, el agua, la energía, el capital de trabajo y las áreas naturales (FAO, 2003;

Gerbens-Leenes, Nonhebel, & Krol, 2010; Hoekstra & Chapagain, 2007; WWF, 2007).

La necesidad de buscar soluciones a la seguridad energética (Kuchler & Linnér, 2012),

han transformado a los biocombustibles en una de las alternativas. Los cultivos de

biomasa entran a competir por los factores de producción usados por la agricultura y

también por el uso final de las materias primas, por un lado se demanda para la

producción de biocombustibles y por el otro lado la alimentación humana (Nonhebel,

2005, 2012).

En los últimos años la comunidad científica y los tomadores de decisión (a nivel

gubernamental) han tenido dentro de su agenda la necesidad de estudiar el posible

efecto que trae el cambio en el uso que tradicionalmente se le había dado a los

productos agrícolas, pasando de alimentación a la generación de combustibles (Kim,

2009). Algunos autores han afirmado que el conflicto por los bienes de producción

comunes necesarios para la fabricación de biocombustibles y alimentos ha generado un

aumento en la productividad agraria, un cambio en la vocación del suelo y un incremento

en los índices de precios de los commodities1 (Falcon & Naylor, 2005; Godfray et al.,

2010; IICA, 2009; Nonhebel, 2012; Sandvik, Moxnes, & Group, 2008).

El incremento de los precios de los alimentos y el de la producción de biocombustibles ha

traído preocupación a los gobiernos alrededor del mundo. Esto se da por los altos precios

1 Commodities: Mercancia de uso comercial, son productos genéricos, básicos y sin

diferenciación.

4 Introducción

de los alimentos, que genera barreras de acceso a bienes de primera necesidad,

especialmente para el grupo de personas que se encuentra en situación de pobreza.

Adicional, el aumento de la producción de biocombustibles genera conflictos por tierras

siendo un factor que agravaría la disponibilidad de alimentos por el cambio del uso final

de estos bienes. Estos dos factores generan carencia de Seguridad Alimentaria.

En la literatura se han propuesto varios modelos para explicar las relaciones entre la

Seguridad Alimentaria y los Biocombustibles; sin embargo, los casos de aplicación en

Latinoamérica son escasos y para Colombia se han enfocado en estudiar por separado

estos dos sistemas por aparte. Estos sistemas, al usar factores de producción común,

deben ser analizados de manera conjunta. En esta investigación se propone analizar las

relaciones existentes entre estos dos sistemas y evaluar las políticas actuales que tiene

Colombia en el sector de biocombustibles. Para en esta investigación se parte de un

modelo nacional de Seguridad Alimentario desarrollado por Giraldo (2013) al que se le

agrega el módulo de biocombustibles. Este modelo permitir la evaluación del

comportamiento de la Seguridad Alimentaria con la actual política en Biocombustibles,

además de proponer políticas que equilibren estos sistemas.

En el capítulo 1 se presenta una revisión de los antecedentes de la Seguridad

Alimentaria y de los Biocombustibles en Colombia y el mundo. En el capítulo 2 se hace

una revisión a la literatura, la definición del problema, el planteamiento de objetivos. En el

capítulo 3 se describe el proceso en la selección de la metodología y el proceso para su

uso. En el capítulo 4 se mostrará el modelo, sus componentes y el proceso de

modelación. En el capítulo 5 se hará un análisis de resultados y por último en el capítulo

6 se discutirá las conclusiones y el trabajo futuro.

1. El mercado de los biocombustibles y la seguridad alimentaria

En este capítulo se mostrará la revisión del estado del arte sobre los mercados de

biocombustibles (BC) y la seguridad alimentaria (SA). Luego, con el análisis de la

literatura se identifica y se delimita el problema de investigación para así plantear los

objetivos que la tesis aborda.

1.1 Antecedentes de la seguridad alimentaria en el mundo

La Seguridad Alimentaria (SA) ha sido un tema que ha estado en la agenda internacional

desde la década de 1960, debido a la alta proporción de personas que viven en

desnutrición alrededor del mundo. En 2009 se alcanzó las 1.020 millones de personas

subnutridas alrededor del mundo, mientras que para el 2013, 848 millones de personas

estaban en estado de subnutrición (FAO et al., 2013).

En cuanto a la SA existen diversos métodos de cuantificación, lo que hace que no haya

una manera uniforme de medirla alrededor del mundo. Un indicador comúnmente

utilizado es el número total de personas subnutridas, es decir las personas que no están

consumiendo el nivel energético definido para considerarse que están ingiriendo

alimentos que les proporcionen los nutrientes adecuados para tener una buena salud

(Rena, 2005).

En el 2013 el 98,1% de los subnutridos vivían en países en vía de desarrollo, mientras

que el 1,8% restante habitaban países desarrollados. El mayor porcentaje se concentra

en Asia y en África en donde están el 92,4% del total de personas reportadas como

subnutridas. En la figura 1-1 se puede observar las personas subnutridas en el mundo

por región en el año 2013.

6 Los efectos de los biocombustibles en la seguridad alimentaria en Colombia:

Una aproximación con Dinámica de Sistemas.

Figura 1-1. Personas subnutridas en 2013 por regiones en el mundo (en millones)

Fuente (FAO et al., 2013)

América Latina ha tenido una leve mejoría a lo largo de los años, teniendo una tendencia

decreciente en el periodo 1990-2012, pasando de 57 millones de personas en

desnutrición a 42 millones de personas siendo aproximadamente una disminución de

26,3% con respecto al año de 1990 (FAO, 2012).

Para entender la SA hay que analizarla como una variable multidimensional en la que se

interrelacionan el acceso, la disponibilidad, la utilización y la estabilidad en el suministro.

El acceso se relaciona con la capacidad de adquirir los bienes alimentarios, la

disponibilidad responde a la cantidad de alimentos producidos, la utilización es la

adecuada preparación y la calidad nutricional de lo consumido y por último la estabilidad

en el suministro responde por la variación en los inventarios o los eventos cíclicos en la

agricultura (Giraldo, 2013).

La variación en el número de personas en el mundo que viven en inseguridad alimentaria

responden a dinámicas en los factores estructurales, estos factores son socio-

económicos, ambientales y políticos (Ericksen, Ingram, & Liverman, 2009; Giraldo, 2013)

así mismo de factores coyunturales como: precio de divisas, especulación en los

mercados alimentarios, precio de los insumos, variación en los precios de los energéticos

como es el petróleo, entre otros (Barrett, 2010; Falcon & Naylor, 2005; IICA, 2009). Estos

factores afectan los ingresos que a su vez son causantes de la pobreza. La pobreza trae

239

563

42 7 1 16 0

100

200

300

400

500

600

África Asia AméricaLatina

El Caribe Oceanía Paisesdesarrollados

Mill

on

es

de

pe

rso

nas

El mercado de los biocombustibles y la seguridad alimentaria. 7

como repercusión dificultades para el acceso a los alimentos, afectando la seguridad

alimentaria de la población (Pineda, Pérez-Caldentey, & Titelman, 2009).

El precio afecta tanto a productores como a consumidores, a productores porque son la

señal del mercado para producir más o en menor cantidad. Mientras que para los

consumidores estos son la barrera para el consumo. Los productos alimentarios tienen

una elasticidad del precio baja con respecto a la oferta, , por lo que la variación en el

precio responde a ciclos biológicos (IICA, 2009). Esta baja elasticidad produce que no

haya equilibrios en el corto plazo debido a que no hay una respuesta al cambio de

precios en el corto plazo.

El índice en los precios de los alimentos es una variable crucial para el análisis de la SA

a nivel nacional y mundial, en los últimos 14 años el índice global de los alimentos

registrados por la FAO ha tenido una tendencia creciente llegando a su pico en el 2011.

Para 2014 el índice era 123,1% superior al registrado en 2000, aunque 11,5% inferior al

pico visto en el año 2011 (FAO, 2014). En la figura A-1 se puede observar la evolución de

los índices de los grupos de productos alimenticios básicos y el índice promedio en el

periodo 2000-2014.

Se pueden clasificar variables que afectan la variación de los precios de los alimentos en

estructurales y coyunturales. Dentro de las variables estructurales se encuentran (Alfaro

& Olivera, 2009; IICA, 2009; Lambert & Miljkovic, 2010; Zilberman, Hochman, Rajagopal,

Sexton, & Timilsina, 2013): i) La variabilidad climática, ii) concentración de los mercados

de alimentos en pocos países, iii) factores limitantes en la productividad y iv) políticas de

protección en el agro en los países desarrollados. Todos estos factores distorsionan el

mercado, generando efectos como limitaciones en la entrada de nuevos países que

podrían tener ventajas competitivas en la producción.

Dentro de las variables coyunturales están (Alfaro & Olivera, 2009; IICA, 2009; Lambert &

Miljkovic, 2010): i) Nivel de existencia de los alimentos, ii) valor de las divisas (dólar), iii)

variación en el precio del petróleo, iv) especulación en los mercados de commodities y v)

aumento en la sustitución del uso final de cultivos tradicionales alimenticios a

biocombustibles.



Por el lado del consumidor un factor importante son los ingresos, el aumento de ellos

incrementa la demanda por alimentos considerados bienes de lujo. El consumo de carne

aumenta cuando la renta se incrementa, esta tendencia se ha observado en los últimos

años en Asia (FAO, 2013). Para satisfacer la demanda por carne se genera un conflicto

por el uso de la tierra entre agricultura y ganadería, la literatura indica que con la misma

área se podrían alimentar más personas con productos vegetales que con carne

(Godfray et al., 2010). En figura A-2 muestra la evolución del número en la cabeza de

búfalos y de res en los años 1990-2010 destacándose una tendencia incremental,

especialmente después del año 2000. El incremento en el periodo 1990-2010 fue de

12,4%.

La producción de alimentos es fundamental para la SA. La producción ha tenido una

tendencia incremental en los años 2000-2012, en los que creció un 24 % según la FAO.

En la (figura 1-2) se puede observar el crecimiento del índice bruto en la producción

alimentaria en el mundo.

Figura 1-2. Índice de Producción Agrícola en el Mundo 2000-2012 (2004-2006 = 100)

Fuente (FAOSTAT, 2014)

La variabilidad climática incluye incertidumbre en la producción; variaciones extremas en

el clima tales como grandes inundaciones o periodos largos de sequía afectan

negativamente la producción, mientras que un buen clima potencia la producción. Estas

dinámicas generan ineficiencias en el ciclo productivo, en la distribución y en la

0

20

40

60

80

100

120

140

2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012

(20

04

-20

06

= 1

00

)


generación de inventarios (Ericksen et al., 2009; Falcon & Naylor, 2005; Godfray et al.,

2010; Lambert & Miljkovic, 2010).

La producción agrícola tiene factores de producción que son limitantes como son la tierra,

el agua y la energía (Gerbens-Leenes et al., 2010; Kim, 2009), estos son agotables y no

presentan la misma calidad por lo que afectan la productividad. Cuando se agotan las

tierras arables, es necesaria la adecuación de nuevas tierras que pueden traer como

efecto menos eficiencia en el proceso (Smith, 2011). El uso de la tierra y el agua están en

conflicto con otros usos cómo son la minería, la ganadería, vivienda, biocombustibles, por

lo que hay una fuerte presión para la adecuación de nuevas tierras para suplir la

demanda que existe por cada uno de los bienes producidos por estas actividades

económicas (Demirbas, 2008; Godfray et al., 2010).

1.1.1 Políticas públicas en seguridad alimentaria tomadas por algunos países de América Latina y el Caribe

Cómo se detalló en la sección anterior, son los países en vía de desarrollo los que más

sufren del fenómeno de la inseguridad alimentaria. América Latina y el Caribe (ALC)

hacen parte de este grupo de países y son altamente vulnerables a los cambios

económicos en el mundo, por lo cual han adoptado variadas políticas que tratan de

disminuir el número de personas que carecen de SA. Las medidas más comunes están

enfocadas en mitigar el incremento en los precios finales para los consumidores, precios

para la producción y el comercio. A pesar de esto, estas medidas han sido insuficientes

para mejorar la SA en el largo plazo (Giraldo, 2013). En la tabla A-1 se resumen las

políticas que han tomado algunos países de ALC para afrontar la crisis alimentaria a nivel

nacional.

1.1.2 Antecedentes de la seguridad alimentaria en Colombia

En Colombia se determinó que para el año 2010 el 42,7% de los hogares sufren de

carencias de SA, de los cuales el 27,9% lo sufre de manera leve, 11,9% moderada y el

3% severa. Se encontró que hay una mayor prevalencia en las áreas rurales que en las

áreas urbanas (ICBF, 2011). Este indicador se ha incrementado, la misma encuesta para

el 2005 reveló que la carencia de SA en el país era del 40.8% en los hogares,

distribuidos en 26,1% leve, el 11.2% moderada y 3.6% inseguridad severa (ICBF, 2006).



Para analizar las causas en Colombia de la carencia de SA, es necesario analizar cada

uno de los factores que conforman la SA. Los 4 factores son:

a) Inestabilidad en la oferta alimentaria

El sector agrícola ha tenido un bajo crecimiento en el PIB sectorial en los últimos años.

La tabla 1-1 muestra el crecimiento porcentual a precios constantes (base 2005) del PIB

nacional y del PIB agropecuario entre los años 2001 – 2012. En este periodo de tiempo el

PIB nacional tuvo un crecimiento promedio anual de 4,3% a comparación del

agropecuario que fue de 2,1 % anual (DANE, 2014a).

Tabla 1-1. Tasa de crecimiento del PIB agropecuario y nacional a precios constantes. Base 2005

Año 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012

Agropecuario 1,7 2,5 3,9 5,3 4,7 6,7 6,9 3,5 1,7 4,0 6,6 4,0

PIB Nacional 1,8 4,6 3,1 3,0 2,8 2,4 3,9 -0,4 -0,7 0,2 2,1 2,5

Fuente. (DANE, 2014a)

El PIB agropecuario refleja la producción de los bienes agrícolas y el precio que está

recibiendo el productor. Para la producción hay varios factores que afectan el volumen,

primero son bienes de producción cíclica (cultivos permanentes), mientras que los

estacionales vienen determinados por la rentabilidad que los productores perciben del

mercado. El precio viene determinados para Colombia en los mercados internacionales

de alimentos y en la volatilidad de los precios en las divisas.

La autosuficiencia alimentaria en Colombia se calcula con el consumo aparente,

analizando cuanto de este consumo se satisface con la oferta nacional. La

autosuficiencia descendió en la primera década del siglo XXI; pasando de 94,6% en el

año 2000 a 82,2% en el año 2012. Esta caída es producto del aumento en un 70,6% en

las importaciones de alimentos entre los años 2000-2012.

b) Limitación en el acceso a los alimentos

El acceso a los alimentos se asocia al ingreso y al precio de los alimentos (Smith et al.,

1992). En Colombia se tienen dos indicadores para calcular el poder adquisitivo; el

desempleo y el porcentaje de personas que viven en situación de pobreza e indigencia.


La tasa de desempleo ha venido decreciendo, pasando del 18% en el 2003 al 10,4% en

el 2012. Es importante este indicador, dado que refleja el nivel de ingresos y este es un

limitante para el acceso a una canasta básica de alimentos que cumpla con los nutrientes

necesarios (DANE, 2011).

La pobreza nacional ha decrecido en un 24,3% entre 2002 y 2010, mientras que la

indigencia en el mismo periodo pasó de un 17,6% a 12,3%. Se destaca que la pobreza

extrema tiene una mayor incidencia en la población rural, en el 2010 el 25,5% de la

población se clasificó en pobreza extrema en contraste con el 8,11% en las zonas

urbanas. En la clasificación de pobreza, para el 2010 el 50,3% de la población rural era

pobre, mientras que la urbana fue de 33% (DNP & DANE, 2012).

Las variables más influyentes para la formación de los precios son: los costos de

producción, la volatilidad del precio del petróleo y los precios internacionales de los

alimentos. En la figura 1-3 se observa la evolución del IPC de los alimentos desde el

2005 hasta el 2013.

Figura 1-3. Variación anual del IPC alimentos en Colombia

Fuente. (DANE, 2014b)

c) Aprovechamiento y uso biológico de los alimentos

El consumo de alimentos por parte de la población colombiana cuenta con varias

deficiencias. El ICBF caracterizó en el año 2010 el consumo, encontrando que hay un

consumo incompleto, insuficiente, inadecuado de los nutrientes. En la población

colombiana se evidencia un bajo consumo diaria de lácteos, frutas hortalizas, verduras,

alimentos ricos en fibra. Además se evidencia que 1 de cada 7 colombianos no consume

-2

0

2

4

6

8

10

12

14

2005 2006 2007 2008 2009 2010 2011 2012 2013

% v

aria

ció

n a

nu

al



ningún producto cárnico al día, por el otro lado se observa un alto consumo de cereales,

carbohidratos, endulzantes, grasas saturadas, azucares. Hay un déficit de consumo

calórico, un 62% de la población no consume la cantidad calórica necesaria al día (ICBF,

2011).

d) Estabilidad en el suministro

La variabilidad en la producción es producto de la variación en los factores de

producción: tierra, capital y trabajo. En cuanto al uso de la tierra se calcula que el

potencial para la vocación agrícola está en 10,4 millones de ha, forestal 21,6 millones de

ha y ganadería 10,2 millones de ha. Para el año 2012 se registraron 4,2 millones de ha

en uso agrícola, 9,9 millones de ha en el sector forestal y 41,7 millones de ha en uso

pecuario (Ministerio de Agricultura y Desarrollo Rural, 2012), existiendo una

sobreexplotación pecuaria a consta de la agricultura y el sector forestal (Restrepo, 2010).

Analizando el factor trabajo, la población rural se ha reducido, debido a la violencia, la

búsqueda de servicios y mejor remuneración económica. Para el año 2000 el porcentaje

de población rural del total nacional ascendía a 28,1%, mientras que para el 2012 llegó a

representar el 22,6% del total (DANE, 2009).

Por último el desempeño del factor capital se ve reflejado en el bajo incremento del PIB

sectorial, causas como la inseguridad, la inadecuada infraestructura, falta de acceso a

financiamiento, poco desarrollo e innovación a nivel general en el país dificultan el

crecimiento del agro en Colombia (CEPAL, 2004; DANE, 2014a).

1.2 Antecedentes de los biocombustibles en el mundo

“Biofuels are commonly produced from plants, animals, and microorganisms but also from

organic wastes. They can be solid like biochar, liquid like biodiesel and bioethanol, or

gaseous like biogas, biosyngas and biohydrogen.” (Liao et al., 2012)

Los biocombustibles (BC) son producto de plantas, animales, microorganismos o

desechos, algunos autores los clasifican dependiendo del proceso utilizado y los


materiales usados para su producción en 3 generaciones (Escobar et al., 2009; Goldstein

& Gutman, 2010). La primera generación es globalmente más difundida, usa métodos

tradicionales e insumos usados para la alimentación animal o humana (Goldstein &

Gutman, 2010). La segunda usa insumos no alimentarios como los desechos orgánicos,

cascarillas, entre otros. Hay dos principales métodos de producción, termoquímicos y

bioquímicos (Naik, Goud, Rout, & Dalai, 2010). La tercera generación usa algas y micro

algas y los procesos son similares a los de segunda generación (Nigam & Singh, 2011).

Los BC no son una alternativa energética nueva; el bioetanol era usado sustituto al aceite

de ballena, y como combustible en los primeros motores de combustión interna (Kovarik,

1998; Songstad et al., 2009). Algunos autores sugieren que el impuesto que tenía el

bioetanol en la guerra civil estadounidense y que permaneció hasta 1906 fue el causante

de que fuera mucho más atractivo el uso del petróleo frente al bioetanol (Dimitri &

Effland, 2007).

El biodiesel se puede rastrear hasta los inicios del siglo XX, en los que se usaba aceites

vegetales para impulsar motores (Knothe, 2001), la dificultad de los aceites fue la

necesidad de combinarlos con derivados del petróleo y en sus inicios los niveles de

producción no eran los suficientes. Al igual que el bioetanol el automóvil fue un driver

que llevo a que el diésel derivado del petróleo generara que los aceites vegetales se

estancaran en su producción (Songstad et al., 2009).

La producción de BC se ha incentivado cuando han existido crisis energéticas, tales

como sucedieron en las guerras mundiales y también a raíz del embargo petrolero por

parte de los países de la OPEP en 1974 y con la subida de los precios del petróleo en la

primera década del siglo XXI. Otro factor que ha motivado la ampliación en la capacidad

instalada son las políticas públicas en las diferentes naciones alrededor del globo (Kim,

2009; Sandvik et al., 2008; Songstad et al., 2009; Timilsina, Mevel, & Shrestha, 2011).

Mientras que a bajo precio del petróleo se desacelera la ampliación de la capacidad

instalada y la producción de estos combustibles de origen vegetal (Horta & Silva, 2013).

La producción de biocombustibles tuvo un incremento acelerado en la primera década

del siglo XXI. Los factores que motivaron este crecimiento están: i) necesidad de

diversificar la matriz energética para tener una mayor seguridad energética; ii) la presión



internacional por la producción de energía limpia; iii) la alta volatilidad del petróleo; iv)

políticas públicas para el desarrollo agrario y v) la demanda de los biocombustibles desde

el sector transporte (Demirbas, 2009; Liao et al., 2012; Sandvik et al., 2008).

La figura 1-4 muestra la evolución de la producción mundial de los BC, como su

demanda entre 2000-2011. La producción de BC creció en 2011 un 503% con respecto al

2000 (EIA, 2014; Goldstein & Gutman, 2010). Los países / regiones que lideran la

producción de bioetanol son EE.UU (maíz), Brasil (caña de azúcar), la Unión Europea

(maíz, caña de azúcar, trigo), China (maíz y trigo), mientras que los líderes en producción

de biodiesel son: Unión Europea (canola y soya), Estados Unidos (Soya), Brasil (Soya)

(Goldstein & Gutman, 2010; Janssen & Rutz, 2011).

Figura 1-4. Producción y consumo de biocombustibles en el mundo 2000-2011

Fuente (EIA, 2014)

Desagregando los BC, para el 2011 el 78,7% de la producción correspondía al etanol y el

21,3% restante era biodiesel. El bioetanol entre los años 2000-2010 tuvo un crecimiento

exponencial de aproximadamente de 398%. Mientras el biodiesel tuvó un crecimiento

exponencial entre los años 2000-2011, pasando de producir 15.200 barriles diarios a

403.739 barriles diarios (EIA, 2014).

En el mundo existen diversas políticas públicas para incentivar la producción de BC.

Estas políticas están enfocadas a la reducción de impuestos y de incentivos financieros

para estimular la producción. Razones para estas políticas pueden ser: incremento en la

seguridad energética, reducción de la huella de carbono, incremento en los retornos

0

500

1000

1500

2000

2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011

Mile

s d

e b

arri

les

día

rio

s

Producción

Consumo


económicos en los bienes agrícolas, desarrollo rural, ahorro en las reservas de divisas,

entre otras (Demirbas, 2008; Janssen & Rutz, 2011; Matsumoto, Sano, & Elder, 2009).

En la tabla A-2 se resume algunas políticas en varios países del mundo.

1.2.1 Antecedentes de los biocombustibles en Colombia

La historia de los BC en Colombia no es reciente, el Congreso de la República

reglamentó, sancionó e implementó la ley 693 de 2001 con la cual dio un marco legal

para los BC en el país (Fedebiocombustibles, 2011; Garzón & Hernández, 2009).

Para la producción nacional de aceite vegetal se pueden usar la palma de aceite,

higuerilla, jatropha, colza, maní, soya y girasol; de estos cultivos el que más rendimiento

ha mostrado es la palma africana (5.550 lt/ha/año). La palma ha sido el cultivo de mayor

crecimiento destinado para la biomasa, pasando de 18.000 ha cultivadas en la década de

los 60 a 476.782 ha en cultivo para el año 2013 (Fedebiocombustibles, 2014a; IICA,

2010). En la figura 1-5 se muestra la evolución en las ha cultivadas de palma en

Colombia.

Para el etanol se puede usar para su producción cultivos de caña de azúcar, papa, maíz,

yuca y remolacha. Para la producción industrial el más usados es la caña de azúcar

debido a su rendimiento, calculado en 9.000 Lt/ha/año (CORPOICA, IICA, &

PROCIANDINO, 2010). La figura 1-5 muestra la evolución en las ha cultivadas de caña

de azúcar en la que se destaca que entre los años 2008-2013 se ha incrementado el

área en un 9,7% (Fedebiocombustibles, 2014d).



Figura 1-5. Evolución de las hectáreas cultivadas de caña de azúcar y palma de aceite en

Colombia.

Fuente: elaboración propia basado en (Fedebiocombustibles, 2014a, 2014b)

En la producción de BC, las plantas de biodiesel entraron en operación a finales de 2008.

La producción de biodiesel en el año 2009 fue de 250.662 ton, aumentándose en un 77%

para el 2011 llegando a 443.037 ton de biodiesel (Fedebiocombustibles, 2012). En la

figura 1-6 se observa la producción mes a mes desde el año 2009 hasta octubre de

2014, observándose una tendencia logarítmica en el crecimiento de la producción.

Figura 1-6. Evolución en la producción de biodiesel en Colombia.

Fuente: elaboración propia basado en (Fedebiocombustibles, 2014c)

La capacidad instalada de biodiesel actual en el país se calcula en 591.000

toneladas/año distribuidas en 10 plantas (ver tabla A-3) de producción de biodiesel, el

porcentaje de utilización para el año 2013 fue del 85,16% (Fedebiocombustibles, 2014a).

0

50

100

150

200

250

300

350

400

2005 2006 2007 2008 2009 2010 2011 2012 2013

mile

s d

e h

a

Palma en desarrollo

Palma en Producción

Caña de azúcar

-10

0

10

20

30

40

50

60

Jan

-20

09

Ap

r-2

00

9

jul-

09

oct

-09

Jan

-20

10

Ap

r-2

01

0

jul-

10

oct

-10

Jan

-20

11

Ap

r-2

01

1

jul-

11

oct

-11

Jan

-20

12

Ap

r-2

01

2

jul-

12

oct

-12

Jan

-20

13

Ap

r-2

01

3

jul-

13

oct

-13

Jan

-20

14

Ap

r-2

01

4

jul-

14

oct

-14

Kto

n


Los principales productores de etanol en el país son los ingenios azucareros. En la figura

1-7 se observa la evolución de la producción de etanol en el país desde enero de 2008 a

octubre de 2014, mostrando una tendencia lineal, creciendo un 51,9% entre 2008 y 2013.

Figura 1-7. Evolución en la producción de alcohol anhidro de caña

Fuente: elaboración propia basado en (Fedebiocombustibles, 2014b)

La capacidad instalada para el año 2013 estaba calculada en 1.250.000 litros/día

distribuidas en 6 plantas localizadas en 3 departamentos (Cauca, Risaralda y Valle del

Cauca), (ver tabla A-4) la utilización de estas plantas está actualmente en un 86,18% de

su capacidad teórica (Fedebiocombustibles, 2014d).

1.2.2 Políticas públicas en el sector de biocombustibles en Colombia

La producción de BC en el país ha sido motivada desde la política pública, por medio de

incentivos a los agricultores y a los productores de los BC, causando un incremento en el

área destinada para el cultivo de biomasa y al incremento de la capacidad de producción

de los BC. La tabla A-5 hace un recuento de las principales normativas de los BC.

En el caso de los agricultores se les da una exención en la renta líquida para los cultivos

de palma de aceite por 10 años, mientras que para la caña de azúcar hay exclusión en el

cobro del IVA. Por el lado de los productores se tiene los siguientes incentivos: i)

exención del impuesto a las ventas al biodiesel y al etanol; ii) exención del impuesto

global dentro del ACPM, excluyendo el porcentaje de mezcla destinado de biodiesel; iii)

0

5

10

15

20

25

30

35

40

Jan

-20

08

Ap

r-2

00

8

jul-

08

oct

-08

Jan

-20

09

Ap

r-2

00

9

jul-

09

oct

-09

Jan

-20

10

Ap

r-2

01

0

jul-

10

oct

-10

Jan

-20

11

Ap

r-2

01

1

jul-

11

oct

-11

Jan

-20

12

Ap

r-2

01

2

jul-

12

oct

-12

Jan

-20

13

Ap

r-2

01

3

jul-

13

oct

-13

Jan

-20

14

Ap

r-2

01

4

jul-

14

oct

-14

mill

on

es

de

litr

os



exención de pago del impuesto global y la sobretasa de alcohol carburante mezclado con

la gasolina motor; iv) Renta del 15% (vs. 33%) a proyectos que tengan una inversión

superior a 75 smmlv o que tengan más de 500 empleados; v) control de precios de venta

del etanol y el biodiesel y vi) garantía en la demanda determinada por mezclas fijadas por

el gobierno tanto de biodiesel como de bioetanol (Fedebiocombustibles, 2011).

La demanda de BC en Colombia depende en gran medida del consumo de gasolina

motor y de diésel para el sector automotriz, debido a la fijación de cuotas por el Ministerio

de Minas y Energía. Para 2014 la mezcla del bioetanol se fijó en E8 para el centro,

oriente y norte del país, mientras que en el sur y el occidente se fijó en E102. Por el otro

lado el biodiesel está entre E7 y E10 en el país (Fedebiocombustibles, 2014h; Ministerio

de Minas y Energía, 2011).

La formación de precios de los BC está regulada por medio de resoluciones mensuales

expedidas por el Ministerio de Minas y Energía. Con el decreto Nº 18 1966 del 24 de

noviembre de 2011 se definió la ecuación con la que se fijan los ingresos del productor

de biodiesel, esta ecuación se describe en el anexo A. La resolución 40 266 del 27 de

febrero de 2015, fijó el precio del galón de Biodiesel en $9.821,42 COP. La figura 1-8

muestra la dinámica del precio del biodiesel desde enero de 2009 hasta diciembre de

2014. El pico en el precio se logró en marzo de 2011 ($10.334,1 COP por galón),

mientras que el precio mínimo fue de $7.148,1 COP/galón alcanzado en enero de 2013.

El Ministerio de Minas y Energía mediante la resolución Nº 180643 del 27 de abril de

2012 definió la ecuación para calcular el precio del alcohol carburante (ver anexo A). La

resolución 91 347 del 28 de Noviembre de 2014, fijó el precio del galón de Etanol

en $6.604,4 COP. La figura 1-8 muestra la dinámica del precio del bioetanol desde

febrero de 2009 hasta diciembre de 2014. El pico en el precio se logró en marzo de 2012

($8.811,6 COP por galón), mientras que el precio mínimo fue de $5.903,3 COP/galón

alcanzado en mayo de 2009 (Fedebiocombustibles, 2014f).

2 El porcentaje de mezclas de los biocombustibles se denotan con la letra E seguido de un

número. Este número indica el % de biocombustibles mezclados con los combustibles fósiles. Por ejemplo E10 significa que el combustible tiene 10% de biocombustibles.


Figura 1-8. Evolución precio del etanol y biodiesel en Colombia por galón.

Fuente: Elaboración propia basado en (Fedebiocombustibles, 2014f, 2014g)

La política de mezclas ha tenido que ser redefinida debido a que la oferta no ha podido

suplir la demanda. En la resolución 18 0687 de 2003 estableció una mezcla de E10 para

el etanol, pero para 2004 se modificó debido a que no había suficiente producción.

Debido a la falta de producción actualmente las mezclas oscilan entre E8 y E10 en el

país. Actualmente para el biodiesel se tiene mezclas entre E7 y E10 en el país (García &

Calderón, 2012).

Proyecciones hechas por la UPME muestran que para el 2030 en el país se podría

demandar entre 150 millones de galones/año y 450 millones de gal/año por parte del

etanol y entre 292 millones y 594 millones gal/año de biodiesel las proyecciones. Según

la UPME teniendo estos escenarios para ambos combustibles habría déficit en el país de

estos energéticos (Ministerio de Minas y Energía, 2010).

0

2000

4000

6000

8000

10000

12000

feb

.-0

9

jul.-

09

dic

.-0

9

may

.-1

0

oct

.-1

0

mar

.-1

1

ago

.-1

1

ene

.-1

2

jun

.-1

2

no

v.-1

2

abr.

-13

sep

.-1

3

feb

.-1

4

jul.-

14

CO

P/g

al

Precio Etanol

Precio Biodiésel

2. El problema de la cuantificación de los efectos de la producción de BC en la SA: Antecedentes, teoría y propuesta de investigación.

En este capítulo se presenta el problema en la cuantificación de los efectos que tiene la

producción de los BC en la SA. En la sección 2.1 se presenta el estado del arte y el

marco teórico que se ha trabajado en la comunidad científica. En la sección 2.2 se

discuten los modelos usados para el estudio de las relaciones presentes entre BC y SA.

En la sección 2.3 se introduce el problema de investigación. La sección 2.4 se presentan

los objetivos de este estudio y por último la sección 2.5 detalla la hipótesis de

investigación que se tiene con respecto al problema descrito anteriormente.

2.1 Estado del arte y marco teórico

El desarrollo en el estado del arte sobre la dependencia de los alimentos en los

mercados energéticos ha pasado por 3 fases: 1) consolidación, 2) modificación del

discurso y 3) discontinuidad en el discurso.

Dentro de la consolidación, el enfoque está en la integración de políticas envolventes

entre la producción alimentaria y de BC. La FAO desde 1992 ha hablado de la necesidad

de desarrollar aproximaciones más integradas del panorama energético y alimenticio en

el mundo, concentrando los esfuerzos en el desarrollo de técnicas que mejoren los

rendimientos en la producción alimentaria y de bioenergía (FAO, 1992, 1994). Para la

Agencia Internacional de Energía (IEA) los “biocombustibles son una oportunidad para

los países de sintetizar políticas agrícolas y energéticas” (IEA, 1997). Por último el Panel

Intergubernamental del Cambio Climático (IPCC) sugiere la importancia de hacer

políticas integrales que enlacen los sectores energéticos y alimenticio para así poder



mitigar el cambio climático (IPCC, 2001). Los supuestos de esta aproximación se

justifican en los beneficios macro socio-económicos que trae la combinación de estos

sistemas, en los que se citan el empleo rural, la generación de ingresos, reducción de la

pobreza y el desarrollo rural (Cohen, Tirado, Aberman, & Thompson, 2008; FAO, 1994;

Jürgens, Best, & Lipper, 2004; Mabee, Gregg, & Saddler, 2004). El concepto desarrollado

por esta corriente parte de la premisa que el desarrollo de la biomasa podría

contrarrestar la tendencia negativa de los precios reales de los commodities que había

llevado al estancamiento en el desarrollo rural. El desarrollo de los BC haría atractivo el

sector para la inversión, creando nuevas oportunidades y un desarrollo sostenible (FAO,

2008).

Posterior a este acercamiento se llegó a una modificación del discurso debido a dos

razones: 1) las condiciones naturales de los países industrializados que limitan el

incremento de la producción de biocombustibles, lo que impide que estos no puedan

suplir la demanda fijada por los planes nacionales. Y 2) Los países industrializados al

alcanzar precios finales bajos para la biomasa, esta entraría a competir con éxito con las

fuentes de energía convencionales, lo que podría ser contraproducente para la seguridad

energética.

A pesar de estas limitaciones la FAO, la IEA y el IPCC sugieren que para superar estos

percances es necesario el incremento de los rendimiento de los cultivos, producción a

escala de los cultivos y el desarrollo tecnológico (FAO, 2008; IEA, 2006; IPCC, 2007). En

esta aproximación sigue la convicción en la agregación de la producción alimenticia y de

biomasa y que es posible tener más bioenergía conservando los mismos niveles de

producción de alimentos.

Por último se llega a la discontinuidad en el discurso, el cual entiende el problema al

agregar la bioenergía con la agricultura, enfocando el análisis en la demanda de factores

de producción comunes; capital, trabajo y tierra (Kuchler & Linnér, 2012). Esta

aproximación se desarrolló con el aumento en los precios de los commodities

experimentado en el 2006. Conllevó a analizar las relaciones que tiene los diferentes

mercados que interaccionan entre sí, entre estos están los mercados energéticos,

alimenticios y otros commodities. Varias posturas se han publicado en la comunidad

El problema de la cuantificación de los efectos de la producción de BC

en la SA: Antecedentes, teoría y propuesta de investigación.

23

científica acerca de los posibles efectos de los mercados de energía con la disponibilidad

y accesibilidad de los alimentos a nivel mundial (de Gorter, Drabik, & Just, 2013).

Para la explicación de este boom en el precio de los commodities se ha analizado varios

factores, en especial el efecto que tiene el aumento del precio del petróleo como

incentivo en la producción de nuevas fuentes de energía en las que se encuentran los

BC. El precio del petróleo y otros factores tales como el aumento en los ingresos de los

países en desarrollo, una población creciente, políticas energéticas ha llevado a una

revolución en los mercados agrícolas (Godfray et al., 2010; Meyer & Thompson, 2010).

Otros autores han mencionado como las principales causantes de la carencia de SA:

aumento en la población, cambio climático, poco desarrollo tecnológico (Pruyt & Sitter,

2008).

La literatura no desconoce el efecto que puede tener el aumento en la producción de los

BC en la SA, el problema existente es tratar de cuantificarlo, debido a que son muchas

las posibles causas que pueden generar el aumento en los precios, el cambio en el uso

de la tierra y la disponibilidad de alimentos (Headey & Fan, 2010). Aun así varios autores

recalcan en la necesidad del análisis de las políticas actuales en seguridad energética,

debido a que no se conoce en totalidad el efecto que estas puedan tener en mercados

fuertemente conectados como los alimenticios (de Gorter et al., 2013; Demirbas, 2008;

Kgathi, Mfundisi, Mmopelwa, & Mosepele, 2012).

2.2 Modelos usados para el entendimiento en las relaciones existentes entre BC y SA

Los modelos arrojan información que mejoran el entendimiento de los sistemas, sirviendo

como herramientas de apoyo para la toma de decisiones. Los modelos no son 100%

verídicos, son más bien útiles, dependen básicamente del propósito por el cual se

diseñaron (Sterman, 2002). La utilidad de experimentar con los modelos se encuentra en

poder analizar en ellos políticas y escenarios y de esa manera evitar los altos costos

económicos y en tiempo en los que se incurrirían probarlos en la realidad. Otra utilidad es

poder evitar los efectos colaterales que pueden tener las políticas implementadas si no

se tiene un conocimiento adecuado sobre el sistema intervenido.



Con respecto a los modelos que se pueden usar, hay diferentes clasificaciones que

dependen básicamente de la persona que los clasifica, una posible clasificación están los

mentales, los formales, optimizadores, simuladores, estáticos, dinámicos, con

incertidumbres o sin incertidumbre (Dyner, 1993).

Para este análisis de los modelos que se han usado en SA y BC se parte del desarrollo

de modelos de mercados de alimentos. En la literatura se puede rastrear el primer

estudio formal que analizó el estado de los alimentos en el mundo. En este caso fue

Malthus el que cuantificó la necesidad de producción de alimentos para suplir la

demanda de la población global. Luego se desarrolló otra línea de investigación en la que

se debatía el aumento de la población y su relación con la tierra disponible.

Posteriormente se introdujo conceptos de necesidades alimentarias, revolución verde,

límites al crecimiento, variación en los precios, competencia por los factores de

producción (minería, ganadería, BC). Actualmente se discute las interconexiones que

existen entre los mercados energéticos y alimenticios y de ahí surge la necesidad de

analizar los efectos que trae el desarrollo de los BC en la SA.

Para el caso de la relación entre alimentos y biocombustibles, los avances en el estado

del arte se han enfocado en el desarrollo de modelos que permita el análisis de la

transmisión de costos entre los mercados energéticos y alimenticios. Debido a que los

sistemas que abarcan la SA y de BC tienen una alta complejidad (presenta

realimentaciones, retardos y relaciones no lineales) en los que participan la política,

variables socio-económicas, ambientales, culturales, entre otros, los estudios deben

tratar de analizar de manera holística ambos sistemas. Dentro de la literatura se han

hecho los siguientes modelos para el análisis de ambos sistemas:

2.2.1 Statistical time series models:

Se han desarrollado modelos en los que se investiga la relación entre la comida, los

mercados de energía y los posibles impactos que tienen los BC en los precios de los

alimentos, encontrando las correlaciones y los equilibrios entre las variables estudiadas,

uno de los estudios muestra como los precios de los BC están determinados por



25

diferentes factores en EE.UU. y adicionalmente sugiere como el etanol en su formación

de precios está relacionado fuertemente por los alimentos y los precios de los

combustibles (Zilberman et al., 2013).

Otros estudios como el realizado por Lambert & Miljkovic (2010), recolectan 39 años de

datos (1970-2009) para observar los factores endógenos que afectan la variabilidad en

los precios de los alimentos para EE.UU. y concluyen que en el largo plazo estos son:

precios de insumos, salarios, combustibles y costos de la energía son cruciales (Lambert

& Miljkovic, 2010).

Timmer & Dawe (2010) en su modelo concluyen que toda la crisis alimentaria tienen una

explicación por los mecanismos de mercado tradicionales. Aunque destaca un nuevo

orden en estos mercados, en el que la energía y las políticas en cuestiones ambientales

ha generado relaciones entre energía, BC y precios de los alimentos (Timmer & Dawe,

2010). De estos modelos una de las preguntas que sale es cuál es el efecto que está

teniendo las políticas energéticas en los precios de los alimentos (de Gorter et al., 2013).

2.2.2 Economic cost-benefit analysis:

Varios estudios se han hecho realizando un análisis económico sobre las implicaciones

que trae la producción de BC en la SA, teniendo como referencia como el nivel de

producción de los BC tiene un efecto en el precio, aplicando curvas de oferta y demanda

de los alimentos usados para la producción de combustibles. Dentro de estos análisis

económicos se encuentra el realizado por de Gorter & Just (2010), en el cuál plantean

diferentes metas ambientales, de seguridad económica y alimentaria. En este análisis se

altera subsidios, tarifas, reducción de impuestos para la producción de BC, modificando

las curvas de oferta y demanda. Las conclusiones de este análisis son: i) las políticas de

incentivos en la producción de BC trae efectos colaterales, ii) deficiencias en la

cuantificación de los efectos de los BC en el precio del maíz histórico, iii) si se altera el

precio del petróleo, la producción de BC podría tener un alto impacto en el precio del

maíz en EE.UU, iv) la baja efectividad en la combinación de políticas para la producción

de BC y los altos costos económicos por la reducción de impuestos para los productores

(de Gorter & Just, 2010).



2.2.3 Perfect Storm

Este tipo de modelos ve el aumento de los precios de los alimentos como una causalidad

de múltiples factores y es imposible cuantificar por separado la contribución de cada uno

de estos para la formación de precios de la canasta de alimentos. Analiza el efecto

combinado de factores como el precio del petróleo, la tasa cambiaria, la demanda de BC,

la reducción del stock, la demanda de alimentos por parte de Asia, especulación

financiera, las tasas de interés, las restricciones a las importaciones, los cambios

climáticos, los precios de los alimentos de los granos (arroz, maíz, trigo) y los efectos

colaterales de un aumento en los precios de la energía (Headey & Fan, 2010). La figura

2-1 muestra la estructura global del modelo desarrollado por Headey & Fan (2010).

Figura 2-1. Resumen del modelo Perfect Storm, perspectiva de Headey & Fan (2010).

Traducción de Headey & Fan (2010).3

2.2.4 Framework for ecological-economic world food system analysis (OFID-IIASA)

Los modelos desarrollados por IIASA han sido usados para analizar espacialmente los

alimentos y el sistema alimentario mundial y las implicaciones de las políticas en la

agricultura. Estos modelos han sido ampliados para poder incorporar de manera

3 Las cajas en gris son asumidas por los autores como causas con menor significancia que las

demás en los precios de los granos, el dólar y el petróleo se muestran juntos debido a que hay varios factores que pueden estar relacionados entre ellos para la variación del precio del petróleo y el valor del dólar.



27

desagregada las políticas en el desarrollo de los BC. El modelo está basado en la

aproximación de un modelo ecológico-económico incorporando el FAO/IIASA Agro-

ecological Zone model y el IAASA global food system model como componentes básicos.

Así mismo incluye escenarios climáticos, información espacial agro-ecológica, drivers

socio-económicos, producción, consumo y las dinámicas de mercado global de

alimentos. La macro estructura del modelo es presentado en la figura 2-2 en el cuál

muestra 6 elementos que se consideran esenciales para el análisis.

Figura 2-2. Framework for ecological-economic world food system analysis

Adaptado y traducido de (Fischer, Hizsnyik, Prieler, Shah, & van Velthuizen, 2009b)

Dentro del escenario de desarrollo se tienen proyecciones de crecimiento económico en

los sectores no agrícolas, así como el crecimiento poblacional. Otra información dentro

del escenario de desarrollo son las configuraciones internacionales (tratados de libre

comercio, migración), este módulo cuantifica variables ambientales (concentraciones

atmosféricas de CO2 o las emisiones de gases de efecto invernadero). Además define

demandas para los BC de primera y segunda generación. El siguiente módulo, el modelo

climático simula las trayectorias de las emisiones asociadas al escenario de desarrollo y

lo hacen coincidir con las salidas de simulación de los modelos de circulación general

(GCMs). Definiendo así los escenarios climáticos para el modelo. Está información se



incorpora en el Sistema de Información Geográfico de la productividad y adecuación de

la tierra agro-ecológica y estima los impactos climáticos en el sector agrícola e identifica

posibles medidas de adaptación.

En el módulo de impactos climáticos se toma como entrada los impactos en el

rendimiento de los cultivos y los parametriza en los modelos nacionales de producción de

cultivos. Los cuales se usan para el sistema global alimenticio-biocombustible se usa un

modelo global alimentario de equilibrio. Por último con la información de producción se

puede cuantificar el cambio en el uso de la tierra y los efectos de la producción de

biocombustibles ( Fischer et al., 2009).

2.2.5 Modelos de simulación

Se han realizado diversos modelos de simulación para el estudio de estos sistemas

complejos, una metodología usada ha sido la dinámica de sistemas. Esta ha sido usada

para tratar de explicar las relaciones que existen entre las variables de los sistemas

energéticos y alimenticios (Kim, 2009; Pruyt & Sitter, 2008; Sandvik, 2008), la cuestión de

estos modelos es que lo realizan de manera agregada y existe la necesidad de realizar

modelos regionales que tengan en cuenta las condiciones de cada país. Para Colombia

se ha desarrollado un modelo de Seguridad Alimentaria en dinámica de sistemas y es

desde este modelo que se parte, fue desarrollado por Giraldo (2013) y en este se tiene

varias consideraciones entre las que están: (1) análisis de la dinámica de la

disponibilidad, (2) el acceso y (3) la estabilidad alimentaria; todos estos factores desde

una perspectiva nacional (Giraldo, 2013).

Este modelo adicionalmente tiene las siguientes características: Considera retardos,

entre los cuales están los que permiten la formación de precios, erogación de recursos,

cambios tecnológicos endógenos. Uno de los puntos cruciales de este modelo son las

reglas de decisión modelada, debido a que no está basada en la economía tradicional

sino en reglas de racionalidad limitada. Toma varios sectores como son el ganadero y el

agrícola además que permite la importación y exportación de los alimentos (Giraldo,

2013). La carencia de este modelo nacional es que no incluye el subsector de BC, por lo



29

que es un modelo que servirá como punto de partida para análisis con mucho mayor

grado de precisión en el cálculo de la SA del país.

2.3 Problema de investigación

En el primer capítulo se hizo énfasis en la evolución que ha tenido tanto la SA y el

mercado de BC, la relación que tienen estos sistemas y como podrían competir por

factores de producción poniendo en riesgo tanto la SA como la seguridad energética.

Para el caso de la SA se ha evidenciado la problemática en el país y como diferentes

organismos tienen como prioridad atacar los problemas de hambre y desnutrición a nivel

global y nacional. Mientras que por el lado de los BC en Colombia ha mostrado ciertas

dificultades en alcanzar los objetivos planteados por el Ministerio de Minas y Energía en

cuanto a las cuotas que se deben cumplir en cuanto a la mezcla en los combustibles

fósiles.

Estos sistemas se han intervenido de manera aislada, sin tener en cuenta los efectos

colaterales que medidas que quieran corregir problemas coyunturales a corto plazo

pueden tener en el otro sistema a largo plazo. Todavía no se evidencia grandes efectos

de la producción de BC en la SA, pero esto no quiere decir que no pueda tener efectos

en el futuro. Es necesario el estudio holístico de estos sistemas que den herramientas

para la planificación agraria en el país para evitar que las medidas aisladas traigan

consecuencias sociales, económicas y energéticas severas (FAO, 2009; IICA, 2009; Kim,

2009; Nonhebel, 2012).

Al ser dos sistemas que involucran variables sociales y económicas estos tienen un

comportamiento complejo y dinámico, la SA ha sido estudiada a lo largo del tiempo

desde diversas perspectivas. Para Colombia apenas ha empezado la discusión con

enfoques sistémicos, el cual en vez de pronosticar valores futuros, explique las causas

del comportamiento de las variables de interés, estudiar las conexiones y entender cuál

es el papel del gobierno y la sociedad en los sistemas (Dyner, Peña, & Arango, 2008;

Ericksen et al., 2009; Sterman, 2000).



Aunque se ha avanzado en el estudio de la SA en el país, Giraldo (2013) quedó con

algunos casos que analizar. El problema de investigación se centra en proponer un

modelo que integre el modelo desarrollado por Giraldo (2013) con el sector de BC en el

país. Se pretende analizar los efectos que trae la introducción de los BC en el país,

estudiar las interacciones que se presentan entre la producción agroalimentaria y de BC.

Se debe tener en cuenta que la SA no es solo un fenómeno en el que intervengan

variables que actúan con incertidumbre como son las variaciones climáticas, sino que

tienen factores que se asocian a la interacción de mecanismos socio-económicos que

afectan y que generan tendencias en el sistema, generando desequilibrios (Saeed,

1987).

Es importante anotar que el objeto de estudio son sistemas complejos, por lo que es

necesario tener una visión holística de todo el conjunto que permita entender los retardos

dentro de los sistemas, las causas y los efectos (Morecroft, 2007; Sterman, 2000).

Además es necesario poder contar con metodologías que puedan analizar a largo plazo

la estructura actual y poder anticipar las posibles problemáticas para poder proponer

nuevas políticas y analizar si tienen una mayor efectividad.

Teniendo como base el estado del arte y haber dado los antecedentes que posibilitan la

identificación del problema es necesario evidenciar que este estudio se enfoca en 4

aspectos fundamentales para ser llevados a cabo. i) Analizar de manera conjunta y

holística los sistemas alimentarios y de BC, para analizar los efectos que tiene la

producción de etanol y biodiesel sobre la disponibilidad, acceso y estabilidad alimentaria.

ii) Estudiar las consecuencias de las decisiones de los agricultores y del gobierno en el

largo plazo. iii) Identificar variables claves, llamadas puntos de apalancamiento, los

cuales dan luces para el diseño de políticas, debido a que con un esfuerzo reducido

aplicado en estas variables pueden producir grandes cambios dentro del sistema. iv)

Analizar escenarios para poder cuantificar la reacción de los sistemas a condiciones

optimistas y pesimistas en sus variables claves.



31

2.4 Objetivos de la investigación estudio

En esta sección se presenta el objetivo general y los objetivos específicos que se

plantearon para el desarrollo de esta investigación y los que guiarán la metodología y los

resultados que se esperan luego del proceso investigativo.

2.4.1 Objetivo general

Evaluar la interacción entre el desarrollo de biocombustibles y la seguridad alimentaria

por medio de un modelo de simulación, de manera agregada en Colombia.

2.4.2 Objetivos específicos

i. Realizar una revisión de la literatura en la que se diferencien los diferentes

modelos que relacionen los biocombustibles con la seguridad alimentaria.

ii. Identificar las principales variables de los sistemas estudiados, y las principales

relaciones relevantes los biocombustibles y el sector de alimentos.

iii. Desarrollar un modelo de simulación validado que permita describir las

interacciones para la formación de precios de los alimentos, biocombustibles y la

decisión para la producción de estos bienes.

iv. Realizar simulaciones que permitan identificar posibles efectos, comportamientos

contra intuitivos, puntos de palanca de los sistemas antes descritos.

v. Proponer escenarios de políticas que encaminen a los sistemas a comportarse de

manera que lleve a mejorar el bienestar social y económico de las comunidades

afectadas por estos sistemas.

2.5 Hipótesis de investigación

Las hipótesis de investigación que tiene este trabajo son:



i. Existe una relación sistémica, entre la producción de BC y la SA, especialmente

en 3 dimensiones de esta (disponibilidad de alimentos, acceso y estabilidad en el

suministro).

ii. Es posible representar los sistemas de BC y alimenticio de Colombia que

permita analizar las interrelaciones, retardos en los sistemas, ciclos de

realimentación, para tener una mayor comprensión del fenómeno.

iii. Al analizar conjuntamente los BC con los factores de la SA, se facilita hacer un

estudio para detectar las políticas que pueden deteriorar variables sociales, al

mismo tiempo que se pueden detectar variables críticas o puntos de palanca que

guíen la formulación y la ejecución de políticas.

Este estudio se enfocará en 3 factores de la seguridad alimentaria: disponibilidad,

acceso y estabilidad, el foco del estudio es la decisión del productor, determinada por

la rentabilidad que este percibe del mercado y esta se refleja en el uso de la tierra.

3. Metodología

En el capítulo anterior se describió el problema de investigación, con el cual se formuló

los objetivos para esta tesis. En este capítulo se presenta la selección de la metodología

a usar. Cabe resaltar que este estudio parte de un modelo del sistema agroalimentario

del país, este modelo fue desarrollado y validado por Giraldo (2013). En la selección de

la metodología se explica el método seleccionado y por último se mostrará el proceso de

modelación usado en esta tesis.

3.1 Selección de la metodología de investigación

Se debe puntualizar que esta tesis parte de un modelo ya existente del sistema

agroalimentario de Colombia. Este modelo desarrollado por Giraldo (2013) fue realizado

bajo la metodología de Dinámica de Sistemas. Se eligió este modelo debido a que

muestra de manera desagregada el sistema agroalimentaria. Describe la estructura,

respondiendo las causas del comportamiento. Otro de los elementos para la selección de

este modelo es que permite el análisis dinámico de las variables de SA en Colombia. Es

un modelo amigable y transparente que fue validado por lo que le da robustez a la

construcción del módulo de BC para la evaluación de los efectos que estos tienen al ser

introducidos en el sistema agroalimentario.

El modelo de Giraldo (2013) es un modelo de simulación, por lo que hay que entender

que toda simulación parte del desarrollo de un modelo que pueda reproducir de manera

aproximado el mundo real. Este proceso se realiza mediante la selección de las partes

que el investigador crea significativas, acoplándolas para reproducir el comportamiento

(Friedman & Cassar, 2004). Las ventajas de simular son: i) Comprender un problema real

y se hace necesaria cuando las soluciones analíticas son inviables (Vennix, 1996); ii)

reduce los problemas de la capacidad limitada de la mente humana cuando se hacen



simulaciones mentales, por lo que los modelos computaciones se vuelven en una

herramienta útil para estudiar estructuras complejas (Forrester, 1971; Sterman, 1991) y

iii) analizar diferentes políticas sobre las variables clave dentro de los modelos y formular

estrategias que puedan ser aplicadas en el mundo real para tomar decisiones más

acertadas que lleven a un mejor comportamiento del sistema (Sterman, 2000).

La selección de la metodología de simulación depende de la utilidad que tenga el modelo

y de las características que tengan los sistemas. Es prioritario conocer las características

del problema dentro del sistema a estudiar y cada una de las herramientas de simulación

y sus aplicaciones para poder seleccionar el más adecuado para el problema a estudiar

(Dyner et al., 2008; Dyner, 1993). En esta sección se describirá la metodología

seleccionada. Sin embargo cabe describir las características del modelo, es de tipo

dinámico debido a que se analizará los efectos en el tiempo, es continuo debido a: i) Se

pueden utilizar aproximaciones continuas en su representación, ii) la aleatoriedad solo

puede explicar el comportamiento en el corto plazo, iii) las no-linealidades de los

sistemas socio-económicos, iv) las aproximaciones lineales se dan en el corto plazo y v)

los retardos en el sistema y los ciclos de realimentación juegan un papel fundamental

dentro del problema. En la tabla 3-1 se muestra la comparación entre diferentes técnicas

de simulación que pueden ser usadas en este estudio.

Tabla 3-1. Comparación de diferentes técnicas de simulación

Técnica Tipo de

Modelo

Preguntas de

Investigación

Enfoque de la

modelación

Clasificación

de los

modelos

Supuestos

Dinámica de

Sistemas

(Dyner et al.,

2008;

Sterman,

1991)

Top-down ¿Cuáles son las

causas de

inestabilidad

dentro del

sistema?

Estructura del

sistema, se

busca el

entendimiento

del

comportamiento

desde la

estructura

Continuo Población

Homogénea

Agentes

(Rahmandad

& Sterman,

2004)

Botton-up ¿Cuáles son las

reglas de

decisión que

llevan al

comportamiento

Reglas de

decisión y

entendimiento

del

comportamiento

Continuo o

discreto

Población

Heterogénea

Metodología 35

de agentes

heterogéneos?

del agente

Econometría

(Sterman,

1991)

Botton-up Pronóstico de

variables

partiendo de

información

pasada.

¿Los inputs son

los responsables

del

comportamiento?

Predicción de

variables para

la toma de

decisiones.

Continuo o

discreto

Población

Homogénea

Supuestos

estadísticos

como la

normalidad y

la

independencia

de los errores

Algoritmos

genéticos

(Lomi &

Larsen,

1996)

Botton-up ¿Qué lleva al

cambio en las

tasas de

adaptación?

¿Cuándo

emerge un

agente óptimo?

Adaptación de

agentes por

medio de

aprendizaje

para llegar al

óptimo

Continuo o

discreto

Agentes con

genes

Adaptaciones

evolutivas

Cambios por

mutaciones

Retención por

copia

Fuente. Adaptado de (Davis, Eisenhardt, & Bingham, 2007)

3.2 Método de simulación en Dinámica de Sistemas

La metodología seleccionada es la Dinámica de Sistemas (DS), enfocada en la

simulación de flujos continuos tanto de material como de información. DS cuenta para la

simulación dos objetos fundamentales: los niveles (variables de estado) que se ocupan

de la acumulación de la información o de material y los flujos que son los inputs y outputs

de los niveles. El trasfondo matemático de estas estructuras son ecuaciones diferenciales

formuladas representadas como ecuaciones diferenciales de primer orden, no lineales.

( ) ( ) (1)

Además de estos objetos usa elementos como los ciclos de realimentación, relaciones no

lineales y retardos. Para dicha formulación es necesario seguir un proceso iterativo que

consta de los pasos que se describen en la siguiente sección (Morecroft, 2007).



3.3 Proceso de modelación en dinámica de sistemas

El proceso de modelación es iterativo y cuenta con 5 pasos, no quiere decir que se

deban llevar a cabo en un orden específico dado que se puede pasar de uno a otro en

cualquier momento de la modelación (Sterman, 2000).

Articulación del problema: Para empezar el proceso de modelación es

necesario tener claro un objetivo o una pregunta para guiar la investigación. En

primer lugar se debe identificar el problema, su comportamiento y sus variaciones

en el tiempo. Para cumplir este fin se pueden usar series de tiempo o

descripciones del problema y a este proceso se le llama “modo de referencia”.

Para el proceso de validación en el que se le da confianza al modelo es necesario

que la simulación sea capaz de replicar el comportamiento descrito en los modos

de referencia. En esta etapa de la modelación también se debe identificar los

límites del modelo, el tiempo de simulación adecuado para observar los

comportamientos y el marco donde la aplicación es funcional.

Planteamiento de una hipótesis dinámica: Es necesario explicar el

comportamiento del sistema, para ello se fórmula una hipótesis dinámica. En este

paso se analizan las relaciones causales existentes en las variables que se han

identificado como significativas para el modelo. Para poder realizar este paso es

necesario definir cuáles son endógenas (variables explicativas y que cambiarán

durante el modelo de la simulación debido a las dinámicas existentes dentro del

modelo), exógenas (variables de entrada, parámetros y que no se ven afectadas

por la simulación). Una herramienta útil para este proceso son los Diagramas

Causales, ya que permite observar de manera gráfica las relaciones existentes

entre las variables, indicando ciclos y retardos y a partir de estos elementos

explicar el comportamiento del sistema estudiado.

Formulación del modelo matemático: En esta etapa, se convierte la hipótesis

dinámica en un diagrama de flujo en el que se formulan las expresiones

matemáticas que describa las relaciones entre las variables (Dyner et al., 2008;

Morecroft, 2007; Sterman, 2000). En esta etapa se estiman los parámetros y los

Metodología 37

valores iniciales de los niveles, para ello existen diferentes metodologías para

esta estimación (Dyner, 1993; Richardson & Pugh, 1989) . Para poder simular se

debe calibrar el modelo para que pueda representar de manera adecuado el

modo de referencia.

Validación del modelo: La Dinámica de Sistemas no es exigente de información

histórica, es más se pueden hacer supuestos subjetivos, aunque debe anotar las

limitaciones que esto conlleva e indicar que se debe revisar cuando se cuente con

datos relevantes. Esto se debe a que los modelos bajo esta metodología no

pretenden proyectar y pronosticar los valores exactos de las variables, sino que

es una herramienta para probar políticas y entender el comportamiento desde la

estructura (Dyner, 1993). En esta etapa se busca darle confianza y robustez al

modelo, aunque cabe anotar que el modelo solo sirve para la utilidad con la que

se diseñó (Forrester & Senge, 1980; Sterman, 2002). Se busca validar tanto la

estructura como el comportamiento (Barlas, 1996). Brindándole confianza a la

estructura garantiza que la hipótesis dinámica planteada describe de manera

adecuada el sistema real, mientras que la validación en el comportamiento trata

de darle robustez a la captura de la dinámica del sistema estudiado (Barlas &

Carpenter, 1990; Sterman, 2000). En este punto de la modelación se realiza

análisis de sensibilidad para tener un mayor entendimiento de las dinámicas del

modelo y poder identificar a que parámetros es más sensible. Los resultados de

este análisis permiten la identificación de posibles puntos de apalancamiento en

el mundo real o posibles debilidades en la estimación de parámetros.

Análisis de políticas: El análisis se centra en los nodos de decisión del modelo y

estudiar los efectos producidos por los cambios estructurales y paramétricos

propuestos en las políticas. Una buena política es aquella que sea insensible a los

cambios en el modelo, que den una solución al problema y que evite

comportamientos contra intuitivos (Forrester, 1971). En este punto se analiza el

modelo bajo diferentes escenarios y el objetivo es que estos conlleven a la

estabilidad y mejor comportamiento del sistema.

4. Modelo propuesto en dinámica de sistemas para analizar los efectos de los BC en la SA en Colombia

En este capítulo se propone el modelo de simulación. El modelo parte de la investigación

realizada por Giraldo (2013) en la que desarrollo un modelo en Dinámica de Sistemas

para el análisis de la dinámica de la disponibilidad, el acceso y la estabilidad alimentaria

en Colombia. En esta investigación se introduce la producción de biocombustibles, el uso

de la tierra para el uso de los cultivos de biomasa, la decisión en la inversión para la

producción de alimento, ganadería o cultivos para la producción de biocombustibles.

Para el desarrollo de este capítulo se expondrá en la sección 4.1 la hipótesis dinámica

del sistema expresada en diagramas causales, en la sección 4.2, se transformará la

hipótesis dinámica en un modelo matemático, en esta sección se describe las ecuaciones

principales del modelo, los supuestos que se tuvieron en cuenta y los valores de los

parámetros usados dentro de la simulación. En la sección 4.3 se expondrá la validación

que se realizó al modelo y por último en la sección 4.4 se muestra los escenarios

propuestos y los resultados de las simulaciones.

4.1 Formulación de la hipótesis dinámica

El modelo busca tener una mirada holística sobre las relaciones existentes entre la SA y

los BC. La aproximación holística permite a pesar de la complejidad de estos sistemas la

identificación de interdependencias entre los elementos que componen los sistemas que

se están analizando.

Debido a que se parte de que el comportamiento de los sistemas complejos es producto

de la estructura en la cual están enmarcados (Morecroft, 2007; Sterman, 2000; Stroh,



2009), está puede ser expresada mediante relaciones causales que generen ciclos de

realimentación. De esta manera, se pueden encontrar ciclos de realimentación que no

son obvios ni directos, permitiendo entender los comportamientos contra intuitivos que

ocurren al implementar políticas (Forrester, 1971; Sterman, 2000).

Los diagramas causales son herramientas comunicativas que permiten además la

identificación de variables claves que pueden ser puntos de palanca, los cuales pueden

ser usadas para con poco esfuerzo generar comportamientos esperados (Senge, 1990).

Los elementos en estos diagramas son flechas que indican la causalidad, la cola de la

flecha indica la causa y la cabeza el efecto. Otro de los elementos es la polaridad que

indica el tipo de relación existente entre dos variables. Las relaciones causales se

denotan mediante las siguientes ecuaciones:

⇒

⇒

(2),

Donde;

X: es la variable causal; y

Y: es la variable efecto.

El efecto que se tiene sobre una variable es positivo si a un incremento de la causa

genera un incremento en su efecto y, es negativo si al incrementarse produce un

decremento en la variable efecto.

4.1.1 Seguridad alimentaria en Colombia

En el sistema alimentario colombiano, Giraldo (2013) plantea la disponibilidad alimentaria

desde la suficiencia alimentaria y la evaluación del estado real del mercado de alimentos.

Se evalúa la disponibilidad alimentaria per cápita, el consumo mínimo requerido por

persona y una brecha en el stock de alimentos disponibles El stock de alimentos es

función de la producción de alimentos, inventario de alimentos y la demanda total de

alimentos. En la figura 4-1 se observa el ciclo negativo (B1), el cual regula la producción

alimentaria. La variable de control en este ciclo es la brecha alimentaria, debido a que si

está aumenta genera un aumento en las tierras usadas, aumentando la producción de los

Modelo propuesto en dinámica de sistemas para analizar los efectos de los

biocombustibles de primera generación en la seguridad alimentaria en

Colombia

41

alimentos lo que a su vez reduciría la brecha alimentaria, balanceando el

comportamiento.

Cuando la demanda de los alimentos aumenta debido al aumento poblacional se genera

una presión para que el sistema alimentario pueda ofertar la cantidad necesaria para

suplir la demanda. Hay dos posibles soluciones para suplir la brecha (Bach & Saeed,

1992), la primera es a corto plazo reduciendo el déficit de alimentos, importando lo que

falte, aumentando la disponibilidad alimentaria y reduciendo la brecha alimentaria,

formando un ciclo de balance (B2). La segunda opción es a largo plazo (Stephenne &

Lambin, 2001) e implica el aumento de la capacidad de producción del sistema. De esta

manera se incrementa las tierras en uso y la intensidad de estas, trayendo degradación

de la tierra que reduce la producción alimentaria (Oldeman, Hakkeling, & Sombroek,

1990) generando un ciclo de refuerzo (R1). Este ciclo genera en el largo plazo una mayor

brecha alimentaria.

El mercado regula los precios de los alimento, incentivando la producción nacional. Al ser

rentable la producción agrícola se aumenta el volumen de alimentos producidos,

aumentando los factores de producción como el uso de la tierra. Si la oferta aumenta

pero la demanda es estable, se genera una sobreoferta disminuyendo los precios,

incentivando la demanda pero reduciendo la atractividad por la producción (Thomson &

Metz, 1999). La relación existente entre el precio interno, la demanda total, la brecha

alimentaria, la producción de alimentos y la disponibilidad de ellos forman un ciclo

positivo (R2), el cual incentiva la producción alimentaria nacional.

Al aumentar los precios, se aumenta la proporción de población vulnerable a las NBA

(Giménez & Peabody, 2008; Thomson & Metz, 1999), debido a que se pierde el poder

adquisitivo de un sector de la población. El poder adquisitivo es función de los ingresos y

de los precios. La población vulnerable al no consumir los nutrientes necesarios es

propensa a tener problemas de salud en términos de mortalidad. Esto reduce la

población, al tiempo que reduce la demanda alimentaria, disminuyendo la brecha

alimentaria, desincentivando la producción alimentaria, aumentando los precios y así

generando un ciclo positivo (R3).



La población regula el nivel de ingresos, si los ingresos no aumentan a una tasa superior

al crecimiento poblacional, el ingreso per cápita se reduce al tener que distribuirse entre

más personas, aumentando a su vez las personas que son vulnerables, esta relación

forma un ciclo de balance (B3).

Para mejorar la SA a nivel macro, es indispensable el desarrollo económico. Si aumenta

la producción agrícola, se incrementa el valor total de los productos agrícolas generando

un mayor ingreso per cápita. Esta situación se da debido a que se necesita mayor fuerza

laboral agrícola para aumentar la producción. A un mayor ingreso se disminuye la

población vulnerable a las NBI reduciendo el efecto que tiene la mala alimentación en las

muertes, lo que generaría un ciclo positivo (R4).

Al aumentarse los ingresos, se incentiva la creación de capital industrial donde parte de

los ingresos se destina para el aumento de la capacidad de producción. El porcentaje de

inversión en capacidad futura depende de las restricciones políticas y económicas. Un

aumento en el capital aumenta la producción, incrementando el valor de la producción y

los ingresos generando un ciclo positivo (R5).

El ciclo positivo (R6) es explicado como al aumento de la producción debido al aumento

de la capacidad de producción. Esto trae más alimento disponible, reduciendo los precios

de los alimentos, disminuyendo la población vulnerable, disminuyendo las muertes por

desnutrición, existiendo más población rural en condiciones de trabajar, incrementando el

factor trabajo que a su vez aumenta la producción de alimentos.

Por último el ciclo positivo (R7) es formando por la interacción entre los precios de los

alimentos y la población vulnerable al acceso de NBA, esto debido a que al aumentar la

proporción de la población vulnerable se reduce la demanda (Thomson & Metz, 1999),

disminuyendo la brecha, por lo que se reduce la importación de alimentos, disminuyendo

la disponibilidad de alimentos que trae consigo un aumento en los precios, aumentando

así las personas que no pueden acceder a los alimentos, aumento la proporción de

personas vulnerables.



Colombia

43

Figura 4-1. Diagrama causal del modelo global de la seguridad alimentaria en Colombia

Fuente (Giraldo, 2013)

4.1.2 Producción de biocombustibles en Colombia

Para el caso de la producción de biocombustibles en Colombia, hay una decisión

económica racional en la que compara que producto es más atractivo analizando las

rentabilidades que le genera la producción de alimento y la producción de biomasa

(Demirbas, 2008). Si la rentabilidad de los BC es mayor que la rentabilidad de los

alimentos, se necesitará más tierra para la cultivar biomasa (Giraldo, Arango, & Martínez,

2014). Al cambiar el uso de la tierra, se reduce la diferencia de tierras entre lo que se

necesita para la producción de BC y lo que se destina actualmente. A su vez, esta

diferencia que en este caso se llamará ajuste de tierras para BC, es la variable que

considera el gobierno para incentivar el cambio en el uso de la tierra. A un mayor ajuste

de tierras se aumentan los incentivos fiscales para los cultivos, lo que genera una mayor

rentabilidad en los cultivos de biomasa. Al aumentarse la rentabilidad de los BC se

aumenta la rentabilidad relativa de este producto frente a los bienes alimenticios,

generando así un ciclo de balance (B5). Ver figura 4-2.



El aumento en la tierra destinada para la producción de BC, aumenta la materia prima

disponible para el proceso productivo. Al incrementarse la producción de BC, se reduce

su déficit, el cuál actúa como variable de control, indicando la necesidad de ampliar la

capacidad instalada de producción. Si aumenta el déficit, habrá una mayor capacidad

deseada en el país. La capacidad deseada se compara con la que existe actualmente en

el país y así se calcula cual es la necesidad real de ampliación de la capacidad de

producción, en este caso en el modelo se llama ajuste de capacidad. Si el ajuste de

capacidad aumenta se motiva a la inversión en nueva capacidad de producción (Berrío,

2011). Cuando se aumenta la inversión habrá luego de un retardo nueva capacidad

instalada. La capacidad instalada de producción actual sirve como señal para saber

cuántas hectáreas de cultivos son necesarias para poder suplir la demanda de materia

prima del proceso productivo. Un aumento en la capacidad instalada de BC implica un

aumento en el requerimiento en el área dedicada a los cultivos de biomasa y esta a su

vez genera un mayor ajuste de tierras para BC, entrando en el ciclo (B5), este proceso de

tierras capacidad de producción genera un ciclo de balance (B6).

Un aumento en la capacidad instalada de biocombustibles, se reduce el ajuste de

capacidad, minimizando la inversión en nueva capacidad, habiendo una tasa de

construcción menor en nueva capacidad, formando un ciclo de balance (B4).

En el ciclo de inversiones (B3), el gobierno nacional interviene con incentivos fiscales

cuando el ajuste de capacidad se incrementa. Estos incentivos fiscales generan una

mayor rentabilidad en el sector, atrayendo nueva inversión en nueva capacidad

(Demirbas, 2008).

La demanda final de BC depende de la demanda de combustibles fósiles y de las

mezclas obligatorias. Estas mezclas responden a planes nacionales (Ministerio de Minas

y Energía, 2007, 2009) para la seguridad energética, desarrollo rural y mitigación en las

emisiones de gases de efecto invernadero. El gobierno toma la decisión de variar el

porcentaje de mezcla analizando si la oferta suple a la demanda, de esa manera se

controla la demanda formando un ciclo de balance (B2).



Colombia

45

El ciclo de balance (B1) responde a la dinámica de control de la oferta. Al haber más

producción se reduce el déficit, afectando la necesidad de construir nueva capacidad. Al

decrecer la inversión en capacidad disminuye la tasa de crecimiento de la producción de

BC. El ciclo de balance (B7) es la relación entre la oferta de biomasa con sus incentivos y

la oferta de BC con sus incentivos. Al aumentar la capacidad de los cultivos y la

capacidad instalada de producción se relajan los incentivos que hace el gobierno,

generando un ciclo de balance.

Por último el ciclo de balance (B8) es el control que tiene la producción en la asignación

de la tierra para la producción de materia prima. Este ciclo comprende la producción que

disminuye el déficit energético, esta a su vez determina el área necesaria de cultivos de

biomasa. Este requerimiento de área es una señal para los agricultores y así cultivar

biomasa para poder suplir la demanda de materias primas, entrando al ciclo B5,

aumentando los cultivos de biomasa, aumentando así la producción.

Figura 4-2. Diagrama causal del modelo global de la producción de biocombustibles en Colombia.



4.1.3 Relación entre el sistema alimentario y el sistema de biocombustibles en Colombia

La producción de alimentos y de BC comparten factores de producción comunes (tierra,

capital, mano de obra, agua, energía, entre otros), lo cual genera un conflicto por su uso.

En esta tesis se plantea la discusión sobre el uso final que se le da a los bienes

producidos, es decir cuál es la vocación de la tierra. La tierra es un recurso limitado. Se

parte de la premisa que el productor toma decisiones racionales, tratando de maximizar

su utilidad. El productor se basa en las rentabilidades que generan estos dos tipos de

bienes, que a su vez son función del precio en el mercado de los alimentos y de los

biocombustibles. Esta es la variable decisoria del modelo, las rentabilidades a su vez se

generan por los precios, en el caso de los alimentos el precio depende como se habló

antes de la interacción de la oferta y la demanda en el mercado, mientras que en el caso

de los biocombustibles como está intervenido, depende del gobierno.

El esquema que se genera al juntar los dos sistemas es cercano al arquetipo de escalada

(Senge, 1990) formado por los ciclos de balance (B11 y B12). Este arquetipo de escalada

genera un conflicto entre alimentos y BC, perjudicando a los consumidores finales por

medio de alzas de precios escalados. Esta alza de precios limita el acceso a los

alimentos y genera carencia en la SA en el país (Giraldo, Arango, & Martínez, 2014;

Senge, 1990).

El ciclo (B12) es la respuesta del sistema alimentario a la atractividad de la producción de

BC. Cuando se vuelve más atractivo cultivar biomasa se hace un cambio en el uso de la

tierra. La reducción del uso de la tierra en alimento conlleva a una reducción de la

producción de alimentos, disminuyendo la disponibilidad de los alimentos. La disminución

en la oferta aumenta los precios de los alimentos, lo que trae un aumento en la

rentabilidad de la agricultura. Al aumentarse la rentabilidad en la agricultura se disminuye

la atractividad que existe en la producción de BC. Ver figura 4-3.



Colombia

47

Figura 4-3. Diagrama causal de la relación del sistema alimentario y la producción de

biocombustibles.



4.2 Descripción del modelo formal de simulación

En el capítulo 3 se describió el proceso de modelación, en esta sección se centrara en la

formulación matemática del modelo, usando como elementos flujos y niveles y las

ecuaciones que lo componen. Se parte de la hipótesis dinámica expresada en los

diagramas causales para construir la estructura del modelo formal.

El modelo global de las relaciones entre la seguridad alimentaria y la producción de

biocombustibles fue desarrollado en Vensim DSS V.5.7a; el horizonte de tiempo que se

define es 1990-2030. Se seleccionó este periodo de tiempo para poder calibrar las tierras

en sus diferentes usos Otra razón es poder analizar la introducción de los BC y

cuantificar a largo plazo los efectos de las políticas en el país en torno a los BC.

El modelo desarrollado es la continuación del desarrollado por Giraldo (2013).En este

modelo se plantea el sistema agroalimentario de Colombia. El modelo en su forma macro

tiene 10 variables de estado: población, otros ingresos, productos de la agricultura,

capital, importaciones de alimentos, tierras en uso agrícola, tierra potencial arable, tierra

degradada agrícola, tierra en uso pecuario y tierra pecuaria. El supuesto es poder

explicar la SA en Colombia desde una perspectiva macro y para ello este modelo plantea

los siguientes subsistemas:

Población: Es presentado por medio de una estructura endógena las principales

variables contempladas en este subsistema son la población, los nacimientos, las

muertes y la migración neta. Cabe resaltar que el modelo afecta la mortalidad

debido al efecto que tiene la desnutrición en la expectativa de vida sobre las

muertes, mientras que las tasas de natalidad y de migración neta son

relacionadas con el comportamiento histórico visto en Colombia entre los años

1990-2005, por lo que estas variables son dependientes del tiempo.

Acceso a los alimentos: En este subsistema se analiza la relación que existe

entre el nivel de ingreso y la posibilidad de acceder a los alimentos. Es decir en

este subsistema se parte de la premisa que el ingreso es un factor que determina



Colombia

49

el acceso a los alimentos. Para el análisis del ingreso, Giraldo (2013) basa este

subsector en la evaluación de varios factores como son los ingresos totales

(ingreso medio, otros ingresos, ingreso real), coeficiente de GINI, línea de

pobreza y así poder calcular la proporción de población vulnerable al acceso de

necesidades básicas alimentarias.

Producción de alimentos: Los factores importantes analizados en la producción

de alimentos son los factores de producción (capital, tierra, trabajo) y la eficiencia

en el uso de los factores de producción (cambio tecnológico). Para este análisis

se plantea el capital y el trabajo como variables exógenas, mientras que la tierra y

la productividad son variables endógenas. La producción se calcula al final como

una relación entre los factores de producción y la productividad. Un efecto de

cambio climático y malas prácticas productivas se analizó en el modelo en un

parámetro denominado perdidas pos cosecha.

Capital: La premisa del modelo es que el capital para la producción de alimentos

es una estructura exógena, relacionando la formación bruta de capital y una tasa

de crecimiento neta del capital. La tasa de crecimiento neta del capital fue

calculada mediante el uso de datos históricos comparándola con la variación de la

inflación.

Productividad: La productividad se desarrolló de manera endógena, calculada

relacionando infraestructura vial, adecuaciones en riego y drenaje, productividad

laboral asociada al acceso de los alimentos necesarios, entrenamiento de

productores en términos de artes y oficios y el precio de los combustibles.

Además de estos factores se considera una variable llamada perdida pos cosecha

que contempla los efectos del cambio climático y pérdidas por malas prácticas

productivas.

Consumo de alimentos y precios: El subsistema se genera de manera

endógena el principio del consumo de los alimentos parte de la demanda efectiva

de los alimentos producidos por el sistema y de los que son importados. Además



la demanda total se calcula como el consumo interno de alimentos más la

demanda de los alimentos para otros usos. La demanda es afectada por el efecto

que tiene los ingresos en la demanda y el efecto que tiene los precios sobre la

demanda, para calcular estos efectos se tiene en cuenta las respectivas

elasticidades que tienen con la demanda. El precio dentro del subsistema se

calcula usando el precio doméstico que está determinado por un precio de

referencia y la cobertura que tiene el inventario y la porción que la producción

interna cubre a las ventas. El otro factor usado es el precio internacional y se

calcula teniendo en cuenta los aranceles y la TRM. Al final el cálculo del precio

final se hace con una ponderación de estos dos precios.

Importación de alimentos: La importación aumenta los suministros de los

alimentos y se calcula de acuerdo a dos factores: acuerdos internacionales de

comercio (en el modelo en cuanto a los cereales) y la brecha alimentaria existente

en el país. Para el precio de importación Giraldo (2013) usa una ponderación de

los commodities que aportan la mayor porción en las importaciones. Para los

costos de aranceles el modelo usa está variable como un análisis de políticas del

gobierno.

Suficiencia alimentaria: En el modelo se representa la suficiencia alimentaria

como una variable auxiliar, relacionando la diferencia entre el consumo mínimo

per cápita y los alimentos disponibles per cápita. Para el modelo desarrollado la

disponibilidad de alimentos se asume la sumatoria de los productos producidos

por la agricultura y las importaciones y se le resta los productos no alimentarios y

los que se destinan para otros usos. Mientras que el consumo mínimo es una

canasta normativa relacionando el consumo calórico recomendado para las

personas. Para el cálculo de los nutrientes el modelo hace una conversión de los

alimentos producidos en granos equivalentes basándose en el contenido calórico

de cada producto.

Tierras en uso agropecuario: El uso de la tierra se ve influenciado por la

demanda de alimentos, en el modelo se desagregan en dos el uso de la tierra;

uso agrícola y el uso pecuario. Este subsistema descansa sobre el principio de la



Colombia

51

conservación de la materia, no se genera nueva tierra ni desaparece, el supuesto

es que hay una transformación en el uso. El uso de la tierra agrícola se

desagrega en tierras potenciales a usar, las tierras que actualmente están en

producción y las tierras degradadas. Por el otro lado las tierras pecuarias se

desagregan en las tierras que actualmente están en uso para la ganadería y las

tierras degradadas. El cambio en el uso de la tierra responde a la brecha

alimentaria, los precios de los alimentos y políticas gubernamentales. A este

subsistema, se le hará unas modificaciones que se explicarán en el uso de tierras

por parte de los BC.

4.2.1 Producción de materia prima para biocombustibles

La producción de materia prima en el país, se da mediante la disponibilidad de tierras

adecuadas para la siembra de cultivos. El modelo usa los dos cultivos que tienen mayor

rendimiento para producción de bioetanol (caña de azúcar) y de biodiesel (palma de

aceite). Dentro del subsistema se expresa por separado cada ecuación diferencial de

cada cultivo debido a que la palma de aceite y la caña de azúcar tienen ciclos

productivos diferentes. Las ecuaciones 3 a 5 describen de manera particular las

ecuaciones relevantes de del subsistema de producción de materia prima para BC.

Donde las Hectáreas Sembradas de Caña de Azúcar (HSCA) se ven incrementadas por

la Siembra de Caña de Azúcar (SCA) y se disminuyen por el Corte Caña (CC). Mientras

que en la palma de aceite esta pasa por dos etapas, Hectáreas en Desarrollo Palma de

Aceite (HDPA) que se incrementa cuando hay Siembras de Palma de Aceite (SPA) y se

disminuyen cuando estas tienen un proceso de Maduración (M). Las Hectáreas en

Producción Palma de Aceite (HPPA) y estas se incrementan cuando hay Maduración de

las HPDA y se disminuyen cuando su ciclo productivo se agota y hay Corte (C).

( )

(3)

( )

(4)



( )

(5)

(6)

(7)

(

) (8)

( ) (9)4

4.2.2 Producción de biocombustibles

La producción de biocombustibles en el país depende de la cantidad de materia

disponible y de la capacidad de producción. Se realiza una desagregación de la

capacidad de producción del bioetanol y biodiesel, adicional se separa la capacidad que

está en construcción y la capacidad construida actualmente.

En las ecuaciones 10 a 13 se tienen las ecuaciones que describen la dinámica de la

capacidad de producción de los BC. Donde la Capacidad en Construcción Bioetanol

(CCB) se ve incrementada por la Capacidad a Construir Bioetanol (CCBE) y se reduce

por la Nueva Capacidad Instalada Bioetanol (NCIB). El siguiente paso es la Capacidad

Instalada Bioetanol (CIB) es aumentada por la NCIB y se reduce por la Capacidad

Instalada Obsoleta Bioetanol (CIOB).

Por el lado del biodiesel, la Capacidad en Construcción Biodiesel (CCBD), se aumenta

por la Capacidad a Construir Biodiesel (CCBD) y se reduce por la Nueva Capacidad

Instalada Biodiesel (NCIBD). La NCIBD aumenta la Capacidad Instalada Biodiesel

(CIBD), mientras que la Capacidad Instalada Obsoleta Biodiesel (CIOBD) reduce la

CIBD.

4 PMPPA: Producción Materia Prima Palma de Aceite, RHP: Rendimiento por Hectárea Palma.

PMPC: Producción Materia Prima de Caña, RHC: Rendimiento por Hectárea Caña. EPC: Excedente Producción Caña, 0,101: factor de conversión de ton. de caña a ton. de azúcar EPP: Excedente Producción Palma, 0,22: factor de conversión de ton. de aceite a ton. de racimo de palma (Consorcio Cue, 2012).



Colombia

53

( )

(10)

( )

(11)

( )

(12)

( )

(13)

Por el lado de la producción se tienen las siguientes ecuaciones 14 a 17 en donde se

describen la dinámica de los niveles. Donde el Suministro de Bioetanol (SB) es el

inventario que hay de bioetanol en el país y se aumenta con la Producción de Bioetanol y

se reduce por las Ventas de Bioetanol (VB). Otro nivel calculado en el modelo es la

Producción Acumulada de Bioetanol (PAB) que se utilizará para el cálculo de costos del

modelo y solo se incrementa con la Producción Anual de Bioetanol (PABE).

Mientras que el Suministro de Biodiesel (SBD) se incrementa con la Producción de

Biodiesel (PBD) y se disminuye con las Ventas de Biodiesel (VBD). Al igual que en el

bioetanol, se calcula la Producción Acumulada de Biodiesel (PABD) como un acumulador

de la Producción Anual de Biodiesel (PABID).

( )

(14)

( )

(15)

( )

(16)

( )

(17)

4.2.3 Decisión del uso de las materias primas

Para la decisión en el uso de las materias primas el productor se pregunta cuál es el

producto que le genera mayor productividad para ello hace una comparación de la



rentabilidad en el mercado entre la exportación del azúcar y bioetanol y la rentabilidad

entre la exportación del aceite de palma y el biodiesel.

La Rentabilidad Relativa Bioetanol frente a Exportación (RRBE) se calcula como la

probabilidad de producir bioetanol frente a la exportación de azúcar, comparando las

rentabilidades de cada producto y una elasticidad existente entre el cambio de un

producto por el otro (alfa). De la misma forma se calcula la Rentabilidad Relativa

Biodiesel frente a la Exportación (RRBDE), es decir se calcula como la probabilidad de

producir biodiesel frente a la exportación de productos de palma, comparando las

rentabilidades de cada producto y una elasticidad por la sustitución en las materias

primas(beta). En las ecuaciones 18 a 23 se describe las funciones de rentabilidad usadas

dentro del modelo:

(18)

(19)

(20)

(21)

(22)

(23)5

4.2.4 Sistema de tierras agrícolas

En este sistema se hace un cambio en el esquema mostrado por Giraldo (2013),

agregando una nueva variable de nivel (Tierra en uso biomasa), se conserva los demás

niveles mostrados por Giraldo (2013). Las ecuaciones 24 a 28 describen las variables de

5 CTPB: Costos totales de producción bioetanol, PE: Precio Bioetanol,

REA: Rentabilidad exportación azúcar, RB: Rentabilidad bioetanol, RBD: Rentabilidad biodiesel, REPP: Rentabilidad exportación productos de palma, CPBD: Costos de producción biodiesel, PBD: Precio Biodiesel, CTA: Costos totales aceite de palma, PIAC: Precio internacional aceite de palma.



Colombia

55

nivel. Donde Tpa, Tua, Tda,Tup y Tub son variables de nivel que representa la tierra

potencial arable, la tierra de uso agrícola, la tierra degradada, la tierra de uso pecuario y

la tierra de uso biomasa respectivamente.

La Tpa depende en el cambio de uso de tierra agrícola a pecuaria (Cap), la tasa de

regeneración (tr) y la adecuación de nuevas tierras (An), La Tua está dada en términos

de adecuación de nuevas tierras, la tasa de degradación y la conversión a biomasa. La

Tda relaciona la Conversión a vocación agrícola, la tasa de degradación y la tasa de

regeneración. La Tup por otro lado depende de la Cap, la tasa de regeneración y la tasa

de degradación. Por último la Tub está dada entre la conversión a biomasa y la

conversión a vocación agrícola.

( )

(24)

( )

(25)

( )

(26)

( )

(27)

( )

(28)

4.2.5 Costos de producción biocombustibles

Para el cálculo de la rentabilidad de los biocombustibles es necesario calcular los costos

totales de producción de los biocombustibles. Se parte del supuesto de una curva de

aprendizaje para el etanol del 10% y para el biodiesel del 5%, lo cual indica la reducción

porcentual en los costos de producción por cada vez que se multiplica la unidad de

producción. Las ecuaciones 29 y 30 muestran cómo se calculan los costos totales en la

producción de BC. Los Costos Totales de Producción del Etanol (CTPE) es función de la

unidad de producción, los costos iniciales de producción etanol (CIPE), los costos de la

materia prima etanol (CMPE) y de la curva de aprendizaje. Mientras que los Costos de

Producción Biodiesel (CPBD) depende de la unidad de producción, los costos iniciales de



producción biodiesel (CIPB), los costos materia prima biodiesel (CMPB) y la curva de

aprendizaje.

{

(29)

{

(30)6

Las estructura de todos los subsistemas planteados pueden verse en las figuras B-1-10,

mientras que las ecuaciones de cada variable del modelo se pueden consultar en la tabla

B-1.

El modelo final tiene 273 elementos de las cuales 25 son niveles, 39 son flujos y el

restante son variables y parámetros. Para llegar al modelo formal final se usó un proceso

iterativo de modelamiento. Este proceso considera desde el principio la validación, en la

que se compara el diseño de la estructura con la literatura, además de que cada

ecuación y parámetros tienen un sentido real. De hecho el proceso de validación permite

la construcción de confianza en el modelo y se describe en la sección a continuación.

4.3 Validación del modelo planteado

Antes de poder experimentar con los modelos, es necesario hacer la validación y evaluar

la robustez a la representación desarrollada. Para ello se busca que los modelos

representen adecuadamente el mundo real y que reproduzcan el comportamiento del

mundo real (Barlas, 1996; J.D. Sterman, 2000). Los modelos en DS no pretenden

proyectar con alta precisión sino que su finalidad es ser instrumentos para el análisis de

políticas, su validación puede ser lograda por componentes formales y subjetivos (Barlas

& Carpenter, 1990; Barlas, 1996; Forrester & Senge, 1980).

6 -0,152 es el resultado de ; -0,074 es el resultado de ,

1.871.200 es la unidad de producción del etanol, debido a que es la producción anual del primer año (Fedebiocombustibles, 2014b). 1.172.300 es la unidad de producción del biodiesel, es lo que se produjo históricamente en el primer año de producción (Fedebiocombustibles, 2014c).



Colombia

57

Dentro de la discusión sobre la validación de los modelos de DS, se puntualiza la

necesidad de combinar pruebas subjetivas y formales, además de enfocarse en la

utilidad del modelo construido (Barlas & Carpenter, 1990; Forrester & Senge, 1980;

Sterman, 2002). En este caso, ha de ser dejado claro el objeto del modelo ya que un

modelo en DS solo es válido en el contexto de su objeto final, esto es, saber cuál es la

pregunta que busca responder o el problema de estudio (Barlas, 1996; Sterman, 2000).

Los modelos en DS, al ser modelos causales-descriptivos, buscan responder el por qué

se da cierto comportamiento en particular. Lo primordial es validar la estructura por

encima del comportamiento. Los modelos en DS tratan de explicar el comportamiento

desde una hipótesis de cómo es la estructura del mundo real. El proceso de validación

más aceptado en DS es el que tiene como base el proceso sugerido por Barlas (1996) y

Forrester & Senge (1980). El proceso se ilustra en la figura 4-4.

Figura 4-4. Pruebas para la validación formal de un modelo en Dinámica de Sistemas.

Basado en Barlas (1996) y Forrester & Senge (1980)



Este proceso recalca la validación de la estructura para poder validar el comportamiento,

a continuación se mostrará la validación realizada a la estructura y al comportamiento del

modelo desarrollado en esta tesis.

4.3.1 Validación de la estructura

En esta sección se muestran algunas de las pruebas que se realizaron con respecto a la

validación de la estructura. Es importante considerar que algunas de ellas. Por ejemplo la

consistencia dimensional se realizaron desde la primera ecuación del modelo. A

continuación se describe este proceso:

i. Pruebas de valoración de la estructura:

Este tipo de pruebas trata de analizar la consistencia de la estructura planteada

con el sistema real, es decir busca que el modelo represente de manera

adecuada el mundo real. Otra pregunta que se hace es si el modelo es

consistente con las leyes básicas de la física, es decir que se busca que no viole

leyes como la conservación de materia y energía (Sterman, 2000), bajo este

supuesto no podrían haber variables con valores negativos en las que en el

mundo real no ocurre (ej. Población, área cultivada, capacidad instalada, etc.).

Por último se debe responder si el nivel de agregación del modelo es adecuado

para poder responder la pregunta de investigación y si las reglas de decisión

modeladas son adecuadas para representar el sistema real.

Para analizar pruebas de valoración de la estructura, fueron modelados de

manera desagregada la producción de materia prima para biocombustibles y la

producción industrial de los biocombustibles, la decisión del productor por el cual

determina cuál es el uso final de la materia prima se usa usando el principio de la

maximización de la utilidad, para ellos se modelo los factores importantes para el

cálculo del rendimiento y se desagrego los costos en materia prima y los costos

derivados de la producción. En el módulo de biocombustibles otras variables

fueron asumidas exógenas, como el precio internacional para la exportación de

usos sustitutos de la materia prima.



Colombia

59

En el módulo alimentaria al usarse el modelo de Giraldo (2013) hay que anotar

que la investigadora modelo de manera endógena, la productividad de la tierra, el

uso de las tierras, la disponibilidad alimentaria, el acceso a los alimentos producto

de los precios. Mientras que otros factores los uso como variables exógenas

como el índice de GINI, precios internacionales y variables demográficas. En

ambos módulos se agregó a los consumidores en el sentido que no se analizó la

preferencia por que alimentos consumir y a los agricultores y sus preferencias por

cultivos, sino que se asumió que tenían como referente la maximización de su

utilidad.

Para responder la pregunta si el modelo viola las leyes de la conservación de la

materia, se realizó una inspección sobre las ecuaciones del modelo no

encontrándose ninguna que violará las leyes físicas de la conservación de la

materia y la energía. Se describe a continuación a manera de ejemplo las pruebas

que se hicieron sobre variables claves en las que no se podía presentar no

negatividades. Las variables seleccionadas son Déficit Bioetanol y Brecha

Alimentaria

Déficit Bioetanol = MAX(Demanda Etanol-Producción Bioetanol,0) (31)

Unidades: barril bioetanol/year

Brecha alimentaria= MAX(Demanda total de alimentos-

disponibilidad productos alimentarios,0) (32)

Unidades: ton granos equiv/year

Estas dos variables deben ser positivas en todo momento debido a su definición,

como se observa en las ecuaciones 34 y 35 siempre tomarán valores positivos ya

que el valor mínimo que pueden tomar es 0. Se puede concluir que no se

presenta negatividades en la brecha alimentaria y en el déficit bioetanol,

cumpliendo el principio de la conservación de la materia y la energía.



ii. Pruebas de condiciones extremas:

El modelo debe ser consistente y robusto cuando se le aplican valores extremos.

Lo que se busca es que al aplicar estos valores se refleje un comportamiento

similar a la realidad, bajo este criterio se aplica valores extremos a las siguientes

variables:

Cuotas Mezcla Bioetanol= 0 (Ver figura 4-5)

Figura 4-5. Prueba de condiciones extremas. Cuotas de Mezcla = 0

En un mercado regulado, si el gobierno fija las cuotas de mezcla en 0, la

demanda por etanol sería igual a 0, por lo que no podría existir déficit de este

producto.

Rentabilidad Biodiesel y Rentabilidad Bioetanol= 0

Si la rentabilidad que tienen los productores de BC es 0, no hay incentivo

para la producción, por lo que deciden no producir. (ver figura 4-6)

-20

0

20

40

60

80

100

19

90

19

92

19

94

19

96

19

98

20

00

20

02

20

04

20

06

20

08

20

10

20

12

20

14

20

16

20

18

20

20

20

22

20

24

20

26

20

28

20

30

Mb

Producción Biodiesel Producción Bioetanol



Colombia

61

Figura 4-6. Prueba de valores extremos. Rentabilidad Biocombustibles = 0

Al no producir estos combustibles, no hay asignación de las tierras para la

producción, por lo que las hectáreas destinadas a los cultivos de biomasa

serían iguales a 0.

Población reduciéndose: Se deja la natalidad en 0 y las muertes a una

tasa de 10% de la población, se puede observar cómo se afecta el

consumo interno de alimentos. Ver figura 4-7.

Figura 4-7. Resultado pruebas extremas sobre la población.

-20

0

20

40

60

80

100

-20

0

20

40

60

80

100

1990 1995 2000 2005 2010 2015 2020 2025 2030

mile

s d

e h

a

MB

Producción Biodiesel Producción Bioetanol Ha cultivadas de biomasa

00,20,40,60,811,21,41,61,82

0

1

2

3

4

5

6

7

2005 2010 2015 2020 2025 2030

Mill

on

es

Ton

eq

uiv

/añ

o

Mill

on

es

de

pe

rso

nas

Población Consumo Interno



Luego de analizar las pruebas de valores extremos y ver que el modelo respondía a lo

que se espera si estas ocurrieran en el mundo real, se puede decir que el modelo es

robusto y su comportamiento imita al sistema real.

iii. Confirmación de parámetros:

Según (Barlas, 1996) se debe darle confiabilidad a los parámetros como las

variables exógenas usados en la construcción del modelo, para ellos se usó

bases de datos confiables e información en la literatura. (Ver tablas B-2-10).

iv. Pruebas de consistencia dimensional:

Para hacer esta prueba es necesario revisar una a una las ecuaciones para

garantizar que se cumpla la consistencia unidimensional de las variables que

forman el modelo. Para ello se muestra en la (tabla B-1) las ecuaciones usadas

dentro del modelo, adicionalmente el software utilizado hace pruebas de unidades

y el modelo supero esta evaluación.

v. Errores de integración

Para este tipo de pruebas se analizó que tan sensible es el modelo al cambio en

los métodos de integración. Cambiando el método de integración, en las (figura C-

1 y C-2) se observa los resultados de esta prueba, concluyendo de estas gráficas

que el modelo no es sensible al método de integración.

4.3.2 Validación del comportamiento

Para validar el comportamiento en la presente tesis se propone hacer las pruebas de

reproducción del comportamiento. Para ello se hace una comparación entre los valores

históricos y los arrojados por la simulación del modelo base. Las variables a las que se le

hará la evaluación será Tierra en uso agrícola, Total Hectáreas Sembradas Palma,

Hectáreas Sembradas de Caña de Azúcar, Productos Agricultura, Producción de

Bioetanol, Producción de Biodiesel. Para ello se hará uso de las siguientes herramientas

estadísticas mostradas en la tabla C-1.



Colombia

63

Para la inspección gráfica se presentan en esta sección las variables área sembrada de

caña de azúcar y productos agricultura (ver figuras 4-8 y 4-9), mientras que en las

figuras C-3 a C-8 están la comparación entre los datos históricos y simulados de las

variables de interés.

Figura 4-8. Comparación área sembrada caña de azúcar histórico vs. simulado

Figura 4-9. Comparación productos agricultura histórico vs. simulado

La inspección gráfica señala que tanto para el área sembrada de caña de azúcar como

los productos agrícolas conservan la tendencia de las variables históricas, por lo que se

complementa con el análisis estadístico que se muestra en la tabla 4-1.

140

160

180

200

220

240

1990 1995 2000 2005 2010

Mile

s d

e h

a

Histórico Simulado

10

15

20

25

30

35

40

1990 1995 2000 2005Mill

on

es

Ton

gra

no

eq

uiv

/añ

o

Histórico Simulado



Tabla 4-1. Resultados de validación del comportamiento.

Variables

Theil

R MSE U

M (dmnl) U

S (dmnl) U

C

(dmnl) (unit2)

Producción Biodiesel

0,994 41.315.459.118 0,658 0,127 0,276

Producción Bioetanol

0,975 20.728.754.378 0,009 0,095 0,956

Hectáreas sembradas Caña de Azúcar

0,952 47.250.457 0,085 0,095 0,846

Total Hectáreas Sembradas Palma

0,998 60.407.121 0,368 0,006 0,651

Tierra en uso

agrícola 0,899 4.236.919.510.631 0,487 0,001 0,533

Productos agricultura

0,924 7.142.399.521.606 0,061 0,139 0,859

Para que el modelo sea confiable el error debe estar concentrado en la varianza y

la covarianza, esto se refleja en el ( ) y en el ( ), ya que si el porcentaje de

mayor error está en la media se cometen errores sistemáticos (Sterman, 1984).

De la tabla anterior, se puede concluir que el mayor porcentaje de los errores se

encuentran en la varianza y en la covarianza, excepto para la producción de

biodiesel, a pesar de esto si se compara gráficamente y el coeficiente de Pearson,

podemos afirmar que es válido asumir que la representación es coherente con la

realidad. En cuanto al coeficiente de correlación, el más bajo calculado fue de

0,899 en el caso de las tierras de uso agrícola, este coeficiente mide el grado de

relación entre dos variables, en este caso los datos históricos vs. simulados y

podemos concluir luego de estas pruebas que se puede concluir que se las

simulaciones se ajustan a los valores históricos capturando la tendencia de los

datos.

5. Simulación de escenarios y análisis

En esta sección se presentan los resultados de simulación al introducir BC en el sistema

agroalimentario del país. Las simulaciones tiene como referencia el estado del sistema

sin BC, los cuales son basados presentados con el modelo del sistema agroalimentario

de Colombia desarrollado por Giraldo (2013). Los escenarios considerados son optimista

BC y pesimista BC, los cuales consideran la variación en variables que afecten la

demanda de los BC; escenarios optimista agro y pesimista agro, que varían el

desempeño del sector agroalimentario del país. El último escenario es el de ganadería el

cual presenta una tecnificación en el sector pecuario y el desarrollo del mercado de BC.

Luego se presentan los resultados de las simulaciones de los escenarios y se hace un

análisis sobre el efecto que tienen estos sobre la SA y de producción de BC en el país.

5.1 Introducción de biocombustibles en el sistema agroalimentario (BC)

La introducción de los BC en el modelo agroalimentario de Giraldo (2013) se hizo

mediante la construcción del módulo de producción de BC y la relación en el cambio del

uso de la tierra. La formulación y estructura se describió en el capítulo 4. Las variables de

interés para analizar el efecto que tiene la introducción de los BC en el sistema

agroalimentario del país son: tierra en uso agrícola, proporción de población vulnerable al

acceso de NBA, precio de los alimentos, tierra en uso biomasa y producción de BC.

En el caso de la tierra en uso agrícola, la simulación se muestra en la figura 5-1. Los

resultados indican que la introducción de BC en el país lleva a la reducción de la tierra en

uso agrícola. La tierra que deja de tener vocación alimentaria para el 2030 es un 12,39%

menor en comparación con el modelo sin BC. Esta reducción se debe al cambio en la

vocación en el uso del suelo. Esta transformación en el uso del suelo es la respuesta del



sistema al introducir la producción de BC, la cual necesita la tierra para el cultivo de

materia prima para el proceso de producción.

Figura 5-1. Comportamiento del escenario base v.s Giraldo (2013) para Tierra en uso agrícola,

En la figura 5-2 se muestra los resultados en la variable precios percibidos de los

alimentos. Con la introducción de los BC, se observa que el cambio es casi imperceptible

de manera visual hasta el año 2025. Para el año 2030 se observa un aumento del 3,28%

en los precios percibidos de los alimentos con respecto al escenario donde no está

incluida la producción de BC. El aumento en los precios responde a las dinámicas en el

mercado, en el cuál debido a que hay una menor producción de alimentos y se debe

suplir la demanda importando granos el precio aumenta. Este cambio que se da a largo

plazo podría ser igual en ambos escenarios debido a las incertidumbres que no considera

el modelo como es el cambio climático, o cambios en las políticas arancelarias.

2

2,2

2,4

2,6

2,8

3

3,2

3,4

3,6

2005 2010 2015 2020 2025 2030

Mill

on

es

ha

Giraldo (2013) BC

Simulación de escenarios y análisis 67

Figura 5-2. Comportamiento del escenario base v.s Giraldo (2013) para precio percibido de los

alimentos

En la figura 5-3 se puede analizar el efecto que se tiene en la proporción de población

vulnerable al acceso de NBA al introducir los BC en Colombia. El modelo muestra que se

produce un aumento porcentual para el 2030 del 1,59% en la proporción de población

vulnerable al acceso de NBA. Este aumento es explicado por la reducción en las tierras

en uso agrícola (disminuyendo la producción de alimentos) y el aumento en los precios

percibidos de los alimentos.

La proporción de población vulnerable al acceso de NBA es crucial porque denota a la

población que tiene dificultades en el acceso de los alimentos. Este modelo muestra

como la introducción de los BC tiene un aumento en la población con restricciones al

acceso. La inspección visual muestra que el cambio es a largo plazo y el efecto debe ser

analizado teniendo en cuenta que debido a la incertidumbre podría no ser significativo.

150

200

250

300

350

400

450

500

550

2005 2010 2015 2020 2025 2030

Mile

s d

e C

OP

/to

n g

ran

o e

qu

iv

Giraldo (2013) BC



Figura 5-3. Comportamiento del escenario base v.s Giraldo (2013) para proporción de población

vulnerable al acceso de NBA

Para las tierras de uso de biomasa y la producción de BC, en la figura 5-4 se observa

una tendencia creciente. La tierra en uso de biomasa pasa de ocupar 4.544 ha en 2006 a

364.940 ha para el año 2030. Para el caso de BC la producción de biodiesel en el año

2009 fue de 1,26 MMb, aumentando para el año 2030 a 7,51 MMb. Con respecto al

bioetanol, se pasa de producir 1,68 MMb en 2006 a 7,75 MMb para el 2030. Este

comportamiento responde a que la demanda actual por BC está ligada a los

combustibles fósiles, en este caso el supuesto de la simulación del escenario BC es

mantener las tendencias de variables exógenas del modelo. En particular, se conservan

las tendencias crecientes de variables como la demanda interna por azúcar, demanda

interna por productos de palma, importaciones de alimentos, entre otros se extrapolan en

los años de simulación.

0,55

0,6

0,65

0,7

0,75

0,8

2005 2010 2015 2020 2025 2030

Giraldo (2013) BC


Figura 5-4. Tierra en uso biomasa escenario BC y producción de biocombustibles

5.2 Simulación de escenarios en el sistema agroalimentario-biocombustibles en Colombia

A partir de la introducción de los biocombustibles en el sistema agroalimentario, se

plantean dos escenarios enfocados en la demanda de biocombustibles, dos escenarios

orientados en el desempeño del sistema agroalimentario y por último un escenario

centrado en el sector pecuario del país.

Para la demanda de biocombustibles están los escenarios optimista BC y pesimista BC.

La demanda viene dada por dos variables, las mezclas ordenadas por el gobierno y por

la demanda de combustibles fósiles. Estos dos escenarios parten del supuesto que el

gobierno fija las mezclas futuras como lo muestra la tabla 5-1. En el caso del escenario

optimista BC las mezclas responden a estrategias de mitigación ambiental debido al

aumento acelerado de la demanda por combustibles fósiles. Para el caso del escenario

pesimista BC la oferta no puede suplir la demanda por lo que el gobierno relaja las

mezclas haciendo que el aumento en el porcentaje de las mezclas sea más lento. Para el

caso de la demanda de diésel y gasolina motor, se utilizan los escenarios optimista BC y

pesimista consistente con el escenario alto y bajo respectivamente de la UPME (2010).

Por último para el escenario pesimista BC se plantea la reducción de la rentabilidad. Esta

reducción responde a variables exógenas como el aumento en el costo de transporte y

de insumos.

En la tabla 5-1 se presentan los parámetros que se van a cambiar para los escenarios

optimista BC y pesimista BC.

0

2

4

6

8

10

0

50

100

150

200

250

300

350

400

2006 2008 2010 2012 2014 2016 2018 2020 2022 2024 2026 2028 2030

MM

b

Mile

s d

e h

a

Tierra uso biomasa Bioetanol Biodiesel



Tabla 5-1. Parámetros usados para los escenarios optimista BC y pesimista BC

Parámetros Unidad Optimista BC Pesimista BC

Cuotas planeadas biodiesel

%

2020 : 15%

2025: 20%

2030: 25%

2020 : 10%

2025: 15%

Cuotas planeadas etanol

%

2020 : 20%

2025: 25%

2020 : 12%

2025: 15%

Demanda Diesel

bbl Proyección escenario alto (UPME, 2010)

Proyección escenario bajo (UPME, 2010)

Demanda Gasolina

bbl Proyección escenario alto (UPME, 2010)

Proyección escenario bajo (UPME, 2010)

Rentabilidad BC

% Base – 20%

Para los dos escenarios orientados en el desempeño del sistema agroalimentario

(optimista agro y pesimista agro) se seleccionó parámetros con base en las perspectivas

del sector agroalimentario en la economía mundial. Estas perspectivas muestran las

posibles trayectorias en el sector agroalimentario. Las variables y los cambios que se

seleccionaron se expresan en la tabla 5-2. Estas fueron seleccionadas por ser variables

exógenas que afectan el sistema agroalimentario nacional e internacional (FAO et al.,

2013; Rosegrant, Paisner, Meijer, & Witcover, 2001).

Tabla 5-2. Parámetros usados para los escenarios optimista agro y pesimista agro

Parámetros Unidad Optimista Agro

Pesimista Agro

Precio internacional cereales

USD/ton grano equiv.

Base + 10% Base + 60%

Porcentaje de demandas de otros usos

% Base + 20% Base + 70%


Pérdidas en cosecha

% Base + 10% Base + 20%

Otros Ingresos

COP Base + 5% Base - 5%

Precios del petróleo

USD/bbl Base + 10% Base + 50%

Por último en el escenario centrado en el sector pecuario (ganadería) se plantea el

análisis de cambios en el uso de la tierra. Para ello se tomó las metas propuestas en el

plan estratégico de ganadería sostenible en Colombia. Este plan tiene como objetivo

reducir en 10 millones de hectáreas para el 2020 que actualmente están dedicadas a la

ganadería (FEDEGAN, 2013). Para cumplir este objetivo FEDEGAN plantea estrategias

para el desarrollo de sistemas silvopastoriles intensivos para el mejor aprovechamiento

de la tierra. También se tomaron los parámetros del escenario optimista BC para el

sector BC. Por el lado pecuario, este escenario. En este escenario se considera

recuperan 5 millones de hectáreas para la agricultura en el periodo 2015-2020. Los datos

de los cambios en este escenario están resumidos en la tabla 5-3.

Tabla 5-3. Parámetros para el escenario ganadería.

Parámetros Unidad Ganadería

Tierra en uso pecuario Ha -2,3% anual (2015-2020)

Biocombustibles

Parámetros del

escenario

optimista BC

5.3 Resultados de la simulación de escenarios

La simulación del escenario de ganadería muestra cómo se tiene el mayor impacto en el

uso de tierras agrícolas, donde se observa un aumento en las tierras usadas para la

producción alimentaria en 3,19 millones de ha (un aumento de 158,36%) para el año

2030. Este cambio en las tierras responde a las políticas de conversión de tierra

planteado en este escenario. Por el contrario los escenarios enfocados en los



biocombustibles (optimista BC y pesimista BC) presentan una variación entre el 5,11%

(pesimista BC) y -6,76% (optimista BC) en el uso de las tierras agrícolas para el año

2030. El cambio en el escenario pesimista BC se debe a la respuesta del sistema a una

menor demanda por los BC, por lo que se necesita menos tierra para el cultivo de la

materia prima. Por el otro lado el escenario optimista BC al necesitar más materia prima

para suplir la demanda, la tierra de uso agrícola se reduce debido al cambio en el uso.

Por último, los escenarios enfocados en el sistema alimentario (optimista agro y

pesimista agro) no presentan ninguna variación con respecto al escenario BC, debido a

que la demanda de BC se mantiene constante, por lo que el cambio en el uso para el

cultivo de biomasa se mantiene constante. Los resultados de la tierra de uso agrícola

para todos los escenarios se puede observar en la Ver figura 5-5.

Figura 5-5. Comparación entre escenarios. Tierra en uso agrícola

Con respecto a la producción de biodiesel, las simulaciones muestran que los escenarios

que mejoran la producción de BC son el de ganadería y el optimista BC, con aumentos

en el nivel de producción de biodiesel en 56,44%. Este incremento responde al aumento

en la demanda de BC, debido al aumento en la demanda de diésel. El escenario que

peor resultado tuvo para la producción de biodiesel fue el pesimista BC, donde la

producción decreció la producción para el año final de la simulación en 25,13% para el

año 2030 con respecto al escenario BC. Este decremento responde a una menor

demanda por biodiesel debido a que el país demanda menos diésel. Por último, los

escenarios que no presentan variaciones en la producción de biodiesel con respecto al

1

2

3

4

5

6

7

8

2005 2010 2015 2020 2025 2030

Mill

on

es

de

ha

BC Pesimista agro Optimista agro

Optimista BC Ganadería Pesimista BC


escenario BC son el optimista agro y pesimista, debido a que la demanda por BC

permanece igual que en el escenario BC. Los resultados para la producción de biodiesel

para todos los escenarios se muestran en la figura 5-6.

Figura 5-6. Comparación entre escenarios. Producción biodiesel

Para el bioetanol se presenta una situación similar al de biodiesel. Los escenarios que

incentivan la producción de bioetanol son el de ganadería y el optimista BC. El

incremento que presentan estos dos escenarios con respecto al BC para el año 2030, es

de 43,07%. Este incremento se da debido a que se supone que la demanda de gasolina

motor corresponde al escenario alto desarrollado por la UPME (2010) y al aumento en las

cuotas de mezcla de los BC. El escenario con peor desempeño en la producción de

bioetanol fue el pesimista BC. En este escenario se obtuvo una reducción con respecto al

escenario BC en la producción de etanol para el 2030 de 53,40%. Esta reducción se

explica por el supuesto de que la demanda de gasolina motor se basa en el escenario

bajo desarrollado por la UPME (2010) y por las mezclas de combustibles definidas en la

sección 5.2. Por último los escenarios enfocados en el agro (optimista agro y pesimista

agro) no presentan variaciones en la producción de bioetanol con el escenario BC. Cómo

se indicó antes estos escenarios tienen la demanda de BC igual que en el escenario BC.

Los resultados se muestran en la figura 5-7.

0

2

4

6

8

10

12

2005 2010 2015 2020 2025 2030

MM

b





Figura 5-7. Comparación entre escenarios. Producción etanol

Las simulaciones (ver figura 5-8) muestran que los escenarios que traen un mayor uso de

la tierra para biomasa son los de ganadería y optimista BC. Estos escenarios presentan

un aumento del 45,15% para el año 2030. Los escenarios pesimista agro y optimista agro

no presentan variaciones en la tierra en uso de biomasa, porque la demanda de BC no

presenta variaciones con respecto al escenario BC El escenario que trae un menor uso

de la tierra para biomasa es el pesimista BC, el cual para el año 2030 tiene un

decremento del 31,78% con respecto al escenario BC.

Figura 5-8. Comparación entre escenarios. Tierra en uso biomasa

0

2

4

6

8

10

12

2005 2010 2015 2020 2025 2030

MM

b



0

100

200

300

400

500

600

2005 2010 2015 2020 2025 2030

Mile

s d

e h

a




La variable de precios percibidos de los alimentos es fundamental para la SA, debido a

que limita el acceso de los alimentos. Dentro de las simulaciones se encontró que el que

trae una mayor disminución en los precios es el de ganadería. Este escenario reduce

$155.282 pesos por ton grano equivalente para el 2030. Esta reducción del 30,57%, se

debe a que hay una mayor producción de alimentos porque hay más tierras en uso

agrícola. Por otro lado los escenarios pesimista agro, optimista agro y pesimista BC

reducen el precio percibido en 7,31%, 2,88% y 1,27% respectivamente. Por último el

escenario optimista BC aumenta los precios en un 1,46% con respecto al escenario BC

debido a que hay menos tierra en uso agrícola al haber una mayor sustitución en el uso

de la tierra para la producción de biomasa. Los resultados en la variable precio percibido

de los alimentos para cada escenario se puede observar en la figura 5-9.

Figura 5-9. Comparación entre escenarios. Precio percibido de los alimentos

La proporción población vulnerable NBA, es la variable que indica cuál es la proporción

de la población que presenta dificultades para el acceso a los alimentos. El escenario

que presenta el mejor desempeño, es decir el que presenta la mayor reducción de esta

proporción es el de ganadería, con una disminución en un 23,13% para el año 2030. Los

otros dos escenarios que presenta una mejoría en este indicador son optimista agro y

pesimista BC, reduciendo este indicador en un 6,70% y 0,79% respectivamente. Por el

contrario los escenarios pesimista agro y optimista BC empeoran este indicador

aumentando en un 4,87% y 0,75% para el año 2030 con respecto al escenario BC. En la

figura 5-10 se muestran la proporción población vulnerable NBA para cada escenario.

150

200

250

300

350

400

450

500

550

2005 2010 2015 2020 2025 2030

Mile

s d

e C

OP

/To

n g

ran

o e

qu

iv





Figura 5-10. Comparación entre escenarios. Proporción población vulnerable NBA

El análisis de los escenarios de manera global, se observa como el de ganadería se es la

mejor alternativa. Este escenario permite una mejora de manera conjunta las variables de

la producción de BC y los indicadores de SA. Por el lado de los BC, la producción de

biodiesel y de bioetanol se aumentó en un 56,44% y 43,07% respectivamente. Los

precios percibidos en este escenario se redujeron en una proporción de 30,57% y la

proporción población vulnerable NBA se redujo en 23,13%.

Para los escenarios de BC, las simulaciones mostraron que tienen efectos en la

proporción de población vulnerable y en el precio percibido de los alimentos. Sin

embargo, el impacto es pequeño con aumentos en la población vulnerable del orden del

0,75% para el optimista BC y una reducción de 0,79% para el pesimista BC. En los

precios percibidos de los alimentos, el escenario optimista BC conlleva a un aumento de

los precios en 1,46% y el pesimista BC los reduce e 1,27%. Para los indicadores de BC

el escenario optimista BC mejora la producción de biodiesel para el 2030 en 56,44% y de

bioetanol de 43,07%, mientras que el escenario pesimista BC reduce la producción de

biodiesel y de bioetanol en 25,13% y 53,40% respectivamente.

0,4

0,5

0,6

0,7

0,8

0,9

1

2005 2010 2015 2020 2025 2030



6. Conclusiones y recomendaciones

Esta tesis evalúa las posibles consecuencias que tienen los biocombustibles en la

seguridad alimentaria en un país. Para esto se analiza la contribución que tiene en los

precios de los alimentos, la sustitución en el uso de la tierra y el efecto en la producción

de alimentos. El análisis de los efectos que tiene la producción de BC en la SA se

tomaron como dimensiones de interés: la disponibilidad y el acceso a los alimentos.

Estas dos variables medidas en la producción de alimentos y en la proporción población

vulnerable a las necesidades básicas alimentarias respectivamente.

La evaluación se realizó con un modelo en dinámica de sistemas que involucrará los

sistemas agroalimentarios del país y el sistema de producción de BC. Este modelo

permite analizar lo ocurrido entre 1990 y 2014 y poder proyectar los comportamientos de

las variables de interés hasta el año 2030. El modelo es una expansión del modelo del

sistema agroalimentario de Colombia desarrollado por Giraldo (2013), al que se le agregó

el módulo de BC. La metodología usada en el proceso de modelación y simulación fue la

dinámica de sistemas para permitir un análisis causal descriptivo del comportamiento

integrado de la producción de BC y el sistema agroalimentario.

Los resultados de la simulación del escenario base muestran que la producción de BC

tiene efectos en variables de SA. El análisis muestra que para caso del cambio en el uso

del suelo se encontró que hay una diferencia de 12,4% en la tierra de uso agrícola con

respecto con el escenario sin BC, y los precios percibidos de los alimentos se aumentan

del orden del 3,3%. Adicional, el modelo muestra que se produce un aumento porcentual

para el 2030 del 1,59% en la proporción de población vulnerable al acceso de NBA. De



esta manera, a pesar de que la introducción de BC en el sistema agroalimentario

desmejora los indicadores de SA, estos indicadores no tienen un aumento mayor del 4%.

Los BC pueden contribuir a la degradación de la SA, pero su efecto no es el único con

influencia.

Las simulaciones se hicieron considerando escenarios de BC (optimista BC y pesimista

BC). Se observa que al aumentar la producción de BC (escenario optimista BC) se

degradaba los indicadores de SA, mientras que si se reducía la producción (escenario

pesimista BC) se mejoraban los indicadores de SA. Este comportamiento responde a que

al aumentarse la producción de BC se cambia el uso de la tierra dedicado a los

alimentos. Al reducirse la producción alimentaria se encarecen los precios de los

alimentos provocando un alza en la proporción de la población vulnerable NBA. Mientras

que en la producción de BC las variaciones mostradas por el modelo para el biodiesel

son 56,44%, (optimista BC) y -25,13% (pesimista BC). Para el bioetanol el escenario

optimista BC aumenta la producción en 43,07% y el pesimista BC reduce la producción

en un 53,40%. Los resultados muestran un cambio en la proporción de población

vulnerable NBA de 0,75% y de -0,79% para los escenarios optimista BC y pesimista BC

respectivamente. Por lo que se puede concluir que la variación en la producción de BC

no afectan significativamente a los indicadores de SA no son significativos.

Los resultados sugieren que políticas enfocadas en la mejor utilización de las tierras, en

especial las usadas por la ganadería, conllevaría a la mejora en indicadores de SA y en

la producción de BC. En este caso el escenario de ganadería mostró una mejoría para el

año 2030 en la producción de biodiesel y de bioetanol de 45,15% y 43,07%

respectivamente. Por el lado de la producción agrícola se observó que la tierra en uso

agrícola aumenta un 158,36%. Los precios percibidos de los alimentos se redujeron en

30,57% y la proporción de población vulnerable a NBA se redujo en un 23,13% para el

2030.

Trabajo futuro

A partir de este estudio se puede generar diferentes investigaciones futuras. Un posible

estudio se puede enfocar en la integración de este modelo con modelos espaciales,

Conclusiones y recomendaciones 79

usando sistemas de información geográfica (SIGs). Este tipo de modelos integrados

permitiría tener una mayor precisión en variables como el rendimiento de la tierra.

Además permite la identificación de la vocación real que tiene la tierra para que se

puedan desarrollar escenarios donde se analice el uso actual de la tierra y el potencial

para sus diferentes usos.

Otra línea de investigación nace de la necesidad de analizar el caso en el que el mercado

de BC en Colombia se desregularice y dependa de factores netamente del mercado. Bajo

esta perspectiva se debe hacer un estudio más profundo en la manera en que factores

como el precio de los combustibles fósiles afectan la demanda de BC.

Por último se debe analizar el costo beneficio que trae la introducción de BC en temas de

mitigación ambiental y los costos que esta política le ha traído al país en temas de

regulación del precio y de la demanda.

Bibliografía

Acosta, A. D. (2008). Los Biocombustibles: Oportunidad o Amenaza. Revista VirtualPro.

Acosta, O., & Chapparro, A. (2009). Biocombustibles, Seguridad Alimentaria y Cultivos Transgénicos. Revista Salud Pública, 11(2), 290–300.

Alfaro, D., & Olivera, M. (2009). Las Políticas Comerciales de América Latina ante las variaciones de precios de alimentos. Uruguay.

Altieri, M. A., & Bravo, E. (2012). La tragedia social y ecológica de la producción de agrocombustibles en el continente Americano, 2006(Pimentel 2003).

Arango, S. (2006). Essays on commodity cycles based on expanded Cobweb experiments of electricity markets. The University of Bergen.

Bach, N. L., & Saeed, K. (1992). Food self-sufficiency in Vietnam: A search for a viable solution. System Dynamics Review, 8(2), 129–148. doi:10.1002/sdr.4260080203

Barlas, Y. (1996). Formal aspects of model validity and validation in system dynamics. System Dynamics Review, 12(3), 183–210. doi:10.1002/(SICI)1099-1727(199623)12:3<183::AID-SDR103>3.0.CO;2-4

Barlas, Y., & Carpenter, S. (1990). Philosophical roots of model validation : two paradigms. System Dynamics Review, 6(2), 148–166.

Barrett, C. B. (2010). Measuring food insecurity. Science (New York, N.Y.), 327(5967), 825–8. doi:10.1126/science.1182768

Berrío, A. M. (2011). Modelo regional de producción y transporte de biocombustibles en Colombia. Universidad Nacional de Colombia.

Carr, E. (2006). Postmodern conceptualizations, modernist applications: Rethinking the role of society in food security. Food Policy, 31(1), 14–29.

CEPAL. (2004). Infraestructura, transporte e integración: La relación con el desarrollo productivo y la competitividad regional. Washington, DC: CEPAL.

Cohen, M. J., Tirado, C., Aberman, N.-L., & Thompson, B. (2008). Impact of Climate Change and Bioenergy on Nutrition. IFPRI and FAO, Rome.



Consorcio Cue. (2012). Evaluación del ciclo de vida de la cadena de producción de

biocombustibles en Colombia. Retrieved from http://www.minminas.gov.co/documents/10180/488888/Capitulo_3_GIS_final.pdf/e4202204-a82b-4204-8012-9773ee6aee73

CORPOICA, IICA, & PROCIANDINO. (2010). La Agroenergía en la Región Andina: situación actual y perspectiva. Bogotá.

DANE. (2009). Proyecciones Nacionales y Departamentales de Población 2005-2020.

DANE. (2011). Información Estadística. Encuesta Continua de Hogares. Retrieved from http://www.dane.gov.co/index.php/mercado-laboral/empleo-y-desempleo

DANE. (2014a). Cuentas Nacionales Anuales de Colombia. Retrieved from http://www.dane.gov.co/index.php/es/pib-cuentas-nacionales/investigaciones-especiales/77-cuentas-nacionales/cuentas-anuales/5153-cuentas-de-bienes-y-servicios-base-2005

DANE. (2014b). ÍNDICE DE PRECIOS AL CONSUMIDOR -IPC-. Retrieved from http://www.dane.gov.co/index.php/es/indices-de-precios-y-costos/indice-de-precios-al-consumidor-ipc/111-boletines/indice-de-precios-y-costos/4972-comunicados-boletines-2006-2013-ipc

Davis, J. P., Eisenhardt, K. M., & Bingham, C. B. (2007). DEVELOPING THEORY THROUGH SIMULATION METHODS, 32(2), 480–499.

De Gorter, H., Drabik, D., & Just, D. R. (2013). How biofuels policies affect the level of grains and oilseed prices: Theory, models and evidence. Global Food Security, 2(2), 82–88. doi:10.1016/j.gfs.2013.04.005

De Gorter, H., & Just, D. R. (2010). The Social Costs and Benefits of Biofuels The Intersection of Environmental, Energy and Agricultural Policy. Applied Economic Perspectives and Policy, 32(1), 4–32.

Deaton, A., & Laroque, G. (1992). On the behaviour of commodity prices. Review of Economic Studies, 59, 1–24.

Demirbas, A. (2008). Biofuels sources, biofuel policy, biofuel economy and global biofuel projections. Energy Conversion and Management, 49(8), 2106–2116. doi:10.1016/j.enconman.2008.02.020

Demirbas, A. (2009). Political, economic and environmental impacts of biofuels: A review. Applied Energy, 86, S108–S117. doi:10.1016/j.apenergy.2009.04.036

Dimitri, C., & Effland, A. (2007). Fueling the automobile: An economic exploration of early adoption of gasoline over ethanol. Journal of Agricultural & Food Industrial Organization, 5, 1–17.

Bibliografía 83

DNP, & DANE. (2012). Niveles de pobreza y desigualdad con la nueva metodología. In Pobreza monetaria en Colombia: Nueva metodología y cifras 2002-2010 (pp. 57–64). Bogotá, Colombia: Dirección de Difusión, Mercadeo y Cultura Estadística del DANE.

Dyner, I. (1993). Dinámica de Sistemas y Simulación Continua en el Proceso de Planificación. Medellín: Copilito.

Dyner, I., Peña, G. E., & Arango, S. (2008). Modelamiento para la Simulación de Sistemas Socio-Económicos y Naturales (p. 385). Medellín: Universidad Nacional de Colombia Sede Medellín.

EIA. (2014). International Energy Statistics. Retrieved from http://www.eia.gov/cfapps/ipdbproject/iedindex3.cfm?tid=79&pid=79&aid=2&cid=regions&syid=2000&eyid=2011&unit=TBPD

Ericksen, P. J., Ingram, J. S. I., & Liverman, D. M. (2009). Food security and global environmental change: emerging challenges. Environmental Science & Policy, 12(4), 373–377. doi:10.1016/j.envsci.2009.04.007

Escobar, J. C., Lora, E. S., Venturini, O. J., Yáñez, E. E., Castillo, E. F., & Almazan, O. (2009). Biofuels: Environment, technology and food security. Renewable and Sustainable Energy Reviews, 13(6-7), 1275–1287. doi:10.1016/j.rser.2008.08.014

Falcon, W. P., & Naylor, R. L. (2005). Rethinking Food Security for the Twenty-First Century. American Journal of Agricultural Economics, 87(5), 1113–1127.

FAO. (1992). Biogas Processes for Sustainable Development. FAO Agricultural Services Bulletin #95. FAO, Rome.

FAO. (1994). Bioenergy for Development: Technical and Environmental Dimensions. Prepared by Woods, J., Hall, D.O. FAO Environment and Energy Paper #13. FAO, Rome.

FAO. (2003). In J. Bruinsma (Ed.), World Agriculture.Towards 2015/2030.An FAO Perspective.London: EarthscanPublications.

FAO. (2008). Bioenergy, Food Security and Sustainability: Towards an International Framework. High-Level Conference on Food Security: The Challenges of Climate Change and Bioenergy, Rome, 3–5 June 2008. HLC/08/ INF/3. FAO, Rome. FAO.

FAO. (2009). The state of food insecurity in the world. Economic crises - impacts and lessons learned. Rome: Communication Division.

FAO. (2012). La subnutrición en el mundo en 2012. Retrieved from http://www.fao.org/docrep/017/i3027s/i3027s02.pdf

FAO. (2013). Feeding the world. In FAO Statiscal Book 2013. World Food and Agriculture (pp. 123–199). Rome.



FAO. (2014). FAO Food Price Index. World Food Situation. Retrieved from

http://www.fao.org/worldfoodsituation/foodpricesindex/en/

FAO, FIDA, & PMA. (2013). El estado de la inseguridad alimentaria en el mundo. Las múltiples dimensiones de la seguridad alimentaria. Roma: FAO.

FAOSTAT. (2014). Production Indices. Retrieved from http://faostat.fao.org/site/612/DesktopDefault.aspx?PageID=612#ancor

Fedebiocombustibles. (2011). Mitos y Realidades de los Biocombustibles (pp. 1–26). Bogotá. Retrieved from http://www.fedebiocombustibles.com/files/REVISTA MITOS Y REALIDADES(2).pdf

Fedebiocombustibles. (2012). Cifras Informativas del Sector Biocombustibles.

Fedebiocombustibles. (2014a). Biodiesel de Palma de Aceite. Estadísticas. Retrieved from http://www.fedebiocombustibles.com/v3/estadistica-mostrar_info-titulo-Biodiesel.htm

Fedebiocombustibles. (2014b). Estadísticas Producción y Venta Alcohol Carburante (Etanol). Estadísticas. Retrieved from http://www.fedebiocombustibles.com/v3/estadistica-produccion-titulo-Alcohol_Carburante_(Etanol).htm

Fedebiocombustibles. (2014c). Estadísticas Producción y Venta Biodiesel. Estadísticas. Retrieved from http://www.fedebiocombustibles.com/v3/estadistica-produccion-titulo-Biodiesel.htm

Fedebiocombustibles. (2014d). Etanol Anhidro de Caña. Estadísticas. Retrieved from http://www.fedebiocombustibles.com/v3/estadistica-mostrar_info-titulo-Alcohol_Carburante_(Etanol).htm

Fedebiocombustibles. (2014e). Normatividad. Retrieved from http://www.fedebiocombustibles.com/v3/main-pagina-id-29.htm

Fedebiocombustibles. (2014f). Precios de Alcohol Carburante (Etanol). Estadísticas. Retrieved from http://www.fedebiocombustibles.com/v3/estadistica-precios-titulo-Alcohol_Carburante_(Etanol).htm

Fedebiocombustibles. (2014g). Precios del biodiesel. Estadísticas. Retrieved from http://www.fedebiocombustibles.com/v3/estadistica-precios-titulo-Biodiesel.htm

Fedebiocombustibles. (2014h). Preguntas Frecuentes de los Biocombustibles. ¿Cómo se distribuyen los biocombustibles en Colombia? Retrieved from http://www.fedebiocombustibles.com/v3/nota-web-id-923.htm#sthash.rz2DmFV2.dpuf

Bibliografía 85

FEDEGAN. (2013). Ganaderia Colombiana Sostenible. Retrieved April 10, 2015, from http://www.iica.int/Esp/regiones/andina/colombia/Documentos de la Oficina/TallerGanaderia/9 Andres ZuluagaTaller Política Ganadería.pdf

Fischer, G., Hizsnyik, E., Prieler, S., Shah, M., & van Velthuizen, H. (2009a). Biofuels and Food Security. Vienna, Austria: OFID IIASA.

Fischer, G., Hizsnyik, E., Prieler, S., Shah, M., & van Velthuizen, H. (2009b). Biofuels and food security. OFID and IIASA report (Vol. 1, pp. 1–223). International Institute for Applied Systems Analysis (IIASA) for OPEC Fund for International Development (OFID). doi:10.1111/j.1467-9353.2008.00425.x

Forrester, J. W. (1971). Counterintuitive behavior of social systems. Theory and Decision, 2(2), 109–140. doi:10.1016/S0040-1625(71)80001-X

Forrester, J. W., & Senge, P. (1980). Tests for building confidence in system dynamics models. TIMS Studies in the Management Sciences, 14, 209 – 228.

Friedman, D., & Cassar, A. (2004). Economic Lab: An Intensive Course in Experimental Economics (p. 233). London: Routledge.

García, H., & Calderón, L. (2012). Evaluación de la política de Biocombustibles en Colombia. Retrieved from http://www.fedesarrollo.org.co/wp-content/uploads/2011/08/Evaluación-de-la-política-de-Biocombustibles-en-Colombia.pdf

Garzón, S. C., & Hernández, C. (2009). Estudio comparativo para la producción de etanol entre Saccharomyces cerevisiae silvestre, Saccharomyces cerevisiae ATCC 9763 Y Candida utilis ATCC 9950. UNIVERSIDAD TECNOLÓGICA DE PEREIRA. Retrieved from http://recursosbiblioteca.utp.edu.co/tesisdigitales/texto/66182G245.pdf

Gerbens-Leenes, P., Nonhebel, S., & Krol, M. (2010). Food consumption patterns and economic growth.Increasing affluence and the use of natural resources. Appetite, 55(3), 597–608.

Giménez, E., & Peabody, L. (2008). From Food Rebellions to Food Sovereignty: Urgent call to fix a broken food system. Institute for Food and Development Policy, 14(1).

Giraldo, D., Arango, S., & Martínez, J. E. (2014). Efectos de los Biocombustibles en la Seguridad Alimentaria en Colombia: Una Aproximación Sistémica. Revista Facultad Nacional De Agronomía - Medellín, 67(2), 7375–7385.

Giraldo, D. P. (2013). Análisis de la dinámica de la seguridad alimentaria en un país en desarrollo -caso colombiano-. Universidad Pontificia Bolivariana.

Godfray, H. C. J., Beddington, J. R., Crute, I. R., Haddad, L., Lawrence, D., Muir, J. F., … Toulmin, C. (2010). Food security: the challenge of feeding 9 billion people. Science (New York, N.Y.), 327(5967), 812–8. doi:10.1126/science.1185383



Goldstein, E., & Gutman, G. E. (2010). Biocombustibles y biotecnología . Contexto

internacional , situación en Argentina.

Headey, D., & Fan, S. (2010). Reflections on the Global Food Crisis: How Did It Happen? How Has It Hurt? And How Can We Prevent the Next One? (Research m.). Washington, DC: IFPRI.

Hoekstra, A., & Chapagain, A. K. (2007). Water footprints of nations.Water use by people as a function of their consumption pattern. Water Resource Management, 21(1), 35–48.

Horta, L. A., & Silva, R. (2013). Biofuels in Brazil: Evolution, achievements and perspectives on food security. Global Food Security, 2(2), 117–125. doi:10.1016/j.gfs.2013.04.001

ICBF. (2006). Encuesta Nacional de la Situación Nutricional de Colombia 2005 –ENSIN. Bogotá, Colombia: Oficina de comunicaciones.

ICBF. (2011). Encuesta Nacional de la Situación Nutricional en Colombia 2010 ENSIN. Bogotá, Colombia: Da vinci Editores & Cía. S N C.

IEA. (1997). Biomass Energy: Key Issues and Priority Needs. Conference Proceedings, 3–5 February 1997, Paris.

IEA. (2003). Power Generation Investment in Electricity Markets. International Energy Agency, OECD, 104 p.

IEA. (2006). Renewable Energy: RD&D Priorities – Insights from IEA Technology Programmes. IEA, Paris.

IICA. (2009). Crisis Alimentaria en América Latina y el Caribe. Propuesta de acciones a nivel regiona.

IICA. (2010). Atlas de la Agroenergía y los biocombustibles en las Américas. San José.

IPCC. (2001). Climate change 2001: synthesis report. In R. T. Watson & The Core Writing Team (Eds.), A Contribution of Working Groups I, II, and III to the Third Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge, UK and New York: Cambridge University Press.

IPCC. (2007). Cambio climático 2007: Base de ciencia física. Contribución del Grupo I de trabajo al cuarto informe de evaluación del IPCC. Cambridge, UK and New York, USA: Cambridge University Press.

Janssen, R., & Rutz, D. D. (2011). Sustainability of biofuels in Latin America: Risks and opportunities. Energy Policy, 39(10), 5717–5725. doi:10.1016/j.enpol.2011.01.047

Bibliografía 87

Jürgens, I., Best, G., & Lipper, L. (2004). Bioenergy projects for climate change mitigation: eligibility, additionality and baselines. 2nd World Conference on Biomass for Energy, Industry and Climate Protection, 10–14 May 2004, Rome, Italy.

Kgathi, D. L., Mfundisi, K. B., Mmopelwa, G., & Mosepele, K. (2012). Potential impacts of biofuel development on food security in Botswana: A contribution to energy policy. Energy Policy, 43, 70–79. doi:10.1016/j.enpol.2011.12.027

Kim, G. R. (2009). Analysis of Global Food Market and Food-Energy Price Links - Based on System Dynamics Approach -. In 27th International Conference of the System Dynamics Society (pp. 1–18). Albuquerque, New Mexico, USA.

Knothe, G. (2001). Historical Perspective on vegatl oil- based diesel fuels. AOCS Inform, 12, 1103–1007.

Kovarik, B. (1998). Henry Ford, Charles Kettering and the Fuel of the Future. Automotive History Review, 32, 7–27.

Kuchler, M., & Linnér, B.-O. (2012). Challenging the food vs. fuel dilemma: Genealogical analysis of the biofuel discourse pursued by international organizations. Food Policy, 37(5), 581–588. doi:10.1016/j.foodpol.2012.06.005

Lambert, D. K., & Miljkovic, D. (2010). The sources of variability in U.S. food prices. Journal of Policy Modeling, 32(2), 210–222. doi:10.1016/j.jpolmod.2010.01.001

Latham, J. R. (2000). There’s enough food for everyone, but the poor can’t afford to buy it. Nature, 404(6775), 222.

Liao, W., Heijungs, R., & Huppes, G. (2012). Natural resource demand of global biofuels in the Anthropocene: A review. Renewable and Sustainable Energy Reviews, 16(1), 996–1003. doi:10.1016/j.rser.2011.09.022

Lomi, A., & Larsen, E. (1996). Interacting locally and evolving globally: A computational approach to the dynamics of organizational populations. Academy of Management Journal, 39, 1287–1321.

Mabee, W. E., Gregg, D. J., & Saddler, J. N. (2004). Ethanol from lignocellulosics: Views to implementation. IEA Bioenergy Task 39. IEA, Paris.

Matsumoto, N., Sano, D., & Elder, M. (2009). Biofuel initiatives in Japan: Strategies, policies, and future potential. Applied Energy, 86(2009), S69–S76. doi:10.1016/j.apenergy.2009.04.040

Meyer, S., & Thompson, W. (2010). Handbook of Bioenergy Economics and Policy, 133–148. doi:10.1007/978-1-4419-0369-3

Ministerio de Agricultura y Desarrollo Rural. (2012). Anuario Estadístico del Sector Agropecuario. Bogotá, Colombia: YER Impresos. Retrieved from http://agronet.gov.co/www/htm3b/anuario2012/index.html#page/1



Ministerio de Minas y Energía. (2007). El programa de biocombustibles en Colombia.

Retrieved September 31, 2012, from http://www.minminas.gov.co/minminas/downloads/UserFiles/File/hidrocarburos/Programa.pdf

Ministerio de Minas y Energía. (2009). Biocombustibles fuentes de desarrollo sostenible para Colombia. Retrieved from http://www.minminas.gov.co/minminas/downloads/archivosEventos/4828.pdf

Ministerio de Minas y Energía. (2010). Transporte de Biocombustibles en Colombia. Retrieved from http://www.minminas.gov.co/minminas/downloads/archivosEventos/6403.pdf

Ministerio de Minas y Energía. (2011). Decreto 4892 del 23 de diciembre de 2011. Retrieved from http://www.minminas.gov.co/minminas/downloads/archivosSoporteRevistas/8302.pdf

Morecroft, J. (2007). Strategic Modelling and Business Dynamics: A Feedback Systems Approach (p. 464). John Wiley & Sons.

Naik, S. N., Goud, V. V., Rout, P. K., & Dalai, A. K. (2010). Production of first and second generation biofuels: A comprehensive review. Renewable and Sustainable Energy Reviews, 14(2), 578–597. doi:10.1016/j.rser.2009.10.003

Nigam, P. S., & Singh, A. (2011). Production of liquid biofuels from renewable resources. Progress in Energy and Combustion Science, 37(1), 52–68. doi:10.1016/j.pecs.2010.01.003

Nonhebel, S. (2005). Renewable energy and food supply: will there be enough land? Renewable and Sustainable Energy Reviews, 9(2), 191–201. doi:10.1016/j.rser.2004.02.003

Nonhebel, S. (2012). Global food supply and the impacts of increased use of biofuels. Energy, 37(1), 115–121. doi:10.1016/j.energy.2011.09.019

Oldeman, L. R., Hakkeling, R. T., & Sombroek, W. G. (1990). World map of the status of human-induced soil degradation: An Explanatory note. Wageningen, Netherlands.: ISRIC.

Peters, J., & Thielmann, S. (2008). Promoting biofuels: Implications for developing countries. Energy Policy, 36(4), 1538–1544. doi:10.1016/j.enpol.2008.01.013

Pineda, R., Pérez-Caldentey, E., & Titelman, D. (2009). The current financial crisis: old wine in new goatskins or is this time different for Latin America? Santiago: ECLAC.

Pruyt, E., & Sitter, G. De. (2008). “ Food or Energy ?” Is that the question ? In 26th International Conference of the System Dynamic Society (pp. 1–20).

Bibliografía 89

Rahmandad, H., & Sterman, J. (2004). Heterogeneity and Network Structure in the Dynamics of Diffusion: Comparing Agent-Based and Differential Equation Models. MIT Sloan Working Paper, 4512-04.

Rena, R. (2005). Challenges for Food Security in Eritrea: A Descriptive and Qualitative Analysis. African Development Review, 17(2), 193–212.

Restrepo, J. C. (2010). Una Política Integral de Tierras para Colombia. Bogotá.

Richardson, G., & Pugh, I. A. (1989). Introduction to system dynamics modeling. Waltham: Pegasus Communications.

Rosegrant, M., Paisner, M., Meijer, S., & Witcover, J. (2001). 2020 Global Food Outlook. Trends,Alternatives, and Choices. International Food Policy Research Institute. Washington,D.C, 18 p.

Rosillo-Calle, F., & Walter, A. (2006). Global market for bioethanol: historical trends and future prospects. Energy for Sustainable Development, 10(1), 20–32. doi:10.1016/S0973-0826(08)60504-9

Saeed, K. (1987). World Hunger: Do we understand it? System Dynamics Review, 3(1), 36–44.

Sandvik, S. (2008). Impacts of peak oil and food based biofuel production on long-term food security a dynamic policy model. University of Bergen.

Sandvik, S., Moxnes, E., & Group, S. D. (2008). Peak oil , biofuels , and long-term food security.

Senge, P. (1990). The Fifth Discipline: the art & practice of the learning organization. (Doubleday.).

Smith, A. (2011). An Inquiry Into the Nature and Causes of the Wealth of Nations. New York, NY: Cosimo, Inc.

Smith, M., Pointing, J., & Maxwell, S. (1992). Household Food Security, Concepts and Definitions: An annotated bibliography Brighton: IDS, University of Sussex.

Songstad, D. D., Lakshmanan, P., Chen, J., Gibbons, W., Hughes, S., & Nelson, R. (2009). Historical perspective of biofuels: learning from the past to rediscover the future. In Vitro Cellular & Developmental Biology - Plant, 45(3), 189–192. doi:10.1007/s11627-009-9218-6

Sorda, G., Banse, M., & Kemfert, C. (2010). An overview of biofuel policies across the world. Energy Policy, 38(11), 6977–6988. doi:10.1016/j.enpol.2010.06.066

Stephenne, N., & Lambin, E. (2001). A dynamic simulation model of land-use changes in the Sudano-Sahelian countries of Africa. Agriculture, Ecosystems and Environment, 85, 145–161.



Sterman, J. D. (1984). Appropiate summary statistics for evaluating the historical fit of

system dynamics models.pdf. DYNAMICA, 10(2), 51–66.

Sterman, J. D. (1991). A Skeptic’s Guide to Computer Models. In G. P. RICHARDSON (Ed.), Modelling for Management. Aldershot, UK: Dartmouth Publishing Company.

Sterman, J. D. (2000). Business Dynamics (McGraw Hil.). New York.

Sterman, J. D. (2002). All models are wrong: reflections on becoming a systems scientist. System Dynamics Review, 18(4), 501–531. doi:10.1002/sdr.261

Stroh, D. (2009). A system view of the economic crisis. The Systems Thinker, 20(1), 10–12.

Thomson, A., & Metz, M. (1999). Implications of Economic Policy for Food Security: A Training Manual. Roma : FAO, 365 p.

Timilsina, G. R., Mevel, S., & Shrestha, A. (2011). Oil price, biofuels and food supply. Energy Policy, 39(12), 8098–8105. doi:10.1016/j.enpol.2011.10.004

Timmer, P., & Dawe, D. (2010). Food crises past, present (and future?) Will we ever learn? In D. Dawe (Ed.), The Rice Crisis: Markets, Polices and Food Security. London: Food and Agriculture Organization Rome and Earthscan Publishing.

UPME. (2010). Proyecciones de Demanda de Energía en Colombia. Retrieved from http://www.upme.gov.co/Docs/Energia/PROYECC_DEMANDA_ENERGIA_OCTUBRE_2010.pdf

Vennix, J. (1996). Group Model-Building: Facilitating Team Learning Using System Dynamics. Chichester: John Wiley & Sons.

Wiesenthal, T., Leduc, G., Christidis, P., Schade, B., Pelkmans, L., Govaerts, L., & Georgopoulos, P. (2009). Biofuel support policies in Europe: Lessons learnt for the long way ahead. Renewable and Sustainable Energy Reviews, 13(4), 789–800. doi:10.1016/j.rser.2008.01.011

WWF. (2007). Allocating scarce water. A WWF primer on water allocation, water rights and water markets.Godalming, UK.: WWF-UK,.

Zilberman, D., Hochman, G., Rajagopal, D., Sexton, S., & Timilsina, G. (2013). The Impact of Biofuels on Commodity Food Prices: Assessment of Findings. American Journal of Agricultural Economics, 95(2), 275–281. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&db=bth&AN=84950760&lang=es&site=ehost-live

A. Anexo: Datos adicionales de soporte a la descripción del problema.

Ecuación para el cálculo del ingreso al productor de biodiesel

El Ministerio de Minas y Energía definió en el decreto Nº 18 1966 del 24 de noviembre de

2011 la ecuación con la que se fijan los ingresos del productor de biodiesel, está

ecuación se muestra a continuación:

* ,( ) ( )-+ (33);

donde:

: Ingreso al productor del biocombustible por venta del biodiesel en condiciones

estándar.

: Precio internacional del aceite de palma ajustado por calidad expresado en dólares

por galón.

: Factor de producción eficiente del biocombustible correspondiente a factores de

producción de origen extranjero. (US$ /t) y fijado en 35 dólares por tonelada.

: Precio internacional del metanol.

: Factor de conversión de toneladas métricas a barriles. En este caso son (7, 217

barriles por tonelada métrica).

: Factor de conversión de barril a galón



: Promedio de la tasa representativa del mercado, vigente para los cinco días hábiles

anteriores a la fecha del cálculo.

: Factor de producción eficiente del biocombustible correspondiente a factores de

producción de origen colombiano y expresado en pesos colombianos por tonelada de

biocombustible ($/t).

Ecuación para el cálculo del ingreso al productor de etanol en Colombia

El Ministerio de Minas y Energía mediante la resolución Nº 180643 del 27 de abril de

2012 definió la ecuación que permite el cálculo del precio del alcohol carburante,

mostrada a continuación.

( ) ( ( ) ) ( )

( ) (34);

donde:

( ): Valor equivalente del alcohol carburante, expresado en pesos por galón, para el

periodo t.

( ): Promedio móvil de las cotizaciones de cierre de la posición más cercana del

azúcar blanco refinado, correspondiente al Contrato No. 5 de la Bolsa de Londres en los

anteriores 6 meses, expresado en dólares por tonelada (US$ /Ton).

: Son los gastos de exportación promedio del azúcar refinado. Fijado en 26 US$ / Ton.

( ) : Flete de transporte promedio del azúcar refinado entre el centro de producción y

el puerto de exportación (Cali-Buenaventura), el cual se fija a partir del SICETAC.

: Promedio de la tasa representativa del mercado, vigente para los 25 días hábiles

anteriores a la fecha del cálculo.

: Factor de producción entre producción de etanol por quintal de ázucar. 29.22

litros/quintal.

Anexo A: Datos adicionales de soporte a la descripción del problema 93

: Factor de corrección por menor recuperación de sacarosa. 0.97 litros / quintal.

: Factor asociado a los costos de transformación del azúcar en etanol anhidro. 6.378

litros/quintal.

: Factor asociado al ahorro de los costos de refinación y blanqueo del azúcar. 2.025

litros/quintal.

: Factor de conversión entre quintales de azúcar y toneladas de azúcar, el cual es de

veinte (20).

: Factor de conversión de galones a litros. (3.785).

Es el ahorro en pesos por galón ($/galón), que se obtiene al utilizar la vinaza

generada en el proceso de producción del alcohol carburante dentro de las actividades

agrícolas para la obtención de las respectivas materias primas. Fijado en (22.39) pesos

por galón.



Figura A - 1. Evolución de los índices de precios anuales de la FAO de grupos de productos

alimenticios básicos

Fuente (FAO, 2014)

Figura A - 2. Número de cabezas de res y búfalo en el mundo en millones. 1990-2010

Fuente (FAO, 2013)

0

50

100

150

200

250

300

350

400

Indice Prom

Carne

Lácteos

Cereales

Aceites

Ázucar

13500,00

14000,00

14500,00

15000,00

15500,00

16000,00

16500,00

1990 1992 1994 1996 1998 2000 2002 2004 2006 2008 2010


Tabla A - 1. Políticas públicas para afrontar la inseguridad alimentaria en países de ALC

País Políticas

México Liberalización de importaciones, control de precios y subsidio a los insumos

Rep. Dominicana Subsidio a los insumos

Costa Rica Subsidio a los insumos

El Salvador Liberalización de importaciones y subsidio a los insumos

Guatemala Liberalización de importaciones y subsidio a los insumos

Honduras Liberalización de importaciones, subsidio a los insumos, control de precios

y control del stock

Nicaragua Liberalización de importaciones, subsidio a los insumos, reducción en el

IVA, subsidio a los precios del consumidor

Panamá Control de precios

Argentina Restricción de importaciones, impuestos a las exportaciones y control de

precios

Bolivia Restricción de importaciones, liberalización de importaciones, subsidios a

los insumos, control de precios y subsidio a los precios del consumidor

Brasil Liberalización de las importaciones, control del stock

Chile Subsidio a los insumos

Colombia Control de stock

Ecuador Restricción de exportaciones, subsidio en los insumos, control de precios,

reducción en el IVA, subsidio a los precios del consumidor

Paraguay Liberalización de importaciones y control de precios

Perú Liberalización de importaciones

Uruguay Liberalización de importaciones, control de precios y reducción en el IVA

Venezuela Reducción en el IVA y subsidio a los precios del consumidor

Fuente (IICA, 2009)



Tabla A - 2. Políticas públicas en torno a los biocombustibles en el mundo.

País Política

China Impuso una meta de 10 millones de toneladas

de etanol y de 2 millones de toneladas de

biodiesel para 2020.

El precio del bioetanol está controlado por el

gobierno.

Japón Se introdujo mezclas en la gasolina en el 2007.

Reducción de impuestos en la importación.

Exenciones en los impuestos para el bioetanol.

Ayudas financieras para biocombustibles de 2°

y 3° generación.

Australia Subsidios para los programas de

biocombustibles, reflejados en dinero por cada

litro producido.

Niveles de producción fijado por el gobierno.

Cada ciudad fija los porcentajes de mezcla en

los combustibles fósiles.

Unión Europea Reducción en los impuestos

Fijación de la reducción de los niveles de GHG

para el transporte para el 2020.

Los cultivos están subsidiados.

Canadá Mezclas obligatorias desde 2012 E5 para

gasolina motor y E2 para el diésel.

Exenciones tributarias para el etanol.

Algunas provincias tienen reducción en los

impuestos de venta en los combustibles.

Cambio de reducción de impuestos por pago a

los productores.


Estados Unidos Subsidios volumétricos.

Impuestos especiales en los créditos fiscales

para el biodiesel y bioetanol.

Meta de reducción en el consumo de la

gasolina motor en 30% para el 2030

(comparado con el nivel de 2004).

Protección de la industria nacional con

impuestos a la importación.

Argentina Mezclas de E5 para el etanol desde 2010.

Precios controlados.

Ayudas financieras para la producción para el

mercado interno.

Brasil Brasil lleva un programa nacional de etanol

desde 1975, por lo que es el más competitivo

en función del precio. Mercado abierto.

Mezclas de E25 en etanol.

Fuente (Sorda et al., 2010; Wiesenthal et al., 2009)

Tabla A - 3. Capacidad de producción biodiesel por empresa

Empresa Capacidad (gal/año)

Año de entrada de Operación

Oleoflores 18.180.000 2008

Ecodiésel S.A 34.845.000 2009

Romil de la Costa 3.030.000 2012

Odin Energía 10.908.000 2013

Biodiesel de la Costa 3.030.000 2012

Biocombustibles sostenibles del caribe 30.300.000 2009

Bio D 34.845.000 2009

Ecodiesel de Colombia 36.360.000 2008

Biocastilla 4.545.000 2014

Aceites Manuelita 36.360.000 2009

Fuente Fedebiocombustibles (2014)



Tabla A - 4. Plantas productoras de etanol en Colombia.

Empresa Capacidad (l/día)

Incauca 350.000

Providencia 300.000

Manuelita 250.000

Mayagüez 250.000

Ingenio Risaralda 100.000

GPC 25.000

Fuente Fedebiocombustibles (2014)

Tabla A - 5. Normativa colombiana con respecto a los biocombustibles

Biocombustible Normativa Contenido regulatorio

Biodiesel Resolución

90963 de 2014

Criterios de calidad de los biocombustibles para el uso en

motores diésel (mezcla con diésel fósil).

Biodiesel y

bioetanol

Ley 1715 de

2014

Regulación para la integración de las energías renovables

no convencionales en el Sistema Energético Nacional.


91664 de 2012

Modificación en la mezcla de biocombustibles para

motores diésel.

Biodiesel y

bioetanol

Decreto 4892 de

2011

Se regula el uso de alcoholes carburantes y

biocombustibles para uso en el sector automotor.

Biodiesel Decreto 181556

de 2010

Establece la estructura de precios de ACPM y la mezcla

de biocombustibles para uso en motores diésel.


181120 de 2010

Modificación en la mezcla de biocombustibles para

motores diésel.

Biodiesel Concepto 87246

de 2009

Reducción en la retención en la fuente en la renta con

respecto de los biocombustibles

Biodiesel Decreto 180462

de 2009

Establece disposiciones con respecto a la estructura de

precios de ACPM y la mezcla con biocombustibles

Biodiesel y

bioetanol

Conpes 3510 de

2008

Lineamientos de la política para la promoción de la

producción sostenible de biocombustibles


182142 de 2007

Normativa que regula el registro de productores y/o

importadores de biocombustibles para motores diésel.


182087 de 2007

Modificación en los criterios de calidad de los

biocombustibles para uso en motores diésel.


Bioetanol Resolución

90932 de 2013

Establece el % de mezcla de alcohol carburante con la

gasolina (E10).


181555 de 2010

Modificación en la estructura de precios de la gasolina

motor corriente y corriente oxigenada.

Bioetanol Decreto 1135 de

2009

Modificación de los lineamientos para el uso de alcoholes

carburantes en el país para los vehículos automotores

que usen gasolina.

Bioetanol Resolución 2200

de 2005

Modificación de los criterios ambientales de calidad de los

combustibles líquidos y sólidos.


180687 de 2003

Regulación técnica en la producción, acopio, distribución

y puntos de mezcla de alcoholes carburantes.

Fuente. Adaptado de (Fedebiocombustibles, 2014e)

B. Anexo: Parámetros, ecuaciones del modelo y diagrama de flujos y niveles del modelo.

Tabla B- 1. Definición de variables y parámetros del modelo.

Nombre Variable

Unidad Definición

Adecuacion ha/year min(cambio deseado en la tierra,Tierra potencial arable)/tiempo promedio de conversion tierra

agricultural land share

dmnl 1-capital share-labor share

alfa dmnl 0,8

Arancel Maiz

dmnl (IF THEN ELSE(cif maiz(Time)<=300, 0.42, (IF THEN ELSE(cif maiz(Time)<=355, 0.08,-0.34))))

Arancel Soya

dmnl (IF THEN ELSE(cif soya(Time)<=100, 1.13, (IF THEN ELSE(cif soya(Time)<=255, 0.31,0))))

Arancel Trigo

dmnl IF THEN ELSE(cif trigo(Time)<=300, 0.51, (IF THEN ELSE(cif trigo(Time)<=477, 0.13,0)))

area irrigada

ha Tierra en uso agricola*porcentaje de area con mejoras en riego y draje

Área máxima caña

ha 1,92E+07

Área Máxima Palma

ha 1,53E+07

Área Necesaria para suplir demanda de Caña

ha/year Área para suplir demanda ázucar+Hectareas Necesarias de Caña para suplir déficit

Área necesaria para suplir demanda de palma

ha/year Área para suplir demanda materia prima palma+Hectareas Necesarias de Palma



Área para suplir demanda ázucar

ha/year ((IF THEN ELSE(Rentabilidad Exportación Ázucar<0.11,Demanda Interna Ázucar,IF THEN ELSE(Rentabilidad Exportación Ázucar>=0.11 :AND: Rentabilidad Exportación Ázucar<=0.3,Demanda Interna Ázucar*1.05,Demanda Interna Ázucar*1.1)))/0.101)/Rendimiento por Hectárea Caña

Área para suplir demanda materia prima palma

ha/year ((IF THEN ELSE(Rentabilidad Exportación Productos Palma<0.11,Demanda Interna Productos Palma(Time)+Exportación Productos de Palma,IF THEN ELSE(Rentabilidad Exportación Productos Palma>=0.11 :AND: Rentabilidad Exportación Productos Palma<=0.3,Demanda Interna Productos Palma(Time)*1.1+Exportación Productos de Palma,Demanda Interna Productos Palma(Time)*1.3+Exportación Productos de Palma)))/0.22)/Rendimiento por Hectárea Palma

beta dmnl 0,7

brecha alimentaria1

ton granos equiv/year

MAX(demanda total de alimentos-disponibilidad productos alimentarios,0)

Cambio millones $/year

otros ingresos*tasa de crecimiento otros ingresos

Cambio Cuotas Biodiesel

dmnl/year IF THEN ELSE (Time<=2014,Cuotas biodiesel planeada(Time)-Cuotas de Mezcla Biodiesel,IF THEN ELSE(Cubrimiento de Cuotas Biodiesel/Cuotas de Mezcla Biodiesel>0.7,Cuotas biodiesel planeada(Time)-Cuotas de Mezcla Biodiesel,0))

Cambio Cuotas Bioetanol

dmnl/year IF THEN ELSE(Cubrimiento de Cuotas Bioetanol/Cuotas de Mezcla Bioetanol>0.7,Cuotas etanol planeada(Time)-Cuotas de Mezcla Bioetanol,0)

cambio de uso

ha/year Tierra potencial arable*tasa de cambio de uso

cambio deseado en la tierra

Ha (brecha alimentaria1*porcentaje de adecuación de la tierra/rendimiento)*precios relativos de los alimentosêlasticidad del uso de la tierra a precios alimentos

Capacidad a construir Biodiesel

barril biodiesel/year

IF THEN ELSE(Time >2005:AND:Time<=2013, Plantas Biodiesel Históricas(Time),Inversión en Capacidad Biodiesel)

Capacidad a construir Bioetanol

barril bioetanol/year

IF THEN ELSE(Time >=2002:AND:Time<=2010, Plantas construidas históricas(Time),Inversión en Capacidad Bioetanol)

Capacidad deseada Biodiesel


IF THEN ELSE(Rentabilidad Biodiesel<0.11,0,IF THEN ELSE(Rentabilidad Biodiesel>=0.11:AND:Rentabilidad Biodiesel<=0.3,360000,IF THEN ELSE(Rentabilidad Biodiesel>0.3:AND:Rentabilidad Biodiesel<=0.5,720000,IF THEN ELSE(Rentabilidad Biodiesel>0.5:AND:Rentabilidad Biodiesel<=0.7,1.44e+006,2.88e+006))))

Capacidad deseada Bioetanol


IF THEN ELSE(Rentabilidad Bioetanol<0.11,0,IF THEN ELSE(Rentabilidad Bioetanol>=0.11:AND:Rentabilidad Bioetanol<=0.3,107000,IF THEN ELSE(Rentabilidad Bioetanol>0.3:AND:Rentabilidad Bioetanol<=0.5,322000,IF THEN ELSE(Rentabilidad Bioetanol>0.5:AND:Rentabilidad Bioetanol<=0.7,645000,1.289e+006))))

Capacidad en Construcción Biodiesel(0)

barril biodiesel

0

Capacidad barril 0

Anexo B. Parámetros, ecuaciones del modelo y diagrama de flujos y niveles

del modelo

103

en Construcción Bioetanol(0)

bioetanol

Capacidad Instalada de Biodiesel(0)

barril biodiesel

0

Capacidad Instalada de Bioetanol(0)

barril bioetanol

0

Capacidad Instalada Obsoleta Biodiesel


Nueva Capacidad Instalada Biodiesel,Vida Útil Plantas Biodiesel,0

Capacidad Instalada Obsoleta Bioetanol


Nueva Capacidad Instalada Bioetanol , Vida Útil Plantas Bioetanol , 0

Capital(0) millones $ Capital inicial

capital inicial

millones $ 348000

capital share

dmnl 0,25

coeficiente GINI

dmnlo coeficiente GINI time series(Time)

consumo interno poblacion


Poblacion*consumo interno real pc(Time)

consumo minimo requerido pc

ton granos equiv/(year*person)

0,18

Conversión a biomasa

ha/year Has

Conversión a vocación alimentaria

ha/year Hac

Corte ha/year IF THEN ELSE(Time<=2002,Corte Histórico(Time),CorteR)

Corte Caña ha/year IF THEN ELSE(Time=2008,178000,DELAY1(Siembra de Caña de Ázucar,Tiempo de Corte))

CorteR ha/year Maduración,Tiempo Productivo Palma,5793

Costo de producción ázucar

$/ton IF THEN ELSE(Rendimiento por Hectárea Caña<=120,358,IF THEN ELSE(Rendimiento por Hectárea Caña<=99.26,414,IF THEN ELSE(Rendimiento por Hectárea Caña<=80.35,490,572)))

Costo Inicial de Producción Biodiesel

$/barril biodiesel

23,3

Costo Inicial de Producción Etanol

$/ barril bioetanol

30,16



Costo Total Aceite

$/ton IF THEN ELSE(Rendimiento por Hectárea Palma> 0 :AND:Rendimiento por Hectárea Palma<=13.94,887.2,IF THEN ELSE(Rendimiento por Hectárea Palma>13.94 :AND: Rendimiento por Hectárea Palma<=17.07,774.2,IF THEN ELSE(Rendimiento por Hectárea Palma>17.07:AND:Rendimiento por Hectárea Palma<=21.28,619.2,IF THEN ELSE(Rendimiento por Hectárea Palma>21.28:AND:Rendimiento por Hectárea Palma<=25,543,0))))

Costos de Producción Biodiesel

$/barril biodiesel

IF THEN ELSE((Producción Acumulada Biodiesel/1.17236e+006)<1,120,((Costo Inicial de Producción Biodiesel*((Producción Acumulada Biodiesel/1.17236e+006)^(-0.074)))+Costos Materia Prima Biodiesel))

Costos Materia Prima Biodiesel

$/barril biodiesel

IF THEN ELSE(Rendimiento por Hectárea Palma=25,93,IF THEN ELSE(Rendimiento por Hectárea Palma=21.28,95.8,IF THEN ELSE(Rendimiento por Hectárea Palma=17.07,136.1,167)))

Costos MP Etanol

$/barril bioetanol

IF THEN ELSE(Rendimiento por Hectárea Caña<=120,47,IF THEN ELSE(Rendimiento por Hectárea Caña<=99.26,52,IF THEN ELSE(Rendimiento por Hectárea Caña<=80.35,57,63)))

Costos Totales de producción Bioetanol

$/barril bioetanol

IF THEN ELSE((Producción Acumulada Bioetanol/1.6012e+006)<1,78,((Costo Inicial de Producción Etanol*((Producción Acumulada Bioetanol/1.8712e+006)^(-0.152)))+Costos MP Etanol))

Cubrimiento de Cuotas Biodiesel

Dmnl Producción Biodiesel/Demanda Diesel(Time)

Cubrimiento de Cuotas Bioetanol

Dmnl Producción Bioetanol/Demanda Gasolina(Tima)

cubrimiento de importaciones

Dmnl cubrimiento inicial de importaciones a la brecha alim*relative food import pricesêlasticidad de la importación a los precios

cubrimiento inicial de importaciones a la brecha alim

Dmnl 1

Cuotas de Mezcla Biodiesel(0)

Dmnl 0

Cuotas de Mezcla Bioetanol(0)

Dmnl 0

Deficit Biodiesel


MAX(Demanda Biodiesel-Producción Biodiesel,0)

Deficit Bioetanol


MAX(Demanda Etanol-Producción Bioetanol,0)

Deficit potencial Biodiesel


MAX(Demanda Etanol-Producción Potencial Bioetanol,0)

Deficit potencial

barril bioetanol/

MAX(Demanda Etanol-Producción Potencial Bioetanol,0)


del modelo

105

Bioetanol year

Demanda Biodiesel


Cuotas de Mezcla Biodiesel*Demanda Diesel(Time)

Demanda Etanol


IF THEN ELSE(Time<2005,0,Cuotas de Mezcla Bioetanol*Demanda Gasolina(Time))

Demanda Interna Ázucar

ton azucar/years

Poblacion*0,036

demanda total de alimentos


porcentaje de demanda otros usos(Time)*disponibilidad productos alimentarios+consumo interno poblacion

desired stock coverage

year 0,5

disponibilidad alimentaria pc


disponibilidad productos alimentarios*(1-porcentaje de demanda otros usos(Time))/Poblacion

disponibilidad productos alimentarios


Productos agricultura*(1-porcentaje de productos no alimentarios)+importaciones realizadas

efecto de la expectativa de vida sobre las muertes

Dmnl efecto de expectativa de vida sobre la tasa de mortalidad tabla(expectativa de vida)

efecto de la irrigacion sobre la tierra

dmnl/year relative irrigation/vida promedio tierra en agricultura

efecto de los alimentos sobre expectativa de vida

Dmnl efecto de la suficiencia alim sobre la expectativa de vida tabla(proporcion de suficiencia alimentaria)

efecto del acceso a los alimentos a la expectativa de vida

Dmnl (proporcion de poblacion vulnerable al acceso de NBA/proporción inicial de población vulnerable al acceso de NBA)êlasticidad de tasa de muerte a la disponibilidad de alimentos

efecto del acceso a los alimentos en la productividad laboral

Dmnl (proporcion de poblacion vulnerable al acceso de NBA/proporción inicial de población vulnerable al acceso de NBA)êlasticidad de ftp a la disponibilidad de alimentos

effect of Dmnl delay n(precio relativo combustibleêlasticidad de ftp a los precios del



average oil price on tfp

combustible,time for oil price changes to affect tfp,1,1)

effect of irrigation on tfp

Dmnl relative irrigationêlasticidad de ftp a la irrigacion

effect of roads infraestructure on tfp

Dmnl relative road densityêlasticidad de ftp a la infraestructura vial

effecto of trainning on tfp

Dmnl relative trainningêlasticidad de ftp a la capacitacion

elasticidad de ftp a la capacitacion

Dmnl 0,11

elasticidad de ftp a la disponibilidad de alimentos

Dmnl -0,1

elasticidad de ftp a la infraestructura vial

Dmnl 0,07

elasticidad de ftp a la irrigacion

Dmnl 0,5

elasticidad de ftp a los precios del combustible

Dmnl 0,5

elasticidad de la importación a los precios

Dmnl -0,5

elasticidad de la linea de pobreza a los precios de alimentos

Dmnl 1,5

elasticidad de tasa de muerte a la disponibilidad de alimentos

Dmnl -0,025

elasticidad del uso de la tierra a precios alimentos

Dmnl 0,5


del modelo

107

elasticidad demanda de alimentos a los precios

Dmnl -0,37

elasticidad demanda de alimentos al ingreso

dmnl 0,02

elasticidad precio alimentos al cubrimiento del inventario

Dmnl -0,5

Excedente Producción Caña

Ton caña/year

MAX(Producción de Materia Prima de Caña-(Demanda Interna Ázucar/0.101),0)

Excedente Producción Palma

Ton/year MAX((Producción Materia Prima Palma de Aceite*0.22)-Demanda Interna Productos Palma(Time),0)

expectativa de vida

Year expectativa de vida normal*efecto de los alimentos sobre expectativa de vida*efecto del acceso a los alimentos a la expectativa de vida

expectativa de vida normal

Year 71

exportaciones


Productos agricultura*tasa de exportacion

Exportación Ázucar

ton azúcar/yeyé

Excedente Producción Caña*(0.101)*(1-Rentabilidad Relativa Bioetanol frente a Exportación)

Exportación Productos de Palma

Ton/year Excedente Producción Palma*(1-Rentabilidad Relativa Biodiesel frente a Exportación)

Factor dmnl/year 1

factor total de productividad ftp

Dmnl efecto del acceso a los alimentos en la productividad laboral*effect of roads infraestructure on tfp*effecto of trainning on tfp*effect of irrigation on tfp*effect of average oil price on tfp

food import prices

USD/ton granos equiv

(cif soya(Time)*participación soya+cif maiz(Time)*participación maíz+cif trigo(Time)*participación trigo)

fraccion de degradacion de la tierra

dmnl/year efecto de la irrigacion sobre la tierra+fraccion normal de degradacion de la tierra

fraccion normal de degradacion de la tierra

dmnl/year 0,0001

fuerza laboral

Person proporcion de fuerza laboral rural*Poblacion

fuerza person fuerza laboral



laboral inicial

Ha(0) ha 0

Hac ha/year IF THEN ELSE(Time=2005,0,MAX(Ha-Hectáreas cultivadas de biomasa,0))

Has ha/year IF THEN ELSE(Time=2005,Hectáreas cultivadas de biomasa,MAX(Hectáreas cultivadas de biomasa-Ha,0))

Hectareas en Desarrollo Palma de Aceite(0)

Ha 45397

Hectareas Necesarias de Caña para suplir déficit

ha/year ((((Deficit Bioetanol+Producción Potencial Bioetanol)/7.97186)/0.046)/Rendimiento por Hectárea Caña)

Hectareas Necesarias de Palma

ha/year ((Deficit Biodiesel+Producción Potencial Biodiesel)/(7.189*0.203))/Rendimiento por Hectárea Palma

Hectareas Sembradas de Caña de Ázucar(0)

Ha 152427

Hectáreas cultivadas de biomasa

ha/year ((((Producción Bioetanol)/7.97186)/0.046)/Rendimiento por Hectárea Caña)+((Producción Biodiesel)/(7.189*0.203))/Rendimiento por Hectárea Palma

Hectáreas en Producción Palma de Aceite

Ha 65982

Importaciones de alimentos(0)

ton granos equiv

1170000

importaciones por hacer


brecha alimentaria1*cubrimiento de importaciones/tiempo de ajuste de importaciones+importaciones(Time)

importaciones realizadas


Importaciones de alimentos*factor

income class around poverty[incclass]

Dmnl IF THEN ELSE((income class level[incclass]>poverty line):AND:(income class level[incclass]<(poverty line + income class size)), income distribution area[incclass] *(poverty line - (income class level[incclass]-income class size))/income class size, 0)

income class below poverty[incclass]

Dmnl IF THEN ELSE(income class level[incclass] <= poverty line, income distribution area[incclass], 0)

income class level[incclass]

Dmnl income class size *incclass


del modelo

109

income class size

Dmnl initial income class size *relative real pc income in ppp

income distribution[incclass]

Dmnl (1/(income class level[incclass]*std dev of normal*(2*pi)^0.5))*EXP(-((LN(income class level[incclass]) -mean of normal)^2)/(2*std dev of normal^2))

income distribution area[incclass]

Dmnl income distribution[incclass not first] -(income distribution[incclass not first] -vector elm map(income distribution[incclass not first],-1) )/2

ingreso de referencia

millones $/person

1

ingreso medio pc

millones $/person

valor produccion agricultura+otros ingresos)/Poblacion

ingreso medio pc inicial

millones $/person

0,75

ingreso medio percibido pc

millones $/person

mooth n(ingreso medio pc, tiempo cambio en ingreso afecte acceso a alimentos, ingreso medio pc inicial, 1)

initial agriculture land

Ha tierra en uso agropecuario

initial food import prices


food import prices

initial income class size

Dmnl 0,2

initial irrigated area

Ha area irrigada

initial oil price

USD/barril average oil market proce(Time)

initial real pc income in ppp

Dmnl real pc income

inversion real

millones $/year

Capital*tasa de crecimiento del capital

Inversión en Capacidad Biodiesel


min(IF THEN ELSE(Deficit potencial Biodiesel=0,0,IF THEN ELSE(Deficit potencial Biodiesel>0 :AND:Deficit potencial Biodiesel<=360000,360000,IF THEN ELSE(Deficit potencial Biodiesel>360000 :AND: Deficit potencial Biodiesel<=720000,720000,IF THEN ELSE(Deficit potencial Biodiesel>720000 :AND: Deficit potencial Biodiesel<=1.44e+006,1.44e+006,2.88e+006)))),Capacidad deseada Biodiesel)

Inversión en Capacidad Bioetanol

barril bioetanol year

min(IF THEN ELSE(Deficit potencial Bioetanol=0,0,IF THEN ELSE(Deficit potencial Bioetanol>0 :AND:Deficit potencial Bioetanol<=107000,107000,IF THEN ELSE(Deficit potencial Bioetanol>107000 :AND: Deficit potencial Bioetanol<=322000,322000,IF THEN ELSE(Deficit potencial Bioetanol>645000 :AND: Deficit potencial Bioetanol<=1.44e+006,645000,1.44e+006)))),Capacidad deseada Bioetanol)



labor share dmnl 0,6

linea de pobreza

millones $/person

linea de pobreza de referencia(Time)*(precios percibidos de los alimentos/precio alimentario de referencia)êlasticidad de la linea de pobreza a los precios de alimentos

linea de pobreza relativa

Dmnl linea de probreza/ingreso de referencia

Maduración ha/year IF THEN ELSE(Time<=2002,Maduración Histórica(Time),IF THEN ELSE(Time>2002:AND:Time<=2005,16000,MaduraciónR))

MaduraciónR

ha/year DELAY FIXED(Siembra de Palma de Aceite,Tiempo de Maduración,0))

mean of normal

Dmnl LN(real pc income^2) - LN(variance of per capita income + real pc income^2)/2

mt de vias iniciales por km2 superficie

mt/km2 mt de vias por km2 superficie

mt de vias por km2 superficie

mt/km2 100

Muertes person/yeyé

Poblacion*(tasa cruda de referencia de mortalidad*(1+efecto de la expectativa de vida sobre las muertes))

Nacimiento person/yeyé

Poblacion*tasa cruda de nacimiento(Time)

Nueva Capacidad Instalada Biodiesel


DELAY FIXED( Capacidad a construir Biodiesel,Tiempo de Construcción Planta,0)

Nueva Capacidad Instalada Bioetanol


DELAY FIXED( Capacidad a construir Bioetanol, Tiempo Construcciòn Planta, 0)

otros ingresos

millones $ 2452600

otros2 USD/ton granos equiv

36

otros3 $/ton grano equiv

100000

participación maíz

Dmnl 0,6

participación soya

Dmnl 0,1

participación trigo

Dmnl 0,3

perdidas en cosecha

Dmnl 0,1

personas iniciales capacitadas

person/yeyé

promedio de personas capacitadas

Pi Dmnl 3,14159

Poblacion Person población inicial


del modelo

111

poblacion inicial

Person 33204000

poblacion rural

Person Poblacion*porcentaje de poblacion rural(Time)

porcentaje de adecuación de la tierra

Dmnl 1

porcentaje de area con mejoras en riego y draje

Dmnl 0,13

porcentaje de fincas capacitadas

dmnl/year 0,08

porcentaje de productos no alimentarios

dmnl/year 0,07

porcentaje de subutilizacion

dmnl 0

poverty line dmnl linea de probreza relativa

precio alimentario de referencia

$/ton granos equiv

118985

precio alimentos ponderado

$/ton granos equiv

(precios domésticos de los alimentos*ventas domesticas+precio de importacion*importaciones realizadas)/(ventas domesticas+importaciones realizadas)

Precio Biodiesel

USD/barril biodiesel

151,2

precio con arancel


cif maiz(Time)*(1+Arancel Maiz)*participación maíz+cif trigo(Time)*(1+Arancel Trigo)*participación trigo+cif soya(Time)*(1+Arancel Soya)*participación soya

precio de importacion

$/ton granos equiv

(((precio con arancel+otros2)*TRM(Time))+otros3)

Precio Etanol

USD/barril bioetanol

((((Precio Internacional del Ázucar-53)/(477.94))*3.785)+0.008)*42

Precio Internacional Aceite

USD/ton 653

Precio Internacional del Ázucar

USD/ton 400

precio relativo combustible

dmnl average oil market price(Time)/initial oil price

precios domésticos

$/ton granos

precio alimentario de referencia*((Productos agricultura/ventas domesticas)/desired stock coverage)êlasticidad precio alimentos al



de los alimentos

equiv cubrimiento del inventario

precios percibidos de los alimentos

$/ton granos equiv

smooth n(precio alimentos ponderado, tiempo para percibir cambios en los precios de los alimentos, precio alimentario de referencia, 1)

precios relativos de los alimentos

Dmnl precios percibidos de los alimentos/precio alimentario de referencia

produccion de la agricultura


(produccion inicial de la agricultura*producción relativa agricultura*(1-perdidas en cosecha))

produccion inicial de la agricultura


17000000

Producción Acumulada Biodiesel

barriles biodiesel

0

Producción Acumulada Bioetanol

barriles bioetanol

0

Producción Anual Biodiesel

barriles biodiesel/year


Producción Anual Bioetanol

barriles bioetanol/year




min(Capacidad Instalada de Biodiesel,Producción Equivalente Biodiesel)



min(Capacidad Instalada de Bioetanol,Producción Equivalente Bioetanol)

Producción de Materia Prima de Caña

Ton caña/year

Corte Caña*Rendimiento por Hectárea Caña

Producción Equivalente Biodiesel


(Excedente ProducciónPalma/0.22)*(0.203)*(7.189)*Rentabilidad Relativa Biodiesel frente a Exportación)

Producción Equivalente Bioetanol


Excedente Producción Caña*(0.046)*(7.97186)*(Rentabilidad Relativa Bioetanol frente a Exportación)

Producción Materia Prima Palma de Aceite

Ton Hectáreas en Producción Palma de Aceite*Rendimiento por Hectárea Palma

Producción Potencial Biodiesel


Capacidad en Construcción Biodiesel+Capacidad Instalada de Biodiesel

Producción Potencial

barril bioetanol/

Capacidad en Construcción Bioetanol+Capacidad Instalada de Bioetanol


del modelo

113

Bioetanol year

producción relativa agricultura

Dmnl (relative capital^capital share*relative labor force^labor share*relative agriculture landâgricultural land share*factor total de productividad ftp)

Productos agricultura

ton granos equiv

16229400

promedio de personas capacitadas

person/year

poblacion rural*porcentaje de fincas capacitadas

proporcion de fuerza laboral rural

dmnl 0,08

proporcion de poblacion vulnerable al acceso de NBA

dmnl proportion of population below poverty line

proporcion de suficiencia alimentaria

dmnl disponibilidad alimentaria pc/consumo minimo requerido pc

proporción inicial de población vulnerable al acceso de NBA

dmnl proporcion de poblacion vulnerable al acceso de NBA

proportion of population below poverty line

dmnl SUM(income class below poverty[incclass!] + income class around poverty[incclass!]) * income class size

real pc income

dmnl (ingreso medio percibido pc/ ingreso de referencia)

relative agriculture land

dmnl tierra en uso agropecuario/initial agriculture land

relative capital

dmnl Capital/capital inicial

relative food import prices

dmnl food import prices/initial food import prices

relative irrigation

dmnl area irrigada/initial irrigated area

relative labor force

dmnl fuerza laboral/fuerza laboral inicial

relative real pc income in ppp

dmnl relative pc income/initial real pc income in ppp

relative road density

dmnl mt de vias por km2 superficie/mt de vias iniciales por km2 superficie

relative Dmnl promedio de personas capacitadas/personas iniciales capacitadas



trainning

Rendimiento

ton granos equiv/year/ha

produccion de la agricultura/tierra en uso agropecuario

Rendimiento por Hectárea Caña

ton/ha IF THEN ELSE(Hectareas Sembradas de Caña de Ázucar<=1.518e+006,120,IF THEN ELSE(Hectareas Sembradas de Caña de Ázucar<=4.918e+006,99.26,IF THEN ELSE(Hectareas Sembradas de Caña de Ázucar<=1.0972e+007,80.35,IF THEN ELSE(Hectareas Sembradas de Caña de Ázucar<=1.9229e+007,66.72,0))))

Rendimiento por Hectárea Palma

ton/ha IF THEN ELSE((Hectareas en Desarrollo Palma de Aceite+Hectáreas en Producción Palma de Aceite)<=1e+006,25,IF THEN ELSE((Hectareas en Desarrollo Palma de Aceite+Hectáreas en Producción Palma de Aceite)<=3.9e+006,21.28,IF THENELSE((Hectareas en Desarrollo Palma de Aceite+Hectáreas en Producción Palma de Aceite)<=9.253e+006,17.07,IF THEN ELSE((Hectareas en Desarrollo Palma deAceite+Hectáreas en Producción Palma de Aceite)<=1.5341e+007,13.94,0))))

Rentabilidad Biodiesel

Dmnl ((Precio Biodiesel-Costos de Producción Biodiesel)/Costos de Producción Biodiesel)

Rentabilidad Bioetanol

Dmnl ((Precio Etanol-Costos Totales de producción Bioetanol)/Costos Totales de producción Bioetanol)

Rentabilidad Exportación Ázucar

Dmnl ((Precio Internacional del Ázucar-Costo de producción ázucar)/Costo de producción ázucar)

Rentabilidad Exportación Productos Palma

Dmnl (Precio Internacional Aceite-Costo Total Aceite)/Costo Total Aceite

Rentabilidad Relativa Biodiesel frente a Exportación

Dmnl Rentabilidad Biodiesel/(Rentabilidad Biodiesel+Rentabilidad Exportación Productos Palma)

Rentabilidad Relativa Bioetanol frente a Exportación

Dmnl Rentabilidad Bioetanol/(Rentabilidad Bioetanol+Rentabilidad Exportación Ázucar)

Siembra de Caña de Ázucar

ha/year IF THEN ELSE(Time<2014,Area Sembrada Hístórica(Time),min(Área Necesaria para suplir demanda de Caña,Área máxima caña))

Siembra de Palma de Aceite

ha/year IF THEN ELSE(Time<2014,Área Sembrada Histórica(Time),min(MAX(Área necesaria para suplir demanda de palma-Total Hectáreas sembradas Palma,0),Área Máxima Palma-Total Hectáreas sembradas Palma))

std dev of normal

Dmnl (LN(1+variance of per capita income/(real pc income^2)))^0.5

std dev of per capita income

Dmnl real pc income* std dev over mean ratio table(coeficiente GINI)

Suministro barril 0


del modelo

115

Biodiesel biodiesel

Suministro Bioetanol

barril bioetanol

0

tasa cruda de referencia de mortalidad

dmnl/year 0,008

tasa de cambio

dmnl tasa politica*Tierra en uso pecuario

tasa de cambio de uso

dmnl/year 0,11

tasa de crecimiento del capital

dmnl/year 0,0875

tasa de crecimiento otros ingresos

dmnl/year 0,155

tasa de degradacion pecuaria

dmnl/year 0,001

tasa de degradación

ha/year Tierra en uso agrícola*fraccion de degradacion de la tierra

tasa de degradación p

ha/year Tierra en uso pecuario*tasa de degradacion pecuaria

tasa de exportacion

dmnl/year 0,1

tasa de migracion

person/year

Poblacion*tasa de migracion neta(Time)

tasa de regeneración

ha/year Tierra degradada a/tiempo de recuperacion

tasa de regeneración p

ha/year Tierra degradada p/tiempo de recuperación p

tasa politica Dmnl 0

tiempo cambio en ingreso afecte acceso a alimentos

Year 1

Tiempo Construcción Planta

Year 2

tiempo de ajuste de importaciones

Year 1

Tiempo de Year 1



Corte

Tiempo de Maduración

Year 2

tiempo de recuperacion

Year 10

tiempo de recuperación p

Year 8

tiempo para percibir cambios en los precios de los alimentos

Year 1

Tiempo Productivo Palma

Year 22

tiempo promedio de conversion tierra

Year 2

Tierra degradada a

Ha 173400

Tierra degradada p

Ha 1986330

Tierra en uso agricola

Ha 5000000

tierra en uso agropecuario

Ha Tierra en uso agricola+(1-porcentaje de subutilizacion)*Tierra en uso pecuario

Tierra en uso biomasa

Ha 0

Tierra en uso pecuario

Ha 31632600

Tierra potencial arable

Ha 12000000

time for oil price changes to affect tfp

Year 1,5

Total Hectáreas sembradas

Ha (Hectareas en Desarrollo Palma de Aceite)+Hectáreas en Producción Palma de Aceite-Corte

valor produccion agricultura

millones $ (precio alimentos ponderado*Productos agricultura)/1e+006


del modelo

117

variance of per capita income

Dmnl std dev of per capita income^2

Venta Biodiesel


min(Demanda Biodiesel,Suministro Biodiesel)

Venta Bioetanol


min(Demanda Etanol,Suministro Bioetanol)

ventas domesticas


demanda total de alimentos*(ingreso medio percibido pc/ingreso medio pc inicial)êlasticidad demanda de alimentos al ingreso*(precios percibidos de los alimentos/precio alimentario de referencia)êlasticidad demanda de alimentos a los precios

vida promedio tierra en agricultura

year 35

Vida Útil Plantas Biodiesel

year 25

Vida Útil Plantas Bioetanol

year 25

Average oil market price

USD/barril Función tabla

Cif maiz USD/ton grano equiv

Función tabla

Cif soya USD/ton grano equiv

Función tabla

Cif trigo USD/ton grano equiv

Función tabla

Coeficiente GINI time series

dmnl Función tabla

Consumo interno real pc


Función tabla

Efecto de la suficiencia alim sobre la expectativa de vida tabla

Dmnl Función tabla

importaciones


Función tabla

Línea de probreza de referencia

millones $/person

Función tabla

Porcentaje de

dmnl Función tabla



demanda otros usos

Porcentaje de población rural

Dmnl Función tabla

Std dev over mean ratio table

Dmnl Función tabla

Tasa cruda de nacimiento

Dmnl/year Función tabla

tasa de migracion neta

Dmnl/year Función tabla

TRM $/USD Función tabla

Tabla B- 2. Parámetros de la población.

Parámetro Notas

Población inicial Población de Colombia para el año 2005 provista por el DANE.

Tasa cruda de nacimientos

Cifra provista por el World Bank.

Tasa cruda de referencia de mortalidad


Tasa neta de migración


Efecto de la expectativa de vida sobre la tasa de mortalidad

Función tomada del modelo T21, con adaptaciones a Colombia

Expectativa de vida normal

Estadísticas nacionales de Colombia del DANE

Tabla B- 3. Parámetros acceso a los alimentos

Parámetro Notas

Proporción de la desviación estándar sobre el ingreso medio tabla

Función tabla (Lookup)

Línea de pobreza de referencia

Cifra basada en el cálculo del índice de pobreza del DNP con la metodología del 2005.


del modelo

119

Elasticidad de la línea de pobreza a los precios de los alimentos

Weishuang Qu y Gerald O. Barney (2002)

Ingreso de referencia El valor de esta constante es seleccionada para optimizar la velocidad de la simulación (Qu & Barney, 2002)

Tiempo para percibir cambios en los precios de los alimentos

Tiempo para que cambios en ingresos afecte el acceso a alimentos

Tamaño inicial clase de ingreso

Tabla B- 4. Parámetros del subsistema producción

Parámetro Notas

Producción inicial de alimentos

Valor de la producción agroalimentaria en el 2005 provista por Min. Agricultura y convertida a granos equivalentes.

Valor inicial del factor tierra

Cantidad de ha utilizadas en la producción de alimentos al 2005 provista por Min. Agricultura e IGAC.

Valor inicial del factor trabajo

Cantidad de empleos en el sector al 2005, tomado de DANE y (Leibovich, Nigrinis & Ramos, 2006)

Valor inicial del factor de capital

Calculado basado en las cuentas nacionales del DANE

Participación de la tierra

(Leibovich, Estrada & Vásquez, 2009)

Participación del trabajo

(Leibovich, Estrada, & Vásquez, 2009)

Participación del (Leibovich, Estrada, &



capital Vásquez, 2009)

Tabla B- 5. Parámetro capital

Parámetro Notas

Tasa de crecimiento del capital

Basado en las estadísticas del DANE sobre la formación bruta del capital en el sector agropecuario

Tabla B- 6. Parámetros de productividad

Parámetro Notas

Porcentaje de área con mejoras en riego y drenaje

Obtenido del Ministerio de agricultura

Elasticidad de la productividad a la irrigación


Área total del país DANE

Elasticidad de la productividad a la infraestructura vial

Dato calculado

Porcentaje de población rural

DANE

Porcentaje de unidades capacitadas


Elasticidad de la productividad a la capacitación

Dato calculado

Elasticidad de la productividad laboral al acceso de alimentos

Dato calculado

Elasticidad de la productividad al precio promedio de los combustibles

Dato calculado

Tiempo para que cambios en el precio promedio de los combustibles afecte la productividad

Dato calculado


del modelo

121

Tabla B- 7. Parámetros del subsistema de suficiencia alimentaria

Parámetro Notas

Porcentaje de productos no alimentarios

Dato obtenido de Agronet

Demanda otros usos Dato obtenido de FAOSTAT

Consumo mínimo requerido

Dato calculado

Tabla B- 8. Parámetros del subsistema de producción biocombustibles.

Parámetro Notas

Tiempo construcción planta.

Supuesto

Vida Útil plantas Tiempo de depreciación contable.

Cuotas planeadas Dato obtenido de Fedebiocombustibles

Plantas construidas históricas (bioetanol y biodiesel)

Dato obtenido de Fedebiocombustibles

Inversión en capacidad (bioetanol y biodiesel)

Supuesto usando el tamaño promedio de las plantas construidas.

Tabla B- 9. Parámetros del subsistema producción de materias primas biocombustibles.

Parámetro Notas

Tiempo corte Dato obtenido de Cenicaña

Demanda interna azúcar Regresión lineal usando datos de asocaña.

Rendimiento por hectárea caña.

(Consorcio Cue, 2012)

Area sembrada histórica Datos históricos tomados de Asocaña.

Rendimiento por hectárea palma

(Consorcio Cue, 2012)



Área sembrada histórica Datos históricos

tomados de Fedepalma.

Tiempo productivo palma Dato obtenido de Fedepalma.

Tiempo maduración Dato obtenido de Fedepalma.

Demanda interna productos palma

Dato obtenido de Fedepalma.

Tabla B- 10. Parámetros del subsistema decisión del uso de las materias primas

Parámetro Notas

Precio internacional aceite Dato obtenido de Fedepalma

Precio internacional azúcar

Dato obtenido de London Stock Exchange

Precio biodiesel Promedio de precios en los últimos 3 años.

Precio Bioetanol Los parámetros dentro de la función son los definidos por el Ministerio de Minas y Energía


del modelo

123

Figura B - 1. Diagrama de flujos y niveles población.

Figura B - 2. Diagrama flujos y niveles acceso a los alimentos.

Poblacion

tasa de nacimiento tasa de muerte

migracion neta

tasa cruda de

nacimiento

tasa cruda de referenciade mortalidad

tasa de

migracion neta

poblacion inicial

<Time>

<Time>

proporción inicial de poblaciónvulnerable al acceso de

necesidades basicas alimentarias

efecto de la suficienciaalimentaria sobre la

expectativa de vida tabla

<proporción de

suficiencia alimentaria>expectativa de vida

normal

expectativa de

vida

efecto de la suficienciaalimentaria sobre laexpectativa de vida

efecto de la expectativa

de vida sobre las muertes

efecto del acceso a losalimentos a la

expectativa de vida

elasticidad de las tasas demuerte a la disponibilidad

de alimentos

efecto de expectativa de vidasobre la tasa de mortalidad

tabla

<proporción de poblaciónvulnerable al acceso de

necesidades basicas alimentarias>

ingreso medio pc

Otros ingresos

<Time>

proporcion de poblacionvulnerable al acceso de

necesidades basicas alimentarias

<Poblacion>

<producción de la

agricultura alimentaria $>

<ingreso medio pc

inicial>

precio alimentario

de referencia

coeficiente GINI

proporcion std dev

sobre mean tabla

linea de pobreza

relativa

coeficiente GINI

time series

ingreso de referencia

<Time>

preciospercibidos delos alimentos

tiempo para percibircambios en los precios de

alimentos

tiempo cambio eningreso afecte acceso a

alimentos

ingreso medio

percibido pc

linea de pobreza

linea de pobreza de

referenciaelasticidad de la linea depobreza a los precios de

alimentos<Time>

ingreso real pc

std dev del

ingreso pc

varianza del

ingreso pc

media normal std dev normal

pi

distribucion del

ingreso

tamaño clase de

ingreso

nivel de clasede ingreso

proporcion de poblacion

bajo linea de pobreza

area de distribuciondel ingreso

ingreso inicial real

pc en ppp

ingreso real relativo

pc en ppp

tamaño inicial

clase de ingreso

clase de ingreso

bajo pobreza

clase de ingreso

alrededor pobreza



Figura B - 3. Diagrama flujos y niveles producción alimentos.

Figura B - 4. Diagrama flujos y niveles productividad agricultura.

fuerza laboral

fuerza laboralinicial

initial capital

fuerza laboral

relativa

tierra agricultura

relativa

capita relativo

tierra inicial

agricultura

factor total de

productividad

participacion

trabajoparticipacion tierra

agriculturaparticipacion

capital

produccion relativa

agricultura

proporcion de fuerza

laboral rural

Capital

Inversion Real

<población

rural1>

<tierra en uso

agropecuario>

tasa de crecimiento

del capital

factor total de

productividad

densidad relativa

viaselasticidad de

productividad a lainfraestructura vial

irrigacion relativa

elasticidad deproductividad a la

irrigacion

capacitacion

relativa elasticidad deproductividad a la

capacitacionefecto de la

infraestructura vialen la productividad

efecto de la irrigaciónen la productividad

efecto de lacapacitacion en la

productividad

porcentaje de area con

mejoras en riego y draje

area irrigada

area inicial irrigada

<tierra en uso

agricola>

porcentaje de

poblacion rural

porcentaje de

unidades capacitadas

<Poblacion>

personas iniciales

capacitadas

promedio depersonas capacitadas

población rural

<efecto del acceso a losalimentos en la productividad

laboral>elasticidad de la

productividad a los preciosdel combustible

efecto del precio delos combustibles en la

productividad

tiempo para que cambios enlos precios del combustible

afecten la productividad

precio promedio

combustible

precio inicial

combustibleprecio relativo

combustible<Time>

area total paisinfraestructura

vial total

mt de vias por km2

superficie

mt de vias iniciales por

km2 superficie


del modelo

125

Figura B - 5. Diagrama flujos y niveles consumo de alimentos.

Figura B - 6. Diagrama flujos y niveles importación de alimentos.

productosagricultura

precio domésticode los alimentos

ventas domésticas producción de la

agricultura

cubrimientodeseado inventario

precio referencia

de alimentos

elasticidad precioalimentos al cubrimiento

de inventario

ingreso inicial

medio per capita

preciospercibidosalimentos

tiempo para percibircambios en los precios

de los alimentos

elasticidad demanda de

alimentos al ingreso

elasticidad demanda de

alimentos a los precios

ingreso mediopercibido per

capita

producción inicial de

la agricultura

pérdidas en

cosecha

Exportaciones

tasa de

exportación

TRM

<producción relativa

agricultura>

<precio con

arancel>

<demanda totalde alimentos>

precio de

importación

precio ponderado

de alimentos<Importaciones

realizadas>

brecha alimentaria

porcentaje de

importaciones

tiempo de ajustede importaciones

Importaciones

de alimentosimportaciones por

hacer

importaciones

realizadas

precio inicial deimportaciones alimentarias

precio relativo deimportacion alimentaria

elasticidad de laimportación a los

precioscubrimiento inicial de lasimportaciones a la brecha

alimentaria

<precio de importacionesalimentarias>

<disponibilidad

productos alimentarios><demanda total de

alimentos>



Figura B - 7. Diagrama de flujos y niveles suficiencia alimentaria.

Figura B - 8. Diagrama flujos y niveles distribución de tierras.

productosagricultura

Consumo minimo

requerido pc

Consumo Interno

requerido

proporción de

suficiencia alimentaria

disponibilidad

alimentaria per capita

Demanda total de

alimentos

Demanda otros

usos

<Poblacion>

<Poblacion>

Porcentaje de productosno alimentarios disponibilidad de

productos alimentarios

<Time>

Importaciones

realizadas

<Time>

<Time>

<Time>

consumo interno

real pc

Tierra en uso

agricola

Tierra potencial

arableAdecuacion

cambio deseado en

la tierra

+

tiempo promedio de

conversion tierra

vida promediotierra en

agricultura

efecto de la irrigacion

sobre la tierrafraccion normal de

degradacion de la tierra

fraccion de degradacion

de la tierra

Tierra

degradada atasa de

degradación

tasa de

regeneración

tiempo de

recuperacion

Tierra en uso

pecuario

Tierra

degradada ptasa de

degradación ptasa de

regeneración ptiempo de

recuperación p

tasa de degradacion

pecuaria

tierra en uso

agropecuario

porcentaje de

subutilizacion

tasa de cambio

de uso

rendimiento

<tierra en uso

agropecuario>

cambio de uso

tasa de cambio

Tierra en

uso biomasa

Conversión a

biomasa

Conversión a

vocación alimentaria

<has>

<hac>


del modelo

127

Figura B - 9. Diagrama de flujos y niveles producción materia prima para biocombustibles

HectareasSembradas de

Caña deÁzucar

Siembra de Caña

de Ázucar

Tiempo de Corte

Corte Caña

Producción de Materia

Prima de Caña

Excedente

Producción Caña

Demanda Interna

Ázucar

Hectareas Necesarias de

Caña para suplir deficit

<Producción

Potencial Bioetanol>

Rendimiento por

Hectárea CañaArea Sembrada

Hístórica

<Time>

Área máxima caña

<Rendimiento por

Hectárea Caña>

Área para suplir

demanda ázucar

<Demanda Interna

Ázucar>

Área Necesaria para

suplir demanda de Caña

Hectareas enDesarrolloPalma deAceite

Siembra de Palma

de Aceite

Hectáreas enProducciónPalma deAceite

MaduraciónCorte

Tiempo de

Maduración

Tiempo

Productivo Palma

Producción Materia

Prima Palma de Aceite

Excedente

Producción Palma

Demanda Interna

Productos Palma

Hectareas

Necesarias de Palma

<Producción

Potencial Biodiesel>

Rendimiento por

Hectárea Palma

Área Sembrada

Histórica

<Time>

Total Hectáreas

sembradas

<Time>

Área Máxima

Palma

<Rendimiento por

Hectárea Palma>

Área necesaria para

suplir demanda de palmaÁrea para suplir

demanda materia primapalma

<Demanda Interna

Productos Palma>

<Time>

<Time>

Maduración

Histórica

Corte Histórico

CorteR

<Time>

MaduraciónR

<Time>



Figura B - 10. Diagrama de flujos y niveles producción de biocombustibles.

CapacidadInstalada de

Bioetanol Capacidad Instalada

Obsoleta Bioetanol

Vida Útil Plantas

Bioetanol

Capacidad enConstrucción

Bioetanol Nueva Capacidad

Instalada BioetanolCapacidad a

construir Bioetanol

Inversión en

Capacidad Bioetanol

Producción

Potencial Bioetanol

Suministro

BioetanolProducción

BioetanolVenta Bioetanol

Demanda Etanol

Demanda Gasolina

Producción

Equivalente Bioetanol

Cubrimiento de

Cuotas Bioetanol

Cuotas deMezcla

BioetanolCambio Cuotas

Bioetanol

<Time>

<Time>Cuotas etanol

planeada

Capacidad deseada

Bioetanol

Plantas construidas

históricas<Time>

Deficit potencial

Bioetanol

Tiempo

Construcción Planta

CapacidadInstalada de

Biodiesel Capacidad Instalada

Obsoleta Biodiesel

Vida Útil Plantas

Biodiesel

Capacidad enConstrucción

Biodiesel Nueva Capacidad

Instalada BiodieselCapacidad a

construir Biodiesel

Inversión en

Capacidad Biodiesel

<Tiempo de

Construcción Planta>

Suministro

BiodieselProducción

BiodieselVenta Biodiesel

Producción

Potencial Biodiesel

Demanda

Biodiesel

Demanda Diesel

Deficit Biodiesel

Producción

Equivalente Biodiesel

Cubrimiento de

Cuotas Biodiesel

Cuotas deMezcla

BiodieselCambio Cuotas

Biodiesel

Cuotas biodiesel

planeada

Capacidad deseada

Biodiesel

Deficit potencial

Biodiesel

<Time>

Plantas Biodiesel

Históricas

<Time>

<Time>

<Demanda

Etanol>

Deficit Bioetanol

<Demanda

Biodiesel>


del modelo

129

Figura B - 11. Diagrama flujos y niveles decisión del uso de las materias primas

Figura B - 12. Diagrama de flujos y niveles costos de producción

Excedente

Producción Caña

Exportación

Ázucar

Producción

Equivalente Bioetanol

Rentabilidad

Exportación Ázucar

Rentabilidad

Bioetanol

Rentabilidad RelativaBioetanol frente a

Exportación

Precio Internacional

del Ázucar

<Precio Internacional

del Ázucar>

Costo de

producción ázucar

Precio Etanol

Rentabilidad

Biodiesel

Excedente

Producción Palma

Rentabilidad RelativaBiodiesel frente a

Exportación

RentabilidadExportación Productos

Palma

Exportación

Productos de Palma

Producción

Equivalente Biodiesel

Precio Biodiesel

Precio Internacional

del Aceite

Costo de

producción aceite

Costo Total


Costo de producción

Biodiesel

ProducciónAcumuladaBioetanolProducción Anual

Bioetanol

Costos Totales de

producción Bioetanol

Costo Inicial de

Producción Etanol

Costos MP Etanol

ProducciónAcumuladaBiodieselProducción Anual

Biodiesel

Costos de


Costo Inicial de


Costos Materia

Prima Biodiesel

C. Anexo: Soporte para las pruebas de validación

En relación a las pruebas de errores de integración se hizo tres

simulaciones, cada una con un método diferente: Euler, Runge-Kutta 2 y

Runge-Kutta 4. En la (f igura C-1) se es posible observar que el modelo no

es sensible al cambio en los métodos de integración. Mientras que en la

(f igura C-2) se analiza la misma prueba pero en la variable tierra en uso

agrícola.

Figura C - 1. Prueba de errores de integración en la producción de biodiesel


8 M

6 M

4 M

2 M

0

1990 1994 1998 2002 2006 2010 2014 2018 2022 2026 2030

Time (year)

bar

ril b

iod

iese

l/y

ear

Producción Biodiesel : RK4

Producción Biodiesel : RK2

Producción Biodiesel : Euler



Figura C - 2. Prueba de errores de integración a tierra en uso agrícola.

Figura C - 3. Comparación área sembrada caña de azúcar histórico vs. simulado

Figura C - 4. Comparación producción biodiesel histórico vs. simulado

Tierra en uso agricola

6 M

4.5 M

3 M

1.5 M

0

1990 1994 1998 2002 2006 2010 2014 2018 2022 2026 2030

Time (year)

ha

Tierra en uso agricola : RK4

Tierra en uso agricola : RK2

Tierra en uso agricola : Euler

140

160

180

200

220

240

1990 1995 2000 2005 2010

Mile

s d

e h

a

Histórico Simulado

0

1

2

3

4

5

6

2009 2010 2011 2012 2013 2014

MM

b

Histórico Simulado

Anexo C: Soporte para las pruebas de validación 133

Figura C - 5. Comparación producción bioetanol histórico vs. simulado

Figura C - 6. Comparación área sembrada palma de aceite histórico vs. simulado

Figura C - 7. Comparación productos agricultura histórico vs. simulado

0

0,5

1

1,5

2

2,5

3

2005 2007 2009 2011 2013

MM

b

Histórico Simulado

0

100

200

300

400

500

600

1990 1995 2000 2005 2010

Mile

s d

e h

a

Histórico Simulado

10

15

20

25

30

35

40

1990 1995 2000 2005Mill

on

es

Ton

gra

no

eq

uiv

/añ

o

Histórico Simulado



Figura C - 8. Comparación tierras en uso agrícola histórico vs. simulado

Tabla C - 1. Herramientas estadísticas para la validación del comportamiento.

Métrica Definición Ecuación

MSE Error cuadrático medio

∑( )

( )

Theil Descomposición del MSE en: Sesgo ( ), varianza ( ), y covarianza ( ).

( )

(36)

( )

(37)

( )

(38)

Coeficiente de determinación; la

fracción de la varianza en los datos

“explicados” por el modelo.

(39)

∑ √

∑( ) (40)

Coeficiente de correlación entre el

modelo y las series de datos.

∑( )

( )

(41)

3

4

5

6

1990 1995 2000 2005

Mill

on

es

de

ha

Histórico Simulado

Documents

Los efectos de los biocombustibles en la seguridad ...En primer lugar debo dedicarle esta tesis a Dios por darme la vida y guiarme a lo largo de mi caminar. A Luisa Jaramillo Q.E.D