1. INTRODUCCIÓN
En México existen 4 650 783 unidades de producción (UP)1 que producen especies agrícolas y ganaderas para satisfacer parcialmente la demanda de alimentos nacional y externa (INEGI, 2019). El universo de productores mexicanos es muy heterogéneo pues dicha producción se realiza utilizando diferentes tecnologías y en contextos variados. Por ejemplo, la Encuesta Nacional Agropecuaria (ENA) 2019 señala que el 60.2% y el 25.3% de las UP agrícola de cielo abierto2 utilizan coa-azadón y animales de tiro-yunta, mientras que el 15.5% y el 29.2% utilizan cosechadoras y sembradoras respectivamente. En el sector ganadero, el 54.2% de las UP3 mantiene prácticas de pastoreo en potreros con pasto nativo y sólo el 35.1% utiliza alimentos balanceados (INEGI, 2019). Lo anterior, en conjunto con otros indicadores, muestra que existe una gran heterogeneidad entre los productores agropecuarios mexicanos.
El factor común entre los productores es el conjunto de problemáticas que se les presentan al desarrollar actividades agropecuarias. De acuerdo con la ENA, entre el 73.8% y el 83.4% de los productores enfrenta altos costos de insumos y servicios. Además, entre el 26.5% y el 37.2% presenta dificultades para comercializar sus productos debido a precios de mercado muy bajos (INEGI, 2012; 2014; 2017; 2019).4 Considerando las amplias diferencias que existen entre los productores y las problemáticas que enfrentan, este artículo trata de dar respuesta a las siguientes preguntas de investigación: ¿existen productores agropecuarios con ingresos netos5 negativos? De ser así, ¿quiénes ganan y quiénes pierden? y ¿cuáles son los factores que determinan la probabilidad de pérdida?
Al responder las preguntas anteriores pretendemos contribuir con lo siguiente. Primero, de acuerdo con Beltrán, Basurto y Mendelsohn (2023), existen 227 artículos que han utilizado el modelo ricardiano para identificar los impactos del cambio climático en la agricultura, de los cuales doce estiman un modelo ricardiano estructural en donde en la primera etapa de la estimación se modela explícitamente la probabilidad de contar con riego (Kurukulasuriya, 2006; Kurukulasuriya y Mendelsohn, 2007; Seo y Mendelsohn, 2008; Kurukulasuriya, Kala y Mendelsohn, 2011; Da Cunha, Coelho y Féres, 2015; Chatzopoulos y Lippert, 2016), de elegir cultivos (Kurukulasuriya y Mendelsohn, 2008; Issahaku y Maharjan, 2014; Ahmed y Schmitz, 2015; Chatzopoulos y Lippert, 2016; Etwire, Fielding y Kahui, 2017; Nicita et al., 2020), o de asignar parcelas a ciertos usos de suelo (Timmins, 2006; Seo y Mendelsohn, 2008). Con base en lo anterior, la contribución principal de este artículo es la estimación de un modelo de elección discreta que nos permita identificar los factores que determinan la probabilidad de pérdida de los productores y en una investigación posterior se estime una función ricardiana6 estructural que muestre de forma explícita cuáles serían los impactos potenciales del cambio climático en productores que se rigen, o no, por las condiciones de mercado, i.e. productores con pérdidas versus productores con ganancias económicas. Segundo, contribuir al debate sobre la seguridad alimentaria en México al identificar la proporción de productores que operan con pérdidas económicas y que, potencialmente, podrían salir del mercado e influir sobre la oferta de alimentos.
Existen diversos estudios que han calculado los ingresos netos de los productores agropecuarios en varios lugares del mundo. Los estudios que utilizan el modelo ricardiano para identificar los impactos del cambio climático en la agricultura (Mendelsohn, Nordhaus y Shaw, 1994; Ortiz-Bobea, 2020; DePaula, 2020; Upananda y Abeysinghe, 2021; Bareille y Chakir, 2023) suelen calcular ingresos netos como variable proxy de la renta de la tierra en países menos desarrollados (Mendelsohn y Dinar, 2009). De acuerdo con Beltrán, Basurto y Mendelsohn (2023), en esta rama de la literatura existen 107 estudios que reportan el valor medio de ingresos netos7 de los productores agropecuarios en 80 países. Debido a que dichos valores se reportan en diferentes periodos, unidades monetarias y superficies, realizamos un procedimiento de homologación de valores;8 encontramos que en la literatura el valor medio de los ingresos netos por hectárea (ha) es de $3 100 dólares de 2015 ajustados con el factor de paridad de poder adquisitivo (PPA), la mediana es de $1 201 y el rango va desde -$1 262 hasta $90 317 dólares PPA de 2015 por ha. En este sentido, la literatura global sugiere que existen productores agropecuarios que incurren en pérdidas al realizar sus actividades.9
Nuestra hipótesis es que existe una proporción importante de productores con ingresos netos negativos y que esto se asocia con el clima de corto y largo plazo, características de las parcelas, características sociodemográficas de los productores, acceso al agua y a mercados. Para probar la hipótesis, calculamos los ingresos netos en 64 548 UP e identificamos los determinantes del signo de dichos ingresos mediante un modelo Logit. Los resultados principales sugieren que el 45% de los productores tienen ingresos netos negativos y que la probabilidad de pérdida se incrementa cuando la productora es mujer, se reconoce a sí misma como indígena, tiene un nivel educativo menor, usa yunta, el tamaño de la UP es pequeña, sus tierras son de temporal y sus parcelas se encuentran ubicadas en zonas más altas.
La estructura del artículo es como sigue. La primera sección corresponde a la introducción. En la segunda sección presentamos la teoría, el método y la información estadística que utilizamos para estimar el modelo de elección discreta. Asimismo, mostramos el procedimiento para calcular los ingresos netos y examinamos la asociación entre éstos y la heterogeneidad de los productores de forma no paramétrica. En la tercera sección exponemos los resultados de la estimación de un modelo Logit que asocia la probabilidad de que un productor tenga pérdidas con diferentes características de sus tierras, sociodemográficas y del mercado. La cuarta sección concluye.
2. TEORÍA, MÉTODO E INFORMACIÓN ESTADÍSTICA
2.1. Teoría sobre la renta de la tierra
Una de las aproximaciones teóricas más utilizada en la literatura de economía agrícola para definir ingresos netos del sector agropecuario es la renta ricardiana. David Ricardo, en su obra Principios de economía política y tributación, determina que la calidad de la tierra es diferenciada y, por ende, los productores que poseen tierras de mejor calidad obtienen una renta superior a los demás. David Ricardo define el concepto de renta como “la renta [de la tierra] es aquella parte del producto de la tierra que se paga al terrateniente por el uso de las energías originarias e indestructibles del suelo” (Ricardo, 1817, p. 51).
La Figura 1 muestra el planteamiento teórico de la renta de la tierra. Suponiendo competencia perfecta, el precio de los productos agrícolas lo determina la última tierra necesaria para satisfacer la demanda de alimentos de la población, i.e. tierra marginal. Para que esa tierra se incorpore a la producción se le deben pagar sus costos y un excedente para todas las tierras, de otra forma el productor incurriría en una pérdida y saldría del mercado. Debido a que las tierras A y B son más fértiles, los costos de producción son menores que los de la tierra C, por lo tanto, reciben una renta. En el caso de la tierra D, el precio es inferior a los costos y como las tierras A, B y C satisfacen la demanda de alimentos, esta tierra (D) no debería destinarse a las actividades agropecuarias.
Siguiendo el planteamiento teórico de la renta ricardiana, podemos calcular los ingresos netos por hectárea del productor i (πi) utilizando la siguiente expresión:
donde p j es el precio del producto j, q ji es la cantidad del producto j, c k es el costo unitario del insumo k, x kji es la cantidad del insumo k, w i es un conjunto de costos en los que incurre el productor pero que no son específicos de cada uno de los productos, J es el conjunto de productos agropecuarios, K es el conjunto de insumos y L i es la cantidad de tierra dedicada a las actividades agropecuarias. Es importante decir que la sumatoria de costos no debe incluir el costo de renta de la tierra para ser consistente con el enfoque ricardiano.
2.2. Metodología de elección discreta
Siguiendo el planteamiento teórico de Ricardo (1817) y la ecuación [1], construimos el siguiente indicador para cada una de las UP:
donde y i toma el valor de 1 si sus ingresos netos son iguales o menores que cero y 0 si sus ingresos netos por hectárea son mayores que cero. Con el objetivo de explorar si el signo de los ingresos netos se asocia con características de la tierra o de los productores, estimamos el siguiente modelo Logit (Cameron y Trivedi, 2011; Wooldridge, 2015):
donde p
i
es la probabilidad de que la UP tenga ingresos menores o iguales que cero, Pr(y
i
= 1|x) indica la probabilidad de que y
i
tome el valor de 1 condicionada en un conjunto de variables de control x,
2.3. Información estadística
Para obtener los ingresos netos definidos en la ecuación [1] se pueden utilizar datos de la ENA. El Instituto Nacional de Estadística y Geografía (INEGI) ha llevado a cabo dicha encuesta en 2012, 2014, 2017 y 2019; sin embargo, únicamente la ENA 2014 tiene información de costos para toda la muestra. Por esta razón, utilizamos la ENA 2014. Otras fuentes de información, como el Servicio de Información Agroalimentaria y Pesquera (SIAP) y el Servicio de Información Agroalimentaria y de Consulta (SIACON) no tienen información sobre costos y los datos se reportan a nivel municipal, por lo que no podemos utilizarlos para calcular ingresos netos por UP.
La Figura 2 muestra la forma en la que la ENA 2014 reporta precios, cantidad de producción, costos y áreas dedicadas a actividades agropecuarias. En el caso de la agricultura, podemos calcular los ingresos, costos y áreas totales para todas las siembras en la ENA 2014. En el caso de la ganadería, podemos calcular los ingresos que obtienen los productores por venta de bovinos, porcinos y leche y los costos por unidad de producción. Una de las dificultades en estudios previos, y en este estudio también, es el cálculo del área que se utiliza para la producción de ganado (Seo y Mendelsohn, 2007; Kabubo-Mariara, 2009). Para obtener el área total dedicada a la ganadería, consideramos la superficie de agostadero o con pastos naturales que se utiliza y suponemos superficies de 10m2 y 5m2 por cabeza de ganado bovino y porcino estabulado respectivamente. El conjunto de costos que se reportan a nivel de UP se añade a los costos de las siembras y de la actividad ganadera para obtener los costos totales en los que incurre el productor. Se omiten los costos por rentas de tierras para ser consistentes con los planteamientos de Ricardo (1817) y el costo de mano de obra familiar por las controversias que existen en la literatura sobre el valor del trabajo familiar y las imprecisiones en el reporte de horas que dedica cada integrante de la familia a las actividades agropecuarias.
Las Gráficas 1a-1c muestran la distribución de los ingresos netos por hectárea de los productores agropecuarios. La Gráfica 1a muestra el número de UP por rango de ingresos netos por hectárea cuando del total de ingresos restamos los costos de agricultura y ganadería señalados en los dos bloques superiores de la Figura 2 (21.48% de los productores incurren en pérdidas). La Gráfica 1b muestra la frecuencia de UP por rango de ingreso neto cuando, además, se descuentan los costos a nivel de UP señalados en el bloque inferior izquierdo de la Figura 2 (31.19% de los productores tiene pérdidas). Asimismo, la Gráfica 1c muestra la distribución de frecuencias por rango de ingresos netos cuando se descuenta, además de lo anterior, los costos de la mano de obra señalados en el bloque inferior derecho de la Figura 2 (45.20% reportan pérdidas). En promedio, el ingreso neto por hectárea en la muestra es de $4 280 pesos.
Nota: por motivos de presentación se excluyen el 2.5% en la parte baja y alta de la distribución.
Fuente: elaboración propia con datos de la Encuesta Nacional Agropecuaria 2014 (INEGI, 2014).
De acuerdo con el planteamiento de Ricardo (1817) mostrado en la Figura 1, el 45% de las UP (29 068 UP) no deberían permanecer en el mercado y podrían dedicar sus tierras a otras actividades. La pregunta es ¿quiénes ganan y quiénes pierden? Para responder, analizamos las posibles diferencias relacionadas con las características de sus tierras y sociodemográficas que existen entre ganadores y perdedores. El Cuadro 1 muestra el número total y el porcentaje de UP que no obtienen ganancias. En general, se observa que la proporción de unidades con pérdidas es mayor para los productores especializados en cultivos anuales, pequeños, de temporal y situados en las entidades federativas del Estado de México, Puebla y Tlaxcala.
Tipo de UP | Total de UP | % de pérdidas | Tipo de UP | Total de UP | % de pérdidas |
---|---|---|---|---|---|
Cultivos y ganadería | Por entidad federativa | ||||
Cultivos anuales | 19 132 | 49 | Durango | 2 281 | 44 |
Cultivos perenes | 6 020 | 39 | Guanajuato | 3 170 | 51 |
Anuales y perenes | 3 157 | 38 | Guerrero | 2 830 | 48 |
Ganadería | 4 419 | 41 | Hidalgo | 1 683 | 60 |
Cultivos y ganadería | 31 511 | 44 | Jalisco | 2 366 | 29 |
Sin ingresos | 309 | 100 | México | 1 770 | 74 |
Por tamaño | Michoacán de Ocampo | 3 038 | 41 | ||
Pequeñas | 20 669 | 59 | Morelos | 1 550 | 55 |
Medianas | 19 051 | 46 | Nayarit | 1 751 | 29 |
Grandes | 24 828 | 33 | Nuevo León | 1658 | 53 |
Riego y temporal | Oaxaca | 2 385 | 49 | ||
Riego | 22 308 | 38 | Puebla | 2 981 | 64 |
Temporal | 42 240 | 49 | Querétaro | 1 312 | 56 |
Por entidad federativa | Quintana Roo | 1 089 | 61 | ||
Aguascalientes | 1 537 | 44 | San Luis Potosí | 1 970 | 54 |
Baja California | 1 178 | 35 | Sinaloa | 2 025 | 32 |
Baja California Sur | 541 | 37 | Sonora | 2 416 | 26 |
Campeche | 1 353 | 42 | Tabasco | 1 576 | 38 |
Coahuila de Zaragoza | 1 789 | 48 | Tamaulipas | 3 050 | 39 |
Colima | 1 058 | 30 | Tlaxcala | 1 971 | 64 |
Chiapas | 2 316 | 40 | Veracruz de Ignacio de la Llave | 3 552 | 34 |
Chihuahua | 3 254 | 31 | Yucatán | 1 667 | 42 |
Ciudad de México | 1 527 | 56 | Zacatecas | 1 904 | 51 |
Nota: el porcentaje con pérdidas es respecto al total de UP.
Fuente: elaboración propia con datos de la Encuesta Nacional Agropecuaria 2014 (INEGI, 2014).
2.4. Construcción de la base de datos y análisis no paramétrico
De acuerdo con la literatura que utiliza el modelo ricardiano para estimar ingresos netos, el conjunto de determinantes de dicha renta incluye: clima de largo plazo, características del suelo, características de los terrenos, acceso a mercados, acceso a agua y características sociodemográficas del productor. Además, incorporamos indicadores de eventos climáticos extremos para capturar su impacto sobre los ingresos netos pues podrían ser sensibles al clima de corto plazo. En el caso del clima de largo plazo, utilizamos las bases de datos de Sistemas de Información Georreferenciada (SIG) de WorldClim 2.0 (Fick y Hijmans, 2017) y consideramos el promedio ponderado por el número de hectáreas de la normal de temperatura y lluvia 1970-2000 observada en cada una de las parcelas de la UP en las temporadas de primavera-verano y de otoño-invierno. Respecto a los eventos climáticos de corto plazo, utilizamos datos a nivel estación meteorológica del Sistema Meteorológico Nacional (SMN) y siguiendo el mismo proceso de ponderación que se utilizó para el clima de corto plazo, calculamos el número de días con granizo y tormentas durante las estaciones de primavera-verano y de otoño-invierno de 2014 en cada una de las UP.11 Asimismo, utilizamos información SIG de Wouters (2021) y calculamos el promedio ponderado por el número de hectáreas de los días en el año en los que la precipitación diaria no excedió los 2 mm (días secos) y la proporción entre la evaporación y la precipitación observada en 2014 en cada una de las parcelas de la UP.
El tipo de suelo se obtiene de la base de datos SIG con perfiles de suelo (INEGI, 2014b). Utilizando ArcGis 10.8 calculamos el porcentaje de tierra agrícola municipal que corresponde a cada uno de los tipos de suelo. Con base en la ubicación de las parcelas y haciendo uso del ArcGis 10.8, calculamos el promedio ponderado por el número de hectáreas de la distancia que existe entre la UP y la fuente de agua y zona metropolitana más cercanas, así como la densidad carretera por municipio tomando el cociente entre la longitud de la red de caminos y el área del municipio y se asignó a las UP. En el caso de la altitud, tomamos la media ponderada de altitud de los terrenos que tiene la UP. La ENA 2014 reporta la superficie que utiliza la UP, superficie de riego, superficie ejidal, si el productor recibe apoyo del Programa de Apoyos Directos al Campo (procampo), si usa yunta, el sexo, la edad, la educación y el origen étnico del productor.
Con el propósito de identificar diferencias en las distribuciones de los determinantes del signo de los ingresos netos de forma no paramétrica, el Cuadro 2 muestra las definiciones y estadísticas descriptivas del conjunto de posibles determinantes de dicho signo para ambos grupos de UP.12 La última columna del cuadro muestra el resultado de la prueba t-student para comparación de las distribuciones del conjunto de variables correspondientes a cada grupo. Las UP con ingresos netos iguales o menores que cero se caracterizan por: ubicarse en sitios con temperatura y lluvia inferiores, una mayor ocurrencia de granizo en primavera-verano, una menor (mayor) ocurrencia de tormentas durante primavera-verano (otoño-invierno), menos días secos, niveles menores del índice de aridez, cuentan con menos área, menor proporción de tierra de riego, una mayor proporción de tierras ejidales, un mayor número de beneficiarios del programa PROCAMPO, una mayor proporción de unidades que usan yunta, están más lejanos de los cuerpos de agua, se ubican más próximos a una zona metropolitana, mayor densidad carretera en el municipio en donde se encuentran, mayor altitud, menor proporción de hombres, edad más avanzada, mayor proporción de productores indígenas y menor educación.
Variables | Definición | Ingresos positivos | Ingresos negativos o cero | Todas las UP | t-student de la diferencia | |||
---|---|---|---|---|---|---|---|---|
Media | Desviación estándar | Media | Desviación estándar | Media | Desviación estándar | |||
Temporal primavera-verano | Temperatura marzo-agosto 1970-2000 (Celsius) | 23.05 | 4.097 | 21.67 | 4.511 | 22.42 | 4.344 | 39.15*** |
Temporal otoño-invierno | Temperatura septiembre-febrero 1970-2000 (Celsius) | 19.22 | 4.593 | 18.03 | 4.637 | 18.68 | 4.650 | 31.44*** |
Lluvia primavera-verano | Lluvia marzo-agosto 1970-2000 (10mm/mes) | 9.504 | 5.396 | 9.367 | 4.937 | 9.442 | 5.194 | 3.26*** |
Lluvia otoño-invierno | Lluvia septiembre-febrero 1970-2000 (10mm/mes) | 6.318 | 4.977 | 5.854 | 4.446 | 6.108 | 4.750 | 12.10*** |
Granizo primavera-verano | Días con granizo (abril 2014-septiembre 2014) | 0.277 | 1.648 | 0.424 | 2.513 | 0.344 | 2.085 | -8.31*** |
Granizo otoño-invierno | Días con granizo (octubre 2013-marzo 2014) | 1.097 | 5.705 | 1.098 | 5.770 | 1.097 | 5.734 | -0.04 |
Tormenta primavera-verano | Días con tormenta (abril 2014-septiembre 2014) | 7.381 | 17.95 | 6.582 | 17.82 | 7.020 | 17.90 | 5.46*** |
Tormenta otoño-invierno | Días con tormenta (octubre 2013-marzo 2014) | 1.811 | 6.380 | 2.074 | 7.712 | 1.930 | 7.015 | -4.50*** |
Días secos | Días en el año en los que la precipitación diaria ( 2 mm | 256.4 | 48.72 | 250.8 | 47.18 | 253.8 | 48.11 | 14.25*** |
Aridez | Evaporación potencial dividida por la precipitación media | 0.512 | 0.174 | 0.491 | 0.161 | 0.503 | 0.169 | 15.03*** |
Acrisol | Suelo Acrisol (% del área agrícola) | 2.828 | 15.09 | 2.016 | 12.82 | 2.460 | 14.11 | 7.15*** |
Andosol | Suelo Andosol (% del área agrícola) | 2.865 | 15.21 | 4.500 | 18.74 | 3.605 | 16.92 | -11.61*** |
Cambisol | Suelo Cambisol (% del área agrícola) | 9.404 | 26.20 | 9.291 | 26.18 | 9.353 | 26.19 | 0.53 |
Castanozem | Suelo Castanozem (% del área agrícola) | 2.097 | 13.09 | 2.275 | 13.52 | 2.177 | 13.28 | -1.63 |
Feozem | Suelo Feozem (% del área agrícola) | 15.42 | 31.96 | 18.14 | 34.51 | 16.65 | 33.17 | -9.96*** |
Fluvisol | Suelo Fluvisol (% del área agrícola) | 0.309 | 4.176 | 0.403 | 5.155 | 0.352 | 4.645 | -2.43** |
Gleysol | Suelo Gleysol (% del área agrícola) | 1.864 | 12.89 | 1.450 | 11.43 | 1.677 | 12.26 | 4.18*** |
Litosol | Suelo Litosol (% del área agrícola) | 4.465 | 17.31 | 5.611 | 19.30 | 4.984 | 18.25 | -7.61*** |
Luvisol | Suelo Luvisol (% del área agrícola) | 5.855 | 21.12 | 5.453 | 20.26 | 5.673 | 20.73 | 2.38** |
Nitosol | Suelo Nitosol (% del área agrícola) | 0.373 | 5.563 | 0.207 | 4.193 | 0.298 | 4.991 | 4.17*** |
Planosol | Suelo Planosol (% del área agrícola) | 2.651 | 14.79 | 2.382 | 13.71 | 2.529 | 14.31 | 2.32** |
Regosol | Suelo Regosol (% del área agrícola) | 12.21 | 29.00 | 12.81 | 30.04 | 12.48 | 29.48 | -2.48** |
Rendzina | Suelo Rendzina (% del área agrícola) | 5.553 | 21.02 | 6.047 | 21.82 | 5.776 | 21.39 | -2.81*** |
Solonchak | Suelo Solonchak (% del área agrícola) | 1.191 | 8.672 | 0.775 | 6.778 | 1.003 | 7.875 | 6.62*** |
Vertisol | Suelo Vertisol (% del área agrícola) | 20.48 | 37.38 | 17.28 | 35.04 | 19.03 | 36.38 | 10.82*** |
Xerosol | Suelo Xerosol (% del área agrícola) | 11.20 | 29.54 | 10.48 | 28.70 | 10.87 | 29.17 | 3.02*** |
Yermosol | Suelo Yermosol (% del área agrícola) | 1.151 | 9.547 | 0.780 | 7.958 | 0.983 | 8.866 | 5.21*** |
Área | Área utilizada por la unidad de producción (hectáreas*100) | 1.232 | 9.320 | 0.670 | 6.331 | 0.978 | 8.110 | 8.78*** |
Riego | 1 = si la superficie con riego es mayor que cero | 0.376 | 0.484 | 0.279 | 0.448 | 0.332 | 0.471 | 25.66*** |
Ejidal | 1 = si la superficie en régimen ejidal es mayor que cero | 0.612 | 0.487 | 0.652 | 0.476 | 0.630 | 0.483 | -10.10*** |
procampo | 1 = el productor recibió procampo | 0.456 | 0.498 | 0.467 | 0.499 | 0.461 | 0.498 | -2.67*** |
Yunta | 1 = si utiliza yunta en las actividades productivas | 0.139 | 0.345 | 0.238 | 0.426 | 0.183 | 0.387 | -30.95*** |
Distribución cuerpo de agua | Distribución de la UP al cuerpo de agua más cercano (km) | 12.96 | 22.43 | 13.48 | 22.16 | 13.19 | 22.31 | -2.85*** |
Distribución área metropolitana | Distribución de la UP a la zona metropolitana más cercana (km) | 92.29 | 81.29 | 81.53 | 73.64 | 87.42 | 78.10 | 17.05*** |
Densidad carretera | Densidad carretera (km/km2) | 1.352 | 1.011 | 1.472 | 1.040 | 1.406 | 1.026 | -14.39*** |
Altitud | Altitud de la unidad de producción (masl*100) | 10.31 | 9.029 | 13.38 | 9.459 | 11.70 | 9.352 | -40.52*** |
Hombre | 1 = si el productor es hombre | 0.899 | 0.301 | 0.860 | 0.347 | 0.881 | 0.323 | 14.39*** |
Edad | Edad del productor (años) | 57.68 | 13.90 | 58.15 | 14.14 | 57.90 | 14.01 | -4.09*** |
Indígena | 1 = el/la productor(a) se identifica como indígena | 0.199 | 0.399 | 0.252 | 0.434 | 0.223 | 0.416 | -15.59*** |
Educación | Años de educación | 3.412 | 1.976 | 3.206 | 2.036 | 3.319 | 2.006 | 12.50*** |
Observaciones | 33 078 | 27 310 | 60 388 |
Nota: los valores críticos utilizados son 1.645, 1.960 y 2.576 para niveles de confianza de 90% (*), 95% (**) y 99% (***) respectivamente.
Fuente: elaboración propia con datos de la Encuesta Nacional Agropecuaria 2014 (INEGI, 2014).
En esta sección presentamos la distribución de ingresos netos por hectárea de las UP y un análisis no paramétrico sobre los posibles determinantes de la probabilidad de obtener pérdidas en el sector agropecuario en México. Es evidente que existen diferencias significativas en las distribuciones de los determinantes del signo de los ingresos netos de las UP. Para profundizar el análisis, en la siguiente sección utilizaremos el conjunto de variables descritas en el Cuadro 2 para identificar la forma en la que se asocian con dicha probabilidad mediante la estimación de un modelo Logit (enfoque paramétrico).
3. RESULTADOS
Debido a que los parámetros estimados del modelo Logit no tienen una interpretación directa, en términos de magnitud, en el Cuadro 3 se muestran los efectos parciales promedio de cada una de las variables de control para cada uno de los grupos de productores.13 En el caso del clima de largo plazo, los resultados sugieren que la dirección del efecto parcial promedio depende del tipo de productor. Esto es consistente con los modelos agronómicos que argumentan una relación no lineal (U invertida) entre el clima de largo plazo y el rendimiento agrícola y ganadero (véase, por ejemplo, Redd, Hodges y Kimball, 2000); Allen y Boote, 2000; Young y Long, 2000). En el caso de los suelos se obtiene el mismo resultado que para el clima de largo plazo y es consistente con la literatura de modelos ricardianos, i.e., la asociación entre características del suelo y renta de la tierra depende del cultivo y del tipo de tecnología con la que cuente la UP (Mendelsohn y Dinar, 2009; Galindo, Reyes y Alatorre, 2015; DePaula, 2020; Ortiz-Bobea, 2020).
(1) | (2) | (3) | (4) | (5) | (6) | (7) | (8) | (9) | (10) | (11) | (12) | (13) | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Variables | Todas | Pequeñas | Medianas | Grandes | Riego | Temporal | Ejidal | No ejidal | Anuales | Perenes | Anuales y perenes | Ganaderas | Agrícolas y ganaderas |
Temporal primavera-verano | -0.0067*** | -0.0249*** | 0.0069 | 0.0020 | 0.0012 | -0.0151*** | -0.0078*** | -0.0023 | -0.0096** | 0.0011 | 0.0164 | 0.0088 | -0.0062* |
(0.0023) | (0.0047) | (0.0044) | (0.0033) | (0.0035) | (0.0031) | (0.0029) | (0.0038) | (0.0045) | (0.0082) | (0.0105) | (0.0080) | (0.0034) | |
Temporal otoño-invierno | 0.0072*** | 0.0270*** | -0.0029 | -0.0043* | -0.0091*** | 0.0174*** | 0.0091*** | 0.0005 | 0.0254*** | -0.0049 | 0.0019 | -0.0055 | 0.0042* |
(0.0016) | (0.0039) | (0.0031) | (0.0024) | (0.0026) | (0.0022) | (0.0021) | (0.0027) | (0.0034) | (0.0051) | (0.0074) | (0.0064) | (0.0025) | |
Lluvia primavera-verano | -0.0020** | -0.0024 | -0.0019 | -0.0068*** | 0.0035 | -0.0035*** | 0.0014 | -0.0050*** | -0.0105*** | -0.0107*** | -0.0134*** | -0.0152*** | 0.0018 |
(0.0010) | (0.0017) | (0.0018) | (0.0020) | (0.0028) | (0.0011) | (0.0013) | (0.0016) | (0.0022) | (0.0030) | (0.0047) | (0.0040) | (0.0014) | |
Lluvia otoño-invierno | -0.0064*** | -0.0038 | -0.0032 | -0.0052*** | 0.0067 | -0.0080*** | -0.0060*** | -0.0072*** | 0.0031 | 0.0039 | 0.0046 | 0.0039 | -0.0077*** |
(0.0012) | (0.0023) | (0.0022) | (0.0019) | (0.0043) | (0.0013) | (0.0016) | (0.0019) | (0.0030) | (0.0037) | (0.0058) | (0.0038) | (0.0017) | |
Tormenta primavera-verano | -0.0009*** | -0.0001 | -0.0009*** | -0.0014*** | -0.0005 | -0.0009*** | -0.0016*** | -0.0003 | -0.0004 | -0.0010* | -0.0003 | -0.0009 | -0.0014*** |
(0.0001) | (0.0002) | (0.0003) | (0.0003) | (0.0004) | (0.0002) | (0.0002) | (0.0002) | (0.0003) | (0.0005) | (0.0007) | (0.0006) | (0.0002) | |
Tormenta otoño-invierno | 0.0007* | 0.0001 | 0.0015* | 0.0013 | 0.0022** | 0.0002 | 0.0014** | -0.0004 | 0.0005 | 0.0002 | 0.0049** | 0.0028 | 0.0010** |
(0.0004) | (0.0006) | (0.0008) | (0.0008) | (0.0009) | (0.0005) | (0.0007) | (0.0005) | (0.0008) | (0.0015) | (0.0021) | (0.0022) | (0.0005) | |
Granizo primavera-verano | 0.0031*** | 0.0053*** | -0.0051* | 0.0010 | -0.0131** | 0.0055*** | -0.0012 | 0.0063*** | -0.0002 | -0.0039 | 0.0013 | -0.0174** | 0.0045*** |
(0.0012) | (0.0017) | (0.0026) | (0.0032) | (0.0067) | (0.0013) | (0.0018) | (0.0017) | (0.0025) | (0.0081) | (0.0059) | (0.0088) | (0.0015) | |
Granizo otoño-invierno | 0.0022*** | -0.0002 | 0.0021*** | 0.0031*** | 0.0003 | 0.0024*** | 0.0023*** | 0.0024*** | -0.0032*** | 0.0053*** | 0.0028 | 0.0015 | 0.0028*** |
(0.0004) | (0.0006) | (0.0007) | (0.0009) | (0.0012) | (0.0004) | (0.0005) | (0.0007) | (0.0010) | (0.0013) | (0.0018) | (0.0020) | (0.0005) | |
Aridez | -0.4197*** | -0.2280*** | -0.2435*** | -0.5555*** | -0.1094 | -0.5176*** | -0.4971*** | -0.3444*** | -0.6605*** | -0.0286 | -0.0489 | -0.3776** | -0.4257*** |
(0.0429) | (0.0788) | (0.0809) | (0.0684) | (0.0781) | (0.0529) | (0.0559) | (0.0683) | (0.0801) | (0.1300) | (0.1970) | (0.1812) | (0.0632) | |
Días secos | 0.0009*** | 0.0007*** | 0.0009*** | 0.0012*** | 0.0006** | 0.0010*** | 0.0014*** | 0.0003 | 0.0021*** | -0.0002 | 0.0001 | -0.0001 | 0.0008*** |
(0.0002) | (0.0003) | (0.0003) | (0.0003) | (0.0003) | (0.0002) | (0.0002) | (0.0002) | (0.0003) | (0.0004) | (0.0007) | (0.0007) | (0.0002) | |
Acrisol | -0.0019** | -0.0019 | -0.0021 | -0.0016* | -0.0010 | -0.0020** | -0.0015 | -0.0021** | -0.0018 | -0.3820** | 0.2316 | 0.0018 | -0.0037*** |
(0.0008) | (0.0022) | (0.0018) | (0.0009) | (0.0023) | (0.0008) | (0.0012) | (0.0010) | (0.0022) | (0.1838) | (0.3418) | (0.0018) | (0.0012) | |
Andosol | -0.0016** | -0.0013 | -0.0025 | -0.0021** | -0.0003 | -0.0018** | -0.0008 | -0.0019* | -0.0009 | -0.3829** | 0.2313 | 0.0011 | -0.0031** |
(0.0008) | (0.0022) | (0.0018) | (0.0010) | (0.0023) | (0.0008) | (0.0012) | (0.0010) | (0.0022) | (0.1838) | (0.3418) | (0.0020) | (0.0012) | |
Cambisol | -0.0011 | -0.0008 | -0.0013 | -0.0018** | 0.0000 | -0.0014* | -0.0007 | -0.0013 | 0.0002 | -0.3820** | 0.2314 | 0.0017 | -0.0033*** |
(0.0008) | (0.0022) | (0.0018) | (0.0009) | (0.0023) | (0.0008) | (0.0012) | (0.0010) | (0.0022) | (0.1838) | (0.3418) | (0.0018) | (0.0012) | |
Castanozem | -0.0008 | -0.0006 | -0.0009 | -0.0015* | 0.0005 | -0.0008 | -0.0006 | -0.0007 | -0.0008 | -0.3793** | 0.2313 | 0.0044** | -0.0026** |
(0.0008) | (0.0022) | (0.0018) | (0.0009) | (0.0023) | (0.0009) | (0.0012) | (0.0010) | (0.0022) | (0.1838) | (0.3418) | (0.0019) | (0.0012) | |
Feozem | -0.0012 | -0.0007 | -0.0014 | -0.0019** | 0.0003 | -0.0014 | -0.0007 | -0.0013 | -0.0002 | -0.3816** | 0.2319 | 0.0022 | -0.0033*** |
(0.0008) | (0.0022) | (0.0018) | (0.0009) | (0.0023) | (0.0008) | (0.0012) | (0.0010) | (0.0022) | (0.1838) | (0.3418) | (0.0018) | (0.0012) | |
Fluvisol | -0.0004 | -0.0006 | 0.0001 | -0.0012 | 0.0011 | -0.0005 | -0.0001 | -0.0002 | -0.0001 | -0.3808** | 0.2317 | -0.0020 | -0.0014 |
(0.0009) | (0.0023) | (0.0020) | (0.0012) | (0.0025) | (0.0010) | (0.0013) | (0.0012) | (0.0023) | (0.1838) | (0.3418) | (0.0031) | (0.0013) | |
Gleysol | -0.0010 | -0.0017 | -0.0010 | -0.0010 | -0.0002 | -0.0012 | -0.0006 | -0.0013 | -0.0015 | -0.3845** | 0.2301 | 0.0030* | -0.0024* |
(0.0008) | (0.0022) | (0.0018) | (0.0009) | (0.0026) | (0.0008) | (0.0012) | (0.0011) | (0.0022) | (0.1838) | (0.3418) | (0.0018) | (0.0012) | |
Litosol | -0.0005 | 0.0000 | -0.0009 | -0.0010 | 0.0016 | -0.0008 | -0.0000 | -0.0008 | -0.0005 | -0.3802** | 0.2338 | 0.0029 | -0.0023* |
(0.0008) | (0.0022) | (0.0018) | (0.0009) | (0.0023) | (0.0008) | (0.0012) | (0.0010) | (0.0022) | (0.1838) | (0.3418) | (0.0018) | (0.0012) | |
Luvisol | -0.0014* | -0.0013 | -0.0017 | -0.0014 | 0.0003 | -0.0017** | -0.0007 | -0.0020* | -0.0003 | -0.3821** | 0.2314 | 0.0026 | -0.0033*** |
(0.0008) | (0.0022) | (0.0018) | (0.0009) | (0.0023) | (0.0008) | (0.0012) | (0.0010) | (0.0022) | (0.1838) | (0.3418) | (0.0018) | (0.0012) | |
Nitosol | -0.0017* | -0.0007 | -0.0017 | -0.0015 | -0.0167** | -0.0017* | -0.0014 | -0.0017 | -0.0007 | -0.3849** | 0.2320 | 0.0012 | -0.0044*** |
(0.0009) | (0.0024) | (0.0019) | (0.0011) | (0.0073) | (0.0009) | (0.0013) | (0.0013) | (0.0024) | (0.1839) | (0.3418) | (0.0019) | (0.0014) | |
Planosol | -0.0019** | -0.0006 | -0.0022 | -0.0026*** | -0.0004 | -0.0023*** | -0.0008 | -0.0027*** | 0.0002 | -0.3835** | 0.2308 | -0.0002 | -0.0037*** |
(0.0008) | (0.0022) | (0.0018) | (0.0009) | (0.0023) | (0.0008) | (0.0012) | (0.0010) | (0.0022) | (0.1838) | (0.3418) | (0.0019) | (0.0012) | |
Regosol | -0.0009 | -0.0005 | -0.0011 | -0.0014 | 0.0004 | -0.0011 | -0.0007 | -0.0007 | -0.0003 | -0.3807** | 0.2325 | 0.0024 | -0.0028** |
(0.0008) | (0.0022) | (0.0018) | (0.0009) | (0.0023) | (0.0008) | (0.0012) | (0.0010) | (0.0022) | (0.1838) | (0.3418) | (0.0018) | (0.0012) | |
Rendzina | -0.0005 | -0.0007 | -0.0007 | -0.0007 | 0.0006 | -0.0007 | 0.0000 | -0.0007 | -0.0001 | -0.3819** | 0.2322 | 0.0037** | -0.0023* |
(0.0008) | (0.0022) | (0.0018) | (0.0009) | (0.0023) | (0.0008) | (0.0012) | (0.0010) | (0.0022) | (0.1838) | (0.3418) | (0.0018) | (0.0012) | |
Solonchak | -0.0014* | -0.0032 | -0.0014 | -0.0016* | 0.0005 | -0.0020** | -0.0007 | -0.0021* | -0.0002 | -0.3818** | 0.2337 | -0.0008 | -0.0041*** |
(0.0008) | (0.0023) | (0.0019) | (0.0009) | (0.0023) | (0.0009) | (0.0012) | (0.0011) | (0.0022) | (0.1838) | (0.3418) | (0.0021) | (0.0013) | |
Vertisol | -0.0011 | -0.0007 | -0.0016 | -0.0015* | 0.0002 | -0.0012 | -0.0007 | -0.0013 | -0.0006 | -0.3818** | 0.2311 | 0.0022 | -0.0030** |
(0.0008) | (0.0022) | (0.0018) | (0.0009) | (0.0023) | (0.0008) | (0.0012) | (0.0010) | (0.0022) | (0.1838) | (0.3418) | (0.0017) | (0.0012) | |
Xerosol | -0.0009 | -0.0003 | -0.0013 | -0.0014 | 0.0000 | -0.0005 | -0.0004 | -0.0011 | -0.0006 | -0.3819** | 0.2314 | 0.0025 | -0.0024** |
(0.0008) | (0.0022) | (0.0018) | (0.0009) | (0.0023) | (0.0008) | (0.0012) | (0.0010) | (0.0022) | (0.1838) | (0.3418) | (0.0018) | (0.0012) | |
Yermosol | -0.0003 | 0.0020 | -0.0010 | -0.0012 | 0.0012 | -0.0007 | 0.0003 | -0.0006 | 0.0011 | -0.3837** | 0.2327 | 0.0028 | -0.0021 |
(0.0008) | (0.0024) | (0.0019) | (0.0009) | (0.0023) | (0.0009) | (0.0012) | (0.0011) | (0.0022) | (0.1838) | (0.3418) | (0.0018) | (0.0013) | |
Área | -0.0021*** | -1.9109*** | -0.5721*** | -0.0010*** | -0.0065** | -0.0016*** | -0.0038 | -0.0018*** | -0.0333*** | -0.0045** | -0.0375* | -0.0014** | -0.0044*** |
(0.0006) | (0.2536) | (0.0858) | (0.0004) | (0.0031) | (0.0006) | (0.0026) | (0.0005) | (0.0103) | (0.0020) | (0.0193) | (0.0006) | (0.0017) | |
Riego | -0.0914*** | -0.0922*** | -0.0962*** | -0.0868*** | -0.0970*** | -0.0764*** | -0.1243*** | -0.1040*** | -0.0674*** | 0.1918*** | -0.0871*** | ||
(0.0048) | (0.0089) | (0.0085) | (0.0074) | (0.0059) | (0.0082) | (0.0091) | (0.0191) | (0.0257) | (0.0542) | (0.0067) | |||
Ejidal | 0.0538*** | 0.0345*** | 0.0001 | 0.0544*** | 0.0519*** | 0.0538*** | 0.0469*** | 0.0182 | 0.0013 | 0.0835*** | 0.0497*** | ||
(0.0043) | (0.0077) | (0.0090) | (0.0068) | (0.0079) | (0.0052) | (0.0086) | (0.0146) | (0.0210) | (0.0168) | (0.0061) | |||
Procampo | -0.0021 | 0.0482*** | 0.0389*** | 0.0050 | -0.0022 | -0.0018 | 0.0110** | -0.0267*** | 0.0019 | -0.0157 | 0.0470** | 0.0184 | -0.0018 |
(0.0042) | (0.0078) | (0.0078) | (0.0067) | (0.0070) | (0.0053) | (0.0053) | (0.0071) | (0.0079) | (0.0194) | (0.0191) | (0.0228) | (0.0058) | |
Yunta | 0.0738*** | 0.0633*** | 0.0381*** | 0.0108 | 0.1015*** | 0.0589*** | 0.0478*** | 0.1169*** | 0.0357*** | -0.0207 | 0.0994*** | 0.0597 | 0.0907*** |
(0.0056) | (0.0082) | (0.0102) | (0.0122) | (0.0100) | (0.0066) | (0.0068) | (0.0094) | (0.0102) | (0.0339) | (0.0286) | (0.1495) | (0.0073) | |
Distribución cuerpo de agua | 0.0004*** | -0.0002 | 0.0003 | 0.0005*** | 0.0001 | 0.0004*** | 0.0006*** | 0.0000 | 0.0004 | 0.0023*** | 0.0001 | 0.0002 | 0.0001 |
(0.0001) | (0.0002) | (0.0002) | (0.0001) | (0.0002) | (0.0001) | (0.0001) | (0.0002) | (0.0002) | (0.0006) | (0.0005) | (0.0003) | (0.0002) | |
Distribución área metropolitana | -0.0001*** | -0.0002** | -0.0000 | 0.0001*** | -0.0001** | -0.0000 | -0.0001*** | -0.0000 | -0.0002*** | 0.0003* | 0.0001 | 0.0003** | -0.0001* |
(0.0000) | (0.0001) | (0.0001) | (0.0000) | (0.0001) | (0.0000) | (0.0000) | (0.0001) | (0.0001) | (0.0002) | (0.0002) | (0.0001) | (0.0000) | |
Densidad carretera | 0.0054** | 0.0117*** | -0.0022 | 0.0017 | 0.0030 | 0.0108*** | 0.0043 | 0.0054* | 0.0052 | 0.0004 | 0.0263*** | -0.0112 | 0.0076** |
(0.0022) | (0.0040) | (0.0044) | (0.0036) | (0.0037) | (0.0029) | (0.0033) | (0.0031) | (0.0043) | (0.0080) | (0.0101) | (0.0094) | (0.0032) | |
Altitud | 0.0069*** | 0.0048*** | 0.0081*** | 0.0026** | 0.0049*** | 0.0075*** | 0.0079*** | 0.0048*** | 0.0124*** | 0.0091*** | 0.0108*** | 0.0109*** | 0.0063*** |
(0.0008) | (0.0016) | (0.0016) | (0.0012) | (0.0014) | (0.0011) | (0.0011) | (0.0013) | (0.0015) | (0.0031) | (0.0037) | (0.0029) | (0.0013) | |
Hombre | -0.0829*** | -0.0633*** | -0.0616*** | -0.0675*** | -0.0585*** | -0.0919*** | -0.0819*** | -0.0804*** | -0.0292*** | -0.0385** | -0.0148 | -0.1397*** | -0.1165*** |
(0.0061) | (0.0091) | (0.0113) | (0.0116) | (0.0109) | (0.0073) | (0.0077) | (0.0096) | (0.0106) | (0.0172) | (0.0292) | (0.0236) | (0.0092) | |
Edad | 0.0001 | 0.0003 | 0.0004 | 0.0005** | 0.0005** | -0.0001 | -0.0000 | 0.0003 | 0.0006** | 0.0002 | -0.0003 | -0.0019*** | 0.0000 |
(0.0001) | (0.0003) | (0.0003) | (0.0002) | (0.0003) | (0.0002) | (0.0002) | (0.0002) | (0.0003) | (0.0005) | (0.0007) | (0.0006) | (0.0002) | |
Indígena | 0.0691*** | 0.0402*** | 0.0180* | 0.0279** | 0.0674*** | 0.0725*** | 0.0286*** | 0.1189*** | 0.0643*** | 0.0110 | 0.0002 | 0.0819*** | 0.0915*** |
(0.0054) | (0.0079) | (0.0105) | (0.0109) | (0.0108) | (0.0061) | (0.0068) | (0.0086) | (0.0110) | (0.0166) | (0.0243) | (0.0250) | (0.0073) | |
Educación | -0.0064*** | -0.0018 | -0.0030 | -0.0097*** | -0.0047** | -0.0071*** | -0.0051*** | -0.0080*** | -0.0028 | 0.0058* | -0.0078 | -0.0106** | -0.0087*** |
(0.0010) | (0.0017) | (0.0019) | (0.0017) | (0.0018) | (0.0012) | (0.0013) | (0.0017) | (0.0019) | (0.0034) | (0.0048) | (0.0042) | (0.0014) | |
Observaciones | 60 388 | 20 354 | 18 319 | 21 715 | 20 054 | 40 334 | 38 054 | 22 334 | 17 458 | 5 462 | 2 916 | 3 844 | 30 541 |
Nota: errores estándar en paréntesis. *** p < 0.01, ** p < 0.05, * p < 0. Variable dependiente: 1 si los ingresos netos por hectárea son iguales o mayores que cero, 0 si son menores que cero. Tamaño de la UP: pequeños ≤ 5 has, medianos > 5 y ≤ 20 has, grandes > 20 has. Las UP con riego son aquellas cuyo porcentaje de superficie regada es mayor que cero (temporal implica que no hay riego en ninguna parcela dentro de la UP). Las UP ejidales son aquellas cuyo porcentaje de superficie ejidal es mayor que cero (no ejidal implica que no hay ninguna parcela con el régimen de propiedad ejidal dentro de la UP). Las UP anuales, perenes o ganaderas son aquellas que se dedican exclusivamente a cultivos anuales, cultivos perenes o ganadería respectivamente. Los grupos restantes diversifican sus actividades entre anuales y perenes o entre cualquier producto agrícola y la ganadería.
Fuente: elaboración propia con datos de la Encuesta Nacional Agropecuaria 2014 (INEGI, 2014).
Respecto al clima de corto plazo, cuando el efecto parcial promedio es significativo, más días con tormenta reducen (aumentan) la probabilidad de pérdida en primavera-verano (otoño-invierno). Esto puede deberse a que en primavera-verano se produce la mayor cantidad de cultivos anuales y una abundancia de agua en este tiempo suele asociarse con niveles más altos de rendimiento o reducir el costo relacionado con los riegos. En el caso del granizo, una frecuencia mayor suele incrementar la probabilidad de pérdida en la mayoría de los tipos de productores. El efecto parcial del indicador de aridez es contra intuitivo, pues se esperaría que un aumento en la aridez se asociara con un aumento en la probabilidad de pérdida. Una posible explicación es que los productos contemplados en la muestra se benefician de una evaporación más alta. Los resultados para días secos son como se esperaría, un mayor número de días secos incrementa la probabilidad de obtener pérdidas en la UP.
Los resultados más consistentes sugieren que: cuanto mayor es la superficie que utiliza la UP menor es la probabilidad de tener pérdidas, si se cuenta con riego la probabilidad de pérdida es menor; si las tierras son ejidales la probabilidad de pérdida es mayor; en las UP que utilizan yunta la probabilidad de pérdida tiende a incrementarse; en áreas con mayor altitud sobre el nivel del mar se observa una mayor probabilidad de tener pérdidas; si el productor es hombre se observa que la probabilidad de pérdida es menor; las pérdidas se observan con mayor frecuencia si el productor se reconoce como indígena y, por último, mayor educación del productor se asocia con menor probabilidad de pérdida.
Cuando los resultados son significativos, al incrementarse la distancia que existe entre las parcelas y el cuerpo de agua más cercano aumenta la probabilidad de que el productor tenga pérdidas. En el caso de la proximidad de las parcelas al mercado más cercano, se observa en la mayoría de los casos significativos que entre más lejana se encuentre la UP menor será la probabilidad de contar con ingresos netos negativos. De la misma manera, mayor densidad carretera en el municipio se asocia con una mayor probabilidad de pérdida. En este sentido, una mejor conexión con zonas metropolitanas se asocia con una probabilidad más alta de que los costos sean más altos que los ingresos de los productores. El subsidio del PROCAMPO suele asociarse con una probabilidad de pérdida mayor en UP pequeñas, medianas, ejidales y la combinación de anuales y perenes.
Los resultados anteriores tienen implicaciones para la literatura existente y la seguridad alimentaria en México. Respecto a la literatura, hay un conjunto de estudios que han utilizado los ingresos netos de los productores agropecuarios, como variable proxy de la renta de la tierra, para identificar el impacto del cambio climático en el sector agrícola y pecuario (Mendelsohn y Dinar, 2009; Ortiz-Bobea, 2020; Beltrán, Basurto y Mendelsohn, 2023). Sin embargo, esos estudios no han analizado explícitamente dichos impactos cuando existen productores que operan en una forma que no está orientada a la producción de mercado, i.e. operan con pérdidas. Nuestros resultados sugieren que la probabilidad de pérdida se asocia con algunas de las características de la tierra, como el clima de largo plazo, lo cual sugiere que la sensibilidad al cambio climático de los productores que se rigen por el mercado podría ser distinta a la de sus contrapartes. Y, por ende, la función ricardiana que utilizan estudios previos debería ajustarse al considerar esa diferencia, como lo hacen estudios que estiman impactos diferenciados por el tamaño de la UP (Galindo, Reyes y Alatorre, 2015; Upananda y Abeysinghe, 2021) o por disponibilidad de riego (Kurukulasuriya, Kala y Mendelsohn, 2011; Chatzopoulos y Lippert, 2016; Hossain et al., 2019).
Para considerar dichas diferencias se sugiere estimar un modelo ricardiano de dos etapas en donde, en la primera etapa, se estime la probabilidad de operar con pérdidas como se hace en este estudio y, en la segunda etapa, se incorporen los términos de selección en la función estructural ricardiana. Al realizar un procedimiento de dos etapas también se evita el problema de transformación de la variable dependiente cuando se estima un modelo ricardiano semilogarítmico en presencia de valores negativos. Frecuentemente, en estudios empíricos se encuentra que añadir un término constante a cada una de las observaciones con el propósito de tener valores positivos en los ingresos netos cambia los resultados de las estimaciones, por lo que la estimación de dos etapas podría contribuir a evitar este problema.
En términos de seguridad alimentaria, los resultados de este trabajo tienen las siguientes implicaciones. De acuerdo con el planteamiento teórico de Ricardo (1817), aquellos productores a los que el mercado no cubre sus costos deberían retirar sus tierras de la producción agrícola o pecuaria. En este sentido, si el 45% de los productores de la muestra retiraran sus tierras de las actividades agropecuarias, esto tendría serias implicaciones sobre la disponibilidad de alimentos. De la misma manera, si no las retiraran y en su lugar las destinaran a otras actividades agropecuarias distintas a las que realizan actualmente, la configuración de la producción de alimentos en México podría modificarse considerablemente e influir sobre los precios del conjunto de productos agrícolas y pecuarios. Por esta razón, es importante el diseño de políticas económicas que propicien ingresos apropiados para los productores de alimentos y esto, a su vez, contribuya en el largo plazo a tener una mayor disponibilidad de alimentos.
4. CONCLUSIONES
El objetivo de este artículo es contribuir al debate actual sobre la situación del sector agropecuario respondiendo a las siguientes preguntas de investigación: ¿quién gana y quién pierde en la producción agropecuaria? y ¿cuáles son los factores que determinan la probabilidad de pérdida? Para ello, utilizamos información económica de 65 548 UP dedicadas a las actividades agropecuarias en México para calcular sus ingresos netos e identificar los factores que determinan la probabilidad de incurrir en pérdidas. Utilizando la ubicación espacial de sus parcelas se obtiene el clima de largo plazo, eventos climáticos de corto plazo, tipos de suelo, características de las parcelas, proximidad a cuerpos de agua y a mercados de cada una de las UP en la muestra. Además de ello, se consideran las características sociodemográficas de los productores reportadas en la ENA 2014. Los resultados muestran que el 45% de las UP incurren en pérdidas al realizar sus actividades y la probabilidad de pérdida suele ser más alta cuando el(la) productor(a) es mujer, se reconoce como indígena, tiene menos años de educación, usa yunta, utiliza extensiones menores de tierra, sus tierras son de temporal, sus tierras son ejidales y cuando sus parcelas se encuentran en zonas altas.
Los resultados de este trabajo tienen implicaciones para la literatura existente y para la seguridad alimentaria en México. Respecto a la literatura, este trabajo pretende contribuir a la línea de investigación que utiliza modelos ricardianos para estimar el impacto del cambio climático en el sector agropecuario al estimar lo que, potencialmente, podría ser la primera etapa de un modelo estructural ricardiano en donde se modele explícitamente el impacto del cambio climático sobre productores orientados y no orientados a la producción de mercado. En términos de seguridad alimentaria, el 45% de las UP de la muestra no obtienen ganancias por dedicar sus tierras a las actividades agropecuarias donde, principalmente, se producen alimentos de consumo humano. De acuerdo con la teoría ricardiana (Ricardo, 1817), estos productores tendrían que dedicar sus tierras a otras actividades rentables. El desplazarse ya sea hacia actividades no agropecuarias o hacia una actividad agropecuaria distinta a la actual, la producción de alimentos en México podría modificarse de forma importante e influir sobre el precio de los alimentos y, por ende, en la seguridad alimentaria.
Durante el desarrollo de este trabajo identificamos la siguiente línea de investigación futura. Existe una gran cantidad de estudios que han utilizado el modelo ricardiano para estimar el impacto del cambio climático en el sector agropecuario utilizando ingresos netos como proxy de la renta de la tierra. En esos estudios es común encontrar ingresos netos menores que cero en donde no es posible estimar una forma semi-logarítmica de la función ricardiana, a menos que se realice una transformación de la variable dependiente, e.g., añadir un término constante para mover la distribución y el valor mínimo sea mayor que cero. Algunos autores sostienen que esa transformación influye en la estimación de los parámetros y podría cambiar el sentido de las conclusiones del estudio. Además de ello, los estudios ricardianos previos no ahondan en los impactos que podrían tener productores que actualmente operan con pérdidas en países menos desarrollados. Por lo que se sugiere estimar un modelo ricardiano de dos etapas en donde en la primera etapa se estime un modelo Logit para identificar la probabilidad de pérdida y en una segunda etapa se estime una función ricardiana incorporando los términos de selección de la primera etapa con el propósito de considerar las diferencias que existen entre productores enfocados y no enfocados a la producción de mercado.
En la interpretación de los resultados de este trabajo se tienen que considerar las siguientes limitaciones. Primero, la muestra de UP es representativa a nivel nacional en términos de producción y extensión de superficie sembrada y cosechada; sin embargo, no podemos utilizar los factores de expansión de la encuesta en la estimación econométrica debido a que las variables provienen de fuentes externas a la ena 2014 y no fueron contempladas en el diseño de la muestra. Por lo tanto, los resultados son válidos para las UP comprendidas en el análisis. Segundo, para calcular los ingresos totales de las UP utilizamos los precios recibidos por el productor en su última venta y existe un número importante de UP que no reportaron el precio de venta. En los casos en donde no se reporta un precio, utilizamos el promedio municipal, estatal o nacional del producto correspondiente para el cálculo de ingresos totales. Lo anterior, podría causar un sesgo en la proporción de UP con pérdidas debido a que una proporción importante de ellas dedica, al menos parcialmente, una parte de su producción a autoconsumo.