Conversatorio: Vulnerabilidad de la Agricultura ante el Cambio Climático en el Perú: Amenazas y Oportunidades” CEPES

Impacto económico del cambio climático sobre la agricultura peruana Laura Alvarado Abril de 2014

Contenido 1. 2. 3. 4.

Antecedentes Metodología Resultados Valoración económica del impacto del CC en la agricultura 5. Conclusiones

-2-

1. Antecedentes Objetivo

Proyección del PBI para medición temporal de impactos del CC en la economía peruana

Actividades Ganadería Energía

Agricultura Pesca Minería e hidrocarburos

Valoración económica del impacto del cambio climático

PBI SC

PBI 2100

PBI SC

PBI sectoriales

Turismo Condiciones para la productividad Infraestructura Producto 4 Salud -3-

1. Antecedentes Horizontes temporales de análisis: 2011-2040 2041-2070 2071-2100 Tasas: 0,5% 2% y 4%

Escenarios: A1B, A2 y B1

-4-

1. Antecedentes -Objetivo: medir el impacto del CC en la agricultura. -¿qué cultivos elegir? -Criterio: importancia en PBI agrícola, VBP: 7 cultivos: -Papa, arroz, maíz amarillo duro, café, caña de azúcar, plátano y maíz amiláceo.

-5-

1. Antecedentes Participación en el PBI, VBP agrícola y superficie sembrada de los principales cultivos, 2009

Nombre

Tipo de cultivo

PBI agrícola Participación %

Valor bruto de la producción (VBP) agrícola total a/ Participación Ranking %

Superficie Cosechada b/ Miles de Ha

Ranking

Papa

Transitorio

10.55

13.3

1

289.9

4

Arroz

Transitorio

7.46

9.4

2

388.7

1

Café

Permanente

5.63

7.1

3

349.6

2

Caña de azúcar

Permanente

4.84

6.1

4

77

7

Plátano

Permanente

3.73

4.7

5

156.1

6

Maíz amarillo duro

Transitorio

3.65

4.6

6

295.8

3

Maíz amiláceo

Transitorio

1.51

1.9

7

201.3

5

-

37.4

47.1

-

-

-

TOTAL

1.Antecedentes Cultivo

Papa

Arroz

Café

Región Puno Huánuco La Libertad Cajamarca Junín Cusco Apurímac Ayacucho Piura Lambayeque San Martin La Libertad Amazonas Arequipa Cajamarca Tumbes Ancash Junín Cajamarca San Martín Cusco Amazonas Pasco Puno Ayacucho Piura

1. Antecedentes Cultivo Caña de azúcar

Plátano

Maíz amarillo duro

Maíz amiláceo

Región La Libertad Lambayeque Lima Ancash Loreto San Martín Junín Ucayali Amazonas Huánuco Pasco Cajamarca Cusco Madre de Dios Puno Lima La Libertad Lambayeque San Martín Ancash Piura Loreto Ucayali Cusco Cajamarca Apurímac Huancavelica La Libertad Huánuco Ayacucho

2. Metodología 2.1 El modelo • Enfoque de la función de producción. • Q = b0 + b1S+b2T + b3T2 + b4PP + b5PP2 Producción (Q) Superficie cosechada (S) Variables climáticas temperatura (T) y precipitación (PP),

2. Metodología • Comportamiento de U invertida: cóncavo. • Por qué utilizar Producción y no rendimiento? • Estimaciones con Rendimiento no tuvieron la forma funcional esperada, R2 y coeficientes poco significativos. • Proyecciones con rendimiento presentaron impactos positivos que se contradice con lo esperado.

2. Metodología • Se acordó emplear como variable producción. • Prueba de causalidad de Granger: confirma que S es variable explicativa de Q. • Existen estudios que han empleado ésta variable y no necesariamente rendimiento. Por ejemplo, Ramírez et al, 2009; Ordaz et al, 2010a; Mora, 2010.

2. Metodología 2.2 Data • Ministerio de Agricultura (MINAG): cifras de producción y superficie cosechada a escala distrital para el período 2000-2011. Este reporte contiene el análisis de la información agrícola de cultivos y regiones seleccionadas. • Data climática: para ese periodo SENAMHI • Proyecciones de data climática: CDC

2. Metodología 2.2 Data • Variable dependiente registrada con periodicidad anual. • Los datos de clima registrados para el período de floración de cada cultivo seleccionado. • Al incluir el periodo de floración se está capturando de manera más precisa la relación entre indicadores climáticos y la producción agrícola. • El registro de producción por cultivos y zonas se encuentra limitado por la disponibilidad de la información climática.

2. Metodología Qit = b0 + b1Sit +b2TMit + b3TMit2 + b4TNit + b5TNit2 +b6PPit + b7PPit2+uit • Qit = Producción del distrito i en el año t • Sit = Superficie cosechada del distrito i en el año t • TMit = Temperatura máxima promedio para el distrito i en el año t • TMit2 = Temperatura máxima promedio al cuadrado para el distrito i en el año t • TNit = Temperatura mínima promedio para el distrito i en el año t • TNit2 = Temperatura mínima promedio al cuadrado para el distrito i en el año t • PPit = Precipitación para el distrito i en el año t • PPit2 = Precipitación al cuadrado para el distrito i en el año t

2. Metodología • Usando los siguientes criterios (en el orden indicado), se escogió el mejor modelo para cada cultivo • (i) signo esperado acorde a la teoría, (ii) criterio Akaike y Schwarz más bajo, (iii) probabilidad individual y grupal significativos, y (iv) buena bondad de ajuste del modelo.

2. Metodología • Una vez obtenido la mejor especificación para cada cultivo, se procedió a usar diferentes técnicas para analizar los datos de panel, como son el modelo de datos agrupados, el de efectos fijos, y el de efectos aleatorios.

3. Resultados Papa Producción Intercepto

S TN TN2 Num. obs. R2 Probabilidad F TN óptima1/ Gráfico

MCO agrupado -1336.65 (0.00)*** 13.83 (0.00)*** 143.66 (0.00)*** -5.02 (0.00)*** 2282 0.93 0.00 14.32 Cóncavo

Efectos fijos -521.90 (0.00)** 12.49 (0.00)*** 14.11 (0.79) -0.05 (0.98) 2282 0.97 0.00 140.99 Cóncavo

Efectos aleatorios -1088.28 (0.00)*** 13.39 (0.00)*** 91.32 (0.00)*** -1.79 (0.37) 2282 0.76 0.00 25.37 Cóncavo

Qit = -1336.649 + 13.83832Sit +143.6632TNit -5.016227TNit2 +uit

Arroz Producción Intercepto S TM TM2 Num. obs. R2 Probabilidad F TM óptima1/ Gráfico

MCO agrupado -9894.98 (0.00)*** 7.86 (0.00)*** 875.63 (0.00)*** 18.19 (0.00)*** 1079 0.96 0.00 24.07 Cóncavo

Efectos fijos 15509.13 (0.07) 8.45 (0.00)*** -1177.20 (0.07) 20.82 (0.08) 1079 0.99 0.00 28.27 Convexo

Qit = -9894.98+ 7.86Sit +875.63TMit -18.19TMit2 +uit

Efectos aleatorios 5833.13 (0.29) 8.32 (0.00)*** -440.24 (0.32) 7.57 (0.38) 1079 0.93 0.00 29.06 Convexo

MAD Producción Intercepto S TN TN2 Num. obs. R2 Probabilidad F TN óptima1/ Gráfico

MCO agrupado -8720.37 (0.00)*** 4.74 (0.00)*** 1058.41 (0.00)*** -30.12 (0.00)*** 467 0.68 0.00 17.56 Cóncavo

Efectos fijos -6269.89 (0.18) 4.69 (0.00)*** 731.87 (0.15) -20.00 (0.14) 467 0.91 0.00 18.27 Cóncavo

Efectos aleatorios -6576.02 (0.06) 4.67 (0.00)*** 756.23 (0.05)** -20.76 (0.06) 467 0.75 0.00 18.21 Cóncavo

Qit = -8720.37+ 4.74Sit +1058.4TNit -30.12TNit2+uit

Maíz amiláceo MCO agrupado

Producción

Efectos fijos

Efectos aleatorios

PP2

0.87 (0.00)*** 6.54 (0.00)*** -0.22 (0.00)*** 0.39 (0.00)*** -0.001** (0.05)

496.38 (0.31) 0.94 (0.00)*** -21.55 (0.64) 0.22 (0.84) -0.70 (0.27) 0.001 (0.51)

401.91 (0.36) 0.93 (0.00)*** -13.57 (0.73) 0.05 (0.96) -0.61 (0.33) 0.001 (0.59)

Num. obs. R2 Probabilidad F

1409 0.91 0.00

1409 0.96 0.00

1409 0.65 0.00

TM óptima1/

14.86

14.84

13.26

PP óptima2/

150

148

105.12

Gráficos

Cóncavos

Convexos

Convexos

Intercepto

-

S TM TM2 PP

Qit= 0.87Sit+6.54TMit -0.23TMit2+0.387PPit-0.001PPit2 +uit

Café Producción Intercepto S TM TM2 Num. obs. R2 Probabilidad F TM1/ Gráfico

MCO agrupado -320.49 (0.00)*** 0.94 (0.00)*** 21.23 (0.00)*** -0.35 (0.00)*** 936 0.99 0.00 29.59 Cóncavo

Efectos fijos 206.05 (0.42) 0.98 (0.00)*** -23.69 (0.22) 0.49 (0.18) 0936 0.99 0.00 23.94 Convexo

Qit = -320.49+0.94Sit +21.24TMit -0.36TMit2+uit

Efectos aleatorios 120.70 (0.54) 0.97 (0.00)*** -18.10 (0.26) 0.42 (0.19) 936 0.95 0.00 21.65 Convexo

Caña de azúcar Producción Intercepto S TM TM2 Num. obs. R2 Probabilidad F TM óptima1/ Gráfico

MCO agrupado 25276.66 (0.00)*** 6.97 (0.00)*** -1984.04 (0.00)*** 39.03 (0.00)*** 94 0.88 0.00 25.41 Convexo

Efectos fijos -2986.36 (0.20) 9.24 (0.00)*** 355.80 (0.05)** -8.33 (0.04)** 94 0.98 0.00 21.31 Cóncavo

Qit = -2986.36+9.24Sit +355.80TMit-8.33TMit2+uit

Efectos aleatorios 10590.66 (0.25) 8.01 (0.00)*** -847.22 (0.20) 17.35 (0.14) 94 0.54 0.00 24.41 convexo

Plátano Producción Intercepto S TM TM2 Num. obs. R2 Probabilidad F TM óptima1/ Gráfico

MCO agrupado 385.94 (0.00)*** 12.36 (0.00)*** -50.27 (0.00)*** 1.16 (0.00)*** 889 0.99 0.00 21.65 Convexa

Efectos fijos -265.27 (0.00)*** 12.39 (0.00)*** 25.07 (0.00)*** -0.70 (0.00)*** 889 0.99 0.00 17.84 Cóncavo

Qit = -265.27+12.39Sit +25.07TMit-0.70TMit2+uit

Efectos aleatorios 255.38 (0.53) 13.01 (0.00)*** -36.08 (0.36) 0.67 (0.48) 889 0.92 0.00 27.10 Convexo

• Las mejores estimaciones sirvieron para realizar las proyecciones de producción por cultivo, incorporándose a las funciones los datos de clima proyectados por el CDC para los tres escenarios climáticos con sus respectivos modelos. • Con ello, se obtiene las proyecciones de producción por cultivo y escenarios al 2100.

• Los resultados arrojan que el impacto del cambio climático en la agricultura generará disminuciones en la producción para todos los cultivos y para todos los escenarios siendo más severo en el escenario A2 con excepción del café que tiene un comportamiento distinto pues en los primeros años crecerá la producción y luego disminuirá. • En conclusión se puede decir que el impacto del cambio climático en la agricultura podría ser significativo pues afecta la producción de la mayoría de los productos analizados.

4. VE del impacto PBI AGRICULTURA SIN CC Y PBI CON CC POR ESCENARIO

PBI AGRICULTURA SCC Y VARIACIONES EN PBI CCC POR ESCENARIO

Para cada cultivo seleccionado se obtuvo el precio promedio real del periodo 2000-2011, MINAG

Pérdidas acumuladas por cambio climático en el sector agricultura en los años 2040, 2070 y 2100 (en millones de soles) a tasas de descuento de 0,5%, 2,0% y 4,0%

Escenario A1B A2 B1

2011-2040 0.50% 2,717 2,045 2,047

2011-2070 2% 2,121 1,577 1,517

4% 1,567 1,145 1,051

0.50% 6,555 6,042 4,020

2011-2100 2% 4,101 3,607 2,499

4% 2,420 2,001 1,455

0.50% 6,699 7,030 4,384

2% 5,128 6,550 2,974

4% 2,676 2,395 1,566

Pérdidas acumuladas por cambio climático en el sector agricultura como % del PBI agrícola 2011 en los años 2040, 2070 y 2100 a tasas de descuento de 0.5%, 2.0% y 4.0% Escenario

2011-2040

2011-2070

2011-2100

0.50%

2%

4%

0.50%

2%

4%

0.50%

2%

4%

A1B

28%

22%

16%

67%

42%

25%

69%

53%

28%

A2

21%

16%

12%

62%

37%

21%

72%

67%

25%

B1

21%

16%

11%

41%

26%

15%

45%

31%

16%

Participación sectorial en pérdidas del 20112100, con tasa de descuento de 0.5%

A1B

A2

B1

5. Conclusiones • El impacto del CC en el sector agrícola se mide por la reducción de ingresos a causa de la disminución de producción agrícola (a causa de cambios en la temperatura y precipitación) que provoca disminución en los ingresos de siete productos priorizados por su relevancia en el PBI sectorial que al representar el 37% del PBI se tuvo que realizar la respectiva conversión a fin de tener una cifra representativa. • Los resultados indican que para el escenario A2 se presentan perdidas más significativas. • Analizando todos los escenarios y tasas de descuento se puede concluir que el impacto del cambio climático en el sector agricultura sea considerable pues se estiman pérdidas que oscilan entre el 16% y el 72% del PBI Agrícola.

5. Conclusiones • Las estimaciones no incluyen ninguna adaptación ni cambios externos, como uso de nuevas tecnologías. • Conforme a las proyecciones, se prevé cambios en los futuros patrones climáticos, los cuales se espera que generen pérdidas en el sector agrícola siempre y cuando la distribución actual de canasta de cultivos se mantenga en el futuro. • No obstante, es posible que más adelante aquellos cultivos que sean muy susceptibles a las futuras alteraciones climáticas sean sustituidos por otros cultivos menos susceptibles. • De esta forma, no se tiene claro si esta última opción sea, desde el punto de vista económico y/o agronómico, la más apropiada. Este es un tema que debería ser estudiado en las diferentes regiones agrícolas del país.

5. Conclusiones • Realizando un análisis a nivel agregado por sectores, se obtuvo que la agricultura es el tercer sector más afectado por el cambio climático, después de la pesca y ganadería. Estos resultados son esperables, dado que precisamente estos sectores se encuentran más directamente expuestos a las condiciones naturales del entorno. • Necesidad de realizar estudios por regiones y cultivos priorizados: AGMIP-Perú. • Costa Norte, valle del Mantaro y sierra sur (Puno).

Gracias [email protected]