Fecha de Publicación: 09/04/2021
Impacto de las precipitaciones en el rendimiento de la soja en Argentina
"The weather development in Argentina is a risk factor to watch". Oil World. ISTA Mielke GmbH
"Historically, crop yields, especially those for soybeans, usually turn out poor when both February and March precipitation are below average. However, the 2018-19 harvest bucked that trend after those two months were dry, and record January precipitation played a large role". Karen Brown, Global Agriculture Columnist en Thomson Reuters.
Como en cada campaña agrícola, el clima es un factor de riesgo. La campaña 2020/21 no es la excepción, y en particular desde el inicio del 2021 se presta singular interés a las precipitaciones.
Si bien las lluvias de enero fueron un 29% superiores al promedio histórico --convirtiéndolo en uno de los eneros más lluviosos--, el último febrero fue uno de los más secos. En las áreas productivas clave de Argentina --Buenos Aires, Córdoba, Entre Ríos, La Pampa, Santa Fe-- se registraron lluvias un 41% por debajo del promedio de 30 años.[1] En las primeras semanas de marzo la Bolsa de Cereales indicó que podría recortar su estimación de producción de soja por la falta de lluvias. Este ajuste se confirmó a mediados de mes cuando la estimación de producción de soja bajó de 46Mt a 44Mt, y recientemente se redujo a 43Mt.
En este artículo mostraremos algunos aportes a una línea de trabajo de la Bolsa de Cereales, que tiene como objetivo lograr mayor precisión en las estimaciones regionales y nacionales de rinde y producción. En particular, se buscan herramientas que permitan ajustar estas estimaciones periódicamente contemplando la evolución del escenario climático y su impacto en el desarrollo de los cultivos.
Comenzaremos entonces por ilustrar cómo vienen las lluvias en 2021: en la Figura 1 las comparamos con los registros históricos de las últimas diez campañas para enero, febrero y marzo, resaltando en color naranja las lluvias correspondientes a la campaña récord 2018/19. Aquí observamos que en Entre Ríos y Santa Fe se registraron niveles bajos de lluvias, si bien tuvieron una ligera recuperación en los últimos quince días de marzo. En Buenos Aires, La Pampa y Córdoba, en cambio, los niveles de precipitaciones se mantuvieron dentro del promedio provincial.
Figura 1: Evolución de las lluvias durante los tres primeros meses del año en las últimas 10 campañas.
Con el objetivo de estudiar el impacto histórico de las precipitaciones sobre el rendimiento en las últimas diez campañas, ajustamos un modelo de regresión lineal cuyo resultado se muestra en la Figura 2. Cada punto de dicha figura representa una campaña a nivel nacional, en la que el rendimiento se calcula como promedio nacional por hectárea, y las lluvias se calculan como un promedio ponderado por la superficie sembrada de cada provincia. El resultado del ajuste indica que las precipitaciones explican el 47% de la varianza en el rendimiento medio nacional (de acuerdo al coeficiente R2 de la regresión).
Figura 2: Ajuste de regresión lineal del rendimiento medio nacional en las precipitaciones.
El impacto de las lluvias sobre el rendimiento no es el mismo en todas las provincias a causa de diversos aspectos como el tipo de suelo (que varía la capacidad de almacenamiento de agua, por ejemplo) y la presencia de napas freáticas (que permiten transportar agua por capilaridad), además del paquete tecnológico y las prácticas de manejo agronómico implementadas. En la Figura 3 desglosamos el análisis anterior para las provincias de Buenos Aires, Córdoba, Entre Ríos, La Pampa y Santa Fe para poder contemplar dichas variaciones a nivel provincial. En líneas punteadas indicamos la recta de regresión de la provincia, y con un segmento continuo mostramos el rango entre el primer y el noveno decil de sus precipitaciones.
Figura 3: Desglose del ajuste de regresión por provincia.
Cada línea punteada representa el ajuste de regresión de una provincia. Los segmentos continuos representan el intervalo entre el primer y noveno decil de las precipitaciones de la provincia.
De estos resultados observamos que:
- Buenos Aires es la provincia más estable de todas. Su nivel de lluvias sufre menos variaciones que el de otras provincias, y el impacto de las mismas en el rendimiento es el más bajo de todos (es decir, tiene la menor variación de rendimiento por milímetro de lluvia). A pesar de no alcanzar rendimientos tan altos como los de Santa Fe y Córdoba, los mismos se mantienen bastante firmes alrededor de 28,5qq/ha, oscilando típicamente entre 26qq/ha y 32qq/ha.
- Santa Fe y Córdoba son provincias con un gran potencial, que en las campañas con muy buenas precipitaciones pueden alcanzar rendimientos por encima de 34qq/ha (Córdoba) o 37qq/ha (Santa Fe). Sin embargo, su rendimiento es muy variable con las precipitaciones, y pueden llegar a valores por debajo de 24qq/ha (Córdoba) o 27qq/ha (Santa Fe) en temporadas secas.
- La Pampa es una provincia con escasas precipitaciones de por sí. Si bien el impacto de las mismas en el rendimiento es bastante alto y su rendimiento medio está en 26,5qq/ha, la escasez de precipitaciones hace que no suela extenderse más allá de 30qq/ha, y que pueda quedar por debajo de 20qq/ha en malas campañas.
- Por último, Entre Ríos posee el menor rendimiento medio de todas las provincias analizadas, de 23,5qq/ha. Sus precipitaciones son muy variables e impactan mucho en el rendimiento, lo que hace que este último pueda variar entre 19qq/ha y 28qq/ha según la temporada.
Si bien este es un modelo inicial, el mismo puede extenderse agregando otros regresores relevantes que contribuyan a explicar la variabilidad de los rindes. Por ejemplo, si se asume una mejora tecnológica lineal en el tiempo y se agrega a la campaña como un regresor, el R2 aumenta hasta 0.71. En la Figura 4 comparamos este ajuste con los rendimientos de los últimos diez años.
Figura 4: Rendimiento estimado vs. rendimiento real, en un modelo basado en precipitaciones y mejora tecnológica lineal.
Los puntos cercanos a la línea en diagonal representan campañas en que el rinde estimado es cercano al rendimiento real.
De acuerdo a este modelo extendido, la predicción de rendimiento para la campaña de soja 2020/21 a nivel nacional es de 32.5qq/ha. Este valor resulta bastante superior en relación a datos recientes de producción publicados por la Bolsa; dicha discrepancia podría deberse a que aquí utilizamos un único regresor para las lluvias. La estimación podría mejorarse incluyendo distintas variables para las lluvias de enero, febrero y marzo, con el fin de captar mejor su distribución durante el período crítico de la soja. Sin embargo, para este objetivo se necesitaría contar con datos de más campañas, o bien datos más desagregados de rendimiento y precipitaciones, para no caer en un sobreajuste. Cabe mencionar que lo que se busca es tener una estimación robusta de los rendimientos a escala regional y nacional, y no predecir el rinde a nivel de lote.
Este análisis simplificado es una contribución al desarrollo de modelos de rendimiento que permitan un seguimiento más detallado de la campaña agrícola. Contar con estimaciones de producción más precisas contribuye a una mayor previsibilidad sobre el resto de las variables de la hoja de balance (consumo, exportaciones, stocks) y sobre la contribución del agro a la economía (crecimiento, ingreso de divisas, recaudación fiscal), mejorando el proceso de toma de decisiones en los sectores público y privado.
En la agenda futura se incluye: desagregar el modelo tomando datos climáticos y de rendimiento a nivel de departamento o zona PAS, incorporar las curvas fenológicas por regiones para precisar los períodos críticos, sumar variables explicativas, como la rotación de cultivos.
Referencias
[1] Braun, Karen. (05-Mar-2021). `Condition scores for Argentina’s thirsty crops may not be what they see'. https://www.reuters.com/article/us-argentina-grains-braun-idUSKCN2AX0XU
