Santiago Guerrero trabaja como investigador económico en el Banco de México. Microeconomista aplicado que se ha especializado en temas de economía ambiental, de la regulación y agrícola. Sus temas de investigación son variados y consideran desde el estudio de los efectos de regulaciones no convencionales en el medio ambiente y los mercados de energía, la dinámica de precios en mercados con distorsiones, así como los efectos potenciales del cambio climático en el sector agrícola en América Latina. Su investigación ha sido publicada en revistas internacionales especializadas en temas ambientales y regulatorios. Ha trabajado como consultor para el Banco Mundial y el Banco Inter-Americano de Desarrollo. Santiago obtuvo su doctorado en Economía Ambiental y de Recursos Naturales en la Universidad de Berkeley en 2011 y una maestría en Economía Ambiental por la Universidad de Arizona en 2006.
Correo de contacto: sguerreroe@gmail.com
La degradación del suelo en los ecosistemas agrícolas. Seminario Seminario "E...
Evaluando Vulnerabilidad ante el Cambio Climático: Conceptos y una Aplicación para Brasil
1. Evaluando Vulnerabilidad
ante el Cambio Climático:
Conceptos y una Aplicación
para Brasil
COP-Andes
Basado en Documento de Trabajo “Assessing Local
Vulnerability to Climate Change in Agriculture: An
Application to the State of Tocantis, Brazil” por Santiago
Guerrero, Miriam Juárez y Adán Martínez
2. El Concepto de Vulnerabilidad
• “La predisposición a ser afectado de manera adversa. La vulnerabilidad
comprende una serie de conceptos incluyendo sensibilidad o susceptibilidad al
daño y falta de capacidad para enfrentar y adaptarse (IPCC AR5).
• Así, por ejemplo, la vulnerabilidad de la agricultura al cambio climático se refiere
a la exposición a altas temperaturas, a qué tan sensibles son los rendimientos de
los cultivos a las altas temperaturas y a la habilidad de los agricultores para
adaptarse ante cambios en la exposición y la sensibilidad, vía cultivando
diferentes variedades u otro tipo de cultivos (FAO, 2012).
• Más formalmente, la vulnerabilidad es función de tres componentes principales
(Luers et al., 2003):
1. Exposición: la probablidad de que un estresor sobrepase o esté por debajo de un
cierto límite a partir del cual el sistema que se está evaluando es muy probable que
resulte afectado de manera adversa (ej. la temperatura es mayor que 39°C).
2. Sensibilidad: cómo reacciona el sistema ante estresores ( precipitación y
temperatura) ponderado por la distancia del estado actual del sistema respecto al
límite del sistema a partir del cual éste se encuentraría adversamente dañado.
3. Capacidad de adaptación: La capacidad de un sistema para reducir su vulnerabilidad
ante un estresor.
3. Algunas Definiciones
• Cualquier evaluación de vulnerabilidad requiere definir los siguientes
conceptos:
1. Sistema: Se refiere a la unidad geográfica-socioeconómica que será evaluada
(ej. país, estado, municipio, municipio que siembra un cultivo determinado,
etc.).
Para el caso de Brasil nos enfocamos en todos los municipios del estado de
Tocantins en Brasil.
Hacemos hincapié en municipios en los que actualmente el BID está invirtiendo
en mejorar los sistemas de irrigación (PRODOESTE).
Fuente: FAO
Tocantins y municipios PRODOESTEBrasil
4. Algunas Definiciones
2. Estresores: Los principales factores biofísicos que impactan sobre un
sistema y que se modificarán como resultado del cambio climático
(temperatura, precipitación, incendios, huracanes, sequías,
inundaciones, etc.).
Nos enfocamos en temperatura y precipitación promedio en cuatro etapas de
crecimiento de 5 cultivos principales (soya, maíz, sandía, frijol y arroz) las
cuales ocurren entre Octubre y Mayo.
3. Temporalidad: el periodo en el cual se evaluará la vulnerabilidad y en
el cual se realizará la evaluación del cambio climático.
La vulnerabilidad actual se evalúa de 2001 a 2012.
La vulnerabilidad ante el cambio climático se evalúa en el mediano (2020-2049)
y el largo plazos (2070-2099).
Importante:
a. Considerar que la evaluación de vulnerabilidad es específica para cada
contexto por lo que cualquier indicador obtenido debería interpretarse y
utilizarse con precaución para propósitos de política pública.
b. Las aplicaciones empíricas tienden a simplificar las complejidades de las
interacciones entre los sistemas biofísicos y los socioeconómicos.
c. El trabajo con la población afectada es importante para calibrar modelos
y modificar aplicaciones.
5. Exposición
• Para medir exposición se requiere una medida de qué tan probable es
para un sistema dado ser afectado negativamente por la realización de
un estresor que sobrepasa un cierto límite.
El número de veces que la temperatura y la precipitación observadas
históricamente (2001-2012) durante cada etapa del ciclo de crecimiento
sobrepasó o no alcanzó un cierto rango, apropiado para el desarrollo
fenológico de la planta.
• Límite: Cuál es el límite a partir del cual, una vez que es rebasado por el
estresor el sistema se considera dañado.
Crop
Durationindays
of growthcycle*
Prcipitation
Mmperday
Optimal
Temperature for
ReproductionoC
Optimal
Temperature Range
forYieldoC
Failure
Temperature
Reproductive yield
oC
Soybeans 90-130 7-8mm 34 25-37 39
Corn 110-120 8mm 26 18-25 35
Rice 120-140 7-8mm 33 23-27 35-36
Watermelon 120-130 5mm 35 22-30 37
Beans 140-150 6mm -- 23-24 32
*Dependsonvariety.
Agronomical criteria for stressors by crop
6. Sensibilidad
• Existen varios métodos para poder medir sensibilidad:
1. Modelos agronómicos. Son modelos detallados y complejos que simulan
rendimientos de cultivos, de acuerdo a múltiples variables biofísicas que
interactúan de manera no-lineal. Algunos ejemplos son CERES-Maize (Crop
Environment Resource Synthesis) para maíz y CERES-Wheat para trigo,
InFoCrop, etc.
2. Métodos hedónicos. Se propusieron por Mendelsohn et al. (1994) y consisten
en estimar una ecuación de valores de la tierra agrícola como función de
variables climáticas. La intuición es que en mercados de tierra que funcionan
apropiadamente, los valores de la tierra incorporan el valor presente de todos
los posibles usos potenciales futuros que se le puedan dar.
3. Métodos estadísticos o de panel. Consisten en estudiar de manera estadística
la relación histórica entre rendimientos observados de cultivos y variables
climáticas (Schlenker and Roberts, 2006).
Utilizamos el método estadístico utilizando los rendimientos observados de 5
cultivos en 139 municipios de Tocantins para el periodo 2001 to 2012.
Transformamos las sensibilidades a valores monetarios por medio de la relación que
se observa entre los rendimientos y las ganancias de los agricultores en Tocantins.
7. Vulnerabilidad y Capacidad de Adaptación
• En general, cualquier indicador de vulnerabilidad se conforma de los
indicadores de exposición y sensibilidad.
Adaptamos la definición de vulnerabilidad de Luers (2003) para el caso de
Brasil y consideramos vulnerabilidad como una suma ponderada de las
sensibilidades ante temperatura y precipitación, donde los pesos están
dados por las probabilidades que un estresor pase (temperatura) o no
alcance (precipitación) un cierto límite.
• Capacidad adaptativa: la diferencia entre vulnerabilidad bajo las
condiciones existentes y las condiciones modificadas (bajo irrigación,
diversificación de cultivos, modificación de las etapas de crecimiento,
etc.).
Nos enfocamos en la irrigación como una estrategia potencial para
enfrentar el cambio climático. Para ello imputamos las sensibilidades de los
municipios que presentan alta irrigación a aquellos que presentan baja
irrigación.
8. Resultados: La exposición a temperatura es media y a precipitación es alta en
municipios PRODOESTE (relativo al resto de Tocantins)
Índice de Exposición
Municipios PRODOESTE Temperatura Precipitación
1. Aliança do Tocantins 0.167 M 0.396 H
2. Alvorada 0.021 L 0.479 H
3. Araguaçú 0.021 L 0.479 H
4. Cariri do Tocantins 0.021 L 0.438 H
5. Cristalândia 0.229 H 0.375 M
6. Crixás do Tocantins 0.187 M 0.375 M
7. Dueré 0.187 M 0.417 H
8. Figueirópolis 0.021 L 0.479 H
9. Formoso do Araguaia 0.229 H 0.458 H
10. Lagoa da Confusão 0.250 H 0.438 H
11. Pium 0.271 H 0.375 M
12. Sandolândia 0.083 M 0.458 H
13. Santa Rita do Tocantins 0.229 H 0.396 H
14. Talismã 0.021 L 0.375 M
Promedio PRODOESTE 0.138 M 0.424 H
Promedio Tocantins 0.128 M 0.348 M
9. Resultados: La sensibilidad a la temperatura es en general más alta que la
sensibilidad a la precipitación. Ambas sensibilidades son parecidas para los
municipios de PRODOESTE que para el resto de Tocantins.
10. Resultados: La vulnerabilidad a la temperatura es mayor a la vulnerabilidad a
la precipitación. La mayoría de los municipios PRODOESTE muestran de baja a
media vulnerabilidad.
Vulnerabilidad a la Precipitación Vulnerabilidad a la Temperatura
11. Resultados: Bajo los escenarios de cambio climático (AR4) tanto la
vulnerabilidad a la temperatura como a la precipitación aumentarán en
Toncantins. Serán más grandes ante escenarios de emisiones más extremos y
en el largo plazo.
Municipalities Baseline
B1 A2 B2 A1F1 B1 A2 B2 A1F1
1. Aliança do Tocantins 0.0268 0.0281 0.0285 0.0292 0.0293 0.0357 0.0476 0.0394 0.0540
2. Alvorada 0.0126 0.0133 0.0133 0.0136 0.0138 0.0167 0.0216 0.0179 0.0244
3. Araguaçú 0.0213 0.0224 0.0225 0.0230 0.0235 0.0283 0.0371 0.0305 0.0430
4. Cariri do Tocantins 0.0164 0.0173 0.0175 0.0179 0.0180 0.0219 0.0292 0.0241 0.0332
5. Cristalândia (1ª Etapa) 0.0214 0.0226 0.0227 0.0231 0.0235 0.0285 0.0368 0.0305 0.0417
6. Crixás do Tocantins 0.0152 0.0162 0.0162 0.0165 0.0170 0.0206 0.0267 0.0219 0.0308
7. Dueré 0.0147 0.0155 0.0155 0.0158 0.0162 0.0195 0.0254 0.0209 0.0287
8. Figueirópolis 0.0163 0.0175 0.0175 0.0178 0.0181 0.0221 0.0286 0.0236 0.0322
9. Formoso do Araguaia 0.0293 0.0310 0.0313 0.0319 0.0326 0.0392 0.0518 0.0425 0.0603
10. Lagoa da Confusão (1ª Etapa) 0.0127 0.0133 0.0135 0.0139 0.0139 0.0170 0.0227 0.0188 0.0257
11. Pium (1ª Etapa) 0.0204 0.0212 0.0214 0.0218 0.0223 0.0270 0.0359 0.0294 0.0419
12. Sandolândia 0.0202 0.0212 0.0215 0.0220 0.0223 0.0271 0.0367 0.0300 0.0426
13. Santa Rita do Tocantins 0.0187 0.0197 0.0200 0.0205 0.0207 0.0254 0.0347 0.0284 0.0404
14. Talismã 0.0198 0.0208 0.0211 0.0217 0.0219 0.0268 0.0366 0.0299 0.0424
PRODOESTE Average 0.0190 0.0200 0.0202 0.0206 0.0209 0.0254 0.0337 0.0277 0.0387
Tocantins Average * 0.0184 0.0194 0.0196 0.0200 0.0203 0.0247 0.0329 0.0270 0.0380
Baseline
B1 A2 B2 A1F1 B1 A2 B2 A1F1
1. Aliança do Tocantins 0.6885 0.7231 0.7321 0.7518 0.7530 0.9174 1.2231 1.0141 1.3886
2. Alvorada 0.2789 0.2944 0.2953 0.3008 0.3064 0.3706 0.4802 0.3975 0.5426
3. Araguaçú 0.0658 0.0692 0.0697 0.0710 0.0726 0.0873 0.1146 0.0943 0.1329
4. Cariri do Tocantins 0.1977 0.2080 0.2105 0.2158 0.2165 0.2641 0.3520 0.2908 0.3994
5. Cristalândia (1ª Etapa) 0.3067 0.3242 0.3246 0.3307 0.3368 0.4081 0.5262 0.4360 0.5970
6. Crixás do Tocantins 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
7. Dueré 0.0617 0.0651 0.0653 0.0665 0.0679 0.0820 0.1068 0.0881 0.1205
8. Figueirópolis 0.0634 0.0679 0.0679 0.0692 0.0703 0.0858 0.1110 0.0918 0.1251
9. Formoso do Araguaia 0.8173 0.8644 0.8721 0.8881 0.9081 1.0927 1.4446 1.1848 1.6817
10. Lagoa da Confusão (1ª Etapa) 0.1752 0.1842 0.1864 0.1915 0.1919 0.2346 0.3135 0.2594 0.3551
11. Pium (1ª Etapa) 0.7351 0.7657 0.7730 0.7883 0.8040 0.9741 1.2969 1.0603 1.5121
12. Sandolândia 0.6248 0.6557 0.6646 0.6806 0.6894 0.8400 1.1370 0.9279 1.3212
13. Santa Rita do Tocantins 0.1780 0.1867 0.1896 0.1950 0.1966 0.2408 0.3297 0.2693 0.3838
14. Talismã 0.1924 0.2021 0.2053 0.2112 0.2126 0.2603 0.3561 0.2914 0.4131
PRODOESTE Average 0.3133 0.3293 0.3326 0.3400 0.3447 0.4184 0.5565 0.4575 0.6409
Tocantins Average * 0.2647 0.2774 0.2802 0.2862 0.2910 0.3531 0.4708 0.3857 0.5453
/* This aggregation does not include municipalities where PRODOESTE is operating.
Temperature
Medium Term Scenarios Long Term Scenarios
Medium Term Scenarios Long Term Scenarios
Precipitation
12. Variable Horizon Scenario Mean Std. Dev. Min Max
A1F1 0.003 0.006 -0.007 0.029
Medium-Term A2 0.003 0.006 -0.006 0.029
B1 0.003 0.006 -0.006 0.029
Precipitation B2 0.003 0.006 -0.007 0.031
A1F1 -0.014 0.016 -0.065 0.038
Long-Term A2 -0.008 0.013 -0.043 0.040
B1 0.000 0.008 -0.015 0.035
B2 -0.001 0.009 -0.019 0.039
A1F1 -0.328 0.339 -1.970 0.022
Medium-Term A2 -0.298 0.311 -1.812 0.028
B1 -0.291 0.305 -1.784 0.030
Temperature B2 -0.315 0.326 -1.887 0.025
A1F1 -1.206 1.141 -6.301 0.000
Long-Term A2 -0.929 0.879 -4.890 0.000
B1 -0.526 0.517 -2.936 0.000
B2 -0.629 0.607 -3.408 0.000
Resultados: La irrigación como una estrategia potencial de adaptación es más
probable que funcione en escenarios más extremos de emisiones y en el largo
plazo.
Diferencia entre vulnerabilidades de las condiciones existentes y bajo
condiciones modificadas
13. • Es importante ser sistemáticos a la hora de estructurar una evaluación de
vulnerabilidad.
• Los indicadores deben tomarse con cautela debido a las limitaciones
(necesarias) que se requieren en estudios empíricos.
• Calibrar los modelos con los involucrados es útil para darle más relevancia y
contexto a los indicadores.
Consideraciones Finales