Título: Composición de un portfolio agrícola: análisis comparado de resultados y riesgos1

Fecha: 7 de mayo de 2016

Autor: B. Susana Pena de Ladaga

Institución: Universidad de Buenos Aires – Facultad de Agronomía – Depto. De Economía, Desarrollo yPlaneamiento Agrícola - Cátedra de Administración Rural.

Dirección: Avenida San Martín 4453 – (1407)- CABA

Teléfono: +54 11 4524-8082

Correo electrónico: spena@agro.uba.ar

Categoría: Trabajo de investigación

1 El presente trabajo fue realizado en el marco del Proyecto Ubacyt 20020120200143.

Composición de un portfolio agrícola: análisis comparado de resultados y riesgos

Resumen:

La actividad agropecuaria tiene como factores de riesgo más sobresalientes a los rindes decultivos y precios de productos logrados. Una de las formas tradicionales (y sin costo aparente)de gestionar el riesgo agrícola es la diversificación de cultivos. No es tan claro lo que significauna “buena” diversificación de cultivos. En principio la elección tiene que estar dada entrecultivos negativamente covariados entre sus resultados pero ¿en qué proporciones? En estetrabajo se consideraron cuatro distintas composiciones de portfolio: la que corresponde a lasuperficie sembrada por cultivo en el partido de Gral. Villegas en los últimos 5 años, ladesarrollada tradicionalmente en los últimos 10 años, la recomendada por los técnicos, quedistribuye proporcionalmente entre cultivos y la que surge de un modelo de programación linealcomo combinación óptima.

Los modelos de simulación Monte Carlo demostraron la utilidad del método para la gestión deestablecimientos siendo el portfolio de mejor resultado el recomendado por los técnicos. Lasvariables de salida como resultados medios, medidas de variabilidad (desvío estándar ycoeficiente de variación) así como probabilidad de pérdida, cobertura de costos o niveles factiblesde retiro podrían también orientar a las autoridades para las decisiones sobre políticaagropecuaria.

Palabras clave: riesgo, diversificación, portfolios, decisiones, Monte Carlo.

Abstract:

The agricultural activity has risk factors, as crop yields and product prices. One of the traditionalways (without apparent cost) to manage agricultural risk is trough crops diversification. Yet it’snot clear what a "good crop diversification" means. The choice should be given between cropswith negatively covariate results at first, but what proportion of each one? Four differentcompositions of portfolio were considered in this paper: one that corresponds to the analysis ofthe information of the last 5 years in General Villegas, one traditionally developed in the last 10years, the one recommended by the technicians that shares proportionally between crops, andfinally the one that emerges from a linear programming model as the optimal combination. MonteCarlo simulation models proved to be a useful tool for managing farmer, being Technicalrecommendation the portfolio with better results. The output variables as average results,measures of variability (standard deviation and coefficient of variation) and probability of loss,cost coverage or retirement feasible levels can also guide authorities to set agricultural policydecisions.

Key words: risk, diversification, portfolios, decisions, Monte Carlo.

Clasificación temática orientativa: Gerenciamiento del riesgo agropecuario

Composición de un portfolio agrícola: análisis comparado de resultados y riesgos

1. Introducción

En el ámbito agropecuario, sobre todo en el sector agrícola, es notorio el riesgo en la producción.Este riesgo está relacionado con las variables aleatorias ligadas a las condiciones meteorológicas(precipitaciones, irradiancia, temperaturas, que a su vez inciden sobre plagas y enfermedades).También inciden el precio de productos e insumos (estos últimos en menor medida), las medidasde política generales o específicamente agropecuarias, entre otros factores.

Los primeros análisis económicos agrícolas se llevaban a cabo con valores medios (Pena deLadaga, 1989); el efecto del riesgo se exploraba a través de análisis de sensibilidad de tipodeterminístico indagando qué pasaría si los rindes o los precios subían o bajaban, por ejemplo, un10 % (cifra que usualmente se determinaba de modo arbitrario) (Pena de Ladaga y Berger, 2013);en otros casos se complementaba con resultados en situaciones “catastróficas” o“extremadamente favorables” (caso de cálculos con valores mínimos o máximos).

Los métodos han progresado notablemente con el transcurso del tiempo facilitados por unaumento de la capacidad de procesamiento de las computadoras personales sin precedentes. Ya en1997 Hardaker et al., mencionaban esta evolución que no ha hecho más que incrementarse enmodo que realmente sorprende. Con el fin de lograr que la toma de decisiones se lleve a cabo conla mayor eficiencia utilizando herramientas de modelización la teoría matemática aplicada,también llamada investigación operativa (IO), enfatiza el proceso de decisión (que es sufundamento básico) tratándolo de modo lógico a través de un enfoque cuantitativo determinístico oestocástico según corresponda (Simon, 1960; Anderson et al., 1977; Ragsdale, 1998; Harwood, etal., 1999).

Entre las herramientas utilizadas se destaca la simulación Monte Carlo (SMC) como método paramodelizar situaciones riesgosas donde intervienen diversas variables aleatorias. Mediante ella setiene en cuenta la distribución de probabilidad de una o más de las variables aleatorias queconforman el resultado probabilístico (margen bruto, margen neto, ganancia) acompañado de unaserie de medidas como desvío estándar, coeficiente de variación, probabilidad de pérdida, decubrir el costo de producción, el arrendamiento o la suma de ambos. Estos tópicos anexosproporcionan una idea del riesgo involucrado en la actividad o conjunto de actividadesconsideradas (Bustamante, 2002; Berger, 2006, 2008; Berger y Coluccio, 2009; Berger y Pena deLadaga, 2013) facilitando el proceso al tomador de decisiones quien decidirá acorde a su actitudpersonal hacia el riesgo.

La SMC se viene difundiendo y perfeccionando en su uso no sólo a nivel de investigadores, sinoentre consultores agropecuarios, funcionarios responsables de decisiones políticas y hasta entreproductores. En programas comúnmente presentes en las computadoras de hogar las herramientasde Excel también se han perfeccionado notablemente: así es como se incluyen análisis de datos,de escenarios, programas para optimización y posibilidad de generar simulaciones mediantenúmeros aleatorios y/o alguna de las distribuciones más comunes a fin de evaluar probabilidadesde riesgos.

En estudios anteriores se vio repetidamente que el monocultivo de soja presentaba menor riesgoque un porfolio diversificado (Berger, 2008; Berger et al, 2012, 2014; Pena de Ladaga y Berger,2014; Pena de Ladaga et al, 2012 a y b, 2011 a y b, 2013); evidentemente altos precios de la

oleaginosa, combinados con un paquete tecnológico muy bien ajustado, terminaban en unresultado interesante y con poca variabilidad. El girasol, evaluado aisladamente, resultaba elcultivo de mayor estabilidad pero su baja participación en la combinación de actividades nollegaba a compensar el buen resultado de la soja en su pico de precios. En el armado de portfolioses importante el modo de combinar las actividades; así un cultivo muy rentable puede combinarseen pequeñas cantidades con otros menos atractivos pero de menor riesgo. Es un hecho usual quela disminución del riesgo viene de la mano de un menor resultado; estará en manos del decisorseleccionar el plan que considere más apropiado a su actitud hacia el riesgo. En este trabajo seconsideraron cuatro distintas composiciones de portfolio a fin de comparar sus resultados yriesgos en un establecimiento del partido de General Villegas.

2. Materiales y Métodos:

El sitio:

El establecimiento está situado en el partido de Gral. Villegas, provincia de Buenos Aires. Seencuentra al sudeste de la región denominada “Pampa Arenosa”. Los suelos están compuestos pordepósitos eólicos arenosos que conforman un perfil arenoso, permeable y fértil, exceptuandociertas zonas en las que existen lagunas. Han evolucionado sobre material loéssico de edadcordobesa del orden de los Hapludoles y algunos Haplustoles, constituyendo potencialmente lossuelos más productivos del Oeste bonaerense.

Las condiciones climáticas de la zona son semi-áridas a sub-húmedas y templadas a frías contemperaturas promedio anuales que rondan los 16 a 17ºC. La distribución de precipitaciones en laregión es de régimen primavero-estivo-otoñal con un nivel promedio histórico de 750 mmanuales. Estos registros se han visto incrementados en forma importante desde haceaproximadamente 30 años, con mediciones superiores a los 950 mm anuales. Se trata de uncampo real de 3167 ha totales que ha trabajado bajo la forma jurídica de fideicomiso conportfolios agrícolas durante cinco campañas, lo cual permitió contar con información minuciosaque fue fundamental para poder comprobar el ajuste de series de datos a las distribuciones derindes.

Planteo Técnico

La realidad del negocio agropecuario de los últimos años, impulsado por buenos precios agrícolasy acompañado por el precio regulado de la carne, orientó los sistemas hacia un uso más intensivode sus recursos productivos. Esta determinación contó con el apoyo del sólido sustentotecnológico de la siembra directa y derivó en la modificación de la asignación de superficie entreactividades. El típico sistema productivo mixto, ganadero de carne-agrícola que caracterizó a lazona por un largo período y en el que convivía el engorde de novillos en rotación con agriculturafue siendo reemplazado por otras modalidades de uso del suelo registrándose, lamentablemente,una proporción importante de monocultivo sojero.

La siembra directa en la región Oeste constituye el sistema por excelencia. La cobertura del suelodesempeña una función importante evitando compactación superficial y favoreciendo lainfiltración y conservación del agua de lluvia. Sin embargo aún sigue siendo un desafío el diseñode rotaciones sustentables que generen buena cobertura (Satorre et al., 2009) y modifiquen ladinámica de las malezas que, de no realizar aplicaciones pre-siembra a tiempo, pueden alterartemporalmente los nacimientos de plántulas.

El planteo técnico por actividad fue provisto por el fideicomiso siendo éste bastante coincidentecon el indicado por la revista Márgenes Agropecuarios para situaciones de alta tecnología. De lamencionada revista se extrajeron los costos de insumos en fecha de siembra (07/2014 paracosecha fina y 10/2014 para gruesa).

El modelo:

Se confeccionó un modelo de portfolio agrícola del que se obtuvo el MBT (margen bruto total)acorde a la metodología propuesta en Pena de Ladaga, 2009 mediante el uso de Excel. Para llegaral EBIT (resultado antes de impuestos (Earning Before Interest and Taxes) se deben restaron delMBT los costos de estructura, oficina, corporativos, y las amortizaciones; respecto a ellos seconsideraron los reales provistos por también por el fideicomiso2 que ascendían a 179.861dólares. Se relacionó el valor de MBT con el capital operativo promedio real requerido para elmanejo de las 3167 ha del establecimiento estudiado (1.571.830 dólares). La superficie no esrepresentativa del productor medio sino de los grupos económicos que manejan pooles desiembra quienes en el momento de precios extraordinarios buscaban posibilidades dearrendamiento en la zona dados los buenos resultados en rinde. En la campaña que se analiza, losprecios ya más bajos, parecen haber sido los determinantes de la desaparición de la atracciónanterior.

En el modelo de portfolio se consideraron 4 cultivos (trigo, soja de primera y segunda siembra,maíz y girasol). Para cada uno de ellos se tomaron como variables aleatorias rendimientos yprecios.

Los datos empleados:

Para que la tarea de modelización sea exitosa, la serie de datos a emplear es de suma importancia.Por ejemplo, el uso de series de establecimientos adolece del problema de la corta longitud. No esadecuado empalmar información de establecimientos con tecnología dispar (distintas fechas desiembra, tipo de semilla, longitud de barbecho y tantas otras). La utilización de series zonales,usualmente con un número de observaciones estadísticamente correcto, incluye sin embargositios que, para igual período, utilizaron distinto planteo técnico por lo que terminanenmascarando el verdadero riesgo que enfrenta un productor agropecuario tomado en formaaislada (Berger y Pena de Ladaga, 2015). Para subsanar el problema se utilizaron series de rindesprovenientes del modelo de simulación agronómica DSSAT (Decision Support Systems forAgrotechnology Transfer 3,5) Berger y Coluccio, 2009; Pena de Ladaga et al, 2010. Los mismos,con un error de predicción conocido y aceptable equivalen a una información aproximada a larealidad con un dato estadístico asociado (Mercau, 2002; Satorre y Mercau, 2002; Bert et al.,2007 a y b; Bert et al., 2006). Se trata de series acordes a un tipo de suelo constante, ciertomaterial genético seleccionado, tecnología sin variaciones, bajo el efecto aleatorio deprecipitaciones, radiación y temperatura. La serie constó en cada caso de 33 resultados quefueron utilizados para modelizar la variable rinde mediante una distribución Betapert(parámetros en cuadro 1); la comparación con la información real de las cinco campañas delestablecimiento fue adecuada a excepción del maíz en que los mínimos reales fueron superiores alos de la serie simulada; teniendo en cuenta que se contaba con sólo 5 datos del fideicomiso y quepuede haber sucedido que en todas las campañas el maíz haya tenido buena disponibilidad deagua en período crítico, y que para definir una distribución adecuadamente deben estar

2 Se mantiene el anonimato de la empresa por su expreso pedido; se aclara que se trataba de inversores extranjerosque abandonaron el país durante la campaña en análisis.

contenidos en ella todos los valores probables, es que se optó por utilizar el mínimo de la seriesurgida del DSSAT.

Cuadro 1: Rindes por cultivo en ton/ha

ESTADÍSTICAS TRIGO SOJA 2DA. MAIZ SOJA 1RA. GIRASOL

MINIMO 2.72 1.18 3.87 2.38 2.37

MÁSPROBABLE

5.05 2.68 10.92 3.84 3.25

MAXIMO 6.57 3.91 14.44 5.46 3.89

Respecto a los precios la campaña analizada fue la 2014/2015. Se consultaron los valores aexpertos en mercados quienes partieron de los datos de cultivos en el mercado americano yconsideraron su correlación con el mercado local teniendo en cuenta las retenciones vigentes almomento del análisis (diciembre de 2015) que ascendían a 23 % en trigo, 20 % en maíz, 32 % engirasol y 35 % en soja. Esta variable también se trabajó con distribuciones Betapert por ser la másrecomendada dada su forma y características (Van Hauwermeiren, 2008). Los parámetros figuranen el cuadro 2.

Cuadro 2: Precios de cultivo en u$s/ton con retenciones

ESTADISTICAS TRIGO SOJA 2DA. MAIZ SOJA 1RA. GIRASOL

MINIMO 51.19 46.55 76.54 46.55 86.42

MASPROBABLE

81.02 71.54 137.42 71.54 124.37

MAXIMO 140.23 139.32 209.96 139.32 182.36

El software utilizado fue ModelRisk 5 de VoseSoftware, 2015. En cada caso se realizaron 5.000iteraciones partiendo de un valor semilla igual a 1.

Las rotaciones estudiadas:

Se analizaron 4 modelos cuya composición de superficie por portfolio se resume en el cuadro 3.

Cuadro 3: Composición de cultivos en cada modelo (ha/cultivo.año)

MODELO TRIGO

SOJA2DA. MAIZ

SOJA1RA.

GIRASOL

Sup.sembrada

Sup.totalcampo

1 570 570 508 2038 51 3737 3167

2 602 602 475 1710 380 3769 3167

3 792 792 792 791 792 3959 3167

4 3167 3167 0 0 0 6334 3167

El modelo 1 corresponde a la distribución de superficies llevada a cabo en el partido en elpromedio de los últimos 5 años coincidente con el portfolio del fideicomiso.

En el modelo 2 se emplearon las superficies surgidas de promediar los últimos 10 años (antes delauge de la soja), donde se observa una mayor participación de superficie del cultivo de girasol.

El modelo 3 es la distribución porcentual de superficies recomendada por los técnicos quedistribuyen proporcionalmente entre los cultivos (Cultivar Conocimiento Agropecuario, 2015).

Por último, el modelo 4 tiene en cuenta la rotación agrícola surgida de un modelo deoptimización mixto mediante programación lineal; al tener ganadería y rotaciones con pasturas laactividad invernada aparece en las rotaciones técnicas; en la superficie agrícola, sin embargo,surge sólo el doble cultivo trigo / soja de segunda (Pena de Ladaga et. al, 2015).

3. Resultados y Discusión:

La simulación del modelo 1 permitió, en primer lugar, validar el modelo ya que era el que llevabaa cabo el establecimiento; los resultados logrados por el mismo en las últimas campañas seencontraban dentro de los rangos esperados.

En el cuadro 4 se detallan los resultados por cultivo considerando las superficies del modelo 1mencionada en el cuadro 3.

Cuadro 4: MBT (u$s totales por cultivo.año) y estadísticas del portfolio con superficies promediode últimos 5 años

ESTADÍSTICAS TRIGO SOJA 2DA. MAIZ SOJA 1RA. GIRASOLMEDIA -94.591 61.705 17.958 62.722 11.067MINIMO -218.921 -39.801 -211.253 -407.281 -6.222MAXIMO 114.687 208.148 447.085 817.346 33.072DESV.STD. 53.079 41.323 105.559 18.882 6.517C.V. -0,56 0,66 5,87 3,00 0,58ASIMETRIA 0,50 0,36 0,62 0,46 0,23KURTOSIS 2,85 2,77 3,08 2,98 2,58PERC. 5 % -171.483 -856 130.100 -216.270 899PERC. 95 % 2.107 135.252 214.343 396.238 22.247% PERDIDA 94,62 5,25 48,84 40,61 3,22

Aquí puede observarse que el trigo no sería una opción seleccionable debido a que, tomado comoúnica alternativa, conduciría a pérdida casi siempre (94.62 % de las ocasiones). Asociado a lasoja de segunda resulta una opción dado que la soja “subvenciona” en cierta medida los malosresultados del trigo y tiene baja probabilidad de pérdida y coeficiente de variación (CV) de 0.66.Téngase en cuenta que el trigo incluye fertilización fosforada costo que en realidad es utilizadono sólo por este cultivo sino también por la soja de segunda, es decir que funcionarían, enconjunto como una micro-rotación. De todos los cultivos el de menor probabilidad de perderdinero es el girasol, otrora el cultivo que predominaba en el partido por su resistencia a la sequía(cuando las precipitaciones eran más bajas que las actuales); podría estar en competencia al teneruna probabilidad de pérdida de sólo el 3.22 %. Su influencia en el MBT es muy pequeña por lamuy baja superficie. La disminución del girasol tuvo lugar en los momentos en que se daba el

boom de la soja; es atribuida por los productores a sus numerosos problemas de enfermedades,plagas, frecuente caída de plantas que reduce el rinde cosechado, justificando el destino de susfondos y esfuerzos (menores) a la soja. La soja de primera siembra que en los momentos de picode precio presentaba márgenes mucho más elevados, en el período en estudio presenta unaprobabilidad de pérdida del 40.61 %. Los mayores rindes de la soja de primera estándeterminados no sólo por la fecha de siembra sino por un costo 30 % mayor que en la de segunda(que incluye mayor peso de herbicidas, insecticidas y el fertilizante fosforado, que en el caso dela soja de segunda está adjudicado al trigo). El mayor costo está asociado a un mayor riesgo conun CV de 3.00 que indicaría la no conveniencia de intensificar el cultivo. El maíz conlleva unaprobabilidad de pérdida del 48.84 % y un CV de 5.87, el mayor de todos los cultivos, por lo quetampoco es una opción a seleccionar para disminuir el riesgo ni mejorar resultados. Si en elmodelo se trabajara la soja de primera con iguales costos que la de segunda arrojaría resultadosalgo menores pero tal vez más seguros por la menor inversión en insumos tal como ocurre en lasoja de segunda.

El productor actuando en forma recursiva (es decir sembrando en base a lo ocurrido en el pasadoy no mirando hacia futuro) sigue dedicando gran superficie a soja de primera continuando con elmonocultivo sojero que se ha visto en distintas zonas (Pena de Ladaga et. al, 2011 a y b, 2014;Berger et al, 2012, 2014) a pesar de presentar una probabilidad de pérdida del 40.61 %. Esimportante destacar la simplicidad organizativa de esta oleaginosa a la que además se lereconoce, por su pertenencia a la familia de las leguminosas, la factibilidad de fijar N mediante eltratamiento adecuado de las semillas con bacterias del género Rizhobium; ello constituye unfactor a favor adicional al requerir menor dosis de fertilizante para un buen rinde. En el gráfico 1puede observarse lo mencionado respecto a los resultados económicos por cultivo.

Gráfico 1: Probabilidad acumulada ascendente por cultivo en modelo portfolio últimos 5 años

Téngase en cuenta que los resultados están expresados en escala 105. Se observa en el gráfico porcultivo, que el girasol presenta una curva bien ascendente y siempre cercana a la probabilidad deganar poco dinero, pero seguro. El monto es bajo debido a que sólo ocupa 51 ha de las 3167totales del campo. La soja de segunda tiene una curva bastante parecida, con márgenes máselevados. Y el resto de los cultivos marcan que la probabilidad de pérdida es de alrededor de unocada dos años, lo cual es muy elevado.

La distribución de superficies considerando el capital operativo necesario arroja rentabilidadmedia respecto al MBT de sólo el 3.75 % y respecto al EBIT, negativa. Si se compara con larentabilidad de bonos del Estado Nacional, que rinden entre un 7 y 9 % en dólares se comprendepor qué los grupos económicos que bajo la forma de pooles en los momentos de preciosextraordinarios tomaban en arrendamiento todas las pequeñas parcelas que podían hayandesplazado la diversificación hacia países limítrofes, con tierras más vírgenes, cuyos rindespromisorios compensan la baja de precios. También las quiebras de algunos de ellos: tanto enMBT como EBIT, en el gráfico 2 y el cuadro 5, se ve que las probabilidades de pérdida son muygrandes. Evidentemente los niveles de retenciones inciden fuertemente en las elevadasprobabilidades de pérdida: sólo en algo más del 58 % de los casos ella será positiva, y secubrirán los costos indirectos en menos del 29 %. Esto permite comprender la situación y losreclamos del sector.

Gráfico 2: MBT y EBIT para modelo de portfolio de últimos 5 años

Cuadro 5: MBT (u$s totales) y rentabilidad (%).

El gráfico 3 (tornado), que muestra la contribución de cada variable aleatoria en el MBT, permitever que el rinde y precio de la soja son los dos factores predominantes, lógico en base a ladistribución de superficies.

Gráfico 3: Tornado del ranking de correlación de cada variable input en el MBT

A continuación se procedió al mismo análisis del segundo portfolio propuesto que, para recordar,incrementaba la participación del girasol, en detrimento de la tan difundida soja.

Cuadro 6: MBT (u$s totales por cultivo.año) y estadísticas del portfolio de superficie

promedio de últimos 10 años

Los valores a nivel cultivo son diferentes al caso anterior en base a la superficie diferencial queocupa cada uno de ellos. En este caso se observa un aún mayor porcentual de probabilidad depérdida en el caso del trigo que prácticamente siempre da resultados negativos. La soja desegunda también estabiliza los resultados del doble cultivo haciendo que siga siendo de atracción.

Es notable que acá la soja de primera y el maíz tengan porcentuales de pérdida importantes y quesólo el girasol sea una muy buena opción para bajar el riesgo.

Gráfico 4: Probabilidad acumulada ascendente del MBT por cultivo para portfolio de superficiepromedio de últimos 10 años

En el gráfico 4 se visualiza la disminución de superficie de soja del portfolio que a pesar de ellosigue generando valores de pérdida considerables; mientras tanto las curvas acumuladas de sojade segunda y girasol son casi verticales y con una muy baja probabilidad de pérdida.

Cuadro 7: MBT (u$s totales) y rentabilidad (%) del portfolio de superficie promedio de últimos10 años

La media del MBT sube, y la probabilidad de pérdida baja en función de la participación de los“cultivos seguros” girasol y soja de segunda. La rentabilidad operativa respecto al MBT alcanzael 7.36 %, pero sigue siendo negativa si se considera el EBIT, con una probabilidad del 64 %.

Gráfico 5: MBT y EBIT para modelo con portfolio de superficie promedio de últimos 10 años

En el gráfico tornado (gráfico 6) los principales determinantes del MBT siguen siendo el precio yrinde de la soja.

Gráfico 6: Tornado del ranking de correlación de cada variable input en el MBT portfolio modeloúltimos 10 años.

En el tercer modelo se analizan los resultados de una rotación técnicamente recomendada, perono muy seguida ni por los productores ni por grandes grupos económicos, ya que presentacomplejidad desde el punto de vista organizacional que incrementa muchos costos (de insumos,por la diversidad, de personal, de contratistas de maquinarias, de control, etc.) y también sube eltrabajo insumido. Las estadísticas por cultivo aparecen en el cuadro 8 y figura 7.

Cuadro 8: MBT (u$s por cultivo.año) y estadísticas por cultivo del portfolio recomendadotécnicamente

El trigo sigue siempre siendo un cultivo “no elegible”; la soja de segunda y el girasol arrojan losvalores de cultivos seguros. El maíz se comporta con valores siempre similares cercanos al 50 %de probabilidad de pérdida y la soja de primera sigue siendo riesgosa. La observación de lascurvas de los distintos cultivos muestra que sólo el maíz tiene una curva más acostada mientrasque los otros cultivos son bastante similares en pendiente, aunque varían sus resultados: cuantomás a la derecha se encuentra, más atractivos sería (visualizar el punto “cero en el gráfico).

Gráfico 7: MBT por cultivo del Modelo 3, recomendado técnicamente

La media del MBT aumenta, mientras que baja la probabilidad de pérdida a 22 % respecto delMBT y la rentabilidad media del capital operativo sube a 11.32 %. En el caso del Ebit, no llega acubrirse el conjunto de costos indirectos; la probabilidad de pérdida considerando esta últimamedida está en el 52.73 % (cuadro 9 y gráfico 8).

Cuadro 9: MBT (u$s totales)y rentabilidad (%) del modelo recomendado técnicamente

Gráfico 8: MBT Y EBIT de modelo recomendado técnicamente

En el gráfico tornado hay cambios ya que el precio del maíz y del girasol son ahora losdeterminantes principales del MBT y ya no la soja.

Gráfico 9: Tornado modelo recomendado técnicamente

Finalmente, y dado que el modelo de optimización del 2015 recomienda en las zonas agrícolas eldoble cultivo trigo soja, se analizó esta opción. Es decir que sólo se van a ver dos cultivos(cuadro 10 y gráfico 10).

Cuadro 10: MBT (u$s por cultivo.año) y estadísticas por cultivo del portfolio óptimo

Gráfico 10: Probabilidad acumulada ascendente de portfolio agrícola óptimo

Cuadro 11: MBT (u$s totales) y rentabilidad (%) de portfolio óptimo

Las probabilidades de pérdida son muy elevadas en base a la pérdida producida por el trigo(cuadro 11 y gráfico 12), con rentabilidad negativa del 11.78% respecto al capital operativonecesario. Como ya se dijo, en la micro-rotación trigo/soja el trigo soporta el costo del fertilizanteque es luego compartido en su absorción con la soja.

Gráfico 12: Probabilidad acumulada ascendente de MBT y EBIT de modelo óptimo

En el gráfico tornado (gráfico 13) sólo aparecen 4 factores aleatorios y de ellos el precio del trigoy el rinde de la soja son los más influyentes en los valores logrados; ello podría indicar que unabaja de las retenciones en trigo tendría considerable influencia en el resultado final.

Gráfico 13: Tornado de portfolio óptimo

Como resumen se construyó el cuadro 12 donde se muestra el MBT medio de cada modelo, laprobabilidad de pérdida y la rentabilidad del capital operativo respecto al MBT obtenido.

Cuadro 12: MBT medio y probabilidad de pérdida en MBT y rentabilidad del MBT respecto delcapital operativo necesario para los 4 portfolios analizados

4. Conclusiones:

En el presente trabajo se reafirma la utilidad de la herramienta de simulación Monte Carlopara analizar tanto las actividades en forma aislada como también en distintos portfoliosentre los que puede optar un productor agropecuario. La información derivada respecto aprobabilidad de pérdidas y ganancias y el uso de gráficos que facilitan la comprensión delos números calculados la colocan en un sitio de interés preferencial para asesores. Dado

que los cambios que se producen a lo largo del tiempo son numerosos la herramienta deSMC permitiría facilitar la selección de las decisiones a tomar.

El análisis de los cuatro modelos permitió ver que las decisiones tomadas por losfideicomisos fueron las más convenientes a lo largo del tiempo desde el punto de vistaeconómico; estuvieron acompañadas por una menor dedicación al trabajo. Cabe recordarque en 2010 el óptimo era el monocultivo sojero. La considerable baja de los precios decommodities en la campaña 2014/15 dio origen a justos reclamos por parte del sector.Desde el punto de vista técnico y de política agraria un análisis contemplando la situacióncon las retenciones vigentes a posteriori de los cambios de inicio de 2016 resultó coninteresantes conclusiones (Pena de Ladaga, 2016).

Bajo las condiciones económicas del momento de realización del presente estudio el trigoen ningún caso sería un cultivo que el productor incluyera en sus rotaciones. El modelotécnico de diversificación resultó ser, entre los cuatro postulados, el mejor en términos deMBT medio, menor probabilidad de pérdida y mayor rentabilidad respecto al capitaloperativo necesario. Los productores deberían volver a las rotaciones diversificadas porconveniencia no sólo económica sino para evitar problemas de uso del suelo, plagas yenfermedades generados por el monocultivo. Organizar un establecimiento con varioscultivos es realmente más engorroso y cansador que ocupar toda la tierra sólo con soja; esinteresante haber vislumbrado que el menor tiempo de trabajo es un objetivo que se tienenen cuenta a la hora de decidir.

Deberían tomarse en consideración las advertencias técnicas respecto a los perjuicios de laconcentración de la producción en un único cultivo; sería bueno conocer cuánto se“pierde” al decidir en favor del ambiente. El método de SMC permitiría a las autoridadestomar en cuenta externalidades ambientales y establecer normas para el sectorconsiderando el “costo de la conservación”.

No se ha obtenido la combinación óptima de portfolio, sino sólo analizado 4 escenariosposibles. Es interesante comentar que en base a los avances en software y hardware esfactible en la actualidad la optimización de un modelo con variables aleatorias, que seríael caso planteado. Se está trabajando en ese camino.

En el caso de los fideicomisos la diversificación da lugar a complejidades administrativas,aumento de costos de control y, la menor escala (por la variedad de insumos) hace subirsus precios. Son todos factores que, ante la baja de precios de commodities, confluyeron yhabrían dado lugar a la migración de “capitales golondrina” hacia sitios más convenientesen rinde para seguir desarrollando la opción segura y rentable de monocultivo sojero; enreuniones científicas con concurrencia latinoamericana se detecta en los últimos años elproblema del monocultivo como un tópico de investigación recurrente en los paíseslimítrofes.

Es deber de los responsables de la toma de medidas de política agropecuaria generar lascondiciones para conducir a decisiones diferentes si es que ellas son más convenientes anivel social. Es claro que las retenciones eran un factor de mucha importancia en elresultado de los cultivos por lo que la baja producida en 2016 es muy promisoria para quelos productores puedan volver a rotaciones técnicamente recomendadas.

Las conclusiones vertidas son válidas sólo bajo los supuestos tecnológicos y económicosconsiderados. Así es como una baja en el costo directo de la soja de primera provocaríacambios importantes en las probabilidades de pérdida y en el EBIT. Debería modelizarsela micro-rotación trigo / soja de segunda de modo que las alternativas “compartan” elcosto del fertilizante. Un buen análisis de la estructura de costos por parte del cuerpotécnico podría encaminar la mejora en los resultados.

5. Bibliografía citada:

Anderson, D.R.; Dillon, J.; Hardaker, J. (1977). Agricultural Decision Analysis. Iowa UniversityPress, Ames, Iowa.

Berger, A. (2006). Evaluación de portfolios agrícolas con @Risk. Conferencia de las Américas dePalisade, 13 y 14 de noviembre de 2006, Miami.

Berger, A. (2008). Análisis de portfolios agrícolas: un ejemplo integrando simulación MonteCarlo y modelos de simulación agronómica. III Taller Internacional “La modelización en el sectoragropecuario”, 12 de noviembre de 2008, Buenos Aires, Argentina.

Berger, A.; Pena de Ladaga, B.S. (2015). El análisis de riesgo como un rompecabezas: qué piezasutilizar y cómo ensamblarlas. Workshop organizado en el marco de la XLVI Reunión Anual deEconomía Agraria, Tandil, 4 de noviembre de 2015.Berger, A.; Pena de Ladaga, B. S.; Monti, S. (2014). Riesgo en campos agrícolas de PampaOndulada Alta: Uso de estrategias de cobertura de precios Y de diversificación para ladisminución del riesgo. IV Congreso Regional de Economía Agraria y XLV Reunión Anual de laAAEA, Buenos Aires, 23 de octubre 2014.

Berger, A.; Pena de Ladaga, S.; Monti, S. (2012). Simulación Monte Carlo para la toma dedecisiones en sistemas agrícolas. XXIII Encuentro Nacional de Investigación Operativa. Facultadde Ingeniería UBA, Bs. As., mayo 2012.

Berger, A.; Coluccio Leskow, J. (2009). Análisis de portfolios agrícolas: un ejemplo integrandosimulación Monte Carlo y simulación agronómica. III Taller de Modelización Económica en elSector Agropecuario. 125:140.

Berger, A.M.; Pena de Ladaga, S. (2013). Decisiones riesgosas en empresas agropecuarias.Simulación Monte Carlo como herramienta para el productor y el asesor. Editorial Facultad deAgronomía. Universidad de Buenos Aires. 100 p.

Bert, F.E., C.E. Laciana, G.P. Podestá, E.H. Satorre & A.N. Menéndez (2007 a). Sensitivity ofCERES-Maize simulated yields to uncertainty in soil properties and daily solar radiation.Agricultural Systems 94:141-150.

Bert, F.E., Podestá, G.P., Satorre E.H., Messina, C.D. (2007 b). Usability of climate informationon decisions related to soybean production systems of Argentinean Pampas. Climate Research33,123-143.

Bert, F.E., Satorre, E.H., Ruiz Toranzo, F.; Podestá, G.P. (2006). Climatic Information anddecision-making in maize crop production systems of the Argentinean Pampas. AgriculturalSystems 88:180-204.

Bustamante, A. (2002). Sustentabilidad económica de sistemas de producción en el centro de laprovincia de Santa Fe. Un enfoque de portfolio. Actas del I Taller internacional de modelizacióneconómica en el sector agropecuario. Buenos Aires, Argentina. 149:158.

Cultivar Conocimiento Agropecuario (2015). Comunicación personal.

DSSAT. Decision Support Systems for Agrotechnology Transfer (version 3.5).

Hardaker, J.; Huirne, R.; Anderson, J. (1997). Coping with risk in agriculture. CAB.International,New York, 274 p.

Harwood, J., R. Heifner, K. Coble, J. Perry and A. Somwaru. (1999). Managing risk in Farming:Concepts, Research and Analysis. Agricultural Economic Report 744. Economic ResearchService, USDA. 125 p.

Mercau, J. (2002). Modelos de simulación y aplicaciones de herramientas informáticas para elmanejo del cultivo. Guía Dekalb del Cultivo de Maíz. Área de Extensión de la Cátedra deCerealicultura. Facultad de Agronomía. UBA.

Mercau, J.L., J.L. Dardanelli, D.J. Collino, J.M. Andriani, A. Irigoyen &E.H. Satorre (2007).Predicting on-farm soybean yields in the pampas using CROPGRO-soybean. Field CropsResearch 100:200-209.

Pena de Ladaga, S. (2016). Influencia de retenciones en resultados de portfolios: Comparación deretenciones vigentes en diciembre de 2015 y enero de 2016. Informe inédito Ubacyt 2013-2016.

Pena de Ladaga, S.; Marra, R.; Ladaga, B.; Sanguinetti, J. (2015). Diversificación y retenciones:análisis mediante un modelo de decisión optimizante. IX Jornadas de Estudios Agrarios yAgroindustriales latinoamericanos latinoamericanos. Eje temático: 7: La sojización, aspectossociales, económicos y ambientales. Facultad de Ciencias Económicas – UBA, 2 al 4 denoviembre 2015.

Pena de Ladaga, B. S.; Berger, A. (2014). Monocultivo de soja analizado con Simulación monteCarlo. 12º Simposio Argentino de Investigación Operativa, Buenos Aires, 2 de septiembre de2014. En las 43 JAIIO. Buenos Aires.

Pena de Ladaga, S.; Berger, A.M. (2013). Administración de la empresa agropecuaria. Conceptosy criterios para el planeamiento. Editorial Facultad de Agronomía Universidad de Buenos Aires.Bs. As., Argentina. 244 páginas.

Pena de Ladaga ; A. M. Berger; M. Domonte (2013). Diversificación de actividades y ambientes:su efecto sobre el riesgo. En V Taller de Modelización económica en el sector agropecuario.Orientación Gráfica Editora. Buenos Aires. En prensa. Con referato.

Pena de Ladaga, B.S.; Berger, A.; Domonte, M. (2011) a. El cultivo de soja y la disminución delriesgo de producción. Primera jornada temática: La investigación Científico – Técnica en soja.Buenos Aires, Facultad de Agronomía U.B.A. 1 y 2 de diciembre.

Pena de Ladaga, S.; A. M. Berger; M. Domonte (2011) b. Monocultivo de soja versusdiversificacion: riesgo asociado a cada sistema. VIIA Jornadas interdisciplinarias de estudiosagrarios y agroindustriales. Centro Interdisciplinario de Est. Agrarios- UBA - Facultad deCiencias Económicas. Bs. As., 1 al 4 de noviembre de 2011.

Pena de Ladaga, B.S.; Berger, A.; Domonte, M. (2012a). Diversificación intra y extrazonal ensistemas de producción agrícola. V Taller Internacional de Modelización Económica en el Sector

Agropecuario. Buenos Aires, Bolsa de Cereales, 24 y 25 de octubre de 2012. Sesión 2: Modelosde ayuda a la decisión. En http://www.agro.uba.ar/sites/default/files/catedras/admin/pena_berger_domonte.pdf

Pena de Ladaga, B.S.; Berger, A.; Domonte, M. (2012b). Diversificación intra y extrazonal ensistemas de producción agrícola. V Taller Internacional de Modelización Económica en el SectorAgropecuario. Buenos Aires, Bolsa de Cereales, 24 y 25 de octubre de 2012. Sesión 2: Modelosde ayuda a la decisión.

Pena de Ladaga, S. (2009): Análisis de los resultados de la Empresa Agropecuaria. Cátedra deAdministración Rural. Facultad de Agronomía. UBA. 14 p.

Pena de Ladaga, S.; Berger, A. (2006). Toma de decisiones en el sector agropecuario.Herramientas de Investigación Operativa aplicadas al agro. Editorial Facultad de Agronomia.Universidad de Buenos Aires. 308 p.

Pena de Ladaga, B.S. (1989). Análisis económico de la fertilización de maíz mediante sencillasmetodologías. Serie C.A.R. No. 27. Cátedra de Administración Rural de la F.A.U.B.A.

Ragsdale, C.T. (1998). Spreadsheet modeling and Decision Analysis. A practical introduction toManagement Science. South Western College Publishing. Cincinnati, Ohio. 2da. Ed. 742 p.

Satorre, E.H. & J.L. Mercau (2002). Uso de modelos para la simulación del cultivo de girasol. EnDiaz Zorita y Duarte (eds). Manual Práctico para el cultivo de girasol. Ed. Hemisferio Sur,Argentina. Pg 51-62.

Satorre, E.; García Frugoni, F.; Perea Muñoz, F.; Cavagnaro, F. (2009). Siembra Directa /Dirigido por Juan Balsategui – 1ª ed. AACREA. Buenos Aires. 120 p.

Simon, H.A. (1960). The New Science of Management Decision, New York, Harper & Row,Publishers, Inc. p.2.

Vose, D. ( 2015). http://www.vosesoftware.com/content/ebookdistributions.pdf

Model Risk 5 (2015). Vose Software website.

Van Hauwermeiren, M. (2008). A compendium of distribution. Apendix II in Vose, D. (2008).Risk Analysis: a quantitative guide. 3rd. Edition. John wiley & Sons, Ltd. 735 p.