Ciencia Animal

Efecto del cambio climático en la producción de leche en entidades productivas del municipio Jimaguayú, provincia Camagüey

J. Somoza^{1  *}  , J.M. Febles²  , R. Rangel³  , E. Sedeño⁴  , E. Figueredo⁴  , Odalys Brito⁴ 

¹Facultad de Economía, Universidad de La Habana, Calle L entre 23 y 21, Vedado, Plaza de la Revolución, La Habana, Cuba, C.P. 10 400

²Centro de Investigaciones Marinas, Universidad de La Habana, Calle 16 No.114, entre 1ra y 3ra, Miramar. Playa. La Habana. Cuba.

³Instituto de Geografía Tropical del CITMA. Calle F, No.315 esquina 11, Vedado, Plaza de la Revolución, La Habana, Cuba, CP. 10 400

⁴Centro de Investigaciones de Medioambiente de Camagüey, Cisneros No. 105 (altos), entre Pobre y Ángeles, Camagüey, Cuba

Resumen

En ausencia de modelos como los bioclimáticos, y ante la escasez de información acerca de parámetros y otros datos de entrada, se aplicó la metodología de datos panel para establecer la magnitud y dirección de las consecuencias esperadas en la producción de leche, actividad económica principal del municipio Jimaguayú. En este trabajo se presenta una recapitulación acerca de la teoría de los modelos de panel de datos. Se evalúan varias especificaciones, obteniéndose las expresiones de elasticidad a largo plazo de las precipitaciones y temperatura y su efecto en la producción de leche. Los modelos empíricos aplicados indican que la producción de leche en Jimaguayú podría menguar en aproximadamente 200 mil L por año, debido al efecto combinado de la disminución de las precipitaciones y el incremento de la temperatura, con pérdidas económicas en el orden de 100 mil dólares constantes informados en 2014.

Palabras-clave: modelos empíricos de datos de panel; modelos bioclimáticos; elasticidad climática

El examen de las fluctuaciones en las variables climáticas permite adelantar la hipótesis de que el clima en Cuba transita hacia un estado de efecto invernadero, intensificado en la atmósfera terrestre (^{Centella et al. 2001}), con características muy similares a las proyectadas por el Grupo Intergubernamental de Expertos sobre el Cambio Climático (IPCC), por sus siglas en inglés. Las evidencias aportadas por la información climática registrada desde 1960 a 1990, y de este último al 2016 indican que existe una tendencia al incremento de la temperatura media anual en 0.5°C y de la temperatura mínima media anual en 1.4 °C, con significativa reducción del rango diurno. Se observa además, incremento en la frecuencia e impacto de fenómenos extremos (^{Pérez et al. 2013}), incluso de la sequía, y del evento “El Niño Oscilación del Sur” (ENOS).

Para el futuro (2050-2100), se estima que la temperatura promedio se podría incrementar de 1.6 a 2.5°C en relación con el período 1960-1990. El clima podría ser entre 10 y 19 % más o menos lluvioso que en el presente, y el nivel del mar podría ascender entre 20 y 95 cm con respecto al actual, lo que provocará reducción de la disponibilidad y calidad del agua. Se estima que para 2100 se podría inundar hasta 35 % del área del país en el escenario climático más extremo, pronóstico que incrementa la vulnerabilidad de aproximadamente 185 asentamientos humanos (^{Planos et al. 2013 a}). Este incremento en el nivel del mar pudiera provocar grandes afectaciones en manglares y otros ecosistemas costeros, con pérdidas en los rendimientos productivos, la diversidad biológica y los valores climáticos y ecológicos asociados (^{Planos et al. 2014}).

El efecto del cambio climático (CC) se daría también en los pastizales de áreas ganaderas, que en Cuba son predominantemente de gramíneas, lo que podría beneficiar a especies muy nocivas como el marabú (^{Riverol y Riquelme 2011}). Todo esto traería consigo modificaciones sustanciales en el valor nutritivo, digestibilidad y palatabilidad de las especies forrajeras (^{Planos et al. 2013 b}).

Estudios realizados por el Instituto de Meteorología de Camagüey (^{Rivero et al. 2004}), relacionados con los efectos del CC en regiones ganaderas indican lo siguiente:

• Aumento sistemático de la duración e intensidad de los episodios de sequía meteorológica y agrícola, según avanza el CC durante el presente siglo. Las zonas más afectadas por estos procesos serán el nordeste y sur de la provincia (^{Rivero 2008}).

• Acentuación del grado de aridez de los pastizales y elevación de la frecuencia de sequías moderadas y severas, que reducirán la productividad de los pastos formados mayoritariamente por especies C4, aún en presencia del efecto de fertilización por CO2.

• Las condiciones del bienestar vacuno disminuirán con el aumento paulatino de las temperaturas, que llegan a ser totalmente desfavorables en el interior de la provincia, producto de los efectos de “continentalidad” (tal será el caso de Jimaguayú). En las zonas costeras, aunque el incremento de las temperaturas se presentará en menor medida, la radiación solar será más perjudicial que hacia el interior (^{MINAG 2011}).

• El comportamiento bioproductivo del ganado experimentará afectaciones considerables en los escenarios futuros, si se tiene en cuenta que habrá disminución en la natalidad e incremento de la mortalidad general y específica. También aumentará la edad promedio en la que se produce el primer parto (^{Delgado 2010}).

• Los cambios que tienen lugar en estos indicadores tendrán más significación en las zonas sur y nordeste de la provincia, con marcados índices de deterioro de los aspectos vitales del ganado, fundamentalmente en horas diurnas.

En ausencia de modelos bioclimáticos, y ante la escasez de información de parámetros y otros datos de entrada para el territorio de Jimaguayú, a lo que se adiciona la necesidad de establecer la magnitud y dirección de las consecuencias esperadas en la producción de leche se aplicó la metodología de datos panel (^{Greene, 1993}) en un escenario de no acción o de referencia (BAU en sus siglas en ingles de Bussiness as Usual), El uso de este tipo de modelo es bastante común en estudios de la economía del CC. Un ejemplo notable de ello en la región latinoamericana es el trabajo de ^{Galindo (2010}) para México.

Ante la tarea de determinar la existencia de alguna relación estadísticamente significativa entre la producción de leche en las principales entidades ganaderas del municipio Jimaguayú y las variables climáticas disponibles (precipitaciones, temperatura media y humedad relativa, entre otras) que participan en la construcción de los escenarios climáticos, este trabajo tuvo como objetivo determinar los impactos del CC en la producción de leche en el municipio de Jimaguayú, y su posible generalización a las provincias mayores productoras de leche de Cuba.

Materiales y Métodos

Los datos de producción de leche corresponden a las cuatro entidades productoras del municipio (Triángulo 1, Triángulo 5; Rescate de Sanguily y Maraguán). Comprenden los 60 meses transcurridos entre marzo de 2009 y marzo de 2013. Los datos climáticos provienen de la estación meteorológica ubicada en el municipio cabecera (Camagüey), la más cercana al territorio objeto de estudio (tabla 1).

Se utilizó un modelo de panel de datos dinámico. Esto es, con la variable dependiente retardada, que se utiliza como variable explicativa para estimar los coeficientes de largo plazo. Los modelos dinámicos de panel utilizados son además no monotónico, es decir, cuadráticos en las variables temperatura y precipitaciones, de tal modo de obtener una estimación de las elasticidades climáticas, no constantes, que dependan del propio valor de las variables temperatura y precipitación (^{Pérez 2008}).

Selección de la especificación de panel de datos. Los resultados de la aplicación de los modelos de panel de datos proporcionan resultados consistentes con las características de las unidades productivas. Indican que existe heterogeneidad entre las unidades productivas. Las pruebas estadísticas de Breouch- Pagan, como la de T de Student, revelan que los modelos de efecto aleatorio como los de efecto fijo (Fixed Effects), son mejores que el modelo agrupado (Pooled) para explicar las relaciones entre las variables producción de leche y las concernientes al clima (^{Greene 2005 a}).

Table 1 Descriptive statistics of climate variables 

Source: ^{Instituto Provincial de Meteorología, 2015}

y(t.i): production of the unit per month i (i = 1…4) and month in liters rr(t): mean monthly precipitation in mm of rain hrmed(t), hrmax(t) and hrmin(t): values of mean, maximum and minimum relative humidity, respectively temp(t), tempmax(t) y tempmin(t): values of mean, maximum and minimum temperature per month in degrees centigrade y1(t.i) is delayed milk production per unit and month

La aplicación de estas pruebas es relevante, pues si fueran iguales el modelo de efectos aleatorios- fijos y el agrupado (la varianza de los errores fueran iguales a cero en ambos modelos), se utilizaría entonces, preferiblemente, el Agrupado, por ser el que ofrece los mejores coeficientes estimados (Mínimos Cuadrados Ordinarios). Esto es, coeficientes insesgados y eficientes (mínima varianza). Desde el punto de vista práctico, esto equivaldría a suponer que todas las entidades estudiadas tienen la misma tecnología de producción, supuesto que resulta difícil de sostener.

Los resultados del Test de ^{Hausman (Hausman 1978} y ^{Hausman y McFadden 1984}) permiten seleccionar entre los modelos aleatorios (RE) y fijos (FE), cuál explica mejor las relaciones entre las variables. En este caso, el resultado demuestra la imposibilidad de aceptar la hipótesis nula (H0). Esto es, que los coeficientes estimados por el modelo de FE y el RE sean iguales (βef - βea = 0), por lo que identifica el modelo de efecto fijo como preferible ante el de efectos aleatorios. Los resultados indican que el modelo de efectos fijos es el adecuado para estimar los parámetros del modelo de producción de leche (tabla 2).

Tabla 2 Test of Hausman, for specifications of panel data of fixed and random effects. Milk production. Results of ^{STATA 12.0}  

b = consistent under Ho and Ha; obtained from xtreg; B = inconsistent under Ha, efficient under Ho; obtained from xtreg; Test: Ho: difference in coefficients not systematic; chi² (5) = (b-B)'[(V_b - V_B)^(-1)] (b-B) = 310,74; Prob > chi² = 0.0000 (V_b-V_B is not positive definite).

Note: lyr, milk production logarithm; lrr and lr², precipitation logarithm and square precipitations; ltemp, mean temperatura logarithm; and lhrmax, maximum relative humidity

Sobre el modelo dinámico y las elasticidades de largo plazo. La cantidad de leche producida en un período (Qt) y su relación con las variables climáticas que caracterizaran los escenarios climáticos se asume como una función no lineal o no monótona de las precipitaciones y la temperatura. Esta relación se expresa como una función cuadrática para recoger el comportamiento de “U” de la producción de leche a medida que crecen las variables climáticas mencionadas1 (^{Somoza 2008}). Esta especificación cuadrática ofrece elasticidades que son funciones de las propias variables explicativas, no son constantes independientes del comportamiento de las variables climáticas (^{Brendt, 1991}).

Resultados y Discusión

A continuación se presentan dos modelos, el de efecto fijo (FE) y el de efecto fijo robusto contra heterocedasticidad (FE (vce robust)). En la tabla 3, se resumen los resultados de la estimación de los parámetros del modelo utilizando ambas especificaciones. Como se observa el valor de los coeficientes (en este caso representan las elasticidades climáticas de la producción de leche) son los mismo en ambos casos, sin embargo el modelo robusto en heterocedasticidad ofrece mayor nivel de confianza a los valores estimados respecto al modelo de FE, que se traduce en los valores de P>t de la H0: los coeficiente βi son significativamente iguales a cero (^{Greene 2005 b}).

Table 3 Specification for precipitation and mean minimum temperature 

Source: salida ^{STATA 12.0}

En ambos modelos destacan la importancia de la variable temporal (lt) en la explicación de la producción de leche en el municipio en los últimos 60 meses. Este tipo de variable por lo general se utiliza para captar las tendencias del cambio tecnológico. En el modelo FE dicha variable resulta significativa con un nivel de confianza del 10 %. Por otra parte, el signo del coeficiente resulta ser el esperado según lo ocurrido en el periodo de estudio donde se observa una tendencia decreciente y sostenida de la producción de leche que es debida a problemas de tipo tecnológico en la aplicación del modelo de producción existente en el municipio.

Las precipitaciones resultan significativas en ambos modelos, siendo los signos de ambos coeficientes los esperados. En este sentido, se tiene que la producción de leche crece con la reducción de las precipitaciones (decrece la producción marginal), hasta un nivel de precipitaciones donde la producción de leche comienza a reducirse por el efecto de la falta de lluvias (figura 1).

El primer aspecto a destacar es la relación no monotónica entre el volumen de precipitaciones y la producción de leche. La elasticidad de las precipitaciones de la producción lechera del municipio es una función del propio nivel de precipitaciones, decrece en la medida que lo hace la lluvia promedio mensual.

Es así que la reducción de las precipitaciones desde el valor máximo promedio registrado en los últimos 60 meses unos 250 mm por mes (de 330 a 80 mm al mes), significaría una reducción en la producción de leche de 150 litros por mes, casi 2 mil litros como promedio al año (figura 2).

Por su parte, los efectos esperados por el incremento de la temperatura mínima promedio mensual contrarresta con creces el efecto de la reducción de las precipitaciones. Un incremento de la temperatura mínima del orden de los 4 °C, provoca que la producción de leche aumente en 1.4 puntos porcentuales, esto significa que la mejora del confort climático del ganado tiene un impacto positivo en el rendimiento por vaca.

Figure 1 Elasticity of precipitations on milk production in enterprises from Jimaguayú municipality, Camagüey province 

Figure 2 Milk production vs. precipitation (A) minimum temperature (B) 

En términos de su efecto sobre la producción lechera, tal incremento en la temperatura mínima significaría un incremento de la producción mensual de leche de unos 20 mil litros como promedio, lo que podría significar incrementos de producción del orden de los 280 mil litros al año (figura 2).

En este sentido, todo parece indicar que en un modelo de efectos fijos que utilice como variables explicativas tendencia temporal para capturar efectos de carácter tecnológicos, precipitaciones y temperatura mínima promedio, estarían indicando que los efectos del cambio climático serian favorables para el incremento de la producción de leche. Sin embargo, este resultado sería parcial y limitado si no se considerara el efecto de los incrementos de las temperaturas máximas, las que se estima tengan una mayor incidencia en la reducción de los niveles de confort vacuno, y por tanto en la merma de la producción de leche, propuesto por ^{Rodríguez et al. (2003}).

Es en este sentido que se presentan los resultados (tabla 4) de las corridas de un conjunto de modelos que toman como variables explicativas tanto las precipitaciones como las temperaturas promedio mensual (mínima, promedio y máxima), que por otra parte es la variable cuantificada en los distintos escenarios climáticos disponibles, tanto los del IPCC como en los construidos por el INSMET.

Como se comentó en el caso del modelo de efectos fijos utilizando la temperatura mínima media, en este caso también ocurre que el valor de los coeficientes estimados por las especificaciones FE y FE (vce robust), son iguales aunque con mejores niveles de significación de los coeficientes en el último caso (^{Greene, 2005 b}).

Table 4 Summary of results of the estimation for several specifications 

Note: ** significant at 5%; ***significant at 10%

En las especificaciones evaluadas se utilizan una de efectos fijos robusto en heterocedasticidad pero con un término cúbico, con el fin de constatar si dicha especificación aporta una mayor evidencia del comportamiento de “U” invertida que debería caracterizar la relación de este tipo de variable económica con las de tipo climático. El modelo empeora al momento de estimar los coeficientes, además los signos cambian de manera radical con la incorporación del término cuadrático en la temperatura media, de tal forma que arroja valores crecientes de la elasticidad temperatura de la producción de leche, indicando que en la medida que crece la temperatura media crece más que proporcional la producción de leche.

Por su parte, el modelo FE (vce robust) con ajuste autorregresivo AR (1) muestra resultados más coherentes tanto en cuanto a la significación de los coeficientes estimados como a los signos esperados. Por ejemplo, en el caso de las precipitaciones los resultados muestran cómo la elasticidad “precipitaciones” de la producción de leche crece con el incremento del nivel de las precipitaciones hasta un nivel de las mismas que rozan los 1200 mm promedio por mes. A continuación se presentan los gráficos de la elasticidad-nivel de precipitaciones y el de la producción de leche - precipitación (figura 3 A y B).

En este sentido, una reducción en las precipitaciones del 29 % respecto al promedio registrado en los últimos 60 meses significaría una reducción de la producción de leche de unos 15 litros por mes, casi 180 litros al año. Por su parte, la elasticidad temperatura media de la producción está indicando que en la medida que aumentan éstas la producción de leche se reduce (figura 4).

El incremento de la temperatura media en unos 4 °C (de 25 a 29 °C), provocaría que la elasticidad se reduciría en unos 0.5 puntos porcentuales, lo que significaría una reducción de la producción lechera en unos 1 000 litros mensuales como promedio, equivalente a unos 12 mil litros promedio al año. Finalmente, la evaluación de los resultados de los modelos FE (vec robust), arrojan resultados similares al modelo ajustado por autocorrelación de las perturbaciones. Tanto los valores de elasticidad precipitaciones como la de temperatura media de la producción de leche crecen más que proporcionalmente con el aumento de los volúmenes de precipitaciones promedio mensual y se reducen con el aumento de la temperatura (figura 4).

Figure 3 Precipitations Vs elasticity (A) and Production (B) 

Figure 4 Mean temperature vs. elasticity (A) and milk production (B) 

En este modelo, la reducción de las precipitaciones desde los niveles promedios registrados en los últimos 60 meses al nivel de 80 mm solo significan reducciones de la producción media de leche de cinco litros (Figura 5), unos 60 litros al año, la mitad de lo reportado por el modelo ajustado por autocorrelación analizado antes. En cuanto a la temperatura, el incremento de la temperatura media en 4 °C, de 25 a 29 °C, hace que la producción de leche se reduzca unos 1 000 litros como promedio al mes, similar al modelo AR (1) antes analizado, 12 mil litros en el año.

Finalmente, se presentan los resultados obtenidos para el modelo de media poblacional. En primer lugar destaca en este modelo la significación de los coeficientes obtenidos para los términos de precipitaciones, significativamente diferentes de cero para el 95 %, mientras que para los de temperatura no ocurre igual, son los menos significativos de todos los modelos estudiados.

Figure 5 Elasticity precipitation (A) and temperature (B) of milk production 

Los resultados en cuanto a elasticidades de largo plazo son similares en cuanto a tendencia con relación al resto de los modelos, sin embargo muestra un mayor nivel de sensibilidad, por ejemplo reducción de las precipitaciones de 112 a 80 mm, su incidencia sobre la reducción de la producción de leche se quintuplica con relación a los modelos FE (se reduce unos 50 litros por mes como promedio, unos 600 litros al año). Por su parte, el incremento de 4 °C, significa en este modelo una reducción en la producción de leche por mes de unos 650 litros, unos 7 000 litros al año.

Los resultados obtenidos utilizando la temperatura media como uno de los regresores que caracterizan al cambio climático, dan resultados bastantes modestos en relación a la respuesta de los cambios de las elasticidades resultantes de variaciones en los niveles de precipitación y valores de temperatura, lo cual hace sospechar que una variable que capture el efecto sobre la producción de leche podría ser la temperatura máxima media.

En efecto, en la tabla 5 se resumen los resultados de la corrida de un modelo de efectos fijos robusto en heterocedasticidad utilizando la temperatura máxima como variable explicativa en sustitución de la temperatura media.

Table 5 Results of estimation of dynamic panel data model with robust fix effects in heteroscedasticity 

Source: ^{STATA 12.0}

Los valores de coeficientes de largo plazo para las precipitaciones no difieren mucho de los modelos antes discutidos. Sin embargo, los impactos en la producción de leche por el incremento de la temperatura máxima son notablemente superiores a los obtenidos al utilizar los valores medio de temperatura mensual.

En efecto la reducción de los volumen de precipitaciones desde el nivel promedio de los últimos 60 meses a unos 80 mm mensuales implicaría una reducción modestísima de la producción de leche de apenas 30 litros por mes, unos 360 litros año, cantidad no muy diferente que lo que arrojan los resultados de los modelos anteriores.

Sin embargo el incremento de 4 °C en las temperaturas máximas mensuales, esto es de 29 a 33 °C, tendría una repercusión importante en la producción lechera, en este caso la misma se reduciría en unos 14 mil litros por mes, un 5 % de la producción media mensual, que al año equivaldrían a una pérdida de casi 170 mil litros.

De esta forma se constata que de acuerdo con la información disponible la producción de leche es afectada por la reducción de las precipitaciones pero de forma más limitada en relación a los impactos provenientes del aumento de los valores promedio de la temperatura y que éste es muchísimo más notable cuando se tiene en cuenta las variaciones de la temperatura máxima. Tal resultado es mucho más coherente con los valores de confort para el ganado lechero reportados para el país (tabla 6).

La utilización de un modelo de media poblacional utilizando temperatura máxima promedio arroja resultados similares en cuanto al impacto sobre la producción de leche en Jimaguayú. Los gráficos de la figura 6, comparan los resultados de esta última especificación con la comentada en los párrafos anteriores. Ambas especificaciones reportan reducciones muy similares de la producción de leche para el incremento en 4 °C de la temperatura máxima promedio mensual a saber: 14.2 miles de litros para el modelo de media poblacional versus 14.3 en el caso del modelo de efectos fijos analizado anteriormente; comportamientos similares son reportados por varios estudios internacionales (por ejemplo, ^{Galindo, 2010}, para México).

Table 6 Classification of climate regime (comfort) for milk cattle 

Source: ^{Delgado (2010})

Figure 6 Contrast between FE models and population means for precipitations and maximum temperature (B) 

Conclusiones

La reducción de las precipitaciones en unos 32 mm, desde los 112 a los 80 (28 % de la media mensual) la producción de leche podría verse afectada entre apenas 60 litros (modelos FE robusto) hasta los 1 000 litros (modelo de media poblacional robusto), esto es, reducciones de la producción de leche entre 1 000 y 12 000 litros al año.

Con el incremento de la temperatura media mensual en 4 °C (desde 24,6 a 28,6 °C), la producción de leche se verá afectada en aproximadamente en un rango que va desde los 8 mil a 12 mil litros al año (650 a 1 000 litros por mes), para las especificaciones FE robustas, hasta 120 mil litros en el caso del modelo de media poblacional.

Por su parte, el incremento de la temperatura máxima en 4 °C provocaría reducciones de la producción de leche del orden de los 14 mil litros mensuales (aproximadamente 170 mil litros al año), tanto en la especificación de EF como en la de media poblacional, lo que es notablemente mayor a los resultados observados al utilizar la temperatura media mensual. Esta reducción en la producción de leche equivaldría al 64 % y casi el 15 % del valor promedio y máximo de producción mensual, respectivamente, de los últimos 60 meses de las cuatro entidades del municipio Jimaguayú. En términos monetarios, la cantidad de leche dejada de producir estaría en el orden de los 120 mil dólares constantes del 2012, suponiendo un costo de 0.05 US$/L, cantidad extraordinaria para el presupuesto del municipio.

References

Berndt, E. 1991. The practice of Econometrics. Classic and contemporary. Addison Wesley Publishing Company. Reading Massachusset, Menlo Park. ISBN 0-201-17628 - 9. New York.

Centella, A., Llanes, J., Paz, L., López, C., y Limia, M. 2001. Primera Comunicación Nacional a la Convención Marco de Naciones Unidas sobre Cambio Climático. República de Cuba, 166 pp.

Delgado, C. 2010. Condiciones de confort para la explotación de la ganadería en Cuba. Ganadería tropical. Centro de Meteorología Agrícola. Instituto de Meteorología. La Habana, Cuba.

Galindo, L.M. 2010. La Economía del Cambio Climático en México. Secretaría de Medio Ambiente y Recursos Naturales. Subsecretaría de Planeación y Política Ambiental. Dirección General Adjunta de Análisis de Política y Financiamiento Estratégico. Blvd. Adolfo Ruíz Cortines 4209, Col. Jardines en la Montaña, C.P. 14210, Tlalpan, México, D.F. ISBN 978-607-7908-06-7. Impresos en México, D.F. Julio 2010.

Greene, W.H. 1993. Econometric Analysis. Prentice Hall Inc. A. Simon & Schuster Company. Upper Saddle River, New Jersey 07458. ISBN 0-02-346602-2.

Greene, W.H. 2005a. Reconsidering Heterogeneity in Panel Data Estimators of the Stochastic Frontier Model. Journal of Econometrics, 126: 269-303

Greene, W.H. 2005b. Fixed and random effects in stochastic frontier models. Journal of Productivity Analysis, 23(1): 7-32.

Hausman, J.A. 1978. Specification test in econometrics. Econometrica. 46: 1251 - 1271.

Hausman, J. & McFadden, C. 1984. Specification test in econometrics. Econometrica, 52, 1219 - 1240

Instituto Provincial de Meteorología 2015. Base de datos climáticos por estaciones de la provincia de Camagüey. Camagüey. Cuba

MINAG 2011. Composición del rebaño a nivel nacional al termino del 2007. Registro Pecuario. MINAG, La Habana, Cuba, 5 pp

Planos, E., Rivero, R. & Guevara, V. 2013a. Impactos del Cambio Climático en las actividades evaluadas. Segunda Comunicación Nacional a la Convención Marco de Naciones Unidas sobre Cambio Climático, pp 122. Instituto de Meteorología, Agencia de Medio Ambiente. La Habana, Cuba

Planos, E., Rivero, R. & Guevara, V. 2013b. Impacto del Cambio Climático y medidas de adaptación en Cuba. Instituto de Meteorología, Agencia de Medio Ambiente. Ministerio de Ciencias Tecnologías y Medio Ambiente. La Habana, Cuba, 430 pp.

Planos, E., Rivero, R. & Guevara, V. 2014. Impacto del Cambio Climático y Medidas de Adaptación en Cuba. Instituto de Meteorología y Centro Meteorológico de Camagüey; CITMA; PNUD. La Habana

Pérez, C. 2008. Econometría avanzada. Técnicas y herramientas. Editorial Pearson Hall. ISBN 978-84-8322-479-3; Madrid.

Pérez, R., Aguilar, G., Ballester, M., Carnesoltas, M., Cutié, V., Fonseca, C., González, C., Lapinel, B., Limia, M., Planos, E. & Vega, R. 2013. Segunda Evaluación de las Variaciones y Tendencias del Clima en Cuba. Taller sobre la Vulnerabilidad y Adaptación en Cuba al Cambio Climático Habana 2013. Instituto de Meteorología. Agencia de Medio Ambiente. CITMA.

Rivero Jaspe, R.R. & Rivero Vega, R. E. 2004. Integración de los impactos del cambio climático en la provincia Camagüey. Centro Meteorológico de Camagüey; Camagüey.

Rivero, R. R. 2008. Workbook on Climate Change Impact assessment in Agriculture. Basic knowledge, methodologies and tools. In collaboration with the Caribbean Community Climate Change Centre & the Cuban Institute of Meteorology, sponsored by The Commonwealth Secretariat. ISBN 978-976-95260-1-3.

Riverol, M. & Richelme, W. A 2011. Opciones de mitigación en el sector agropecuario, cambio de la agricultura de altos insumos a la agricultura de conservación. Reporte del Instituto de Suelos al Producto Mitigación de la Segunda Comunicación Nacional a la Convención Marco de Naciones Unidas para el Cambio Climático. La Habana. Cuba. 38 pp

Rodríguez, A., Roger, E., Rivero Vega, Z. I., Rivero Jaspe, R. R., Rivero Jaspe, D., García Bargados, R., Varela Ledesma, N. & Pérez Abraham, I. 2003. Impacto sobre los pastos y el ganado vacuno. Centro Meteorológico de Camagüey. Departamento científico.

Somoza, J. 2008. Energía y Desarrollo. Cuba en el contexto de América Latina y Caribe. Revista Cuba: Investigación Económica. 14(2): 55-90. ISSN 1026-485X

STATA 12.0: Stata Corp web site at http://www.stata.com

Recibido: 11 de Diciembre de 2017; Aprobado: 25 de Julio de 2018

^*Email: [e-mail]