Caracterización de unidades de producción porcina en cama profunda a pequeña escala en Venezuela, utilizando métodos multivariados

Characterization of pig production units in small scale deep bed in Venezuela, using multivariate methods

La producción porcina en cama profunda, en pequeña escala se ha venido incrementando significativamente debido a las grandes ventajas sobre la producción tradicional, traducidas en variables de comportamiento productivo similar, menor presencia de moscas y olores y el uso racional del agua (sólo para lavado), así como excelente bienestar animal y humano (González, 2007; Sanginés, 2011).

Es importante la caracterización de las unidades de producción a pequeña escala como unidades de producción amigables, por su distribución y aceptación tanto por productores como organismos encargados de la supervisión ambiental y financiera, en Venezuela (Sanginés, 2011).

La aplicación de una adecuada metodología para el análisis y diagnóstico de los sistemas de producción en el medio rural, adaptada a las condiciones de las unidades de producción porcinas no tradicionales a pequeña escala en Venezuela son una opción productiva; porque permiten identificar las debilidades y amenazas que presentan, así como sus fortalezas y oportunidades que pueden ser aprovechadas en su desarrollo y consolidación, teniendo en cuenta el concepto de bienestar (humano y animal) que es observado en el confort de los animales, bajo impacto al ambiente, sustentabilidad y rentabilidad (González, 2007).

Además, permite agrupar las unidades a través de una metodología adecuada y generar alternativas de solución a los problemas o debilidades, así como las fortalezas detectadas que sirvan de ejemplo en las unidades que no las poseen y generar nuevas condiciones para su desarrollo, que responda tanto a los intereses de los productores como de la economía en general (Apollin y Eberhart, 1999).

Asimismo, es importante identificar las interacciones entre los componentes principales y variables resultantes del análisis multivariado, porque permite emitir sugerencias respecto al desarrollo y consolidación de las unidades anteriormente planteadas. Para ello, se tienen en cuenta aspectos relacionados con el uso de recursos naturales, tecnológicos, administrativos y socioeconómicos, para generar respuestas a las limitantes detectadas.

En la actualidad, se observa mucho interés de productores a pequeña escala, por incorporarse a este tipo de sistemas de producción (González, 2007), por lo que es preciso unir esfuerzos para la consolidación de las mismas; esto, debido a que representan una alternativa para incrementar el consumo de carne fresca y productos elaborados provenientes de esta actividad en las zonas rurales con indicadores socioeconómicos relativamente bajos (Sanginés, 2011); ello, tomando en consideración que el ingreso de la familia sea superior o igual a sus necesidades, tal como lo reportan Apollin y Eberhart (1999).

En función de ello, es necesario caracterizar las unidades de producción en cama profunda en pequeña escala, en Venezuela, y definir las variables que les generan fortalezas, así como las posibles debilidades y agruparlas de acuerdo con sus componentes principales.

Se obtuvo información a través de la aplicación de un instrumento (formulario) que tuvo en cuenta los aspectos socioeconómicos, ambientales, productivos, agrícolas, pecuarios, infraestructuras, técnicos y administrativos, en unidades de producción porcina no tradicionales, en cama profunda a pequeña escala en Venezuela; ello, con más de un año de adscripción a un proyecto de asistencia y acompañamiento a los productores de alimentos de origen animal y vegetal para la adopción de nuevos modelos productivos.

Se utilizaron dos metodologías complementarias: la primera, de Apollin y Eberhart (1999), para el análisis y diagnóstico de los sistemas de producción en el medio rural con ampliación a las condiciones propias de las unidades de producción pecuarias; y la segunda, un análisis comparativo de grupos de fincas, para conformar grupos con características similares (Quevedo, 1993).

Se tomó información de los datos provenientes del formulario aplicado a 44 unidades de producción, de un total de 152 unidades establecidas a nivel nacional; se preparó una base de datos en hojas de cálculo de Excel (Microsoft Office, 2007) de manera homogénea para cada una de las partes que conformaron las matrices con las variables cuantitativas y cualitativas para su análisis; y, posteriormente, se analizaron a través de la estadística descriptiva utilizando medidas de tendencia central (media, moda, mediana) y medidas de variabilidad que indican la dispersión (desviación estándar y varianza) y la distribución de frecuencias: relativas, absolutas y acumuladas.

Se seleccionaron las variables a través de algunos métodos para el análisis multivariado, como el análisis de componentes principales (ACP), para determinar la relación o independencia entre ellas (Hernández et al., 2000). A través del análisis de conglomerados clústers se agruparon las unidades de producción con mínima variabilidad intraclases y máxima variabilidad interclases (INFOSTAT, 2004).

Se utilizó el análisis de componentes principales (ACP) con el propósito de reducir el número de variables y el análisis factorial de correspondencia múltiple (AFCM), para explicar su comportamiento a partir de los factores obtenidos; y, con ello, conocer la posible existencia de agrupamientos entre los individuos; al mismo tiempo, saber cuáles son las variables que provocan estas uniones. De aquí se puede deducir un tamaño aproximado del número de grupos que debe darse como valor de entrada en el método k-medoides; hecho que permitió realizar posteriormente el análisis clúster sobre los componentes obtenidos (Quevedo, 1993).

Como consecuencia de la aplicación del instrumento y análisis de la información, a través del análisis de componentes principales (ACP), se obtuvo luego del análisis descriptivo, el autovalor, la varianza individual y acumulada, teniendo en cuenta sólo tres componentes principales (cuadro 1).

Se tomaron los tres primeros componentes debido a que su autovalor está por encima de 1.0; a partir de ello, se puede explicar el comportamiento de las unidades de producción y, además, cumplen con los supuestos exigidos para este tipo de análisis (Cuadras, 1991); a su vez, ello explica el 65.60 % sobre su comportamiento. Se tomó la primera onda de inflexión (Peña, 2002), que explica el comportamiento de las unidades representadas por la varianza acumulada de los componentes seleccionados (figura 1).

El componente 1 explica el 34.50 % del comportamiento de las unidades de producción porcinas no tradicionales a pequeña escala, y es representado por el autovector de las variables que lo representan en forma positiva: temperatura mínima (0.89), temperatura máxima (0.85) y de forma negativa: precipitación (-0.88) y msnm (-0.79), (figura 2).

El componente 2 explica el 16.29 % de la variabilidad en las unidades de producción porcinas no tradicionales a pequeña escala. Las variables más relevantes en este componente son de forma positiva, representadas por su autovector: experiencia del productor (0.67), corrales (0.64), edad del productor (0.57) y producción alternativa (0.49), (figura 3).

El componente 3 explica el 14.79 % de variabilidad en las unidades de producción porcina no tradicionales a pequeña escala. Las variables más relevantes en este componente son de forma positiva, representadas por su autovector: producción alternativa (0.52), gestación de las cerdas (0.85) y de forma negativa experiencia del productor (-0.48) y edad de las cerdas gestantes (-0.19), (figura 4).

Para el análisis factorial de correspondencia múltiple (AFCM) se tomaron en consideración los tres principales factores, con sus varianzas individuales y acumuladas resultantes del análisis de componentes principales (ACP), tal como lo recomienda Cuadras (1991). A partir de esta combinación de métodos, se logra conocer la posible existencia de agrupamientos entre los individuos; al mismo tiempo, saber cuáles son las variables que provocan estas uniones (cuadro 2).

Considerando la metodología propuesta, se identificaron los factores que conforman las variables con su porcentaje de variabilidad, que explican el 70.95 %.

Factor (1): Ambiente. Explica un 34.42 % del comportamiento de las unidades de producción caracterizadas y es representado por el autovector de las variables que lo conforman: msnm (-0.79), temperatura mínima (0.88), temperatura máxima (0.84) y precipitación (-0.86).

Factor (2): Unidad de producción. Explica un 21.12 % del comportamiento de las unidades de producción caracterizadas y es representado por el autovector de las variables que lo conforman: tiempo en producción alternativa (0.62), extensión de los corrales (0.49), edad de las cerdas en gestación (0.84) y peso de las cerdas en gestación (0.75).

Factor (3): Productor. Explica un 15.41 % del comportamiento de las unidades de producción caracterizadas y es representado por el autovector de las variables que lo conforman: edad del productor que representa la unidad de producción (0.49) y experiencia como productor (0.85).

Luego del análisis de componentes principales, se utilizó el análisis de agrupamiento o conglomerados (clústers) por el método del vecino más cercano (Peña, 2002), notándose que todas las unidades tienen similitud en menos de un 85 %, se obtuvieron cuatro grupos de fincas bien diferenciados:

Primer grupo. Tiene un 77 % de similitud con respecto a aspectos productivos, manejo y condiciones agroecológicas; a continuación, se presentan las unidades que lo conforman (cuadro 3).

Segundo grupo. Expresa 78 % de similitud entre las unidades que lo conforman, debido a que en el momento que se caracterizaron no tenían hembras en etapa de gestación; a continuación, se presentan las unidades que conforman este grupo (cuadro 4).

Tercer grupo. Con 63 % de similitud entre las unidades que lo conforman por tener pequeñas áreas de superficie para uso pecuario; a continuación, se presentan las unidades que conforman el tercer grupo (cuadro 5).

Cuarto grupo. Muestra un 62 % de similitud en las unidades que lo conforman respecto a aspectos productivos y la frecuencia con que es ofertada la asistencia técnica (adecuada y oportuna); a continuación, se presenta el cuarto grupo (cuadro 6).

Además de estos cuatro grupos, se formó otro intermedio, que se comporta de manera independiente (cuadro 7).

Las últimas tres unidades mostradas en el cuadro 7, además de ser independientes, son las que se puede decir, ciertamente, que no tienen similitud de ninguna forma con respecto a todas las unidades analizadas; ya que sus aspectos productivos (edad y peso de las cerdas en gestación), asistencia técnica (frecuencia y entidad) y aplicación de la capacitación suministrada por el proyecto de acompañamiento para la consolidación de vitrinas tecnológicas para la producción de proteínas animales en el medio rural, sustentables, de alta gestión social y bajo impacto ambiental, se comportaron diferente.

El uso apropiado de métodos multivariados permite caracterizar sistemas de producción agropecuarios; esto se convierte en un reto para forjar avances en investigación y mostrar un uso adecuado de estas técnicas, utilizadas para una mejor explicación del comportamiento de las mismas.

Para el caso de los componentes principales obtenidos en el presente trabajo, se puede explicar el comportamiento de las unidades de producción porcinas no tradicionales a pequeña escala en varios estados de Venezuela; inicialmente, con los tres primeros componentes (Cuadras,1991).

De este modo, se logra un enfoque menos subjetivo, al seleccionar variables y constituir un aporte a la integración entre elementos matemáticos y otros de importancia relevante, vinculados a un comportamiento biológico particular y conocer las variables de mayor preponderancia (Febles et al., 2011).

En el primer componente principal, se destacan las variables relacionadas con condiciones agroecológicas de forma positiva (temperatura mínima, temperatura máxima) y de forma negativa (precipitación y msnm), que son importantes para determinar el bienestar de los animales presentes en los sistemas de producción con las características antes mencionadas.

Se presenta que a menor altura (msnm) mayor temperatura y que cuando la altura es mayor, la precipitación es directamente proporcional a la misma, sin afectar el establecimiento, proceso y consolidación del sistema en desarrollo.

Es importante mostrar la relación de variables como la que existe referente a experiencia del productor, corrales (área de uso pecuario), edad del productor y producción alternativa del segundo componente principal; ya que ello brinda una explicación de la información suministrada respecto al productor y la unidad de producción.

Es importante resaltar, desde el punto de vista socioeconómico, el hecho de que cuando el productor lleva tiempo en este tipo de producción, se va capacitando; fortalece la estructura del sistema y aplica los conocimientos para que se consolide, sin importar su edad, solamente con la motivación mostrada por el mismo.

Para el caso del tercer componente principal, se enfoca en los aspectos productivos de la unidad de producción, donde se muestra que la base del sistema en términos de sostenibilidad, lo determinan los partos presentados (gestación de las cerdas); luego de ésta, existe otra variable (edad de las cerdas), que es de trascendencia para el desarrollo de la misma.

Por otra parte, es importante agrupar variables en factores que se pueden renombrar para dar una idea de las posibles variables que favorecen o afectan las unidades de producción con las características antes descritas (Cuadras, 1991). Por medio de la utilización de estos métodos se pueden generar nuevas variables o factores que expresan la mayor parte de la información contenida en el conjunto general (Febles et al., 2011).

Se encontraron, para este caso, los siguientes factores que explican, parcialmente, cada situación que se desarrolla en las mismas bajo un nombre que las asocia: se propone en este trabajo que se denomine al factor uno (1) como ambiente por las variables que se encuentran, como: msnm, temperatura mínima, temperatura máxima y precipitación que favorecen el desarrollo de estas unidades bajo el sistema de cama profunda y reflejados con la disminución de moscas y olores que garantiza el bienestar humano, animal y bajo impacto al ambiente.

Asimismo, se identifica al factor dos (2) como unidad de producción con las variables que lo explican: tiempo en producción alternativa, extensión de los corrales, edad y peso de las cerdas en gestación y el último factor, que explica este comportamiento identificado como productor, representado principalmente por edad y experiencia que tiene como productor en producción alternativa.

Para el caso del análisis conglomerado (clústers) se muestra que las unidades tienen una similitud menor del 85 %, lo cual explica la relación de grupos obtenidos (Peña, 2002); donde se diferencian cuatro grupos con características particulares para cada caso:

Primer grupo: referida en sus aspectos productivos, manejo y condiciones agroecológicas. Segundo grupo: se define porque en el momento que fueron caracterizadas no tenían hembras en etapa de gestación; sin embargo, presentaron similitud con respecto al primer grupo en sus condiciones agroecológicas mostradas. Tercer grupo: se caracteriza por tener pequeñas áreas de superficie para uso pecuario, hecho que es reflejado en sus aspectos productivos. Existe un Cuarto grupo: se destacan por sus aspectos productivos, la frecuencia con que es ofertada la asistencia técnica (adecuada y oportuna); sin embargo, presentaron similitud con respecto al tercer grupo en los aspectos productivos cuando se refiere a edad y peso de las cerdas que se encontraban en gestación para ambos grupos.

Existen otros grupos que resultan de este análisis y se comportan de forma independiente, no tienen similitud con ninguno de los anteriores debido a que las características que presentan no coinciden con ninguno de los agrupamientos resultantes en el análisis conglomerado.

El análisis de componentes principales permite explicar el comportamiento de las unidades de producción porcina en cama profunda, en pequeña escala, en Venezuela.

El análisis factorial de correspondencia múltiple permite detectar y agrupar unidades de producción porcina de acuerdo con comportamiento y producción; permiten detectar fortalezas como el manejo alternativo del sistema de producción y su residencia en la unidad de producción, así como las debilidades (la dependencia del alimento comercial y un último para producto).

El análisis conglomerado permitió determinar adecuadamente la similitud entre unidades de producción porcina en cama profunda, en Venezuela.

A los productores de las unidades de producción porcinas no tradicionales a pequeña escala, objeto del presente estudio.

A FONACIT, institución que colaboró financieramente a través del programa LOCTI, con el proyecto 2010000245 (“Acompañamiento para la consolidación de vitrinas tecnológicas para la producción de proteínas animales en el medio rural, sustentables, de alta gestión social y bajo impacto ambiental”).