Un grupo de agricultores de Tennessee indicó que se beneficiarían de los mapas de suelos digitalizados descargables y los programas universitarios de capacitación en agricultura de precisión para ellos, los trabajadores agrícolas y el personal de la agroindustria. El Instituto de Agricultura de la Universidad de Tennessee está interesado en saber en qué parte de Tennessee asignar sus escasos recursos para mejorar los programas de agricultura de precisión. Los datos de una encuesta de Agentes de Extensión y el Censo de Agricultura se utilizaron para desarrollar cinco modelos de regresión Logit para estimar las probabilidades de uso de tecnología de agricultura de precisión en los 95 condados de Tennessee. Los condados con probabilidades estimadas superiores a 0,5 serían buenos candidatos para programas de agricultura de precisión.
Roland K. Roberts
Profesor
Dirección de Internet: rrobert3@utk.edu
Burton C. Inglés
Profesor
de Direcciones de Internet: benglish@utk.edu
James A. Larson
Profesor asociado
Dirección de Internet: jlarson2@utk.edu
La Universidad de Tennessee
Knoxville, Tennessee
Introducción
La agricultura de precisión utiliza información sobre las diferencias en el suelo y otras características dentro de un campo agrícola para tomar decisiones de manejo. A menudo utiliza computadoras y otras tecnologías digitales para ayudar en la toma de decisiones y la aplicación de insumos agrícolas como semillas, fertilizantes, cal y productos químicos con mayor precisión (Khanna, Epouhe y Hornbaker, 1999; Swinton y Lowenberg-DeBoer, 1998). La colocación más precisa de insumos con agricultura de precisión puede aumentar las ganancias agrícolas y reducir las consecuencias ambientales adversas de la producción de cultivos (Watkins, Lu y Huang, 1998). Sin embargo, la clave para que los agricultores adopten la agricultura en un lugar específico es la rentabilidad de la tecnología (Roberts, English y Mahajanashetti, 2000).
La información disponible sobre dónde se han adoptado prácticas de agricultura de precisión es principalmente para algunos cultivos de mayor valor y para varios cultivos que se cultivan en el medio oeste de los Estados Unidos (Khanna, Epouhe y Hornbaker, 1999). Actualmente existe poca información sobre dónde se han adoptado prácticas de agricultura de precisión en el sur de los Estados Unidos.
Una encuesta de marzo de 1999 de los agentes de extensión agrícola de Tennessee ayudó a superar esta falta de información para Tennessee. Esa encuesta identificó a 284 productores que utilizan al menos una tecnología de agricultura de precisión en 38 de los 95 condados de Tennessee (English, Roberts y Sleigh, 2000). Una encuesta complementaria de abril-mayo de 1999 encontró que las empresas que brindan servicios de agricultura de precisión a los agricultores de Tennessee esperaban que la demanda de sus servicios creciera rápidamente durante los próximos 5 años (Roberts, English y Sleigh, 2000).
En julio de 1999 se llevó a cabo un grupo de enfoque de 18 agricultores de Tennessee que habían adoptado al menos una tecnología de agricultura de precisión. Uno de los objetivos de la reunión fue mejorar la comprensión de cómo los agricultores de Tennessee podrían beneficiarse del uso de estas tecnologías y cómo la Universidad de Tennessee puede ayudarlos tomar mejores decisiones sobre estas tecnologías. La discusión indicó que los agricultores se beneficiarían de:
Una fuerza laboral agrícola mejorada, bien capacitada e informada capaz de calibrar, operar y mantener su equipo,
Personal de agronegocios bien capacitado e informado capaz de calibrar, operar y mantener el equipo de sus empresas y brindar asesoramiento técnico preciso,
Equipo y software estandarizados,
Capacitación periódica para trabajadores agrícolas, personal de agronegocios y propietarios-operadores en el uso de estas tecnologías, y
Mapas de suelos digitalizados disponibles en Internet para que los agricultores los descarguen y superpongan en otros mapas de campo.
Con el crecimiento anticipado en la demanda de tecnologías de agricultura de precisión, la pregunta de interés es, «¿Dónde en Tennessee deberíamos enfocar nuestros escasos recursos?» Por ejemplo, ¿qué condados deberían tener prioridad en la creación de mapas de suelos descargables y en recibir programas de capacitación en agricultura de precisión? El objetivo de la investigación informada aquí fue identificar los factores que influyen en la ubicación geográfica de la adopción de tecnología de agricultura de precisión en Tennessee y, dados esos factores, estimar las probabilidades de adopción de tecnología de agricultura de precisión para los 95 condados de Tennessee. La estimación de estas probabilidades podría ayudar a establecer las prioridades del condado para los programas de agricultura de precisión.
Métodos
Otros estudios han identificado características de los agricultores asociadas con la adopción (Daberkow y McBride, 1998; Khanna, 2001). En este estudio, sin embargo, la atención se centró en dónde se han utilizado las tecnologías de agricultura de precisión y cómo las características de la ubicación influyen en las probabilidades de adopción entre los condados. Los datos de la encuesta simple de marzo de 1999 de los agentes de extensión agrícola y el censo de agricultura se utilizaron para analizar los efectos de las características de la ubicación sobre la probabilidad de que los agricultores de los condados de Tennessee adopten tecnologías de agricultura de precisión.
La decisión de un agricultor de invertir en tecnología de agricultura de precisión está relacionada con su potencial de generar beneficios para el agricultor. Suponga que la probabilidad de que los agricultores adopten tecnología de agricultura de precisión depende de las características de la ubicación que afectan la rentabilidad del cultivo de acuerdo con una función de probabilidad logística acumulativa (Pindyck y Rubinfeld, 1998, págs. 307-308). Los impactos de las características de la ubicación sobre la probabilidad de adopción se pueden estimar a partir de un modelo de regresión Logit (Pindyck y Rubinfeld, 1998, págs. 309-317). La probabilidad de adopción para un condado se puede estimar usando esos impactos estimados junto con las características de ubicación del condado en particular (Pindyck y Rubinfeld, 1998, págs. 309-317).
Se estimaron cinco modelos de regresión Logit. Cada modelo tenía una variable dependiente con un valor de 1 para los condados de Tennessee con al menos un agricultor que usaba un monitor de rendimiento con GPS (Sistemas de posicionamiento global), un monitor de rendimiento sin GPS, muestreo de suelo de cuadrícula, aplicación de fertilizante o cal de dosis variable, o cualquier tecnología de agricultura de precisión, y un valor de 0 para los condados sin agricultores que utilizan las tecnologías respectivas (Tabla 1). Los datos necesarios para formar las variables dependientes se obtuvieron de la encuesta antes mencionada de los agentes de extensión agrícola de Tennessee. Dos semanas antes de la encuesta telefónica, los agentes de extensión fueron informados por correo sobre las preguntas que se formularían y sobre el apoyo de la administración de extensión para la encuesta. La tasa de respuesta fue del 100%.
Los datos para las variables explicativas se obtuvieron del Censo de Agricultura de 1997 (Departamento de Agricultura de los Estados Unidos, 1999). Estas características de ubicación se informan en la Tabla 1. Los condados de Gibson y Knox se eligieron como ejemplos para ilustrar los extremos de la adopción de tecnología de agricultura de precisión en Tennessee. El condado de Gibson tenía varios agricultores que usaban la mayoría de las tecnologías analizadas, mientras que el condado de Knox no tenía agricultores que usaran estas tecnologías.
Tabla 1.
Definiciones de variables y otra información para los condados de Tennessee y Gibson y Knox
Variable
Definición
Hipótesis
Media de 95 condados
St. Dev.
Gibson Co.
Knox Co.
Monitor de rendimiento / GPS
1 si al menos un agricultor del condado utilizó un monitor de rendimiento con GPS; 0 de lo contrario
0,22
0,42
1
0
Monitor de rendimiento / GPS de salida
1 si al menos un agricultor del condado utilizó un monitor de rendimiento sin GPS; 0 de lo contrario
0,25
0,44
1
0
Muestreo de suelo en cuadrícula
1 si al menos un agricultor del condado utilizó muestreo de suelo en cuadrícula; 0 de lo contrario
0,29
0.46
1
0
Aplicación de tarifa variable
1 si al menos un agricultor del condado utilizó fertilizante de dosis variable o cal; 0 de lo contrario
0,19
0,39
0
0
Cualquier tecnología de agricultura de precisión
1 si al menos un agricultor del condado utilizó alguna tecnología de agricultura de precisión; 0 de lo contrario
0,39
0,49
1
0
Porcentaje de tierras del condado en granjas
Terreno en granjas como porcentaje del área de terreno del condado (%)
_
42,57
19.20
72,10
27.00
Total de tierras de cultivo
Total de tierras de cultivo (1000 acres)
_
74,42
53.11
249.10
53.03
Ventas de ganado y aves de corral
Ventas de ganado, aves de corral y sus productos ($ 1,000,000)
una
10,71
11.52
8,92
6.57
Porcentaje de tierras agrícolas en cultivos
Tierras de cultivo como porcentaje de la tierra total en fincas (%)
_
60.04
11,94
89,58
60,39
Porcentaje de tierras agrícolas en granjas grandes
Terreno en fincas de más de 259 acres como porcentaje del total de tierra en fincas (%)
_
49,72
18.21
83.30
24,48
Valor de las ventas de cultivos / acre
Valor de las ventas de cultivos por acre cosechado ($ 100)
_
2.52
1,81
2,78
3,90
Agricultores propietarios
Número de agricultores que cosechan tierras de cultivo que son propietarios completos (agricultores)
_
382.18
270.05
321,00
546,00
Agricultores copropietarios
Número de agricultores que cosechan tierras de cultivo que son copropietarios (agricultores)
una
173,46
103.11
232,00
258,00
Granjeros arrendatarios
Número de agricultores que cosechan tierras de cultivo que son arrendatarios (agricultores)
una
34,00
24,42
57,00
40,00
Terreno de propiedad menos terreno alquilado
Acres en fincas de propietarios parciales que son de propiedad menos acres alquilados (1000 acres)
_
1,73
17.51
-57,88
1,81
Se incluyeron seis variables de ubicación en los modelos Logit para capturar las diferencias de recursos entre los condados y, por lo tanto, el potencial relativo de los agricultores para obtener mayores ganancias al adoptar tecnología de agricultura de precisión (Tabla 1). El porcentaje de tierras del condado en granjas intentó captar la importancia general de la agricultura dentro de un condado y se planteó la hipótesis de que influía positivamente en la probabilidad de adopción. Se planteó la hipótesis de que Total Cropland influye positivamente en las probabilidades de adopción dentro de un condado, mientras que las ventas de ganado y aves de corral tienen un impacto negativo en la adopción. Se formuló la hipótesis de que el porcentaje de tierras agrícolas en cultivos influye positivamente en la adopción. Se planteó la hipótesis de que el porcentaje de tierras agrícolas en granjas grandes tendría un impacto positivo en la adopción porque es más probable que los agricultores más grandes tengan los recursos para usar estas tecnologías de manera rentable y es más probable que estén en condiciones de asumir el riesgo. Finalmente, se formuló la hipótesis del valor de las ventas de cultivos / acre para influir positivamente en la adopción.
Se especificaron cuatro variables de tenencia. Se consideró que la adopción era más probable en tierras de cultivo propias que en tierras de cultivo alquiladas. Por lo tanto, se planteó la hipótesis de que los agricultores propietarios totales influían positivamente en la adopción en un condado, mientras que los agricultores propietarios parciales y los agricultores arrendatarios influían negativamente en la adopción. Por último, se consideró que los agricultores copropietarios que alquilaban pequeñas cantidades de tierra en comparación con las cantidades de tierra que poseían tenían más probabilidades de adoptar tecnologías de agricultura de precisión. Por lo tanto, se planteó la hipótesis de que la propiedad de la tierra menos la tierra arrendada influye positivamente en la probabilidad de adopción.
Todas las regresiones fueron altamente significativas y los porcentajes de predicciones concordantes fueron todos superiores al 91% (Tabla 2). Los modelos Logit tenían de dos a seis variables de ubicación significativas. Solo el valor de las ventas de cultivos / acre tuvo coeficientes significativos con signos inesperados. Los cultivos de mayor valor como el tabaco, los cultivos de vivero, las frutas y las verduras se producen típicamente en campos más pequeños en comparación con los cultivos en hileras y en los condados de Tennessee, donde los cultivos en hileras son relativamente poco importantes. Las tecnologías evaluadas no se usaron normalmente en campos pequeños en condados donde estos cultivos de mayor valor son importantes.
Tabla 2.
Regresiones logit para la ubicación de la adopción de tecnología de agricultura de precisión en Tennessee
Explicativo
Variable dependiente A
Variables
Monitor de rendimiento / GPS
Monitor de rendimiento / GPS de salida
Muestreo de suelo en cuadrícula
Aplicación de tarifa variable
Cualquier tecnología de agricultura de precisión
Interceptar
-16.025 b
(0,00) c
-21.443 b
(0,00)
-17,738 b
(0,00)
-21.991 b
(0,00)
-19.207 b
(0,00)
Porcentaje de tierras del condado en granjas
-0,037
(0,26)
-0,015
(0,67)
-0,052
(0,15)
0,046
(0,20)
-0,051
(0,14)
Total de tierras de cultivo
0,042 b
(0.03)
-0,001
(0,95)
0,069 b
(0,00)
0,004
(0,85)
0,020
(0,39)
Ventas de ganado y aves de corral
-0.010
(0,75)
0,011
(0,74)
-0,056
(0,14)
-0,064
(0,20)
-0,035
(0,27)
Porcentaje de tierras agrícolas en cultivos
0,221 b
(0,00)
0.072
(0,33)
0,248 b
(0,00)
0,162 b
(0.03)
0,187 b
(0,01)
Porcentaje de tierras agrícolas en grandes fincas
0,036
(0,46)
0,286 b
(0,00)
0,058
(0,30)
0,185 b
(0,01)
0,179 b
(0,01)
Valor de las ventas de cultivos / acre
-0,102
(0,61)
-0,842
(0,15)
-0,419 b
(0,09)
-0,454
(0,14)
-0,602 b
(0,05)
Agricultores propietarios
0,019 b
(0.02)
0,006
(0,43)
0,009
(0,22)
0,013 b
(0,10)
0,016 b
(0.02)
Agricultores copropietarios
-0,049 b
(0,01)
0,002
(0,90)
-0,032 b
(0,06)
-0,029
(0,11)
-0,030 b
(0,05)
Granjeros arrendatarios
-0,023
(0,45)
0,017
(0,62)
0,004
(0,92)
0,017
(0,62)
0,010
(0,79)
Terreno de propiedad menos terreno alquilado
0,082 b
(0,06)
0,127 b
(0.02)
0,156 b
(0,01)
0,137 b
(0,01)
0,114 b
(0.03)
Índice de probabilidad
42.087 b
(0,00)
52,953 b
(0,00)
64.021 b
(0,00)
38.562 b
(0,00)
64.299 b
(0,00)
Concordante (%)
91,4
92,8
94,8
91,2
92,7
Discordante (%)
8,6
7.2
5,0
8.7
7.2
Atado (%)
0.0
0.0
0,2
0,1
0,1
a Las variables se definen en la Tabla 1.
b Significativamente diferente de cero ([1] = 0.1).
c Probabilidad de Chi cuadrado mayor que Chi cuadrado estimado.
Las probabilidades de adopción estimadas, evaluadas según la media de los datos del condado de Tennessee y para los condados de Gibson y Knox, se presentan en la Tabla 3. Cuando se evaluaron según las medias de los datos del condado, las probabilidades de que los agricultores del condado de Tennessee promedio adoptaran estas tecnologías oscilaron entre 0,093 para Monitor de rendimiento / GPS de salida a 0.431 para cualquier tecnología de agricultura de precisión. Las probabilidades estimadas para el condado de Gibson variaron de 0,703 para la aplicación de tasa variable a 0,999 para el muestreo de suelo en red. El condado de Knox tenía probabilidades de adopción estimadas muy bajas, que van desde casi cero para Yield Monitor / Out GPS hasta 0.015 para Yield Monitor / GPS. Las probabilidades de adopción estimadas para los condados de Gibson y Knox siguieron los patrones esperados, dadas las diferencias en las características de ubicación del condado (Tabla 1).
Tabla 3.
Probabilidades de adopción estimadas en la media de 95 condados para Tennessee y para los condados de Gibson y Knox
Tecnología de agricultura de precisión a
Estimado para
Monitor de rendimiento / GPS
Monitor de rendimiento / GPS de salida
Muestreo de suelo en cuadrícula
Aplicación de tarifa variable
Cualquier tecnología de agricultura de precisión
Probabilidad estimada de adopción de tecnología
Media de 95 condados
0,155
0.093
0.380
0,140
0.431
Condado de Gibson
0,950
0,763
0,999
0,703
0,979
Condado de Knox
0,015
0,0001
0,012
0,0004
0,008
a Las variables se definen en la Tabla 1.
El mapa de la Figura 1 muestra dónde se predijo que la adopción de tecnología de agricultura de precisión sería más o menos probable en Tennessee. Los condados con altas probabilidades estimadas de adopción (mayores de 0.5) se ubicaron principalmente en las partes occidental y central del estado. Se estimó que la adopción era menos probable en la parte oriental más montañosa del estado, aunque algunos condados en esa área tenían altas probabilidades de adopción estimadas.
Figura 1.
Probabilidades estimadas de adopción de la agricultura de precisión para los condados de Tennessee
Caja de texto:
Es posible que la Universidad de Tennessee desee orientar sus programas hacia los condados con probabilidades de adopción estimadas superiores a 0,5, donde probablemente beneficiarían a los agricultores, el personal de agronegocios y la fuerza laboral agrícola en general. Condados con estimaciones La Universidad de Tennessee puede querer orientar sus programas hacia condados con probabilidades de adopción estimadas superiores a 0.5, donde probablemente beneficiarían a los agricultores, al personal de agronegocios y a la fuerza laboral agrícola en general. Los condados con probabilidades de adopción estimadas inferiores a 0,25 probablemente no serían áreas fructíferas a las que apuntar en un futuro próximo. Aquellos condados con probabilidades estimadas entre 0.25 y 0.
Entre 11 y 18 condados con probabilidades de adopción estimadas superiores a 0,5 no tenían agricultores que utilizaran tecnologías de agricultura de precisión (Cuadro 4 y Figura 1). Las altas probabilidades de adopción estimadas para estos condados, junto con la aparente falta de disponibilidad de empresas que brindan servicios de agricultura de precisión o agricultores que usan su propio equipo, sugieren que estos condados pueden ser áreas rentables para la expansión de la agricultura de precisión. En lugar de enfatizar los programas de capacitación o los mapas de suelos digitalizados descargables en estos condados, tal vez los programas orientados a la información para ayudar a los agricultores y las empresas de agronegocios a tomar decisiones sobre la adopción serían más importantes desde el principio. Por ejemplo, programas de educación que enfatizan los costos y beneficios de la tecnología de monitoreo de rendimiento, muestreo de suelos en redes o zonas de manejo,
Tabla 4.
Probabilidades de adopción estimadas comparadas con los resultados de la encuesta del agente de extensión
Variables de tecnología de agricultura de precisión
Probabilidad de adopción estimada > 0,5 y
variables tecnológicas = 0
Probabilidad de adopción estimada <0,5 y variables tecnológicas = 1 Número de condados en cada categoría Monitor de rendimiento / GPS 11 3 Monitor de rendimiento / GPS de salida dieciséis 2 Muestreo de suelo en cuadrícula 14 3 Aplicación de tarifa variable 18 4 Cualquier tecnología de agricultura de precisión 15 2 una Variable de tecnología se refiere a la variable en la columna de la izquierda de esta tabla. Las variables se definen en la Tabla 1. Para satisfacer el crecimiento anticipado en la demanda de tecnologías de agricultura de precisión revelado por una encuesta de abril-mayo de 1999 de firmas de agronegocios, la Universidad de Tennessee está interesada en saber dónde concentrar sus recursos de información y capacitación. Los datos de una encuesta de marzo de 1999 de agentes de extensión agrícola y el censo de agricultura de 1997 se utilizaron para desarrollar cinco modelos de regresión Logit para estimar las probabilidades de que los condados de Tennessee tengan agricultores que adopten diversas tecnologías de agricultura de precisión. Las probabilidades estimadas a partir de estos modelos pueden ayudar a identificar las regiones del estado donde existen factores favorables para la adopción de tecnologías de agricultura de precisión. Las probabilidades de adopción estimadas podrían usarse para decidir dónde apuntar los programas de capacitación e información sobre agricultura de precisión. De acuerdo con las predicciones del modelo, los condados seleccionados serían aquellos con suficiente superficie de cultivo, tierras en grandes fincas y agricultores propietarios de la tierra que cultivan. Los métodos de encuesta simples y el análisis Logit presentados en este artículo podrían ser utilizados por otros estados para ayudar a priorizar la asignación geográfica de los recursos de sus programas de agricultura de precisión.