Simulación agronómica Monte Carlo combinadas análisis riesgo

Simulación agronómica y Monte
Carlo combinadas: un análisis de
riesgo para el productor agrícola
Ariadna Berger, Susana Pena de Ladaga, Alejandro Rosselli
Cátedra de Administración Rural
Facultad de Agronomía, Universidad de Buenos Aires
IV Taller de Modelización Económica en el Sector Agropecuario, 2 de Septiembre de 2010
Bolsa de Cereales, Buenos Aires, Argentina
1
Introducción
Las empresas agropecuarias desarrollan sus
actividades en un sector en el que se diferencian
varias fuentes de riesgo.
Los productores perciben al riesgo de precios y el
de producción como las fuentes de mayor
preocupación.
Para comprender mejor el comportamiento de los
productores agropecuarios es imprescindible incluir
en los modelos de decisión las fuentes de riesgo.
2
Objetivos
Proponer una metodología donde se conjugan las
dos fuentes de riesgo en un modelo económico de
simulación Monte Carlo a fin de:
1- Comprobar si el modelo constituye una herramienta
adecuada para cuantificar el riesgo que enfrenta el
productor.
2- Ejemplificar su utilidad para mejorar el proceso de
decisión del empresario rural a la hora de seleccionar
una estrategia comercial.
3
Sistemas de producción
agropecuaria
Dinámico
Aleatorio
Funciona con decisiones imperfectas
SIMULACION MONTE CARLO
4
¿Cómo se conjuga información
agronómica y económica?
Se emplea el rinde estático promedio de la zona en
estudio (Pergamino) para el cultivo de soja en una
superficie de 100 ha.
Se considera el precio promedio de una serie de años.
Con ambos datos medios se calcula el MN.
Esto no mide el riesgo asociado.
Se deben evaluar los posibles escenarios considerando
el comportamiento de las variables aleatorias.
5
Riesgo meteorológico
Para su evaluación se usó un modelo de simulación
agronómica (MSA) que contempla variables de sitio (tipo
de suelo, nivel de fertilidad, etc.).
Con los datos del MSA se generaron distribuciones
generales para el rinde en años Niña, Neutro y Niño.
Además, se consideró la probabilidad de cada uno de
estos años (fenómeno ENSO).
6
C o n di ci ó n C l i m á ti ca
D i s t r ib u t io n f o r E s p e r a d o / p / H 8 5
6
M ea n= 1, 00 4
5
4
3
2
1
0
-0 , 5
0 ,2 5
1
5%
1 ,7 5
2 ,5
9 0%
5%
0
2
D is tr ibution for E s p erad o / $/ qq/C 73
D is tr ibuti on for E s pera do / $ /qq/C 1 15
D is tr i buti on for E s p erad o / $/ qq/C 94
0 , 02 0
0 , 03 0
0 , 03 0
Me an = 58 , 72 8 73
0 , 01 8
Me a n= 7 7, 8 9 23 2
Me an = 78 , 5 13 4 5
0 , 01 6
0 , 01 3
0 , 02 5
0 , 02 5
0 , 02 0
0 , 02 0
0 , 01 5
0 , 01 5
0 , 01 0
0 , 01 0
0 , 00 5
0 , 00 5
0 , 01 1
0 , 00 9
0 , 00 7
0 , 00 4
0 , 00 2
0 , 00 0
0
40
5%
80
120
9 0%
2 3 ,8 2 8 1
0 , 00 0
0 , 00 0
10
32
5%
54
5%
9 3 ,8 4 7 9
76
98
90 %
10
120
3 9 ,3 1 7 5
54
76
9 0%
3 7, 8 1 1 5
98
120
5%
1 0 5 ,6 3 7 2
Añ o N iñ o
A ñ o N e u tra l
Añ o N iñ a
32
5%
5%
10 5 , 0 3 7 4
D i s tri bu ci ó n R to . R e s u l ta n te
D is t r ib u t io n fo r R e n d i m ie n t o / q q / h a /G 9 0
0 ,0 30
Me an = 73 ,27 5 41
0 ,0 25
0 ,0 20
0 ,0 15
0 ,0 10
0 ,0 05
0 ,0 00
0
40
5%
80
9 0%
3 1 ,9 8 8
120
5%
1 0 3 ,8 1 8 9
7
Riesgo de precios
Se usó una distribución acumulada generada a partir de
la serie de precios en pesos por tonelada para el mes de
abril (mes de cosecha) en el período 1990-2006.
100%
90%
Probabilidad
80%
70%
60%
50%
40%
30%
20%
10%
Maíz
0%
100
150
200
250
300
$/ton
350
400
450
500
8
Materiales y métodos
Modelo de simulación Monte Carlo
Cultivo: maíz
Ubicación: Partido de Pergamino
Variables aleatorias consideradas: rinde
y precio
Medida de resultado empleada: margen
neto total
9
Programas de trabajo
Modelo de Simulación Agronómica: Decision
Support Systems for Agrotechnology
Transfer, Versión 3.5
Simulación Monte Carlo: @ Risk de Palisade
Inc., versión 5.0
10
Modelos estudiados
1- Cuantificación del riesgo
MN considerando variable aleatoria rinde
MN considerando variable aleatoria precio
MN con rinde + precio
2- Comparación de estrategias comerciales
MN Base (sin coberturas)
MN Put
MN Put sintético
11
Resultados
Cuantificación del riesgo
MN esperado, desvío, máximo y mínimo ($ totales de 100 ha)
Variables
aleatorias
Media
Desvío
Percentil
5
Percentil
95
Prob < 0
Iteraciones
Ninguna
36.505
nc
nc
nc
nc
nc
Rinde
36.548
46.958
(53.958)
101.398
23%
7.500
Precio
36.503
43.500
(15.360)
156.012
15%
6.100
Rinde y
Precio
36.514
66.632
(59.036)
165.418
30%
10.000
nc: no corresponde
12
Resultados (cont.)
Cuantificación del riesgo
Probabilidad acumulada del margen neto total
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
Riesgo Rinde
Riesgo Precio
Riesgo Rinde y Precio
Sin Riesgo
0.2
0.1
0
(150,000)
(100,000)
(50,000)
0
50,000
100,000
150,000
200,000
250,000
300,000
350,000
$ totales
13
Resultados (cont.)
Comparación de estrategias comerciales
Comparación de resultados de alternativas comerciales (valores en $ totales)
Año
Estrategia
2002 Base
Put
Put sintético
2003 Base
Put
Put sintético
2004 Base
Put
Put sintético
2005 Base
Put
Put sintético
2006 Base
Put
Put sintético
Media
36,514
45,415
49,508
36,514
28,921
22,730
36,514
21,540
25,070
36,514
30,516
26,472
36,514
42,633
56,087
Desvío
66,632
61,272
58,855
66,632
66,168
64,350
66,632
64,160
64,376
66,632
66,011
64,451
66,632
62,769
67,965
Percentil 5 Percentil 95
(59,036)
165,418
(54,597)
154,369
144,807
(50,904)
(59,036)
165,418
(66,444)
157,166
(69,367)
148,428
(59,036)
165,418
(73,890)
145,461
(67,149)
150,790
(59,036)
165,418
(64,950)
158,506
(66,051)
152,251
(59,036)
165,418
(53,534)
161,403
(49,982)
184,321
Prob < 0
30%
21%
19%
30%
34%
38%
30%
37%
36%
30%
33%
35%
30%
23%
19%
14
Conclusiones
La Simulación Monte Carlo se presenta como un
método útil para la cuantificación del riesgo de precio
y rinde, y permite una evaluación del negocio mejor
que el simple empleo de valores esperados.
Una buena alternativa para evaluar el riesgo de
producción fue considerar el efecto de la variabilidad
climática sobre el rinde mediante el uso de modelos
de simulación agronómica.
En apariencia, en establecimientos
predominantemente agrícolas, el riesgo que generan
las condiciones meteorológicas es superior a la
incertidumbre de los mercados.
15
Conclusiones (cont.)
El riesgo de precio y de rinde presentó un efecto aditivo
en el proceso de simulación, comprobado mediante el
análisis de los coeficientes de correlación entre cada
variable y el resultado.
En todos los años, las coberturas logran disminuir la
variabilidad del precio obtenido, medido en términos de
desvío.
Cuando se consideran conjuntamente la variabilidad
del rinde y de precio, el efecto de las coberturas de
mercados a futuro sobre el resultado total no es tan
claro.
La falta de contundencia de los resultados, vislumbrada
a través de los distintos índices, sumada a la
complejidad en el uso de las herramientas, podría
explicar la baja difusión del uso de las mismas en la
práctica.
16
Validez de las conclusiones
Sólo se incluyeron dos fuentes de riesgo (rinde y precio),
dejando afuera el riesgo financiero, que puede tener un
rol importante en la elección de estrategias de
comercialización, sobre todo si se consideran los
márgenes de garantía que se generan con algunas de
ellas.
Se simularon los distintos años con la misma
distribución de precios a cosecha, cuando en realidad
los precios de ejercicio y las primas de cada año están
definidos por las expectativas de cada campaña en
particular.
Se consideraron los gastos de estructura en función de
un establecimiento de 1000 ha, siendo llevados
linealmente a 100 ha. Esto no necesariamente resulta
real.
17
Validez de las conclusiones (cont.)
Se evaluó una misma cantidad de toneladas cubiertas
para todos los años y todas las estrategias, cuando en
realidad ésta es una de las variables con las que el
productor puede “jugar”.
Al momento de la siembra del maíz, los pronósticos del
ENSO son actualmente bastante precisos, con lo cual
quizás el productor podría verse beneficiado si ajustara
las toneladas cubiertas a las expectativas de rinde de
cada año.
Siempre debe recordarse que las decisiones deben ser
tomadas teniendo en cuenta la actitud hacia el riesgo de
quien asume las consecuencias de las mismas.
18
Muchas gracias
19