UNIVERSIDAD NACIONAL SISTEMA DE ESTUDIOS DE POSGRADO ... · 2.43% con una vida productiva de...
79
UNIVERSIDAD NACIONAL SISTEMA DE ESTUDIOS DE POSGRADO POSGRADO REGIONAL EN CIENCIAS VETERINARIAS TROPICALES DESARROLLO E IMPLEMENTACIÓN DE METODOLOGÍA PARA OPTIMIZACIÓN DEL DESCARTE EN HATOS DE LECHERÍA ESPECIALIZADA DE COSTA RICA Manuel José Cuevas Abrego Heredia, Marzo del 2007 Tesis sometida a consideración del Tribunal Examinador del Postgrado Regional en Ciencias Veterinarias Tropicales para optar al grado de Magíster Scientiae con énfasis en Producción Animal Sostenible
Transcript of UNIVERSIDAD NACIONAL SISTEMA DE ESTUDIOS DE POSGRADO ... · 2.43% con una vida productiva de...
UNIVERSIDAD NACIONAL
SISTEMA DE ESTUDIOS DE POSGRADO
POSGRADO REGIONAL EN CIENCIAS VETERINARIAS TROPICALES
DESARROLLO E IMPLEMENTACIÓN DE
METODOLOGÍA PARA OPTIMIZACIÓN DEL DESCARTE EN HATOS DE
LECHERÍA ESPECIALIZADA DE COSTA RICA
Manuel José Cuevas Abrego
Heredia, Marzo del 2007
Tesis sometida a consideración del Tribunal Examinador del Postgrado Regional en
Ciencias Veterinarias Tropicales para optar al grado de Magíster Scientiae con énfasis en
Producción Animal Sostenible
2
DESARROLLO E IMPLEMENTACIÓN DE
METODOLOGÍA PARA OPTIMIZACIÓN DEL DESCARTE EN HATOS DE
LECHERÍA ESPECIALIZADA DE COSTA RICA
Manuel José Cuevas Abrego
Tesis sometida a consideración del Tribunal Examinador del Postgrado Regional en
Ciencias Veterinarias Tropicales para optar al grado de Magíster Scientiae con énfasis en
Producción Animal Sostenible
3
MIEMBROS DEL TRIBUNAL EXAMINADOR
__________________________ José Rodríguez Zelaya M.Sc.
Representante del Consejo Central de Posgrado
__________________________ Sandra Estrada König M.Sc.
Directora PCVET
__________________________ Bernardo Vargas Leitón Ph.D.
Tutor
__________________________ Juan José Romero Zúñiga M.Sc.
Asesor
__________________________ Jorge Camacho Sandoval Ph.D.
Asesor
__________________________ Manuel José Cuevas Abrego
Sustentante
4
ÍNDICE DE CONTENIDOS
Resumen General………………………………………………. 5
Agradecimiento…………………………………………………. 6
Dedicatoria……………………………………………………… 7
Lista de Tablas………………………………………………….. 8
Lista de Figuras…………………………………………………. 10
Lista de Anexos………………………………………………… 11
Introducción General……………………………………………. 12
Capítulo 1. Desarrollo de un modelo estocástico de simulación para
la estimación de la eficiencia bioeconómica de hatos
lecheros en Costa Rica………………………………
20
Capítulo 2. Optimización del Descarte en Hatos Lecheros
Especializados mediante un Índice Bioeconómico de
Selección…………………………………………….
52
Conclusiones y Recomendaciones Generales ......................................... 71
Anexos……………………………………………………………. 73
5
RESUMEN GENERAL
El objetivo de esta tesis fue desarrollar un modelo bioecónomico para el cálculo de valores económicos de distintos rasgos productivos en ganado lechero y construir un índice de selección fenotípico que pueda ser utilizado para optimizar el descarte a nivel de hato. El trabajo se llevó a cabo en 2 fases. En la primera fase se construyó un modelo de simulación para estimar la eficiencia bioeconómica de un hato lechero especializado. Los parámetros necesarios para el modelo se obtuvieron de datos reales pertenecientes a la finca con mayor disponibilidad de información, de acuerdo a estudio realizado en fincas incluidas en la base de datos CRIPAS/UNA. Esta finca correspondió a un hato Jersey con 125 vacas adultas. Para esta finca, el modelo predijo un promedio de 97.5± 6.29 vacas lactantes/año y una producción de aproximadamente de 42.9±3.04 hembras de reemplazo. La tasa de reemplazo anual estimada fue de 34.3 ± 2.43% con una vida productiva de 2.93±0.21 años. El modelo estimó una producción diaria al pico de la lactancia de 21.6±4.7 Kg de leche y la longitud del periodo seco fue de 82.1±51.2 días. El modelo estimó una reducción de 76.8±32.4 Kg en la producción promedio por vacas lactantes por año debida a mastitis clínica. La producción corregida por el efecto mastitis clínica fue de 231.9±57.3, 183.6±46.3, 283.6±87.9 Kg de grasa, proteína y lactosa + minerales respectivamente. La producción anual estimada de sólidos totales fue de 68161±18351 Kg. Entre los parámetros económicos estimados por el modelo se obtuvo un ingreso anual de 180113.36 ± 44360.79 USD, de los cuales el 59% es por grasa y proteína, un 32% por la lactosa+minerales y un 9% por venta de animales de desecho. En cuanto a los costos, el modelo estimó anualmente un egreso de 133280.4±18778.2 USD, de los cuales un 43% es debido a la alimentación y 28, 20 y 9% atribuibles a costos fijos por vaca, crianza y administración. El modelo estimó un margen bruto anual de 46832.96±33924.87 USD, lo que significa un beneficio/costo para la situación base de la finca de 1.35. El modelo permite cuantificar el posible impacto de las distintas variables biológicas y económicas, sobre la eficiencia bioeconómica de un sistema de producción lechera. En la segunda fase se utilizó el modelo para el cálculo de valores económicos de distintos rasgos productivos y funcionales presentes en ganado lechero. Los rasgos de producción considerados fueron producción al pico (Kg), % de grasa, % de proteína, longitud de lactancia, peso de la vaca de desecho (Kg) y rendimiento en canal (Kg). Los rasgos funcionales considerados fueron periodo abiertos (días), tasa de parición (%), incidencia de mastitis (%), mortalidad en adultos (%) y días transcurridos al inicio del evento de mastitis. Los valores económicos se obtuvieron mediante un análisis de regresión múltiple realizado sobre los resultados obtenidos del modelo estocástico. En este modelo los rasgos anteriores se utilizaron como variables predictoras y la función de utilidad (variable dependiente) fue el margen bruto. Los valores económicos obtenidos, expresados como tasa de cambio en margen bruto (USD/vaca/año) por unidad de incremento en el rasgo respectivo, fueron: -3.44 (período abierto, d), 40.83 (producción al pico, kg), 2.90 (longitud de lactancia, d), 6.19 (tasa de parición, %), 111.7 (contenido de proteína, %), 96.11 (contenido de grasa,%), 0.32 (peso de vaca de desecho, kg), 0.08 (día de inicio de mastitis), 4.36 (rendimiento en canal, %), -1.10 (incidencia de mastitis,%), -2.75 (tasa de mortalidad adultos,%). Se construyó un índice óptimo utilizando el procedimiento de Indices de Selección, conformado por dos rasgos de producción (producción al pico y % de grasa) y dos rasgos funcionales (periodo abierto e incidencia de la mastitis). El índice de selección óptimo causaría progresos sustanciales en producción al pico y contenido de grasa, pero a costa de pequeños aumentos indeseados en el periodo abierto y la incidencia de mastitis, esto debido a correlaciones genéticas indeseadas entre producción y las variables de días abiertos e incidencia de mastitis. El modelo desarrollado puede ser utilizado como herramienta de apoyo para la toma de decisiones y evaluaciones de la factibilidad biológica y económica de distintas alternativa de intervención, así como también para detectar las áreas de mayor sensibilidad en estos sistemas de producción. El modelo construido permite además estimar de manera eficiente el valor económico de distintos rasgos a partir de los cuales puede derivarse un índice de selección fenotípica simple que puede ser utilizado a nivel del hato lechero para optimizar el descarte.
6
AGRADECIMIENTOS
Al Dr. Bernardo Vargas en calidad de tutor gracias por su dirección y orientación durante la realización de este trabajo.
Al Dr. Juan José Romero y al Dr. Jorge Camacho gracias por sus observaciones realizadas
a este trabajo.
Al personal del Postgrado en Ciencias Veterinarias de la Universidad Nacional, quienes siempre estuvieron disponibles a colaborar conmigo..
7
DEDICATORIA
A Dios, dador de vida.
A la Memoria de mi Madre, Tomasa Abrego de Cuevas y a mi Padre
Manuel José Cuevas Castro, a quienes debo cuanto soy.
8
LISTA DE TABLAS
Capítulo 1.
Tabla 1……………………………………………………………………………………… 29
Parámetros de entrada, códigos y Valores de Base (±D.E ) asumidos en el modelo estocástico de simulación . Tabla II…………………………………………………………………………………….. 33
Matriz de correlaciones fenotípicas entre rasgos productivos de entrada en el modelo
estocástico de simulación.
Tabla III……………………………………………………………………………………… 35
Parámetros de salida del modelo de simulación y fórmulas de cálculo.
Tabla IV……………………………………………………………………………………… 37
Distribución inicial de Fincas según Ubicación Geográfica.
Tabla V………………………………………………………………………………………..38
Cantidad promedio de Eventos (y variación), registradas sobre distintos rasgos en
las 294 fincas seleccionadas.
Tabla VI ………………………………………………………………………………………40
Rendimiento observado para rasgos Reproductivos y Productivos según raza en la
población bajo estudio.
Tabla VII……………………………………………………………………………………….42
Parámetros de Salida resultantes de la simulación estocástica.
9
Capítulo 2.
Tabla I…………………………………………………………………………………………59
Desviación Estándar Fenotípica (σP), correlación Fenotípica (sobre diagonal),
Heredabilidad (diagonal) y correlación genética (bajo diagonal) para rasgos
incluidos en el índice bioeconómico
Tabla II………………………………………………………………………………………….61
Valores económicos para rasgos productivos de interés.
Tabla III…………………………………………………………………………………………65
Respuesta esperada después de una generación de selección utilizando un Índice
Fenotípico de Selección.
10
LISTA DE FIGURAS
Capítulo 1. Figura 1. ……………………………………………………………………………………… 28 Flujo grama con los principales Componentes y parámetros considerados en el Modelo Estocástico de Simulación. Figura II ………………………………………………………………………………………. 31 Curva esperada de lactancia según función de wood para la finca bajo estudio y reducción promedio por efecto de mastitis clínica. Figura III………………………………………………………………………………………45 Correlaciones entre variables de Entradas del Modelo y Producción de Sólidos Totales (Kg/hato/año). Figura IV…………………………………………………………………………………….... 46 Correlaciones entre variables de Entrada del Modelo y el Margen Bruto (USD/hato/año). Capítulo 2. Figura 1……………………………………………………………………………................. 62 Sensibilidad del margen bruto (USD/hato/año) a cambios en distintos rasgos de Eficiencia Biológica. Figura II……………………………………………………………………………………...66 Histograma de frecuencias relativas para estimados del Índice Fenotipico de Selección.
11
LISTA DE ANEXOS
Capítulo 1. Anexo 1……………………………………………………………………………………...74 Hoja de control para especificaciones de distribución de probabilidad en variables de Entrada del Modelo de Simulación. Anexo 2 ……………………………………………………………………………………...75 Hoja para cálculo de Costos fijos por vaca adulta. Anexo 3 ………………………………………………………………………………….....76 Hoja para cálculo de costos de crianza de novillas de reemplazo Anexo 4 ………………………………………………………………………………….....77 Pantalla de control con parámetros de Entrada y Salida en formato de Excel. Anexo 5 ……………………………………………………………………………………..78 Hoja resumen de reporte de parámetros de Salida y su rango de variación. Capítulo 2 Anexo 6……………………………………………………………………………………...79 Hoja de cálculo para derivación de coeficientes óptimos en un índice bioeconómico.
12
INTRODUCCIÓN GENERAL
Los hatos lecheros modernos funcionan como verdaderas empresas, y como tales buscan
maximizar su eficiencia de manera integral, tanto en el campo biológico como en el económico.
Una de las formas de lograr mayor eficiencia es a través de la optimización de los programas de
descarte.
En un hato lechero, un programa de descarte tiene por objetivo identificar oportunamente los
animales con los niveles de productividad más bajos, con el fin de reemplazarlos (Cedeño y
Vargas 2004). Los criterios utilizados para optimizar el descarte a nivel de hato pueden ser de
distintos tipos. El descarte puede realizarse por ejemplo, mediante criterios basados en estimados
de valor genético obtenidos en programas de selección. En países con tradición lechera, este tipo
de estimados se calculan con cierta regularidad mediante análisis poblacionales y están
disponibles tanto para sementales de inseminación como para vacas de la población. En países
con industrias lecheras relativamente pequeñas como Costa Rica, no se cuenta todavía con
programas de mejoramiento genético que operen a nivel poblacional por lo que estimados de este
tipo no están disponibles.
El uso de estimados de valor genético como criterio de optimización del descarte (y selección)
tiene la ventaja de que el progreso obtenido es acumulativo a través de las distintas generaciones,
dependiendo del nivel de heredabilidad de los rasgos involucrados.
Sin embargo, en ausencia de valores genéticos obtenidos de programas de selección, otra
alternativa para optimizar el descarte a nivel de finca es la utilización de criterios basados en
rendimiento bioeconómico relativo de las vacas dentro del hato. Estos criterios, pueden ser
utilizados dentro del marco de la teoría de selección para incrementar la productividad de los
hatos lecheros.
Optimización del descarte mediante selección
Existen varios rasgos que pueden ser importantes para identificar las vacas susceptibles de ser
descartadas en un hato lechero. Estos rasgos se pueden clasificar inicialmente en 2 tipos: rasgos
productivos y rasgos funcionales (Olesen et al. 2000). Los rasgos productivos son aquellos que
están directamente relacionados con el producto final, por ejemplo, en una vaca lechera tenemos
13
la producción total de leche, producción de grasa o producción de proteína. Los rasgos
funcionales son aquellos que, aunque no tienen relación per-se con los productos finales, pueden
afectarlos de manera indirecta, tal es el caso de rasgos como: fertilidad, longevidad, salud,
conformación o temperamento; los cuales afectan el nivel de productividad de la vaca lechera.
Las vacas lecheras más eficientes son aquellas que, además de poseer buenos índices productivos,
poseen además adecuadas características funcionales.
En la industria lechera, los programas de mejoramiento lechero que han operado a nivel
poblacional, fueron diseñados inicialmente para incrementar el potencial genético para rasgos de
producción. Con el paso del tiempo estos programas han sido modificados para incorporar rasgos
funcionales, de manera que se logren animales con un desarrollo más integral (Peters 1993). A
nivel poblacional, la mejora genética del ganado lechero se ha realizado principalmente a través
de programas de mejoramiento genético basados en pruebas de progenie (Pallete 2001). En estas
pruebas de progenie el semen de los toros es colectado en estaciones centrales especializadas y
posteriormente utilizado en la inseminación de un número elevado de hembras distribuidas en la
población meta. La información obtenida sobre el rendimiento de las hijas es analizada a través
de modelos estadísticos sofisticados que permiten el cálculo de estimados de valor genético, tanto
de los toros como de las mismas hembras de la población. Con esta información se identifican
los individuos genéticamente superiores, los cuales son utilizados para producir las próximas
generaciones de la población. Desde este punto de vista es indudable la utilidad que han tenido
los programas de mejoramiento genético.
A nivel de hato, la información generada a través de pruebas de progenie se utiliza
principalmente para seleccionar los sementales que serán utilizados en las vacas para producir las
generaciones futuras. En el caso de las vacas dentro del hato, los estimados de valor genético se
han utilizado sobre todo a la hora de planificar la asignación de los toros a las distintas vacas
según su mérito genético. Sin embargo, estos estimados, por ser producto de un análisis
poblacional, son de menor utilidad para la toma de decisiones dentro de la finca, ya que no son
buenos indicadores del rendimiento bioeconómico de la vaca dentro del hato.
Como se señaló anteriormente, en Costa Rica no existen todavía programas de mejoramiento
genético que operen a nivel poblacional. El mejoramiento de los hatos se realiza por el uso
continuo de semen importado según los criterios de cada productor. Existen sin embargo en el
país, una considerable cantidad de fincas que cuentan con sistemas de registro computarizados
14
(p.e VAMPP) que podrían proveer la información necesaria para optimizar el descarte utilizando
técnicas sencillas basadas en teoría de selección.
Optimización del descarte por métodos de selección para múltiples rasgos
Existen 3 métodos básicos para realizar selección considerando rasgos múltiples (Nicholas 1987):
el método Tandem, el método de Niveles de Desecho Independiente y el método de Índices de
Selección. Las diferencias básicas entre estos 3 métodos se describen a continuación:
Selección en Tandem. Este método consiste en alternar la selección para distintos rasgos,
considerando solamente un rasgo a la vez. Inicialmente, se seleccionan los individuos dentro de
la población con base en un rasgo. Cuando se alcanza el nivel de rendimiento deseado en la
población se continúa con un segundo rasgo, y así sucesivamente cuando existen rasgos
adicionales por considerar. El método es simple pero lento, y si los rasgos considerados se
correlacionan desfavorablemente, el progreso logrado en la fase inicial puede perderse
parcialmente en las fases posteriores.
Niveles de desecho independiente. Mediante este método todos los rasgos importantes se
consideran de manera simultánea. Se establece un nivel mínimo de comportamiento para cada
rasgo y cualquier animal que no alcance el comportamiento mínimo establecido para cada rasgo
es descartado. Este procedimiento tiene la ventaja de ser sencillo y más eficiente que el método
tandem, ya que considera varios rasgos simultáneamente. Además permite la selección
escalonada de los individuos en distintas etapas de su vida (p.e primer parto, 2do parto, etc). Sin
embargo, este método presenta la desventaja de que un animal deficiente en un rasgo será
siempre descartado aunque su rendimiento sea sobresaliente en los demás rasgos.
Indices de selección. Este método se basa en la metodología propuesta inicialmente por
Hazel (1943). Según esta metodología cada individuo de la población a seleccionar se clasifica de
acuerdo a un índice que se obtiene de la combinación lineal óptima de todos los rasgos por
considerar en la selección. Es el método más eficiente cuando se desea mejorar varios rasgos a la
vez; ya que produce una mayor y más rápida mejora genética; y la inferioridad de un individuo en
un rasgo puede ser compensada por su superioridad en otro rasgo. Como desventajas se señalan
su mayor complejidad en comparación con los métodos anteriores; además de que requiere que
los individuos tengan mediciones en todos los rasgos considerados. Existen distintos tipos de
índices, según el propósito con que se utilicen. Los índices utilizados en programas de selección
15
necesitan de información sobre heredabilidad, correlaciones genéticas y fenotípicas, desviaciones
estándares y valores económicos para todos los rasgos considerados.
En la práctica, se han utilizado también índices más simples, denominados índices de producción
(Lucey y Manjimup 1991). Los índices de producción, a diferencia de los índices de selección, se
basan exclusivamente en la información (fenotípica) de rendimiento de las vacas dentro del hato
y como tal, son mejores indicadores del potencial bioeconómico del animal dentro del hato
respectivo. Por tal motivo, este tipo de índice puede utilizarse por ejemplo para identificar las
vacas candidatas a ser descartadas o para definir estrategias diferenciadas de manejo nutricional.
Importancia de la optimización del Descarte
La longevidad es un rasgo deseado por muchos productores. Las vacas que viven más son
solamente valiosas por su tendencia a tener una mayor producción de leche a lo largo de su vida.
La etapa entre el primer parto y el descarte del animal del hato lechero corresponde al periodo de
vida productiva, siendo sinónimo de longevidad y producción vitalicia Maldonado (1991). La
longevidad refleja la habilidad de una vaca para no ser eliminada por baja producción, baja
fertilidad o enfermedad (Ferguson 1995). La longevidad puede expresarse en términos de
número de lactaciones completas o en años de edad. A mayor número de lactaciones de la vaca,
más largo será el periodo en que el ganadero podrá amortizar su inversión (Balth et al. 1987).
La selección por longevidad en sí es ineficiente debido a que se encuentra influenciada por
muchos factores, la mayoría de naturaleza no genética. En realidad, la longevidad de las vacas en
muchos hatos depende principalmente de que permanezca libre de graves mastitis o problemas
reproductivos serios; y produzca niveles aceptables para el productor.
De todos los rasgos de conformación, las características de la ubre (en particular ubicación de
pezones, profundidad de ubre e inserción anterior) se encuentran estrechamente relacionados
con longevidad (Vollema 1996). A pesar de la importancia que muchos productores le dan a los
rasgos de pies y patas, los estudios de desempeño durante la vida del animal sugieren que los
rasgos de pie y patas tienen un impacto mucho menor en la vida del hato que los rasgos de
producción y los rasgos de la ubre.
La edad al primer parto es un factor muy importante en la vida productiva de la vaca; así, el parto
de vaquillonas a los dos años de edad en comparación a partos con edades más avanzadas
16
repercute en una mayor producción láctea y conduce a un menor consumo de alimento, derivando
un menor costo inicial de crianza (De Alba 1964).
Una mayor duración de vida en el hato de las vacas y un intervalo parto-parto anual más corto
contribuyen a mayores beneficios, ya que disminuye el número de reemplazos y por lo tanto el
costo de reposición, aumenta la proporción de vacas lactando a edad madura y posibilita la
selección de vaquillonas (Beltramino 1997).
Según Esslemont y Kossaibati (1997) las causas de descarte se pueden clasificar como causas
voluntarias, tales como vejez, baja producción y conformación; y causas involuntarias, tales
como falla reproductiva o problemas sanitarios. Dentro de las causas de rechazo involuntarias en
primer lugar aparece la causada por muertes (39,3%), en segundo lugar se ubican los problemas
sanitarios (33%) y en tercer lugar los problemas reproductivos (28%). Para obtener una
producción eficiente se debería tender a alcanzar una reposición anual del 20%, pues esto
permitiría disminuir los costos de reposición y se ganaría en producción al tener más vacas
maduras en el hato. Por lo tanto, es de suma importancia reducir la incidencia de las causas de
descarte involuntario, haciendo énfasis en la búsqueda de una solución a los problemas de
manejo sanitarios y reproductivos.
El descarte representa un desafío importante a los productores de leche en los Estados Unidos,
pues en la mayoría de los hatos, el 30 a 35% de las vacas se descartan cada dos años (Appleman
1978). Los avances significativos en el manejo de los hatos de vacas lecheras se han hecho en
años recientes con el desarrollo de los sistemas de registro automatizados para la salud y la
producción de la vaca, poco progreso ha ocurrido en las fincas en tomar decisiones sobre de
desecho.
En un estudio realizado en Costa Rica, Cedeño y Vargas (2004a), observaron un rango de
variación en vida productiva desde 3.2±0.08 años hasta 6.3±0.22 años en distintos grupos raciales
lecheros. Asimismo, estos autores encontraron que los porcentajes de descarte involuntario
fueron superiores al descarte voluntario en 15 fincas de lechería especializada, oscilando entre
51.3 y 83.7% entre las fincas; con un promedio general de descarte involuntario de un 67.4%.
Dichos autores atribuyeron la alta variación en vida productiva a la gran variación existente en las
tasas de descarte involuntario, y en menor grado debido a factores raciales.
En un estudio complementario, Cedeño y Vargas (2004b) estimaron la vida productiva óptima
de 4 grupos raciales de ganado bovino lechero de Costa Rica con base en un modelo de
17
simulación determinístico cuya función objetivo fue el beneficio esperado en un horizonte de
tiempo de 15 años. De acuerdo con el modelo el promedio de vida productiva óptima obtenido
para la raza Holstein fue de 50.9 meses, correspondiente a una tasa de reemplazo anual de 23.6%
y descarte voluntario de 11.7%; en Jersey los óptimos fueron 54.8 meses, 21.9% y 11.4%,
respectivamente; en Pardo Suizo fueron 58.0 meses, 20.7% y 11.7%, respectivamente; y en
Holstein × Pardo Suizo fueron 52.4 meses, 22.9% y 13.7%, respectivamente. Los estimados de
vida productiva óptima para cada grupo racial fueron, respectivamente, 4.6; 5.1; 16.6 y 2.6 meses
mayores que los parámetros reales observados. Los resultados obtenidos por estos autores indican
que existen considerables pérdidas económicas debidas a decisiones subóptimas de descarte e
intervalos entre partos muy extensos. Los estudios realizados por Cedeño y Vargas (2004ayb)
demuestran la necesidad de buscar herramientas que permitan optimizar las decisiones de
descarte a nivel de hato, utilizando criterios bioeconómicos que aseguren una mayor rentabilidad
de la finca.
Objetivo General
El objetivo de la presente tesis es construir un modelo bioeconómico de simulación a nivel de
hato lechero y utilizar dicho modelo en el desarrollo de un índice bioeconómico para
optimización del descarte dentro de hatos de lechería especializada.
18
BIBLIOGRAFÍA Alvarado, RJ. 1979. Parámetros reproductivos del ganado criollo en la región de la Frailesca estado de
Chiapas utilizando inseminación artificial. Tesis de licenciatura. Facultad de Medicina Veterinaria y
Zootecnia. UNAM. México, D.F.
Appleman, RD. 1978. Replacement economics. Page 512 in Large Dairy Herd Management. C. J. Wilcox,
H. H. Van Horn,B. Harris, Jr., H. H. Head, S. P. Marshall, W. W. Thatcher,D. W. Webb, and J. M.
Wing, ed. Univ. Presses Florida, Gainesville
Balth, DL; Dickinson, FN; Tuker, HA. 1987. Ganado Lechero. 2 ed. p 450. Ed. Interamericana. México.
Beltramino, FE. 1997. Tipo funcional: los rasgos de tipo asociados con longevidad. Publicación
Miscelánea INTA Rafaela Nº 82:32-38
De Alba, J. 1964. Reproducción y genética animal. IICA-OEA. Costa Rica. 320 p.
Cedeño, D; Vargas, B. 2004a. Efecto de la raza y el manejo sobre la vida productiva del bovino lechero en
Costa Rica. Arch. Zoot. 53 (202) 129-140. Disponible en:
http://www.uco.es/organiza/servicios/publica/az/az2.htm
Cedeño, D; Vargas, B. 2004b. Optimización de políticas de descarte en ganado bovino lechero de Costa
Rica. Arch. Zoot. 53 (203).249-260. Disponible en:
http://www.uco.es/organiza/servicios/publica/az/az2.htm
Ferguson, J. 1995. La reproducción en hatos lecheros. Rev. Hoard’s. p 1138.
Esslemont, RJ; Kossaibati, MA. 1997 Culling in 50 dairy herds in England. Veterinary Record 140:36-39.
Hazel, LN. 1943. The genetic basis for constructing selection indices. Genetics 28:476-490.
Huertas, E; Cedeño, G. 1976. Ganado de leche. Manual de Asistencia Técnica Nº 6. Instituto Colombiano
Agropecuario, ICA. 30 p.
19
Lucey, J; Manjimup, M. 1991 Selecting dairy cows for culling and breeding. Disponible en:
http://agspsrv34.agric.wa.gov.au/agency/pubns/farmnote/1991/f05291htm
Maldonado, S. 1991. Curvas de crecimiento y su relación con la productividad de por vida en vacunos
Holstein. Tesis de Bachillerato. Facultad de Zootecnia, Universidad Nacional Agraria La Molina.
Lima. 105 p.
Nicholas, FW. 1987 Genética Veterinaria Editorial Acribia S. A. Apartado 46650080 Zaragoza (España).
Noordhuizen, JPTM; Buurman, J. 1984. Veterinary automated management and production control
program for dairy farms (VAMPP). The application of MUMPS for data processing. Vet. Q. 6, 62-
77.
Pallete, A E. 2001. Evaluación y selección de toros lecheros Rev. Inv Vet Perú 12 (2): 150-160.
Olesen, I; Groen, AF; Gjerde, B. 2000. Definition of animal breeding goals for sustainable production
systems. J. Anim. Sci. 78:570-582.
Pérez, E; Baayen, MT; Capella, E; Barkema, H. 1989. Development of a livestock information system for
Costa Rica. In: H. Kuil, R. W. Palin, and J. E. Huhn (ED). Livestock Production and Diseases in
the Tropics. Proc. IV Internl. Conf. Inst. Trop. Vet. Med. Utrecht, The Netherlands, pp. 221-
224.
Peters, KJ. 1993. Selection and breeding strategies for sustainable livestock production in developing
countries, with particular reference to dairy cattle production. British Society of Animal Production,
occasional publication 16:120-128.
SAS User’s Guide: Statistic, Version 6.0 Edition 1990. SAS Inst., Inc., Cary, NC.
Vargas, B; Groen, AF; Herrero, M; van Arendonk, JAM. 2002. Economic values for production and
functional traits in Holstein cattle of Costa Rica. Liv. Prod. Sci.: 75:101-116
Vollema, A. 1996. Genetic parameters of longevity traits of an upgrading population of dairy cattle. J.
Dairy Sci. 79: 2261- 2267.
20
Capítulo 1
DESARROLLO DE UN MODELO ESTOCASTICO DE SIMULACION
PARA LA ESTIMACION DE LA EFICIENCIA BIOECONOMICA DE
HATOS LECHEROS EN COSTA RICA
Manuel José Cuevas Abrego
21
DESARROLLO DE UN MODELO ESTOCASTICO DE SIMULACION
PARA LA ESTIMACION DE LA EFICIENCIA BIOECONOMICA DE
HATOS LECHEROS EN COSTA RICA
RESUMEN
El objetivo de este estudio fue construir un modelo estocástico de simulación capaz de estimar la eficiencia bioeconómica de un hato lechero especializado bajo las condiciones de producción de Costa Rica. Los parámetros de entrada necesarios para el modelo se obtuvieron de datos reales pertenecientes a la finca con mayor disponibilidad y constancia en el registro de información, de acuerdo con un estudio preliminar realizado sobre las fincas lecheras reales incluidas en el sistema VAMPP del proyecto CRIPAS/UNA. Esta finca correspondió a un hato Jersey con 125 vacas adultas. Para este hato utilizado como base, el modelo predijo un promedio de 97.5± 6.29 vacas lactantes/año y una producción de aproximadamente de 42.9±3.04 hembras de reemplazo. La tasa de reemplazo estimada fue de 34.3 ± 2.43 para una vida productiva de 2.93±0.21 años. El modelo estimó una producción diaria pico de la lactancia de 21.6±4.7 Kg de leche y la longitud del periodo seco fue de 82.1±51.2 días. En cuando a la mastitis el modelo estimó una reducción de 76.8±32.4 Kg en la producción promedio por vacas lactantes por año. Las producciones corregidas por el efecto mastitis clínica fueron de 231.9±57.3, 183.6±46.3, 283.6±87.9 Kg de grasa, proteína y lactosa + minerales respectivamente. La producción anual de sólidos totales es de 68161±18351 Kg. Entre los parámetros económicos estimados por el modelo se obtuvo un ingreso anual de 180113.36 ± 44360.79 USD, de los cuales el 59% es por grasa y proteína, un 32% por la lactosa+minerales y un 9% por venta de animales de desecho. En cuanto a los costos, el modelo estimó anualmente un egreso de 133280.4±18778.2 USD, de los cuales un 43% es debido a la alimentación y 28, 20 y 9% atribuibles a costos fijos por vaca, crianza y administración. El modelo estimó un margen bruto anual de 46832.96±33924.87 USD, lo que significa un beneficio/costo para la situación base de la finca de 1.35. El modelo permite cuantificar el posible impacto de las distintas variables biológicas y económicas, sobre la eficiencia bioecónomica de un sistema de producción lechera. El modelo desarrollado puede ser utilizado como herramienta de apoyo para la toma de decisiones y evaluaciones de la factibilidad biológica y económica de distintas alternativa de intervención, así como también para detectar las áreas de mayor sensibilidad en estos tipos de sistemas de producción.
Palabras clave: modelos estocásticos de simulación, eficiencia bioeconómica, ganado lechero.
22
ABSTRACT The objective of this research was to develop a stochastic simulation model capable of estimating the bioeconomic efficiency of a typical dairy farm in Costa Rica. Required input parameters were obtained from the farm with the most complete, constant and consistent recording methods; chosen among all farms using the VAMPP software and contained in the central database of CRIPAS/UNA project. This farm consisted of 125 Jersey cows. The model predicted an average of 97.5±6.29 cows in milk per year; and a production of approximately 42.9±3.04 replacement heifers; resulting in a replacement rate of 34.3± 2.43 % and a productive life of 2.93±0.21 years. The model estimated an average peak production within the lactation of 21.6±4.7 kg of milk, the length of the dry period was 82.1± 51.2 days. The model estimated an average lost of 76.8±2.4 kg/yr per lactating cow due to clinical mastitis. The production corrected by the effect of clinical mastitis were 231.9±57.3, 183.6± 46.3, 283.6±87.9 kg of fat, protein and lactose+minerals, respectively. The total annual production of milk solids for the farm was estimated at 68161±18351 kg. Among the economic parameters estimated by the model an annual income of 180113.36±44360.79 USD was obtained; of which 59% is for fat and protein, 32% for lactose +minerals and 9% from culled cows. The total annual costs for the farm were estimated at 133280.4±18778.2 USD, of which a 43% was for feeding and 28, 20 and 9% attributable to fixed costs per cow, administration and raising, respectively. The model estimated an annual gross margin of 46832.96± 33924.87 USD, which means a benefit/cost ratio of 1.35 for this farm. The model allows quantifying the possible impact of the different biological and economic variables, on the bioeconomic efficiency of a milk production system. The model can be used as tool to support the evaluation and decision making of the biological and economic probability of different alternatives of intervention and to detect the areas of greater sensitivity in these types of production systems. Keywords: Stochastic simulation model, Bioeconomic Efficiency, dairy cattle.
23
1.1 INTRODUCCIÓN
En Costa Rica una gran cantidad de fincas lecheras han venido utilizando el programa de
cómputo VAMPP (Veterinary Automated Management and Production Control Programme,
Noordhuizen and Buurman, 1984; Pérez et al. 1989) para monitorear el rendimiento productivo y
reproductivo de sus hembras. Sin embargo, existen amplias diferencias en el grado de utilización
que se le da al programa en las distintas fincas. Algunas fincas poseen registros completos sobre
variables reproductivas, productivas y de salud; mientras que otras solo poseen registros
reproductivos.
Un modelo de simulación es una abstracción de un sistema o proceso real, una simplificación
formal que incluye los elementos esenciales que conforman un sistema (Noordhuizen et al.
1997). Los modelos de simulación pueden clasificarse como determinísticos o estocásticos. En
modelos determinísticos los parámetros involucrados toman solamente un número limitado de
valores fijos. En modelos estocásticos, también conocidos como modelos de simulación Monte
Carlo, se puede representar la posible variación aleatoria que ocurre en la presentación de un
evento. Mediante esta técnica es posible definir un rango de valores esperados para variables
inciertas, en vez de utilizar solo valores promedio. La definición de los rangos de variación para
una variable aleatoria se hace mediante el uso de distribuciones de probabilidad (Sapag y Sapag
1990).
En el área de la producción bovina lechera, los modelos de simulación han sido utilizados con
diversos objetivos. Algunos modelos se han creado para representar procesos biológicos
específicos, por ejemplo curvas de crecimiento (Solano y Vargas 1997) o curvas de lactancia
(Vargas et al. 1999). Otros modelos analizan de manera conjunta varios de estos procesos con el
fin de estudiar sus interacciones y evaluar el impacto agregado sobre el sistema de producción.
Las principales características de este tipo de modelos integrados han sido descritas por varios
autores (Konandreas y Anderson 1982, Quiroz et al. 1994, León Velarde y Quiroz, 2001). En
producción lechera, el enfoque de modelos integrados ha sido utilizado por ejemplo, en modelos
para optimización de políticas de reemplazo (Van Arendonk 1986, Vargas et al. 2001), modelos
para determinación de valores económicos de rasgos de producción (Vargas et al. 2002) o
modelos para evaluación de alternativas de mejoramiento genético (Vargas y Van Arendonk
2004).
24
En general, estos modelos pueden proveer información valiosa para ser utilizada en la toma de
decisiones a nivel de finca, ya que permiten estimar el impacto y la importancia relativa de la
variación en parámetros económicos y biológicos sobre la productividad de la empresa ganadera
en su totalidad.
Por otro lado, en la simulación de procesos de producción animal, la consideración de la
estocasticidad es importante, pues existen un gran número de factores no controlables que afectan
el rendimiento de los animales, tales como: efectos climáticos, plagas, enfermedades, condiciones
de mercado, políticas del gobierno, etc. Rara vez se posee información completa y exacta que
respalde todas las decisiones por lo que hay que valerse de cálculos estimados y del mejor juicio,
como sustituto de los hechos que se desconocen (Ugalde 1992). Además, cuando se construyen
modelos bioeconómicos para análisis de situaciones de la vida real es común que se consideren
una gran cantidad de variables que interactúan, por lo que existe incertidumbre en cuanto al
verdadero valor del atributo para la alternativa propuesta. La incertidumbre puede deberse tanto
a falta de conocimiento sobre la alternativa propuesta como también al hecho de que algunos
procesos, sobre todo biológicos, suelen variar considerablemente dependiendo de una serie de
circunstancias exógenas (Sapag y Sapag 1990).
Objetivo
El presente estudio tiene por objetivo construir un modelo estocástico de simulación que permita
estimar la eficiencia bioeconómica de un hato lechero, utilizando parámetros obtenidos de la
información registrada por fincas lecheras reales dentro del sistema VAMPP.
25
1.2. MATERIALES Y METODOS
Fuentes de Información
Este trabajo se realizó utilizando información de fincas de lechería especializada incluidas en la
base de datos del programa VAMPP (Veterinary Automated Management and Production
Control Program) de la Escuela de Medicina Veterinaria de la Universidad Nacional
(Noordhuizen and Buurman 1984; Pérez et al. 1989). Esta información está centralizada en la
base de datos del proyecto CRIPAS (Centro Regional de Informática para la Producción Animal
Sostenible, CR). Dichos registros son producto del control realizado mayormente por los
mismos productores en sus fincas. Los datos incorporados en el presente análisis abarcaron desde
el 1 de enero de 1985 hasta el 31 de diciembre del 2004.
Diagnóstico de situación
Selección de Fincas. El grupo inicial de fincas incluidas en el presente estudio estuvo
comprendido por fincas lecheras de Costa Rica que utilizan el sistema VAMPP y cuentan con
información centralizada en la base de datos del proyecto CRIPAS.
Posteriormente, dentro de este grupo de fincas se realizó una selección adicional con base en los
siguientes criterios:
a) Razas: Se seleccionaron solamente fincas que poseían razas lecheras puras. Este aspecto se
evaluó con base en la clasificación establecida en el sistema VAMPP y además con base en
las razas presentes en la finca. El estudio contempló únicamente fincas que poseían >80% de
animales de razas lecheras especializadas: Holstein, Jersey, Pardo Suizo o Guernsey.
b) Actualización de la información: Se seleccionaron solamente las fincas que contaron con
información relativamente actualizada, con el fin de eliminar fincas presentes en la base de
datos pero que no han sido actualizadas en los últimos 2 años. La fecha de actualización de la
información de la finca en el sistema VAMPP deberá ser posterior al 01/01/04.
c) Continuidad de registro de información: Se consideraron solamente las fincas que tuvieron
al menos 2 años completos de información. Este aspecto se evaluó mediante la diferencia
entre las fechas de inicialización y fechas de actualización en el sistema VAMPP, debiendo
ser de al menos 730 días.
26
d) Cantidad de información: Se seleccionaron las fincas que tuvieron un mínimo de 100 partos
registrados. Este aspecto se confirmó una vez obtenidos los ASCIIS de las fincas que
cumplen con los criterios anteriores.
Selección de rasgos a considerar. Para este estudio los rasgos potenciales a ser considerados
como criterio para optimización del descarte son los siguientes:
a) Rasgos productivos: Producción de leche, Producción de grasa, Producción de proteína,
producción de sólidos totales, pesos corporales.
b) Rasgos funcionales: Se consideraron 2 rasgos reproductivos (Días abiertos y Servicios x
Concepción) y 2 rasgos de salud (conteo de células somáticas e incidencia de mastitis).
Los rasgos anteriores fueron preseleccionados por considerarse que son los que más pueden
afectar la productividad de una vaca lechera. La información disponible para estos rasgos en
todas las vacas de las fincas seleccionadas se obtuvo de la base de datos VAMPP en formato
ASCII.
Edición de datos. La información sobre los parámetros anteriores se sometió a un proceso de
edición basado en análisis estadístico utilizando el programa de computación SAS (SAS,1990)
con el fin de detectar valores extremos biológicamente improbables a nivel de raza y finca, con
base en distribuciones de probabilidad (p.e Distribución Normal, Promedio ± 3 DE). Los valores
extremos detectados que se sometieron fueron eliminados.
Análisis estadístico descriptivo: Para la población de fincas y vacas seleccionadas se calcularon
medidas de tendencia central y dispersión en cada uno de los rasgos seleccionados, con el fin de
obtener estimados de rendimiento a nivel poblacional.
Asimismo, se realizaron análisis de frecuencia para determinar el número (y porcentaje) de
fincas con al menos 1 evento registrado para cada uno de los rasgos de producción. Se realizó
también un conteo adicional para determinar el número de fincas que reportan de manera
consistente información combinada de distintos rasgos. Para ello se identificaron las fincas con al
menos 3 registros de producción, componentes de leche y conteo de células somáticas por cada
parto reportado y también las que reportaron al menos 1 registro de peso corporal por cada parto.
27
Este estudio permitió evaluar aproximadamente cuál es el nivel y consistencia de registro de
información en la población de hatos lecheros que se analizan.
Construcción de modelo bioeconómico de simulación
Enfoque General. Se construyó un modelo de simulación estocástico representativo de las
características de un hato lechero especializado. El modelo se construyó utilizando la hoja
electrónica Excel Versión 2003 (Microsoft Corporation, 2003) en combinación con el programa
especializado para simulación estocástica @RISK Versión 4.1 (Palisade Corporation, 2002). El
modelo fue construido para simular la producción de un hato lechero en estado de equilibrio, es
decir, con un tamaño constante. Los parámetros biológicos de base para el hato simulado se
obtuvieron en su mayoría de datos reales procedentes de la finca con mayor disponibilidad y
consistencia de información, de acuerdo a los resultados obtenidos en la fase anterior de
diagnóstico. Esta finca estuvo conformada por vacas de raza Jersey. En los casos donde no fue
posible generar estos parámetros con los datos disponibles en la finca se hizo uso de valores
procedentes de la literatura.
El modelo se construyó con el fin de estimar la productividad bioeconómica del hato durante un
periodo de un año calendario, por lo tanto se enfoca en la representación del ciclo
productivo/reproductivo del hato. Las hembras de reemplazo se consideran como una entrada de
la finca con un costo definido, pero su disponibilidad está en función de la eficiencia reproductiva
de la finca. Los machos son descartados al nacimiento.
El modelo consideró distintas variables de entrada especificadas con base en el rendimiento
productivo y reproductivo real observado en la finca utilizada como base. Estas variables de
rendimiento se combinaron con parámetros de tipo económico para obtener parámetros de salida
relacionados con estimados de productividad bioeconómica a nivel de empresa, expresados en
términos de un año calendario. Se estimó la productividad de la empresa en términos de año
calendario en vez de ciclo productivo con el fin de evaluar de manera más precisa el efecto de
variaciones en rendimiento reproductivo sobre el flujo (biológico y económico) de la finca.
El flujo grama de la figura 1 presenta los principales componentes del modelo y los parámetros
más importantes considerados dentro de cada componente. Estos parámetros se expresan en
modelo mediante simulación estocástica utilizando distribuciones de probabilidad, con el fin de
considerar no solamente los promedios esperados, sino también la dispersión observada. Estos
28
parámetros definen el flujo de producto (animales, leche o carne) en un periodo de 365 días y por
consiguiente definen el nivel de eficiencia bioeconómica de la finca. Los resultados del modelo
se reportan para un animal promedio y para el hato completo.
Figura 1. Flujo grama con los principales componentes y parámetros considerados en el
modelo estocástico de simulación
Las variables de entrada consideradas en el modelo y los valores de base asumidos se presentan
en la tabla 1.
29
Tabla 1. Parámetros de Entrada, Códigos y Valores de base (±D.E) asumidos en el Modelo
Estocástico de Simulación
Parámetros de Entrada Código Valor base (D.E) Unidades
Reproducción y Salud
Vacas adultas VA 125.0 Constante n Tasa de Parición TP 80.0 5.00 % Periodo Abiertoa DA 106 47 días Longitud de Preñez DP 270.0 3.0 Días Tasa de Mortalidad (<1parto) TMj 12.0 2.5 % Tasa de Mortalidad (adultos) TMa 2.0 0.5 % Peso Vaca Desecho PVD 450.0 25 Kg Rendimiento en canal RC 48.0 1.0 %
Lactación+Mastitis a (Wood) A 20.45 4.50 b (Wood) B 0.171 0.00504 c (Wood) C 0.045 0.00077 Longitud de Lactanciab DLAC 300 40 Días Contenido de Grasa %G 4.45 0.65 % Contenido de Proteína %P 3.49 0.28 % Incidencia Mastitis Clínica IMC 20.0 5.0 % Día de 1ra Mastitisc DMC 97 Día
Alimentación Concentrado 0-100 d. AL0 2.00 constante Kg l/kg[] 100-200 d. AL1 3.00 constante Kg l/kg[] 200 d-final AL2 4.00 constante Kg l/kg[] Periodo seco ALS 2.00 constante Kg[]
Precios de insumos Precio kg Grasa o Proteína $KGP $ 2.63 $ 0.026 $/kg
Precio Lactosa + Minerales $LMN $ 2.14 $ 0.021 $/kg
Precio carne canal (desecho) $CAN $ 1.58 $ 0.02 $/kg
Costo por mastitis $MAS $ 9.60 $ 0.96 $/evento
Costo concentrado $CON $ 0.21 $ 0.02 $/kg
Costo reemplazos $REM $ 601.22 $ 60.00 $/novilla
Costos varios vaca adulta $VAC $ 383.73 $ 38.00 $/vaca a Debido a que días abiertos presenta una distribución sesgada se utilizó una distribución de valor extremo con escala=84 y forma=38, con un valor mínimo de 20.
b Longitud de lactancia se simula mediante dist. Normal truncada entre 150 y (DA+DP-15) c Día de primera mastitis se simula mediante distribución Exponencial con beta=120, truncada entre 5 y DLAC-5
30
Variables reproductivas y de mortalidad. El hato representado está conformado por un total de
125 vacas adultas (constante), presenta un 80±5% de parición con un periodo abierto de
106.4±46 d y una longitud de preñez de 270±3 d. La tasa de parición en este modelo engloba el
efecto conjunto de la tasa de preñez, tasa de éxito de la preñez y el posible descarte involuntario
por problemas relacionados con la reproducción.
La Edad a Primer Parto fue de 24 meses y se consideró como un parámetro fijo del modelo. Estos
parámetros anteriores determinan mayormente las tasas de flujo de animales lactantes, secos,
desechos y hembras de reemplazo. Se especificaron además tasas de mortalidad para crianza
(12±2.5%) y adultos (2.0%±0.5), así como rendimiento en canal (48±1.0%).
Los parámetros anteriores se obtuvieron con base en el rendimiento (promedio y desviación
estándar) observado durante 5 años (1999-2003) de monitoreo en la finca de base. Todas estas
variables se representaron utilizando distribuciones normales de probabilidad con base en la
desviación estándar observada en la finca. Estas distribuciones representan la variabilidad entre
individuos presente en el hato. En algunos casos (p.e días abiertos) se utilizaron distribuciones
“truncadas” para evitar la generación de valores biológicamente improbables (p.e días abiertos
menores de 20 días).
Variables de lactancia. Para representar la producción de leche de los animales dentro de la
finca se utilizó una función gama incompleta, mejor conocida como el modelo de Wood (1967).
Este modelo consta de 3 parámetros que describen el patrón de producción de leche durante la
lactancia. El parámetro a se relaciona con el nivel de producción, mientras que los parámetros b y
c definen el nivel de inclinación de la curva durante las fases ascendente y descendente,
respectivamente. En el modelo, los valores de base para los parámetros a, b, c (Tabla 1, Figura 2)
fueron obtenidos mediante procedimientos de regresión no lineal aplicados a promedios de
producción diaria observados en lactancias reales de la finca de base, utilizando el procedimiento
NLIN del programa SAS (SAS, 1990). Los valores obtenidos para los parámetros a, b, c fueron
de 20.45±4.5, 0.171±0.00504, y 0.045±0.00077. El tiempo estimado al pico de la lactancia (en
periodos de 15 d) se obtiene como b/c y la producción al pico se obtiene por sustitución en la
función de Wood.
31
En el modelo se incluyen además niveles determinados de grasa (4.45±0.65) y proteína
(3.49±0.28) también obtenidos de datos reales de la finca base. Debido a que el contenido de
lactosa + minerales es menos variable, en este estudio se asumió como fijo en 5.4%.
5.00
10.00
15.00
20.00
25.00
0 50 100 150 200 250 300
Día de la lactancia
Prod
ucci
ón (k
g)
Kg-Mastitis Kg Leche
Figura 2. Curva esperada de lactancia según función de Wood para la finca bajo estudio y
reducción promedio por efecto de mastitis clínica
Se incluyen además en el modelo 2 variables con el objetivo de evaluar el efecto bioeconómico
de la mastitis clínica en el hato. Este efecto se simula con base en la tasa de incidencia de
mastitis y el día inicial de ocurrencia durante la lactancia (figura 2). No fue posible obtener datos
consistentes de incidencia de mastitis en la finca base, por lo que los valores utilizados en este
modelo se obtuvieron de un estudio realizado por Wilson et al. (2004), en el cual se analiza la
incidencia de mastitis clínica y se efecto sobre la producción de leche en 2 hatos lecheros. En este
estudio se mencionan incidencias de 19.6% y 6.3% para vacas en primera lactancia, y de 28.8 y
32
13.8% para vacas de segunda o más lactancia. Otro estudio (Hoblet et al. 1991) reportó un rango
de incidencia de mastitis clínica entre 15.6% y 63.7% para 9 hatos lecheros en Ontario. En el
presente estudio, dado que el hato bajo análisis presenta condiciones de manejo relativamente
buenas, se asumió una incidencia de 15.0±3%, la cual puede considerarse como baja-normal.
Esta incidencia se simuló utilizando una aproximación normal de una distribución binomial,
indicando la proporción esperada (+D.E) de vacas con 1 evento mastitis clínica a lo largo de la
lactancia.
En cuanto al día de inicio de la mastitis, los datos disponibles en la finca base indicaron una
ocurrencia a los 109 días (promedio). Esta variable no presenta una distribución normal ya que la
mayoría de los casos de mastitis se concentran alrededor del pico, por lo que se utilizó una
distribución exponencial para representarla. Esta distribución exponencial asume una mayor
frecuencia del evento al inicio de la lactancia, con una reducción progresiva de la probabilidad de
ocurrencia hacia el final de la lactancia.
Variables de consumo de concentrado. En el modelo el consumo de concentrado está en función
de la producción de leche esperada según la curva de lactancia. Se asumen relaciones de 2, 3 y 4
kg de leche por kg concentrado en las etapas 0-100 d, 100-200 d y 200 d-final de lactancia
(DLAC), respectivamente. El consumo de concentrado durante el periodo seco se asume fijo en 2
kg. Estas relaciones corresponden a la práctica más común utilizada en hatos lecheros de las
zona (Vargas et al. 2001). El consumo de concentrado en la etapa de crianza se consideró como
fijo y se utilizó únicamente en la estimación de los costos de crianza (anexo 1).
Variables económicas. El modelo considera los precios de los componentes básicos de la leche
con base en el sistema de pago actual de la cooperativa lechera de mayor envergadura en el país.
De acuerdo con este sistema de pago la grasa y proteína reciben un mismo valor ($2.63/kg),
mientras que la lactosa recibe un precio de $2.14.
Otros parámetros económicos incluidos incluyen el precio de carne en canal para vaca lechera de
desecho, los costos por tratamiento de mastitis clínica, el precio del concentrado, el costo de
crianza de reemplazo (ver anexo 1) y los costos fijos por vaca adulta (ver anexo 2).
En el cálculo de estos costos de crianza y costos fijos por vaca adulta se consideró información
relacionada con: mano de obra, alimentación, uso de insumos animales (medicamentos) o
33
materiales de finca (fertilizantes, combustibles, etc). Para los costos de crianza se asumió una
edad a primer parto (fija) de 24 meses.
Los precios de distintos insumos se especificaron de acuerdo a las condiciones de producción
locales y los costos se expresaron en USD de acuerdo con el tipo de cambio oficial. Además de
un costo base, el modelo considera también una desviación estándar equivalente al 10% de los
promedios observados con el fin de representar la posible inestabilidad e incertidumbre en
precios de insumos. De la misma manera se consideró la posible variación en los precios de la
leche y carne. Adicionalmente se consideró un costo fijo único adicional por administración de la
finca.
Correlaciones entre variables. En la realidad, es evidente que muchas de las variables
mencionadas anteriormente pueden no ser independientes unas de otras. En términos de
simulación estocástica la interdependencia entre variables puede representarse mediante el uso de
distribuciones de probabilidad correlacionadas. En el presente modelo, se asumieron
correlaciones (fenotípicas) entre algunas de los rasgos productivos de entrada en el modelo. Estas
correlaciones se especificaron con base en diferentes fuentes.
Las correlaciones entre parámetros de la función Wood fueron tomadas de las correlaciones
obtenidas en el procedimiento de ajuste de dicha función a los datos reales de la finca. Asimismo
las correlaciones entre componentes de la leche fueron estimadas con base en datos de la finca.
Se asumieron además correlaciones positivas de magnitud baja entre incidencia de mastitis y
producción ya que se reporta mayor incidencia de mastitis en bajas de alta producción. Asimismo
también se reportan mayores días abiertos para vacas de mayor producción.
Tabla 2. Matriz de Correlaciones Fenotípicas entre Rasgos Productivos de Entrada en el
Modelo
A B C %GR %P IMC DA A 1.00 B -0.65 1.00 C -0.36 0.83 1.00 %GR -0.37 0.00 0.00 1.00 %P -0.19 0.00 0.00 0.79 1.00 IMC 0.42 0.00 0.00 0.11 0.11 1.00 DA 0.24 0.00 0.00 0.24 0.24 0.05 1.00
34
En cuanto a los costos, su asumió una correlación de 0.75 entre costo de concentrado, costo de
crianza y costos fijos por vaca adulta, y una correlación de 0.90 entre el precio de grasa y
proteína, lo anterior en consideración de que generalmente en la realidad existe relación estrecha
entre precios, tanto de insumos y productos.
La combinación de los parámetros de entrada descritos anteriormente permitió obtener diversos
parámetros de salida del modelo relacionados con la eficiencia biológica y económica de la finca
(tabla 3).
Entre los estimados de eficiencia biológica calculados por el modelo se obtuvieron: el número
esperado de vacas lactantes y de hembras de reemplazo por año calendario. Estos parámetros
están en función de la eficiencia reproductiva y de la mortalidad del hato. Es importante notar
que en el presente estudio el número de hembras de reemplazo se expresa por año calendario, ya
que está en función tanto de la tasa de parición como del periodo abierto. La tasa de parición
define el flujo de animales por cada ciclo productivo, y este resultado se ajusta por la longitud del
intervalo entre partos para obtener un estimado del flujo de animales por año calendario. En la
situación base la longitud esperada del ciclo productivo es de 376 d, por lo tanto para obtener el
flujo de animales por año calendario, debe multiplicarse el estimado obtenido por cada ciclo
productivo por un factor de 0.97 (365/376).
El número de hembras de reemplazo en la finca define la tasa de reemplazo máxima posible y por
consiguiente también define el umbral de desecho (z). En el modelo, este umbral se expresa en
unidades estándares y representa el rendimiento mínimo que debe presentar un animal para no ser
desechado del hato (ver capítulo 2).
35
Tabla 3. Parámetros de Salida del Modelo de Simulación y Fórmulas de Cálculo
Parámetros de salida Unidad Símbolo Fórmula de cálculoa
Vacas lactantes n VL VA*TP/100-VA*TMa/100
Hembras Reemplazo n HR VL*0.5*(1-TMj/100)
Umbral máximo z UM DISTR.NORM.ESTAND.INV(HR/VL)
Hembras desechadas n HD DISTR.NORM.ESTAND(UM)*VL
Tasa de reemplazo anual % TR HR/VA*100
Longitud de vida productiva años LVP 100/TR
Prod. Leche (normal) kg/vaca/año PLnb Σ (a × tb × e-c × t)/(DA+DP)*365
Prod. Leche Pico kg PP (a × (b/c)b × e-c × (b/c))
Días Secos d DS (DP+DA)-DLAC
Reducción por Mastitis kg/vaca/año RMc (( Σ (a × tb × e-c × t)*%R) /(DA+DP)*365)*(IMC/100*VL))/VL
Prod. Leche (sin Mastitis) kg/vaca/año PLsm PLn-RM
Prod. Grasa kg/vaca/año PGR (Σ (a × tb × e-c × t)*%G)/(DA+DP)*365)-(RM*%G/100)
Prod. Proteína kg/vaca/año PPR (Σ (a × tb × e-c × t)*%P)/(DA+DP)*365)-(RM*%P/100)
Prod. Lactosa+Minerales kg/vaca/año PLMN ((PLn*0.054)/(DA+DP)*365)-(RM*0.054)
Prod. Sólidos leche kg/hato/año PSOL (PGR+PPR+PLMN)*VL
Prod. Carne canal kg/hato/año PCAR (PVD*RC)*HD
Consumo Concentrado kg/hato/año CONCc ((Σ (a × tb × e-c × t)*/ALx))/(DA+DP)*365)*VL
Ingresos Totales $/hato/año IT (PGR+PPR)*$KGP*VL+PLMN*$LMN*VL+HD*PCAR*$CAN
Gras+Prot % IGP [(PGR+PPR)*$KGP*VL]/IT
Lac+Min % ILM [PLMN*$LMN*VL]/IT
Carne % ICAR [PCAR*$CAN]/IT Costos Totales $/hato/año CT [($CON*CONC)+($CON*CONC)/3)]+
(VL*IMC/100*$MAS)+(VL*$VAC)+(HR*$REM) Alimentación % CAL [($CON*CONC)+(VL*$CON*CONC)/3]/CT
Tratamiento Mastitis Clínica % CM (VL*IMC/100*$MAS)/CT
Costos fijos por vaca lactante % CF (VL*$VAC)/CT
Costo crianza de reemplazos % CC (HR*$REM)/CT
Margen Bruto $/hato/año MB IT-CT a Códigos de variables de entrada según tabla 1.Operadores matemáticos (*,^) se especifican de acuerdo al formato utilizado por la
hoja electrónica de Excel
b El cálculo de la producción de leche esperada se realiza mediante integración de la función de Wood desde día (t)=1 hasta DLAC (longitud de lactancia). Se corrige por intervalo entre partos (DA+DP)*365 para obtener producción por año calendario
c En el cálculo de RM (reducción por mastitis) %R se refiere al porcentaje de reducción en producción (ver tabla xx) por efecto de mastitis clínica
d En el cálculo de CONC (consumo de concentrado) ALx se refiere a la relación kgs leche/kgs concentrado, la cual depende del día de la lactancia (ver tabla 1)
36
En cuanto a los parámetros de la lactancia, el modelo proporciona estimados de producción de
leche y sus componentes expresados por vaca lactante y año calendario, así como de la longitud
esperada del periodo seco. Estos estimados se obtienen mediante integración numérica de la
función de Wood a lo largo del periodo de lactancia. El consumo de concentrado se estima de
acuerdo con esta producción y las relaciones leche/concentrado para cada etapa de lactancia
especificadas en los parámetros de entrada.
El modelo estima además producciones corregidas por el efecto de mastitis clínica. La
estimación de la reducción en producción por efecto de mastitis se obtuvo con base en
estimaciones realizadas por el estudio de Wilson et al (2004). De acuerdo con dicho estudio, la
mastitis clínica causa una reducción en la producción durante todo el periodo de la lactancia
posterior al inicio de la mastitis (figura 2). En el modelo se asume un 100% de pérdida de leche
durante los primeros 7 días posteriores al inicio de las mastitis, un 24% de pérdida entre los 7 y
35 días, un 11% entre los 35 y 70 días y un 8% de pérdida después de los 70 días.
Combinando los parámetros de eficiencia biológica y los parámetros económicos se obtuvieron
estimados de eficiencia económica de la finca. Los parámetros económicos considerados fueron:
ingreso total (por venta de leche y carne), costo total (por alimentación, costos de crianza, costos
fijos por vaca, costos por tratamiento de mastitis) y margen bruto, expresados en términos de
USD por año/finca. En el costo de alimentación se consideró el costo del concentrado más un
30% adicional por suplementación. No se consideraron en este modelo ingresos o costos no
relacionados con la actividad de venta de leche y carne.
Análisis de regresión escalonado y correlaciones parciales Pearson
La simulación estocástica permite estimar el grado de asociación entre distintas variables de
entrada y los parámetros de salida del modelo. En este estudio se realizó un análisis de regresión
escalonado (Stepwise regression) para identificar las variables de entrada con efecto estadístico
significativo sobre 2 parámetros de salida: la producción de sólidos totales (PSOL), que evalúa la
eficiencia biológica; y el margen bruto (MB), que evalúa la eficiencia económica. Los resultados
de este análisis se reportaron mediante correlaciones parciales Pearson entre distintas variables de
entrada y los parámetros de salida del modelo. Estas correlaciones permiten establecer la
importancia y el impacto relativo de cada variable de entrada sobre los parámetros PSOL y MB,
asumiendo valores constantes para las demás variables de entrada.
37
1.3 RESULTADOS Y DISCUSIÓN
Diagnóstico de situación actual
La base de datos inicial, antes de la selección de fincas y edición de datos, contó con un total de
757 fincas de ganado lechero de Costa Rica, las cuales han contribuido con información a la base
de datos del proyecto CRIPAS. Algunas de estas fincas, sin embargo, no se encuentran
actualmente dentro de la base de datos. Según se observa en la tabla 4, la gran mayoría de estas
fincas (63.9%) se ubican en la provincia de Alajuela, y en segunda plano en las provincias de
Cartago, Guanacaste y Heredia; lo que corresponde sin duda con la ubicación de las zonas de
mayor tradición lechera en Costa Rica.
Tabla 4. Distribución inicial de fincas según ubicación geográfica
Antes de selección Después de Selección
Provincia n % n %
Alajuela 484 63.9 166 56.4
Cartago 113 14.9 73 24.8
Heredia 61 8.1 18 7.5
Guanacaste 52 6.9 22 6.1
Limón 4 0.5 0 0
Puntarenas 11 1.5 1 0.4
San José 32 4.2 14 4.8
Total 757 100 294 100
El ingreso de estas fincas a la base de datos del proyecto CRIPAS se ha realizado de manera
escalonada y el tiempo de permanencia es altamente variable. Según los datos de inicio de las
finca dentro del sistema, aproximadamente el 17.6% de las fincas ingresaron antes del año 1990 y
el 65.9% antes del año 2000. Asimismo, el número promedio de años de información registrada
en la base de datos fue de 7.4±5.8 años.
Una vez aplicados los criterios de selección (razas, actualización, continuidad, cantidad) se contó
finalmente con un total de 294 fincas. Según se observa (Tabla 4) la distribución geográfica de
38
estas fincas fue similar, ya que la gran mayoría se ubicaron en la provincia de Alajuela (56.4%) y
en segundo término en Cartago, Heredia y Guanacaste. Dentro de las fincas seleccionadas, el
número promedio de años de información registrada en la base de datos fue de 12.1±5.4 años.
En la tabla 5 se resume los hallazgos concernientes al tipo y cantidad de información que registran
las fincas en el programa VAMPP. Según se observa, el número promedio de partos registrados es
de 619.2, variando entre 100 (criterio mínimo para inclusión en el estudio) y 5663. Se puede
apreciar que todas las fincas seleccionadas (n=294) reportan datos reproductivos. Esto se debe a que
la digitación de los partos e inseminaciones es prioritaria en el sistema VAMPP y además es
requisito indispensable para que el programa genere los reportes mínimos de rendimiento
reproductivo por periodo.
Tabla 5. Cantidad promedio de eventos (y variación) registrados sobre distintos rasgos en
las 294 fincas seleccionadas
Rasgo Fincasa Promedio D.E Mínimo Máximo /Partob Partos 294 619.2 648.9 100 5663 Periodo abierto 294 515.9 528.2 70 4339 Servicios×Concepción 294 515.9 528.2 70 4339 Leche 277 10777.9 14542.9 24 101097 14.1 Grasa 82 1842.4 3141.0 1 13766 2.24 Sólidos Totales 80 1646.8 2780.6 1 12900 2.05 Proteína 69 1334.8 2047.7 1 10064 1.77 Mastitis (C+SC) 191 133.3 431.6 1 4755 Células somáticas 31 201.9 334.0 1 1245 Pesos corporales 189 1127.3 2491.4 1 26138 a Número de fincas con al menos 1 evento registrado del correspondiente rasgo b Razón de número de eventos entre número de partos (solo para componentes de leche)
Asimismo, una gran mayoría de las fincas seleccionadas (94%), reportan además producción de
leche. También es posible observar que la frecuencia de pesaje de leche es alta ya que el número
promedio de pesas reportadas por lactancia es de 14.1. Sin embargo, el número de fincas que reporta
componentes de leche (grasa, sólidos y proteína) se reduce a menos de una tercera parte (28%
grasa), y el número promedio de registros en las fincas que reportan es muy bajo (alrededor de 2%).
39
En cuanto a mastitis, aproximadamente un 64% de las fincas han reportado eventos de mastitis
clínica o subclínica, pero solo el 11% han reportado conteo de células somáticas. Por otro lado,
aproximadamente un 64% de las fincas ha reportado pesos corporales.
Se realizó un conteo adicional para determinar el número de fincas que reportan de manera
combinada información reproductiva, productiva, salud de ubre y pesos corporales. Ninguna
finca reporta de manera consistente todos los 9 tipos de rasgos. Los criterios más restrictivos
fueron los relacionados con el reporte de mastitis, ya que solo algunas fincas reportan células
somáticas y de manera poco consistente en la mayoría de ellas. Aunque un número considerable
reportan algunos eventos de mastitis clínica o subclínica, es evidente que no lo hacen de manera
consistente dado que el número de casos que se reporta es bajo, lo que hace sospechar que no es
un dato realista.
Solo 2 fincas (0.68%) reportaron de forma consistente sobre 7 rasgos (reproducción+ producción
+control de pesos corporales), mientras que aproximadamente un 5% reportan entre 5 y 6 rasgos,
mayormente los 2 rasgos reproductivos y 3 o 4 rasgos relacionados con producción. Asimismo,
una considerable proporción de fincas (20.7%) reportan de manera consistente solo 4 rasgos (2
reproductivos+producción+peso corporal) y una gran proporción (56.5%) reportan solo 3 rasgos
(2 reproductivos+producción). Por último un 15.3% reportan de manera consistente solo los 2
rasgos reproductivos (parto concepción y servicios por concepción).
Estadística descriptiva por raza. En la tabla 6 se muestran los rendimientos observados para
las 4 razas lecheras en la población bajo estudio. Si bien pueden existir diferencias en la
distribución de las razas entre zonas agro ecológicas, es posible observar algunas tendencias en
cuanto al rendimiento relativo de estas razas. Por ejemplo, la raza Jersey tiende a presentar un
mejor rendimiento en parámetros reproductivos y en contenido de sólidos totales; si bien es una
raza de menor producción total y de menor envergadura. De la misma manera es evidente la
mayor producción de leche de la raza Holstein en comparación con las demás, aunque su
rendimiento reproductivo y contenido de sólidos en la leche tiende a ser menor, sobre todo
comparado con la Jersey. En cuanto a células somáticas es difícil establecer tendencias ya que los
datos disponibles provienen de muy pocos hatos y las desviaciones estándares son muy elevadas.
40
Tabla 6. Rendimiento observado para rasgos reproductivos y productivos según raza en la
población bajo estudio.
Holstein Guernsey Jersey Pardo Suizo
Variable Escala X D.E X D.E X D.E X D.E
Periodo Abierto Días 116.8 57.9 114.2 53.1 102.6 52.7 109.4 54.7
(n) 89485 4105 53632 5142
Serv×Concepción n 1.71 0.99 1.81 1.08 1.63 0.95 1.79 1.04
(n) 89485 4105 53632 5142
Leche Kg 20.2 8.4 17.6 6.68 15.1 5.71 13.4 5.55
(n) 1788679 60242 1071813 64126
Grasa % 3.49 0.76 4.31 0.88 4.46 0.77 3.84 1.04
(n) 73959 10917 65565 639
Proteína % 3.11 0.35 3.37 0.37 3.59 0.36 3.47 0.39
(n) 51020 6267 34225 592
Sólidos totales % 11.89 1.43 13.31 0.96 13.42 1.36 12.61 1.04
(n) 65530 7328 58274 613
Cél. somáticas cel/mL 153442 374981 157513 207133 353743 662962 5586.4 43469.9
(n) 3294 19 58274 159
Peso adultoa kg 514 6.48b 542 6.74b 445 3.50b 500 5.97b
aEl peso adulto para cada raza se obtuvo mediante ajuste de una función de crecimiento de Gompertz a pesos reales
observados en la población analizada (solo fincas de zona Bosque Muy Húmedo-Pluvial)
bEn el caso de Peso adulto, el parámetro de dispersión reportado corresponde al error estándar obtenido en la estimación
del parámetro de Peso a Madurez
41
Resultados del modelo de simulación
La tabla 7 muestra los resultados obtenidos mediante el modelo de simulación. Como se observa
el modelo predice que el hato estudiado tendrá un promedio de 97.5±6.29 vacas lactantes y
producirá aproximadamente 42.9±3.04 hembras de reemplazo. Esta disponibilidad de hembras de
reemplazo indicaría una tasa de reemplazo del 34.3±2.43 y una longitud de vida productiva de
2.93±0.21 años. Esta alta tasa de reemplazo y la consecuente vida productiva tan baja es típica de
fincas lecheras especializadas. Cedeño y Vargas (2004) reportaron una vida productiva promedio
observada de 2.52 años para la población de raza Jersey en Costa Rica, lo que concuerda
aproximadamente con el estimado del modelo para la finca bajo estudio.
El número de vacas desechadas está limitado a la disponibilidad de hembras de reemplazo. En el
modelo se asume un nivel de desecho máximo, es decir todas las hembras de reemplazo son
utilizadas. Esto implica que el umbral de desecho para este hato sería de -0.15 (z), lo que
significa que, por ejemplo, si se realizara un descarte únicamente por producción anual las
hembras a descartar serían las que produjeran por debajo de 5154.1 kg [5355.5 – (0.15
×1342.5)], dada la producción anual por vaca que estima el modelo. Este umbral de desecho es
altamente dependiente de la eficiencia reproductiva y el nivel de descarte involuntario. Entre
mayor sea la tasa de parición y menor el descarte involuntario, mayor será el umbral de desecho,
en otras palabras, se puede realizar un descarte más intenso en el hato. Este resultado será
discutido más ampliamente en el capítulo 2.
El modelo estima además una producción diaria al pico de la lactancia de 21.6±4.7 kg. Esta
producción diaria es alta considerando que se trata de la raza Jersey. Sin embargo, esto se debe a
que la finca analizada en este estudio posee animales de reconocido potencial genético en el país.
La longitud resultante del periodo seco para la finca, de acuerdo con el modelo, es de 82.1±51.2
días. Esta longitud de periodo está probablemente por encima del óptimo. Este periodo es
dependiente del intervalo entre partos (376.4 d) y la duración observada de la lactancia la cual es
de aproximadamente 300 días en esta finca.
42
Tabla 7. Parámetros de salida resultantes de la simulación estocástica
Parámetro Unidad Promedio D.E Mínimo Máximo
Vacas lactantes n 97.5 6.29 74.0 121.8
Hembras Reemplazo n 42.9 3.04 31.8 54.2
Umbral máximo z -0.15 0.03 -0.27 -0.03
Vacas desechadas n 42.9 3.04 31.8 54.2
Tasa de Reemplazo % 34.3 2.43 25.4 43.4
Longitud v.product años/vaca 2.93 0.21 2.30 3.94
Prod. Leche esperada kg/vaca/año 5355.5 1342.46 1283.2 10292.2
Prod. Leche al pico kg/día 21.63 4.66 5.82 36.36
Periodo Seco días 82.2 51.15 15.0 408.5
Reducción por Mastitisa kg/vaca/año 76.82 32.44 4.67 221.90
Prod. Leche sin mastitis kg/vaca/año 5278.7 1323.99 1266.5 10070.3
Prod. Grasa kg/vaca/año 231.9 57.26 72.3 509.0
Prod. Proteína kg/vaca/año 183.6 46.31 53.0 375.5
Prod.Lact + Minerales kg/vaca/año 283.6 87.97 54.3 651.1
Prod. Sólidos leche kg/hato/año 68161.1 18351.34 17976.0 153270.3
Prod. Carne canal kg/hato/año 9265.6 786.26 6073.5 12515.1
Consumo Concentrado kg/hato/año 210390.4 47598.41 74461.0 402087.4
Ingresos (I) USD/hato/año 180113.36 44360.79 59136.84 388500.41
Gras+Prot % 0.59 0.03 0.46 0.69
Lac+Min % 0.32 0.04 0.16 0.45
Carne % 0.09 0.02 0.04 0.25
Costos ( C ) USD/hato/año 133280.40 18778.23 77649.05 219013.05
Alimentación % 0.43 0.06 0.19 0.60
Trat. Mastitis Clínica % 0.00 0.00 0.00 0.00
Costos fijos por vaca % 0.28 0.03 0.20 0.42
Costo crianza % 0.20 0.02 0.13 0.30
Administración % 0.09 0.01 0.05 0.15
Margen Bruto (I-C) USD/hato/año 46832.96 33924.87 -46322.55 210017.78 a La reducción en producción por mastitis se expresa como un promedio por vaca lactante, no por vaca afectada
43
En cuanto al efecto de la mastitis clínica, el modelo estima una reducción de 76.8±32.4 kg en la
producción promedio por vaca lactante por año. Un estudio realizado en 9 hatos lecheros en
Ontario (Hoblet et al 1991) reporta reducciones en el rango entre 76 y 206.8 kg/vaca/lactancia
debidas al efecto de mastitis clínica, dependiendo del tipo de infección.
Con base en la producción corregida por el efecto de mastitis clínica, se obtuvieron producciones
estimadas de 231.9±57.29, 183.6±46.3, 283.6±87.9 kg de grasa, proteína y lactosa+minerales,
respectivamente. La producción anual de sólidos de la finca se estima en aproximadamente
68161 ±18351 kg.
Entre los parámetros económicos se obtuvo un estimado de ingresos anuales de 180113.4±
44360.8 USD, de los cuales un 59% es contribuido por la grasa y proteína, un 32% por la lactosa
y minerales y el restante 9% por venta de animales de desecho. En cuanto a los costos el
estimado anual fue de 133280.4±18778.2 USD, de los cuales un 43% es contribuido por
alimentación y 28, 20 y 9% atribuibles a costos fijos por vaca, crianza y administración.
En el modelo el costo estimado por tratamiento de mastitis es relativamente nulo. Sin embargo el
verdadero efecto de la mastitis no radica en el incremento de los costos, sino en la reducción de
los ingresos. En la situación base, esta reducción en ingresos anuales sería de aproximadamente
2455 USD para la finca bajo estudio. Aunque no se pudieron obtener estimados confiables de la
incidencia real de mastitis clínica en esta finca, es probable que la reducción en ingresos estimada
en el presente estudio sea bastante conservadora; ya que se utilizó una incidencia relativamente
baja y se consideró únicamente pérdidas por concepto de reducción producción. Tampoco se
considera en el modelo el efecto de las mastitis subclínica, el cual se reporta muy superior al de la
mastitis clínica (Degraves y Fetrow 1993).
Finalmente, el modelo estima un margen bruto anual de 46832.9±33924.9 USD, lo que
significaría una Beneficio/Costo para la situación base de 1.35, indicando un nivel de rentabilidad
bastante alto tomando en cuenta las condiciones de producción de la agricultura local. Es
evidente sin embargo que la finca analizada no puede considerarse representativa de la población
de fincas lecheras del país, ya que fue seleccionada con base en la mayor disponibilidad de
información. Esta mayor disponibilidad de información sin duda se correlaciona fuertemente con
un mejor manejo general de la finca, por lo que es probable que esta finca se encuentre en el
rango superior de eficiencia dentro de la población total.
44
Análisis de regresión escalonado y correlaciones parciales
La figura 3 muestra las variables que presentaron correlaciones estadísticamente significativas
(p<0.05), tanto positivas como negativas, con la variable de salida producción de sólidos totales
(PSOL, en kg/hato/año) de acuerdo con el análisis de regresión escalonado.
Según se observa la variable con el mayor efecto positivo es el parámetro a de la función de
Wood, el cual se interpreta como el nivel de producción de leche, mientras que en un segundo
plano se ubican la longitud de la lactancia y la tasa de parición. Con menores magnitudes pero
siempre positivas están el contenido de proteína y el contenido de grasa. El efecto del nivel de
producción es evidente ya que mayor producción implica mayor volumen de producción por
animal y en consecuencia mayor producción de sólidos. De igual manera se interpreta el efecto
del contenido de grasa y proteína los cuales directamente se relacionan con la producción de
sólidos. Por otra parte, el efecto positivo de la longitud de la lactancia es menos evidente, pero se
debe a que lactancias más largas implican periodos improductivos (días secos) más cortos, lo que
redunda en mayor producción anual. Debe considerarse además que las correlaciones calculadas
son parciales, por lo que se establece asociación positiva entre DLAC y PSOL para intervalos
entra partos constantes. Este efecto puede ser importante para la finca bajo estudio ya que, como
se discutió anteriormente, la finca presenta un periodo seco que excede los 80 días, lo cual puede
derivar en una importante pérdida económica.
45
-0.95
-0.25
-0.14
0.11
0.17
0.30
0.82
0.88
0.96
-1.25 -1.00 -0.75 -0.50 -0.25 0.00 0.25 0.50 0.75 1.00 1.25
Días Abiertos
Duración Preñez
Tasa de Mortalidad (adultos)
Día de 1ra Mastitis
Contenido de Grasa
Contenido de Proteína
Tasa de Parición
Días Lactancia
a Wood
Figura 3. Correlaciones entre variables de entrada del modelo y Producción de Sólidos
Totales (kg/hato/año)
El efecto positivo de la tasa de parición es también evidente ya que a mayor parición mayor
disponibilidad de hembras lactantes y mayor producción de leche y sólidos a nivel de hato.
Se observa también una correlación ligeramente positiva entre día de inicio de la mastitis y
PSOL. Esta asociación es debida a que el efecto de la mastitis es menor cuando sucede en etapas
tardías de la lactancia.
Por otro lado, la variable que presentó la correlación negativa más fuerte con producción de
sólidos fue los días abiertos. Esta fuerte asociación es evidente, ya que un mayor periodo abierto
implica ciclos reproductivos más amplios que reducen la disponibilidad de hembras lactantes por
año calendario y reducen también el periodo productivo.
Otras variables con correlaciones negativas pero menores a la anterior fueron días de preñez y la
tasa de mortalidad en adultos. La mortalidad ejerce un efecto negativo ya que reduce el número
promedio de hembras adultas presentes y el efecto de longitud de preñez es debido a la reducción
en el número de días productivos.
46
La figura 4 muestra el resultado del análisis de regresión y correlaciones para la variable de salida
Margen Bruto (MB).
-0.95
-0.52
-0.34
-0.26
-0.25
-0.05
-0.01
0.05
0.11
0.12
0.25
0.27
0.38
0.53
0.90
0.94
-1.25 -1.00 -0.75 -0.50 -0.25 0.00 0.25 0.50 0.75 1.00 1.25
Días Abiertos /
Costo concentrado /
Costos fijos vaca adulta /
Costo reemplazos /
Duración Preñez /
Tasa de Mortalidad (adultos) /
Incidencia Mastitis Clínica /
Rendimiento en canal /
Peso Vaca Desecho /
Dia de 1ra Mastitis /
Contenido de Grasa /
Precio kg Grasa o Proteína /
Contenido de Proteína /
Tasa de Parición /
Días Lactancia /
a (Wood) /
Figura 4. Correlaciones entre variables de entrada del modelo y el Margen Bruto
(USD/hato/año)
En este caso podemos ver que el número de variables correlacionadas de manera significativa es
mayor que para PSOL. Esto se debe a que el margen bruto depende también de factores exógenos
(p.e precios de insumos y productos) que tienen una fuerte asociación con la eficiencia
económica de la finca.
Como se observa, las variables con asociaciones positivas altas son el nivel de producción, la
duración de la lactancia y la tasa de parición. Posteriormente, el contenido de grasa y proteína,
así como el precio de grasa y proteína muestran asociaciones positivas intermedias. Asimismo,
47
las variables día de inicio de mastitis, peso y rendimiento en canal de las hembras de desecho
muestran también asociaciones positivas con el margen bruto, pero de baja magnitud.
Por el contrario, las variables con asociación negativa alta fueron los días abiertos y el costo del
concentrado; mientras los costos fijos por vaca, el costo de crianza y los días de preñez muestran
asociaciones negativas de nivel intermedio con el margen bruto.
El concentrado es el principal insumo alimenticio en sistemas de lechería especializada, por lo
que es evidente el gran impacto que tiene el precio de este insumo sobre el margen bruto. Por otra
parte, los costos fijos por vaca y el costo de crianza, si bien se muestran en el modelo como
costos agregados, en realidad representan el efecto negativo que ejerce el incremento en el costo
de distintos insumos (p.e mano de obra, concentrados, medicamentos, etc) sobre la eficiencia
económica de la finca (ver anexos 2 y 3). Dentro de la crianza, el costo principal lo constituye
nuevamente el concentrado, el cual representa aproximadamente un 54% del costo total. Dentro
de los costos fijos por vaca, el costo principal lo constituye la mano de obra, que representa
aproximadamente un 60%.
Otras variables con correlaciones negativas significativas con MB, aunque de magnitud baja,
fueron la tasa de mortalidad de adultos y la incidencia de mastitis clínica.
1.4. CONCLUSIONES
El modelo construido permite cuantificar de manera bastante precisa el posible impacto (aislado y
agregado) de distintas variables biológicas y económicas, sobre la eficiencia bioeconómica de un
sistema de producción lechero.
De acuerdo con el modelo el nivel de producción es la variable biológica que presenta mayor
impacto sobre la producción anual de sólidos y el margen bruto de la empresa. En segundo plano,
la duración de la lactancia y la tasa de parición presentan también una correlación positiva
importante, así como el contenido de grasa y proteína en la leche. Por el contrario la variable
biológica con mayor correlación negativa fue los días abiertos. De estos resultados se infiere por
lo tanto que tanto los rasgos de producción como los reproductivos juegan un papel muy
importante en el nivel de eficiencia bioeconómico de un hato lechero.
El estudio demuestra también el efecto importante de variables económicas exógenas, tales como
el precio de los componentes lácteos y el precio del concentrado. Esto indica que este sistema de
producción es altamente sensible a estas variables, lo que podría verse como una característica
48
no deseable. Sin embargo, bajo las condiciones actuales el sistema que se estudia presenta una
relación beneficio costo bastante alta, aunque el hato analizado no es representativo de las
condiciones promedio de la población de fincas.
El modelo puede ser utilizado como herramienta de apoyo para la toma de decisiones, por
ejemplo para evaluación de la factibilidad biológica y económica de distintas alternativas de
intervención y para detectar las áreas de mayor sensibilidad en este tipo de sistemas de
producción. Una alternativa puede considerarse viable siempre y cuando los costos que
represente su implementación sean menores a sus beneficios, los cuales podrían ser estimados
mediante este modelo.
Desde el punto de vista de optimización del descarte el modelo puede ser utilizado para calcular
el valor económico de distintos rasgos de producción (ver capítulo 2). Estos valores económicos
pueden ser agregados dentro de un índice bioeconómico mediante el cual las hembras en el hato
puedan ser diferenciadas y jerarquizadas de acuerdo a su aptitud bioeconómica. De esta manera
se contaría con un método más objetivo para identificar las hembras más propensas a ser
descartadas. Sin embargo, una limitante en este sentido puede ser la limitada disponibilidad de
registro de algunos rasgos de rendimiento a nivel de finca. Según se demuestra en este estudio,
existe una disponibilidad bastante alta de información concerniente a producción de leche y los
principales parámetros reproductivos, así como mortalidad. Por el contrario, la proporción de
fincas lecheras que reportan de manera consistente datos sobre componentes de leche o mastitis
es todavía baja.
Debido a que el modelo se maneja enteramente en ambiente de hoja electrónica su operación es
relativamente sencilla, lo que permite explorar rápidamente el efecto de modificaciones en las
distintas variables de entrada y realizar análisis bajo distintos tipos de escenarios (biológicos y
económicos). Esto permitiría además adecuar de manera sencilla los parámetros del modelo al
rendimiento específico de distintos hatos.
Aunque el modelo en su versión actual permite obtener estimaciones bastante precisas de la
productividad del sistema, sin duda es todavía una representación muy simplificada de la
realidad. Se podría aumentar su utilidad si se consideran factores adicionales en la simulación,
sobre todo en relación a la cuantificación del efecto de mastitis subclínica, la inclusión dentro del
modelo de la curva de crecimiento y su efecto sobre la edad al primer parto, así como la
49
especificación de tendencias productivas y reproductivas en distintos partos. Esto sin duda
permitiría obtener estimados mucho más precisos de los parámetros bioeconómicos resultantes.
1.5 BIBLIOGRAFÍA Cedeño, D; Vargas, B. 2004a. Efecto de la raza y el manejo sobre la vida productiva del bovino lechero en Costa
Rica. Arch. Zoot. 53 (202) 129-140. Disponible en:
http://www.uco.es/organiza/servicios/publica/az/az2.htm
Cedeño, D; Vargas, B. 2004b. Optimización de políticas de descarte en ganado bovino lechero de Costa Rica. Arch.
Zoot. 53 (203).249-260. Disponible en:
http://www.uco.es/organiza/servicios/publica/az/az2.htm
DeGraves, F; Fetrow, J. 1993. Economics of mastitis and mastitis control. The Veterinary clinics of North America:
Food Animal practice. 9:421-434.
Hazel, LN. 1943. The genetic basis for constructing selection indices. Genetics 28:476-490.
Hoblet, KH, Schnitkey, GD; Arbaugh, D; Hogan, JS; Smith, KL; Schoenberger, PS; Todhunter, DA; Hueston, WD;
Pritchard, DE; Bowman, GL; et al . 1991. Costs associated with selected preventive practices and with
episodes of clinical mastitis in nine herds with low somatic cell counts. J Am Vet Med Assoc. 199:190-196.
Konandreas, PA; Anderson, FM. 1982. Cattle herd dynamics: An integer and stochastic model for evaluating
production alternatives. International Livestock Centre for Africa Addis Ababa, Ethiopia. ILCA Research
Report No. 2
León Velarde, C; Quiroz R. 2001. Modeling cattle production systems: integrating components and their interactions
in the development of simulation models. In: Proceedings of the Third International Symposium on Systems
Approaches for Agricultural Development. International Potato Center (CIP), Lima Perú. p. 18
Microsoft Corporation. Microsoft® Office Excel. 2003.
Nicholas, FW. 1987 Genética Veterinaria Editorial Acribia S. A. Apartado 46650080 Zaragoza (España).
Noordhuizen, JPTM; Buurman, J. 1984. Veterinary automated management and production control program for
dairy farms (VAMPP). The application of MUMPS for data processing. Vet. Q. 6, 62-77.
50
Noordhuizen, J; Frankena, K; Van der Hoofd, C; Graat, E. 1997. Application of quantitative methods in veterinary
epidemiology. Wageningen Pers, Wageningen, The Netherlands. 445 p.
Olesen, I; Groen, AF; Gjerde, B. 2000. Definition of animal breeding goals for sustainable production systems. J.
Anim. Sci. 78:570-582.
Palisade Corporation. 2002. Advanced risk analysis for spreadsheets @RISK. Version 4.5. Palisade Corporation.
Newfield, NY, USA.
Pérez, E; Baayen, MT; Capella, E; Barkema, H. 1989. Development of a livestock information system for Costa
Rica. In: H. Kuil, R. W. Palin, and J. E. Huhn (ED). Livestock Production and Diseases in the Tropics. Proc.
IV Internl. Conf. Inst. Trop. Vet. Med. Utrecht, The Netherlands, pp. 221-224.
Peters, KJ. 1993. Selection and breeding strategies for sustainable livestock production in developing countries, with
particular reference to dairy cattle production. British Society of Animal Production, occasional publication
16:120-128.
Quiroz, R; Arce, B; Cañas, R; Aguilar C. 1994. Development and use of simulation models in animal production
systems research. En: Animal production system research; methodological and analytical guidelines.
IDRC/IICA-RISPAL; San José, C.R. pp.103-149.
Sappag-Chain, N; Sappag-Chain, R. 1990. Preparación y evaluación de proyectos. 2da Edición. McGraw Hill. 390 p.
SAS (SAS Institute Inc. US). 1990. SAS International guide for personal computers. Version 6.0. p
Solano, C; Vargas, B. 1997. Crecimiento corporal de novillas de reemplazo en fincas lecheras de Costa Rica.
1.Tipificación de curvas de crecimiento en novillas Holstein y Jersey. Arch. Latinoam. Prod. Anim. ALPA
5(1):21-36.
Van Arendonk, JAM. 1986. Studies on the replacement policies in dairy cattle. IV. Influence of seasonal variation in
performance and prices. Livest. Prod. Sci. 14, 15-28.
Vargas, B; Groen, AF; Herrero, M; van Arendonk, JAM. 2002. Economic values for production and functional traits
in Holstein cattle of Costa Rica. Liv. Prod. Sci.: 75:101-116
Vargas, B; Herrero, M; Van Arendonk, JAM. 2001. Interactions between optimal replacement policies and feeding
strategies in dairy herds. Liv. Prod. Sci. 6:17-31.
51
Vargas, B; Koops, WJ; Herrero, M; Van Arendonk, JAM. 1999. Modeling extended lactations of dairy cows of
Costa Rica. J. Dairy. Sci. 83:1371-1380.
Vargas, B; Van Arendonk, JAM. 2004. Genetic comparison of breeding schemes based on semen importation and
local breeding schemes: framework and application to Costa Rica. J. Dairy Sci. 87:1496-1505.
Wilson, DJ; González, RN; Herti, J; Schulte, HF; Bennet, GJ; Schukken YH; Grohn, YT. 2004. Effect of clinical
mastitis on the lactation curve: a mixed model estimation using daily milk weights. J. Dairy Sci. 87:2073-
2084.
52
Capítulo 2
OPTIMIZACIÓN DEL DESCARTE EN HATOS LECHEROS ESPECIALIZADOS
MEDIANTE UN INDICE BIOECONOMICO DE SELECCIÓN
Manuel José Cuevas Abrego
53
OPTIMIZACIÓN DEL DESCARTE EN HATOS LECHEROS ESPECIALIZADOS
MEDIANTE UN INDICE BIOECONOMICO DE SELECCIÓN
RESUMEN
El objetivo del presente estudio es la utilización de un modelo bioecónomico para el cálculo de valores económicos de distintos rasgos productivos y funcionales presentes en ganado lechero, así como su inclusión en un índice de selección fenotípico que pueda ser utilizado para optimizar el descarte a nivel de hato. Los rasgos de producción considerados fueron producción al pico (Kg), % de grasa, % de proteína, longitud de lactancia, peso de la vaca de desecho (Kg) y rendimiento en canal (Kg). Los rasgos funcionales considerados fueron periodo abiertos (días), tasa de parición (%), incidencia de mastitis (%), mortalidad en adultos (%) y días transcurridos al inicio del evento de mastitis. Los valores económicos se obtuvieron mediante un análisis de regresión simple realizado sobre los resultados obtenidos del modelo estocástico. En este modelo los rasgos anteriores se utilizaron como variables predictoras y la función de utilidad (variable dependiente) fue el margen bruto. Los valores económicos obtenidos, expresados como incremento en margen bruto (USD/vaca/año) por unidad de incremento en el rasgo respectivo, fueron: -3.44 (período abierto, d), 40.83 (producción al pico, kg), 2.90 (longitud de lactancia, d), 6.19 (Tasa de parición, %), 111.7 (contenido de proteína, %), 96.11 (contenido de grasa,%), 0.32 (Peso de vaca de desecho, kg), 0.08 (día de inicio de mastitis), 4.36 (rendimiento en canal, %), -1.10 (incidencia de mastitis, %), -2.75 (tasa de mortalidad adultos,%). Se construyó un índice óptimo utilizando el procedimiento de Indices de Selección, conformado por dos rasgos de producción (producción al pico y % de grasa) y dos rasgos funcionales (periodo abierto e incidencia de la mastitis). El índice de selección óptimo causaría progresos sustanciales en producción al pico y contenido de grasa, pero a costa de pequeños aumentos indeseados en el periodo abierto y la incidencia de mastitis, esto debido a correlaciones genéticas indeseadas entre producción y las variables de días abiertos e incidencia de mastitis. Se concluye que el modelo construido permite estimar de manera eficiente el valor económico de distintos rasgos de producción y funcionales y que a partir de estos valores económicos pueden derivarse un índice de selección fenotípica simple que puede ser utilizado a nivel del hato lechero para optimizar el descarte.
Palabras claves: valores económicos, rasgos de producción, rasgos funcionales, índice de
selección fenotípica.
54
ABSTRACT
The objective of the study was the use of a bioeconomic stochastic model for the calculation of economic values for production and functional traits in dairy cattle, aiming at the inclusion of these traits in an optimum phenotypic selection index that can be used to optimize culling at a herd level. Production traits considered were: production at peak of lactation(kg), fat content (%), protein content (%), lactation length, body weight at culling (kg), and dressing percentage (%). Functional traits were: days open, calving rate (%), incidence of clinical mastitis (%), adult mortality rate (%) and time at onset of first mastitis within lactation (d). Economic values were calculated as partial regression coefficients obtained from a multiple regression analysis performed on simulated data, with all aforementioned traits as independent variables and gross margin as the dependent utility function. Economic values, expressed as the marginal increase in gross margin (USD/cow/yr) caused by a one-unit increase in each trait, were: -3.44 (days open, d), 40.83 (peak production, kg), 2.90 (lactation length, d), 6.19 (Calving rate, %), 111.7 (protein content, %), 96.11 (fat content,%), 0.32 (body weight,kg), 0.08 (days at the onset of mastitis), 4.36 (dressing percentage, %), -1.10 (mastitis incidence,%), -2.75 (mortality rate,%). An optimum index was obtained using Selection Index Theory, conformed by two production traits (peak production and fat content) and two functional traits (days open and mastitis incidence). The results indicate that the application of the index for within-herd selection would cause substantial progress in peak production and fat content, but at the expense of small undesired increases in days open and mastitis incidence; which are caused by undesired correlations between production and functional traits. It is concluded that the model provides an efficient way to estimate the economic value of production and functional traits and therefore can be used to derive selection indexes than can, for instance, be used at the herd level to optimize culling strategies. Keywords: economic values, production traits, functional traits, phenotypic selection index, gross margin.
55
2.1 INTRODUCCIÓN Una forma de optimizar el descarte en un hato lechero es mediante la estimación de un índice
bioeconómico de selección para las vacas en el hato. Existen diversos tipos de índices de
selección bioeconómicos. Para selección a nivel de hato una opción es el uso de índices
fenotípicos de selección (Bourdon 1997). En un índice de selección fenotípico los rasgos que se
incluyen en el índice coinciden con el objetivo de selección, lo cual no necesariamente sucede en
índices de selección más generalizados (Bourdon 1997).
El índice de selección fenotípico consiste en una función lineal que permite combinar
información procedente de varios rasgos en un único valor que representa el mérito
bioeconómico de un animal dentro de una población (Hazel 1943, Hazel et al 1994). En un índice
de este tipo cada rasgo se pondera mediante un factor óptimo que considera la importancia
económica de cada rasgo, su variabilidad (genética y fenotípica), y las posibles correlaciones
existentes entre ellos. La importancia económica de un rasgo se representa por medio de valores
económicos que pueden ser positivos, cuando un incremento en el rasgo aumenta las utilidades;
o negativos, cuando un incremento en el rasgo disminuye las utilidades.
El uso de un índice de selección fenotípico requiere inicialmente la definición de los rasgos
productivos por considerar y posteriormente la estimación de los valores económicos de estos
rasgos.
En cuanto a la definición de los rasgos por incluir en un índice agregado, actualmente es
importante considerar tanto los rasgos de producción, como los rasgos funcionales con el fin de
lograr una producción más equilibrada y sostenible, con animales que se adapten mejor a las
condiciones de producción actuales y futuras (Olesen et al 2000; Vargas et al 2004, Nielsen 2005,
2006). Los rasgos de producción son aquellos que directamente se relacionan con el producto
principal del sistema de explotación, p.e la producción de leche, grasa o proteína en ganado
lechero; mientras que los rasgos funcionales son aquellos que se relacionan con la productividad
de manera indirecta, tales como la fertilidad o la sobrevivencia. Entre los rasgos que se
consideran importantes para una producción sostenible se mencionan la adaptabilidad, la
fertilidad, la producción de leche y el crecimiento (Groen et al 1997; Olesen et al 2000; Peters
1993). En la actualidad la mayoría de los programas de selección para ganado lechero incluyen
en sus índices rasgos relacionados con producción de leche y contenido de sólidos
(especialmente proteína), longevidad, salud de la ubre, rasgos de conformación y rasgos
56
reproductivos (Miglior et al 2005). Varios estudios han demostrado el efecto positivo de
selección por rasgos funcionales tales como la fertilidad (Boichard 1990, Plazier et al 1997,
González et al 2004) y rasgos de eficiencia en conversión alimenticia (Groen y Korver 1990;
Veerkamp 1998; Koenen et al 2000).
Una vez definidos los rasgos por incluir en un índice de selección es necesario estimar su valor
económico. El valor económico de un rasgo se define como el cambio en la función de utilidad,
expresado por unidad animal, resultante de un cambio de una unidad en el mérito del rasgo
considerado (Hazel 1943; Groen 1989a; Plazier et al 1997). La teoría de cálculo de valores
económicos para poblaciones con diferentes intereses de selección ha sido analizada
extensivamente (Brascamp et al 1985; Gibson 1989; Groen 1989a; Groen 1989b; Smith et al
1986; Amer y Fox 1992; Groen et al 1997). La derivación de valores económicos se ha realizado
utilizando principalmente 2 enfoques, el enfoque normativo y el subjetivo (Olesen et al 2000). En
el enfoque normativo se hace uso extensivo de modelos bioeconómicos integrados de simulación,
donde se define una función de utilidad y los valores económicos son obtenidos como derivadas
parciales de los distintos rasgos de interés sobre esta función. Este enfoque es el más indicado
cuando existe suficiente información disponible del sistema de producción. En el enfoque
subjetivo los valores económicos pueden ser establecidos con base en características generales
del mercado o asignando valores relativos a características que pueden ser intangibles, p.e
preferencias de consumo.
En ganado lechero, no existen estudios previos en Costa Rica que reporten el uso de índices
bioeconómicos a nivel de finca. Sin embargo, un estudio realizado por Vargas et al. (2002)
reporta valores económicos para algunos rasgos funcionales y de producción a nivel de la
población de ganado Holstein de Costa Rica. Dicho estudio obtuvo valores económicos de 0.04
para componente líquido de la leche (carrier), 5.25 para grasa, 3.95 para proteína, 0.92 para
rendimiento en canal, 1.30 para tasa de concepción, 2.42 para tasa de sobrevivencia, 0.81 para
peso corporal y 84.5 para capacidad ruminal.
Objetivos
El presente estudio se enfoca inicialmente a la utilización del modelo bioeconómico descrito en el
capítulo 1 para el cálculo de valores económicos de distintos rasgos funcionales y de producción.
Posteriormente se utilizan estos valores económicos para derivar un índice de selección
fenotípico que pueda ser utilizado para optimizar el descarte a nivel de hato lechero.
57
2.2 MATERIALES Y METODOS
En este estudio se utiliza el modelo descrito en el capítulo 1 para obtener inicialmente estimados
del valor económico de rasgos de producción y rasgos funcionales utilizando un enfoque
normativo. Dichos valores económicos se utilizan posteriormente para construir un índice de
selección fenotípico que permita optimizar el descarte a nivel de hato. El procedimiento
empleado en ambos pasos se describe a continuación.
Cálculo de valores económicos de rasgos productivos
Los rasgos de producción considerados inicialmente fueron: producción al pico (kg), % de grasa,
% de proteína, longitud de lactancia, peso de la vaca de desecho (kg) y rendimiento en canal (%);
mientras que los rasgos funcionales considerados fueron: periodo abiertos (días), tasa de parición
(%), incidencia de mastitis (%), día en lactancia al inicio del evento de mastitis clínica (día) y
mortalidad en adultos (%).
Como describimos en el capítulo 1, la producción al pico se muestra en el modelo como un
parámetro de salida, ya que depende de los parámetros de la función Wood. Sin embargo, en este
estudio se utiliza producción al pico ya que es un rasgo observable y medible a nivel de hato,
además su correlación con el parámetro a de la función Wood es mayor al 0.995, por lo que se
trata básicamente del mismo rasgo.
En base a los resultados obtenidos del modelo estocástico, el valor económico se obtuvo
mediante análisis de regresión múltiple, donde los rasgos mencionados anteriormente se
utilizaron como variables predictoras y la función de utilidad (variable dependiente) fue el
margen bruto. Todas las variables se asumen son como cuantitativas continuas. El margen bruto
se obtuvo como la diferencia entre los ingresos obtenidos por concepto de venta de leche y
animales de desecho; y los costos derivados de alimentación, crianza, y costos fijos por vaca (ver
tabla 2, capítulo 1). De esta manera, los coeficientes de regresión parciales obtenidos de este
análisis se interpretan como la tasa de cambio en Margen Bruto (USD/hato/año) por cada unidad
de cambio en el rasgo productivo respectivo. Este coeficiente se dividió sobre el total de vacas
adultas presentes en el hato (125 vacas) para obtener un estimado del valor económico por unidad
animal por año. Se evaluó tanto la magnitud como la significancía estadística de estos
coeficientes.
58
Construcción del índice bioeconómico
Los valores económicos obtenidos en el paso anterior se utilizaron para generar un índice
bioeconómico que permite combinar de manera óptima la información de distintos rasgos
productivos.
El índice bioeconómico propuesto en el presente estudio corresponde a un índice de selección
fenotípico (Bourdon 1997) conformado por 2 rasgos de producción (producción al pico y % de
grasa), y 2 rasgos funcionales (días abiertos e incidencia de mastitis clínica). La selección de estos
rasgos se hizo con base en su importancia económica, así como en los resultados obtenidos en el
diagnóstico de información disponible a nivel de finca (capítulo1) En dicho diagnóstico se observó
que los días abiertos se registran en prácticamente todas las fincas, mientras que la producción en el
94%. Aunque el registro de los componentes lácteos es mucho menor (p.e solo 28% grasa) y el de
mastitis es prácticamente nulo (<1%), ambos rasgos se incluyeron tanto por su importancia
económica como por el interés de obtener un índice más representativo.
Los diferentes rasgos que componen el índice reciben una ponderación mediante coeficientes de
regresión. El valor de los coeficientes de regresión que maximiza la respuesta en un índice de
selección fenotípico como el que se propone, puede obtenerse con base en la teoría de índices de
selección (Hazel, 1943; Hazel et al 1994). De acuerdo con esta teoría el vector óptimo de
coeficientes (b) para los rasgos que componen el índice se deriva a partir de la ecuación:
b=P-1Gv [1]
En esta ecuación P es la matriz de varianza/covarianza fenotípica entre los rasgos que componen
el índice, G es asimismo la matriz de varianza/covarianza genotípica entre los mismos rasgos y v
es el vector que contiene los valores económicos correspondientes. La solución a esta ecuación se
obtuvo utilizando la hoja electrónica desarrollada por van der Werf (2002).
Los estimados de heredabilidad (h2) de cada rasgo, así como la matriz de correlaciones genéticas
y fenotípicas entre los rasgos por incluir en el índice se muestran en la tabla 1. Estos parámetros
fueron especificados con base en datos de literatura (Chauhan y Hayes 1991, Vargas y Solano
1995, Carlén et al 2004, Hinrichs et al 2005).
59
Tabla 1. Desviación estándar fenotípica (σP), correlaciones fenotípicas (sobre diagonal),
heredabilidad (diagonal) y correlaciones genéticas (bajo diagonal) para rasgos incluidos
en el en el índice bioeconómico
PP %G DA IMC
D.E Fenotípica (σP) 4.50 0.65 46.7 3.0
Correlaciones
Producción de leche (PP) 0.25 -0.40 0.25 0.40
Contenido de grasa (%G) -0.35 0.55 0.30 0.25
Periodo abierto (DA) 0.25 0.25 0.12 0.25
Incidencia de mastitis (IMC) 0.45 0.12 0.05 0.10
Las heredabilidad reportada para producción de leche es de magnitud intermedia, mientras que
para el contenido de grasa es bastante alta. Por el contrario, la heredabilidad para rasgos
reproductivos y mastitis tiende a ser bastante baja.
Las correlaciones tanto genéticas como fenotípicas reportadas entre producción de leche y grasa
son de magnitud intermedia y de sentido inverso, ya que vacas con mayor producción tienden a
presentar menores contenidos de grasa. Por otro lado, la correlaciones entre nivel de producción y
periodo abierto son también intermedias en magnitud pero positivas, ya que generalmente las
vacas de mayor producción tienden a tardar más en preñarse. Asimismo, se reportan
correlaciones positivas entre producción de leche y mastitis, lo que significa que vacas con mayor
producción tienden a presentar más problemas de mastitis.
60
2.3. RESULTADOS y DISCUSION
Valores Económicos de rasgos productivos
En la tabla 2 se muestran los valores económicos para los 11 rasgos biológicos seleccionados,
obtenidos mediante análisis de regresión parcial. Para cada estimado se proporciona además el
correspondiente error estándar y el resultado de la prueba de significancia (H0: b=0, H1: b≠0).
Los valores se muestran ordenados de acuerdo a la magnitud absoluta del estadístico de hipótesis.
Como se observa los rasgos con valores económicos positivos fueron producción al pico,
longitud de lactancia, tasa de parición, contenido de proteína, contenido de grasa, peso de vaca
de desecho, día de inicio de mastitis y rendimiento en canal de vacas de desecho; mientras que
los rasgos con valores económicos negativos fueron días abiertos, incidencia de mastitis y tasa de
mortalidad en adultos. La tasa de mortalidad y la incidencia de mastitis no mostraron relevancia
estadística en este análisis. Todos los demás valores económicos fueron altamente significativos y
con errores estándares bajos.
Según se aprecia la magnitud de los valores económicos varió sustancialmente según el rasgo
evaluado. Las mayores magnitudes correspondieron a los rasgos relacionados con los
componentes de la leche (grasa y proteína) así como la misma producción al pico. En el caso del
% de proteína, por ejemplo, el modelo estima que un incremento de 1% en el contenido promedio
de este componente de la leche causaría un aumento de 111.7±8.5 USD en el margen bruto
promedio por vaca/año, lo que en un hato de 125 vacas representaría un incremento de 13962
USD/hato/año. Es importante notar que el valor económico de los componentes de la leche es
mucho mayor al de la producción de leche, ya que el sistema de pago local es por kg de sólido
(grasa, proteína o lactosa+minerales).
Los valores económicos obtenidos para tasa de parición y longitud de la lactancia fueron de
menor magnitud. Sin embargo, estas variables tienen también un impacto importante en el
margen bruto. El modelo estima un aumento de 6.19±0.29 USD en el margen bruto promedio por
vaca/año por cada incremento de 1% en el promedio de parición.
En contraposición, a los resultados anteriores, las variables de periodo abierto, tasa de mortalidad
e incidencia de mastitis presentaron valores económicos negativos, si bien solo el periodo abierto
fue estadísticamente significativo. De acuerdo con el análisis, un incremento de 1 día en el
61
promedio de días abiertos representa una disminución aproximada de 430±4.38 USD en las
utilidades anuales del hato.
Tabla 2. Valores económicos para rasgos productivos de interés
Variable Escala ValoEconom.
(ΔUSD)a
E.E V.E t P
Período Abierto días -3.44 0.04 -98.26 <0.001
Producción al pico Kg 40.83 0.44 93.11 <0.001
Longitud de lact días 2.90 0.04 66.42 <0.001
Tasa de parición % 6.19 0.29 21.36 <0.001
Contenido de proteína % 111.70 8.49 13.15 <0.001
Contenido de grasa % 96.11 9.66 9.95 <0.001
Peso de vaca de desecho kg 0.32 0.07 4.47 <0.001
Día Inicio de Mastitis días 0.08 0.02 3.98 <0.001
Rendimiento en canal % 4.36 1.45 3.00 0.002
Incidencia de mastitis % -1.10 0.58 -1.89 0.059
Tasa de mortalidad adultos % -2.75 2.90 -0.95 0.342 a Fluctuación en la margen bruto anual expresada por vaca adulta presente en el hato (USD/año)
por cada unidad de incremento en la rasgo productivo específico
Es evidente que la magnitud de los valores económicos no refleja por sí sola la importancia
relativa de un rasgo, ya que esto también depende de la escala en que se mide el rasgo y del grado
de variación que presenta. La figura 1 muestra el rango de variación observado en el margen
bruto en función de los valores mínimos y máximos observados en cada uno de los rasgos
analizados. Nuevamente se observa como el margen bruto es altamente sensible a la variación
observada en producción al pico, días abiertos y longitud de lactancia. Esto se debe a que, aunado
a los altos valores económicos de estos rasgos, presentan también un rango de variación
fenotípica bastante amplio. Un resultado similar se observa para las variables relacionadas con
los componentes lácteos y la tasa de parición, con la diferencia de que el rango de variación
fenotípica es menor y por tanto también lo es el rango de variación en Margen Bruto. Por último
62
la sensibilidad del margen bruto al peso de la vaca de desecho, incidencia de mastitis, día inicial
de la mastitis, tasa de mortalidad y rendimiento en canal está muy por debajo de las anteriores.
En realidad, el rango de variación que se observa en la figura 1 corresponde exactamente con la
cantidad de variación en Margen Bruto que es explicada por cada rasgo. Este resultado puede
expresarse también en términos de R2 los cuales pueden obtenerse elevando al cuadrado los
coeficientes de correlación calculados en el capítulo 1.
$1,422
$1,739
$2,367
$2,596
$3,034
$17,397
$17,711
$17,711
$58,893
$75,865
$104,787
-200
00 0
2000
0
4000
0
6000
0
8000
0
1000
00
1200
00
Margen Bruto (USD/HATO/AÑO)
Rendimiento en canal
Tasa de Mortalidad
Incidencia Mastitis
Dia de 1ra Mastitis
Peso Vaca Desecho
Tasa de Parición
% de Grasa
% de Proteína
Días Lactancia
Días Abiertos
Producción al pico
Figura 1. Sensibilidad del margen bruto (USD/hato/año) a cambios en distintos rasgos de
eficiencia biológica
Aunque los valores económicos reportados por otros estudios son altamente variables en
magnitud dependiendo de la metodología de cálculo, las circunstancias de producción y la forma
63
en que se mide el rasgo; existe bastante coincidencia en cuando al sentido y la importancia
relativa de los distintos rasgos.
Vargas et al (2002) también reportaron valores económicos positivos para grasa, proteína,
rendimiento en canal, tasa de concepción, tasa de sobrevivencia y peso corporal. Al igual que en
el presente estudio los rasgos con mayores valores fueron grasa y proteína. González Recio et al
(2004) reportaron además valores económicos positivos de 4.02, 1.02 y 1.19 USD/vaca/año para
kg de proteína, kg de grasa y duración de la lactancia. En la mayoría de los estudios la proteína
recibe un mayor valor económico que la grasa, debido al efecto de los sistema de pago que
favorecen la producción de proteína para manufactura de queso.
González Recio et al (2004) reportaron un valor económico de -4.9 USD/vaca/año para la
variable de días abiertos. Plazier et al (1997) reportaron también un valor económico de -4.7
dólares (canadienses) para días abiertos. Ambos estimados son similares al -3.4 obtenido en el
presente estudio.
En cuanto al valor económico de la mastitis clínica, no existen estudios que reporten valores
económicos comparables con la metodología utilizada en el presente estudio. Sin embargo,
Hoblet et al (1991) estimaron pérdidas en el rango entre 76 y 206 kg de leche por lactancia, y un
promedio total (pérdida de leche más tratamiento) de aproximadamente 40 USD por lactancia por
vaca debido al efecto mastitis clínica. En el presente estudio la reducción estimada en producción
fue de 76.8 kg por vaca lactante/año, equivalente a aproximadamente 25.2 USD bajo el sistema
de pago local (solo pérdida de leche).
Es importante hacer notar que el impacto bioeconómico de un rasgo debe evaluarse tomando en
cuenta tanto el valor económico como la variabilidad que exhibe. Un rasgo con un alto valor
económico pero de variabilidad mínima tendrá un menor impacto bioeconómico a nivel de hato
que un rasgo de valor económico intermedio pero de alta variabilidad. Además, si se desea
utilizar un índice con fines de optimización del descarte a nivel de hato, entonces es importante
considerar también el tipo de variabilidad: genética o fenotípica que exhibe cada rasgo. Como se
mostró en la tabla 1, los rasgos en el índice propuesto presentan distintos grados de heredabilidad
(h2). En la derivación de un índice óptimo, es importante considerar estas diferencias, ya que
entre mayor sea h2 mayor es la probabilidad de lograr mejorar el potencial genético a través de las
generaciones. Los resultados de la derivación de dicho índice se presentan a continuación.
64
Índice fenotípico de selección
El índice bioeconómico óptimo obtenido mediante la ecuación [1] (derivación en anexo 6) fue el
siguiente:
I = (14.08)×PP + (63.34)×%G +(-0.75)×DA + (-6.94) ×IMC Como se observa dicho índice asigna factores de ponderación positivos a producción al pico y
contenido de grasa, y negativos a los días abiertos e incidencia de mastitis. Para una vaca de
rendimiento promedio el índice resultante sería de 14.08×21.7 + 63.34×4.45 -0.75×106 -
6.94×15.0=403.5. Este valor representa el mérito bioeconómico agregado de este animal,
considerando los 4 rasgos incluidos en el índice.
El rasgo de incidencia de mastitis en este índice en realidad mide la propensión a mastitis, debido a
que se modeló utilizando una aproximación normal de una distribución binomial. Debido a que, en
la práctica, este rasgo se mide en una escala binaria los valores que deberían ser asignados para el
cálculo del índice a nivel de hato tendrían que ser valores extremos de la distribución normal
asumida (0:ausencia, 30:presencia). Sin duda alguna una mejor opción sería contar con una variable
continua, p.e conteo de células somáticas, que sirviera como indicadora de la propensión de la vaca
a contraer mastitis. Sin embargo la medición de células somáticas a nivel individual es una práctica
todavía incipiente en las fincas estudiadas, según se demostró en el capítulo 1, razón por la cual se
utilizó la incidencia. Una segunda opción para el presente estudio sería incluir la variable de días al
inicio de mastitis (DIMC). Esta es una variable continua que tiene relación positiva y significativa
con el margen de utilidad (ver tabla 2). Sin embargo, no existe información sobre el grado de
variabilidad y correlaciones genéticas de este rasgo con los demás rasgos incluidos en el índice.
Además, es probable que la heredabilidad para DIMC sea todavía mucho menor que para IMC.
La contribución relativa de cada rasgo dentro del índice puede estimarse en términos de la respuesta
económica esperada para cada rasgo después de 1 generación de selección (tabla 3).
65
Tabla 3. Respuesta esperada después de una generación de selección utilizando un índice
fenotípico de seleccióna
Rasgo Respuesta
(Genética) Económica (USD) Económica (%)
Producción al pico 0.85 kg 34.64 76.12
Contenido de Grasa 0.16 % 15.42 33.89
Periodo Abierto 1.25 días -4.29 -9.44
Mastitis Clínica 0.24 % -0.26 -0.57
Respuesta agregada (USD) 44.50
Confiabilidad (RIH)b 0.53 aSe asume una intensidad de selección de 1.0 bSe asume un único registro (propio) disponible para cada rasgo en el índice
Estos resultados indican que la aplicación del índice causaría progresos sustanciales en
producción al pico y contenido de grasa, pero a costa de pequeños retrocesos en rasgos
funcionales ya que se producirían aumentos en periodo abierto e incidencia de mastitis. Lo
anterior se debe a que, como se especificó con anterioridad, existen correlaciones indeseadas
entre producción y las variables de días abiertos e incidencia de mastitis, por lo que el índice
óptimo “sacrifica” el progreso en las variables de menor impacto económico en beneficio de
aquellas que tienen mayor efecto, como lo son el contenido de grasa y la producción. Debe
notarse, sin embargo, que la no inclusión de rasgos funcionales en el índice produciría aún
retrocesos más acentuados en dichos índice. Desde el punto de vista de producción sostenible,
este resultado ilustra una de las desventajas que se mencionan por el uso de funciones de
optimización basadas en maximización de utilidades en la definición de índices óptimos de
selección (Nielsen et al 2006). Para evitar el retroceso en rasgos funcionales, algunos estudios
proponen el uso de índices de selección restringidos en los cuales se establecen límites al
retroceso máximo que pueda suceder en algunos rasgos (Olesen et al 1997; Nielsen et al 2005,
2006).
La respuesta esperada en la tabla 3 asume una intensidad de selección de 1.0. En realidad, a nivel
de hato lechero esta intensidad de selección sería menor ya que estaría restringida por la tasa de
66
reemplazo del hato. Por ejemplo, para la finca base analizada en este estudio la tasa de reemplazo
esperada es de 34.3% (capítulo 1), lo que implicaría una intensidad de selección menor de 0.57.
Sin embargo, el objetivo principal de utilizar un índice de este tipo a nivel de un hato lechero no
es obtener progreso genético, sino contar con un criterio más objetivo para optimizar el desecho.
Los factores calculados fueron utilizados para calcular los índices correspondientes a la población
simulada dentro del modelo. La distribución resultante del índice en esta población se muestra en
el histograma de la figura 2.
186 219 251 283 315 348 380 412 444 477 509 541 573
INDICE (USD)
0%
4%
8%
12%
16%
20%
24%
28%
Frec
uenc
ia re
lativ
a (%
)
Figura 2. Histograma de frecuencias relativas para estimados del índice fenotípico de
selección (Promedio= 402.9, D.E= 53.08)
Asumiendo un umbral de selección de -0.15 D.E (capítulo 1) se tendría que las hembras
candidatas a ser desechadas serían aquellas con índices estimados menores de 402.9-
(0.15×53.08) = 394.3.
67
El ejemplo anterior demuestra como un índice de selección fenotípico podría ser derivado y
utilizado para la optimización del descarte a nivel de finca. Otros índices similares podrían
derivarse con los demás rasgos incluidos en la tabla 2. Es probable que la inclusión de la proteína
en el índice tenga un beneficio adicional importante, por su alto valor económico. Por otro lado
rasgos como tales como tasa de parición y mortalidad están siendo implícitamente seleccionados
en las finca ya que entran dentro del descarte involuntario.
2.4 CONCLUSIONES
El modelo construido permitió estimar de manera eficiente el valor económico de distintos rasgos
de producción y funcionales. Una ventaja de la utilización de un modelo estocástico como base
para el cálculo de valores económicos es que permite obtener estimados de precisión, p.e errores
estándares, los cuales dan una idea aproximada de cuánto podrían variar estos valores
económicos bajo las condiciones analizadas.
De acuerdo con los resultados obtenidos, los rasgos con valor económico positivo son producción
al pico, longitud de lactancia, tasa de parición, contenido de proteína, contenido de grasa, peso
de vaca de desecho, día de inicio de mastitis y rendimiento en canal de vacas de desecho;
mientras que los rasgos con valores económicos negativos fueron días abiertos, incidencia de
mastitis (no significativo) y tasa de mortalidad en adultos (no significativo).
El estudio demostró como a partir de los valores económicos calculados puede derivarse un
índice de selección fenotípico simple que puede ser utilizado a nivel de hato lechero para
optimizar el descarte. En este estudio el cálculo del índice se realizó asumiendo un único registro
disponible para cada vaca en el hato. En la práctica, para hembras con “n” lactancias podrían
utilizarse los promedios de cada rasgo para los n registros disponibles.
El índice propuesto es solamente una opción entre varias posibles. Es evidente que entre mayor
sea la disponibilidad de información, mayor posibilidad hay de utilizar índices más elaborados.
Este estudio demuestra que es particularmente importante registrar información sobre los
componentes (grasa y proteína) de la leche, ya que poseen un valor económico elevado.
El índice propuesto tendría un impacto reducido desde el punto de vista de selección, debido a
que la intensidad de selección que puede lograrse a nivel de hato es muy limitada. Sin embargo
el uso de este tipo de índice a nivel de finca debe combinarse con una adecuada selección de los
68
toros, los cuales sin duda tienen un mayor impacto a largo plazo en elevar el potencial genético
del hato.
2.5 BIBLIOGRAFIA Amer, PR; Fox, GC. 1992. Estimation of economic weights in genetic improvement using neo-classical production
theory: an alternative to rescaling. Anim. Prod. 54:341-350.
Boichard, D. 1990. Estimation of the economic value of conception rate in dairy cattle. Livest. Prod. Sci. 24:187-
204.
Bourdon, RM. 1997. Understanding animal breeding. Prentice- Hall. 523 p.
Brascamp, EW; Smith, C; Guy, DR. 1985. Derivation of economic weights from profit equations. Anim. Prod.
40:175-180.
Chauhan, VPS; Hayes, JS. 1991. Genetic Parameters Traits for Holsteins for First Lactation Milk Production and
Composition Using Multivariate Restricted Maximum Likelihood. J. Dairy Sci. 88:2260-2288.
Gibson, JP. 1989. Selection on the major components of milk: alternative methods of deriving economic weights. J.
Dairy Sci. 72:3176-3189.
Groen, AF. 1989a. Economic values in cattle breeding. I. Influence of production circumstances in situations
without output limitations. Livest. Prod. Sci. 22:1-16.
Groen, AF. 1989b. Economic values in cattle breeding. II. Influence of production circumstances in situations with
output limitations. Livest. Prod. Sci. 22:17-30.
Groen, AF; Korver, S. 1989. The economic value of feed intake capacity of dairy cows. Livest. Prod. Sci. 22:269-
281.
Groen, AF, Steine, T; Colleau, JJ, Pedersen, J; Pribyl, J; Reinsch, N. 1997. Economic values in dairy cattle breeding,
with special reference to functional traits. Report of an EAAP-working group. Livest. Prod. Sci. 49:1-21.
Hazel, LN. 1943. The genetic basis for constructing selection indexes. Genetics 28:476-490
Hazel, LN; Dickerson, GN; Freeman, AE. 1994. The selection index: Then, now and in the future. J. Dairy Sci.
77:3236-3251.
69
Hoblet, KH, Schnitkey, GD; Arbaugh, D; Hogan, JS; Smith, KL; Schoenberger, PS; Todhunter, DA; Hueston, WD;
Pritchard, DE; Bowman, GL; et al . 1991. Costs associated with selected preventive practices and with
episodes of clinical mastitis in nine herds with low somatic cell counts. J Am Vet Med Assoc. 199:190-196.
Hinrichs, D; Stamer, E; Junge, W: Kalm, E. 2005. Genetic Analyses of Mastitis Data Using Animal Threshold
Models and Genetic Correlation with Production Traits. J. Dairy Sci. 88:2260-2268
Koenen, EPC; Berentsen, PBM; Groen, AF. 2000. Economic values of live weight and feed-intake capacity of dairy
cattle under Dutch production circumstances. Livest. Prod. Sci. 65:235-250.
Miglior, F; Muir, BL; van Doormaal, BJ. 2005. Selection indexes of Holstein cattle in various countries. J. Dairy Sci.
88: 1255-1263.
Nielsen, HM; Christensen, LG; Groen, AF. 2005. Derivation of sustainable breeding goals for dairy cattle using
selection index theory. J. Dairy Sci. 88:1882-1890.
Nielsen, HM; Christensen, LG; Ødegård, J. 2006. A method to define breeding goals for sustainable dairy cattle
production. J. Dairy Sci. 89:3615-3625.
Olesen, I; Groen, AF; Gjerde, B. 2000. Definition of animal breeding goals for sustainable production systems. J.
Anim. Sci. 78:570-582.
Plazier, JCB; King, GJ; Dekkers, JCM; Lissemore, K. 1997. Estimation of economic values of indices for
reproductive performance in dairy herds using computer simulation. J Dairy Sci. 80:2775:2783
Peters, KJ. 1993. Selection and breeding strategies for sustainable livestock production in developing countries, with
particular reference to dairy cattle production. British Society of Animal Production, occasional publication
16:120-128.
Smith, C; James, JW; Brascamp; EW. 1986. On the derivation of economic weights in livestock improvement.
Anim. Prod. 43:545-551.
Van Arendonk, JAM. 1985. A model to estimate the performance, revenues and costs of dairy cows under different
production and price situations. Agric. Systems 16:157-189.
70
Van Arendonk, JAM; Brascamp, EW. 1990. Economic considerations in dairy cattle breeding. Proc. 4th. World
Congr. Genet. Appl. Livest. Prod., Edinburgh, Scotland, XIV:78-85.
Van der Werf, J. 2002. Hoja electrónica para optimización de índices de selección. Disponible en:
http://www-personal.une.edu.au/~jvanderw/software.htm
Vargas, B; Solano, C. 1995. Genetic and environmental trends in milk production of dairy cattle in Costa Rica. Arch.
Latinoam. Prod. Anim. 3:165-176.
Vargas, B.; Herrero, M. and J.A.M. van Arendonk. 2001. Interactions between optimal replacement policies and
feeding strategies in dairy herds. Liv. Prod. Sci. 6:17-31.
Vargas, B.; Groen, A.F.; Herrero, M. and J.A.M. van Arendonk. 2002. Economic values for production and
functional traits in Holstein cattle of Costa Rica. Liv. Prod. Sci.: 75:101-116
Veerkamp, RF. 1998. Selection for economic efficiency of dairy cattle using information on live weight and feed
intake: a review. J. Dairy Sci. 81:1109-1119.
Visscher, PM; Bowman, PJ; Goddard MJ. 1994. Breeding objectives for pasture based dairy production systems.
Livest. Prod. Sci. 40:123-137.
González Recio, O; Pérez Cabal, MA; Alenda R. 2004. Economic value of female fertility and its relationship with
profit in Spanish dairy cattle. J Dairy Sci. 87:3053-3061
71
CONCLUSIONES Y RECOMENDACIONES GENERALES
Los resultados obtenidos a través del presente estudio tienen implicaciones importantes a nivel del
sistema de producción que se analiza.
Inicialmente, según se desprende del análisis, es evidente que las fincas lecheras no están
explotando al máximo el potencial de los sistemas de registro de información (p.e VAMPP). Como
se observó, la gran mayoría de las fincas solo registran información de carácter reproductivo. Esto es
preocupante ya que existen una serie de parámetros adicionales que también tienen un impacto
importante en la productividad bioeconómica de una finca lechera, tales como: producción de leche
y sus componentes, incidencia de mastitis y otros problemas sanitarios, el control de peso corporal,
etc. La sostenibilidad de un sistema de producción radica en la consideración de todos los distintos
tipos de factores involucrados en el rendimiento del sistema productivo. Si no existe un monitoreo
de las diferentes variables es difícil establecer cuál es su situación actual en la finca y su impacto
sobre la productividad. Se debe incentivar a los productores usuarios del programa VAMPP a
monitorear de manera más consistente información adicional al comportamiento reproductivo, tal
como producción de leche y sus componentes (% de Grasa, % de Sólidos Totales y % de Proteína),
así como incidencia de mastitis (clínica y subclínica). Estas variables poseen un alto impacto sobre
el rendimiento bioeconómico del sistema de producción y por lo tanto requieren ser monitoreadas de
manera constante. En este sentido, el modelo generado puede ser utilizado para demostrar a las
organizaciones de productores el impacto relativo de distintas variables de importancia sobre la
productividad del sistema.
Como se demostró en este estudio el uso de modelos de simulación permite obtener una visión
más integral del rendimiento de un sistema productivo. Mediante este tipo de herramientas es
posible cuantificar de manera más realista el impacto de una variable (por ejemplo días abiertos),
sobre el rendimiento bioeconómico del sistema productivo. Otra ventaja de este tipo de modelos,
según se demostró en el presente estudio, es que permiten evaluar el efecto de variables
exógenas al sistema de producción, como por ejemplo precios de insumos y productos, sobre el
rendimiento del sistema. Por ejemplo, en el caso de las fincas lecheras, se comprueba y
cuantifica su alta sensibilidad a variables tales como el precio de los componentes lácteos y el
precio del concentrado. Es importante que los sistemas de registro y análisis de información que
son utilizados a nivel de finca, tales como VAMPP, pongan a disposición de los productores
72
herramientas que permitan integrar variables de rendimiento animal (p.e reproducción y
producción) con variables de tipo económico. La manera más eficiente sería mediante índice de
selección fenotípica, en los cuales los rasgos de rendimiento de mayor impacto se ponderen
mediante valores económicos (u otro tipo función de utilidad si se considera necesario). Estos
factores podrían ser específicos para cada finca, si existe la información disponible, o al menos
representativos de las circunstancias de producción que imperan en la mayoría de las fincas. En
este sentido el modelo generado en este estudio podría utilizarse para re-calcular los valores
económicos para diversos sistemas de producción, con distintas razas, distintos niveles de
eficiencia y distintos sistemas de comercialización. La utilización de este tipo de índices a nivel
de hato permitiría un mejoramiento más integral del sistema de producción.
Por último, es importante que las organizaciones de productores utilicen herramientas tales como
el modelo generado en el presente estudio. Este tipo de modelo puede servir como apoyo en la
evaluación de políticas a nivel de sector o para la incentivación de nuevas prácticas de
producción.
73
ANEXOS
74
Anexo 1. Hoja de control para especificación de distribuciones de probabilidad en variables de
entrada del modelo de simulación
75
Anexo 2. Hoja para cálculo de costos fijos por vaca adulta
76
Anexo 3. Hoja para cálculo de costos de crianza de novillas de reemplazo
77
Anexo 4. Pantalla de control con parámetros de entrada y salida en formato de excel
78
Anexo 5. Hoja resumen de reporte de parámetros de salida y sus rangos de variación
79
Anexo 6. Hoja de cálculo para derivación de coeficientes óptimos en un índice bioeconómico (Programado por Van der Werf, J. 2002. University of New England, Australia. Disponible en: http://www-personal.une.edu.au/~jvanderw/software.htm)
