Modelos de decisión en la producción agrícola

Título

Modelos de decisión en la producción agrícola

Colaborador

Rojo, Horacio

Editor

Universidad de Buenos Aires. Facultad de Ingeniería

Fecha

2023-05-31

Extensión

63 P.

Resumen

En términos adecuados para nuestro abordaje, podríamos decir que una decisión es el producto final de un proceso cognitivo que consiste en la elección de una acción sobre un conjunto de alternativas. Las decisiones, o el proceso de Decision-Making, conforman un concepto que ha sido ampliamente estudiado y modelado. El interés surge por un lado de una necesidad descriptiva, es decir, de explicar cómo son los mecanismos con los que tomamos las decisiones. Imaginemos un jefe de una campaña de un político pensando el mensaje para convencer a un votante. Por otro lado, existe una necesidad normativa para el estudio de las decisiones. En otras palabras, necesitamos modelos para ayudarnos a tomar mejores decisiones, por ejemplo, imaginemos un trader en un mercado de valores. Desde una mirada cuantitativa, los modelos de decisión transforman datos en información relevante para la selección de la alternativa más favorable, definida en términos diversos. Cada año, los productores agrícolas deben decidir qué cultivar en el terreno disponible, lo que entenderemos de ahora en adelante como decisión de producción agrícola. Imaginemos un campo de 600 hectáreas en la zona núcleo de la región pampeana, digamos cerca de Pergamino. Algunas semanas antes del mediado de año, los productores y las productoras de esa zona decidirán cuál va a ser la distribución en sus campos de algunas de las alternativas de cultivo, entre algunos manejos recomendados de trigo-soja, soja de primera y maíz, por ejemplo. Una vez elegida la asignación entre ese conjunto finito y acotado de alternativas, supongamos que no hay flexibilidad para cambiar la decisión tomada. De cualquier forma, lo que comentemos aquí puede extenderse a una decisión por etapas, pero supongamos por ahora una única etapa de decisión, para simplificar un poco la cuestión. A su vez, estas decisiones de producción agrícola son recurrentes una vez al año, y se realizan analizando datos y/o consultando con especialistas, y tienen implicancias monetarias para el productor, y, considerando el conjunto, las decisiones tomadas impactan en la macroeconomía, en la disponibilidad de alimentos y el medio ambiente. Dadas las implicancias y la distribución en el tiempo, los productores agropecuarios asignan recursos para analizar la decisión y estimar el beneficio a recibir, y lo hacen enfrentando a una gran complejidad en los sistemas que intervienen. Sin dudas, lo que más aporta complejidad a los sistemas agrícolas es la incertidumbre, es decir, la imposibilidad de conocer ‘a ciencia cierta’ cual va a ser el resultado de la decisión tomada, medido en términos económicos. Muchas son las fuentes de incertidumbre en este proceso de decisión, en un país con políticas cambiantes, y en el año 2022. Pero mas allá de la circunstancia la incertidumbre siempre va a existir, principalmente sobre el contexto climático en el que el cultivo elegido se va a desarrollar y el contexto económico imperante en el momento de la cosecha y venta, tiempo después de que la decisión fue tomada. En la literatura científica se han presentado distintas clasificaciones de incertidumbre, y todas coinciden en que existe más de un nivel de incerteza, dependiendo de cuanto conocemos de ese desconocimiento. Una clasificación bastante usada considera niveles del uno al cuatro. El nivel cero de la incerteza es el determinismo puro y el nivel cuatro es la ignorancia total. El nivel dos comprende lo que entendemos como riesgo, en donde conocemos la incerteza y la representamos probabilidades. Por ejemplo, al tirar una moneda asumimos una probabilidad de 50-50 y al vender un seguro, la aseguradora calcula la prima en base a la probabilidad de un siniestro. Asumiendo este nivel de incerteza (nivel 1), fue que se desarrolló gran parte de la teoría de decisión bajo riesgo. Aunque formulada formalmente en la segunda mitad del siglo XX, fue en el siglo XVII que Daniel Bernoulli imaginó la teoría de la utilidad esperada, según la cual un decisor racional elegirá la alternativa que devuelva el mayor valor esperado de la utilidad, entendiendo por valor esperado al calculado con las probabilidades conocidas, y a la utilidad como una función subjetiva de satisfacción sobre el resultado obtenido. Esta formulación implica que un inversor, supongamos, no busca maximizar el valor esperado del retorno de dinero de una inversión, sino, en cambio, busca maximizar el valor esperado de la satisfacción percibida con respecto al dinero que obtiene. Es decir, se introduce la ‘satisfacción subjetiva’, algo bastante moderno para la época. La teoría de la utilidad esperada permitió explicar el comportamiento de los decisores y resolvió la Paradoja de San Petersburgo, un ejercicio teórico en donde se plantea una decisión cuya alternativa preferida no se corresponde con la que devuelve el mayor valor esperado del retorno. Imaginemos nosotros la contratación de un seguro del auto o un juego de ruleta, en donde el valor esperado del retorno es < 0. A lo largo de los años, nuevas teorías enriquecieron la concepción de la utilidad esperada. La Prospect Theory de Daniel Kanhenman, es la mas conocida, además de otras como la Regret Theory o la Disappointment Theory. Cada teoría aportó alguna forma nueva de entender la combinación de la satisfacción subjetiva con los resultados y sus probabilidades, incorporando, entre otros, elementos psicológicos a los modelos, y sus predicciones estuvieron de acuerdo con lo observado. Detengámonos un momento en las probabilidades y que entendemos por ellas, en una forma no muy rigurosa. Por ejemplo, asumimos que la probabilidad del suceso A es un número entre cero y uno, siendo cero el valor que indica que A es imposible y uno que hay certeza de ocurrencia de A. Con un valor entre cero y uno, representamos el grado de certeza que tenemos de que suceda A. Es un artilugio matemático que se usa para tomar decisiones sobre A, y lo usaremos siempre que nos sea de utilidad. Existen, sin embargo, algunas situaciones en donde no es fácil estimar probabilidades, o bien que el estimarlas nos aporta poco para la decisión, además, existen otras situaciones en donde no tenemos la remota idea de que es lo que va a pasar y reconocemos nuestra total ignorancia sobre el contexto futuro. Estas situaciones, en general, no son propicias para la utilización de modelos tradicionales, en donde el análisis se estructura alrededor de la probabilidad. Estas situaciones se corresponden al nivel 3 de incertidumbre, el nivel anterior al nivel de total ignorancia de todo, y ambos niveles son llamados por algunos autores como Deep Uncertainty. En el nivel 3 no sabemos las probabilidades de las variables en cuestión, pero podemos aventurarnos a considerar rangos posibles. No sabemos las probabilidades de ocurrencia de cada escenario, pero podemos aventurarnos a imaginar todos los escenarios posibles. El concepto de Deep Uncertainty un poco rompe el paradigma de pensar el futuro en términos del pasado y propone imaginar lo posible, en lugar de estimar lo probable. Una mirada que toma impulso al pensar fenómenos actuales como el COVID o el cambio climático. Hace algunos años atrás, hubo un desarrollo de modelos de decisión que incorporaron las probabilidades de manera más usable, o directamente no las usan, por ejemplo, Ben Haim y el infogap, y el Robust Decision Making (RDM). Estos métodos otorgan un marco novedoso para entender las decisiones. Dentro de ese marco fue que junto con dos investigadores y gracias al apoyo de la FIBUA, AACREA, y el SMN (pro-rindes), desarrollamos un modelo para agregar valor a la toma de decisiones de producción agrícola. Veamos de que se trata y algunas de sus características. Presentada en (González, et al., 2020), la herramienta en cuestión se llama MORDMAgro (Multi- Objective-Robust-Decision-Making applied to Agro) y es el prototipo de un sistema de soporte a la decisión, o DSS (decision support system). Para brindar información relevante a los productores de forma abierta y gratuita, la herramienta analiza y procesa datos climáticos y series de precios y así, ayuda en la selección entre varias opciones de cultivo-manejos (el conjunto de cultivo + paquete tecnológico), para un campo en la zona núcleo de la región pampeana. El criterio en el que la herramienta ordena las posibles alternativas es la robustez, en lugar de un criterio tradicional de optimalidad. En la bibliografía se han utilizado dos enfoques para definir que son las estrategias (decisiones) robustas. El primer enfoque entiende una estrategia robusta como aquella que intercambia una pequeña cantidad de rendimiento óptimo por menos sensibilidad a los supuestos violados. El segundo enfoque define a una estrategia robusta como aquella que se desempeña razonablemente bien en una amplia gama de futuros posibles. Estos enfoques apuntalan dos ideas centrales al concepto de robustez: la caracterización de la incertidumbre con una multiplicidad de futuros o escenarios y un criterio satisfactorio, y no óptimo, para las estrategias que sean preferidas. Basado en estas ideas, la herramienta que desarrollamos representa futuros como escenarios múltiples que incorporan las principales variables de contexto que afectan el resultado de la decisión. La herramienta podría analizar también información probabilística, pero no está pensada para situaciones en la que una distribución de probabilidad es la mejor descripción de un futuro incierto. Más bien, se basa en rangos, o más formalmente conjuntos, de distribuciones de probabilidad, para describir la incertidumbre. Para modelar los criterios satisfactorios, se presentan siete objetivos económicos diferentes que abarcan una amplia gama de objetivos de los agricultores, sopesando los diversos aspectos de un resultado económico, por ejemplo, ganancias, pérdidas y costos. Además, la herramienta permite el "descubrimiento de escenarios" (scenario discovery), que es un proceso sistemático y analítico que se basa en algoritmos de aprendizaje automático (machine learning) para extraer conocimiento de los datos generados. En el dominio de las decisiones de producción de cultivos, este conocimiento se expresa mediante la identificación de las vulnerabilidades de cada estrategia, es decir, con una subregión de los futuros simulados, expresados en términos generales fácilmente comprensibles para el agricultor, para los cuales la estrategia evaluada no devuelve un resultado satisfactorio. Al analizar estas vulnerabilidades, identificadas al ajustar un algoritmo de árbol de clasificación supervisado en datos simulados, la herramienta permite la evaluación de estrategias alternativas que mitigan los resultados insatisfactorios. Repitiendo este paso de encontrar vulnerabilidades de una estrategia candidata y encontrar alternativas, el usuario obtiene información relevante y útil para decidir la asignación del terreno. Veamos la Figura 1 en donde se ilustra como la herramienta trabaja. En primer lugar, el productor ingresa algunos datos, por ejemplo, la locación del campo, el tipo de suelo, y tal vez algunas características de su perfil como inversor, es decir, si es propenso al riesgo, o si es más conservador. Las alternativas posibles, ese conjunto finito de opciones de cultivo o bien puede estar grabado en la herramienta conforme a las mejores practicas según la región y el tipo de suelo, o bien pueden ser ingresadas directamente por el productor. La asignación del terreno disponible a una combinación de Figura 1. Esquema del funcionamiento de la herramienta MORDMAgro. Decisión de producción Conocimie nto Estrategias candidatas Vulnerabilidades Estrategias alternativas Resultado intermedio Simulación de crecimiento de cultivo DSSAT Cálculo de métricas y objetivos Estrategias Escenarios Simulation Ensamble de Futuros Exploration Visualización de datos Clasificiación Supervisada Análisis Multicriterio MORDMAgro Inputs del productor Alternativas Cultivo-Manjeos Perfil del productor Datos históricos y modelos complementarios Escenarios climáticos Escenarios económicos Información de soporte Tipo de suelo, agua al inicio, costos Localización alternativas generará el dominio de estrategias posibles. Por ejemplo, podemos tomar, algunos cultivomanejos de soja de ciclo largo, algunas opciones de maíz, por ej. temprano o tardío, y opciones diferentes del combinado trigo-soja de segunda. Entonces una estrategia puede ser 100% de maíz tardío de determinada variedad, o 90% de ese maíz y 10 % de soja, etc. Las posibles asignaciones de terreno a las alternativas generan el universo de estrategias, en este caso pueden ser consideradas discretas, y en el orden de algunos miles. Por otro lado, para la generación de escenarios, es decir aquellas condiciones de contexto que aportan incertidumbre al proceso, podemos pensar en dos categorías, escenarios económicos y escenarios climáticos. Para vincular ambas categorías podemos suponer independencia o bien podemos incorporar las relaciones que existan entre ambos grupos de escenarios. Los escenarios podemos entenderlos como todo el contexto climático y económico que determina el resultado de una estrategia, definido por un conjunto finito de parámetros, por ejemplo, lluvias diarias, radiación solar, precios de venta, impuestos, etc. No conocemos bien que valores van a adoptar esos parámetros, pero conocemos los rangos, o conjuntos de valores que podrían llegar a tomar, y esos valores los podemos evaluar. Podemos simular los niveles de precios de los commodities y el porcentaje de impuestos para generar los escenarios económicos, y las lluvias, la radiación solar y la temperatura diaria, para generar los climáticos. Asignando valores a esos parámetros y combinando esos dos grupos, podemos generar también miles de escenarios posibles. Esto crea el marco para que podamos explorar el desempeño de miles de estrategias disponibles para elegir. Una vez establecidas las estrategias y definidos los escenarios, se procede a combinar todos con todos y calcular métricas y objetivos diversos, por ejemplo, Utilidad, ROI, rotación de cultivos, regret, costos fijos, etc. Esto se logra simulando el rinde de cada cultivo-manejo presente en cada estrategia utilizando herramientas como DSSAT, que incorpora los datos climáticos diarios generados para cada escenario, y luego multiplicar ese rinde por el precio del cultivo descontado de impuestos, parámetros característicos de cada instancia del conjunto de escenarios económicos. Así se obtiene una base de datos extensa, llamada en la Figura 1 ensamble de futuros (futures ensamble) que mapea todo el dominio de estrategias de cultivo, escenarios y métricas de interés para evaluar las decisiones. Analicemos esa base de datos con técnicas y conceptos de ciencia de datos, y por que no, desde la investigación operativa. En primer lugar, empecemos con el concepto de robustez, en el sentido que la exploración no busca el óptimo o un punto en particular, sino mas bien se busca un área, o un volumen, un lugar seguro para la mayor cantidad de escenarios. En segundo lugar, se puede explorar la base desde una mirada multi-objetivo, o multi-criterio, empezando por reconocer que la evaluación del resultado tiene más de una dimensión. Esta naturaleza también asocia el problema a las técnicas de visualización de datos y reducción de dimensionalidad, que sirven para poder explorar el espacio generado. Por último, y tal vez sea lo mas novedoso, puede usarse machine-learning supervisado como herramienta explorativa para extraer conocimiento. En particular puede asociarse a cada estrategia con sus vulnerabilidades, es decir aquellas condiciones de los escenarios que devuelven un resultado no satisfactorio. En el trabajo mostramos las vulnerabilidades de dos estrategias en términos de cotas máximas y mínimas para niveles de lluvia específicos en determinados periodos de tiempo y para niveles de los precios de venta finales. Este conocimiento no puede obtenerse de otra forma. Este prototipo que presentamos, sin embargo, no debe considerarse un producto terminado, sino más bien marca una posible dirección para los modelos de ciencia de datos que se propongan ayudar a las decisiones de producción agrícola. Una dirección hacia modelos que combinen diferentes metodologías, que se comuniquen con otros modelos, climáticos, económicos, biológicos, y psicológicos. Modelos que no busquen esquivar la incertidumbre, ni sobre simplificar la complejidad, que brinden a los productores la posibilidad de explorar los datos que cada día están mas disponibles. El desarrollo de estos modelos puede ser clave para impulsar la productividad del sector.