Disponibilidad de agua, crecimiento urbano y agricultura ......presa Cerro Prieto), lograr tal...
Transcript of Disponibilidad de agua, crecimiento urbano y agricultura ......presa Cerro Prieto), lograr tal...
Gaceta de Economía Año 16 , Número Especial, Tomo II
Disponibilidad de agua, crecimiento urbano y agricultura
de riego en la cuenca del río San Juan
Nicholas P. Sisto*
Sumario
En la cuenca del río San Juan se encuentra uno de los mayores polos de
crecimiento demográfico y económico de México, el Área Metropolitana
de Monterrey (AMM); a la salida de la cuenca se ubica el Distrito de Riego
026 Bajo Río San Juan (DR 026), uno de los más extensos del norte del
país. Para satisfacer la creciente demanda de agua para uso público-urbano
en el AMM se está contemplando intensificar el aprovechamiento de las
aguas de la Presa El Cuchillo, río arriba del DR 026, lo que necesariamente
afectaría la disponibilidad de agua para los productores del distrito. Este
trabajo presenta estimaciones del valor económico del agua de riego en el
DR 026, con base en el análisis estadístico de datos históricos de
producción y clima. Los resultados podrían contribuir al diseño de un
mecanismo de compensación que permitiría al AMM conseguir volúmenes
adicionales de agua, manteniendo a los productores del DR 026 en
igualdad de circunstancias económicas.
Clasificación JEL: Q10, Q25
1. Introducción
Una extensa y diversificada red hidráulica, con fuentes tanto superficiales como
subterráneas, abastece de agua al Área Metropolitana de Monterrey (AMM).1
La
capacidad de extracción instalada (véase Cuadro 1) ofrecía en 2005 una
disponibilidad de hasta 245 litros por habitante por día (l/h/d). Debido al
crecimiento demográfico del AMM, para contar con la misma disponibilidad en
2030 se requerirá 3.4 metros cúbicos por segundo (m3/s) de capacidad adicional,
i.e. un volumen anual adicional de 106,865.72 miles de metros cúbicos2
.
Tomando en cuenta la extensión ya alcanzada por la red de abastecimiento (por
ejemplo, 40 km. de tubería hasta la batería de pozos de Mina y 136 km. hasta la
*
Departamento de Economía y Centro del Agua para América Latina y el Caribe Tecnológico de
Monterrey, Monterrey. Se agradece al Instituto de Agua de Nuevo León por su apoyo para la
realización de este estudio, en particular a su director, el Dr. Belzahet Treviño Arjona. También se
agradece a los árbitros de esta revista por sus constructivas observaciones y aportaciones. 1
Conjunto de nueve municipios en el Estado de Nuevo León: Monterrey, Apodaca, San Pedro Garza
García, General Escobedo, Guadalupe, San Nicolás de los Garza, Santa Catarina, García y Juárez. 2
Cálculo propio con base en datos de CONAPO [2005]: 3,613,538 habitantes en el 2005 y 4,807,256
en el 2030.
278 Gaceta de Economía
presa Cerro Prieto), lograr tal expansión implicará retos técnicos y/o costos
significativos.
La presa El Cuchillo, con una capacidad de almacenamiento casi cuatro veces
superior a la de la presa Cerro Prieto (1,123 versus 300 millones de m3), pero con
una capacidad de extracción instalada de apenas el doble (2.5m3/s vs. 1.3m
3/s),
constituye una fuente potencial para cubrir parte de las futuras necesidades de
agua del AMM. El llamado proyecto “Cuchillo II” de Agua y Drenaje de
Monterrey (AyDM) contempla precisamente desarrollar la capacidad de
suministro de esta presa. Las descargas de aguas tratadas del AMM, con un
caudal de hasta 7 m3/s, ofrecen otra fuente potencial de suministro, en particular
para los usuarios industriales que no requieren de agua potabilizada. Sin embargo,
en ambos casos surge un problema de afectación a terceros, i.e. una externalidad
negativa.
El AMM se ubica en la parte media de la cuenca del río San Juan; a la salida
de la cuenca (la desembocadura del río San Juan en el río Bravo) se encuentra el
Distrito de Riego 026 Bajo Río San Juan (DR 026), uno de los más extensos del
norte del país. El DR 026 depende en gran parte de las aguas liberadas por la
presa El Cuchillo en el río San Juan, así como de las aportaciones del río
Pesquería (afluente del río San Juan, en el cual el AMM vierte la totalidad de sus
aguas tratadas). Por lo anterior, un mayor aprovechamiento de las aguas de la
presa El Chuchillo (o una reducción del caudal de aguas tratadas vertidas por el
AMM), afectaría directamente a los productores del DR 026, reduciendo el
volumen de agua disponible para el riego de sus campos de cultivo.
Este trabajo presenta estimaciones del valor económico que tendría esta
afectación, por metro cúbico de agua de riego; para ello, estimamos la
productividad del riego en el DR 026 con base en el análisis estadístico de datos
históricos de producción y clima. Los resultados obtenidos podrían contribuir al
diseño de un mecanismo de compensación que permitiría al AMM conseguir
volúmenes adicionales de agua, manteniendo a los productores del DR 026 en
igualdad de circunstancias económicas.
Disponibilidad de agua, crecimiento urbano y agricultura… 279
Cuadro 1
Capacidad de extracción de agua, AMM (m3/s)
Fuentes Subterráneas Fuentes Superficiales Total
Batería Buenos Aires 2.448 Presa El Cuchillo 2.530
Batería Santiago 1.485 Presa Cerro Prieto 1.345
Batería Mina 0.792 Presa La Boca 1.337
Acuífero Monterrey 0.321
Total 5.046 Total 5.212 10.258
Fuente: Agua y Drenaje de Monterrey (AyDM).
2. Metodología y Datos
Representamos formalmente la relación entre la producción de cultivos y la
aplicación de agua de riego en el DR 026 con la siguiente función:
( , , , )it it it itq f w l r t
(1)
donde qit mide la cosecha (en toneladas) del cultivo i al final de un determinado
ciclo agrícola t, wit, el volumen de agua de riego aplicado a este cultivo durante el
ciclo agrícola (en miles de metros cúbicos), lit, la superficie de tierra donde se
cosechó el mismo cultivo (en hectáreas) y, rit , la lámina pluvial registrada en el
distrito (en centímetros). Dada la extensión del corte temporal en los datos que se
usarán a continuación para caracterizar esta función (hasta tres décadas), se
incluye explícitamente a la t como argumento para capturar una posible tendencia
secular en la producción agrícola.
El modelo (1) está diseñado para cumplir con un objetivo muy específico:
cuantificar el efecto del riego sobre la producción, dadas las elecciones de los
productores en términos de la mezcla de cultivos, la modalidad de producción
(riego versus temporal), la tecnología de riego, la aplicación de agroquímicos,
entre otros. Este enfoque es muy distinto al encontrado en la literatura de la
economía agrícola, donde el objetivo suele ser caracterizar la conducta de los
productores; por ejemplo, Just, et ál. [1983] analizan el problema de la elección
de la mezcla de cultivos, o Caswell y Zilberman [1985] analizan el de la elección
de tecnología de riego. Por ende, el modelo presentado aquí es distinto por
naturaleza a los modelos que se manejan en esta literatura; de hecho, se asemeja
más a una función agronómica experimental, pero con importantes diferencias.
Las funciones agronómicas se estiman empleando datos generados en campos
280 Gaceta de Economía
experimentales (Yaron [1967], Hexem y Heady [1978]), con el objetivo de
identificar la aplicación óptima de agua o cualquier otro insumo agrícola. Sin
embargo, nuestro propósito aquí – medir la productividad real del agua de riego –
nos lleva a usar datos históricos de producción, como en Moore et ál. [1993] o
Sisto [2009].
Nuestra base de datos consta de observaciones sobre las cantidades
cosechadas, los volúmenes de riego y las superficies cosechadas, por cosecha y
por cultivo; también contamos con datos de lámina pluvial mensual. El Cuadro 2
a continuación presenta algunas estadísticas descriptivas para las cosechas de los
tres principales cultivos del distrito (maíz, sorgo y algodón) registradas durante el
periodo 1971-2002; de hecho, el 93 por ciento del volumen cumulativo de riego
durante este periodo se destinó a sólo dos de estos cultivos: el maíz y el sorgo.
Estas estadísticas revelan que la disponibilidad de agua para riego es muy
variable, lo que se refleja en las cantidades y superficies cosechadas. La relación
entre el volumen de riego y la superficie de tierra también es variable, i.e. el agua
no se usa en proporción fija con la tierra en el distrito – esto obviamente tendrá
implicaciones en cuanto a la selección de una forma funcional para estimar el
modelo (1). Nótese que los volúmenes de agua de riego que se manejan en el DR
026 rebasan las futuras necesidades del AMM anteriormente descritas.
La Gráfica 1 ilustra la lámina pluvial registrada en la región durante el ciclo
agrícola primavera-verano (marzo a septiembre) para cada año del periodo 1972-
2002; en el DR 026, todas las cosechas durante este periodo se registraron en este
ciclo agrícola. La lámina pluvial, con un promedio de 34.9 cm., es
agronómicamente significativa (i.e. es suficiente para contribuir al crecimiento de
los cultivos); sin embargo, es también muy variable, con un mínimo de 11.1 cm.
y un máximo de 74.0 cm.
Cuadro 2
Estadísticas descriptivas, por cultivo, DR 026 (1971-2002)
Maíz Sorgo Algodón
q
(toneladas)
Mínimo 1,378.00 8,675.00 21.00
Promedio 148,603.22 71,295.21 4,783.96
Máximo 330,837.00 235,385.75 38,229.00
w
(miles m3)
Mínimo 1,626.00 9,307.00 192.00
Promedio 259,978.19 82,075.47 10,784.87
Máximo 609,293.00 339,257.00 74,462.00
Disponibilidad de agua, crecimiento urbano y agricultura… 281
l
(hectáreas)
Mínimo 529.00 2,978.00 60.00
Promedio 40,097.16 21,652.41 2,947.91
Máximo 68,535.00 58,863.00 19,394.00
w/l
(miles m3 por hectárea)
Mínimo 2.5636 0.7512 0.5035
Promedio 6.0638 4.2915 3.4345
Máximo 9.5965 8.0194 7.5333
n
(número de cosechas) 32 32 23
Fuente: Elaboración propia con base a CONAGUA [1970-71,...,2001-2002].
Gráfica 1
Lámina pluvial (cm), ciclo primavera-verano, DR 026, 1972-2002
Fuente: Elaboración propia con datos de SEMARNAT y el National Climatic Data Center de los
EUUA.
Para la caracterización empírica del modelo (1), utilizamos la siguiente forma
funcional:
it it itit iq c w l r t
(2)
0
10
20
30
40
50
60
70
80
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
Lám
ina (
cm
)
282 Gaceta de Economía
y estimamos los parámetros c , ,
,
y a través de una regresión, para
cada cultivo. La función (2) presenta la ventaja de no imponer restricción alguna
en cuanto a la intensidad en el uso de agua con respecto a la superficie de tierra,
respetando así la variabilidad de la razón entre el volumen de riego y la superficie
de tierra encontrada en los datos (véase Cuadro 2).
Habiendo obtenido estimaciones de los parámetros de la función (2),
procedemos con el cálculo del valor unitario del agua de riego (VUA) para los
productores del DR 026, con base en el precio del cultivo y la productividad
física media del agua de riego aplicada a este cultivo. Cabe recalcar que no
tendría sentido referirnos a un valor único, ya que necesariamente el VUA se
relaciona con factores variables. Por ejemplo, el valor de mercado del cultivo
puede variar de un año a otro. Además, la productividad física del riego
naturalmente depende de su intensidad en relación con la superficie regada, i.e.
entre más intenso el riego, menos productivo por unidad de agua. Tomando lo
anterior en cuenta, calculamos el VUA con la siguiente fórmula:
^ ^ ^ ^ ^
ln 1(.) c
i i i
i
fVUA j p j p e w l r t j
w
(3)
Donde pi representa el precio del cultivo i (en pesos por tonelada), j identifica un
escenario específico para el precio del cultivo así como los valores de los
argumentos wi y li, y el caracter “^” indica un parámetro estimado por regresión.
En la siguiente sección de resultados, definiremos un total de nueve escenarios
para cada cultivo – tres escenarios para el precio del cultivo, combinados con tres
escenarios para la disponibilidad de agua. En cuanto a los escenarios de precio
del cultivo, nos referimos sencillamente a datos históricos para definir un precio
“bajo”, un precio “promedio” y otro “alto”. En el caso de los escenarios de
disponibilidad de agua, para cada cultivo seleccionamos en la base de datos tres
observaciones para el volumen de riego wi: la de menor valor, la de mayor valor y
la más cercana al promedio; los valores para la superficie li se obtienen de las
mismas observaciones. Estos escenarios nos permiten definir un amplio abanico
para el VUA de cada cultivo.
Interpretamos las cifras calculadas con base en la fórmula (3) como la
pérdida económica por unidad de agua para los productores del DR 026 como
consecuencia de una reducción en la disponibilidad de agua para el riego de sus
cultivos.
Disponibilidad de agua, crecimiento urbano y agricultura… 283
3. Resultados
Para cada cultivo, corremos una regresión por mínimos cuadrados ordinarios
(MCO) sobre una transformación logarítmica de la función (2). El Cuadro 3 a
continuación reporta los resultados por cultivo. Los valores estimados de los
parámetros se presentan con el estadístico t correspondiente (entre paréntesis). En
las últimas dos columnas reportamos el estadístico R2 (ajustado por el número de
variables explicativas), así como el número de observaciones utilizadas para la
regresión; se incluye una gráfica que ilustra la relación entre las cantidades
cosechadas observadas y las predichas por la regresión.
Aplicamos una prueba estadística para detectar una posible auto-correlación
de primer orden entre los residuos de las regresiones. Para ello, empleamos la
estadística de Durbin-Watson, d, y los valores críticos del cuadro de Savin-White,
[dL, dU] para un nivel de confianza del 95%. Si la d calculada resulta superior a 2,
rechazamos la hipótesis de auto-correlación negativa si 4-d < dL; si la d calculada
resulta inferior a 2, rechazamos la hipótesis de auto-correlación positiva si d < dL.
Se incluye finalmente una gráfica que ilustra la distribución de los residuos de la
regresión en el tiempo.
284 Gaceta de Economía
Cuadro 4
Resultados de las regresiones (cultivo: maíz)
Variables W L R t
Parámetros ln c Α Β Γ λ R2(ajus.) N
-348.42
(-5.74)***
-0.16558
(-1.87)**
1.2639
(12.61)***
0.22925
(3.87)***
45.854
(5.76)***
0.9914 31
Prueba de auto-correlación de primer orden (Durbin-Watson): [dL,dU]=
[1.160,1.735]
4-d = 4-2.3876 = 1.6124 ε [1.160,1.735]
No se puede rechazar ni aceptar la hipótesis de auto-correlación negativa.
Se rechaza la hipótesis de auto-correlación positiva.
Disponibilidad de agua, crecimiento urbano y agricultura… 285
Fuente: Elaboración propia; el modelo estimado es:
ln ln ln ln lnit it itit iq c w l r t
Nota:*** =significativo al 99 por ciento; **=al 95 por ciento;**=al 90 por ciento
286 Gaceta de Economía
Cuadro 4-continuación
Resultados de las regresiones (cultivo: sorgo)
Variables w L R T
Parámetros ln c α Β Γ Λ R2 (ajus.) N
-144.93
(-2.45)**
0.12378
(1.65)*
0.85863
(11.92)***
0.13136
(1.82)**
19.180
(2.46)***
0.9589 3
1
Prueba de auto-correlación de primer orden (Durbin-Watson): [dL,dU]=
[1.160,1.735]
d = 1.7153 ε [1.160,1.735]
No se puede rechazar ni aceptar la hipótesis de auto-correlación positiva.
Se rechaza la hipótesis de de auto-correlación negativa.
Disponibilidad de agua, crecimiento urbano y agricultura… 287
Fuente: Elaboración propia; el modelo estimado es:
ln ln ln ln lnit it itit iq c w l r t
Nota:*** =significativo al 99 por ciento; **= al 95 por ciento;*= al 90 por ciento.
288 Gaceta de Economía
Cuadro 4-continuación
Resultados de las regresiones (cultivo: algodón).
Variables w L R t
Parámetros ln c α Β Γ λ R2 (ajus.) n
6.3560
(0.031)
-0.0082482
(-0.04)
1.1156
(6.09)***
-0.057461
(-0.25)
-0.86528
(-0.03)
0.9204 23
Prueba de auto-correlación de primer orden (Durbin-Watson): [dL,dU]=
[0.986,1.785]
d = 1.1814 ε [0.986,1.785]
No se puede rechazar ni aceptar la hipótesis de auto-correlación positiva.
Se rechaza la hipótesis de auto-correlación negativa.
Disponibilidad de agua, crecimiento urbano y agricultura… 289
Fuente: Elaboración propia; el modelo estimado es:
ln ln ln ln lnit it itit iq c w l r t
Nota:*** =significativo al 99 por ciento; **= al 95 por ciento;*= al 90 por ciento.
Procedemos con el cálculo del VUA según la fórmula (3). Para todos los
nueve escenarios descritos en la sección anterior, fijamos t en 2002 (el último año
de observación) y r en 34.9 cm (el promedio observado). Los resultados se
reportan en el Cuadro 4 a continuación. Según nuestras estimaciones, para los
productores del DR 026 el valor del agua de riego, según su disponibilidad y el
precio del cultivo, varía entre $0.80-$1.98/m3 en el caso del maíz y $0.68-
$1.49/m3 en el caso del sorgo. El rango de valor para el algodón, $1.94-$5.47/m
3
es notablemente superior; no obstante, los volúmenes de agua que se aplican a
este cultivo en el DR 026 son marginales en comparación a los dos cultivos
dominantes.
290 Gaceta de Economía
Cuadro 5
Valor unitario del agua, DR 026, por cultivo
Precio
($/ton)
Disponibilidad
de agua
W
(mil m3)
l
(ha)
VUA
($/m3)
M
a
í
z
1,500
Baja 1,626 529 $1.98
Media 225,269 41,110 $1.55
Alta 609,293 68,535 $0.93
1,400
Baja 1,626 529 $1.85
Media 225,269 41,110 $1.45
Alta 609,293 68,535 $0.87
1,300
Baja 1,626 529 $1.72
Media 225,269 41,110 $1.34
Alta 609,293 68,535 $0.80
S
o
r
g
o
1,200
Baja 9,307 3,022 $1.49
Media 139,320 30,644 $1.01
Alta 339,257 58,863 $0.82
1,100
Baja 9,307 3,022 $1.36
Media 139,320 30,644 $0.93
Alta 339,257 58,863 $0.75
1,000
Baja 9,307 3,022 $1.24
Media 139,320 30,644 $0.85
Alta 339,257 58,863 $0.68
A
l
g
o
d
ó
n
6,000
Baja 760 541 $5.47
Media 9,867 4,770 $4.68
Alta 74,462 19,394 $2.91
5,000
Baja 760 541 $4.56
Media 9,867 4,770 $3.90
Alta 74,462 19,394 $2.43
4,000
Baja 760 541 $3.64
Media 9,867 4,770 $3.12
Alta 74,462 19,394 $1.94
Nota: t = 2002, r = 34.9 cm para todos los casos. Fuente: Elaboración propia.
Disponibilidad de agua, crecimiento urbano y agricultura… 291
4. Discusión
El nivel de ajuste de las regresiones es elevado; además, los residuos presentan
propiedades deseables, en ningún caso se pudo detectar la presencia de auto-
correlación (nótese que la distribución de los residuos reportada gráficamente es
libre de largas secuencias del mismo signo en todos los casos). El desempeño de
las regresiones, las cuales emplean un número limitado de variables explicativas
(cuatro) y ninguna variable rezagada, deriva entonces de la correcta
especificación del modelo así como de la utilización de una forma funcional
adecuada y no de algún artificio estadístico. También hay que reconocer que al
enfocarnos a un solo distrito de riego, quedan automáticamente controlados
diversos factores, por ejemplo la eficiencia física de la infraestructura de riego, la
calidad del suelo o las características de los productores, factores que causarían
heterogeneidad en una sección cruzada de distritos y podrían ser difíciles de
controlar.
Las regresiones revelan un fenómeno importante (véase Cuadro 4, en
particular los valores estimados para el parámetro α): el uso del agua en el DR
026 tiende a ser intensivo con respecto a la tierra (en el caso del sorgo y del
algodón) e incluso agronómicamente excesivo (en el caso del maíz). Ello se
refleja directamente en los resultados de VUA del Cuadro 4: entre más agua
disponible (i.e. más volumen de riego), menor su valor unitario. Cualesquiera
sean los factores que causan este uso intensivo o excesivo del agua, queda claro
que se podrían “rescatar” volúmenes significativos en el distrito y que, por ende,
no existe necesariamente una disyuntiva entre producción agrícola y uso público-
urbano de agua en la cuenca del río San Juan.
Los resultados de VUA del Cuadro 4 sirven como punto de partida para fijar
una compensación económica justa para los productores del DR 026, a cambio de
un cierto volumen de agua. No obstante, hay puntos adicionales que se tienen que
considerar. El valor unitario del agua que calculamos aquí representa el ingreso
total generado en el DR 026 por unidad de agua de riego. Por ende, sobrestima la
compensación económica realmente requerida, ya que lo que estrictamente se
tendría que compensar son las remuneraciones de los factores de producción
(tierra, trabajo, maquinaria, infraestructura), i.e. el valor agregado por unidad de
agua de riego. Si la compra de insumos (por ejemplo, semillas, fertilizantes,
combustible, etc.) representa el 20% del ingreso total, el valor agregado unitario
alcanzaría entonces el 80% de las cifras calculadas, por ejemplo $0.64-$1.58/m3
en el caso del maíz y $0.54-$1.19/m3 en el caso del sorgo.
También se tiene que considerar que si se llegase a pagar tal compensación,
el costo efectivo por unidad de agua para el AMM sería significativamente
292 Gaceta de Economía
inferior a lo requerido para compensar a los productores. A lo largo de la ruta del
agua, desde la presa El Cuchillo (o los puntos de descarga de aguas tratadas al río
Pesquería) hasta el DR 026, ocurren necesariamente pérdidas por infiltración,
evaporación y otros factores. Se desconoce el valor del coeficiente de pérdida,
pero podría ser del orden de 50%, i.e. de 1000 m3 que se liberan de la presa o
descargan en el río Pesquería, llegan solamente 500 m3 al DR 026. Por ende,
tomando en cuenta las cifras de valor agregado del párrafo anterior, al AMM le
costaría compensar a los productores entre $0.32-$0.79/m3 por el agua que
obtendría de los productores de maíz y entre $0.27-$0.60/m3 en el caso del sorgo.
Agua y Drenaje de Monterrey ofrece a la venta aguas tratadas a una tarifa de
entre $4.66 y $6.35/m3, según el volumen comprado; estas aguas son de calidad
comparable al agua cruda que usan los productores del DR 026. Agregarle a esta
tarifa una cuota adicional de entre $0.27-$0.79/m3 por concepto de compensación
para el DR 026 permitiría desarrollar este mercado (de interés para los usuarios
industriales del AMM), sin perjudicar económicamente a los agricultores río
abajo.
5. Conclusiones
Si para cubrir sus crecientes necesidades de agua, el AMM intensifica su
aprovechamiento de las aguas superficiales de la cuenca del San Juan, los
productores del DR 026, río abajo, se verán afectados por una reducción en el
volumen de agua disponible para el riego de sus cultivos. Los resultados de
nuestro trabajo sugieren que la compensación que se tendría que pagar a los
productores para mantenerlos en igualdad de circunstancias económicas ($0.27-
$0.79/m3) sería modesta en relación a las tarifas que pagan los usuarios del
AMM, en particular en el sector industrial.
Por supuesto quedan preguntas abiertas; a continuación se abordan dos clases
de cuestiones por resolver. Primero, en cuanto al diseño del mecanismo de
compensación. Los resultados de la estimación de nuestro modelo sugieren que el
uso del agua en el distrito se podría optimizar; sería preciso entonces ligar la
compensación económica a una obligación de realizar esfuerzos dirigidos a
utilizar el uso del agua de riego de maneras más eficiente. Ello traería la ventaja
de reducir o hasta eliminar cualquier reducción en la producción de cultivos. Por
ejemplo, por cada peso de compensación, se podría requerir un peso de inversión
en la infraestructura hidráulica del distrito. No obstante, para diseñar tal
mecanismo, necesitaríamos identificar las causas fundamentales del uso intensivo
de agua en el distrito y cuantificar la contribución específica de cada una al
problema del sobre uso, lo que no nos permite nuestro modelo.
Disponibilidad de agua, crecimiento urbano y agricultura… 293
La segunda clase de preguntas por explorar se relaciona con el objetivo de
mantener constante la disponibilidad per cápita de agua para uso público-urbano,
i.e. responder al aumento de la demanda mediante un aumento de oferta – el
tradicional objetivo en el manejo de los sistemas urbanos de agua. A medida que
tales sistemas, por ejemplo el del AMM, se topen cada vez más con límites
naturales y costos crecientes, resulta conveniente buscar alternativas más
sustentables. Por ejemplo, manejar (o suprimir) la demanda por medio de las
tarifas, o planear el desarrollo urbano de manera que mejore la eficiencia en las
redes municipales de agua. Obviamente, existe en México, al igual que en todo el
mundo, una amplia agenda de investigación pendiente de estos temas.
6. Referencias
Caswell, M. y Zilberman, D. (1985) “The Choices of Irrigation Technologies in
California”. American Journal of Agricultural Economics. Vol. 67, No. 2, pp.
224-234.
Comisión Nacional del Agua, Gerencia Regional Río Bravo, Subgerencia
Regional de Infraestructura Hidroagrícola. Estadística Agrícola y de Hidrometría,
D. R. 026 Bajo Rió San Juan, Tamps, Año Agrícola 1970-71 a Año Agrícola
2001-2002.
Consejo Nacional de Población (CONAPO) (2005) Proyecciones de la Población
de México 2005-2050.
Just, R-E., Zilberman, D., et ál. (1983). “Estimation of Multicrop Production
Functions”, American Journal of Agricultural Economics. Vol. 65, No. 4, pp.770-
780.
Hexem, R-W. y Heady, C-F. (1978) Water Production Functions for Irrigated
Agriculture. Ames, Iowa: The Iowa University Press.
Moore, M-R., Gollehon, N-R. et ál. (1993). “Alternative Forms for Production
Functions of Irrigated Crops”, The Journal of Agricultural Economics Research,
Vol. 44, pp.16-32.
National Climatic Data Center, Cooperative Observing Network. Estaciones
Misión y La Joya.
Secretaría de Medio Ambiente y Recursos Naturales, Comisión Nacional del
Agua. Observaciones Climatológicas, Estación: S.J.-2-9 (Marte R. Gómez).
Sisto, N. (2009). “Environmental flows for rivers and economic compensation for
irrigators”, Journal of Environmental Management, Vol. 90, pp.1236-1240.
294 Gaceta de Economía
Yaron, D. (1967). “Empirical Analysis of the Demand for Water by Israeli
Agriculture”, Journal of Farm Economics, Vol. 49, no.2, pp.461-473.