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.