Texto Completo: Resumen
En la experiencia internacional en el desarrollo de sistemas de soporte a la toma de la decisión (DSS en inglés), es recurrente la referencia que la naturaleza fuertemente “cualitativa e intuitiva” de las decisiones conspira con la adopción de dichos sistemas. Lo anterior motiva la fuerte recomendación de la bibliografía del tema de emplear “estrategias participativas” para el uso eficiente de simuladores complejos, y la aplicación de metodologías orientadas a usuario (UCD en inglés) para el desarrollo de DSS más específicos y acotados y por ende mejorar su usabilidad y adopción. En la sección I se hace una breve reseña de algunas connotaciones sobre el proceso de toma de decisión, y posteriormente en la sección II se menciona la evolución de los DSS y causas de su baja adopción. En la sección III, se consignan algunas consideraciones para mejorar la adopción de DSS y en la sección IV se describen dos experiencias propias de los dos tipos de modelos mencionados. La primera, sobre el desarrollo y aplicación de un simulador agropecuario biofísico (SIMUGAN), donde se muestran particularmente, las diferentes estrategias para favorecer los nexos a la investigación de campo y a asesores agropecuarios para el chequeo permanente de su pertinencia y confiabilidad. La segunda experiencia se orienta a la descripción de una herramienta específica de planificación forrajera, productiva y económica (Planificador Ganadero de cría 1.1.1 ®). Se describe el diseño y desarrollo, la estructura, lógica interna y la experiencia de su uso en un curso virtual de agronegocios del Instituto de Promoción de la Carne Vacuna Argentina (IPCVA). En la sección V se concluye sobre la importancia de la complementariedad de los enfoques participativos, por un lado con el objetivo de mejorar la comprensión y análisis y diseño de los sistemas en nexo a la investigación de campo incorporando diferentes visiones, y por el otro favorecer mayor disponibilidad nacional de herramientas “amigables” para diferentes tipos de decisiones en la ganadería vacuna.
Palabras clave: software, ambiente de aprendizaje, participativo, utilidad, usabilidad.
Summary
In the international experience in the development of decision support systems (DSS), it is frequently mentioned that the highly “qualitative and intuitive” nature of decisions is one of the causes of low adoption of such systems. Consequently, there is a strong recommendation to use participatory approachs in the development and use of complex biophysical simulators and the application of User Center Design methodology (UCD) for the development of more specific tools. In the section I, a brief review of decision making process is developed, and in section II a short evolution of DSS history is developed and some causes of their low adoption are mentioned. Literature recommendations to improve DSS adoption are consigned in section III, and in section IV two local experiences about two types of DSS are described. In the first case, it is mentioned the development and use of a whole-farm simulator (Simugan) and how it is linked to field research and to the opinion of consultants to ensure its pertinence and accuracy. The second example is about a tool for feed and economic planning of cow-calf systems, and it describes its design, structure and how it was used in a virtual training course for farmer and consultants sponsored by the Argentinean Institute for Beef Promotion (IPCVA). Finally, in the section V it is concluded about importance of the use of participatory approach to improve system analysis and UCD to make available more friendly tools for different decisions in cattle systems.
Key words: Software, learning environment, participatory, usefulness, usability.
Introducción
En la actualidad, es normal observar la creciente disponibilidad pública y privada de información facilitada por sistemas automáticos de recolección, con acceso en tiempo real posibilitado por diferentes formas de comunicación y dispositivos (por ejemplo teléfonos, PC, palms, notebooks, netbooks, y tablets). El sector agropecuario no es ajeno a eso, pero en este nuevo contexto puede presentarse desinformación por el “exceso” de datos disponibles, donde la limitación empieza a ser la capacidad de análisis de los mismos. En este sentido, las Tecnologías de la Información y la Comunicación (TICs), dentro de las cuales se encuentran los modelos de simulación, ofrecen en su conjunto oportunidades de aporte positivos de análisis para el sector (Albornoz, 2006; MINCYT, 2009).
Los modelos constituyen herramientas que permiten la integración de distinta información y diversos procesos permitiendo el estudio de sus interacciones y la evolución del impacto de modificaciones en el sistema global (McKinion, 1980). Si bien surgen de la aplicación industrial, su utilización en procesos biológicos (Haefner, 1997) y agropecuarios en particular es de crecimiento exponencial (Ahuja et al., 2002; Bryant y Snow, 2008; Gouttenoire, 2011; Johnson, 2003), incluso atendiendo necesidades ambientales como es el caso de la cuantificación de emisión de gases de efecto invernadero por sistemas de producción pecuaria (Crosson, 2011). Por lo expuesto, a nivel internacional los modelos de simulación son herramientas complementarias indispensables en proyectos de investigación de sistemas agropecuarios (Ahuja et al. 2002; Newman et al. 2003; Romera et al. 2008; Thornton y Herrero, 2001). A nivel nacional, y específicamente para el caso de producción de carne, hay también diferentes experiencias positivas (Berger et al., 2002a; Feldkamp, 2004; Machado et al., 2010b; Romera et al., 2004; Ruiz et al., 2000).
Los procesos implicados en la toma de decisión agropecuaria se componen de fases analíticas e intuitivas que involucran el análisis de distintos tipos de información, por un lado datos cuantitativos y por otro datos más cualitativos, orientados a la identificación de tendencias (Öhlmér, 2008). Aunque la aplicación de la simulación como elemento de soporte de investigación es ampliamente aceptada, su contribución a la toma de decisión es un tema de mayor controversia (McCown, 2002a; Parker, 2005).
Esta presentación se orienta a describir el aporte posible de los modelos de simulación a la mejora de la toma de decisiones en sistemas de producción de carne. A partir de algunas experiencias locales iniciales, pero haciendo particular referencia a las recomendaciones internacionales en la materia, este documento está organizado en cinco secciones: I. Breve reseña sobre el proceso de toma de decisión agropecuaria; II. Evolución de los sistemas de apoyo a la decisión agropecuaria y causas de su baja adopción; III. Estrategias propuestas para la mejora de adopción de los sistemas de apoyo a la decisión (DSS), IV. Ejemplos locales de simulación en sistemas ganaderos y V, consideraciones finales y conclusiones.
I. Breve reseña sobre el proceso de toma de decisión agropecuaria
Este punto se orienta a contextualizar la toma de decisión agropecuaria para comprender sus implicancias generales y como facilitarla con modelos de simulación bajo la concepción de DSS. No es motivo de esta sección hacer una revisión exhaustiva de este tópico ya que, en ese sentido existen distintas fuentes posibles de consulta (Anderson et al., 1977; Dane y Pratt, 2007; McCown, 2012; Nuthall, 2011).
Desde un punto de vista didáctico, al proceso de toma de decisión se lo presenta frecuentemente como una secuencia de pasos que implican definir un problema, analizarlo, evaluar y elegir alternativas de mejora, aplicar una (“que puede ser incluso no hacer nada”), elegir criterio de valorización de opciones, y finalmente evaluar el impacto (Baker et al., 2002). Sin embargo, las decisiones son el producto final de un largo proceso de análisis y aprendizaje, realizado en grados variables de manera conciente y deliberada, pero también de manera inconciente, (Attonaty et al., 1999; McCown, 2002a; Sterk, 2011) intuitiva, heurística y cualitativa (Dane y Pratt, 2007). Este proceso se conforma de reglas que resumen el conocimiento y entendimiento que necesita el decisor para el control de todas las interacciones que afectan, por ejemplo a los cultivos y la producción animal a nivel del sistema de producción (McCown, 2002b), ya que los productores usan métodos empíricos para evaluar la información relativa a nuevas alternativas productivas o tecnologías (Llewellyn, 2007; McCown, 2012).
En la Figura 1 se observa que además de los insumos y productos cuantitativos considerados en la toma de decisión (líneas contínuas), hay igualmente insumos y también productos de más difícil cuantificación (líneas punteadas), pero que a su vez tienen gran relevancia en el proceso decisional. Este punto resulta evidente cuando analizamos la consideración de un asesor experimentado con su cliente, al momento de definir una recomendación técnica. Ej., “Mi sugerencia a Pedro, en consideración de su fuerte vocación ganadera (perfil del decisor), es hacer la agricultura por arrendamiento (renunciando a parte del margen si fuera por administración) para concentrar los esfuerzos en articular mejor los planteos de recría y engorde a corral estratégico …”
En la Figura 2 se observa el contraste o brecha entre la toma de decisión empresaria basada mayormente en la experiencia y prácticas propias, versus la mejor recomendación técnica basada en el análisis y el conocimiento de sistemas de apoyo a la decisión (McCown, 2002b). Estas dos dimensiones se acercan en la medida en que las recomendaciones técnicas incluyen también el conocimiento de las necesidades, intereses, valores y objetivos del decisor (se puede hacer referencia al mismo ejemplo de relación asesor y su cliente expuesto previamente), y cuando el decisor va incorporando a las prácticas propias más conocimiento técnico y análisis. En este sentido, se suele mencionar que aquellos decisores que han sido entrenados en procesos analíticos como los que utiliza la educación formal o la que se generan en el trabajo grupal de productores, son más proclives a este cambio (Öhlmér, 2008).
II. Evolución de los sistemas de apoyo a la decisión agropecuarios y causas de su baja adopción
Los modelos de simulación son una herramienta matemática descriptiva y cuantitativa que permite describir de forma simplificada un sistema actual (hipótesis cuantitativa), y además proponer y cuantificar mejoras (Ahuja et al., 2002; Mitra, 1988). Por lo tanto, regularmente deben estar sujetos a evaluaciones para saber si son adecuados para el uso que queremos darle (Oreskes, 1998; Tedeschi, 2006).
Es posible identificar etapas marcadas en la historia de la aplicación de los DSS al sector agropecuario. Se resumen aquí los aspectos más generales de esas experiencias, de manera de identificar cuáles son las condiciones y características que deberían evitarse y aquellas que deberían potenciarse para mejorar la adopción de estas herramientas.
En el enfoque inicial de investigación operativa, derivada de su aplicación industrial, se pretendía sustituir el pensamiento intuitivo basado en prácticas propias del decisor por recomendaciones óptimas sustentadas en el análisis (Hutton, 1965) tal como lo mostrado en la Figura 2, resultando el mismo un enfoque demasiado sesgado para permitir un uso más generalizado (Dreyfus, 1986).
Posteriormente se toma conciencia más claramente del “mecanismo” decisional (McCown, 2000b). Un productor maneja su campo de forma integral; sin embargo, cuando toma una decisión particular en un contexto complejo e incierto como es lo habitual, lo hace en base a reglas simplificadas que resumen su criterio y conocimiento del sistema sobre ese tema (Plant y Stone, 1991). De manera posterior al enfoque de investigación operativa surgieron de la investigación a nivel internacional numerosos e importantes desarrollos de simulación bajo la forma de DSS orientados a explorar opciones del tipo “que pasa si”, pero también con baja adopción general. Esta situación ha merecido la atención de diversos autores (Arnott y Pervan, 2005; McCown, 2002a; McCown et al., 2009; Newman et al., 2000; Parker, 2005) y resumiendo, de estos trabajos se puede consignar los siguientes puntos con respecto a los DSS:
a) En general, los decisores no están involucrados en su diseño y desarrollo, por lo que la forma de plantear alternativas y el formato de los resultados normalmente no ajusta al estilo y preferencias de los usuarios/beneficiarios potenciales.
b) La predominancia de los investigadores en su diseño y desarrollo, los vuelve muy demandantes en información que no siempre está disponible para los decisores, y si estuviera accesible requeriría mucha dedicación de carga.
c) Mayormente, mantienen el sesgo sustitutivo sobre el juicio del decisor o del asesor basado en la mejor recomendación técnica (Figura 2), siendo particularmente crítica la falta de relevancia o pertinencia del DSS ante los ojos del decisor considerando el punto a). Sobre este punto, es importante mencionar que es difícil que un decisor renuncie a la aplicación de su propio juicio cuando tienen que tomar una decisión que es de su responsabilidad, a favor de la recomendación de un modelo del que desconoce sus supuestos y limitaciones (de Geus, 1994).
d) Los objetivos del uso de los modelos no suelen estar claramente explicitados, sobre todo dentro de procesos de investigación-transferencia (con quién, hasta dónde, para qué, cuándo y cómo); del mismo modo es deficitaria la cuantificación del impacto de su uso.
e) Debida a la baja adopción (mercado), es difícil sustentar un equipo de soporte, mantenimiento y mejora (que a su vez permita ampliar usuarios), si no es mediante un aporte subsidiado de la investigación.
III. Estrategias propuestas para la mejora de adopción de los DSS
Entre los modelos de simulación se diferencian por un lado aquellos simuladores biofísicos, los cuales suelen ser relativamente complejos y motivados desde la investigación y destinados al estudio mayormente estratégico de tecnologías u opciones productivas, y por otro aquellas herramientas más simples y de uso más directo como apoyo a la toma de decisiones específicas (Le Gal et al., 2010; McCown, 2002b). En consideración de las diferencias de origen y de objetivos de los simuladores biofísicos y del desarrollo de herramientas más específicas y directas (identificados en este documento como DSS específicos para facilitar la diferenciación), a continuación las estrategias para ambos tipos de DSS se describen por separado.
III.a. Simuladores biofísicos:
En el caso de simuladores más complejos, la transformación del conocimiento científico en información útil para la toma de decisiones (manejo del sistema productivo) requiere poder establecer un nexo entre los procesos biológicos simulados, los procesos y tecnologías desarrollados en el sistema, provisto con indicadores adecuados para la toma de decisión. Esto normalmente pone en evidencia la necesidad de lograr información relevante y de fácil acceso al usuario (Cash et al., 2003; Gluck, 1996; Gouttenoire, 2011; Martin et al., 2011; McNie, 2007). Los modelos permiten hacer análisis de prospectiva en base a la utilización de escenarios posibles (Godet, 2000), que se definen como una visión internamente congruente de lo que podría ser el futuro (Porter, 1980) y por lo tanto nos facilita cuantificar el impacto sobre el sistema de diferentes incertidumbres en la que se encuentra nuestra actividad/negocio. Dicho de otro modo, esto nos permite cuantificar como un determinado esquema productivo (incluyendo el modo que se lo maneja) se comporta ante uno o más escenarios. Esto resulta relevante no solo para cuantificar el impacto de escenarios más probables, sino también para cuantificar escenarios excepcionales.
Este tipo de herramientas más potentes pero más complejas, requieren cierta habilidad para su utilización que hace que en algunos ejemplos de análisis participativo de posibles escenarios agropecuarios (Cabrera et al., 2007; Machado et al., 2010a; Martin et al., 2011; Vayssières et al., 2011), la tradicional figura de usuario en software, sea reemplazada por la de beneficiario, ya que el usuario es un técnico o grupo técnico facilitador de la aplicación del simulador. En estos trabajos, la temática y el enfoque experimental fue seleccionada por los productores y asesores agropecuarios (beneficiarios), pero las simulaciones fueron desarrolladas por un equipo de soporte (usuario facilitador). Este tipo de enfoque se denomina modelación participativa; donde se rescata la experiencia de quien vive y trabaja día a día en un sistema productivo dado, recuperando información y características de los procesos, así como los fenómenos que pueden no haber sido captados por los investigadores, quienes no están inmersos en el trabajo diario, pero que manejan otro tipo de información complementaria a la generada en los sistemas in situ (Girard y Hubert, 1999). En resumen, los procesos participativos sirven para integrar todo tipo de conocimientos (empírico, técnico y científico) de una variedad de disciplinas y fuentes de información (Cabrera et al., 2007; Voinov y Bousquet, 2010), lo que favorece un dialogo “cuantitativo” entre personas con distintos puntos de vista, criterios o percepciones, tales como investigadores, asesores y productores, conformando una “herramienta de comunicación” entre diferentes concepciones o ideas (Jakku y Thorburn, 2010; Jakku et al., 2004; Sterk, 2011).
En términos generales, todas las técnicas participativas están relacionadas con el método educativo conocido como aprendizaje colaborativo o aprendizaje social, donde el proceso de aprendizaje tiene lugar a través de la comunicación entre los participantes (Craps, 2003; Maurel et al., 2007; Voinov y Bousquet, 2010). Bajo esta lógica, las simulaciones permiten indagar cómo estructuras y mecanismos clave del sistema pueden estar interaccionando para producir los eventos observados; sirven como laboratorio de aprendizaje (Figura 3) para explorar y comprender la situación bajo análisis, superando algunas de las limitaciones de los experimentos reales, como las demoras en la aparición de los efectos de los cambios en las variables, y las variaciones biológicas no controladas en los ensayos, la incertidumbre ambiental y el grado de precisión de las mediciones (Woodward et al., 2008). Sin embargo, el proceso participativo per se no es efectivo si no se toman los recaudos necesarios que pueden condicionar los resultados de esta metodología, como es el caso de la constitución y el tamaño del grupo, el propósito para el cual han sido convocados, la metodología de coordinación de las actividades grupales (Renger et al., 2008) y los principios o recomendaciones que guían el proceso participativo (Voinov y Bousquet, 2010).
El nuevo rol de los simuladores como laboratorio de aprendizaje (Figura 3) en vez de generador de recomendaciones técnicas específicas para la toma de decisión (Figura 2), hace énfasis en el cambio cognitivo cuando alguien actúa en un entorno determinado, pero que además lo adopta como conocimiento nuevo y lo utiliza en sus prácticas futuras (Leeuwis, 2004). Esta forma indirecta de mejorar las futuras decisiones a través del aprendizaje en un entorno virtual, encuadra dentro de los DSS denominados de tipo pasivo (Haettenschwiler, 1999). En general se mencionan dos tipos generales de aprendizaje el que permite mejorar la forma como hacemos las cosas (relacionado a la eficiencia), y uno más medular, que implica la modificación de las certezas básicas (Argyris y Schön, 1996). Es importante destacar que la predisposición a aprender de un modelo de simulación, implica que el mismo es desde el punto de vista de los beneficiarios, creíble, relevante y legítimo para el problema que se pretende abordar (Cash et al., 2003 ). Sobre este mismo punto, se ha observado más predisposición de los decisores en situaciones donde, por condiciones extraordinarias (ej sequías prolongadas, nuevas políticas, nuevos cultivos, etc.), se pierde el sustento normal de las referencias históricas de los productores y sobre las que basan sus reglas de decisión (Louis y Sutton, 1991). Para que el simulador biofísico resulte creíble, relevante y legítimo, requiere un proceso iterativo gradual de mucha apertura entre decisores y analistas investigadores, y que estos últimos estén dispuestos a brindar el apoyo al proceso, aprendiendo junto con los decisores e identificando como mejorar su propia actividad. Esto es la esencia de la Investigación-acción (McCown, 2002b).
III.b. Diseño de DSS específicos:
A diferencia de los simuladores previamente mencionados que surgen de la investigación, en este caso nos referimos a sistemas que se originan por una necesidad directa del mercado. A partir de los simuladores biofísicos como los descriptos en III.a, han surgido excepcionalmente necesidades traducibles en una oportunidad de mercado (Hochman et al., 2009), pero no es lo habitual, ni el objetivo de los mismos. Particularmente en este tipo de herramientas más específicas, nos referimos a aquellas destinadas a resolver necesidades puntuales, frecuentemente asociados a decisiones operativas y tácticas (aunque no exclusivamente) de un usuario, como podría ser por ejemplo el ajuste de una dieta por parte de un asesor nutricional o el análisis una serie de precios ganaderos para apoyar una decisión particular. Aunque es evidente el rol central que tiene la usabilidad (específica para cada tipo de usuario) en cualquier software y más aún en un DSS, la falta de integración formal de la opinión continúa del “usuario” en el diseño/desarrollo del producto, está dentro de las causas frecuentes de fracasos en la industria del software aplicado a diferentes sectores productivos e industriales (Charette, 2005). Por lo tanto, en este tipo de DSS el usuario debe ser el centro del proceso de desarrollo (Parker, 2001; Shneiderman, 1998) y entonces se recomienda la utilización de metodologías específicamente diseñadas para subsanar este déficit, como los son centradas en el usuario, UCD en inglés (ISO-13407 1999). A partir de la necesidad detectada de un DSS, esta metodología contempla el análisis de los requerimientos del usuario (identificando usos y perfiles de usuarios) y el prototipado y la evaluación de la usabilidad (heurística y mediante usuarios) que reatrolimenta el diseño y funcionalidad del prototipo (Sears, 2007). Para entender la adopción del mercado de estas herramientas se han desarrollado enfoques sofisticados que incluyen elementos de facilitación e influencia del entorno, entre otros (Venkatesh, 2003), la misma se sustenta principalmente tanto en la percepción por parte del usuario de utilidad como de la facilidad de uso de esta tecnología (Davis, 1989; Keil, 1995).
IV. Ejemplos de uso local de simulación en sistemas ganaderos
A continuación se describen dos experiencias propias de cada uno de los tipos mencionados previamente. La primera es el desarrollo y aplicación de un simulador agropecuario (SIMUGAN) en el marco de la investigación interinstitucional de sistemas agropecuarios del sur de la Provincia de Buenos Aires. La segunda experiencia se trata una herramienta de planificación forrajera, productiva y económica (Planificador Ganadero de cría 1.1.1), diseñada y desarrollada con usuarios en los últimos cuatro años.
IV. a. Desarrollo y aplicación de un simulador biofísico de empresas agropecuarias como ambiente de aprendizaje e investigación:
Evolución y funcionalidad actual:
La necesidad de disponer de alguna herramienta que permitiera modelar y cuantificar situaciones de empresas agropecuarias surge tempranamente en el grupo, iniciándose los primeros prototipos con planillas electrónicas (Machado y Ponssa, 1995; Ponssa y Machado, 1995). Posteriormente se fueron refinando los diseños y la posibilidad de evaluaciones más complejas con uso de modelos implementados en sistemas de simulación como Extend® y Stella® (Berger et al., 2002a; Berger et al., 2002b), pero en el ánimo de mejorar la usabilidad, escalabilidad y el rendimiento del simulador, se avanzó el trabajo conjunto con ingenieros de sistemas (Arroqui et al., 2009) que permitió finalmente disponer de una versión web denominada SIMUGAN (Machado et al., 2010b). El desarrollo de la misma se integró paralelamente con investigación de campo para calibrar componentes específicos que resultaban clave a la capacidad predictiva del mismo (Machado et al., 2006; Machado et al., 2007). Antes de describir cómo se está utilizando el simulador, se efectúa una descripción general de su funcionalidad (Figura 4). El usuario accede vía web y utiliza un planteo productivo-económico (PPE) disponible ó genera uno nuevo desde cero o a partir de otro existente. El PPE se construye a partir de la información necesaria de la situación inicial, que se carga en diferentes pantallas a las que se accede desde botones por temas (Figura 5), incluyendo el diseño de diferentes reglas de manejo destinadas a darle flexibilidad a las simulaciones, que son órdenes condicionales que se desencadenan dependiendo de las condiciones presentes (si…tal cosa….en tal momento, hacer tal otra). Por ejemplo, si las vacas presentan una condición corporal debajo de 2 (Escala 1-5) a los X días del mes X, aplicar destete precoz a las mismas…Dentro del planteo se define también la duración de la simulación, que puede ser días, meses ó varios años. Cuando se manda a simular, el modelo simula diariamente, y cuando termina la simulación se genera un archivo de resultados productivos y económicos en planilla electrónica que el usuario recibe por correo electrónico (Figura 4).
Uso actual y futuro del simulador:
El desarrollo local más reciente de SIMUGAN permitió capitalizar las recomendaciones que surgen de la bibliografía internacional (Ahuja et al., 2002; McCall et al., 1994; McCown, 2002b; McCown et al., 2009; Morley, 1972; Woodward et al., 2008). De manera sintética, se han fomentado estrategias participativas como las mencionadas en III.a para identificar los planteos a estudiar con el simulador, con la participación de extensionistas, investigadores y estudiantes en diferentes talleres (Figura 6). Un desafío importante de estas experiencias para el equipo más ligado al simulador es explicar su funcionamiento, potencialidades y limitaciones y sus capacidades a técnicos no familiarizados con modelación. Esto ha dado un balance positivo, permitiendo disponer de pautas para la mejora de la pertinencia de la herramienta e identificar casos de interés (Machado et al., 2010b). A modo de ejemplo, en un taller se identificó la necesidad de estudiar en sistemas de cría el impacto combinado de la superficie destinada a sorgo diferido, el mes de inicio de utilización y la carga animal sobre la producción de carne anual por ha, como se muestra en la Figura 7 (Stefanazzi et al., 2011). De los resultados de la simulación, se observa que los mismos sugieren un uso temprano del diferido (Abril), con una superficie de sorgo entre el 6 y 9%, asimilable a prácticas encontradas en sistemas comerciales de la Cuenca del Salado. El margen bruto ganadero presentó la misma tendencia que la producción de carne (Stefanazzi,
I. datos sin publicar).
La estrategia de uso de SIMUGAN orientada a la potenciación del mismo como laboratorio de aprendizaje colectivo (Jakku y Thorburn, 2010; Woodward et al., 2008), ha permitido una mejor interacción con la investigación de campo, formación interdisciplinaria de recursos humanos (Figura 8) y de lo que se denomina investigación-acción (McCown et al., 2009). Como es recomendable que este tipo de estrategia de trabajo tenga un buen sustento institucional (van Delden, 2011), por lo mismo se ha avanzado en la formalización y puesta en marcha de una red interinstitucional para la modelación de sistemas agropecuarios de la región, MODASUR (integrada por INTA CERBAS, Facultad de Ciencias Veterinarias UNCPBA, la Comisión de Investigaciones Científicas (CIC, Provincia de Buenos Aires), el Instituto de Promoción de la Carne Vacuna Argentina (IPCVA), la Facultad de Ciencias Agrarias – UNMdP, y la Facultad de Ciencias Exactas UNCPBA). Adicionalmente SIMUGAN está siendo utilizado en dos proyectos ganaderos nacionales (INTA PNCAR 011172, INTA AUDEAS CIAC 940106) y uno regional (720142 INTA CERBAS). El doble rol de investigación y extensión del INTA, ha facilitado la articulación orgánica de proyectos y acciones de experimentación y de discusión de casos como se muestra en la figura 8 que evalúan las simulaciones bajo un criterio estadístico, pero también en términos de pertinencia del modelo utilizado para los casos y de credibilidad de las proyecciones de acuerdo a la visión de asesores según su experiencia en el territorio (Machado et al., 2010b). El camino de construcción de la confianza en la herramienta por los diferentes actores e instituciones es reciente, pero los resultados preliminares son promisorios, de manera que con una estrategia local gradual y equilibrada permitirá capitalizar mejor las experiencias internacionales de la temática.
IV.b. Uso de DSS específicos:
Sobre este tipo de desarrollos se pueden encontrar diversos casos en Argentina orientados a producción de carne, por ej. REQNOV Plus®, Huellas®, entre otros. Para este punto se podría considerar alguna de las herramientas mencionadas, sin embargo, por mayor disponibilidad de información propia se describe un ejemplo de nuestro grupo, pero haciendo énfasis en los elementos recomendados en la bibliografía para este tipo de desarrollo.
Planificador ganadero 1.1.1®
Este software surge de necesidades detectadas con profesionales veterinarios en el marco del programa de Educación continua de la FCV-Tandil. Para facilitar el proceso de planificación de sistemas alternativos de cría mediante indicadores físicos y económicos, se desarrolló participativamente un prototipo en MS Excel® que fue perfeccionado y utilizado durante 4 años. Posteriormente, se desarrolló en un trabajo de 1900 horas hombre y con el apoyo del FONSOFT-MINCyT, un prototipo de escritorio denominado Planificador ganadero 1.1.1® Beta (Ponssa et al., 2009), mediante la utilización de metodologías centradas en el usuario (ISO-13407, 1999) y de desarrollo ágil (Arroqui et al., 2009).
De acuerdo a las preferencias de los usuarios, el proceso de carga de un escenario como el ejemplificado es paso a paso, alternando etapas de carga de datos y de salidas parciales, permitiéndole al usuario avanzar y retroceder entre interfaces (pasos) en todo momento (Figura 9). Para ilustrar su funcionalidad, se generó un planteo productivo de 700 ha dedicadas a cría vacuna a partir de tasas de eficiencia reproductiva obtenidas de un monitoreo de empresas ganaderas de la Cuenca del Salado (Maresca et al., 2007). Se estimó el ingreso neto (IN) del mismo y se plantearon dos niveles de mejora logrables de tasas reproductivas, evaluando el IN adicional en ambos casos (Cuadro 1), que resultó en una mejora del IN de +16% y de + 27% sobre el escenario actual. A diferencia de SIMUGAN, el montaje de un ejercicio como el descripto puede realizarse muy intuitivamente en menos de 5 minutos (en este ejemplo solo hace falta llegar al punto 5 de la Figura 9), lo que permite que un usuario inexperto pueda rápidamente familiarizarse con análisis productivos y económicos como el descripto o similares.
En una primer prueba de usuarios, esta herramienta se usó intensivamente para reforzar, en forma de trabajos prácticos, a los conceptos teóricos disponibles en un curso virtual sobre Gestión de la información ganadera y agronegocios del IPCVA y la FCV-UNCPBA, desarrollado a distancia mediante un aula virtual durante 2011 (Figura 10). El mismo tuvo una duración de 3 meses y 60 hs totales, y fue finalizado por 37 profesionales y productores, con realidades muy diversas tanto en la formación técnica e informática previa, como por la realidad productiva zonal. Como parte final del curso cada participante debió desarrollar un trabajo propio de su zona. Los trabajos presentados incluyeron por ejemplo cría en zona de riego del Río Colorado, mejora forrajera en zonas de monte, e incorporación de destete precoz. A pesar de las condiciones heterogéneas de las zonas y de los perfiles de participantes, en general hubo muy buena aceptación de la herramienta, dado que en una encuesta anónima, el 93% de participantes (n total=37) indicaron que el Planificador Ganadero resultó muy amigable y flexible para el análisis de casos (FCV-IPCVA 2011).
V. Consideraciones finales y conclusiones
En un contexto de gran dinamismo de los sistemas agropecuarios, los simuladores biofísicos utilizados para la exploración cuantitativa de impactos de diferentes escenarios resultan en una alternativa relativamente rápida como parte de una primera barrera de análisis de información. Esto puede resultar de utilidad para el sector científico tecnológico de manera de explorar preliminarmente impactos potenciales de diferentes tecnologías, que deben ser confirmadas en trabajo de campo para proponer mejoras a los sistemas reales. En general, la contribución directa de estas herramientas a la toma de decisión ha sido muy baja. Más recientemente estos desarrollos parecen haber encontrado su nicho con un enfoque diferente, dando la posibilidad de un intercambio cuantitativo entre los interesados bajo la forma de laboratorio de aprendizaje y no como generador de recetas tecnológicas específicas. El éxito de las estrategias participativas requiere mucha apertura de los analistas exponiendo claramente los supuestos y limitaciones del simulador, de modo de ir generando confianza gradual en la herramienta por parte de los diferentes actores, fundamentalmente en los investigadores y extensionistas con gran formación en campo y en sistemas reales, tradicionalmente no integrados a los equipos de modelación.
La adopción de los DSS específicos como el Planificador ganadero 1.1.1® Beta, está ligada a su facilidad de uso y a la medida en que este tipo de herramientas potencian las capacidades operativas y/o profesionales de los usuarios (Matthews et al., 2008). El planificador presentado está en una etapa inicial sin lanzamiento como producto, pero los resultados de su uso en un curso virtual son muy alentadores. En relación a este tipo de herramientas más específicas, existe un déficit nacional de oferta, uso y soporte de TICs para la ganadería (MINCYT, 2009). Este déficit resulta más evidente si se lo compara con lo que ocurre en el sector agrícola, en un marco de creciente incorporación de TICs en todas las actividades humanas (Internet, celulares, tablets) que posibilitan el acceso y procesamiento de información de potencial uso para la toma de decisión.
En resumen, los modelos de simulación biofísicos tienen gran posibilidad de aportar información para la toma de decisión en sistemas de producción de carne de forma indirecta, a través de facilitar el intercambio de experiencias y visiones de forma cuantitativa a través de estrategias participativas, potenciando el aprendizaje colectivo y la integración de la modelación con la investigación de campo. Lo anterior no es posible sin un buen soporte institucional que garantice el mantenimiento y mejora continua de todo el desarrollo. Finalmente, el diseño y desarrollo de DSS específicos que ofrezcan una solución tecnológica eficiente en costo y preferencias del usuario sumado a un buen mantenimiento y soporte, podrían tener una buena oportunidad de contribuir a una ganadería nacional de precisión, potenciando las capacidades de los distintos actores.
Agradecimientos
Al Ing. Agr. Alberto Garcia Spil, al Med. Vet. M.Sc Julio C. Burges y a los Drs. Guillermo Milano y Cristian Feldkamp, por las valiosas sugerencias a una versión inicial de este documento. A la ANPCyT – MINCYT, que a través de diferentes líneas del Foncyt, Fonsoft y Fonarsec ha posibilitado la continuación varias de las actividades mencionadas en el documento.

Texto Completo: Introduction
There is growing pressure on agriculture to reduce its emissions of greenhouse gases (GHG), including the release of methane (CH4) from ruminant livestock. It has been estimated that ruminant livestock account for 8-10% of global anthropogenic (i.e., human derived) GHGs, using the International Panel on Climate Change (IPCC) methodology, or as much as 18% of global GHGs when additional emissions from land use change are also included in the analysis (O’Mara, 2011). Because of the significant contribution of livestock to GHG emissions, animal scientists have become increasingly interested in the potential for mitigation.
In particular, there is increasing interest in finding ways to reduce enteric methane (CH4) production from cattle and sheep. Methane gas is produced by ruminants during feed digestion, with higher CH4 produced as feed intake increases and as forage proportion in the diet increases. However, CH4 is not only a potent GHG but also represents a loss of energy for the animal. Thus, a number of mitigation strategies have been proposed, as reviewed elsewhere (Beauchemin et al., 2008, 2009; Martin et al., 2010; Grainger and Beauchemin, 2011). Some of the proposed options include: diet supplementation with lipids, feeding more concentrates, use of feed additives such as monensin, enzymes, yeasts, direct fed microbials, plant essential oils and tannins, improved feed conversion efficiency, selection of low CH4 emitting animals, and manipulation of the rumen microflora.
However, a change in diet composition or farm management designed to reduce enteric CH4 production does not necessarily guarantee a reduction in the net GHG emissions from the farm due to a potential increase in other GHG emissions. To adequately assess the true impact of CH4 mitigation strategies, animal scientists need to use a whole system modeling approach, such as life cycle assessment (LCA). LCA enfolds the inputs and outputs in a farming system, accounting for all changes in GHG emissions arising from a prospective mitigation practice. The purpose of this paper is to review the basic concepts of LCA for evaluation of GHG emissions arising from beef and dairy production, highlighting the advantages and limitations associated with this approach, and offering some perspective on future direction.
The Importance of Holistic Thinking
Using an LCA approach can help animal scientists avoid making recommendations that might reduce enteric CH4 at the expense of increasing the other GHGs (nitrous oxide [N2O] and carbon dioxide [CO2]). Although CH4 mitigation strategies target a reduction in total CH4 production (g/animal/day), it is possible that the change in farm management or diet could lead to an increase in other GHGs or a decline in animal productivity. Expressing total GHG emissions in units of intensity, such as kg CO2 equivalents (e) per kg of beef or milk produced, helps ensure that reduced CH4 is transferred through the entire system. For example, with improved pasture quality, a logical response by the farmer is to increase stocking rate. However, this is likely to further increase CH4 yield/unit area and total GHG emissions from the farm (g/d), even though it may reduce GHG emissions/kg milk or meat produced. Similarly, high yielding dairy cows typically consume more feed than low yielding cows, and as a result produce more CH4 (g/cow/day),yet high yielding cows produce less total GHG (and CH4)/kg of milk produced. This apparent contradiction illustrates the need to assess the true impact of CH4 emission reduction strategies using an LCA approach.
Life Cycle Assessment Simplified
An LCA determines the potential environmental impact of producing meat or milk by examining inputs relative to outputs. Specifically, the objective is to estimate the total GHG emissions (CH4 + N2O + CO2) associated with producing meat and milk. International standards such as ISO Life Cycle Assessment 14040 and 14044 (ISO 2006a,b) are used to ensure the LCA is conducted according to approved methodology.
The total emissions are expressed in units of GHG intensity, which provides an estimate of the emissions per unit of product. The GHGs are expressed in terms of CO2 equivalents (e) to account for the global warming potential of the various gases (CH4 = 25, N2O= 298, CO2= 1; IPCC, 2007). The output or functional unit describes the product produced, in terms of kilograms of beef or fat and protein corrected milk or other bases of comparison (e.g., 100 g of protein, mj energy, hectares of land, etc).
To conduct an LCA, one must first determine the system boundary. This specifies the components of the production chain to be included in the analysis. For beef and dairy production the components might include inputs into the farm (such as purchased feed, electricity, fuel, herbicides, pesticides, machinery, etc.), the farm itself, transportation of the product from the farm, processing of the product, transportation of the processed product, the retail sector, and finally, the consumer. However, in most LCA of agricultural products, the retail and consumer components are not considered. An example of a system boundary used in an LCA of milk production is shown in Figure 1. Processing of meat and dairy products usually contributes less than 20% of the total GHGs. For example, in an LCA of lamb produced in New Zealand and consumed in the United Kingdom, GHGs from the farm represented 80% of the total GHG, as shown in Figure 2 (Ledgard et al., 2010). For this reason, there is value in conducting partial farm-based LCA that focus only on the GHG associated with producing meat and milk as it leaves the farm (i.e., from cradle to farm-gate), as the greatest potential for GHG reduction is at the farm level.
Estimating Farm GHG Emissions
A number of models have been proposed to estimate GHG emissions from farms. One such model is Holos (www.agr.gc.ca/holos-ghg), developed by scientists from Agriculture and Agri-Food Canada. Holos is an empirical model, with a yearly time-step, based primarily on IPCC (2006) methodology, modified for Canadian conditions and farm scale. The model considers all significant emissions and removals on the farm, as well as emissions from manufacture of inputs (fertilizer, herbicides, pesticides) and off-farm emissions of N2O derived from N applied on the farm. Holos estimates a whole-farm GHG emission, calculating emissions for soil-derived N2O, enteric CH4, manure-derived CH4 and N2O, CO2 from on-farm energy use and the manufacturing of inputs, and CO2 emission/removal from management induced changes in soil carbon stocks. This systems approach allows net whole-farm emissions to be calculated from management changes on any part of the farm. We have used Holos to conduct an LCA of beef and dairy production in Canada.
LCA Example: Beef Production
Beef cattle production in Canada typically involves two systems, managed in separate operations: cow–calf ranching and beef feedlot finishing. Thus, to account for emissions from the entire beef production cycle, we needed to simulate a farm that included both a cow–calf operation and a feedlot, along with cropland needed to supply all feed and bedding for the cattle. The LCA was conducted over multiple years to fully account for all components of the beef production system from birth to slaughter. Our aim was to evaluate the beef production system, rather than to document emissions from a specific commercial operation in a particular year.
The simulated farm consisted of a beef production operation, a cropping operation, and native prairie pasture for grazing. The beef herd was comprised of 120 cows, 4 bulls, and their calves, with the progeny fattened in a feedlot. In this system, the cows nurse their calves on pasture for 7 months. The weaned calves are then fed a high forage backgrounding diet in the feedlot for 110 d (240 to 350 kg), followed by a finishing period of high grain feeding for 170 days (350 to 605 kg). The LCA was conducted over an 8-year period to represent the period from birth to slaughter of the breeding stock. Further details of the farm management are given in Beauchemin et al. (2010). By examining an entire cycle, our analysis estimated average emissions for the full system, rather than from segments thereof. Total GHG emissions from the beef herd were calculated using Holos by summing the emissions for the cows, bulls, and feedlot cattle for one complete 8-year cycle. Total liveweight was for all animals, except for replacements, and carcass yield was assumed to be 60% of total liveweight.
Our LCA yielded an estimated GHG intensity of 22 kg CO2 eq/kg carcass, which is at the lower range (17–43 kg CO2 eq/kg carcass) of estimates for beef production from LCAs of other systems (as summarized by Capper et al., 2011, and Crosson et al., 2011). However, it must be cautioned that the range in GHG intensities reflects not only differences among farming systems, but also different assumptions, approaches, and algorithms in calculating emissions, so direct comparison among studies is not recommended.
The major GHG for beef production was enteric CH4, comprising 63% of the total (Figure 3). Within the beef production cycle, the cow-calf system accounted for about 80% of total GHG emissions and the feedlot system for only 20%, dividing roughly equally between the backgrounding and finishing phases. In reality, this breakdown might vary somewhat, depending on the specific management practices used. In western Canada, for example, weaned calves are sometimes fed forage-based diets over winter and placed back onto pasture the following summer before entering the feedlot, rather than being placed directly into feedlots as in our simulation. Such variations, however, are unlikely to displace the cow–calf system as the primary source of GHG emissions resulting from beef producing farms.
About 84% of enteric CH4 was from the cow–calf system, mostly from mature cows. In contrast to some perceptions, the feedlot system accounts for a relatively small fraction of enteric CH4 from beef production. The lower CH4 emission from the feedlot is due mainly to its relatively brief duration and, to a lesser extent, to the use of grain-based finishing rations.
LCA Example: Milk Production
Similar to the beef production LCA, this assessment required the development of a simulated farm. In Canada, the province of Quebec has the highest number of dairy cows constituting 37.5% of the national herd (Canadian Dairy Information Centre, 2011), thus the simulated farm was based in this region. The approach taken in this analysis mirrored that of the beef production LCA by encompassing emissions generated by all on- and off-farm processes that contribute to dairy production.
The LCA was conducted over a 6 year period to represent the typical lifespan of dairy cows under Quebec conditions. The assessment was initiated with the birth of 65 female Holstein calves. Sixty heifers survived to first calving at 27 months of age and following calving, cows were retained for, on average, 2.75 lactations. A calving interval of 14 months, with 12 months lactation was assumed. Milk yield was set at 9,742 kg/animal/lactation for primiparous animals and 10,450 kg/animal/lactation for multiparous animals. Male calves were finished as grain-fed veal at 6.5 months of age at approximately 270 kg, with female calves in excess of replacement requirements also finished in this manner. Livestock were housed for the duration of their lifetime, with all feeds produced on farm. HOLOS was used to calculate the GHG emissions for the system for a single 6-year cycle, which were then expressed relative to one kilogram of fat and protein corrected milk (FPCM).
This assessment yielded an estimated GHG intensity of 0.91 kg CO2e/kg FPCM, which is marginally lower than estimates reported for a number of other dairy LCAs (as summarized by Rotz et al., 2010). However, as discussed previously, comparison between studies is inadvisable and may be potentially misleading given the differences between the systems under investigation.
In this assessment, the major GHG emitted was CH4 (56% of the total GHG emissions), with 86% of this figure arising from enteric fermentation (Figure 4.). Although less than CH4, emissions of N2O were also notable, accounting for 40% of the total, thus indicating the importance of nutrient cycling and management in dairy systems. Assessment of emissions by cattle group showed that 64% of the total GHGs arose from lactating animals. The contribution of the veal calves was negligible (3%), with animals less than 12 months of age contributing only 10% of the total system emissions.
Advantages and Future Perspectives of Life Cycle Analysis for Ruminants
The major advantage of conducting a farm-level LCA is the ability to evaluate the impact of changes in farm management in terms of the GHG intensity of meat and milk production. In our case, once the baseline LCA was established for beef production, mitigation practices aimed at reducing enteric CH4 were applied and their impacts on the intensity of GHG emissions assessed (Beau- chemin et al., 2011). Mitigation practices included dietary modifications aimed at reducing CH4 emissions (i.e., changed forage inclusion levels, dietary supplementation with lipids, use of corn distillers dried grains, improved forage quality) and improved animal husbandry (i.e., increased longevity of breeding stock, improved reproductive performance of the herd). Strategies applied to the cow-calf herd individually reduced total farm GHG intensity by up to 8% with up to a 17% total reduction possible by combining strategies. In comparison, strategies applied to the feedlot had only a small impact on GHG emissions; reducing total GHG intensity by less than 2% when applied individually or by 3–4% when applied in combination. Although the North American beef production system is already highly efficient, a number of mitigation strategies could be implemented to further lower GHG emissions associated with producing beef, with a total reduction of about 20% attainable if multiple strategies are applied to both the cow herd and the feedlot. However, the biggest reductions in GHG emissions are achieved when mitigation practices target reducing enteric CH4 from the breeding herd. When the grassland in the baseline scenario was newly seeded onto previously cropped land, its soil carbon gain more than offset all GHG emissions, changing the beef production system from a net emitter to a net sink of carbon. Although such estimates of soil carbon gain have uncertainty, this scenario demonstrates that the net GHG balance of a beef production system is powerfully influenced by carbon dynamics in the associated land base, emphasizing the importance of including these dynamics in assessments of mitigation potential.
Such a whole-farm vantage can only be achieved using a GHG model, such as Holos. Like other models, Holos still has many limitations and its outputs carry significant uncertainty. However, such a model can help identify research areas and questions that merit particular emphasis and it can thereby guide future research and policy recommendations. Further work is still needed to bolster the model’s reliability and expand its applicability.
A major disadvantage of conducting an LCA focused only on GHG is that the analysis does not consider other potential benefits of maintaining ruminants on grasslands. The GHG intensity of producing beef is considerably higher than other livestock products (Table 1), and consequently many consumers world-wide are choosing to consume less beef for reasons of perceived environmental impact. However, GHG intensity is only one environmental consideration, and LCAs of livestock products need to look beyond GHGs. For example, the cow–calf system has potential ancillary benefits because it relies extensively on pastures and forage crops which, in many cases, can preserve or augment soil carbon, thereby mitigating CO2 build-up in the atmosphere. Furthermore, because the nutrient cycle in grazing systems is relatively closed, excreted nutrients are returned directly to the land from which they came so emissions from manure may also be suppressed. In the future, we need to look beyond GHG emissions, to also include other environmental questions, such as water quality, ammonia emissions from intensive livestock operations, nutrient cycling, biodiversity and so forth.
Conclusions
While continued research to reduce enteric CH4 emissions from beef and dairy production is merited (if only to improve efficiency), the net mitigative effect of the change in management can only be assessed using GHG model and an LCA approach. However, focusing only on GHG emissions does not fairly assess the many benefits of ruminants, particularly pastured cattle. Perennial forages and pastures provide many ancillary environmental benefits. Such lands not only preserve or build soil carbon reserves, thereby withholding CO2 from the air, but also have many other ecosystem services including the conservation of biodiversity, water quality, wildlife habitat, and aesthetic value. The environmental merits of prospective production systems can only be fully assessed by considering all of these benefits. The continued development of robust, ecosystem-level models is essential for such broadly-based LCA analyses.