Impact of climate change on aquaculture production in the Piura region, 2005-2019
Rebeca Fiorella Castillo Coveñas1, Cristhian Nicolás Aldana Yarlequé1 Instituto de Investigación en Economía y Eficiencia Productiva Universidad Nacional de Frontera, Sullana, Piura, Perú
El sector pesquero es un elemento estratégico para la economía del Perú, principalmente por ser una importante fuente generadora de divisas después de la minería, por lo que se destaca particularmente la importancia de analizar el impacto del cambio climático en la producción acuícola de la región Piura. En tal sentido, la metodología utilizada consistió en relacionar las variables climáticas de la temperatura máxima y mínima, precipitación y humedad relativa con la producción de la concha de abanico, langostinos y tilapia, mediante la aplicación de los filtros Hodrick-Prescott (lambda = 100) y de las pruebas de hipótesis de Dickey-Fuller. Los resultados muestran que cada producción tiene una variación diferente de temperatura mínima y máxima dentro del rango permisible; por lo que, la posibilidad de realizar pronósticos con respecto al efecto del cambio climático se ve limitada por la escasa información disponible. Las variables climáticas y su relación con la producción explican en más del 50 % su comportamiento, por lo que se puede concluir que la producción de langostino es estacionaria en su primer nivel. Para el año 2020 se destaca la producción de conchas de abanico con un 36 %, se ubicó por arriba de los langostinos que tuvo un 26 %, verificando su estacionalidad en el segundo nivel.
The fisheries sector is a strategic element for Peru's economy, mainly because it is an important source of foreign exchange after mining, so it is particularly important to analyze the impact of climate change on aquaculture production in the Piura region. In this regard, the methodology used consisted of relating the climatic variables of maximum and minimum temperature, precipitation and relative humidity with the production of fan shell, shrimp and tilapia, by applying Hodrick-Prescott filters (lambda = 100) and Dickey- Fuller hypothesis tests. The results show that each production has a different variation of minimum and maximum temperature within the permissible range, so the possibility of making forecasts regarding the effect of climate change is limited by the scarce information available. Climatic variables and their relationship with production explain more than 50% of its behavior, so it can be concluded that shrimp production is stationary in its first level. For the year 2020, the production of fan shells stands out with 36%, above the prawns which had 26%, verifying its stationarity in the second level.
1 Estudiante de Ingeniería Económica, Instituto de Investigación en Economía y Eficiencia Productiva, Universidad Nacional de Frontera – UNF, Sullana, Piura, Perú.
En la actualidad, existe un diagnóstico de vulnerabilidad de la región Piura en el sector Pesquero y Acuícola frente al cambio climático, el señala que la actividad pesquera y acuícola en Piura registró un incremento de 50% en el periodo 2007 al 2013, alcanzando así en el 2013 los 514 millones de nuevos soles, que representa el 3% del valor agregado bruto total de la región. Según el INEI, la producción del sector primario estuvo promovida por la pesca y logró crecer más del 7%.
Según la Dirección General de Sostenibilidad Pesquera del Ministerio de la Producción el cambio climático afecta al sector pesca generando impactos ecológicos que afectan la productividad, distribución de especies, variabilidad de captura, estacionalidad de producción y cambios en el nivel del mar, además, genera impactos directos como infraestructuras, engranajes dañados en el mar, perdida e incrementos de las rutas de navegación e inundación de comunidades de pesca. En el plano socioeconómico genera afluencia de pescadores migrantes, enfermedades y reducción de la rentabilidad en otros sectores.
Las altas temperaturas del mar peruano están cambiando radicalmente la manera en que los peces se mueven y habitan las corrientes oceánicas. Una de ellas, la de Humboldt es la más grande del mundo y conforma el ecosistema marino con mayor diversidad biológica y productividad por unidad de superficie. El Perú es el noveno productor pesquero a nivel mundial y el primero a nivel latinoamericano, con una producción de casi 4 millones de toneladas métricas cada año (PRODUCE, 2019).
Sin embargo, la corriente de Humboldt es una de las que más se ha visto afectada por el cambio climático, donde los efectos adversos se traducen en eventos devastadores para los ecosistemas marinos. Se calcula que alrededor de 56 millones de personas en el mundo subsisten de diferente manera de la pesca, fuente generadora de empleo en muchos países del mundo. Por lo tanto, el avance del calentamiento global podría poner en jaque la mayor fuente de supervivencia de gran parte de la población mundial, incidiendo de manera negativa en los ecosistemas marinos (PRODUCE, 2016).
Se han identificado los riesgos climáticos actuales a los que se encuentra expuesto la actividad pesquera, evaluando a nivel regional las dimensiones socioeconómicas, político-institucionales y ambientales, y con ello la propuesta de medidas de adaptación para la actividad acuícola en el “Estudio del Comportamiento de la Oferta Exportable Acuícola Ecuatoriana bajo los efectos del cambio climático en la Costa”.
Asimismo, el análisis del comportamiento de la oferta exportable acuícola ecuatoriana específicamente del camarón Litopenaeus Vannamei bajo los efectos de la variabilidad climática, toma en cuenta la incidencia de la temperatura superficial del mar, la temperatura ambiental, las precipitaciones sobre el total de libras exportadas y el FOB- UDS total que estas generaron, desarrollando un análisis interno y externo del sector camaronero mediante herramientas conocidas como FODA y PESTEL que buscan identificar el impacto y la relación entre las variables del cambio climático y el comportamiento de la oferta exportable.
El análisis de imágenes Landsat en los períodos 2007/2016 y 2017/2018, obtenidas en el Instituto Espacial Ecuatoriano, permitió evaluar la influencia de actividades de producción acuícola (Litopenaeus vannamei) en el cambio de uso del suelo del humedal.
Utilizando los sistemas de información geográfica se realizaron mapas temáticos para identificar los distintos usos del suelo y se calculó la tasa de cambio en los periodos antes mencionados. Los resultados muestran que el uso del suelo de la actividad acuícola de camarón aumentó entre el 2007 al 2016 en un 19,76 % y, entre el 2017 al 2018 en un 19,70 %. Con esto se concluye que las actividades de producción acuícola tienen un crecimiento acelerado en el sector, influyendo en el cambio de uso del suelo y trayendo consecuencias como la disminución del cuerpo de agua natural.
De acuerdo con el Instituto Nacional de Pesca (INP) del Ecuador, los cambios en la abundancia de peces estarían asociados a la sobre explotación pesquera, sin embargo, también escenarios de cambio climático pueden provocar cambios en su abundancia y organización espacial en especies de resiliencia reducida. La susceptibilidad del sector camaronero a precipitaciones frecuentes y cambios en las condiciones principalmente biológicas en su fuente de agua por el incremento de temperatura, podrían afectar los rendimientos actuales de producción.
Tomando como antecedentes investigaciones realizadas en Ecuador, por su cercanía con el mar y la costa de la región Piura es que se puede realizar un análisis del impacto del cambio climático en la producción acuícola de la región Piura.
La acuicultura en nuestro país tiene un escaso nivel de desarrollo, comparado con otros países de la región y está orientada al cultivo de pocas especies. Al primer semestre de 2008 el 82,91 % del área otorgada (19110,06 ha) corresponde a la actividad acuícola marina y 17,09 % (3938,93 ha) a la actividad acuícola continental. Los cultivos más desarrollados son los de concha de abanico y langostino, cuyas producciones son destinadas principalmente a la exportación. Asimismo, el cultivo de trucha se desarrolla en las zonas altoandinas y está dirigido tanto al mercado local como al de exportación. Otras especies cultivadas en zonas tropicales son peces nativos (Gamitana, Paco y Boquichico), y su producción se orienta al mercado local. Finalmente, la tilapia es cultivada en selva alta (San Martín) para consumo local y en la costa norte del país, para mercado interno y para exportación. La Actividad de acuicultura en el Perú se ha venido incrementando en los últimos años, a finales del año 2000, se contaba con 1115 derechos otorgados en 10809 hectáreas de espejo de agua vigentes, al primer semestre de 2008 existen 3172 derechos de acuicultura en 23048,99 hectáreas de espejo de agua, lo cual señala que la actividad de acuicultura se está convirtiendo en una alternativa de desarrollo para la población.
En lo que respecta a langostinos, la producción piurana se centra en una innovadora adaptación de la especie al cultivo en agua dulce, y en integración con la agroindustria en el uso del valioso recurso agua (economía circular). Mientras que, el emprendimiento de producción de tilapia emplea tecnología de mayor nivel, mejores estrategias comerciales y constituye una de las acuiculturas de la especie de mayor importancia en el país.
Por detrás de Piura, se ubicó Puno, con un 24 % de la producción acuícola nacional en el 2020; mientras que, el tercer lugar fue para Tumbes, con el 23 % de la producción del sector. Entre Piura, Puno y Tumbes acapararon casi el 80 % de la producción acuícola peruana el año pasado.
El crecimiento se explica en la diversificación de la producción de Piura en tres especies: conchas, langostinos y tilapia.
De acuerdo con Christian Berger, especialista de Ingeniería Acuícola de la Universidad Científica del Sur, afirmó que “En particular, es remarcable la significativa producción de concha de abanico, mucha de ella a partir de la gestión de organizaciones de pescadores artesanales convertidos en acuicultores, así como también de empresas tecnificadas. Ello conlleva favorables impactos sociales, económicos y comerciales”.
En el 2020, el sector acuícola produjo más de 141000 toneladas, de acuerdo con PRODUCE. Dicho monto permitió que en el periodo del 2013 al 2020, el sector registrara un crecimiento promedio anual del 20 %. Este avance se justifica en el impulso de medidas promotoras para la acuicultura, así como la concreción de nuevas inversiones y emprendimientos, y en la aplicación nuevos sistemas intensivos de producción, como el caso de los langostinos en invernaderos, que han derivado en mayores rendimientos.
Pese a ello, la acuicultura peruana se mantiene como poco diversificada y vulnerable a diferentes amenazas, entre las que destacan las climáticas, de competitividad y de eventuales epidemias. En la concentración de la acuicultura peruana en el año 2020 resaltan las truchas (51910 toneladas, un 37 % del total), las conchas de abanico (47002 toneladas, 33 %) y los langostinos (36725 toneladas, 26 %).
La humedad relativa (HR) es la medida del contenido de vapor de agua en el aire, es la cantidad de vapor de agua presente en el aire expresada como un porcentaje (% HR) de la cantidad necesaria para lograr la saturación a esa temperatura. La humedad relativa es fuertemente proporcional a la temperatura y altamente sensible a sus cambios. Esto significa que, si tiene una temperatura estable en su sistema, su humedad relativa también lo será. Además de la temperatura, la humedad relativa también depende de la presión del sistema en cuestión.
La temperatura máxima es la mayor temperatura registrada en un día (máxima diaria). También se le puede aplicar al mes (máxima mensual), al año (máxima anual) o bien referirse a la temperatura máxima registrada en un lugar durante un largo período de tiempo (máxima absoluta) (SISDHIM).
Es el valor más bajo de la temperatura del aire registrada durante un periodo de observación (cada 24 horas). La temperatura mínima es uno de los elementos más importantes del tiempo, que ejerce gran influencia en la vida humana, en la de los animales y de las plantas. Es un elemento determinante de las condiciones de vida y productividad en las diversas regiones del país. La temperatura mínima alcanzada en el día es registrada diariamente, mediante el uso de termómetros de alcohol, en los que un menisco en el tubo capilar es desplazado hasta alcanzar el valor mínimo. (SISDHIM, Sistema de Información del Medio Ambiente )
El término precipitación se utiliza en meteorología para referirse a todos los fenómenos de la caída de agua del cielo en cualquier forma: lluvia, granizo, nieve, entre otros.
La precipitación se conoce generalmente como precipitaciones, en plural, para reflejar la diversidad de estos eventos climáticos.
La tabla 1, muestra la serie de tiempo anual de los niveles de producción de concha de abanico en la región Piura, desde el año 2005 al 2019.
En la figura 1, se muestra el comportamiento de la serie de tiempo anual de la producción de concha de abanico en la región Piura, mediante la aplicación de los filtros Hodrick- Prescott (lambda = 100).
Producción de concha de abanico desde el 2005 al 2019
N | Año | Especie | Producción |
1 | 2005 | 1 | 1949.1 |
1 | 2006 | 1 | 1678.7 |
1 | 2007 | 1 | 1409.5 |
1 | 2008 | 1 | 1847.2 |
1 | 2009 | 1 | 3967.2 |
1 | 2010 | 1 | 44581.1 |
1 | 2011 | 1 | 41038.8 |
1 | 2012 | 1 | 15940.0 |
1 | 2013 | 1 | 56205.7 |
1 | 2014 | 1 | 42807.4 |
1 | 2015 | 1 | 11891.6 |
1 | 2016 | 1 | 7205.8 |
1 | 2017 | 1 | 838.9 |
1 | 2018 | 1 | 18225.6 |
1 | 2019 | 1 | 41860.9 |
Comportamiento de la serie anual de la producción de concha de abanico en la región Piura, desde el 2005 al 2019.
40,000
20,000
0
-20,000
-40,000
Hodrick-Prescott Filter (lambda=100)
05 06 07 08 09 10 11 12 13 14 15 16 17 18 19
60,000
50,000
40,000
30,000
20,000
10,000
0
aba Trend Cycle
En la tabla 2, se muestra la prueba de hipótesis realizada a la producción de concha de abanico en la región Piura, para lo cual se define que:
H0: La serie producción conchas de abanico presenta raíz unitaria y no es estacionaria H1: La serie producción conchas de abanico no presenta raíz unitaria y es estacionaria
Si el p-value es mayor al 5 %, acepto H0; si el p-value es menor al 5 % rechazo H0. Como el p-value es igual a 0,47 mayor que 0,05, entonces acepto la hipótesis nula y la serie producción de concha de abanico presenta raíz untaría, por lo tanto, es no estacionaria.
Prueba de hipótesis de la producción de concha de abanico
t-Statistic | Prob.* | ||
Augmented Dickey-Fuller test statistic | -2.161232 | 0.4721 | |
Test critical values: | 1% level | -4.800080 | |
5% level | -3.791172 | ||
10% level | -3.342253 | ||
*MacKinnon (1996) one-sided p-values. | |||
Warning: Probabilities and critical values calculated for 20 observations and may not be accurate for a sample size of 14 | |||
Augmented Dickey-Fuller Test Equation | |||
Dependent Variable: D (ABA) | |||
Method: Least Squares | |||
Sample (adjusted): 2006 - 2019 | |||
Included observations: 14 after adjustments | |||
Variable | Coefficient | Std. Error | t-Statistic | Prob. |
ABA (-1) | -0.608524 | 0.281563 | -2.161232 | 0.0536 |
C | 7171.115 | 11211.08 | 0.639646 | 0.5355 |
@Trend ("2005") | 870.4342 | 1322.855 | 0.657997 | 0.5241 |
R-squared | 0.298788 | Mean dependent var | 2850.838 | |
Adjusted R-squared | 0.171295 | S.D. dependent var | 21236.90 | |
S.E. of regression | 19332.63 | Akaike info criterion | 22.76439 | |
Sum squared resid | 4.11E+09 | Schwarz criterion | 22.90133 | |
Log likelihood | -156.3507 | Hannan-Quinn criter. | 22.75171 | |
F-statistic | 2.343567 | Durbin-Watson stat | 1.763587 | |
Prob(F-statistic) | 0.141961 | |||
En la tabla 3, se muestra la prueba de hipótesis realizada a la producción de concha de abanico en primera diferencia en la región Piura, para lo cual se define que:
H0: La serie producción conchas de abanico en primera diferencia presenta raíz unitaria y no es estacionaria
H1: La serie producción conchas de abanico en primera diferencia no presenta raíz unitaria y es estacionaria
Como el p-value es igual a 0,41 mayor al 0,05, entonces acepto la hipótesis nula y la serie producción concha de abanico en primera diferencia presenta raíz untaría, por lo tanto, es no estacionaria.
En la tabla 4, se muestra la prueba de hipótesis realizada a la producción de concha de abanico en la región Piura, para lo cual se define que:
Como el p-value es igual a 0,02 menor al 0,05, entonces rechazo la hipótesis nula y la serie producción de concha de abanico en segunda diferencia no presenta raíz untaría, por lo tanto, es estacionaria.
Prueba de hipótesis de la producción de conchas de abanico en primera diferencia
Null Hypothesis: D(ABA) has a unit root | |||
Exogenous: Constant, Linear Trend | |||
Lag Length: 3 (Automatic - based on SIC, maxlag=3) | |||
t-Statistic | Prob.* | ||
Augmented Dickey-Fuller test statistic | -2.276549 | 0.4084 | |
Test critical values: | 1% level | -5.295384 | |
5% level | -4.008157 | ||
10% level | -3.460791 | ||
*MacKinnon (1996) one-sided p-values. | |||
Warning: Probabilities and critical values calculated for 20 observations and may not be accurate for a sample size of 10 | |||
Augmented Dickey-Fuller Test Equation | |||
Dependent Variable: D(ABA,2) | |||
Method: Least Squares | ||||
Sample (adjusted): 2010 - 2019 | ||||
Included observations: 10 after adjustments | ||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. |
D(ABA (-1)) | -3.643805 | 1.600583 | -2.276549 | 0.0851 |
D(ABA (-1), 2) | 2.281637 | 1.334281 | 1.710012 | 0.1624 |
D(ABA (-2), 2) | 1.198172 | 0.877877 | 1.364852 | 0.2440 |
D(ABA (-3), 2) | 0.813345 | 0.480437 | 1.692928 | 0.1657 |
C | 63299.05 | 43376.69 | 1.459287 | 0.2183 |
@Trend("2005") | -6100.734 | 4401.449 | -1.386074 | 0.2380 |
R-squared | 0.795708 | Mean dependent var | 2151.527 | |
Adjusted R-squared | 0.540344 | S.D. dependent var | 37421.39 | |
S.E. of regression | 25370.94 | Akaike info criterion | 23.40431 | |
Sum squared resid | 2.57E+09 | Schwarz criterion | 23.58586 | |
Log likelihood | -111.0215 | Hannan-Quinn criter. | 23.20514 | |
F-statistic | 3.115971 | Durbin-Watson stat | 1.699498 | |
Prob(F-statistic) | 0.146760 | |||
Prueba de hipótesis de la producción de conchas de abanico en segunda diferencia
Null Hypothesis: D(ABA,2) has a unit root | ||||
Exogenous: Constant, Linear Trend | ||||
Lag Length: 1 (Automatic - based on SIC, maxlag=3) | ||||
t-Statistic | Prob.* | |||
Augmented Dickey-Fuller test statistic | -4.807291 | 0.0153 | ||
Test critical values: | 1% level | -5.124875 | ||
5% level | -3.933364 | |||
10% level | -3.420030 | |||
*MacKinnon (1996) one-sided p-values. | ||||
Warning: Probabilities and critical values calculated for 20 observations and may not be accurate for a sample size of 11 | ||||
Augmented Dickey-Fuller Test Equation | ||||
Dependent Variable: D(ABA,3) | ||||
Method: Least Squares | ||||
Sample (adjusted): 2009 2019 | ||||
Included observations: 11 after adjustments | ||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. |
D(ABA (-1), 2) | -2.354459 | 0.489768 | -4.807291 | 0.0019 |
D(ABA (-1), 3) | 0.666442 | 0.293429 | 2.271221 | 0.0574 |
C | -8403.267 | 26598.40 | -0.315931 | 0.7613 |
@Trend ("2005") | 1249.678 | 2791.773 | 0.447629 | 0.6679 |
R-squared | 0.831241 | Mean dependent var | 503.7818 | |
Adjusted R-squared | 0.758916 | S.D. dependent var | 59473.38 | |
S.E. of regression | 29201.62 | Akaike info criterion | 23.67712 | |
Sum squared resid | 5.97E+09 | Schwarz criterion | 23.82181 | |
Log likelihood | -126.2242 | Hannan-Quinn criter. | 23.58592 | |
F-statistic | 11.49310 | Durbin-Watson stat | 1.920284 | |
Prob(F-statistic) | 0.004284 | |||
La tabla 5, muestra la serie anual de niveles de producción de langostino desde el año 2005 al 2019.
Producción del langostino en la región Piura desde el 2005 al 2019
N | Año | Especie | Producción |
2 | 2005 | 2 | 464.1 |
2 | 2006 | 2 | 747.5 |
2 | 2007 | 2 | 1024.1 |
2 | 2008 | 2 | 1047.9 |
2 | 2009 | 2 | 1277.1 |
2 | 2010 | 2 | 870.3 |
2 | 2011 | 2 | 3215.6 |
2 | 2012 | 2 | 231.4 |
2 | 2013 | 2 | 2310.9 |
2 | 2014 | 2 | 3648.4 |
2 | 2015 | 2 | 4174.8 |
2 | 2016 | 2 | 1359.5 |
2 | 2017 | 2 | 3026.9 |
2 | 2018 | 2 | 3574.7 |
2 | 2019 | 2 | 4125.9 |
En la figura 2, se muestra el comportamiento de la serie de tiempo anual de la producción de langostino en la región Piura, mediante la aplicación de los filtros Hodrick-Prescott (lambda = 100).
Comportamiento de la serie anual de la producción de langostino en la región Piura
Hodrick-Prescott Filter (lambda=100)
2,000
1,000
0
-1,000
-2,000
05 06 07 08 09 10 11 12 13 14 15 16 17 18 19
5,000
4,000
3,000
2,000
1,000
0
langost Trend Cycle
En la tabla 6, se muestra la prueba de hipótesis realizada a la producción de langostino en la región Piura, para lo cual se define que:
H0: La serie producción langostino presenta raíz unitaria y no es estacionaria H1: La serie producción langostino no presenta raíz unitaria y es estacionaria
Si el p-value es mayor al 5 %, acepto H0; si p-value es menor al 5 % rechazo H0.
Como el p-value es igual a 0,04 menor al 0,05, entonces se rechaza la hipótesis nula y la serie producción de langostino no presenta raíz untaría, por lo tanto, es estacionaria.
Prueba de hipótesis de la producción de langostino en la región Piura
Null Hypothesis: LANGOST has a unit root | ||||
Exogenous: Constant, Linear Trend | ||||
Lag Length: 2 (Automatic - based on SIC, maxlag=3) | ||||
t-Statistic | Prob.* | |||
Augmented Dickey-Fuller test statistic | -3.939180 | 0.0457 | ||
Test critical values: | 1% level | -4.992279 | ||
5% level | -3.875302 | |||
10% level | -3.388330 | |||
*MacKinnon (1996) one-sided p-values. | ||||
Warning: Probabilities and critical values calculated for 20 observations and may not be accurate for a sample size of 12 | ||||
Augmented Dickey-Fuller Test Equation | ||||
Dependent Variable: D(LANGOST) | ||||
Method: Least Squares | ||||
Sample (adjusted): 2008 - 2019 | ||||
Included observations: 12 after adjustments | ||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. |
Langost (-1) | -2.965426 | 0.752803 | -3.939180 | 0.0056 |
D(Langost (-1)) | 1.260231 | 0.542320 | 2.323775 | 0.0531 |
D(Langost (-2)) | 0.571754 | 0.313741 | 1.822376 | 0.1112 |
C | 239.8511 | 711.1230 | 0.337285 | 0.7458 |
@Trend ("2005") | 701.8538 | 186.9133 | 3.754969 | 0.0071 |
R-squared | 0.810963 | Mean dependent var | 258.4833 | |
Adjusted R-squared | 0.702942 | S.D. dependent var | 1692.843 | |
S.E. of regression | 922.6512 | Akaike info criterion | 16.78672 | |
Sum squared resid | 5958997. | Schwarz criterion | 16.98876 | |
Log likelihood | -95.72030 | Hannan-Quinn criter. | 16.71191 | |
F-statistic | 7.507446 | Durbin-Watson stat | 1.982732 | |
Prob(F-statistic) | 0.011274 | |||
La tabla 7, muestra los datos de la serie anual de niveles de producción de Tilapia en la región Piura desde el 2005 al 2019
Producción de tilapia en la región Piura desde el 2005 al 2019
N | Año | Especie | Producción |
3 | 2005 | 3 | 475.9 |
3 | 2006 | 3 | 309.1 |
3 | 2007 | 3 | 1629.0 |
3 | 2008 | 3 | 1549.6 |
3 | 2009 | 3 | 1074.5 |
3 | 2010 | 3 | 1327.7 |
3 | 2011 | 3 | 1619.9 |
3 | 2012 | 3 | 2006.5 |
3 | 2013 | 3 | 2434.8 |
3 | 2014 | 3 | 2309.1 |
3 | 2015 | 3 | 2173.3 |
3 | 2016 | 3 | 1328.2 |
3 | 2017 | 3 | 1182.0 |
3 | 2018 | 3 | 583.2 |
3 | 2019 | 3 | 1921.8 |
En la figura 3, se muestra el comportamiento de la serie de tiempo anual de la producción de langostino en la región Piura, mediante la aplicación de los filtros Hodrick-Prescott (lambda = 100).
Comportamiento de la producción de tilapia en la región Piura
Hodrick-Prescott Filter (lambda=100)
800
400
0
-400
-800
-1,200
05 06 07 08 09 10 11 12 13 14 15 16 17 18 19
2,500
2,000
1,500
1,000
500
0
tilap Trend Cycle
En la tabla 8, se muestra la prueba de hipótesis realizada a la producción de tilapia en la región Piura, para lo cual se define que:
H0: La serie producción tilapia presenta raíz unitaria y no es estacionaria H1: La serie producción tilapia no presenta raíz unitaria y es estacionaria
Si p-value es mayor al 5 %, acepto H0; si p-value es menor al 5 % rechazo H0
Como el p-value es igual a 0,48 mayor al 0,05, entonces se acepta la hipótesis nula y la serie producción de tilapia presenta raíz untaría, por lo tanto, es no estacionaria.
Prueba de hipótesis de la producción de tilapia en la región Piura
Null Hypothesis: TILAP has a unit root | ||||
Exogenous: Constant, Linear Trend | ||||
Lag Length: 0 (Automatic - based on SIC, maxlag=3) | ||||
t-Statistic | Prob.* | |||
Augmented Dickey-Fuller test statistic | -2.138981 | 0.4829 | ||
Test critical values: | 1% level | -4.800080 | ||
5% level | -3.791172 | |||
10% level | -3.342253 | |||
*MacKinnon (1996) one-sided p-values. | ||||
Warning: Probabilities and critical values calculated for 20 observations and may not be accurate for a sample size of 14 | ||||
Augmented Dickey-Fuller Test Equation | ||||
Dependent Variable: D(TILAP) | ||||
Method: Least Squares | ||||
Sample (adjusted): 2006 - 2019 | ||||
Included observations: 14 after adjustments | ||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. |
TILAP(-1) | -0.536601 | 0.250868 | -2.138981 | 0.0557 |
C | 800.5640 | 420.0939 | 1.905679 | 0.0831 |
@Trend("2005") | 9.252420 | 40.22729 | 0.230004 | 0.8223 |
R-squared | 0.302929 | Mean dependent var | 103.2793 | |
Adjusted R-squared | 0.176189 | S.D. dependent var | 635.8031 | |
S.E. of regression | 577.0806 | Akaike info criterion | 15.74125 | |
Sum squared resid | 3663243. | Schwarz criterion | 15.87819 | |
Log likelihood | -107.1888 | Hannan-Quinn criter. | 15.72857 | |
F-statistic | 2.390157 | Durbin-Watson stat | 1.815482 | |
Prob(F-statistic) | 0.137412 | |||
En la tabla 9, se muestra la prueba de hipótesis realizada a la producción de tilapia en primera diferencia en la región Piura, para lo cual se define que:
H0: La serie producción tilapia en primera diferencia presenta raíz unitaria y no es estacionaria.
H1: La serie producción tilapia en primera diferencia no presenta raíz unitaria y es estacionaria.
El p-value es igual a 0,61 mayor al 0,05, entonces acepto la hipótesis nula y la serie producción tilapia en primera diferencia presenta raíz untaría, por lo tanto, es no estacionaria.
Prueba de hipótesis de la producción de tilapia en primera diferencia en la región Piura
Null Hypothesis: D(TILAP) has a unit root | ||||
Exogenous: Constant, Linear Trend | ||||
Lag Length: 2 (Automatic - based on SIC, maxlag=3) | ||||
t-Statistic | Prob.* | |||
Augmented Dickey-Fuller test statistic | -1.850588 | 0.6129 | ||
Test critical values: | 1% level | -5.124875 | ||
5% level | -3.933364 | |||
10% level | -3.420030 | |||
*MacKinnon (1996) one-sided p-values. | ||||
Warning: Probabilities and critical values calculated for 20 observations and may not be accurate for a sample size of 11 | ||||
Augmented Dickey-Fuller Test Equation | ||||
Dependent Variable: D(TILAP,2) | ||||
Method: Least Squares | ||||
Sample (adjusted): 2009 - 2019 | ||||
Included observations: 11 after adjustments | ||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. |
D(TILAP(-1)) | -1.891654 | 1.022191 | -1.850588 | 0.1137 |
D(TILAP(-1),2) | 0.678232 | 0.743644 | 0.912038 | 0.3969 |
D(TILAP(-2),2) | 0.485802 | 0.454345 | 1.069236 | 0.3261 |
C | 514.4810 | 928.0362 | 0.554376 | 0.5994 |
@Trend("2005") | -49.78027 | 98.40338 | -0.505880 | 0.6310 |
R-squared | 0.479456 | Mean dependent var | 128.9082 | |
Adjusted R-squared | 0.132427 | S.D. dependent var | 759.8083 | |
S.E. of regression | 707.7130 | Akaike info criterion | 16.26491 | |
Sum squared resid | 3005146. | Schwarz criterion | 16.44577 | |
Log likelihood | -84.45700 | Hannan-Quinn criter. | 16.15090 | |
F-statistic | 1.381600 | Durbin-Watson stat | 1.885584 | |
Prob(F-statistic) | 0.343931 | |||
En la tabla 10, se muestra la prueba de hipótesis realizada a la producción de tilapia en segunda diferencia en la región Piura, para lo cual se define que:
H0: La serie producción tilapia en segunda diferencia presenta raíz unitaria y no es estacionaria
H1: La serie producción tilapia en segunda diferencia no presenta raíz unitaria y es estacionaria
El p-value es igual a 0,71 mayor al 0,05, entonces acepto la hipótesis nula y la serie producción tilapia en segunda diferencia presenta raíz untaría, por lo tanto, es no estacionaria.
Prueba de hipótesis de la producción de tilapia en segunda diferencia
Null Hypothesis: D(TILAP,2) has a unit root | ||||
Exogenous: Constant, Linear Trend | ||||
Lag Length: 2 (Automatic - based on SIC, maxlag=3) | ||||
t-Statistic | Prob.* | |||
Augmented Dickey-Fuller test statistic | -1.602912 | 0.7181 | ||
Test critical values: | 1% level | -5.295384 | ||
5% level | -4.008157 | |||
10% level | -3.460791 | |||
*MacKinnon (1996) one-sided p-values. | ||||
Warning: Probabilities and critical values calculated for 20 observations and may not be accurate for a sample size of 10 | ||||
Augmented Dickey-Fuller Test Equation | ||||
Dependent Variable: D(TILAP,3) | ||||
Method: Least Squares | ||||
Sample (adjusted): 2010 2019 | ||||
Included observations: 10 after adjustments | ||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. |
D(TILAP(-1),2) | -2.199380 | 1.372116 | -1.602912 | 0.1699 |
D(TILAP(-1),3) | 0.238147 | 0.916485 | 0.259848 | 0.8053 |
D(TILAP(-2),3) | 0.266431 | 0.476368 | 0.559297 | 0.6001 |
C | 125.6847 | 995.3527 | 0.126271 | 0.9044 |
@TREND("2005") | -0.859587 | 101.2680 | -0.008488 | 0.9936 |
R-squared | 0.694123 | Mean dependent var | 233.3050 | |
Adjusted R-squared | 0.449421 | S.D. dependent var | 1123.490 | |
S.E. of regression | 833.6409 | Akaike info criterion | 16.59634 | |
Sum squared resid | 3474786. | Schwarz criterion | 16.74763 | |
Log likelihood | -77.98168 | Hannan-Quinn criter. | 16.43037 | |
F-statistic | 2.836605 | Durbin-Watson stat | 0.775568 | |
Prob(F-statistic) | 0.141538 | |||
La tabla 11, muestra los datos de la serie anual de humedad relativa desde el 2005 al 2019 para la producción de concha de abanico, langostino y tilapia, en la región Piura.
Humedad relativa para la producción de concha de abanico, langostino y tilapia, en la región Piura desde el año 2005 al 2019.
Año | Concha de Abanico | Langostino | Tilapia | Humedad relativa |
2005 | 1949.1 | 464.1 | 475.9 | 69.0 |
2006 | 1678.7 | 747.5 | 309.1 | 70.3 |
2007 | 1409.5 | 1024.1 | 1629.0 | 74.0 |
2008 | 1847.2 | 1047.9 | 1549.6 | 71.0 |
2009 | 3967.2 | 1277.1 | 1074.5 | 75.5 |
2010 | 44581.1 | 870.3 | 1327.7 | 75.5 |
2011 | 41038.8 | 3215.6 | 1619.9 | 73.2 |
2012 | 15940.0 | 231.4 | 2006.5 | 70.4 |
2013 | 56205.7 | 2310.9 | 2434.8 | 74.7 |
2014 | 42807.4 | 3648.4 | 2309.1 | 73.6 |
2015 | 11891.6 | 4174.8 | 2173.3 | 76.1 |
2016 | 7205.8 | 1359.5 | 1328.2 | 71.9 |
2017 | 838.9 | 3026.9 | 1182.0 | 72.7 |
2018 | 18225.6 | 3574.7 | 583.2 | 74.4 |
2019 | 41860.9 | 4125.9 | 1921.8 | 74.3 |
En la figura 4, se muestra el comportamiento de la serie de tiempo anual de la humedad relativa en la producción de langostino, concha de abanico y tilapia en la región Piura, mediante la aplicación de los filtros Hodrick-Prescott (lambda = 100).
Comportamiento de la humedad relativa en la producción de langostino, concha de abanico y tilapia en la región Piura.
Hodrick-Prescott Filter (lambda=100)
78
76
74
4 72
2 70
68
0
-2
-4
05 06 07 08 09 10 11 12 13 14 15 16 17 18 19
hum_rel Trend Cycle
En la tabla 12, se muestra la prueba de hipótesis realizada a los datos de humedad relativa de la producción de tilapia, langostinos y concha de abanico en la región Piura, para lo cual se define:
Si p-value es mayor al 5 %, acepto H0; si p-value es menor al 5 % rechazo H0
Como el p-value es igual a 0,29 mayor al 0,05, entonces acepto la hipótesis nula y la serie Humedad relativa presenta raíz untaría, por lo tanto, es no estacionaria.
Prueba de hipótesis de los datos de humedad relativa de la producción de tilapia, langostinos y concha de abanico en la región Piura
Null Hypothesis: HUM_REL has a unit root | ||||
Exogenous: Constant, Linear Trend | ||||
Lag Length: 2 (Automatic - based on SIC, maxlag=3) | ||||
t-Statistic | Prob.* | |||
Augmented Dickey-Fuller test statistic | -2.577940 | 0.2939 | ||
Test critical values: | 1% level | -4.992279 | ||
5% level | -3.875302 | |||
10% level | -3.388330 | |||
*MacKinnon (1996) one-sided p-values. | ||||
Warning: Probabilities and critical values calculated for 20 observations and may not be accurate for a sample size of 12 | ||||
Augmented Dickey-Fuller Test Equation | ||||
Dependent Variable: D(HUM_REL) | ||||
Method: Least Squares | ||||
Sample (adjusted): 2008 - 2019 | ||||
Included observations: 12 after adjustments | ||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. |
HUM_REL(-1) | -1.721587 | 0.667815 | -2.577940 | 0.0366 |
D(HUM_REL(-1)) | 0.401167 | 0.461820 | 0.868664 | 0.4138 |
D(HUM_REL(-2)) | 0.201679 | 0.301693 | 0.668489 | 0.5252 |
C | 125.3312 | 48.35154 | 2.592082 | 0.0358 |
@Trend("2005") | 0.138198 | 0.200155 | 0.690456 | 0.5121 |
R-squared | 0.654452 | Mean dependent var | 0.025000 | |
Adjusted R-squared | 0.456996 | S.D. dependent var | 2.852471 | |
S.E. of regression | 2.101952 | Akaike info criterion | 4.617947 | |
Sum squared resid | 30.92742 | Schwarz criterion | 4.819991 | |
Log likelihood | -22.70768 | Hannan-Quinn criter. | 4.543143 | |
F-statistic | 3.314418 | Durbin-Watson stat | 1.893242 | |
Prob(F-statistic) | 0.079809 | |||
En la tabla 13, se muestra la prueba de hipótesis realizada a los datos de humedad relativa en primera diferencia, para lo cual se define:
H0: La serie Humedad relativa en primera diferencia presenta raíz unitaria y no es estacionaria
H1: La serie Humedad relativa en primera diferencia no presenta raíz unitaria y es estacionaria
El p-value es igual a 0,16 mayor al 0,05, entonces se acepta la hipótesis nula y la serie Humedad relativa en primera diferencia presenta raíz untaría, por lo tanto, es no estacionaria.
Prueba de hipótesis de la humedad relativa en primera diferencia
Null Hypothesis: D(HUM_REL) has a unit root | ||||
Exogenous: Constant, Linear Trend | ||||
Lag Length: 2 (Automatic - based on SIC, maxlag=3) | ||||
t-Statistic | Prob.* | |||
Augmented Dickey-Fuller test statistic | -3.040199 | 0.1667 | ||
Test critical values: | 1% level | -5.124875 | ||
5% level | -3.933364 | |||
10% level | -3.420030 | |||
*MacKinnon (1996) one-sided p-values. | ||||
Warning: Probabilities and critical values calculated for 20 observations and may not be accurate for a sample size of 11 | ||||
Augmented Dickey-Fuller Test Equation | ||||
Dependent Variable: D(HUM_REL,2) | ||||
Method: Least Squares | ||||
Sample (adjusted): 2009 2019 | ||||
Included observations: 11 after adjustments | ||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. |
D(HUM_REL(-1)) | -2.790348 | 0.917818 | -3.040199 | 0.0228 |
D(HUM_REL(-1),2) | 1.086602 | 0.687589 | 1.580308 | 0.1651 |
D(HUM_REL(-2),2) | 0.513682 | 0.355255 | 1.445953 | 0.1983 |
C | 3.332983 | 2.863604 | 1.163912 | 0.2886 |
@Trend("2005") | -0.305219 | 0.295495 | -1.032905 | 0.3415 |
R-squared | 0.824749 | Mean dependent var | 0.263636 | |
Adjusted R-squared | 0.707915 | S.D. dependent var | 4.977403 | |
S.E. of regression | 2.690034 | Akaike info criterion | 5.119940 | |
Sum squared resid | 43.41769 | Schwarz criterion | 5.300801 | |
Log likelihood | -23.15967 | Hannan-Quinn criter. | 5.005932 | |
F-statistic | 7.059142 | Durbin-Watson stat | 1.639168 | |
Prob(F-statistic) | 0.018700 | |||
En la tabla 14, se muestra la prueba de hipótesis realizada a los datos de humedad relativa en segunda diferencia, para lo cual se define:
H0: La serie Humedad relativa en segunda diferencia presenta raíz unitaria y no es estacionaria
H1: La serie Humedad relativa en segunda diferencia no presenta raíz unitaria y es estacionaria
El p-value es igual a 0,06 mayor al 0,05, entonces se acepta la hipótesis nula y la serie Humedad relativa en segunda diferencia presenta raíz untaría, por lo tanto, es no estacionaria.
Prueba de hipótesis de la Humedad relativa en segunda diferencia
Null Hypothesis: D(HUM_REL,2) has a unit root | ||||
Exogenous: Constant, Linear Trend | ||||
Lag Length: 2 (Automatic - based on SIC, maxlag=3) | ||||
t-Statistic | Prob.* | |||
Augmented Dickey-Fuller test statistic | -3.761378 | 0.0686 | ||
Test critical values: | 1% level | -5.295384 | ||
5% level | -4.008157 | |||
10% level | -3.460791 | |||
*MacKinnon (1996) one-sided p-values. | ||||
Warning: Probabilities and critical values calculated for 20 observations and may not be accurate for a sample size of 10 | ||||
Augmented Dickey-Fuller Test Equation | ||||
Dependent Variable: D(HUM_REL,3) | ||||
Method: Least Squares | ||||
Sample (adjusted): 2010 - 2019 | ||||
Included observations: 10 after adjustments | ||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. |
D(HUM_REL(-1),2) | -3.472979 | 0.923326 | -3.761378 | 0.0131 |
D(HUM_REL(-1),3) | 1.499670 | 0.701974 | 2.136362 | 0.0857 |
D(HUM_REL(-2),3) | 0.625275 | 0.333594 | 1.874359 | 0.1197 |
C | -3.053645 | 3.759966 | -0.812147 | 0.4536 |
@Trend("2005") | 0.258276 | 0.378309 | 0.682713 | 0.5251 |
R-squared | 0.918464 | Mean dependent var | -0.930000 | |
Adjusted R-squared | 0.853235 | S.D. dependent var | 8.853882 | |
S.E. of regression | 3.391917 | Akaike info criterion | 5.587520 | |
Sum squared resid | 57.52549 | Schwarz criterion | 5.738813 | |
Log likelihood | -22.93760 | Hannan-Quinn criter. | 5.421553 | |
F-statistic | 14.08062 | Durbin-Watson stat | 2.424908 | |
Prob(F-statistic) | 0.006257 | |||
En la tabla 15, se muestra la prueba de hipótesis realizada a los datos de temperatura máxima de la producción de tilapia, langostinos y concha de abanico en la región Piura, para lo cual se define:
Temperatura máxima en la producción de concha de abanico, langostino y tilapia, en la región Piura desde el año 2005 al 2019
Año | Concha Abanico | Langostino | Tilapia | Temperatura máxima |
2005 | 1949.1 | 464.1 | 475.9 | 30.4 |
2006 | 1678.7 | 747.5 | 309.1 | 30.8 |
2007 | 1409.5 | 1024.1 | 1629.0 | 30.3 |
2008 | 1847.2 | 1047.9 | 1549.6 | 30.0 |
2009 | 3967.2 | 1277.1 | 1074.5 | 30.4 |
2010 | 44581.1 | 870.3 | 1327.7 | 30.2 |
2011 | 41038.8 | 3215.6 | 1619.9 | 30.8 |
2012 | 15940.0 | 231.4 | 2006.5 | 31.0 |
2013 | 56205.7 | 2310.9 | 2434.8 | 30.0 |
2014 | 42807.4 | 3648.4 | 2309.1 | 31.7 |
2015 | 11891.6 | 4174.8 | 2173.3 | 32.3 |
2016 | 7205.8 | 1359.5 | 1328.2 | 32.2 |
2017 | 838.9 | 3026.9 | 1182.0 | 30.5 |
2018 | 18225.6 | 3574.7 | 583.2 | 31.3 |
2019 | 41860.9 | 4125.9 | 1921.8 | 31.8 |
En la figura 5, se muestra el comportamiento de la serie de tiempo anual de la temperatura máxima en la producción de langostino, concha de abanico y tilapia en la región Piura, mediante la aplicación de los filtros Hodrick-Prescott (lambda = 100).
Comportamiento de la temperatura máxima en la producción de langostino, concha de abanico y tilapia en la región Piura.
Hodrick-Prescott Filter (lambda=100)
1.2
0.8
0.4
0.0
-0.4
-0.8
-1.2
tmax Trend Cycle
05 06 07 08 09 10 11 12 13 14 15 16 17 18 19
32.5
32.0
31.5
31.0
30.5
30.0
29.5
En la tabla 16, se muestra la prueba de hipótesis realizada a los datos de temperatura máxima de la producción de tilapia, langostinos y concha de abanico en la región Piura, para lo cual se define:
H0: La serie Temperatura Máxima presenta raíz unitaria y no es estacionaria H1: La serie Temperatura Máxima no presenta raíz unitaria y es estacionaria Si p-value es mayor al 5 %, acepto H0; si p-value es menor al 5 % rechazo H0
Como el p-value es igual a 0,16 mayor al 0,05, entonces se acepta la hipótesis nula y la serie Temperatura Máxima presenta raíz untaría, por lo tanto, es no estacionaria.
Prueba de hipótesis de la temperatura máxima de la producción de tilapia, langostinos y concha de abanico en la región Piura
Null Hypothesis: TMAX has a unit root | ||||
Exogenous: Constant, Linear Trend | ||||
Lag Length: 0 (Automatic - based on SIC, maxlag=3) | ||||
t-Statistic | Prob.* | |||
Augmented Dickey-Fuller test statistic | -3.017997 | 0.1618 | ||
Test critical values: | 1% level | -4.800080 | ||
5% level | -3.791172 | |||
10% level | -3.342253 | |||
*MacKinnon (1996) one-sided p-values. | ||||
Warning: Probabilities and critical values calculated for 20 observations and may not be accurate for a sample size of 14 | ||||
Augmented Dickey-Fuller Test Equation | ||||
Dependent Variable: D(TMAX) | ||||
Method: Least Squares | ||||
Sample (adjusted): 2006 - 2019 | ||||
Included observations: 14 after adjustments | ||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. |
TMAX(-1) | -0.898877 | 0.297839 | -3.017997 | 0.0117 |
C | 27.04526 | 8.970266 | 3.014989 | 0.0118 |
@Trend("2005") | 0.105155 | 0.054143 | 1.942160 | 0.0782 |
R-squared | 0.455339 | Mean dependent var | 0.096947 | |
Adjusted R-squared | 0.356310 | S.D. dependent var | 0.841679 | |
S.E. of regression | 0.675281 | Akaike info criterion | 2.240035 | |
Sum squared resid | 5.016056 | Schwarz criterion | 2.376976 | |
Log likelihood | -12.68025 | Hannan-Quinn criter. | 2.227359 | |
F-statistic | 4.598029 | Durbin-Watson stat | 1.927328 | |
Prob(F-statistic) | 0.035375 | |||
En la tabla 17, se muestra la prueba de hipótesis realizada a los datos de temperatura máxima en primera diferencia, para lo cual se define:
H0: La serie Temperatura máxima en primera diferencia presenta raíz unitaria y no es estacionaria.
H1: La serie Temperatura máxima en primera diferencia no presenta raíz unitaria y es estacionaria.
Como el p-value es igual a 0,12 mayor al 0,05, entonces acepto la hipótesis nula y la serie Temperatura máxima en primera diferencia presenta raíz untaría, por lo tanto, es no estacionaria.
Prueba de hipótesis de la temperatura máxima en primera diferencia
Null Hypothesis: D(TMAX) has a unit root | ||||
Exogenous: Constant, Linear Trend | ||||
Lag Length: 2 (Automatic - based on SIC, maxlag=3) | ||||
t-Statistic | Prob.* | |||
Augmented Dickey-Fuller test statistic | -3.233347 | 0.1292 | ||
Test critical values: | 1% level | -5.124875 | ||
5% level | -3.933364 | |||
10% level | -3.420030 | |||
*MacKinnon (1996) one-sided p-values. | ||||
Warning: Probabilities and critical values calculated for 20 observations and may not be accurate for a sample size of 11 | ||||
Augmented Dickey-Fuller Test Equation | ||||
Dependent Variable: D(TMAX,2) | ||||
Method: Least Squares | ||||
Sample (adjusted): 2009 - 2019 | ||||
Included observations: 11 after adjustments | ||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. |
D(TMAX(-1)) | -2.765664 | 0.855356 | -3.233347 | 0.0178 |
D(TMAX(-1),2) | 1.188620 | 0.629316 | 1.888749 | 0.1078 |
D(TMAX(-2),2) | 0.604489 | 0.447087 | 1.352060 | 0.2251 |
C | 0.299692 | 0.828162 | 0.361876 | 0.7298 |
@Trend("2005") | -0.000457 | 0.088334 | -0.005170 | 0.9960 |
R-squared | 0.774326 | Mean dependent var | 0.071160 | |
Adjusted R-squared | 0.623876 | S.D. dependent var | 1.466337 | |
S.E. of regression | 0.899289 | Akaike info criterion | 2.928530 | |
Sum squared resid | 4.852320 | Schwarz criterion | 3.109391 | |
Log likelihood | -11.10691 | Hannan-Quinn criter. | 2.814522 | |
F-statistic | 5.146751 | Durbin-Watson stat | 2.129981 | |
Prob(F-statistic) | 0.038192 | |||
En la tabla 18, se muestra la prueba de hipótesis realizada a los datos de humedad relativa en segunda diferencia, para lo cual se define:
H0: La serie Temperatura Máxima en segunda diferencia presenta raíz unitaria y no es estacionaria.
H1: La serie Temperatura Máxima en segunda diferencia no presenta raíz unitaria y es estacionaria.
Como el p-value es igual a 0,13 mayor al 0,05, entonces se acepta la hipótesis nula y la serie producción Temperatura máxima en segunda diferencia presenta raíz untaría, por lo tanto, es no estacionaria.
Prueba de hipótesis de la temperatura máxima en segunda diferencia
Null Hypothesis: D(TMAX,2) has a unit root | ||||
Exogenous: Constant, Linear Trend | ||||
Lag Length: 3 (Automatic - based on SIC, maxlag=3) | ||||
t-Statistic | Prob.* | |||
Augmented Dickey-Fuller test statistic | -3.276970 | 0.1340 | ||
Test critical values: | 1% level | -5.521860 | ||
5% level | -4.107833 | |||
10% level | -3.515047 | |||
*MacKinnon (1996) one-sided p-values. | ||||
Warning: Probabilities and critical values calculated for 20 observations and may not be accurate for a sample size of 9 | ||||
Augmented Dickey-Fuller Test Equation | ||||
Dependent Variable: D(TMAX,3) | ||||
Method: Least Squares | ||||
Sample (adjusted): 2011 - 2019 | ||||
Included observations: 9 after adjustments | ||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. |
D(TMAX(-1),2) | -6.462196 | 1.972003 | -3.276970 | 0.0465 |
D(TMAX(-1),3) | 4.056108 | 1.615716 | 2.510408 | 0.0869 |
D(TMAX(-2),3) | 2.339878 | 1.087995 | 2.150633 | 0.1206 |
D(TMAX(-3),3) | 0.728121 | 0.512796 | 1.419903 | 0.2507 |
C | 2.541866 | 1.834587 | 1.385525 | 0.2599 |
@Trend("2005") | -0.258170 | 0.182009 | -1.418444 | 0.2511 |
R-squared | 0.933907 | Mean dependent var | 0.037608 | |
Adjusted R-squared | 0.823752 | S.D. dependent var | 2.762672 | |
S.E. of regression | 1.159822 | Akaike info criterion | 3.369131 | |
Sum squared resid | 4.035562 | Schwarz criterion | 3.500614 | |
Log likelihood | -9.161091 | Hannan-Quinn criter. | 3.085391 | |
F-statistic | 8.478116 | Durbin-Watson stat | 2.448169 | |
Prob(F-statistic) | 0.054301 | |||
En la tabla 19, se muestra la prueba de hipótesis realizada a los datos de temperatura mínima de la producción de tilapia, langostinos y concha de abanico en la región Piura, para lo cual se define:
Temperatura mínima en la producción de concha de abanico, langostino y tilapia, en la región Piura desde el año 2005 al 2019.
Año | Concha Abanico | Langostinos | Tilapia | Temperatura mínima |
2005 | 1949.1 | 464.1 | 475.9 | 19.1 |
2006 | 1678.7 | 747.5 | 309.1 | 19.9 |
2007 | 1409.5 | 1024.1 | 1629.0 | 19.0 |
2008 | 1847.2 | 1047.9 | 1549.6 | 19.9 |
2009 | 3967.2 | 1277.1 | 1074.5 | 20.3 |
2010 | 44581.1 | 870.3 | 1327.7 | 19.2 |
2011 | 41038.8 | 3215.6 | 1619.9 | 19.5 |
2012 | 15940.0 | 231.4 | 2006.5 | 20.4 |
2013 | 56205.7 | 2310.9 | 2434.8 | 19.1 |
2014 | 42807.4 | 3648.4 | 2309.1 | 19.5 |
2015 | 11891.6 | 4174.8 | 2173.3 | 20.9 |
2016 | 7205.8 | 1359.5 | 1328.2 | 19.9 |
2017 | 838.9 | 3026.9 | 1182.0 | 19.6 |
2018 | 18225.6 | 3574.7 | 583.2 | 20.1 |
2019 | 41860.9 | 4125.9 | 1921.8 | 20.3 |
En la figura 6, se muestra el comportamiento de la serie de tiempo anual de la temperatura mínima en la producción de langostino, concha de abanico y tilapia en la región Piura, mediante la aplicación de los filtros Hodrick-Prescott (lambda = 100).
Comportamiento de la temperatura máxima en la producción de langostino, concha de abanico y tilapia en la región Piura.
Hodrick-Prescott Filter (lambda=100)
1.2
0.8
0.4
0.0
-0.4
-0.8
tmin Trend Cycle
05 06 07 08 09 10 11 12 13 14 15 16 17 18 19
21.0
20.5
20.0
19.5
19.0
18.5
En la tabla 20, se muestra la prueba de hipótesis realizada a los datos de temperatura mínima de la producción de tilapia, langostinos y concha de abanico en la región Piura, para lo cual se define:
H0: La serie Temperatura Mínima presenta raíz unitaria y no es estacionaria. H1: La serie Temperatura Mínima no presenta raíz unitaria y es estacionaria.
Si el p-value es mayor al 5%, acepto H0; si pvalue es menor al 5% rechazo H0
Como el p-value es igual a 0,0 menor al 0,05, entonces se rechaza la hipótesis nula y la serie Temperatura Mínima no presenta raíz untaría, por lo tanto, es estacionaria.
Prueba de hipótesis de la temperatura mínima de la producción de tilapia, langostinos y concha de abanico en la región Piura.
Null Hypothesis: TMIN has a unit root | ||||
Exogenous: Constant, Linear Trend | ||||
Lag Length: 1 (Automatic - based on SIC, maxlag=3) | ||||
t-Statistic | Prob.* | |||
Augmented Dickey-Fuller test statistic | -6.377000 | 0.0012 | ||
Test critical values: | 1% level | -4.886426 | ||
5% level | -3.828975 | |||
10% level | -3.362984 | |||
*MacKinnon (1996) one-sided p-values. | ||||
Warning: Probabilities and critical values calculated for 20 observations and may not be accurate for a sample size of 13 | ||||
Augmented Dickey-Fuller Test Equation | ||||
Dependent Variable: D(TMIN) | ||||
Method: Least Squares | ||||
Sample (adjusted): 2007 2019 | ||||
Included observations: 13 after adjustments | ||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. |
TMIN(-1) | -2.316045 | 0.363187 | -6.377000 | 0.0001 |
D(TMIN(-1)) | 0.729605 | 0.218209 | 3.343612 | 0.0086 |
C | 44.94088 | 7.063135 | 6.362738 | 0.0001 |
@Trend("2005") | 0.107847 | 0.032099 | 3.359855 | 0.0084 |
R-squared | 0.852807 | Mean dependent var | 0.031444 | |
Adjusted R-squared | 0.803743 | S.D. dependent var | 0.874568 | |
S.E. of regression | 0.387442 | Akaike info criterion | 1.189157 | |
Sum squared resid | 1.350999 | Schwarz criterion | 1.362987 | |
Log likelihood | -3.729518 | Hannan-Quinn criter. | 1.153427 | |
F-statistic | 17.38143 | Durbin-Watson stat | 1.561773 | |
Prob(F-statistic) | 0.000437 | |||
En la tabla 21, se muestra la prueba de hipótesis realizada a los datos de precipitación relacionada a la producción de tilapia, langostinos y concha de abanico en la región Piura, para lo cual se define:
Precipitación acumulada anual relacionada a la producción de concha de abanico, langostino y tilapia, en la región Piura desde el año 2005 al 2019.
Año | Concha de Abanico | Langostino | Tilapia | Precipitación |
2005 | 1949.1 | 464.1 | 475.9 | 23.7 |
2006 | 1678.7 | 747.5 | 309.1 | 59.4 |
2007 | 1409.5 | 1024.1 | 1629.0 | 14.3 |
2008 | 1847.2 | 1047.9 | 1549.6 | 193.5 |
2009 | 3967.2 | 1277.1 | 1074.5 | 82.8 |
2010 | 44581.1 | 870.3 | 1327.7 | 102.9 |
2011 | 41038.8 | 3215.6 | 1619.9 | 21.9 |
2012 | 15940.0 | 231.4 | 2006.5 | 111.3 |
2013 | 56205.7 | 2310.9 | 2434.8 | 61.6 |
2014 | 42807.4 | 3648.4 | 2309.1 | 36.1 |
2015 | 11891.6 | 4174.8 | 2173.3 | 41.4 |
2016 | 7205.8 | 1359.5 | 1328.2 | 63.5 |
2017 | 838.9 | 3026.9 | 1182.0 | 847.9 |
2018 | 18225.6 | 3574.7 | 583.2 | 12.4 |
2019 | 41860.9 | 4125.9 | 1921.8 | 58.6 |
En la figura 7, se muestra el comportamiento de la serie de tiempo anual de la precipitación acumulada anual relacionada a la producción de langostino, concha de abanico y tilapia en la región Piura, mediante la aplicación de los filtros Hodrick-Prescott (lambda = 100).
Comportamiento de la precipitación acumulada anual relacionada a la producción de langostino, concha de abanico y tilapia en la región Piura.
Hodrick-Prescott Filter (lambda=100)
800
600
400
200
0
-200
05 06 07 08 09 10 11 12 13 14 15 16 17 18 19
1,000
800
600
400
200
0
precip Trend Cycle
En la tabla 22, se muestra la prueba de hipótesis realizada a los datos de la precipitación acumulada anual relacionada a la producción de tilapia, langostinos y concha de abanico en la región Piura, para lo cual se define:
H0: La serie Precipitaciones presenta raíz unitaria y no es estacionaria. H1: La serie Precipitaciones no presenta raíz unitaria y es estacionaria.
El p-value es igual a 0,02 menor al 0,05, entonces rechazo la hipótesis nula y la serie Precipitaciones presenta raíz untaría, por lo tanto, es estacionaria.
Prueba de hipótesis de la precipitación acumulada anual relacionada a la producción de tilapia, langostinos y concha de abanico en la región Piura.
Null Hypothesis: PRECIP has a unit root | ||||
Exogenous: Constant, Linear Trend | ||||
Lag Length: 0 (Automatic - based on SIC, maxlag=3) | ||||
t-Statistic | Prob.* | |||
Augmented Dickey-Fuller test statistic | -4.193241 | 0.0264 | ||
Test critical values: | 1% level | -4.800080 | ||
5% level | -3.791172 | |||
10% level | -3.342253 | |||
*MacKinnon (1996) one-sided p-values. | ||||
Warning: Probabilities and critical values calculated for 20 observations and may not be accurate for a sample size of 14 | ||||
Augmented Dickey-Fuller Test Equation | ||||
Dependent Variable: D(PRECIP) | ||||
Method: Least Squares | ||||
Sample (adjusted): 2006 - 2019 | ||||
Included observations: 14 after adjustments | ||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. |
PRECIP(-1) | -1.254370 | 0.299141 | -4.193241 | 0.0015 |
C | 31.19088 | 123.8806 | 0.251782 | 0.8059 |
@Trend("2005") | 16.15607 | 15.38932 | 1.049823 | 0.3163 |
R-squared | 0.616679 | Mean dependent var | 2.492857 | |
Adjusted R-squared | 0.546984 | S.D. dependent var | 325.9993 | |
S.E. of regression | 219.4185 | Akaike info criterion | 13.80725 | |
Sum squared resid | 529589.4 | Schwarz criterion | 13.94419 | |
Log likelihood | -93.65074 | Hannan-Quinn criter. | 13.79457 | |
F-statistic | 8.848289 | Durbin-Watson stat | 2.089665 | |
Prob(F-statistic) | 0.005124 | |||
relativa, explican en 50,4 % el comportamiento de la producción de concha de abanico entre los años 2005 al 2019.
1Comportamiento y relación de la producción de concha de abanico con respecto a las variables climáticas del 2005 al 2019
Dependent Variable: ABA | ||||
Method: Least Squares | ||||
Sample: 2005 - 2019 | ||||
Included observations: 15 | ||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. |
TMIN | -377201.7 | 958131.8 | -0.393685 | 0.7055 |
TIM2 | 8669.531 | 23954.41 | 0.361918 | 0.7281 |
TMAX | 1233379. | 1089983. | 1.131559 | 0.2951 |
TMAX2 | -19536.12 | 17403.73 | -1.122525 | 0.2987 |
PRECIP | 351.8391 | 269.5795 | 1.305140 | 0.2331 |
PRECIP2 | -0.412611 | 0.294327 | -1.401879 | 0.2037 |
HUM_REL | 6270.027 | 2745.363 | 2.283861 | 0.0563 |
C | -15838753 | 12848321 | -1.232749 | 0.2575 |
R-squared | 0.544290 | Mean dependent var | 19429.83 | |
Adjusted R-squared | 0.088579 | S.D. dependent var | 19929.90 | |
S.E. of regression | 19026.75 | Akaike info criterion | 22.84961 | |
Sum squared resid | 2.53E+09 | Schwarz criterion | 23.22723 | |
Log likelihood | -163.3720 | Hannan-Quinn criter. | 22.84558 | |
F-statistic | 1.194376 | Durbin-Watson stat | 1.551919 | |
Prob(F-statistic) | 0.410362 | |||
Según los datos de la tabla 24, el coeficiente de determinación en igual a 0,67, lo que indica que la temperatura mínima, temperatura mínima al cuadrado, temperatura máxima, temperatura máxima al cuadrado, precipitación, precipitación al cuadrado, y la humedad relativa, explican en 60,7 % el comportamiento de la producción de langostino en el periodo 2005 al 2019.
Comportamiento y relación de la producción de langostino con respecto a las variables climáticas, desde el 2005 al 2019.
Dependent Variable: LANGOST | ||||
Method: Least Squares | ||||
Sample: 2005 2019 | ||||
Included observations: 15 | ||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. |
TMIN | 39269.39 | 57654.92 | 0.681111 | 0.5177 |
TIM2 | -978.4711 | 1441.440 | -0.678815 | 0.5191 |
TMAX | -25500.59 | 65588.95 | -0.388794 | 0.7090 |
TMAX2 | 418.1366 | 1047.258 | 0.399268 | 0.7016 |
PRECIP | -15.46843 | 16.22176 | -0.953561 | 0.3721 |
PRECIP2 | 0.018923 | 0.017711 | 1.068444 | 0.3208 |
HUM_REL | 311.9601 | 165.2003 | 1.888375 | 0.1009 |
C | -25109.68 | 773138.9 | -0.032478 | 0.9750 |
R-squared | 0.673667 | Mean dependent var | 2073.263 | |
Adjusted R-squared | 0.347335 | S.D. dependent var | 1417.198 | |
S.E. of regression | 1144.922 | Akaike info criterion | 17.22859 | |
Sum squared resid | 9175922. | Schwarz criterion | 17.60621 | |
Log likelihood | -121.2144 | Hannan-Quinn criter. | 17.22456 | |
F-statistic | 2.064358 | Durbin-Watson stat | 2.188913 | |
Prob(F-statistic) | 0.179873 | |||
Según los datos de la tabla 25, el coeficiente de determinación en igual a 0,51, lo que indica que la temperatura mínima, temperatura mínima al cuadrado, temperatura máxima, temperatura máxima al cuadrado, precipitación, precipitación al cuadrado, y la humedad relativa, explican en 50,1 % el comportamiento de la producción de tilapia entre los años 2005 al 2019.
Comportamiento y relación de la producción de tilapia con respecto a las variables climáticas, desde el 2005 al 2019.
Dependent Variable: TILAP | ||||
Method: Least Squares | ||||
Sample: 2005 - 2019 | ||||
Included observations: 15 | ||||
Variable | Coefficient | Std. Error | t-Statistic | Prob. |
TMIN | -47724.10 | 32539.75 | -1.466640 | 0.1859 |
TIM2 | 1182.208 | 813.5315 | 1.453180 | 0.1895 |
TMAX | 22996.43 | 37017.62 | 0.621229 | 0.5541 |
TMAX2 | -358.2406 | 591.0597 | -0.606099 | 0.5636 |
PRECIP | 15.53439 | 9.155369 | 1.696752 | 0.1336 |
PRECIP2 | -0.016901 | 0.009996 | -1.690846 | 0.1347 |
HUM_REL | 126.9339 | 93.23709 | 1.361410 | 0.2156 |
C | 104035.1 | 436350.4 | 0.238421 | 0.8184 |
R-squared | 0.518999 | Mean dependent var | 1461.636 | |
Adjusted R-squared | 0.037998 | S.D. dependent var | 658.8183 | |
S.E. of regression | 646.1802 | Akaike info criterion | 16.08456 | |
Sum squared resid | 2922842. | Schwarz criterion | 16.46219 | |
Log likelihood | -112.6342 | Hannan-Quinn criter. | 16.08054 | |
F-statistic | 1.078997 | Durbin-Watson stat | 1.468087 | |
Prob(F-statistic) | 0.461342 | |||
Cada producción tiene una variación diferente de temperatura mínima y máxima que están dentro del rango teórico, por lo que la posibilidad de realizar pronósticos con respecto al efecto del cambio climático sobre la producción analizada se ve limitada por la escasa información disponible con respecto a las variables que medirían el cambio climático. Las variables en mención y su relación con la producción explican en más del 50 % el comportamiento de la producción, estas se mantienen en todos los productos analizados. En cuanto a la producción, se puede concluir que la serie de tiempo de la producción de langostino no necesita más resultados por niveles; siendo esta producción la única que en primer resultado es estacionario. Para el año 2020, se destaca la producción de conchas de abanico con un 36 %, ubicándose por arriba de los langostinos que tuvo un 26 %, verificando su estacionariedad en el segundo nivel, siendo su p-valor menor que el 0,05. La serie de tiempo de la producción de langostino es estacionaria por lo que no es necesario sus resultados por niveles. La serie de tiempo de la producción de tilapia en todos sus niéveles arrojan que no es estacionaria. La serie de tiempo de las variables Humedad relativa y Temperatura máxima, muestran que no son estacionarias en ninguno de sus niveles, a diferencia de la temperatura mínima y precipitación que si son estacionarias.
Aguirre, P. L. (2022). Universidad Nacional de Piura. Obtenido del enlace: https://repositorio.unp.edu.pe/bitstream/handle/20.500.12676/3328/ECON-AGU- PEN-2022.pdf?sequence=1&isAllowed=yAlimentación.
Arreluce, A. J. (2022). Influencia de la educación en el crecimiento económico en el Perú, periodo 2010 - 2019.
Camelo, H. (2001). Estudios Estadísticos Prospectivos. Obtenido de https://www.cepal.org/sites/default/files/publication/files/4718/S01010054_es.pdf
Castillo, R. a. (2005). Efecto del gasto público sobre el gasto privado en México. Estudios Económicos. México.
Centro Euro Mediterráneo sobre Cambio Climático, C. (2022). Cambio Climático. CEPLAN. (2021). Obtenido del enlace:
https://cdn.www.gob.pe/uploads/document/file/2301833/CEPLAN%20-
%20Nivel%20de%20ingresos%20y%20gastos%20en%20el%20Peru%20y%20el
%20impacto%20de%20la%20COVID-19.pdf
Chiqaq News. (2022). Universidad Nacional Mayor de San Marcos. Obtenido del enlace: https://medialab.unmsm.edu.pe/chiqaqnews/educacion-en-el-peru-cual-es-la- situacion-de-la-educacion-basica-regular/
Daron Acemoglu, J. A. (2012). Por Qué Fracasan los Países: Los Orígenes del Poder, la Prosperidad y la. Barcelona: Deusto, Grupo Planeta.
FAO. (2012). Consecuencias del cambio climático para la pesca y la acuicultura.
Hidalgo, N. H. (2012). Universidad San Martín de Porres. Obtenido del enlace: https://repositorio.usmp.edu.pe/bitstream/handle/20.500.12727/599/hidalgo_hc.pd f?sequence=3&isAllowed=y.
INEI. (2022). Obtenido del enlace: http://repositorio.undac.edu.pe/bitstream/undac/1855/1/T026_73198302_T.p
INEI. (2019). Indicadores de Educación por Departamentos, 2008-2018. Obtenido de https://www.inei.gob.pe/media/MenuRecursivo/publicaciones_digitales/Est/Lib16 80/cap06.pdf
INEI. (2017). Evolución de los indicadores de empleo e ingresos por departamento. Obtenido del enlace: https://www.inei.gob.pe/media/MenuRecursivo/publicaciones_digitales/Est/Lib15 37/cap03.pdf
Instituto Nacional de Estadística e Informática (INEI). (2021). Obtenido de https://www.inei.gob.pe/media/MenuRecursivo/publicaciones_digitales/Est/Lib16 99/cap02.pdf
Lluch-Cota, D. (2004). El sector pesquero.
Lozano, V. (2020). Infraestructura para el desarrollo. Obtenido del enlace: https://elperuano.pe/noticia/105228-infraestructura-para-el- desarrollo#:~:text=Respecto%20a%20la%20calidad%20de,puesto%2085%20entr e%20140%20econom%C3%ADas.
Mendiburu, C. (2010). La inversión privada y el ciclo económico en el Perú. Banco Central de Reserva del Perú, Revista Moneda.
Meteorológica, S. d. (2021). Sistema de Información del Medio Ambiente. Meza, M. C. (2017). Innovación en el sector acuícola.
Ognio, L. S. (2020). Universidad Continental. Obtenido del enlace: https://blogposgrado.ucontinental.edu.pe/las-politicas-publicas-y-la-toma-de- decisiones-en-el-peru
Samaniego, J. A. (2011). Obtenido del enlace: https://repositorio.pucp.edu.pe/index/handle/123456789/46954
SISDHIM. (2020). Sistema de Información del Medio Ambiente.
Tello, T. K. (2016). Universidad César Vallejo. Obtenido del enlace: https://repositorio.ucv.edu.pe/bitstream/handle/20.500.12692/18181/Tello_TKI.pd f?sequence=1&isAllowed=y