Agent-Based Modeling of Low-Emission Fertilizer Adoption for Dairy Farm Decarbonisation using Empirical Farm Data

Resumen Técnico: Modelado Basado en Agentes de la Adopción de Fertilizantes de Bajas Emisiones para la Descarbonización de Granjas Lecheras

Planteamiento del Problema
Los sistemas agrícolas, particularmente la ganadería lechera irlandesa, son contribuyentes significativos a las emisiones de gases de efecto invernadero (GEI), impulsadas principalmente por el uso de fertilizantes nitrogenados, la gestión del ganado y las prácticas de uso del suelo. Si bien existen medidas prácticas de bajas emisiones —como la adopción de urea protegida (urea tratada con el inhibidor de ureasa NBPT)—, la adopción en las granjas es desigual. Esta heterogeneidad se deriva de diferencias en la capacidad de gestión, restricciones estructurales e interacciones sociales. Los modelos tradicionales de evaluación de arriba hacia abajo a menudo fallan al capturar esta complejidad, basándose en suposiciones de comportamiento uniforme y adopción inmediata, mientras ignoran los efectos entre pares, la dependencia de la trayectoria y la toma de decisiones estocástica. En consecuencia, existe la necesidad de un marco capaz de simular la evolución socio-técnica de la descarbonización, tratando la adopción no meramente como un cálculo financiero, sino como un proceso dinámico influenciado por el contagio social y las características estructurales de las granjas.

Metodología
El estudio desarrolla un marco de Modelado Basado en Agentes (ABM) empíricamente fundamentado para simular la difusión de tecnologías de bajas emisiones en 295 granjas lecheras irlandesas durante un horizonte de 15 años.

• Fundamento de Datos: El modelo utiliza un conjunto de datos integral a nivel de granja proporcionado por Teagasc (Autoridad de Desarrollo Agrícola y Alimentario de Irlanda), agregado de la Federación Irlandesa de Cría de Ganado (ICBF) y Bord Bia. Este conjunto de datos incluye el rendimiento de producción (producción de leche, sólidos, estructura del rebaño), el uso de insumos (tipos de fertilizantes, cal, alimento) y variables económicas.
• Estructura del Agente: Cada una de las 295 granjas se modela como un agente autónomo con atributos específicos: superficie de tierra, unidades de ganado, producción de leche e insumo de nitrógeno. Inicialmente, todos los agentes utilizan Nitrato de Amonio y Calcio (CAN) convencional.
• Arquitectura de Red Social: Para replicar la dinámica social de los grupos de discusión agrícola, el modelo emplea una red de mundo pequeño de Watts-Strogatz. Esta estructura presenta un alto agrupamiento local (que representa círculos estables de asesoramiento entre pares) y cortas longitudes de camino promedio (que representan la transferencia de información entre grupos a través de asesores). Los parámetros de la red ($k=4$ conexiones, probabilidad de reensamblaje $p=0.1$) se fijaron para representar una estructura de pares dispersa y agrupada, en lugar de ajustarse para coincidir con curvas de adopción específicas.
• Mecanismo de Adopción: La adopción de Urea Protegida se modela como un proceso de decisión estocástico y probabilístico. La probabilidad de adopción ($P_{i,t}$) para una granja no adoptante $i$ en el tiempo $t$ es una función de:
  1. Inclinación de base: Una propensión fija a innovar ($\beta_0$).
  2. Influencia de pares: Una señal retardada ($S_{i,t-1}$) que representa la tasa media de adopción de las granjas vecinas, ponderada por un parámetro de influencia social calibrado ($\omega = 0.85$).
  3. Factores estructurales: Tamaño de la granja y producción de leche normalizados.
  4. Choques de política: Ajustes exógenos por impuestos al carbono o subsidios.
• Escenarios de Política: El modelo simula tres escenarios: una línea base (sin política), un impuesto al carbono (71 €/t de CO2 aplicado a las emisiones incorporadas de fertilizantes) y un subsidio (200 €/tonelada sobre la Urea Protegida).
• Emisiones y Economía: El modelo calcula las emisiones directas de óxido nitroso basándose en factores de emisión específicos del fertilizante (CAN: 0.0149; Urea Protegida: 0.0040) y los convierte a equivalentes de CO2. También calcula los costos marginales de abatimiento (MAC) comparando los cambios en los costos privados de insumos contra el abatimiento total, distinguiendo entre costos privados y costos sociales (incluyendo el gasto gubernamental).
• Validación e Incertidumbre: El modelo fue calibrado utilizando datos históricos de adopción (2019–2024) y validado contra datos fuera de la muestra (2023–2024) utilizando las métricas de Error Cuadrático Medio (RMSE), Error Absoluto Medio (MAE) y $R^2$. La robustez se evaluó mediante 250 iteraciones de Monte Carlo y análisis de sensibilidad sobre los pesos de influencia social y los niveles de subsidio.

Contribuciones Clave

1. Calibración Empírica: El estudio conecta datos reales a nivel de granja con un ABM calibrado, modelando con éxito vías de difusión realistas para la adopción de fertilizantes con alta precisión predictiva ($R^2 = 0.979$, RMSE = 0.0274).
2. Integración de Modelado Biofísico y Económico: Combina la valoración económica con el modelado de emisiones biofísicas para estimar los costos marginales de abatimiento dentro de un entorno simulado, distinguiendo entre los costos del bienestar privado y social.
3. Cuantificación de la Incertidumbre: Al utilizar métodos de Monte Carlo, el estudio cuantifica la incertidumbre en el momento de la adopción y las emisiones acumuladas, proporcionando perspectivas probabilísticas en lugar de estimaciones deterministas de un solo punto.
4. Marco de Laboratorio de Políticas: El modelo sirve como un "laboratorio de políticas" para preprueba la robustez y la velocidad de difusión de las estrategias climáticas, conceptualizando la descarbonización como una evolución socio-técnica en lugar de un cálculo puramente monetario.

Resultados

• Precisión Predictiva: El modelo demostró una alta precisión predictiva, con un $R^2$ de 0.9793 y un RMSE de 0.0274. La inclusión de efectos de redes sociales fue crítica; eliminarlos aumentó el RMSE cinco veces (de 0.0274 a 0.1476), confirmando que la influencia entre pares es un mecanismo dominante en la adopción de fertilizantes.
• Dinámica de Adopción: La adopción siguió una curva S logística. El escenario de línea base alcanzó el 50% de adopción en ~7.2 años. El impuesto al carbono aceleró esto a ~3.6 años, mientras que el escenario de subsidio fue el más rápido, alcanzando el 50% en ~3.0 años.
• Abatimiento Acumulado: En el horizonte de 15 años, el escenario de subsidio logró evitar 121.35 Gg de CO2-eq, aproximadamente un 24% más que el escenario de impuesto al carbono (97.73 Gg de CO2-eq). Esta diferencia se atribuye al pico de adopción más temprano bajo el subsidio, que prolonga el período de ahorro de emisiones.
• Cambios Distributivos: Una prueba de Kolmogorov-Smirnov confirmó que las intervenciones políticas alteran fundamentalmente la distribución de la intensidad de carbono del sector ($D = 0.2407, p < 0.001$), suprimiendo efectivamente la cola de alta intensidad y arrastrando a las granjas "rezagadas" hacia el modo de referencia.
• Viabilidad Económica: El costo marginal privado de abatimiento se calculó en 0.80 € por tCO2-eq, significativamente más bajo que las referencias actuales de precios del carbono de la UE. Sin embargo, al incluir los gastos gubernamentales en subsidios, el costo social de abatimiento aumentó a 4.54 € por tCO2-eq.
• Heterogeneidad: El análisis estructural reveló que la intensidad de carbono está impulsada por la eficiencia en el uso de nutrientes y el equilibrio de carga de ganado, y no solo por la escala de la granja. Las granjas "rezagadas" (los 20% superiores de emisores) exhibieron altas tasas de carga (~4.5 LU/ha) sin ganancias correspondientes en el rendimiento de leche, lo que indica rendimientos decrecientes y pérdida de nitrógeno.

Significado y Afirmaciones
El artículo afirma que su principal significado radica en proporcionar un marco validado y generalizable para investigar la difusión de tecnologías heterogénea y mediada por redes en sistemas agrícolas. Al integrar datos empíricos con modelado basado en agentes, el estudio demuestra que:

• El Contagio Social es Crítico: La influencia entre pares no es un factor secundario, sino un motor principal de la velocidad de adopción. Las políticas que no tienen en cuenta la dinámica de las redes pueden subestimar la velocidad de difusión o el impacto de los adoptantes tempranos.
• Subsidios vs. Impuestos: Si bien tanto los impuestos al carbono como los subsidios pueden impulsar la adopción, las intervenciones basadas en subsidios generan una difusión más rápida y un mayor abatimiento acumulado debido a su capacidad para desencadenar puntos de inflexión sociales de refuerzo mutuo más temprano en la transición.
• Dependencia de la Trayectoria: El modelo ilustra que el momento de la política interactúa con el contagio de la red para crear vías de transición duraderas. Los incentivos tempranos pueden "bloquear" el comportamiento al reducir los riesgos percibidos mediante la validación entre pares, una dinámica que los mecanismos de precios estáticos (como los impuestos) pueden tener dificultades para replicar a menos que sean lo suficientemente fuertes como para cruzar el mismo umbral social.
• Intervenciones Dirigidas: El marco sugiere que dirigirse a granjas de alta emisión estructuralmente influyentes produce el mayor impacto marginal, apoyando el diseño de intervenciones diferenciadas y basadas en evidencia en lugar de enfoques de talla única.

Los autores posicionan el modelo como una herramienta para la experimentación en un "laboratorio de políticas", permitiendo a las partes interesadas anticipar y optimizar las estrategias de descarbonización antes de su implementación, al tiempo que reconocen las limitaciones relacionadas con la complejidad conductual acotada y las variables económicas estáticas.