revistaecasinergia@gmail.com
e-ISNN 2528-7869
1
Revista ECA Sinergia
Vol. 16, Núm. 1 (1-13): Enero-Abril, 2025
DOI: 10.33936/ecasinergia.v16i1.7089
Factors that inuence eciency in bovine production systems in Michoacán, México
Factores que inuyen en la eciencia de sistemas de producción de bovinos
en Michoacán, México
Autores
1
Instituto de Investigaciones
Agropecuarias y Forestales. Universidad
Michoacana de San Nicolás de Hidalgo.
2
Facultad de Medicina Veterinaria y
Zootecnia. Universidad Michoacana de
San Nicolás de Hidalgo.
3
Promotora Nacional de Economía
Solidaria (PRONAES. SAPI).
4
Instituto Tecnológico del Valle de
Morelia.
Código JEL: O13; O1; O18.
Resumen
El objetivo de este trabajo es identicar los factores que inuyen sobre
la eciencia de las unidades de producción (UP) de bovinos en la región
centro del estado de Michoacán. Se trabajó con 15 UP de pequeña escala. Se
midió la productividad y costos por 12 meses. Se determinó la rentabilidad
por Retorno Sobre Activos (ROA) y el análisis de la eciencia global
con Análisis Envolvente de Datos (DEA-VRS). Se realizó un análisis de
correlación de Kendall Tau-b con signicancia de 0.05. Resultados: el
promedio de los indicadores respectivos: tamaño de hato total (TH) 25.2±20;
Número de Vacas (NV) 13.1±8.1; Número de hectáreas Totales (NHT)
8.9±5.2; Número de Jornales Totales (NJT) 1.2±0.5; Activos Circulantes
(AC) $184,762±274,021; Activos Fijos (AF) $2,820,612±2,732,428; Litros
de leche/vaca/año 3,728±1,552; Kg de carne/vaca/año 275±126.4; ROA
8.0%±0.1. La eciencia fue 100% en 9 UP y en los 6 restantes el promedio es
de 54.7±18%. Los factores que inuyen en la eciencia con una correlación
fuerte son: Kg carne/vaca (-0.628), AF (-0.655) y con una correlación media
son: el IT (-0.545), NV (0.419), NHT (-0.574), AC (-0.492). Para mejorar la
eciencia deben concentrarse en mejorar la rentabilidad a partir la gestión
del incremento de la producción de leche.
Palabras clave: Análisis de empresas agropecuarias, Modelos de análisis
de eciencia; Desarrollo económico agropecuario.
Abstract
The aim of this work is to identify the factors that inuence the eciencyof
cattle productions unit (PU) in the central region of state of Michoacán.
To this end, we worked whith 15 small scale PU. Productivity and cost
were measured for 12 months. Protability and cost were measured for 12
months. Protability was determined through Return on Assets (ROA).
The analysis of the overall eciency was carried out Data Envelopment
analysis (DEA-VRS). A Kendall Tabu-b correlation analysis was
performed with signicance of 0.05. the results show the average of the
respective indicators: total herd size (TH) 25.5±20; Number of Cows
(NV) 13.1±8.1; Total Hectares (NHT)8.9±5.2; Number of Total Wages
(NJT) 1.2±0.5; Current Assets (CA) $184,762±274,021; Fixed Assets (AF)
$2,820,612±2,732,428; Liters of milk/cow/year 3,728±1,552; Kg of meat/
cow/year 275±126.4; ROA 8.0±0.1%. The eciency is 100% in 9 UP and
the remaining 6 the average is 54.7±18%. The factors inuencing eciency
with a sgtrong correlation are: Kg beef/cow (-0.628), PA (-0.655) and with
a medium relation are: IT (-0.545), NV (0.419), NHT (-0.574), AC (-0.492).
To improve eciency, they should focus on improving protability by
managing the increase in milk production.
Keywords: Analysis of livestock companies, Eciency analysis models,
Agricultural economic development.
1
*Melba Ramírez González
2
Rodrigo Chávez Martínez
3
Raquel Eneida Ramírez González
4
Benjamín Gómez Ramos
iD
iD
iD
iD
Citacion sugerida: Ramírez González, E.,
Chávez Martínez, R., Ramírez González,
R. E., Gómez Ramos, B. (2025). Factores
que influyen en la eficiencia de sistemas
de producción de bovinos en Michoacán,
México. Revista ECA Sinergia,
16(1), 1–13. https://doi.org/10.33936/
ecasinergia.v16i1.7089
Recibido: 29/10/2024
Aceptado: 17/12/2024
Publicado: 08/01/2025
revistasinergia@utm.edu.ec
Vol. 16, Núm. 1 (1-13): Enero-Abril, 2025
2
e-ISSN 2528-7869
Revista ECA Sinergia
DOI: 10.33936/ecasinergia.v16i1.7089
INTRODUCCIÓN
En México, el 88% de las unidades de producción de leche se encuentran clasicadas como unidades de producción de
pequeña escala y aporta hasta el 37% de la producción nacional (Galindo y Rayas, 2022). En este sistema es común que se
utilice como principal fuente de alimentación del ganado, el forraje y grano producido en el sistema agrícola de la misma
unidad de producción, así como la mano de obra de la familia (Ojeda et al., 2020).
Se ha estudiado en diversos aspectos a los sistemas de producción de leche para la mejora de la productividad a partir de
la nutrición, reproducción, sanidad y tecnologías, sin embargo, el análisis económico y empresarial como un modelo de
negocio se ha hecho con menos frecuencia (Carrasco et al., 2022) y menos aún en el estudio de la eciencia en los sistemas
de producción de pequeña escala.
La eciencia contempla la habilidad de obtener el máximo nivel productivo con un determinado nivel de insumos (Herrera
et al., 2015) o de minimizar el nivel de recursos que se utilizan para obtener una producción determinada.
La eciencia puede medirse de diferentes maneras y una de ellas es a través del Análisis Envolvente de Datos (Data
Envelopment Analysis: DEA), la cual es una metodología útil para evaluar la eciencia relativa de un conjunto de unidades
productivas homogéneas en un determinado sentido, a partir de un análisis no paramétrico que utiliza la programación
lineal, con una serie de entradas (inputs) y salidas (outputs) dentro de la empresa o unidades bajo estudio (Olmedo et al.,
2017)
Rodríguez, Brugiafredo y Raña (2017) mencionan que la metodología DEA se puede utilizar en las empresas agropecuarias
para analizar la eciencia técnica bajo el supuesto de rendimientos constantes de escala (CRS), sin embargo, este supuesto
será válido solamente cuando las UP operen en una escala homogénea, como podría ser el tamaño de la unidad de
producción, tipos de sistemas de producción o la cantidad de recursos con los que cuenta; por el contrario, cuando existen
diferencias en el tamaño de las unidades de producción, la eciencia puede trabajarse con un supuesto de rendimientos
variables de escala (VRS) (Bahta et al., 2023). La frontera tecnológica provendrá de las mismas unidades de producción
que hacen la decisión (Decision Making Unit: DMU) con el mismo tipo de recursos y posibilidades para que sea válida la
comparación (López, Fernández y Morales, 2007).
El DEA se ha utilizado en el sector agropecuario para medir la eciencia técnica de las explotaciones agrarias, a partir
de variables de tipo socioeconómico y geoespacial, obteniendo la eciencia técnica global, la eciencia técnica pura y
las ineciencias causadas por la tecnología (Márquez et al., 2013). En otros estudios del sector agrícola, el uso del DEA
ha permitido identicar las posibilidades de mejora de la eciencia de forma generalizada, mismos que se enfocan en el
mercado y el tamaño de la empresa (Jorge y Díaz, 2018). En el sector pecuario, Callejas y Callejas (2022) utilizaron el
análisis de la eciencia a través del DEA e identicaron la eciencia técnica y eciencia total a partir de los indicadores
productivos y económicos de las UP, encontrando que los que tienen un mayor peso para mejorar la eciencia en el
sistema vaca-becerro son los parámetros técnicos.
En los sistemas agropecuarios y especícamente en la producción de leche, la eciencia se puede medir a partir de los
indicadores: producción de leche y carne, producción por hectárea de los principales productos pecuarios, la cantidad de
forraje y alimento empleado, los costos de producción y la combinación especíca de los recursos utilizados y el producto
obtenido (Arzubi y Berel, 2001, Soto, Uña y Machado, 2018). Sin embargo, cada región y sistema de producción tiene
recursos particulares que combinándolos pueden dar resultados diferentes. Es por ello que, es importante conocer los
factores que limitan o favorecen el uso de los recursos en las unidades de producción y de esta manera, tener la posibilidad
de proponer alternativas que mejoren su viabilidad (Angón et al., 2013). Por tanto, el objetivo de esta investigación es
identicar los factores que inuyen sobre la eciencia de las unidades de producción de bovinos en la región centro del
estado de Michoacán.
Factores que influyen en la eficiencia de sistemas de producción de bovinos en Michoacán, México
Ramírez-González et al, 2025
revistasinergia@utm.edu.ec
Vol. 16, Núm. 1 (1-13): Enero-Abril, 2025
e-ISNN 2528-7869
3
Revista ECA Sinergia
DOI: 10.33936/ecasinergia.v16i1.7089
METODOLOGÍA
El presente es un artículo de investigación de tipo cuantitativa, debido a que los datos que se obtienen requieren un orden
en donde se utilizan datos medibles y observables, susceptibles a cuanticar (Hernández, Fernández y Baptista, 2014,
p. 4). En concordancia con Méndez Álvarez (1998) tiene un alcance de investigación explicativo, al contener variables
que a su vez contienen otras variables -tal es el caso del ROA y la misma eciencia- tiene una relación multicausalidad
y el modelo obtenido como resultado puede constituirse a un aporte a la explicación de los hechos y fenómenos que se
generalizan a partir del problema de investigación (p. 130), así como relacionar las observaciones con las conclusiones
contenidas (Fernández y Martínez, 2020, p. 76) Sin embargo, a pesar de que los datos utilizados en esta investigación
son de origen cualitativo, para llegar a ellos, se tiene detrás un proceso de toma de decisiones y manera de visualizar los
resultados por parte de los dueños de las unidades de producción, por lo que se trabajó con un paradigma interpretativo,
al considerar que en este trabajo se integra al sujeto y objeto con interacciones con el medio social, tomando en cuenta el
contexto en el que se desenvuelven (Durán, 2021).
Este estudio se desarrolló en 15 unidades de producción de bovinos en pequeña escala en la Región Centro-Norte del
estado de Michoacán, especícamente en tres municipios (Morelia con 6 UP, Álvaro Obregón con 6 UP y Tarímbaro con
3 UP). El tipo de muestreo que se utilizó fue no probabilístico “muestreo intencionado” basado en el conocimiento previo
de la población (Quispe, 2004; Hernández y Carpio, 2019).
La selección de productores fue a través de la participación voluntaria de cada uno de ellos y se buscó que cumplieran con
los criterios recomendados por Bonilla y Rodríguez, 2005): a) que las UP estuvieran en la misma zona de estudio, b) el
sistema de producción sea para leche, c) el tamaño de las UP corresponda a pequeña escala, d) semejante nivel tecnológico.
Las herramientas para la recolección de datos fue la observación directa para identicar físicamente los activos y
características propias de cada unidad de producción. Para la recolección de la información técnica y económica se
implementó un control de producción durante 12 meses, con la nalidad de obtener la producción de leche y carne a
través de una cédula de registro prediseñada para registrar la información de costos en que se incurrieron durante un año
y la producción (Cartier, 2016). La información colectada relacionada con los costos es: insumos, mano de obra ja y
eventual, familiar y contratada, compra de concentrados, forrajes, medicamentos y herramientas. Para la recolección de la
información técnica, se pesó la leche producida por las vacas cada mes, durante la lactancia de las mismas durante el año
y la producción de carne, a partir de la venta de becerros y animales de desecho.
Se registró en las cédulas, todas las ventas de leche, carne y productos y subproductos agrícolas producidos en la unidad de
producción, así como los activos jos (instalaciones físicas para el establo y corrales, maquinaria, equipo y vehículos para
la actividad agrícola) y activos circulantes (semovientes y cuentas en banco y caja). Estos datos se utilizaron para realizar
el análisis económico de las unidades de producción, a partir del método de costos por proceso y costos absorbentes
(Villanova, 2013; Sagarnaga, Salas y Águilar, 2018), para contemplar los costos correspondientes a la actividad ganadera
y la actividad agrícola. Los costos de los forrajes consumidos por los animales, se tomaron en cuenta los obtenidos por la
actividad agrícola de las UP. Una vez obtenidos los costos e ingresos, se calculó la utilidad neta, necesaria para realizar el
análisis de rentabilidad. La utilidad se hizo con las fórmulas propuestas por Izar (2017) y Chu (2014):
revistasinergia@utm.edu.ec
Vol. 16, Núm. 1 (1-13): Enero-Abril, 2025
4
e-ISSN 2528-7869
Revista ECA Sinergia
DOI: 10.33936/ecasinergia.v16i1.7089
Una vez obtenida la utilidad neta, se procedió a realizar el análisis de la rentabilidad, siguiendo la propuesta de Boston,
Rodríguez y Flores (2005); Chu (2014) e Izar (2017):
Con los datos económicos y técnicos, se determinó la eciencia a través del Análisis de Datos Envolventes (DEA) con el
modelo de Rendimiento de Escala Variables (VRS) al tener un tamaño diferente de cabezas de ganado y recursos, acorde
al modelo propuesto por Rodríguez, Brugiafreddo y Raña (2017):
Min _ Zi
s.a.
XiZ – x1ʎ1 - x2ʎ2 - … - xNʎN ≥ 0
x1ʎ1 + x2ʎ2 + … + xNʎN ≥ Yi
ʎN ≥ 0
Donde: Z = eciencia técnica de entrada; Zi es el porcentaje de recursos que debe consumir la Unidad de Toma de
Decisiones (DMU) en las entradas para ser eciente. Los valores ʎi indican las DMU referentes para que la analizada
llegue a la frontera de eciencia. Los inputs (x) calculados son: costo de kg de leche y costo de kg de carne. Los outpus
(Y) calculados son: kg de leche por vaca al año, kg de carne por vaca al año, utilidad por kg de leche, utilidad por kg
de carne y rentabilidad a partir del ROA. El análisis se realizó en el software RStudio. Para determinar los factores que
inuyen en la eciencia se realizó un análisis de correlación de Pearson con 0.05 de signicancia en el software SPSS
versión 25 entre los indicadores relacionados con la eciencia y los inputs y outputs utilizados para este estudio.
RESULTADOS
Las unidades de producción entran dentro de la clasicación de pequeña escala, al reportar menos de 50 vacas en producción.
La cantidad promedio de jornales todas las UP es de 1.23 ± 0.46. El tipo de mano de obra es preponderantemente familiar,
con 0.92 ± 0.20 jornales por UP. El resto de la mano de obra es contratada (UP 1, 2, 5, 8, 13 y 15 son quienes contratan).
La productividad de leche de las vacas por año, implica un promedio al día de 10 litros aproximadamente por vaca. En
el caso de las UP 1, 2, 5, 6, 13, 14 y 15 realizan dos ordeños al día. El resto de las UP ordeñan solamente una vez al día
por la mañana. Las razas que se utilizan en todas las unidades de producción son cruza de criolla con Holstein, por lo
que es mayor la tendencia para la producción de leche, más que de carne. Todos los productores, a excepción del número
3, mantienen en su UP a los machos nacidos para que permanezcan en sus primeras etapas de crecimiento y engorda y
posteriormente los venden a nalizadores o consumidores nales locales. El productor N° 3, vende a todos los machos al
destete (2 meses) o antes (Ver Tabla 1).
|
Factores que influyen en la eficiencia de sistemas de producción de bovinos en Michoacán, México
Ramírez-González et al, 2025
revistasinergia@utm.edu.ec
Vol. 16, Núm. 1 (1-13): Enero-Abril, 2025
e-ISNN 2528-7869
5
Revista ECA Sinergia
DOI: 10.33936/ecasinergia.v16i1.7089
Tabla 1.
Recursos e Indicadores técnicos de las Unidades de Producción estudiadas.
En cuanto a recursos, los primeros 6 productores de la lista (de la UP 7 a la 12), quienes corresponden al municipio
de Morelia, tienen sus tierras de cultivo de temporal en su totalidad. Esto implica que los forrajes que siembran para
alimentación de las vacas las unidades de producción que si tienen riego es alfalfa (Medicago sativa) y cultivos de
invierno, como avena (Avena sativa) y en menor proporción el garbanzo (Cicer arietinum), mismo que utilizan con mayor
frecuencia los productores que no tienen riego en sus tierras, utilizándolo como cultivo de humedad residual del temporal.
Tabla 2.
Indicadores económicos de las Unidades de Producción estudiadas
INDICADORES ECONÓMICOS
UP
Costo
litro/
leche
($)
Costo
kilo/
carne
($)
Utilidad
por
litro/
leche
Utilidad
kg/
carne
%
utilidad
de la
ganadería
% de
utilidad
de otra
actividad
Activos
circulantes
($)
Activos
fijos ($)
ROA
1
4.76
29.80
1.99
6.20
39%
61%
1,092,850
10,790,430
4.4%
2
5.91
37.86
1.09
-1.86
45%
55%
82,250
4,089,333
9.9%
3
6.03
13.90
0.97
22.10
50%
50%
168,000
1,199,200
14.5%
4
5.76
25.91
2.24
10.09
50%
50%
108,650
1,422,158
13.7%
5
6.10
32.00
0.90
4.00
60%
40%
29,900
2,948,188
9.1%
6
4.91
34.00
1.09
5.00
100%
0%
179,750
1,306,494
1.8%
7
6.52
25.83
1.48
10.17
100%
0%
40,000
854,380
6.8%
8
3.16
17.53
4.20
18.47
100%
0%
451,000
2,311,490
18.4%
9
3.52
26.78
1.98
9.22
100%
0%
112,250
1,417,190
6.4%
10
4.30
30.79
1.20
5.21
100%
0%
23,400
2,019,320
1.9%
11
5.53
37.94
-0.03
-1.94
100%
0%
71,975
707,590
-1.5%
12
5.55
21.50
0.20
14.50
85%
15%
41,250
1,433,179
1.4%
13
4.74
32.69
2.26
3.31
69%
31%
19,750
3,209,490
5.9%
14
4.02
27.81
1.98
8.19
73%
27%
208,000
1,575,683
15.8%
15
3.72
25.60
2.28
10.40
45%
55%
142,400
7,025,050
11.6%
x̅
4.97
28.00
1.59
8.20
74.5%
25.5%
184,762
2,820,612
8.01%
σ
1.05
6.80
1.02
6.66
24.5%
24.5%
274,021
2,732,428
0.06
revistasinergia@utm.edu.ec
Vol. 16, Núm. 1 (1-13): Enero-Abril, 2025
6
e-ISSN 2528-7869
Revista ECA Sinergia
DOI: 10.33936/ecasinergia.v16i1.7089
Los indicadores económicos observados en la Tabla 2 muestran que el productor 11 presenta pérdidas en la producción
de leche y la producción de carne, generando una utilidad neta negativa y por consiguiente un ROA negativo también.
El resto de las unidades de producción tienen rentabilidades positivas, pero solamente cinco UP superan el 10% de
rentabilidad. Tres UP (6, 10 Y 12) tienen menos del 2% de rentabilidad.
En relación con los Activos con los que cuentan para la actividad agropecuaria, el primer productor destaca por tener los
activos jos más altos, seguido del último productor de la lista. Estos productores tienen esas cifras porque el primero
tiene dos tractores y una mayor cantidad de implementos agrícolas. El último productor tiene como distintivo la cantidad
de tierra con la que cuentan, la ubicación de las mismas (cercana a un fraccionamiento urbano) y la cantidad de bodegas
con las que cuentan ambos productores. Los productores contemplan dentro de sus activos jos la maquinaria agrícola,
los implementos agrícolas, las instalaciones para el ganado y las instalaciones para la actividad agrícola, misma que se
complementa con la pecuaria.
Los productores que tienen otras actividades además de la ganadería se dedican a la agricultura (UP 1, 2, 13 Y 15), la
compra venta de ganado (UP 3), la combinación de la ganadería con el comercio y agricultura (UP 5 y 12), la venta de leche
directamente al consumidor nal de su establo y otros establos, es decir, como intermediario (UP 7) y el complemento
de los ingresos con divisas (UP 4 y 6 esporádicamente). Los productores 6 a 11 se dedican principalmente a la ganadería.
Los costos de producción correspondientes a la actividad pecuaria que corresponden a los costos variables, incluyen
los costos de alimentación (producción de forrajes para alimentar a los animales, compra de forrajes, concentrados y
minerales) y otros costos, entre los que se encuentran la adquisición de insumos veterinarios (semen, medicamentos,
servicios veterinarios), y herramientas para la producción pecuaria. Los costos jos incluyen la mano de obra permanente,
el mantenimiento de instalaciones y el pago de servicios anuales de los animales (Ver Figura 1).
Figura 1.
Distribución de los costos totales en la actividad pecuaria.
En promedio, las unidades de producción destinan el 58.4 ± 13.1% a la alimentación de los animales. Los costos jos son
en promedio 27.1 ± 10.4%.
Factores que influyen en la eficiencia de sistemas de producción de bovinos en Michoacán, México
Ramírez-González et al, 2025
revistasinergia@utm.edu.ec
Vol. 16, Núm. 1 (1-13): Enero-Abril, 2025
e-ISNN 2528-7869
7
Revista ECA Sinergia
DOI: 10.33936/ecasinergia.v16i1.7089
Análisis de la eciencia
Al realizar el análisis de la eciencia en las unidades de producción, denominadas también DMU, se observa que solamente
nueve son ecientes con los recursos con los que cuentan y que utilizan para la actividad agropecuaria. A su vez, tres de las
DMU (1,2 y 15) tienen un comportamiento decreciente, lo que implica que deberán disminuir la cantidad de inputs en las
unidades de producción para mejorar su eciencia; en cambio, las DMU 6,11 Y 12, tendrán un comportamiento contrario,
deben incrementar sus entradas para que las unidades de producción se acerquen a la frontera de eciencia. Las DMU
que tienen un comportamiento constante (las ecientes) tendrán el mismo comportamiento si cambian o no su escala de
operaciones y, por tanto, la eciencia no se verá afectada (ver Tabla 3).
Tabla 3.
Análisis de la eciencia de las unidades de producción
DMU
Eficiencia
Activos
Fijos
Activos
circulantes
kg
leche/hato
Kg
carne/hato
ROA
lambsum
RTS
1
0.304
0
0
12,314
0
19.41
2.466
Decreciente
2
0.661
0
0
24,385
0
0
1.635
Decreciente
3
1
0
0
0
0
0
1
Constante
4
1
0
0
0
0
0
1
Constante
5
1
0
0
0
0
0
1
Constante
6
0.522
0
0
0
0
4.62
0.520
Incremental
7
1
0
0
0
0
0
1
Constante
8
1
2.8719E-
07
0
0
0
0
1
Constante
9
1
0
0
0
0
0
1
Constante
10
1
0
0
0
0
0
1
Constante
11
0.836
0
12,456
0
0
6.21
1.593
Incremental
12
0.479
0
0
7,255
0
1.60
0.566
Incremental
13
1
0
0
0
0
0
1
Constante
14
1
0
0
0
0
0
1
Constante
15
0.482
0
0
2,901
0
0
2.103
Decreciente
Las DMU que resultaron inecientes deben de hacer modicaciones en el output producción de leche principalmente
(DMU 1, 2, 12 y 15) y en mejorar la rentabilidad, las DMU 1, 6,11 y 12 para alcanzar el grado máximo de eciencia.
Solamente la DMU 11 deberá incrementar un input correspondiente a la inversión en activos circulantes, los cuales
están representados principalmente por los animales con los que cuentan en la unidad de producción. Con la proyección
de cambios en los inputs y outputs de las DMU, se obtiene que deben de modicarse las mismas en las cantidades que
aparecen en la Tabla 4.
Tabla 4.
Parámetros necesarios de los indicadores en las DMU para alcanzar la eciencia
DMU
INDICADORES
PORCENTAJE DE INCREMENTO
Activos
circulantes
kg
leche/hato
ROA
Activos
circulantes
kg
leche/hato
ROA
1
51,899
23.81
31%
441%
2
63,571
62%
6
6.42
257%
11
84,431
4.707
17%
414%
12
23,256
2.998
31%
114%
15
80,022
4%
revistasinergia@utm.edu.ec
Vol. 16, Núm. 1 (1-13): Enero-Abril, 2025
8
e-ISSN 2528-7869
Revista ECA Sinergia
DOI: 10.33936/ecasinergia.v16i1.7089
La producción de leche está estrechamente relacionada con el manejo y tecnologías que se utilizan en la unidad de
producción.
Figura 2.
Índice Tecnológico y eciencia de las DMU
En la gura 2 se muestra el índice tecnológico de las diferentes DMU. El índice tecnológico (IT) contempla el manejo de
tipo nutricional que se ofrece a los animales, es decir, el uso de forrajes de alta calidad proteica y concentrados proteicos y
energéticos de alta digestibilidad para los rumiantes. También está reejado el manejo reproductivo que se tiene en el hato,
principalmente se reere al uso o no de un programa de selección genética del ganado y el uso de la inseminación articial
para la reproducción de las vacas. Contempla también las prácticas sanitarias para la prevención de enfermedades, como es
la vacunación y desparasitación del ganado y el manejo del ordeño, mismo que incluyen las prácticas higiénico sanitarias
de la ubre y el uso o no de máquinas de ordeño.
Realizando un análisis de correlación con las variables más importantes que inuyen en la producción de leche, se
encontraron los siguientes resultados (ver Tabla 5).
Tabla 5.
Correlación de los principales indicadores de las DMU con la eciencia
Indice Tecnológico
-0.54491
ROA
0.24632
Kg de leche/hato/año
-0.33789
Kg carne/hato/año
-0.62879
Costo del kg de leche
-0.03354
Costo del kg de carne
-0.29908
Número de vacas
0.41888
Número de hectáreas totales
-0.57322
Número de Unidades Animal
0.25730
Activos Fijos
-0.65491
Activos Circulantes
-0.49228
Número de jornales totales
-0.03736
Factores que influyen en la eficiencia de sistemas de producción de bovinos en Michoacán, México
Ramírez-González et al, 2025
revistasinergia@utm.edu.ec
Vol. 16, Núm. 1 (1-13): Enero-Abril, 2025
e-ISNN 2528-7869
9
Revista ECA Sinergia
DOI: 10.33936/ecasinergia.v16i1.7089
Los indicadores que tienen una relación fuerte, de acuerdo con Leyva Cordero y Flores Hernández (2014) en los kilogramos
de carne producidos en el hato durante el año y en la cantidad de activos jos. Ambos indicadores tienen una correlación
negativa, lo que implica que mientras más baja sea la producción de carne y menores sean los activos jos de las unidades
de producción, la eciencia será menor. El índice tecnológico, el número de vacas, la cantidad de hectáreas totales de
las unidades de producción y los activos circulantes tienen una correlación media. El resto de los indicadores tienen una
correlación baja.
Realizando el análisis de correlación con las variables que intervienen con la producción de leche, dado que es el indicador
que deben de incrementar el 66% de las DMU que presentan ineciencia, así como los otros indicadores que se relacionan
con el ROA, los activos circulantes y la producción de carne, se encuentran los datos contenidos en la Tabla
Tabla 6.
Correlaciones indirectas con la eciencia
INDICADOR
VALOR
Kg leche/hato/año : IT pecuarias
0.689
Kg leche/hato/año : DMU
0.436
Kg leche/hato/año : Mercado
0.415
ROA : Utilidad por kg de leche
0.675
ROA : Utilidad por kg de carne
0.543
AC : kg carne/hato/año
0.426
AC : kg leche/hato/año
-0.026
Kg carne/hato/año : mercado
-0.577
kg carne/hato/año : kg leche/vaca
0.452
Kg carne/hato/año : Raza
-0.205
Kg leche/hato/año : Raza
-0.605
El Indicador “IT pecuaria” implica una diferencia con el indicador IT en términos conceptuales: la IT incluye todas
las tecnologías utilizadas en la DMU para la actividad agrícola y la pecuaria, quiere decir que incluye la maquinaria y
equipo utilizado para la producción de forrajes y el manejo del ganado. En el caso del índice de tecnologías pecuarias
(IT Pecuarias) se enfoca únicamente en las tecnologías y prácticas de manejo que se utilizan solamente para la actividad
pecuaria, entre las que se incluyen el manejo de la alimentación de los animales, las prácticas reproductivas, sanitarias y
la maquinaria utilizada para el ordeño de los animales.
El tipo de mercado que prevalece en las unidades de producción es utilizando el intermediarismo en el 100% de las
unidades de producción. El 73% vende la leche directamente en los establos al denominado “botero”, quien compra la
leche al productor y la vende cruda directamente al consumidor nal. El 20% vende la leche en el centro de acopio que
se encuentra en la región, la cual debe llevar directamente a la ubicación del mismo. La leche se entrega una vez al día
(por la mañana) y es quien les ofrece un mejor precio (24% más alto) que el botero. El 7% restante (un productor) vende
la leche a una fábrica de quesos artesanal de la región, quien ofrece el menor precio de todos (10% menos que el botero).
DISCUSIÓN
Al analizar los resultados de la eciencia de las unidades de producción, se observa que las DMU 1, 12, 15, 6, 2 y 11
tienen un grado de eciencia en el orden en que se mencionaron, desde 30.4 hasta 83.6 % el más alto de ellas. Estos datos
implican que las primeras tres DMU no llegan ni a la mitad del uso óptimo de sus recursos aplicándolos para la actividad
agropecuaria. En el estudio reportado por Callejas y Callejas (2022) la eciencia total del sistema vaca-becerro en México
revistasinergia@utm.edu.ec
Vol. 16, Núm. 1 (1-13): Enero-Abril, 2025
10
e-ISSN 2528-7869
Revista ECA Sinergia
DOI: 10.33936/ecasinergia.v16i1.7089
fue en promedio de 87.1 ± 16.6% en donde el valor de eciencia más bajo corresponde a las DMU de un tamaño de 300
vacas y una eciencia de 100% las DMU de 35, 40, 70, 80, 100 y 150 vacas. Las DMU de este estudio se podrían comparar
con la primera clasicación de este estudio, es decir, con aquellas unidades de producción que tienen menos de 35 vacas.
Los autores anteriormente mencionados indican que la eciencia se relaciona con los parámetros técnicos principalmente,
aunque en menor medida por los parámetros económicos.
El análisis de correlación de esta investigación muestra que los factores que tienen una correlación fuerte -de acuerdo con
Leyva y Flores (2014)- con la eciencia son: los kilogramos de carne producida por hato al año (-0.62879) y la cantidad
de activos jos destinados para la actividad agropecuaria (-0.65491) y media: el índice tecnológico (-0.54491), el número
de vacas (0.41888), el número de hectáreas totales (-0.57322) y los activos circulantes (-0.49228). Los factores antes
mencionados son, por un lado, elementos de tipo técnico (índice tecnológico y producción de carne por hato) y por otro,
de tamaño (el resto de ellos). Los factores que se enfocan más hacia el elemento económico, presentan una correlación
baja. Lo anterior coincide con los resultados de Callejas y Callejas (2022) en relación a la importancia de los indicadores
técnicos sobre los económicos.
En otro estudio realizado por De Jorge y Díaz (2018), encontraron que, en un análisis sobre la eciencia en diversos
sectores productivos, los sectores que tuvieron un cambio en la eciencia productiva se debieron a los cambios en la
eciencia técnica y de escala, en donde los factores que contribuyeron en el aumento de la eciencia en el grupo en
donde pertenece el sector agrícola, fue el incremento en la productividad a partir del cambio técnico en las DMU. En la
tabla 4 se observa que, los cambios que deben hacer las unidades de producción para alcanzar la eciencia se enfocan
principalmente en el incremento de la productividad de leche de cuatro de las seis DMU inecientes.
Al realizar la correlación con el índice tecnológico, que es el equivalente al área técnica que señalan De Jorge y Díaz (2018)
en su estudio, se observa que la correlación es media y negativa (-0.54491), lo que se interpreta como que, mientras más
alto es el índice tecnológico, menor es la eciencia. Este fenómeno se puede observar comparando las cifras presentadas
en la Tabla 1 y la eciencia de las DMU de la Tabla 3, observándose que la unidad que tiene un mayor índice tecnológico
general es el número 1 (0.85) y es quien tiene el nivel de eciencia más bajo (0.304), seguido por el productor 15, con
0.77 de índice tecnológico y 0.482 de eciencia. Por el contrario, el productor 11, con 0.836 de eciencia tiene un índice
tecnológico de 0.22. De esta manera se puede explicar la correlación negativa encontrada en este estudio.
Por otro lado, Espinosa et al. (2018) mencionan que el índice tecnológico incide de manera positiva en la productividad
de los hatos lecheros. Este argumento se basa en un estudio realizado, en donde descubrieron que, a mayor cantidad de
componentes tecnológicos existentes en las unidades de producción, la productividad incrementó en 1.86 litros al día por
vaca en comparación con los productores con un nivel tecnológico intermedio. Esta situación no coincide del todo con
lo encontrado en el presente estudio, en donde se observa que el productor con mayor índice tecnológico (productor 1,
con 0.85 de IT) es quien ocupa la posición número cuatro en la mejor productividad de leche por vaca al año. De igual
manera, los dos productores con menor índice tecnológico (0.22) ocupan el séptimo y octavo lugar. El productor con
menor productividad (1,531 kg de leche por vaca al año) tiene un índice tecnológico de 0.32, por encima de productores
que tienen un índice tecnológico de 0.28. Puede ser posible que sean estas discrepancias las que expliquen una correlación
media entre el índice tecnológico y la eciencia, debido a que existen otros factores que intervienen en la productividad.
No obstante, al considerar únicamente las tecnologías utilizadas para la actividad pecuaria (IT Pecuarias), se observa
(Tabla 6) que se obtuvo una correlación de 0.689 (alta) entre las tecnologías y la producción de leche por el hato al año.
Esta relación si coincide con lo que reportan los autores Espinosa et al. (2018) quienes indican que el incremento en las
tecnologías pecuarias no solamente inuye en el incremento de la productividad de las vacas, sino también en el ingreso
neto de los productores.
En la tabla 4 se encuentra la cantidad de leche que deben de incrementar las DMU para alcanzar la eciencia, oscilando
este aumento entre un 4% hasta un 31 y 62%. El incremento de la producción de leche sería posible modicando algunos
elementos del manejo del ganado y de las características propias de las unidades de producción, tales como la alimentación
y la genética de los animales (Ma, Bicknell y Renwick, 2018). Ojeda et al. (2020), mencionan que la expresión genética
de las vacas lecheras depende del tipo de forrajes que se utilizan para nutrir a las vacas y de la calidad de los esquilmos
agrícolas (rastrojo de maíz, paja de avena y/o garbanzo en el caso de los productores de la región de estudio) y los
concentrados utilizados por lo que, al mejorar la nutrición, los animales de las unidades de producción bajo estudio podrán
mejorar la producción.
Factores que influyen en la eficiencia de sistemas de producción de bovinos en Michoacán, México
Ramírez-González et al, 2025
revistasinergia@utm.edu.ec
Vol. 16, Núm. 1 (1-13): Enero-Abril, 2025
e-ISNN 2528-7869
11
Revista ECA Sinergia
DOI: 10.33936/ecasinergia.v16i1.7089
Finalmente, el ROA tiene una correlación media (0.543) con la utilidad por kg de carne y una correlación fuerte (0.675)
con la utilidad del kg de leche. La Tabla 4 indica la cantidad de ROA que se debe de tener en las DMU inecientes para que
logran alcanzar la eciencia, por lo que para mejorar el mismo tendrían que trabajar con el incremento de la producción,
y con los costos de producción, que es de donde proviene la utilidad unitaria de los productos carne y leche.
CONCLUSIÓN
Las unidades de producción analizadas muestran niveles de eciencia del 100% y del 30.4 al 86.6% las que son inecientes,
lo cual sugiere un uso subóptimo de los recursos disponibles, especialmente las unidades de producción más pequeñas.
Los factores técnicos, como la producción de carne por hato al año y el índice tecnológico son los principales elementos
que pueden correlacionarse con la eciencia menor del 100% y destacan el tamaño de las unidades de producción, entre las
que se encuentra el número de vacas, de hectáreas y la cantidad de activos en menor medida. Aunque en general se espera
que un mayor índice tecnológico incremente la eciencia, sin embargo, en este estudio se observa una correlación negativa
y además en un grado de correlación media, lo que indica que existen otros elementos que inuyen en la eciencia,
como los indicadores de productividad y en especial, la combinación de la producción de leche y carne en la unidad de
producción, lo que implica aprovechar de mejora manera los recursos.
Las unidades de producción de lechería de pequeña escala, tiene un potencial de crecimiento, utilizando los recursos de
manera eciente. De acuerdo a los resultados de esta investigación, las modicaciones o estrategia que deberán implementar
(con excepción de uno) se basa en el incremento de la producción de leche principalmente, lo cual, tendría un impacto
positivo en la rentabilidad de las unidades de producción. Para aumentar el rendimiento productivo de los animales no
se requieren la adquisición de maquinaria o equipo adicional, sino que podrían hacerlo los propios productores con la
asesoría y seguimiento adecuado. Entre las actividades que pueden implementar están las mejoras en la alimentación,
así como el uso de los forrajes con una mejor calidad nutricional, tanto del producto principal como de los subproductos
forrajeros y la mejora de la genética del ganado, a través de un riguroso proceso de selección y el uso de semen de calidad
superior a la actual para acelerar el proceso.
Se observa que una de las bondades de los sistemas de producción de pequeña escala, es el aprovechamiento que se le da
a los recursos, los cuales pueden denir y mantener esta actividad económica a lo largo de las generaciones y en conjunto
con la mano de obra familiar, representan fortalezas importantes en los sistemas de producción y en la toma de decisiones
de los productores. La actividad económica se vería con mayor fortaleza mejorando la rentabilidad, para lo cual, se
requieren reducir los costos y centrarse en estrategias integrales de manejo y uso eciente de los recursos, porque la
eciencia de estas unidades de producción depende signicativamente de los factores técnicos, siendo crucial el enfoque
de tecnologías especícas para optimizar la productividad y mejorar la rentabilidad, para lo cual será importante el apoyo,
guía y asesoría técnica para la transferencia, implementación y adopción de tecnologías pecuarias.
REFERENCIAS BIBLIOGRÁFICAS
Angón, E., García, A., Perea, J., Acero, R., Toro-Mújica, P., Pacheco, H. y González, A. (2013). Eciencia técnica y
viabilidad de los sistemas de pastoreo de vacunos de leche en la Pampa, Argentina. Agrociencia, 47:443-456.
https://www.scielo.org.mx/scielo.php?pid=S1405-31952013000500003&script=sci_arttext
Arzubi, A. y Berbel, J. (2001). Un análisis no paramétrico de eciencia en explotaciones lecheras de Argentina. Estudios
Agrosociales y Pesqueros. 193:119-142.
https://www.mapa.gob.es/ministerio/pags/Biblioteca/Revistas/pdf_reeap%2Fr193_05.pdf
Bahta, S., Temoso, O., Ng´ombe, J.N., Rich, K.M., Baker, D., Kaitibie, S. y Malope, P. (2023). Productive eciency of
beef cattle production in Botswana: a latent class stochastic meta-frontier analysis. Front. Sustain. Food Syst, 7:01-
16. https://doi.org/10.3389/fsufs.2023.1098642
Bonilla Castro, E. y Rodríguez Sehk, P. (2005). Más allá del dilema de los métodos. La investigación en ciencias sociales.
Colombia. Editorial Norma.
revistasinergia@utm.edu.ec
Vol. 16, Núm. 1 (1-13): Enero-Abril, 2025
12
e-ISSN 2528-7869
Revista ECA Sinergia
DOI: 10.33936/ecasinergia.v16i1.7089
Bostos, E., Cortijo, V. y Flores, F. (2009). Análisis de estados nancieros. Fundamentos teóricos y casos prácticos. España.
Pearson Educación.
Callejas Juárez, N. y Callejas Martínez, A. (2022). Análisis de la eciencia del sistema vaca-becerro en México. Terra
Latinoamericana, 40:1-10. https://doi.org/10.28940/terra.v40i0.941
Carrasco Pérez, S., Altamirano Cárdenas, J.R., Várgas Del Ángel, M.A. e Islas Moreno, A. (2022). Pequeñas empresas
productoras de leche: un estudio desde la perspectiva del modelo de negocio. Innovar, 32(84):111-122. DOI: https://
doi.org/10.15446/innovar.v32n84.100596
Cartier, E.N. (2016). El enfoque agronómico de costos en empresas agropecuarias. Costos y gestión. 92(1):10-25.
Chu, R.M. (2014). Finanzas para no nancieros. Lima, Perú. Universidad Peruana de Ciencias Aplicadas S.A.C.
De Jorge Moreno, J. y Díaz Castro, J. (2018). Análisis de la productividad, eciencia y sus factores explicativos: el caso de
las empresas colombianas, 2005 – 2010. Revista de métodos cuantitativos para la economía y la empresa, 26:315-
343. https://doi.org/10.46661/revmetodoscuanteconempresa.3834
Durán, C.L.E. (2021). El enfoque interpretativo: Una nueva manera de ver la contabilidad. Actualidad Contable Faces.
24(42):95-112. https://www.redalyc.org/articulo.oa?id=25767348004
Espinosa García, J.A., Vélez Izquierdo, A., Góngora González, S.F., Cueas Reyes, V., Vázquez Gómez, R. y Rivera
Maldonado, J.A. (2018). Evaluación del impacto en la productividad y rentabilidad de la tecnología transferida al
sistema de bovinos de doble propósito del trópico mexicano. Tropical and Subtrópical Agroecosystems, 21:261-
272. DOI: http://dx.doi.org/10.56369/tsaes.2411
Fernández Jardón, C.M. y Martínez Cobas, F.X. (2020). Investigación Cuantitativa Aplicada en Economía y Empresa.
Una Propuesta Metodológica. España. Servizo de Publicacións Universidad de Vigo.
Galindo Martínez, C. y Rayas Amor A.A. (2022). Sistemas de producción de leche en pequeña escala, una opción de
desarrollo rural. UNIVERSITARIA, 6(41):74-75. https://revistauniversitaria.uaemex.mx/article/view/20141.
Guevara Viera, G.E., Torres Inga, C.S., Guevara Viera, R.V., Velasco Heras, C.I., Aguirre de Juana, A.J. y Rarzón Jarrin,
R.A. (2020). Mano de obra, región y tamaño como factores de eciencia técnica de sistemas lecheros. Rev. prod.
anim, 33(3)
https://revistas.reduc.edu.cu/index.php/rpa/article/view/e3528
Hernández Ávila, C.E. y Carpio Escobar, N.A. (2019). Introducción a los tipos de muestreo. Alerta, Revista Cientíca del
Instituto Nacional de Salud, 2(1): 75-79. https://doi.org/10.5377/alerta.v2i1.7535
Hernández Sampieri, R., Fernández Collado, C. y Baptista Lucio, M.P. (2014). Metodología de la Investigación (Sexta
ed.). México. McGraw Hill.
Herrera, J.A., Barrios, G. y Flores, J.O. (2013). Eciencia técnica en unidades lecheras por medio de análisis envolvente de
datos. Revista cubana de Ciencia Agrícola. 47(2):137-142. https://www.redalyc.org/articulo.oa?id=193028751005
Izar Landeta, J.M. (2017). Ingeniería económica y nanciera. Trillas. México D.F.
Kuster, C., Álvarez, J.A., Lezcano Raposo, M. y Álvarez Vaz, R. (2022). Rentabilidad del sector agropecuario en Uruguay.
Estudio de su evolución a través de clústers longitudinales en el período 2010-2017. . Cuyonomics. Investigaciones
En Economía Regional, 6(9): 130-157. https://doi.org/10.48162/rev.42.044
Leyva Cordero, O. y Flores Hernández, M.A. (2014). Análisis de correlaciones bivariadas y parciales con SPSS en
Sáenz López, K. y Tamez González, G. (Ed.), Métodos y Técnicas Cualitativas y Cuantitativas Aplicables a la
Investigación en Ciencias Sociales. (pp. 422-437). Tirant Humanidades México.
López González, A.S., Zuniga López, C.A., Ramón López, M., Quirós Madrigal, O.J., Colón García, A.P., Navas
Calderón, J., Martínez Andares E., Rangel Cura R.A. y Sol Sánchez, A. (2015). Estado del arte de la medición de la
productividad y la eciencia técnica en América Latina: caso Nicaragua. Revista Iberoamericana de Bioeconomía
y Cambio Climático, 1(2):76-100.
http://portal.amelica.org/ameli/journal/394/3941749001/3941749001.pdf
Factores que influyen en la eficiencia de sistemas de producción de bovinos en Michoacán, México
Ramírez-González et al, 2025
revistasinergia@utm.edu.ec
Vol. 16, Núm. 1 (1-13): Enero-Abril, 2025
e-ISNN 2528-7869
13
Revista ECA Sinergia
DOI: 10.33936/ecasinergia.v16i1.7089
López, J.F., Fernández Henao, S. y Morales, M.M. (2007). Aplicación de la técnica DEA (Data Envelopment Analysis) en
la determinación de eciencia de centros de costos de producción. Scienctia et Technica, 1(137):395-400. https://
revistas.utp.edu.co/index.php/revistaciencia/article/view/4127
Ma, W., Bicknell, K. y Renwick, A. (2018). Feed use intensication and technical eciency of dairy farms in New
Zealand. Australian Agriculture and Resource Economics Society Inc., 63:20-38. https://doi.org/10.1111/1467-
8489.12283
Márquez, T.E., Velásquez, A.R., Flores, J.O., Flores, S.L. y Garzón, H.J. (2013). Determinantes de la eciencia técnica
de explotaciones de frijol ubicadas en Portuguesa, Venezuela. Temas Agrarios, 18(2): 67-82. https://revistas.
unicordoba.edu.co/index.php/temasagrarios/article/view/717/833
Méndez Álvarez, C.E. (1988). Metodología. Guía para elaborar diseños de investigación en ciencias económicas, contables
y administrativas (Segunda ed.). Colombia: McGraw Hill.
Ojeda Carrasco, J.J., Rueda Quiroz, L.D., Hernández García, P.A. y Espinoza Ayala, E. (2020). Caracterización del sistema
de producción de leche en pequeña escala de la zona Suroriente del Estado de México. Agricultura, Sociedad y
Desarrollo. 17:201-215. https://www.revista-asyd.org/index.php/asyd/article/view/1342/581
Olmedo Vázquez, V.M., Minjares Lugo, J.L., Camacho Poyato, E., Hernández Hernández, M.L. y Rodríguez Díaz, J.A.
(2017). Uso del Análisis Envolvente de Datos (DEA) para evaluar la eciencia del riego en los módulos del
Distrito de Riego No. 041, Río Yaqui (Sonora, México). Rev. FCA UNCUYO, 49(2): 127-148. https://www.
redalyc.org/pdf/3828/382853527010.pdf
Quispe Limaylla, A. (2004). Evaluación socioeconómica de programas de desarrollo. México. Plaza y Valdéz.
Rodríguez Sperat, R., Brugiafreddo, M.P. y Raña, E. (2017). Eciencia técnica en la agricultura familiar: análisis
envolvente de datos (DEA) versus aproximación de fronteras estocásticas (SFA). Nova Scientia 18(9):342-370.
DOI: https://doi.org/10.21640/ns.v9i18.697
Sagarnaga Villegas, L.M., Salas González, J.M. y Aguilar Ávila, J. (2018). Metodología para estimar costos, ingresos
y viabilidad nanciera y económica en unidades representativas de producción. Serie: Metodologías y
herramientas para la investigación. Volumen 6. México. UACH-CIESTAAM. https://www.researchgate.net/
publication/335319625_Metodologia_para_estimar_costos_ingresos_y_viabilidad_nanciera_y_economica_en_
unidades_representativas_de_produccion#fullTextFileContent
Soto Senra, S.A. Uña Izquierdo, F. y Machado Peña, Y. (2018). Eciencia bioproductiva y nanciera en ncas
lecheras del sector privado. Rev. prod. Anim., 30(1):13-18. http://scielo.sld.cu/scielo.php?pid=S2224-
79202018000100003&script=sci_arttext&tlng=en
Van Gich, J.P (2017). Teoría General de Sistemas Aplicada. Trillas, México D.F.
Villanova, I. (2013). Metodologías no tradicionales para la estimación de costos agropecuarios: el modelo de costeo por
absorción aplicado a la producción frutícola. http://bibliotecadigital.econ.uba.ar/download/docuciea/docuciea_
n1_06.pdf
Yaguache Aguilar, M.F., Higuerey Gómez, A.A. y Robles Valdes, I.M. (2022). Operational performance of Ecuadorian
industrial companies. TECHNO REVIEW, 12(4): 2-13.
https://doi.org/10.37467/revtechno.v11.4491