Predicción de la eficiencia productiva en un sistema de engorde a corral de San Luis, Argentina

Un feedlot tiene como metas obtener alta producción y calidad de carne por animal y alta eficiencia de conversión (kilos de alimento /kilo de carne) (Gil, 2005). Se entiende por eficiencia productiva (ECA) a la capacidad de conversión del alimento consumido en kg de peso vivo. Di Marco (2006) sostiene que en la eficiencia hay aspectos inherentes al alimento, y suministro del mismo, así como también inherentes al metabolismo del animal. En cuanto al alimento, son importantes tanto el balance de la dieta como un alto consumo, pero que no sea ad-libitum ya que se ha observado que la máxima conversión se logra suministrando el alimento al 90% del consumo potencial. El objetivo de este trabajo fue proponer distintos modelos matemáticos que ajusten parsimoniosamente a los datos, compararlos y establecer cuál o cuáles explican mejor, estadísticamente el comportamiento de ECA.

La investigación se realizó con datos de 219 planillas de cierre (año 2016) del sistema de engorde a corral que se lleva a cabo en el establecimiento Ser Beef SRL (33º 23´ latitud sur, 65º 53´ longitud oeste). La variable respuesta fue ECA. Las variables explicativas fueron: A) cualitativas: Sexo, Estación del año de ingreso (EstI), Tamaño, Días de estadía (DPE), B) Cuantitativas referidas al Animal, Base alimenticia, Consumo y Mortandad: Animal: Peso de ingreso (PPI) y egreso (PPE) en kg, Tiempo de estadía (DP) en días, Cabezas ingresadas (CI) y egresadas (CE), Aumento diario (ADPV), en kg. Base alimenticia (tipo de alimento y cantidad en kg de MS.día^-1 ): Rollos de alfalfa (AA), Silo de maíz (SM), Gluten-feed (GF), Pellets de soja (PS), Burlanda de maíz (Bur), Maíz quebrado (MQ), Suplemento mineral (Min); Base alimenticia por grupos de alimentos expresada en peso (kg de MS.día^-1 ) y Base alimenticia por grupos de alimentos expresada en porcentaje (%). Consumo: Consumo diario de materia seca (CDMS) por animal (en kg), CDMS respecto del peso vivo del animal (C %PV) en porcentaje. Mortandad (% Mor) en porcentaje respecto de la tropa. La obtención de modelos de manera parsimoniosa implica la combinación más reducida y simple posible de variables, teniendo en cuenta la varianza residual, la capacidad de predicción, la no multicolinealidad e independencia entre las variables regresoras. Se ajustaron distintos Modelos Lineales Múltiples Generales estimando los parámetros mediante el método de Mínimos Cuadrados Ordinarios seleccionando el modelo que mejor explicó la relación entre las variables estudiadas. Se aplicó el método stepewise cuando se incluyeron todas las variables cuantitativas o cuando tuvieron coeficientes de correlación Pearson (r) entre 0,30 a 0,63 respecto de ECA, pero, para el ajuste de los modelos seleccionados y aquí presentados, se consideró, además de las variables cuantitativas con dichos coeficientes de correlación (r), el descarte de las variables colineales (r > 0.80) y los menores Criterios de Selección (Akaike y Bayesiano). Para la obtención de los resultados se utilizó el software libre R versión 4.2.0.

Se obtuvo un vasto número de Modelos de Regresión Lineal Múltiple (17), todos con un valor de R² ajustado superior a 0,95. Se seleccionaron tres (modelo: 5A, 5C, 5G. Tabla 1). A estos modelos se les agregaron las variables cualitativas (Tam, Sexo y EstI) y al Modelo 5A se le extrajo la variable PPE por no ser significativa (Modelo 5A1). La única variable cualitativa que resultó significativa para los Modelos 5A y 5C fue EstI (Modelos 5A11 y 5C1). Al Modelo 5G se le quitó PPI y ninguna variable cualitativa resultó significativa (Modelo 5G1). Los cuatro modelos tuvieron alta significancia (P < 2.2e^-16) y cada una de las variables que los conforman también (P < 0,001), salvo EstII, EstIP y EstIV (p: 0,22 a 0,99) por lo que tuvieron un bajo impacto en 5C1 y 5A11. El modelo que mejor explicó a ECA fue el 5A11 por mostrar el cumplimiento de los supuestos de linealidad y no colinealidad entre las variables regresoras, normalidad, homocedasticidad e independencia de los residuos.

A pesar de no incluir otras variables como días de permanencia y sexo, entre otras sugeridas por varios investigadores como explicativas de ECA, el modelo seleccionado, bajo sustentos estadísticos, resume de manera lógica y no compleja el comportamiento de ECA. En un modelo de regresión múltiple, las variables independientes presentan un efecto conjunto (como partes que conforman un todo) y explican así, el comportamiento de la variable dependiente (ECA).